Hcmute phát triển xe lăn điện tự hành trong nhà cho người tàn tật nặng dựa vào vật mốc và bản đồ 3d

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG PHÁT TRIỂN XE LĂN ĐIỆN TỰ HÀNH TRONG NHÀ CHO NGƯỜI TÀN TẬT NẶNG DỰA VÀO VẬT MỐC VÀ BẢN ĐỒ 3D MÃ SỐ: T2018-48TĐ SKC 0 Tp Hồ Chí Minh, tháng 04/2019 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM PHÁT TRIỂN XE LĂN ĐIỆN TỰ HÀNH TRONG NHÀ CHO NGƯỜI TÀN TẬT NẶNG DỰA VÀO VẬT MỐC VÀ BẢN ĐỒ 3D Mã số: T2018-48TĐ Chủ nhiệm đề tài: PGS.TS Nguyễn Thanh Hải TP HCM, 04/2019 Luan van TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BÁO CÁO TỔNG KẾT ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM PHÁT TRIỂN XE LĂN ĐIỆN TỰ HÀNH TRONG NHÀ CHO NGƯỜI TÀN TẬT NẶNG DỰA VÀO VẬT MỐC VÀ BẢN ĐỒ 3D Mã số: T2018-48TĐ Chủ nhiệm đề tài: PGS.TS Nguyễn Thanh Hải Thành viên đề tài: ThS Ngô Bá Việt ThS Võ Đức Dũng TP HCM, 04/2019 Luan van DANH SÁCH CÁN BỘ THAM GIA THỰC HIỆN ĐỀ TÀI STT MSCB Họ tên 4721 Nguyễn Thanh Hải ĐH SPKT ĐTCNYS Ngô Bá Việt ĐH SPKT ĐTCNYS 4695 Đơn vị công tác 9602 Võ Đức Dũng ĐH SPKT ĐTCNYS Luan van Nội dung công việc - Tính tốn giải - pháp, tham gia viết báo báo cáo - Thực giải thuật chạy kết - Làm thí nghiệm thu thập liệu - - Viết chương trình điều khiển kiểm tra chỉnh sửa - 01 chun đề dị tìm vật mốc - Thư ký đề tài - Tham gia làm thí nghiệm MỤC LỤC MỤC LỤC i DANH SÁCH HÌNH iii DANH SÁCH BẢNG v DANH SÁCH TỪ VIẾT TẮT vi THÔNG TIN KẾT QUẢ NGHIÊN CỨU vii Chương MỞ ĐẦU 1.1 Tổng quan lĩnh vực nghiên cứu, kết nghiên cứu ngồi nước cơng bố 1.2 Tính cấp thiết 1.3 Mục tiêu đề tài 1.4 Cách tiếp cận, phương pháp nghiên cứu, phạm vi nghiên cứu Chương THIẾT KẾ MƠ HÌNH XE LĂN ĐIỆN TỰ HÀNH CHO NGƯỜI KHUYẾT TẬT 2.1 Thiết kế mơ hình xe lăn điện 2.2 Camera Kinect 2.2.1 Giới thiệu camera Kinect 2.2.2 Thông số kỹ thuật camera Kinect 2.2.3 Thư viện hỗ trợ 2.3 Xây dựng phương trình động lực học xe lăn 10 Chương 12 NHẬN DẠNG VẬT MỐC VÀ ĐỊNH VỊ XE LĂN 12 3.1 Vai trò vật mốc trình định vị điều khiển xe lăn điện 12 3.2 Phương pháp nhận dạng vật mốc tự nhiên 13 3.2.1 Phát điểm đặc trưng 13 3.2.2 Mở rộng điểm đặc trưng 14 3.2.3 Xác định mốc tự nhiên 16 3.2.4 Đánh giá nhận biết vật mốc 16 3.3 Kết nhận dạng vật mốc tự nhiên 18 3.3.1 Kết trích đặc trưng đối tượng ảnh 18 3.3.2 Kết nối điểm đặc trưng 19 3.3.3 Xác định vật mốc tự nhiên 20 3.3.4 Đánh giá việc xác định vật mốc tự nhiên 24 3.4 Hệ thống định vị sử dụng camera RGB-D 26 3.4.1 Phương pháp tính tốn khoảng cách góc lệch 27 3.4.2 Định vị xe lăn dựa vào vật mốc 29 Chương 31 ĐIỀU KHIỂN TỰ ĐỘNG CHO XE LĂN DỰA VÀO VẬT MỐC VÀ BẢN ĐỒ 3D 31 4.1 Xây dựng đồ 3D từ môi trường 31 i Luan van 4.2 Xây dựng đồ khoảng cách 2D từ đồ 3D 32 4.3 Thuật toán điều khiển xe lăn bám vật mốc 34 4.3.1 Tính tốn di chuyển xe lăn khơng có vật cản 34 4.3.2 Tính tốn di chuyển xe lăn có vật cản 37 4.4 Các tình thực nghiệm 40 4.4.1 Xe lăn di chuyển đường khơng có vật cản 40 4.4.2 Xe lăn di chuyển đường có vật cản 41 Chương 44 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 44 5.1 Kết Luận 44 5.2 Hướng Phát Triển 44 TÀI LIỆU THAM KHẢO 45 PHỤ LỤC 49 ii Luan van DANH SÁCH HÌNH HÌNH TRANG Hình 2.1 Sơ đồ khối biểu diễn trình thu thập liệu từ camera xác định thông số cho việc điều khiển xe lăn điện Hình 2.2 Sơ đồ khối hệ thống Hình 2.3 Các thiết bị cần thiết xe lăn di động Hình 2.4 Mơ hình xe lăn điện Hình 2.5 Sơ đồ khối mơ tả hoạt động hệ thống xe lăn điện Hình 2.6 Kinect X-Box 360 Hình 2.7 Cấu tạo camera Kinect Hình 2.8 Mơ hình xe lăn chuyển động với bánh xe 10 Hình 3.1 Sơ đồ khối trình xác định vật mốc tự nhiên 13 Hình 3.2 Mơ tả đáp ứng ảnh 17 Hình 3.3 Hình ảnh với thơng tin điểm đặc trưng 18 Hình 3.4 Biểu đồ biểu diễn số lượng điểm đặc trưng liên quan đến tốc độ phát điểm đặc trưng 19 Hình 3.5 Biểu diễn giãn nở với lần lặp khác với mặt nạ × 20 Hình 3.6 Ảnh đối tượng ảnh khung đặc trưng 20 Hình 3.7 Quy trình nhận dạng mốc mơi trường phịng thí nghiệm tự nhiên khoảng cách m từ camera đến vật thể 21 Hình 3.8 Quy trình nhận dạng mốc mơi trường phịng thí nghiệm tự nhiên khoảng cách m từ camera đến vật thể 21 Hình 3.9 Mật độ điểm đặc trưng với mười lần thí nghiệm năm khoảng cách khác 21 Hình 3.10 Xác định mốc tự nhiên mơi trường phịng thí nghiệm góc 0o 22 Hình 3.11 Xác định mốc tự nhiên mơi trường phịng thí nghiệm góc 45o 22 Hình 3.12 Xác định mốc tự nhiên mơi trường phịng thí nghiệm góc 30o 23 Hình 3.13 Các mốc tự nhiên phát từ khu vực khác 24 Hình 3.14 Nhận dạng mốc từ mốc phát để đánh giá hiệu suất nhận dạng 25 Hình 3.15 Sơ đồ khối hệ thống định vị dùng camera RGB-D 26 Hình 3.16 Mối quan hệ độ sâu độ sai lệch 27 Hình 3.17 Biểu diễn vật mốc miền tọa độ (OXZ) 28 Hình 3.18 Tọa độ xe lăn vật mốc không gian phẳng 29 Hình 4.1 Hệ trục tọa độ Descartes ảnh 3D 31 Hình 4.2 Camera Kinect lấy thông tin độ sâu điểm ảnh 31 iii Luan van Hình 4.3 Ảnh RGB chụp từ camera Kinect 32 Hình 4.4 Ảnh đám mây 3D kết hợp từ ảnh RGB ảnh độ sâu 32 Hình 4.5 Bản đồ điểm 3D lấy từ camera 33 Hình 4.6 Mô tả việc chuyển đổi đồ điểm 3D sang đồ 2D với độ cao Yjmin định trước 33 Hình 4.7 Bản đồ khoảng cách 2D theo trục X trục Z xây dựng từ đồ điểm 3D hình 4.5 34 Hình 4.8 Định vị xe lăn dựa vào vật mốc 35 Hình 4.9 Trường hợp xe lăn bên trái đường 35 Hình 4.10 Các thông số mô tả cho việc di chuyển xe lăn trường hợp 36 Hình 4.11 Trường hợp xe lăn bên phải đường 36 Hình 4.12 Các thông số mô tả cho việc di chuyển xe lăn trường hợp 37 Hình 4.13 Lưu đồ điều khiển xe lăn tránh vật cản 37 Hình 4.14 Mơ tả vật cản đường di chuyển xe lăn 38 Hình 4.15 Xe lăn di chuyển khoảng trống bên phải tránh vật cản 38 Hình 4.16 Xe lăn di chuyển khoảng trống bên trái tránh vật cản 39 Hình 4.17 Xe lăn nhận biết phía trước vùng trống thông qua đồ 2D 40 Hình 4.18 Xe lăn bám theo vật mốc để di chuyển đường dừng lại đích 41 Hình 4.19 Xe lăn phát vật cản khoảng trống dựa vào đồ 2D 41 Hình 4.20 Xe lăn phát khoảng trống bên phải di chuyển vượt qua vật cản 42 Hình 4.21 Xe lăn phát vật cản khoảng trống dựa vào đồ 2D 42 Hình 4.22 Xe lăn phát khoảng trống bên trái di chuyển vượt qua vật cản 43 iv Luan van DANH SÁCH BẢNG BẢNG TRANG Bảng 2.1 Các giá trị tín hiệu điều khiển xe lăn điện … 08 Bảng 2.2 Bảng thống kê thực nghiệm tầm nhìn camera Kinect … 09 Bảng 3.1 Kết trích xuất điểm đặc trưng thời gian thực cách sử dụng phát đặc trưng 19 Bảng 3.2 Thời gian trình nhận biết vật mốc phương pháp đề xuất 24 Bảng 3.3 Độ xác phương pháp nhận dạng đề xuất 26 v Luan van DANH SÁCH TỪ VIẾT TẮT SLAM SIFT RFID IR LIDAR RANSAC AC BCI DC DLL EERUF GPS GPIO HSV LCD PCA RGB SAD SVD SURF VFH VFF 3D 2D Simultaneous localization and mapping Scale-Invariant Feature Transform Radio Frequency Identification Infra-Red Light Detection And Ranging Random sample consensus Alternating Current Brain – Computer Interface Direct Current Dynamic Link Library Error Eliminating Rapid Ultrasonic Firing Global Positioning System General - Purpose Input/Output Hue – Saturation - Value Liquid Crystal Display Principal component analysis Red – Green - Blue Sum of Absolute Differences Singular Value Decomposition Speeded Up Robust Features Vector Field Histogram Virtual Force Field Three - Dimensional Two - Dimensional vi Luan van Điều khiển tự động cho xe lăn dựa vào vật mốc đồ 3D Trong hình 4.15, Z2 khoảng cách từ xe lăn đến vật cản theo trục OZ Các thông số cho việc điều khiển xe lăn trường hợp tính tốn sau:  X0    Z2    arctan (4.10) c1  X  a2 sin  (4.11) c2  a2 Z 2X0 (4.12) Với X0 khoảng cách từ xe lăn đến mép tường bên trái thiết lập với vật mốc, β góc lệch tạo xe lăn rẽ trái hay rẽ phải, c1 biểu diễn cho khoảng cách mà xe lăn xuyên qua khoảng trống sau rẽ trái hay rẽ phải, c2 biểu diễn cho khoảng cách sau xe lăn kết thúc đoạn c1 thẳng, a độ rộng khoảng trống bên phải Quá trình di chuyển tránh vật cản xe lăn biểu diễn đường màu đỏ hình 4.15 Từ vị trí phát vật cản xác định khoảng trống bên phải di chuyển qua, xe lăn rẽ phải góc β, sau thẳng đoạn c1, dừng lại rẽ trái góc β Sau xe tiếp tục thẳng đoạn c2, thẳng vượt qua vật cản tiếp tục di chuyển thêm đoạn c2 Lúc xe dừng lại rẽ trái góc β, thẳng đoạn c1, dừng lại rẽ phải góc β Tại vị trí xe lăn vượt qua vật cản đồng thời trở lại vị trí tim đường, tiếp tục dị tìm vật mốc để đến đích  Trường hợp Có vật cản đường Xe lăn tính tốn hai khoảng trống với độ rộng a1 a2, a2 < a1 hình 4.16 Hình 4.16 Xe lăn di chuyển khoảng trống bên trái tránh vật cản Trong trường hợp này, thông số cho việc điều khiển xe lăn tính tốn tương tự trường hợp 1, cụ thể là: 39 Luan van Điều khiển tự động cho xe lăn dựa vào vật mốc đồ 3D  X0    Z2    arctan (4.13) c1  X  a1 sin  (4.14) c2  a1 Z 2X0 (4.15) Quá trình di chuyển tránh vật cản xe lăn biểu diễn đường màu đỏ hình 4.16 Từ vị trí phát vật cản xác định khoảng trống bên trái di chuyển qua, xe lăn rẽ trái góc β, sau thẳng đoạn c1, dừng lại rẽ phải góc β Sau xe tiếp tục thẳng đoạn c2, thẳng vượt qua vật cản tiếp tục di chuyển thêm đoạn c2 Lúc xe dừng lại rẽ phải góc β, thẳng đoạn c1, dừng lại rẽ trái góc β Tại vị trí xe lăn vượt qua vật cản đồng thời trở lại vị trí tim đường, tiếp tục dị tìm vật mốc để đến đích 4.4 Các tình thực nghiệm Xe lăn thiết kế để tự động di chuyển dọc theo đường với vật mốc bên trái đường Xe lăn lập lộ trình để từ vị trí vật mốc vật mốc thứ xem đích đến Khoảng cách từ xe lăn đến tâm vật mốc X0 = 1m Các thông số hoạt động khác xe lăn qui định trước bao gồm khoảng cách an toàn z > 1m, độ rộng an toàn x > 0.8m, chiều cao an toàn h > 1.2m 4.4.1 Xe lăn di chuyển đường khơng có vật cản Kết thực nghiệm tình cụ thể hình 4.17 Tình xe lăn qua vùng trống sau nhận dạng bám vật mốc để di chuyển đường hình 4.18 (a) (b) Hình 4.17 Xe lăn nhận biết phía trước vùng trống thơng qua đồ 2D 40 Luan van Điều khiển tự động cho xe lăn dựa vào vật mốc đồ 3D (a) (b) (c) (d) Hình 4.18 Xe lăn bám theo vật mốc để di chuyển đường dừng lại đích 4.4.2 Xe lăn di chuyển đường có vật cản Trường hợp xe lăn nhìn thấy trở ngại ghế đường tìm thấy có hai khoảng trống phía trước để tránh va chạm hình 4.19 Xe lăn tính tốn khoảng trống bên phải có độ rộng lớn khoảng trống bên trái ghế, đồng thời lớn đường kính xe Liên tục xe lăn qua vùng trống sau di chuyển vào đường, tiếp tục dị tìm vật mốc để định vị vị trí đích hình 4.20 (a) (b) Hình 4.19 Xe lăn phát vật cản khoảng trống dựa vào đồ 2D 41 Luan van Điều khiển tự động cho xe lăn dựa vào vật mốc đồ 3D (a) (b) (c) (d) (e) (f) Hình 4.20 Xe lăn phát khoảng trống bên phải di chuyển vượt qua vật cản (a) (b) Hình 4.21 Xe lăn phát vật cản khoảng trống dựa vào đồ 2D 42 Luan van Điều khiển tự động cho xe lăn dựa vào vật mốc đồ 3D Hình 4.21 mơ tả trường hợp xe lăn tính tốn khoảng trống bên trái có độ rộng lơn khoảng trống bên phải ghế, đồng thời lớn đường kính xe Xe lăn rẽ trái để vào vùng trống, vượt qua vật cản sau di chuyển vào đường, tiếp tục dị tìm vật mốc để định vị vị trí đích hình 4.22 (a) (b) (c) (d) (e) (f) Hình 4.22 Xe lăn phát khoảng trống bên trái di chuyển vượt qua vật cản Kết cho thấy xe lăn trang bị hệ thống camera cung cấp thông tin 3D vật mốc cho việc định vị xe lăn Điều khác với cảm biến laser siêu âm mà cung cấp thông tin 2D để phát chướng ngại vật Vì vậy, khó để lập lộ trình cho xe lăn tự hành đến đích mong muốn Các thuật tốn điều khiển xe lăn điện đề tài chủ yếu sử dụng phép chiếu hình học dựa thơng tin vật mốc nên việc tính tốn đơn giản hơn, thời gian xử lý nhanh 43 Luan van Kết luận hướng phát triển Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết Luận Đề tài xây dựng mơ hình xe lăn điện có gắn camera Kinect (RGB-D) tự di chuyển đến đích dựa vào vật mốc đồ 3D không gian nhà Cảm biến RGB-D có giá thành rẻ nhiều so với cảm biến 3D loại cung cấp ảnh RGB khung cảnh thông tin 3D môi trường sử dụng phương pháp xử lý định vị điều hướng xe lăn Trong đề tài này, thuật toán điều khiển xe lăn điện đưa để nhận dạng vật mốc tự động phát hiện, tránh chướng ngại vật nhằm đưa xe lăn đến đích mong muốn Thuật tốn nhận dạng vật mốc mơi trường tự nhiên thuật toán SURF phát triển để xác định mốc cách sử dụng hệ thống camera RGB-D Thông tin đồ 3D thu để tính tốn khoảng cách vật mốc xe lăn Từ thơng số khoảng cách, thuật tốn điều khiển xe lăn lập trình sử dụng phép chiếu hình học giúp xe lăn di chuyển đường tránh chướng ngại vật, qua vùng trống đến đích, mơi trường nhà Kết thực nghiệm cho thấy phương pháp đề xuất để xe lăn bám theo vật mốc tránh vật cản có hiệu Đề tài phát triển xe lăn điện tự hành cho người khuyết tật nặng dựa vào vật mốc đồ 3D từ môi trường Từ phương pháp nhận dạng vật mốc môi trường tự nhiên, công trình báo đăng tạp chí quốc tế thuộc danh mục ISI trình bày phụ lục 5.2 Hướng Phát Triển Từ kết mà đề tài đạt được, kết hợp với thuật tốn huấn luyện thơng tin vị trí xe lăn vị trí đích đến mơi trường có nhiều đường đích đến Từ tìm đường ngắn nhất, thuận tiện khoảng thời gian để xe lăn đến đích Hơn nữa, sử dụng hệ thống nhúng board vi xử lý có tốc độ xử lý cao thay cho máy tính để ứng dụng thực tế tốt 44 Luan van Tài liệu tham khảo TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] [17] [18] [19] R A Cripps, "Spinal Cord Injury," Australian Institute of Health and Welfare2006 R Kreisfeld, "Hospitalised farm injury among children and young people, Australia 2001-01 to 2004-05," Australia Institute of Aealth and Welfare2008 R Simpson, E LoPresti, S Hayashi, I Nourbakhsh, and D Miller, "The Smart Wheelchair Component System," Journal of Rehabilitation Research & Development, vol 41, pp 429–442, 2004 R C Simpson, "Smart Wheelchairs: A Literature Review," Journal of Rehabilitation Research & Development, vol 42, pp 423–436, 2005 L Wei, H Hu, T Lu, and K Yuan, "Evaluating the Performance of a Face Movement based Wheelchair Control Interface in an Indoor Environment " in Proceedings of the 2010 IEEE International Conference on Robotics and Biomimetics, pp 387-392, 2010 Y Oonishi, S Oh, and Y Hori, "A New Control Method for Power-Assisted Wheelchair Based on the Surface Myoelectric Signal," IEEE Transactions on Industral Electronics, vol 57, pp 3192-3196, 2010 Y.-H Wu, C.-C Wang, T.-S Chen, and C.-Y Li, "An Intelligent System for Wheelchair Users Using Data Mining and Sensor Networking Technologies," in the IEEE AsiaPacific on Services Computing Conference (APSCC), pp 337 - 344, 2011 Y H S J S Ju, E Y Kim, and S H Park, "Intelligent wheelchair using face and mouth shape recognition," Consumer Electronics ICCE, 2008 Sneha Dattaram Mhaske, M.P Dale, "Hand Gesture Controlled Wheelchair System Using Image Processing," International Journal of Electrical, Electronics and Computer Systems, 2016 Chhaya.G.Patil, Sayali.K.Gharge, Sonal.V.Modhave, Y.S.Angal, "Design of wheelchair using finger operation with image processing algorithms," International Journal of Research in Engineering and Technology, 2014 Neena Mani, Aby Sebastian, Alen Mathews Paul, Alex Chacko, Anupa Raghunath, "Eye Controlled Electric Wheel Chair," International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering, 2015 Gunda Gautam, Gunda Sumanth, Karthikeyan K C, Shyam Sundar, D.Venkataraman, "Eye Movement Based Electronic Wheel Chair For Physically Challenged Persons," International journal of scientific & technology research, Vol 3, Issue 2, 2014 Ashwini A Nashte, Prof S S Savkare, Prof S G Kole, "Automation of Wheelchair Using Iris Movement," International Journal of Computational Engineering Research (IJCER), Vol 06, Issue 03, 2016 A Mirza et al., "Mind-controlled wheelchair using an EEG headset and arduino microcontroller," Technologies for Sustainable Development (ICTSD), pp 1-5, 2015 F Ben Taher, N Ben Amor and M Jallouli, "EEG control of an electric wheelchair for disabled persons," Individual and Collective Behaviors in Robotics (ICBR), pp 27-32, 2013 C L T Qiang Zeng, Brice Rebsamen, and Etienne Burdet, "A Collaborative Wheelchair System," IEEE Transactions on Neural systems and Rehabilitation engineering, vol 16, No 2, 2008 M Zacharie, "GPS and Discrete Kalman Filter for Indoor Robot Navigation," World Academy of Science, Engineering and Technology 60, 2011 J M Aniket Murarka, and Benjamin Kuipers, "Building Local Safety Maps for a Wheelchair Robot using Vision and Lasers,"in Third Canadian Conference on Computer and Robot Vision, 2006 J B a Y Koren, "Error eliminating rapid ultrasonic firing for mobile robot obstacle avoidance," Robotics and Automation, IEEE Transactions, vol 11, pp 132-138, 1995 45 Luan van Tài liệu tham khảo [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] D A B S P Levine, L A Jaros, R C Simpson, Y Koren, and J Borenstein, "The NavChair Assistive Wheelchair Navigation System," IEEE Transactions On Rehabilitation Engineering, 1999 T H Nguyen, J S Nguyen, and H T Nguyen, "Bayesian Recursive Algorithm for Width Estimation of Freespace for a Power Wheelchair using Stereoscopic Cameras," in The 30th Annual International Conference of the IEEE EMBS, pp 4234 - 4237, 2008 J S Nguyen, S W Su, and H T Nguyen, "Spherical Vision Cameras in a Semiautonomous Wheelchair System ," in The 32nd Annual International Conference of the IEEE EMBS, pp 4064-4067, 2010 J Fuentes-Pacheco, "Visual simultaneous localization and mapping: a survey," Springer Science and Business Media Dordrecht, pp 55–81, 2015 J L Cras and J Paxman, A modular hybrid SLAM for the 3D mapping of large scale environments, Control Automation Robotics & Vision (ICARCV), pp 1036-1041, 2012 H Chae, W Yu, J Lee, and Y j Cho, "Robot Localization Sensor for Development of Wireless Location Sensing Network," Intelligent Robots and Systems, pp 37-42, 2006 Y Zhou and W Liu, "Preliminary Research on Indoor Mobile Robot Localization using Laser-activated RFID," in IEEE International Conference on RFID, pp 78-85, 2007 R C Luo, L Jian-Xian, and C T Chen, "Indoor localization using line based map for autonomous mobile robot," Advanced robotics and Its Social Impacts, pp 1-6, 2008 R Lin, Z Wang, R Sun, and L Sun, "Image features-based mobile robot localization," Information and Automation (ICIA), pp 304-310, 2012 S B Han, J H Kim, and H Myung, "Landmark-Based Particle Localization Algorithm for Mobile Robots With a Fish-Eye Vision System," IEEE/ASME Transactions on Mechatronics, vol 18, pp 1745-1756, 2013 S M O P F Alcantarilla, G L Mariottini, L M Bergasa, and F Dellaert, "Learning visibility of landmarks for vision-based localization," in IEEE International Conference on Robotics and Automation (ICRA), pp 4881 - 4888, 2010 H W a T Ishimatsu, "Vision-Based Navigation for an Electric Wheelchair Using Ceiling Light Landmark," Journal of Intelligent and Robotic Systems, vol 41, pp 283314, 2004 D G J Hoey, A Mihailidis, and P Elinas, "Obstacle Avoidance Wheelchair System," The International Conference on Robotics and Automation, 2006 T H N Nguyen, J S Pham, D M Nguyen, H T., "Real-time obstacle detection for an autonomous wheelchair using stereoscopic Cameras," Conf Proc IEEE Eng Med Biol Soc, pp 4775-8, 2007 H T N Thanh H Nguyen, "A Bayesian Recursive Algorithm for Freespace Estimation Using a Stereoscopic Camera System in an Autonomous Wheelchair," American Journal of Biomedical Engineering, vol 1, pp 44-54, 2011 G Hu, S Huang, L Zhao, A Alempijevic, and G Dissanayake, "A robust RGB-D SLAM algorithm," in International Conference on Intelligent Robots and Systems, pp 1714-1719, 2012 A Basu, S K Ghosh, and S Sarkar, "Autonomous navigation and 2d mapping using SONAR," in 5th International Conference on Wireless Networks and Embedded Systems (WECON), pp 1-5, 2016 X Liu, B Guo, and C Meng, "A method of simultaneous location and mapping based on RGB-D cameras," in 14th International Conference on Control, Automation, Robotics and Vision (ICARCV), pp 1-5, 2016 X Zhong, Y Zhou, and H Liu, "Design and recognition of artificial landmarks for reliable indoor self-localization of mobile robots," International Journal of Advanced Robotic Systems, vol 14, pp 1-13, 2017 46 Luan van Tài liệu tham khảo [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] T Yu and Y Shen, "Asymptotic Performance Analysis for Landmark Learning in Indoor Localization," IEEE Communications Letters, vol 22, pp 740-743, 2018 N B Viet, N T Hai, and N V Hung, "Tracking landmarks for control of an electric wheelchair using a stereoscopic camera system," in International Conference on Advanced Technologies for Communications (ATC), pp 339-344, 2013 A S Montero, H Sekkati, J Lang, R Laganière, and J James, "Framework for Natural Landmark-based Robot Localization," in Ninth Conference on Computer and Robot Vision, pp 131-138, 2012 X Xu, Y Luo, and H Hao, "Vision-based mobile robot localization using natural landmarks," in International Conference on Systems and Informatics (ICSAI), pp 20122015, 2012 Y Xu, C Liu, J Gu, J Zhang, L Hua, Q Dai, et al., "Design and recognition of monocular visual artificial landmark based on arc angle information coding," in 33rd Youth Academic Annual Conference of Chinese Association of Automation (YAC), pp 722-727, 2018 D Kartashov, A Huletski, and K Krinkin, "Fast artificial landmark detection for indoor mobile robots," in Federated Conference on Computer Science and Information Systems (FedCSIS), pp 209-214, 2015 S Hwang and J Song, "Monocular Vision-Based SLAM in Indoor Environment Using Corner, Lamp, and Door Features From Upward-Looking Camera," IEEE Transactions on Industrial Electronics, vol 58, pp 4804-4812, 2011 J Vidal and C Lin, "Simple and robust localization system using ceiling landmarks and infrared light," in 12th IEEE International Conference on Control and Automation (ICCA), pp 583-587, 2016 A L Souto, A Castro, M L Gonỗalves, and P T Nascimento, "Stairs and Doors Recognition as Natural Landmarks Based on Clouds of 3D Edge-Points from RGB-D Sensors for Mobile Robot Localization," Sensors, vol 17, 2017 X Chai, F Wen, and K Yuan, "Fast vision-based object segmentation for natural landmark detection on Indoor Mobile Robot," in IEEE International Conference on Mechatronics and Automation, pp 2232-2237, 2011 S Manen, M Guillaumin, and L V Gool, "Prime Object Proposals with Randomized Prim's Algorithm," in IEEE International Conference on Computer Vision, pp 25362543, 2013 C H Lampert, M B Blaschko, and T Hofmann, "Beyond sliding windows: Object localization by efficient subwindow search," in IEEE Conference on Computer Vision and Pattern Recognition, pp 1-8, 2008 B Alexe, T Deselaers, and V Ferrari, "Measuring the Objectness of Image Windows," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 34, pp 21892202, 2012 J Carreira and C Sminchisescu, "CPMC: Automatic Object Segmentation Using Constrained Parametric Min-Cuts," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 34, pp 1312-1328, 2012 I Endres and D Hoiem, "Category-Independent Object Proposals with Diverse Ranking," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 36, pp 222-234, 2014 J R Uijlings, K E Sande, T Gevers, and A W Smeulders, "Selective Search for Object Recognition," International Journal of Computer Vision, vol 104, pp 154-171, 2013 J Xu, H Chang, S Yang, and M Wang, "Fast feature-based video stabilization without accumulative global motion estimation," IEEE Transactions on Consumer Electronics, vol 58, pp 993-999, 2012 47 Luan van Tài liệu tham khảo [56] [57] [58] [59] T D Edward Rosten, "Machine learning for high-speed corner detection," European conference on computer vision, pp 430-443, 2006 E Rosten, R Porter, and T Drummond, "Faster and Better: A Machine Learning Approach to Corner Detection," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 32, pp 105-119, 2010 A E Herbert Bay, Tinne Tuytelaars, Luc Van Gool, "SURF: Speeded Up Robust Features," Computer Vision and Image Understanding (CVIU), vol 110, pp 346-359, 2008 A Li, W Jiang, W Yuan, D Dai, S Zhang, and Z Wei, "An Improved FAST+SURF Fast Matching Algorithm," Procedia Computer Science, vol 107, pp 306-312, 2017 48 Luan van Phụ Lục PHỤ LỤC P1 Thuyết Minh 49 Luan van Phụ Lục P2 Hợp Đồng 50 Luan van Phụ Lục P3 Bài báo 51 Luan van Phụ Lục P4 Chuyên đề 52 Luan van S K L 0 Luan van