1. Trang chủ
  2. » Luận Văn - Báo Cáo

Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành

152 0 0
Tài liệu đã được kiểm tra trùng lặp

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Tiêu đề Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Tác giả Quách Hải Thọ
Người hướng dẫn PGS.TS Huỳnh Công Pháp, TS Phạm Anh Phương
Trường học Trường Đại học Sư phạm - Đại học Đà Nẵng
Chuyên ngành Hệ thống Thông tin
Thể loại Luận án Tiến sĩ
Năm xuất bản 2022
Thành phố Đà Nẵng
Định dạng
Số trang 152
Dung lượng 7,57 MB

Cấu trúc

  • 1. GIỚI THIỆU (15)
  • 2. TÍNH CẤP THIẾT CỦA LUẬN ÁN (16)
  • 3. MỤC TIÊU CỦA LUẬN ÁN (17)
  • 4. CÁC ĐÓNG GÓP CỦA LUẬN ÁN (19)
  • 5. BỐ CỤC CỦA LUẬN ÁN (20)
  • CHƯƠNG 1: TỔNG QUAN VỀ ĐIỀU KHIỂN XE TỰ HÀNH (20)
    • 1.1 Tổng quan về xe tự hành (22)
    • 1.2 Những vấn đề tồn tại và hướng giải quyết đối với hệ thống mô-đun hỗ trợ điều khiển trong xe tự hành (26)
      • 1.2.1 Những vấn đề tồn tại (26)
      • 1.2.2 Hướng giải quyết những vấn đề đặt ra (31)
    • 1.3 Kiến thức chuẩn bị (37)
      • 1.3.1 Biểu diễn làn đường và xây dựng mô hình động học của xe (37)
      • 1.3.2 Phương pháp Monte Carlo và bộ lọc phần tử (40)
        • 1.3.2.1 Phương pháp Monte Carlo (41)
        • 1.3.2.2 Bộ lọc phần tử (Particle filter) (44)
      • 1.3.3 Tổng quan về điều khiển dự báo theo mô hình (45)
        • 1.3.3.1 Điều khiển dự báo theo mô hình và xây dựng hàm mục tiêu (46)
        • 1.3.3.2 Lập kế hoạch chuyển động dựa trên mô hình điều khiển dự báo (49)
    • 1.4 Kết luận chương 1 (51)
  • CHƯƠNG 2: GIẢI PHÁP ĐỀ XUẤT TÌM ĐƯỜNG ĐI TỐI ƯU CHO XE TỰ HÀNH (20)
    • 2.1 Đánh giá tổng quan về kỹ thuật thiết lập đường đi cho xe tự hành (53)
      • 2.1.1 Lập kế hoạch chuyển động dựa trên đồ thị tìm kiếm (54)
      • 2.1.2 Lập kế hoạch chuyển động dựa trên mẫu (55)
      • 2.1.3 Lập kế hoạch chuyển động bằng đường cong nội suy (56)
      • 2.1.4 Lập kế hoạch chuyển động bằng phương pháp tối ưu (59)
      • 2.1.5 So sánh ưu và nhược điểm trong các kỹ thuật lập kế hoạch chuyển động (59)
    • 2.2 Xây dựng mô-đun lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu (63)
      • 2.2.1 Phát biểu bài toán (64)
      • 2.2.2 Giải pháp lập kế hoạch chuyển động (64)
      • 2.2.3 Mô phỏng thực nghiệm mô-đun lập kế hoạch chuyển động (72)
    • 2.3 Kết luận chương 2 (76)
  • CHƯƠNG 3: GIẢI PHÁP ĐỀ XUẤT CHO VẤN ĐỀ PHÁP LÝ VÀ ĐẠO ĐỨC (21)
    • 3.1 Xây dựng mô-đun hỗ trợ ra quyết định điều khiển (77)
      • 3.1.1 Phát biểu bài toán (77)
      • 3.1.2 Xây dựng mô hình toán học cho mô-đun hỗ trợ ra quyết định điều khiển (80)
        • 3.1.1.1 Mạng tiền đề của FNN (82)
        • 3.1.2.2 Mạng hệ quả của FNN (83)
      • 3.1.3 Thiết lập tham số của mô-đun (84)
      • 3.1.4 Mô phỏng thực nghiệm mô-đun hỗ trợ ra quyết định điều khiển (87)
    • 3.2 Xây dựng mô-đun thiết lập quỹ đạo chuyển động (90)
      • 3.2.1 Phát biểu bài toán (90)
      • 3.2.2 Xây dựng mô hình dự báo (91)
      • 3.2.3 Xác định hàm mục tiêu (94)
      • 3.2.4 Mô phỏng thực nghiệm mô-đun thiết lập quỹ đạo chuyển động (95)
    • 3.3 Kết luận chương 3 (102)
  • CHƯƠNG 4: GIẢI PHÁP ĐỀ XUẤT HỖ TRỢ ĐIỀU KHIỂN AN TOÀN XE TỰ HÀNH (21)
    • 4.1 Cơ sở lý luận để xây dựng mô-đun (104)
    • 4.2 Xây dựng mô-đun điều khiển theo dõi chuyển động (108)
      • 4.2.1 Phát biểu bài toán (108)
      • 4.2.2 Giải pháp đề xuất (108)
      • 4.2.3 Mô phỏng thực nghiệm mô-đun theo dõi chuyển động (111)
    • 4.3 Xây dựng mô-đun hỗ trợ điều khiển chuyển động (115)
      • 4.3.1 Phát biểu bài toán (115)
      • 4.3.2 Giải pháp đề xuất (116)
      • 4.3.3 Mô phỏng thực nghiệm mô-đun hỗ trợ điều khiển chuyển động (125)
    • 4.4 Xây dựng mô-đun lập kế hoạch chuyển động dự phòng (127)
      • 4.4.1 Phát biểu bài toán (127)
      • 4.4.2 Giải pháp đề xuất (128)
      • 4.4.3 Mô phỏng thực nghiệm mô-đun lập kế hoạch chuyển động dự phòng (138)
    • 4.5 Kết luận chương 4 (140)
  • KẾT LUẬN (142)
  • TÀI LIỆU THAM KHẢO (147)

Nội dung

Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hànhNghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành

GIỚI THIỆU

Cuộc cách mạng về khoa học công nghệ diễn ra từng ngày đang làm thay đổi toàn diện và sâu sắc cuộc sống cũng như quá trình sản xuất của con người Sự phát triển về mặt công nghệ đã giúp con người làm được nhiều việc phi thường và máy tính ngày nay đã trở thành công cụ hỗ trợ đắc lực không chỉ trong lĩnh vực nghiên cứu khoa học mà còn trợ giúp trong nhiều hoạt động đời sống của con người. Không dừng lại ở mức lưu trữ dữ liệu và hỗ trợ tìm kiếm thông tin, máy tính đã trở nên thông minh hơn và có thể tương tác với con người, thậm chí có thể thay con người đưa ra quyết định phù hợp với từng tình huống cụ thể.

Trong bối cảnh ngày nay, với sự phát triển bùng nổ về công nghệ cảm biến, IoT, robotic, công nghệ dữ liệu lớn và trí tuệ nhân tạo (AI), việc nghiên cứu và ứng dụng xe tự hành đã có các bước phát triển mạnh mẽ, đã và đang được ứng dụng vào nhiều lĩnh vực khác nhau trong cuộc sống như nông nghiệp thông minh, giao thông thông minh…Xe tự hành là lĩnh vực nghiên cứu đa ngành (cơ khí, tự động hoá, rô bốt và công nghệ học máy, trí tuệ nhân tạo), trong đó đặt ra nhiều bài toán như bài toán tạo ra quỹ đạo chuyển động tối ưu, bài toán điều khiển an toàn để đáp ứng được các hạn chế phát sinh trong quá trình hoạt động của xe như các quy định về luật giao thông đường bộ, các yếu tố môi trường bên ngoài và những tình huống đa dạng, phức tạp mà chúng ta thường gặp trong điều kiện môi trường giao thông…với nhiều thách thức đặt ra đối với các nhà nghiên cứu và ứng dụng.

Trong bối cảnh đó, một số chủ đề nghiên cứu được luận án hướng đến như: hệ thống một số mô-đun trong xe tự hành nên được thiết kế như thế nào để có thể giúp xe tự hành thể di chuyển đến đích trong môi trường phức tạp với các chướng ngại vật, với các quy định về luật giao thông, với các trường hợp phát sinh trong quá trình tham gia giao thông và có thể thực hiện các phản ứng trong các trường hợp này nhằm giảm thiểu các tai nạn giao thông Đây là các vấn đề được quan tâm nhiều trong cộng đồng nghiên cứu về ứng dụng AI gần đây, khi ngoài các yếu tố về tính an toàn cho hành khách thì các vấn đề đảm bảo pháp lý và đạo đức cho xe tự hành cũng là những vấn đề rất cấp thiết, được thảo luận nhiều tại các hội nghị hàng đầu trên thế giới về AI như: AAAI-22, NIPS, ICML, ACM SIGKDD, IJCAI, IEEE/CVF,

Phần tiếp theo sẽ trình bày về tính cấp thiết, mục tiêu và khái quát về những đóng góp của luận án trong việc giải quyết bài toán này.

TÍNH CẤP THIẾT CỦA LUẬN ÁN

Phát triển các hệ thống hỗ trợ điều khiển thông minh trong xe tự hành là chủ đề được quan tâm nhiều trong thời gian gần đây, cùng với sự phát triển của CMCN 4.0 Các hệ thống xe tự hành là các ôtô không người lái có tích hợp các tính năng tự động hóa phương tiện, có khả năng cảm nhận thông tin từ môi trường và di chuyển an toàn mà không cần có sự tham gia điều khiển của con người Xe tự hành kết hợp nhiều loại cảm biến để nhận biết môi trường xung quanh, chẳng hạn như cảm biến nhiệt, cảm biến radar, lidar, GPS và các cảm biến đo lường quán tính nhằm xác định các hướng thích hợp, cũng như chướng ngại vật và biển báo có liên quan Xe tự hành được quan tâm phát triển và ứng dụng rộng rãi trên thế giới, như hệ thống xe tự hành cấp 4 của Toyota đã vận hành xung quanh Làng Olympic Tokyo 2020, hệ thống giao hàng thương mại tự động của Nuro ở California năm 2021, hệ thống của công ty AutoX - Baidu của Trung Quốc đã vận hành tại Công viên Shougang ở Bắc Kinh - một địa điểm sẽ tổ chức Thế vận hội Mùa đông 2022 Hãng Honda cũng bắt đầu cho thuê tại Nhật Bản một phiên bản giới hạn gồm 100 chiếc sedan Legend Hybrid EX được trang bị thiết bị lái xe tự động cấp độ 3 mới được chính phủ Nhật Bản cấp chứng nhận an toàn cho công nghệ lái xe tự động Trong khoa học, từ khóa

“Autonomous Vehicles” thu hút được sự quan tâm của cộng đồng với hơn 2 triệu bài báo trên các tạp chí và hội thảo uy tín từ 2015 cho đến nay Nhiều vấn đề mở như “sự chấp nhận của khách hàng", “năng lượng bền vững”, “tính pháp lý và đạo đức”, “kiểm soát tốc độ an toàn”, “truyền thông giữa các xe”, “Quản lý định danh xe”, đã được thảo luận rộng rãi trong các bài báo gần đây [26,40].

Mặc dù đã đạt được một số kết quả ban đầu rất tốt nhưng để đạt đến mức độ tự động hoá cấp độ 5 là tự hành hoàn toàn (xe sẽ không yêu cầu bất cứ sự trợ giúp nào của người lái trong bất kỳ tình huống nào do đó xe cũng không cần có tay lái, hay chân ga và chân phanh) thì còn rất nhiều vấn đề cần phải nghiên cứu giải quyết. Nhiều nghiên cứu về bài toán xe tự hành đã được thực hiện dựa trên các thành phần cơ bản như: hệ thống định vị, dữ liệu về môi trường, lập kế hoạch chuyển động và điều khiển [19] Đây là các mô-đun quan trọng trong cấu trúc của xe tự hành, giúp cho xe tự hành đạt được sự tự chủ trong quá trình hoạt động Trong đó, mô-đun lập kế hoạch chuyển động sẽ cung cấp cho xe tự hành một lộ trình đến các điểm mong muốn an toàn và tránh được va chạm Tuy nhiên, để quá trình lập kế hoạch chuyển động đạt được hiệu suất tốt và an toàn khi di chuyển thì các vấn đề cần phải được tính toán và xem xét như: xác định đường đi, động lực học của xe, khả năng cơ động của xe khi gặp chướng ngại vật, các quy tắc và hệ thống đường giao thông,các yếu tố về pháp lý và đạo đức, cũng như những thay đổi của môi trường qua dữ liệu thu nhận được từ hệ thống cảm biến nhằm đảm bảo độ tin cậy và an toàn khi tham gia giao thông. Trong các vấn đề này thì quá trình xử lý và ra quyết định hoạt động trong các môi trường phức tạp cần có các mô hình toán học phù hợp [22, 38].

Dù có nhiều vấn đề về mặt phương pháp luận đối với lĩnh vực nghiên cứu xe tự hành, nhưng những thách thức gặp phải và là nhiệm vụ đang được các nhà nghiên cứu quan tâm trong lĩnh vực xe tự hành là tạo ra quỹ đạo chuyển động tối ưu, quỹ đạo được tạo ra sẽ gồm có những tiêu chí nhất định như tạo nên quá trình di chuyển trơn và mịn, tạo được sự thoải mái và đạt hiệu suất năng lượng tốt, đồng thời phải đáp ứng được các hạn chế phát sinh trong quá trình hoạt động của xe như các quy định về luật giao thông đường bộ, các yếu tố môi trường bên ngoài và những tình huống đa dạng, phức tạp mà chúng ta thường gặp trong điều kiện môi trường giao thông.

Mặc dù đã có nhiều nghiên cứu hướng đến chủ đề này, nhưng đây vẫn là những vấn đề nghiên cứu mở, có tính thời sự và thu hút được sự quan tâm của cộng đồng nghiên cứu Ở Việt Nam, công nghệ tự hành được xếp vào danh mục công nghệ cao và được Chính phủ khuyến khích, tạo cơ chế để phát triển, tuy nhiên các kết quả đạt được còn hạn chế.

Với việc phân tích tình hình thực tiễn, cùng với mong muốn đóng góp cho sự phát triển trong lĩnh vực công nghệ ôtô tự hành, tôi đã nghiên cứu và thực hiện luận án này Thông qua đề tài “Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành” được thực hiện trong khuôn khổ luận án tiến sĩ chuyên ngành hệ thống thông tin, sẽ giải quyết một số vấn đề còn tồn tại nhằm nâng cao tính an toàn, đảm bảo được tính pháp lý và đạo đức trong hoạt động của xe tự hành Cụ thể, luận án nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển bằng việc xây dựng các mô-đun hỗ trợ ra quyết định điều khiển trong của xe tự hành Chủ đề của luận án có ý nghĩa khoa học và thực tiễn, hướng tiếp cận giải quyết theo điểu khiển tối ưu toán học và tính toán mềm – là các công cụ phù hợp với bối cảnh nghiên cứu và điều kiện hiện có.

MỤC TIÊU CỦA LUẬN ÁN

Mục tiêu tổng quát của luận án là nghiên cứu giải pháp vận hành hiệu quả xe tự hành thông qua điều khiển thông minh và tìm đường đi tối ưu, trong đó có tính đến yếu tố pháp lý và đạo đức, nhằm hỗ trợ điều khiển xe an toàn Kết quả nghiên cứu của luận án có thể làm tiền đề để phát triển một số mô-đun trên xe tự hành, nhằm cải thiện hiệu suất, cải thiện tính năng an toàn trong quá trình hoạt động của xe tự hành.

Mục tiêu cụ thể của luận án là nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển an toàn cũng như đảm bảo các yếu tố pháp lý và đạo đức, với các mô- đun được xây dựng gồm: mô-đun thiết lập kế hoạch chuyển động, mô-đun hỗ trợ ra quyết định điều khiển, mô-đun hỗ trợ điều khiển chuyển động, mô-đun điều khiển theo dõi chuyển động và mô-đun lập kế hoạch chuyển động dự phòng.

Các giải pháp được đề xuất nghiên cứu phát triển như sau:

-Đề xuất giải pháp lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu, để tạo ra quỹ đạo tối ưu từ tập các ứng viên quỹ đạo Giải quyết bài toán đặt ra của giải pháp này với mục tiêu không chỉ cải thiệu hiệu quả tính toán mà còn xử lý tính bất định trong dữ liệu môi trường.

-Đề xuất giải pháp nhằm đảm bảo yếu tố pháp lý và đạo đức cho hoạt động của xe tự hành, với giải pháp thiết lập quỹ đạo chuyển động và mô hình ra quyết định điều khiển Dựa trên yếu tố đạo đức và pháp lý, sẽ xây dựng 02 mô-đun bao gồm mô- đun thiết lập quỹ đạo chuyển động với tập ràng buộc là các luật giao thông đường bộ và mô-đun hỗ trợ ra quyết định điều khiển với các yếu tố về đạo đức của người lái xe để kiểm soát hoạt động của xe tự hành Để giải quyết bài toán này cần phải lấy đặc tính hành vi của người lái xe làm nòng cốt, từ đó xây dựng mô hình học máy là chiến lược tạo nên mô hình ra quyết định điều hướng chuyển động của xe như thế nào và điều này đã góp phần bổ sung để tạo nên đặc tính cho xe hoạt động được chính xác.

- Đề xuất giải pháp hỗ trợ điều khiển an toàn cho xe tự hành, gồm mô-đun hỗ trợ điều khiển chuyển động, mô-đun điều khiển theo dõi chuyển động và mô-đun lập kế hoạch chuyển động dự phòng Trong đó:

Mô-đun hỗ trợ điều khiển chuyển động được xây dựng với 02 mục tiêu chính: thứ nhất là can thiệp tối thiểu, nghĩa là hệ thống hỗ trợ điều khiển chuyển động này chỉ áp dụng kiểm soát tự trị khi cần thiết; thứ hai là đảm bảo an toàn, nghĩa là trạng thái không va chạm của xe được thực thi rõ ràng thông qua các ràng buộc tối ưu.

Mô-đun điều khiển theo dõi chuyển động được xây dựng với mục tiêu kiểm soát điều hướng, với mong muốn quá trình chuyển động của xe tự hành được chính xác và ổn định, điều này cũng đóng một vai trò quan trọng trong nhiệm vụ điều khiển hoạt động chuyển động của xe, đặc biệt khi xe hoạt động ở tốc độ cao.

Cuối cùng, mô-đun lập kế hoạch chuyển động dự phòng nhằm đảm bảo an toàn cho xe tự hành, bằng cách xây dựng một đường đi tối ưu dựa trên các đánh giá khả năng di chuyển của các đối tượng tham gia giao thông khác trong một khoảng thời gian nhất định, sau đó với mỗi quỹ đạo di chuyển sẽ tính toán các thao tác khẩn cấp thích ứng.

Các mục tiêu liệt kê trên đây cũng mô tả phạm vi và đối tượng nghiên cứu của luận án Cùng với đó thì phương pháp nghiên cứu được thực hiện trong luận án là phương pháp nghiên cứu lý thuyết kết hợp với thực nghiệm, mô phỏng và đánh giá để đánh giá tính hiệu quả của giải pháp đề xuất.

CÁC ĐÓNG GÓP CỦA LUẬN ÁN

Đóng góp thứ nhất của luận án là đề xuất phương án lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu, với mục tiêu cải thiệu hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường, kỹ thuật này đơn giản, hiệu quả với thông tin thu nhận được từ tín hiệu cảm biến và hệ thống định vị. Đóng góp thứ hai của luận án là xây dựng mô-đun giải quyết bài toán hỗ trợ ra quyết định điều khiển cho xe tự hành với tập ràng buộc là các quy định về luật giao thông đường bộ và đạo đức của người lái xe Mô-đun hỗ trợ điều khiển này gồm giải pháp thiết lập quỹ đạo chuyển động và mô hình ra quyết định điều khiển.

-Mô-đun hỗ trợ ra quyết định đóng vai trò quan trọng trong việc tránh va chạm và tránh các chướng ngại vật khi chuyển động Quá trình hoạt động của mô- đun này được tách thành 2 phần riêng biệt, gồm: mô hình lý thuyết và hệ thống thu thập dữ liệu.

-Mô-đun thiết lập quỹ đạo chuyển động được xây dựng dựa trên phương pháp điều khiển mô hình dự báo Để điều khiển dự báo cho một đối tượng, quá trình cần phải thực hiện các bước sau: Xây dựng mô hình dự báo, xác định hàm mục tiêu và các điều kiện ràng buộc, cuối cùng là giải bài toán tối ưu Trong đó, tập ràng buộc của mô-đun này gồm các ràng buộc về vấn đề pháp lý và đạo đức của hành vi tham gia giao thông Cách tiếp cận này phù hợp với các điều kiện phức tạp của môi trường, vì các ràng buộc này có thể phát sinh từ các khía cạnh khác nhau của việc lập kế hoạch chuyển động, phải tuân thủ theo các quy tắc giao thông và quỹ đạo chuyển động được tạo ra với mục đích cải thiện hiệu suất, tăng cường khả năng tránh chướng ngại vật nhưng vẫn đảm bảo quỹ đạo tối ưu toàn cục. Đóng góp thứ ba của luận án là nâng cao tính năng an toàn cho xe tự hành bằng việc xây dựng tập mô-đun hỗ trợ ra quyết định điều khiển an toàn, bao gồm các mô- đun: mô-đun thứ nhất là điều khiển theo dõi chuyển động, mô-đun thứ hai là hỗ trợ điều khiển chuyển động và mô-đun cuối cùng là mô-đun lập kế hoạch chuyển động dự phòng, cụ thể như sau:

-Mô-đun điều khiển theo dõi chuyển động với tính năng kiểm soát điều hướng, nhằm mục đích giúp xe chuyển động chính xác và ổn định Cụ thể hơn cho giải pháp thiết kế mô-đun này là thực hiện việc kết hợp các yếu tố không chắc chắn biến đổi theo thời gian đến các dự báo chướng ngại vật di động vào trong bài toán tối ưu, đồng thời đưa ra các ràng buộc cho giới hạn đường biên và chướng ngại vật di động mà vẫn duy trì được kế hoạch chuyển động của xe trong một khoảng thời gian giới hạn.

- Mô-đun hỗ trợ điều khiển chuyển động nhằm giải quyết tình huống đa dạng và phức tạp mà chúng ta thường gặp trong điều kiện môi trường giao thông, giải pháp hỗ trợ điều khiển chuyển động sẽ tạo ra quỹ đạo chuyển động an toàn cho xe, việc thiết kế hệ thống hỗ trợ điều khiển này có 02 mục tiêu chính: thứ nhất là can thiệp tối thiểu, nghĩa là chỉ áp dụng kiểm soát tự trị khi cần thiết, thứ hai là đảm bảo an toàn, nghĩa là trạng thái không va chạm của xe được thực thi rõ ràng thông qua các ràng buộc tối ưu Mô-đun này có đặc điểm là rút ngắn chu kỳ lập kế hoạch chuyển động nhằm giảm thiểu độ lệch so với đầu vào của dự báo, trong khi vẫn đảm bảo an toàn theo kế hoạch chuyển động và giải pháp hỗ trợ điều khiển này chỉ được thực hiện trong những tình huống mà kịch bản chuyển động của xe phức tạp có khả năng xảy ra va chạm với các yếu tố cảnh báo thực tế.

-Mô-đun lập kế hoạch chuyển động dự phòng được xây dựng nhằm thực hiện và phát huy hiệu quả trong những trường hợp tham gia giao thông với vận tốc lớn thì thời giản xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp nhằm tránh các chướng ngại vật.

BỐ CỤC CỦA LUẬN ÁN

Nội dung của luận án, ngoài phần mở đầu và kết luận thì nội dung được xây dựng thành 04 chương như sau:

TỔNG QUAN VỀ ĐIỀU KHIỂN XE TỰ HÀNH

Tổng quan về xe tự hành

Theo định nghĩa truyền thống, xe tự hành là loại ôtô có khả năng hoạt động mà không cần sự điều khiển hay can thiệp của con người và theo TS Sridhar Lakshmanan (trường Đại học Michigan – Dearborn, Mỹ) - một chuyên gia nghiên cứu về lĩnh vực xe tự hành, một chiếc xe chỉ có thể tự lái được nếu nó đáp ứng được các tiêu chuẩn sau: Có hình dạng bên ngoài giống như chiếc ô tô, được trang bị hệ thống nhận diện các biến động trên đường và có hệ thống chuyển các thông tin từ hai hệ thống trên thành hành động thực tế trên đường TS Sridhar Lakshmanan cũng nhận định “Một hệ thống tự hành đúng nghĩa phải đáp ứng được hai yếu tố: phải xử lý khối lượng lớn dữ liệu tương tự như một chiếc máy tính và phải thông minh như não người để thích ứng với môi trường mới lẫn cũ”.[57]

Theo đó, một hệ thống xe tự hành sẽ bao gồm 3 bộ phận cơ bản: bộ phận cảm nhận, bộ phận điều khiển và bộ phận chấp hành Bộ phận cảm nhận có nhiệm vụ thu thập thông tin từ môi trường, thông tin này được đưa vào bộ điều khiển để xử lý và xuất ra các lệnh thích hợp quyết định hành vi của hệ thống Bộ phận điều khiển được coi là “bộ não” của hệ thống điều khiển tự hành, thường bộ phận này là các máy tính hay các bộ xử lý chuyên dụng và bộ nhớ, cùng các giao diện ghép nối vào/ ra Bộ chấp hành thực hiện các lệnh ra từ bộ điều khiển để tác động trở lại môi trường hay chính hệ thống.

Theo hiệp hội kỹ thuật ô tô toàn cầu SAE (Society of Automobile Engineers Internation Standard) Tùy thuộc vào mỗi công nghệ của nhà sản xuất ôtô lựa chọn, để xác định được mức độ hoạt động của xe tự hành ở cấp độ nào Mức độ hoạt động tự hành được đánh giá từ 0 đến 5 bậc, như sau:

- Cấp độ 0 (Cấp độ không có tự động hóa): Đây là cấp độ phụ thuộc hoàn toàn vào người điều khiển Người lái xe điều khiển tay lái, ga và phanh, theo dõi môi trường xung quanh, cũng như điều hướng và xác định thời điểm sử dụng tín hiệu rẽ, thay đổi làn đường và rẽ Đồng thời, có thể trang bị một số hệ thống cảnh báo như cảnh báo điểm mù và cảnh báo va chạm Hầu hết những xe đang hoạt động trên thị trường hiện nay đều được xếp vào cấp độ này.

- Cấp độ 1 (Cấp độ hỗ trợ lái xe) : Xe ở cấp độ này có thể xử lý hướng lái, phanh, tăng/giảm tốc độ Nhưng không phải trong mọi trường hợp thì những tính năng này đều hoạt động tự động mà người điều khiển phải sẵn sàng đảm nhiệm các chức năng đó trong các điều kiện cần thiết Điều đó có nghĩa là người điều khiển xe phải nhận thức được những gì chiếc xe đang làm và sẵn sàng điều khiển nếu cần thiết.

-Cấp độ 2 (Cấp độ hỗ trợ một phần): Đây là cấp độ hỗ trợ một hoặc nhiều hệ thống hỗ trợ điều khiển Xe sẽ xử lý hướng lái và phanh, nhưng ở cấp độ này xe không thể tự điều khiển trong mọi trường hợp mà nếu hệ thống cảm biến phát hiện các chướng ngại vật hay tình huống giao thông mà xe không xử lý được thì người điều khiển phương tiện phải thực hiện thao tác thay thế điều khiển ngay.

-Cấp độ 3 (Cấp độ trợ giúp có điều kiện): Ở cấp độ này thì xe giám sát môi trường xung quanh và tự động thực hiện tất cả các nhiệm vụ trong một số môi trường nhất định Nhưng người điều khiển phải sẵn sàng can thiệp nếu hệ thống điều khiển của xe không thể tiếp tục xử lý tình huống đang xảy ra.

-Cấp độ 4 (Cấp độ tự động hóa mức cao): Đây là cấp độ gần như tự lái.

Trong cấp độ này, xe tự động xử lý phanh, hệ thống điều hướng, tăng/giảm tốc độ và giám sát môi trường xung quanh trong một phạm vi rộng Nhưng không phải tự động hoàn toàn, người điều khiển phương tiện chỉ mở chế độ điều khiển tự động khi xác định được các điều kiện bảo đảm để xe tự hoạt động an toàn.

- Cấp độ 5 (Cấp độ tự động hoàn toàn): Đây là cấp độ cuối cùng Ở cấp độ này các bộ phận cơ bản của xe như chân ga, vô lăng lái, chân phanh sẽ không cần thiết Tại cấp độ này, người sử dụng chỉ cần thiết lập lệnh điều khiển vị trí cần đến và khởi động xe, xe sẽ tự động hoá hoàn toàn và xử lý các nhiệm vụ Xe lúc này sẽ tự hành đến bất kỳ điểm đến nào, trong mọi điều kiện đường giao thông và đưa ra quyết định trên đường đi.

Trong đó, cấp độ 0 và cấp độ 1 là người điều khiển đảm nhận vai trò chính,kiểm soát mọi hình thức còn công nghệ tự lái của xe chỉ mới được trang bị tính năng kiểm soát tốc độ và định vị hành trình Ở cấp độ 2 công nghệ xe tự hành được cải tiến hơn, người điều khiển phương tiện có thể không phải kiểm soát chân ga,phanh hay thiết bị lái những vẫn cần tập trung cao khi vận hành chức năng tự hành Với các cấp độ còn lại với việc gia tăng mức độ tự động hóa hay khả năng tự hành có thể mang lại nhiều lợi ích, như tăng độ an toàn và độ tin cậy, cải thiện thời gian và năng lực phản ứng, giảm gánh nặng về nhân lực để tiết kiệm chi phí và khả năng thực hiện các chiến dịch khi thông tin liên lạc bị gián đoạn hay trong môi trường khắc nghiệt.

Quá trình xây dựng và phát triển của xe tự hành có thể giới thiệu như sau: Xe tự hành có tiền thân từ ý tưởng về xe thông minh bắt đầu vào năm 1939 tại hội chợ thế giới New York với bài thuyết trình Futurama của GM’s, nhưng phải mất nhiều thập kỷ để ý tưởng trở thành trong thực tế Một trong những dự án đầu tiên để thử nghiệm xe tự hành là dự án ARGO từ VisLab [6], với một hệ thống dựa trên thị giác, các kỹ thuật lập kế hoạch bao gồm điều chỉnh các Spline đa thức thành các tín hiệu làn đường được phát hiện bởi các camera lắp phía trước xe Tiếp đó, chương trình Darpa PerceptOR [4] đã nghiên cứu và phát triển kỹ thuật điều hướng tự động.

Chiếc xe tự động không người lái đầu tiên của Google ra đời, Google cũng đã thúc đẩy việc ban hành về mặt pháp luật cho công nghệ này và cũng đã nhận giấy phép cho một chiếc xe tự động Tuy nhiên, không có một sản phẩm nào về mặt kỹ thuật lập kế hoạch xác định đường đi hoặc khả năng kiểm soát có thể đạt được những kết quả đó.

Với hành trình VisLab Intercontinental Autonomous Challenge (VIAC) [20] của Ý, nhóm nghiên cứu Vislab đã chính thức khởi động dự án xe tự hành đi xuyên lục địa Những chiếc xe trong dự án này sử dụng một hệ thống điện tử, điều khiển từ xa khá phức tạp bao gồm luôn cả việc thu nhận tín hiệu GPS, sử dụng các camera quan sát để điều hướng cũng như thực hiện việc di chuyển Trong kỹ thuật xác định đường đi của nghiên cứu này, đã có sử dụng một hàm chi phí được coi là tạo ra đường cong clothoid [59] Và các nghiên cứu về xe tự hành chủ yếu tập trung vào bài toán lái xe theo đường và tránh chướng ngại vật.

Gần đây, hãng xe hơi Audi với nỗ lực liên hợp với Stanford đã trình diễn khả năng kiểm soát xe đạt hiệu suất cao khi sử dụng kỹ thuật đường cong Clothoid để lập kế hoạch phân khúc đường cong trong xác định đường đi.

Bên cạnh đó, các lĩnh vực nghiên cứu về xe tự hành tiếp tục tập trung vào chủ đề lái xe đô thị và phát hiện tín hiệu giao thông [19], trong giai đoạn này đã phát triển các kỹ thuật xác định đường đi bao gồm các đường Clothoid, cây RRT và một số kỹ thuật trước đó.

Những vấn đề tồn tại và hướng giải quyết đối với hệ thống mô-đun hỗ trợ điều khiển trong xe tự hành

1.2.1 Những vấn đề tồn tại

Khi nghiên cứu về lĩnh vực xe tự hành, có thể thấy mỗi nhà sản xuất, mỗi dự án đều có các đề xuất về cấu trúc điều khiển khác nhau Nhưng một kiến trúc chung về hệ thống mô-đun hỗ trợ điều khiển xe tự hành có thể thấy qua hình 1.1, dựa trên kiến trúc này mà các nhà phát triển đưa ra kế hoạch cho sản phẩm của mình.

Hình 1.1 Cấu trúc điều khiển trong xe tự hành [19].

Trong khối kiến trúc này, gồm hệ thống các mô-đun như: mô-đun tiếp nhận dữ liệu và thông tin, mô-đun nhận thức về môi trường và định vị, mô-đun truyền tải thông tin, mô-đun lập kế hoạch chuyển động, mô-đun điều khiển và mô-đun vận hành… thì 03 mô-đun quan trọng (hình 1.2) giúp cho xe đạt được sự tự chủ trong quá trình hoạt động, gồm có: Mô-đun nhận thức về môi trường và định vị, mô-đun lập kế hoạch chuyển động và mô-đun điều khiển.

-Mô-đun nhận thức môi trường và định vị: Mô-đun này sử dụng hệ thống các loại cảm biến khác nhau như radar, Lidar, camera, hay các loại cảm biến khác để thu nhận dữ liệu về thông tin môi trường như vạch kẻ làn đường, biên đường, tín hiệu đèn giao thông, các loại chướng ngại vật thông tin thu nhận được từ các thiết bị cảm biến sau đó được số hóa và thể hiện nội dung trong bản đồ vị trí nhằm cung cấp giao diện cho các mô-đun khác Vị trí của xe tự hành trong bản đồ vị trí được thể hiện thông qua hệ thống định vị như GPS, camera, bản đồ 3D từ thiết bị Lidar hoặc là sự kết hợp giữa nhiều thiết bị cảm biến để xác định được vị trí của xe trong môi trường hiện tại.

-Mô-đun lập kế hoạch chuyển động: Mô-đun này có nhiệm vụ ra quyết định và tạo ra kế hoạch, đồng thời tại mô-đun này sẽ thiết lập các chế độ điều khiển (hay kịch bản chuyển động) và cấu hình bộ điều khiển phù hợp cho xe Các kịch bản hoạt động bao gồm: thay đổi làn đường, di chuyển qua giao lộ, vượt chướng ngại vật, điều chỉnh tốc độ phù hợp với môi trường

-Mô-đun điều khiển: Mô-đun này có nhiệm vụ điều hướng chuyển động và tiến hành đồng thời việc xử lý các ràng buộc của xe Mô-đun này được thiết kế theo mô hình phân cấp với cấp thứ nhất sẽ thực hiện những kế hoạch chuyển động toàn cục, cấp thứ hai sẽ thực hiện và theo dõi những kế hoạch chuyển động địa phương.

Hình 1.2 Các thành phần cơ bản của hệ thống mô-đun trong xe tự hành Đặc biệt, mô-đun lập kế hoạch chuyển động hay thiết lập đường đi là thành phần quan trọng để xác định quá trình di chuyển của xe, mô-đun này sẽ cung cấp cho xe tự hành một lộ trình đến các điểm mong muốn được an toàn và tránh được va chạm Quá trình lập kế hoạch chuyển động sẽ thực hiện việc tính toán, bao gồm: xác định đường đi, động lực học của xe, khả năng cơ động của xe khi gặp chướng ngại vật, các quy tắc về hệ thống đường giao thông.

Một trong những chìa khoá quyết định sự thành công xe tự hành nằm ở quá trình lập kế hoạch chuyển động, bài toán tạo ra đường đi tối ưu trong mô-đun lập kế hoạch chuyển động này vẫn còn nhiều vấn đề tồn tại, việc thiết lập đường đi không chỉ là việc di chuyển đến điểm đích cuối cùng, mà điểm khác biệt trong thiết lập đường đi của xe tự hành là việc thực hiện kế hoạch chuyển động phụ thuộc vào mạng lưới các quy tắc giao thông và những tính huống có thể xảy ra trong môi trường giao thông công cộng Mặc dù về mặt công nghệ đã đạt được một số kết quả đáng kể, nhưng với mong muốn xe tự hành có thể hoạt động trên đường công cộng thì những vấn đề tồn tại, thách thức về mặt kỹ thuật, công nghệ và pháp lý cần phải giải quyết.

Thứ nhất, phải nói đến đầu tiên và quan trọng nhất của xe tự hành là yếu tố an toàn, đa phần người dùng kỳ vọng xe tự hành sẽ mang lại trải nghiệm an toàn hơn so với xe có tài xế thông thường Bên cạnh đó còn có những vấn đề về pháp lý và đạo đức trong hoạt động của xe tự hành khi vận hành song song với xe có tài xế thông thường, xe tự hành dễ mất an toàn hơn so với nơi chỉ toàn xe có tài xế thông thường di chuyển Chẳng hạn, khi lái xe, ta có thể nhường đường cho xe khác bằng tay; và xe có tài xế thông thường có thể thiết kế để giao tiếp với nhau bằng tín hiệu.Trong khi đó, nếu tương tác với con người, xe tự hành cần phải học để hiểu ý nghĩa hành động của người điểu khiển xe khác để phản ứng thích hợp Hoặc khi đối diện với tai nạn không thể tránh khỏi, câu hỏi đặt ra là xe tự hành sẽ ưu tiên bảo vệ an toàn cho người trên xe hay cho những người khác ngoài xe Bởi xe tự hành cần lập trình, chúng ta cần phải tự trả lời được các câu hỏi về an toàn, pháp lý và đạo đức trước khi huấn luyện xe tự hành làm theo.

Thứ hai, dưới góc độ kỹ thuật, rất khó huấn luyện cho xe tự hành ở cấp độ 4 (tự động hóa cao) và cấp độ 5 (tự hành hoàn toàn) Nhận thức của xe tự hành được huấn luyện thông qua dữ liệu sử dụng nên sẽ không tránh khỏi bị thiên vị nếu tập dữ liệu đó không đầy đủ Trên lý thuyết, một bộ dữ liệu “đầy đủ” tất cả các tình huống giao thông để huấn luyện cho xe tự hành vận hành có kích thước vô hạn Ngay cả trên cùng một con đường, mỗi thời điểm khác nhau, chúng ta sẽ gặp điều kiện thời tiết, đối tượng và tình huống giao thông khác nhau Về lâu dài, có được một bộ dữ liệu huấn luyện mang tính đại diện và một hệ thống học đủ tốt để tận dụng chúng sẽ luôn là một thách thức lớn.

Bên cạnh đó, vẫn tồn tại những khó khăn, thách thức khác trong bài toán phát triển công nghệ xe tự hành có thể kể đến như sau:

-Những tình huống giao thông khó dự đoán: Từ các thiết bị cảm biến, chúng ta thu được dữ liệu từ môi trường xung quanh, mà từ đó sẽ nhận biết được phần nào về thế giới xung quanh và hiểu những trở ngại có thể xảy ra Một ví dụ đơn giản đó là thật khó khi chúng ta có thể đoán trước những gì một người đứng trước đèn tín hiệu giao thông định sẽ làm gì sau đó, hệ thống sẽ phải phán đoán những gì đối tượng sẽ làm và đưa ra những phản ứng phù hợp Khi tham gia giao thông thời gian thực đòi hỏi quá trình ra quyết định phải nhanh và chính xác Đây là một kỹ thuật vô cùng phức tạp mà hệ thống điều khiển của xe tự hành phải khó khăn để có thể giải quyết đạt hiệu quả.

- Điều kiện bất lợi về thời tiết: Khi trời mưa lớn, trời quá nắng hay có những hiện tượng bất thường về thời tiết khác thì những thiết bị cảm biết sẽ thu nhận các tín hiệu không được chính xác và điều này dẫn đến hoạt động của xe tự hành kém hiệu quả Nếu với những khu vực có thời tiết khắc nghiệt như hiện tượng tuyết hay sương mù nhiều thì việc hoạt động của xe tự hành càng khó khăn hơn và sự lựa chọn phương tiện xe tự hành để di chuyển lúc này không phải là giải pháp tốt.

- Hệ thống đường giao thông: Hệ thống đường giao thông cần được xây dựng theo đúng quy định và hiện đại mới có thể đáp ứng đòi hỏi trong việc hoạt động của xe tự hành Hiện nay, hầu hết đường trên thế giới chưa đạt đến mức độ yêu cầu nên việc thay đổi sẽ diễn ra rất khó khăn Hệ thống thu nhận dữ liệu và điều khiển hoạt động của xe tự hành đòi hỏi hệ thống đường giao thông phải được gắn cảm biến, vạch kẻ đường phải đảm bảo rõ ràng và đúng tiêu chuẩn quy định Điều này chính là điểm khó khắc phục với những hệ thống giao thông không đồng bộ như hiện này.

- Hệ thống GPS chưa hoàn hảo: GPS đã tạo nên những khác biệt trong cuộc sống, nhưng cũng phải thừa nhận rằng nó chưa thực sự hoàn hảo Xe tự hành là dự án cần sự hợp tác toàn cầu Bản đồ ảo GPS cần phải định vị và xác định rõ ràng giữa hệ thống các loại đường giao thông khác nhau, những địa điểm phải được xác định rõ ràng và chính xác.

Như vậy, với việc phân tích những vấn đề tồn tại, thách thức cần phải giải quyết là phải có giải pháp tạo ra được quỹ đạo chuyển động tối ưu Quỹ đạo chuyển động được tạo ra sẽ gồm có những tiêu chí nhất định như tạo nên quá trình di chuyển trơn và mịn, tạo được sự thoải mái và đạt hiệu suất năng lượng tốt, đồng thời phải đáp ứng được các hạn chế phát sinh trong quá trình hoạt động của xe như các quy định về luật giao thông đường bộ, những vấn đề về pháp lý và đạo đức trong quá trình tham gia giao thông Giải pháp tạo ra quỹ đạo chuyển động tối ưu và những giải pháp hỗ trợ điều khiển nhằm giải quyết các vấn đề đã trình bày cũng là mục tiêu đặt ra cần phải thực hiện trong luận án này.

-Giải pháp tạo ra quỹ đạo chuyển động tối ưu sẽ được thực hiện bằng mô-đun 1: Mô-đun tìm đường đi tối ưu cho xe tự hành.

Mô-đun này sẽ thực hiện việc lập kế hoạch chuyển động để giải quyết bài toán tạo ra quỹ đạo tối ưu, đạt hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường.

Kiến thức chuẩn bị

1.3.1 Biểu diễn làn đường và xây dựng mô hình động học của xe

Trong cấu trúc đường giao thông, hệ thống đường đi được xác định bởi các làn đường liền kề có hình dạng và độ cong tùy ý (hình 1.3) Để thuận tiện cho việc biểu diễn, trong luận án này đưa ra giả định và xét làn đường thứ i (𝑙𝑎𝑛𝑒 𝑖 ) là một đường đi được xác định bởi đường biên trái (𝐵 𝐿𝑖 ) và đường biên phải (𝐵 𝑅𝑖 ), mỗi đường đi như vậy được định nghĩa là một polyline và là sự kết hợp của tất cả các làn đường tại một khoảng thời gian nhất định (𝑙𝑎𝑛𝑒(𝑠) = ⋃𝑖 𝑙𝑎𝑛𝑒𝑖) Đồng thời biết trước mối liên hệ giữa các làn đường liền kề.

Hình 1.3 Mô hình hệ thống đường giao thông

Trong hệ trục tọa độ tổng thể, mỗi xe và các đối tượng khác được mô tả bằng vị trí của nó (𝑆 𝑥 , 𝑆 𝑦 ) trong đường biên của làn đường, định hướng 𝜃 𝑟 , ký hiệu khoảng cách tới xe 𝑑 𝑟 và độ dài cung tham chiếu 𝑠 𝑟 là các đại diện cho trạng thái hệ thống,

𝐾 𝑟 (𝑆 𝑟 ) là tham số độ cong cung tròn của đường cong tham chiếu (Hình 1.4).

Hình 1.4 Mô hình xe và đường cong tham chiếu Đối với mô hình động học của xe (hình 1.5) được biểu diễn bằng 1 đường đơn với 2 trạng thái vận tốc và 3 trạng thái vị trí Với số lượng thông tin này, chúng ta có thể nắm bắt đầy đủ hiệu suất hoạt động và xử lý ổn định trong các điều kiện vận hành khác nhau của xe Trong mô hình này, góc lái trước 𝛿 là sự truyền động duy nhất Để thực hiện bài toán tối ưu của độ lồi 𝛿, thì tốc độ dọc xe 𝑈 𝑥 là không được phép thay đổi, mặc dù bộ điều khiển bên ngoài có thể được sử dụng để theo dõi cấu hình tốc độ mong muốn, tốc độ trên khoảng cách dự báo được giả định là cố định khi xây dựng mô hình quy trình.

Hình 1.5 Mô hình động học xe tự hành

Hệ số trượt 𝑟 và góc trượt ngang xe 𝛽 được tính bởi phương trình chuyển động, như sau [36]:

Trong đó: m là khối lượng xe, 𝐼 𝑧𝑧 là góc quay quán tính, 𝐹 𝑦[𝑓,𝑟] biểu thị lực ngang bánh xe của trục trước và trục sau của xe.

Trong mô hình bánh xe, thì lực ngang của bánh xe được mô hình hóa bằng cách sử dụng mô hình bánh xe Fiala brush [44], như sau:

(1.4) với 𝜇 là hệ số ma sát, 𝐹 𝑧 là lực pháp tuyến, 𝐶 𝛼 là độ cứng chống xoay bánh xe (độ cứng này thường được đánh giá tại góc trượt bánh xe bằng 0).

Các góc trượt bánh xe trước 𝛼 𝑓 và bánh xe sau 𝛼 𝑟 sử dụng xấp xỉ góc nhỏ, được tính như sau:

Trong đó: 𝛿 là góc lái bánh trước. Để đơn giản hóa mối quan hệ phi tuyến giữa trạng thái truyền động 𝛿 và trạng thái động học của xe trong khi tính đến độ bão hòa của bánh xe, thì lực ngang phía trước 𝐹 𝑦𝑓 được coi là đầu vào điều khiển của mô hình.

Lực ngang phía trước 𝐹 𝑦𝑓 với mong muốn được tạo bởi việc tối ưu mô hình điều khiển dự báo, sau đó được ánh xạ đến góc lái bánh trước 𝛿, như sau:

Trong đó: 𝑓 −1 (𝑓 𝑦𝑓 ) là mô hình bánh xe nghịch đảo, dùng để tính độ trượt bánh xe từ lực bánh xe bằng phương pháp số.

Mô hình theo dõi hướng chuyển động như trong hình 1.5 và vị trí tương đối của xe với đường dẫn mong muốn có thể được xác định bởi ba tham số trạng thái: độ lệch ngang 𝑒, độ lệch ban đầu (hay độ lệch hướng chuyển động) ∆𝜓 và khoảng cách 𝑠 dọc theo đường dẫn Như vậy, mô hình theo dõi hướng chuyển động có thể được viết như sau:

∆𝜓 = 𝑟 − 𝑈 𝑥 κ(𝑠) 𝑒̇ = 𝑈 𝑥 sin(Δ𝜓) + 𝑈 𝑦 cos(Δ𝜓) 𝑠̇ = 𝑈 𝑥 cos(Δ𝜓) − 𝑈 𝑦 sin(Δ𝜓) Trong đó: κ(𝑠) là độ cong của đường dẫn mong muốn tại 𝑠

1.3.2 Phương pháp Monte Carlo và bộ lọc phần tử

Nền tảng cơ bản để xây dựng giải pháp lập kế hoạch chuyển động dựa trên mẫu sẽ được thực hiện bằng bộ lọc phần tử Do đó, trong nội dung cơ sở lý thuyết của luận án này sẽ giới thiệu về các thành phần, quy trình hoạt động của phương pháp Monte Carlo, xác suất Bayes và bộ lọc phần tử.

Hiện nay trên thế giới, phương pháp bộ lọc phần tử đang được nghiên cứu áp dụng rộng rãi trong nhiều lĩnh vực khoa học công nghệ như giao thông, an ninh quốc phòng, thị giác robot, di động không dây Bộ lọc phần tử (hay có tên khác là bộ lọc chất điểm, bộ lọc Boostrap, bộ lọc Monte Carlo đều dựa trên nền tảng của phương pháp Monte Carlo) đây là thuật toán dùng để ước lượng trực tiếp các mật độ hậu nghiệm của mô hình không gian trạng thái bằng cách triển khai thực hiện phương trình đệ quy Bayes Mô hình không gian trạng thái có thể phi tuyến và phân bố nhiễu dưới bất kỳ hình thức nào, phương trình đệ quy Bayes sử dụng một phương pháp tiếp cận dựa trên quần thể Các mẫu phân phối được thể hiện bằng một tập hợp các phần tử, mỗi phần tử được gán một trọng số đại diện cho xác suất phần tử được lấy mẫu từ hàm mật độ xác suất Sự chênh lệch của các trọng số dẫn đến sự thoái hóa trọng số là một vấn đề thường gặp trong các thuật toán lọc Bài toán lọc phần tử này đóng vai trò quan trọng trong lĩnh vực xử lý tín hiệu và bài toán này cũng giải quyết triệt để vấn đề ước lượng trạng thái của một hệ thống khi một tập quan sát về hệ thống đó được thu thập và có hiệu lực Nhưng các hệ thống thu thập trên thực tế là phi tuyến và có nhiều loại nhiễu trên phép đo Để ước lượng trạng thái các hệ thống trên ta sử dụng bộ lọc phần tử hay phương pháp Sequential Monte Carlo (SMC).

Một trong những phương pháp thực nghiệm máy tính phổ biến trên thế giới hiện nay là phương pháp Monte Carlo, với phương pháp thực nghiệm máy tính được hiểu là áp dụng máy tính để giải các bài toán, nghiên cứu các kết cấu hay các quá trình, thực hiện tính toán dựa trên mô hình toán học và vật lý bằng các tính toán định lượng của đối tượng được nghiên cứu khi tương đối các tham số.

Phương pháp Monte Carlo là một lớp các thuật toán sử dụng việc lấy mẫu ngẫu nhiên để thu được các kết quả số, phương pháp này thường được sử dụng để giải quyết các bài toán có cấu hình phức tạp, liên qua đến nhiều biến số mà không thể giải quyết được bằng các thuật toán tất định Phương pháp Monte Carlo cố gắng mô hình hóa các hiện tượng tự nhiên thông qua mô phỏng trực tiếp các lý thuyết cần thiết dựa trên yêu cầu của hệ thống, ví dụ như mô phỏng sự tương tác của những vật thể này với những vật thế khác hay là với môi trường dựa trên các mối quan hệ vật thể - vật thể và vật thể - môi trường Lời giải được xác định bằng cách lấy mẫu ngẫu nhiên của các quan hệ, hay là các tương tác, cho đến khi kết quả hội tụ Do đó, cách thực hiện lời giải bao gồm các hành động hay phép tính được lặp đi lặp lại.

Theo dòng thời gian, với sự phát triển để phục vụ cho các nhu cầu tính toán cụ thể, phương pháp Monte Carlo đã có nhiều biến thể với một số phương pháp tiêu biểu như sau:

+ Phương pháp mô phỏng trực tiếp (DSMC): Đây là phương pháp sử dụng kỹ thuật mô phỏng xác suất để giải các phương trình Boltzman mô tả các dòng khí loãng mà trong đó quãng đường tự do trung bình của phần tử có cùng bậc hoặc lớn hơn thang chiều dài vật lý đặc trưng của hệ.

+ Phương pháp động lực (DMC): Đây là phương pháp mô phỏng các trạng thái của phần tử bằng cách so sáng tỷ lệ của các bước riêng lẻ với các số ngẫu nhiên Phương pháp này thường dùng để khảo sát các hệ không cân bằng và được ứng dụng chủ yếu để phân tích các hoạt động của các chất hút bám trên các bề mặt.

+ Phương pháp động học (KMC): Đây là phương pháp dựa trên sự mô phỏng của máy tính để mô phỏng sự tiến triển theo thời gian của một vài quá trình xảy ra trong tự nhiên, điển hình là các quá trình mà chúng xuất hiện với một tỉ lệ được cho trước Việc hiểu rõ các tỉ lệ này là rất quan trọng bởi vì chúng là dữ liệu đầu vào cho thuật toán này, tự bản thân phương pháp không thể dự đoán được Phương pháp này rất giống với phương pháp động lực, sự khác biệt chính giữa 2 phương pháp này là lĩnh vực áp dụng, phương pháp động học được sử dụng chủ yếu trong vật lý và phương pháp động lực thì được sử dụng trong hóa học.

GIẢI PHÁP ĐỀ XUẤT TÌM ĐƯỜNG ĐI TỐI ƯU CHO XE TỰ HÀNH

Đánh giá tổng quan về kỹ thuật thiết lập đường đi cho xe tự hành

Nội dung phần này sẽ phác thảo tổng quan về tình hình thực hiện và nghiên cứu các kỹ thuật lập kế hoạch chuyển động cho xe tự hành, những thách thức và hướng nghiên cứu từ các nhà nghiên cứu, các nhà sản xuất trong việc phát triển kế hoạch chuyển động của xe tự hành Đây là cơ sở để đề xuất giải pháp lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu, với mục tiêu giải quyết vấn đề là quỹ đạo tạo ra bằng phương pháp này là quỹ đạo tối ưu từ tập các ứng viên quỹ đạo và tiêu chí đặt ra không chỉ cải cải thiệu hiệu quả tính toán mà còn xử lý tính bất định trong dữ liệu môi trường Giải pháp này là tiền đề để xây dựng các mô-đun hỗ trợ trong quá trình giải quyết bài toán lập kế hoạch chuyển động cho xe tự hành đạt được các tiêu chí về độ an toàn, mịn và trơn trong quá trình di chuyển.

Về bài toán thiết lập đường đi cho xe tự hành, thì các kỹ thuật thiết lập đường đi và điều khiển chuyển động khác nhau sẽ được xác lập dựa trên các thông tin thu nhận được thông qua các thiết bị cảm biến và hệ thống thu nhận tín hiệu được lắp đặt trên xe tự hành Việc thiết lập đường đi thông minh cho xe tự hành là cần thiết trong quá trình vận hành, giảm thiểu một số tác vụ liên quan đến hoạt động của xe.

Trong cấu trúc mô-đun xử lý của xe tự hành (hình 1.1), với 03 mô-đun gồm: mô-đun điều khiển; mô-đun nhận thức về môi trường và định vị và mô-đun lập kế hoạch thực hiện (hình 1.2) là thành phần chính đã sử dụng các kỹ thuật về thị giác máy tính và tìm đường để xác lập quá trình điều khiển của xe Trọng tâm của hệ thống phần mềm là liên quan đến thành phần quyết định của kiến trúc, cụ thể là các kỹ thuật lập kế hoạch chuyển động của xe Kế hoạch chuyển động trong xe tự hành là một chủ đề nghiên cứu trong nhiều thập kỷ qua Hầu hết các tác giả phân chia vấn đề thành 2 hướng gồm kế hoạch toàn cục và kế hoạch địa phương với các phương pháp tiếp cận và định nghĩa khái niệm khác nhau Các kỹ thuật lập kế hoạch chuyển động có thể được chia thành 4 nhóm: Tìm kiếm trong đồ thị, dựa trên mẫu, nội suy và các phương pháp tối ưu

2.1.1 Lập kế hoạch chuyển động dựa trên đồ thị tìm kiếm

Trong xe tự hành, ý tưởng cơ bản cho việc di chuyển từ điểm A đến điểm B là diễn tả một không gian trạng thái, không gian trạng thái này thường được biểu diễn dưới dạng lưới hoặc mạng lưới mô tả vị trí của đối tượng trong môi trường.

Từ quan điểm quy hoạch điểm, một giải pháp về thiết lập đường chuyển động được tạo ra bằng thuật toán tìm kiếm trong đồ thị đi qua các trạng thái khác nhau trong lưới, nhưng đường đi được tạo ra cũng có thể không phải là giải pháp đường đi tối ưu.

Một số thuật toán đã được áp dụng như:

*Thuật toán Dijkstra: Đây là thuật toán giải quyết bài toán đường đi ngắn nhất, thường được sử dụng trong định tuyến với một chương trình con trong các thuật toán đồ thị hay trong công nghệ hệ thống định vị toàn cầu (GPS) Trong nghiên cứu [32,55] nhóm tác giả đã sử dụng thuật toán này để mô phỏng kế hoạch thiết lập đường đi cho nhiều loại xe khác nhau.

Hình 2.1 Thiết lập đường đi bằng Thuật toán Dijkstra [55]

Kế hoạch lập đường đi ngắn nhất bằng phương pháp này có thể tìm được trong một loạt các nút hoặc lưới, thích hợp cho lập kế hoạch toàn cục trong các môi trường hoạt động Nhưng tốc độ thực hiện thuật toán chậm ở các khu vực có nhiều nút điều khiển, việc tìm kiếm đường đi không phải là phỏng đoán, kết quả đường đi tạo ra không liên tục, do đó không thích hợp cho các ứng dụng thời gian thực.

*Thuật toán A-Star (A*): Đây là một thuật toán tìm kiếm trong đồ thị, cho phép tìm kiếm nút nhanh do sử dụng một đánh giá heuristic (đây là phần mở rộng thuật toán tìm kiếm trên đồ thị của Dijkstra) Trong các nghiên cứu [5,7] các tác giả đã triển khai thuật toán A* cùng với hàm chi phí tương ứng để triển khai các ứng dụng như lên kế hoạch cho các không gian không có cấu trúc và các bãi đỗ xe.

Do phát triển dựa trên thuật toán Dijkstra và việc tìm kiếm heuristic đã làm giảm thời gian tính toán Nhưng kết quả đường đi tạo ra không liên tục, các quy tắc heuristic không phải là đơn giản để tìm được các lần duyệt.

Hình 2.2 Thiết lập đường đi bằng Thuật toán A* [5]

2.1.2 Lập kế hoạch chuyển động dựa trên mẫu

Những bộ lập kế hoạch này giải quyết những ràng buộc về thời gian, tức là lập kế hoạch trong không gian mà các phương pháp xác định không đáp ứng được. Cách tiếp cận này gồm lấy mẫu ngẫu nhiên trong không gian hình dạng hoặc không gian trạng thái, tìm kiếm các kết nối, các mối liên hệ bên trong nó.

Nhược điểm của giải pháp này là đường chuyển động được tìm thấy vẫn nằm gần tới điểm tối ưu Các phương pháp được sử dụng phổ biến là cây RRT [56] đã được cài đặt thử nghiệm trong các ứng dụng mô phỏng xe tự hành tại các nghiên cứu [28].

Cây RRT là một cấu trúc dữ liệu ngẫu nhiên và hiệu quả thiết kế dành cho việc tìm kiếm trong không gian đa chiều Cây RRT có thể được coi như là một kỹ thuật để tạo ra những điểm ngẫu nhiên trong hệ thống phi tuyến, đặc biệt thích hợp cho vấn đề lập quỹ đạo đường đi trong không gian có vật cản và các ràng buộc bất phương trình, ràng buộc khác biệt.

Hình 2.3 Thiết lập đường đi bằng Cây RRT [56]

Kỹ thuật này có ưu điểm là có khả năng cung cấp giải pháp nhanh trong các hệ thống đa chiều Thuật toán được hoàn thành và luôn hội tụ với một giải pháp (nếu có và cho đủ thời gian), thích hợp cho kế hoạch toàn cục và địa phương Nhưng kết quả quỹ đạo chuyển động được tạo ra không liên tục và tạo giật khi di chuyển Việc tối ưu đường đi phụ thuộc vào khung thời gian cho những trường hợp sử dụng cây RRT.

2.1.3 Lập kế hoạch chuyển động bằng đường cong nội suy

Các kỹ thuật như thiết kế hình học bằng máy tính (CAGD) thường được sử dụng để làm mịn đường dẫn từ một tập các điểm trung gian [20] Điều này cho phép chúng ta lập kế hoạch chuyển động phù hợp với mô tả đường đi bằng cách xét tính khả thi, sự tiện lợi và các thông số khác để lập quỹ đạo di chuyển phù hợp Phép nội suy được định nghĩa là quá trình xây dựng và đưa vào một bộ dữ liệu mới trong phạm vi của một tập hợp đã biết trước đó (các điểm tham chiếu) Nghĩa là, các thuật toán này đã có tập các node (ví dụ như đó là tập hợp các điểm mốc mô tả một bản đồ đường đi tổng quát) và một tập dữ liệu mới được tạo ra sẽ có nhiều ưu điểm như tạo được quỹ đạo liên tục, đã hạn chế về phương tiện và môi trường xung quanh làm thay đổi hướng di chuyển của xe.

Việc xuất hiện các chướng ngại vật trên đường đi thì đối với giải pháp này sẽ tạo ra một con đường mới nhằm vượt qua và sau đó sẽ tiếp tục tái nhập với cung đường đã lên kế hoạch trước đó. Ưu điểm của kỹ thuật này là tối ưu độ cong và độ mịn của đường đi dựa trên kỹ thuật thiết kế hình học bằng máy tính (CAGD), thích hợp cho kế hoạch đường đi địa phương theo hướng tạo độ chuyển thoải mái và an toàn trong môi trường phức hợp Tuy vậy, nhược điểm của kỹ thuật này là phụ thuộc vào kế hoạch toàn cục hoặc các điểm tham chiếu toàn cục, đồng thời khi xuất hiện chướng ngại vật trên đường đi đã lập thì phải mất thời gian tính toán lại từ đó làm hạn chế yếu tố thời gian thực của kỹ thuật này.

Có nhiều kỹ thuật khác nhau để làm mịn và xây dựng đường cong nội suy như:

Xây dựng mô-đun lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu

Trong các kỹ thuật đã trình bày, với ưu điểm của kỹ thuật dựa trên mẫu được sử dụng rộng rãi cho các không gian đường có cấu trúc bằng cách giảm bớt một số giải pháp tình huống nhằm đạt được hiệu suất thời gian thực khi xử lý; kỹ thuật dựa trên mẫu thực hiện việc tạo ra và sắp xếp tập các ứng cử viên quỹ đạo, nên có khả năng không làm ảnh hưởng đến không gian tìm kiếm ở các vùng được quan tâm Do đó, kỹ thuật dựa trên mẫu là giải pháp được sử dụng khá phổ biến khi xây dựng kế hoạch chuyển động của xe tự hành so với các giải pháp kỹ thuật khác.

Tuy nhiên, một thách thức đối với các giải pháp lập kế hoạch chuyển động dựa trên mẫu là phải làm thế nào để lấy mẫu các ứng viên trong không gian quỹ đạo một cách hiệu quả Để giải quyết vấn đề này, các phương pháp tiếp cận khác nhau dựa trên mẫu đã được nghiên cứu như lấy mẫu không gian đầu vào, lấy mẫu không gian trạng thái và lấy mẫu mạng lưới trạng thái Từ những nghiên cứu này, có thể thấy những ràng buộc bất phương trình của xe và điều kiện biên của môi trường giao thông có thể được xem là có tác dụng hiệu quả trong việc lựa chọn các mẫu ứng viên Vì tất cả các phương pháp dựa trên mẫu, về cơ bản chỉ đạt được cận dưới của quỹ đạo mục tiêu cuối cùng bằng các kỹ thuật tối ưu, cho nên phương pháp này đòi hỏi phải có một lượng tài nguyên đủ lớn nhằm có được một số lượng lớn các ứng viên để tìm được quỹ đạo tối ưu toàn cục.

Ngoài ra, hầu hết các kỹ thuật dựa trên mẫu trước đây đã thực hiện cách sử dụng cách tiếp cận tất định, là cách tiếp cận có độ phức tạp tính toán ít để tìm ra quỹ đạo đáng tin cậy và được sử dụng để giải quyết bài toán tránh va chạm trong các giải pháp lập kế hoạch chuyển động Nhưng cách tiếp cận tất định cần phải sử dụng các hệ thống cảm biến có chất lượng cao với độ nhiễu ít, bởi vì chúng không có mô hình rõ ràng với những dữ liệu môi trường thu được để ước lượng các va chạm chính xác. Để giải quyết có hiệu quả những khó khăn trên, cách tiếp cận xác suất trong giải pháp lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu đã được nghiên cứu với những thuật toán khác nhau như tiếp cận Bayes, phương pháp Monte Calor và quy trình Markov Các thuật toán này có thể xử lý một mô hình hệ thống không đầy đủ và các phép đo cảm biến với dữ liệu môi trường không chắc chắn Tuy nhiên,các phương pháp tiếp cận xác suất đã gặp vấn đề trở ngại do sự không thống nhất giữa giải pháp lập kế hoạch chuyển động bằng kỹ thuật tối ưu tất định và dữ liệu môi trường Chẳng hạn như hệ thống cảm biến thu nhận dữ liệu môi trường quy định hàm mật độ xác suất của các chướng ngại vật di động (như các loại xe), trong khi đó các thuật toán lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu lại cần sự chuyển động các bất định từ khu vực này sang khu vực khác.

Trong giải pháp đề xuất tìm đường đi tối ưu cho xe tự hành của luận án này, tôi đề xuất giải pháp xây dựng mô-đun lập kế hoạch chuyển động bằng kỹ thuật lấy mẫu dựa trên cấu trúc của bộ lọc phần tử Mô-đun lập kế hoạch chuyển động này với mục tiêu đặt ra không chỉ cải thiệu hiệu quả tính toán mà còn xử lý tính bất định trong dữ liệu môi trường và hệ thống phương tiện đề xuất.

Bài toán trong mô-đun lập kế hoạch chuyển động này là giải pháp tìm đường đi tối ưu bằng kỹ thuật lấy mẫu dựa trên cấu trúc của bộ lọc phần tử Xuất phát từ vị trí ban đầu của xe tự hành và tập ứng viên quỹ đạo đã được biết trước, nhiệm vụ của bài toán là xác định được quỹ đạo tối ưu để quá trình chuyển động của xe tự hành phải được an toàn, tránh va chạm với các đối tượng tham gia giao thông khác Quá trình xác định quỹ đạo kết quả phải giải quyết được tính bất định của nhiều quỹ đạo có thể có của những đối tượng tham gia giao thông khác tạo ra.

2.2.2 Giải pháp lập kế hoạch chuyển động

Trong bài toán lập kế hoạch chuyển động của xe tự hành, các yếu tố cần được tính toán và xem xét như hệ thống cơ học vận hành của xe, những hạn chế về môi trường hoạt động như cấu trúc hệ thống đường giao thông, các chướng ngại vật trên đường với mục tiêu của bài toán lập kế hoạch là tìm ra một quỹ đạo có tính an toàn và khả thi, thì bài toán này cần xét đến các điều kiện biến thiên theo thời gian và quỹ đạo được tạo ra cuối cùng là một tập 𝜒 𝑖 chứa các thông tin của cấu trúc đường hình học (gồm có vị trí (𝑠, 𝑛), góc ban đầu 𝜃 và độ cong 𝓀) và thông tin biến động của chuyển động (thời gian 𝓉, vận tốc 𝓋, gia tốc 𝒶 và độ lệch 𝓀).

Hình 2.10 Mô hình về lập kế hoạch chuyển động Để tìm được quỹ đạo chuyển động 𝒯(quỹ đạo tối ưu và an toàn) thì độ chính xác của hệ thống định vị và dữ liệu môi trường là rất quan trọng Nhưng do hạn chế về thiết bị cảm biến và vấn đề nhiễu của môi trường thu nhận; do đó yếu tố không chắc chắn hay sai lệch định vị và dữ liệu môi trường cần phải được xét đến trong quá trình xây dựng kế hoạch chuyển động.

Hình 2.11 Minh họa thuật toán lập kế hoạch chuyển động dựa trên mẫu với tập ứng viên quỹ đạo và các mục tiêu chuyển động

Các thuật toán lập kế hoạch chuyển động dựa trên mẫu thường tạo ra và sắp xếp một tập các chuyển động của ứng viên quỹ đạo để tạo ra một quỹ đạo tối ưu. Trong hình 2.11, có thể thấy phương tiện tự hành có thể hoạt động giữ làn đường hoặc thay đổi làn đường khi tùy thuộc vào bộ ứng viên chuyển động Để có bộ ứng viên chuyển động như hình 2.11, các thuật toán lập kế hoạch chuyển động dựa trên mẫu sẽ thực hiện các bước cơ bản sau [33]:

Bước 1: Khởi tạo tập các mục tiêu chuyển động được chọn trong không gian mẫu.

Bước 2: Xây dựng các quỹ đạo dựa trên bộ mục tiêu chuyển động, bằng cách kết nối từ vị trí xe hiện tại đến các mục tiêu chuyển động, các kết nối này được thực hiện dựa trên mô hình xe và các ràng buộc bất phương trình.

Bước 3: Mỗi quỹ đạo được đánh giá định lượng bằng cách sử dụng dữ liệu thu nhận được từ môi trường và các hàm chi phí liên quan đến các chỉ số hoạt động khác nhau (độ an toàn, độ giật của xe khi di chuyển và vị trí trung tâm của làn đường); quá trình tính toán định lượng các quỹ đạo được thực hiện với tất cả các quỹ đạo.

Bước 4: Xác định quỹ đạo tối ưu có các chi phí tối thiểu để thực hiện kế hoạch chuyển động của xe.

Bốn thao tác cơ bản này hoạt động lặp lại đến lúc tìm được quỹ đạo tối ưu trong thuật toán lập kế hoạch dựa trên mẫu để xây dựng được đường đi đảm bảo an toàn và tối ưu.

Khi có nhiều mẫu trong quá trình lặp của bài toán thì chúng cần được bảo đảm rằng sẽ bao quát một không gian tìm kiếm lớn để tìm ra quỹ đạo, trong khi khối lượng tính toán tăng lên nhanh chóng bằng cách tăng số lượng mẫu N Vì vậy, các mẫu nên được quản lý không chỉ để tìm ra quỹ đạo tối ưu mà còn để cải thiện hiệu suất tính toán.

Bảng 2.1 Minh họa phương án lập kế hoạch chuyển động dựa trên lấy mẫu

Thuật toán: Lập kế hoạch chuyển động dựa trên lấy mẫu Đầu vào: tập ứng viên quỹ đạo Đầu ra:

Xopt(t) là quỹ đạo tối ưu Bắt đầu

1 Khởi tạo mục tiêu chuyển động: InitGoal( )  (sg,ng);

3 Tạo ứng viên quỹ đạo: GenCandi(sg,ng)  Xi(t);

4 Tính chi phí quỹ đạo: ComCost(Xi(t))  ci;

6 Chọn quỹ đạo tối ưu: SeleTra(X(t),c)  Xopt(t);

Kiến trúc tổng thể của một hệ thống lập kế hoạch trong xe tự hành bao gồm các mô-đun sau (hình 2.12): Mô-đun bản đồ định vị sẽ cung cấp vị trí của xe trên hệ thống toàn cục, dữ liệu môi trường sẽ cung cấp thông tin về các chướng ngại vật phát hiện được; dựa trên thông tin dữ liệu môi trường và định vị, mô-đun lập kế hoạch chuyển động sẽ tạo ra một quỹ đạo mục tiêu và sau đó mô-đun điều khiển sẽ chuyển lệnh để các bộ chuyển động thực hiện điều khiển xe theo quỹ đạo đã tìm ra.

Hình 2.12 Kiến trúc tổng thể của hệ thống lập kế hoạch trong xe tự hành

Giải pháp lập kế hoạch chuyển động mà trong luận án này đề xuất được thực hiện dựa trên kỹ thuật lấy mẫu, nên các ứng viên quỹ đạo được quản lý lặp đi lặp lại để tạo ra quỹ đạo; để quản lý các ứng viên hiệu quả thì quy trình lọc phần tử được áp dụng trong lập kế hoạch chuyển động này cần sử dụng 4 bước chính: cập nhật thời gian ứng viên, cập nhật dữ liệu môi trường, lựa chọn quỹ đạo và tái lấy mẫu mục tiêu chuyển động.

Trong 4 bước này thì cập nhật thời gian của ứng viên quỹ đạo và cập nhật dữ liệu môi trường được thiết kế để xét tính không chắc chắn của dữ liệu định vị và dữ liệu môi trường trong quá trình lập kế hoạch chuyển động Ngoài ra, bước tái lấy mẫu mục tiêu chuyển động nhằm cải thiện hiệu suất tính toán bằng cách quản lý các mục tiêu chuyển động của các ứng viên quỹ đạo.

GIẢI PHÁP ĐỀ XUẤT CHO VẤN ĐỀ PHÁP LÝ VÀ ĐẠO ĐỨC

Xây dựng mô-đun hỗ trợ ra quyết định điều khiển

Với sự phát triển về công nghệ xe tự hành ngày càng nhiều, thì làm thế nào để phán xét trách nhiệm pháp lý và người làm kế hoạch hoạt động chịu trách nhiệm trong trường hợp tai nạn giao thông phải được quyết định với những câu hỏi đặt ra không chỉ về mặt pháp lý mà cả vấn đề đạo đức Nhưng hiện nay rất ít tài liệu pháp lý dành cho xe tự hành và thậm chí còn ít phán xét trách nhiệm của xe tự hành trong các vụ tai nạn giao thông. Để giải quyết bài toán đặt ra trong quá trình thiết lập mô-đun này thì bài toán này phải được giải quyết trong từng tình huống cụ thể, như vậy chúng ta mới có thể đánh giá liệu quyết định hành vi điều hướng có phù hợp hợp với các quy tắc đạo đức và pháp lý hay không Do đó, tình huống mà luận án này đưa ra để thiết lập quá trình xây dựng mô-đun là tình huống xảy ra các hành vi vượt qua đường dành cho người đi bộ tại điểm có đèn tín hiệu giao thông, các đối tượng băng qua đường có thể là người đi bộ, xe không có động cơ, súc vật Những đối tượng này được gọi chung là các mục tiêu bất thường và hành vi gây ra tình huống khẩn cấp được mô tả như sau: khi đèn tín hiệu giao thông chuyển trạng thái từ Đỏ sang Xanh, các phương tiện tham gia giao thông được phép di chuyển qua điểm dừng đèn đỏ, lúc này các mục tiêu bất thường sẽ phải dừng lại tại lối đi giành cho người đi bộ, những tình huống bất thường (được xem là nguy hiểm và khẩn cấp) xảy ra là các mục tiêu bất thường này không dừng lại theo quy định mà vẫn tiếp tục di chuyển bằng qua đường Với hành vi này của mục tiêu bất thường thì có khả năng xảy ra một vụ va chạm (hình 3.1), xe tự hành là chiếc xe ở vị trí làn đường giữa, xe bus di chuyển làn phía bên trái đã làm hạn chế tầm quan sát và không thể phát hiện mục tiêu bất thường đang băng qua đường, lúc này sắp xảy ra tình huống khẩn cấp và nguy hiểm.

Hình 3.1 Mô phỏng tình huống khẩn cấp khi tham gia giao thông

Giải quyết tình huống do các mục tiêu bất thường gây ra, trong bài toán này, sẽ xử lý dựa trên vấn đề đạo đức của người lái xe để ra quyết định hành vi điều khiển xe Đạo đức được đề cập ở đây là những nguyên tắc, chuẩn mực, định hướng giá trị xã hội thừa nhận, các giá trị đạo đức được xem xét nhằm tạo cho hoạt động của xe tự hành đạt được yếu tố an toàn khi hoạt động ở thế phòng vệ, chủ động tránh tai nạn, sẵn sàng ứng phó với các tình huống nguy hiểm và tuân thủ theo luật giao thông đường bộ Để xe tự hành có thể xử lý như một con người trong quá trình điều khiển hoạt động thì cần phải có mô-đun để phân tích các chuẩn mực của giá trị bên trong và hành vị bên ngoài của người điều khiển xe [47], được xem như các giá trị về đạo đức và các giá trị này được chuyển đổi thành các chỉ số cho giá trị đầu vào của mô hình học máy.

Dựa trên việc phân tích, thống kê với hàng trăm bảng câu hỏi điều tra, phỏng vấn và kết hợp với các bối cảnh cụ thể của các tình huống khẩn cấp, các chỉ số đạo đức của việc ra quyết định hành vi điều khiển xe có thể được phân thành các vấn đề như sau [47]:

- Kiểu mục tiêu bất thường: Là đề cập đến các kiểu mục tiêu bất thường xuất hiện trước đầu xe tự hành trong các tình huống khẩn cấp, các kiểu này được chia thành các mục là Người và phương tiện khác Trong đó kiểu mục tiêu là Người được phân chia theo các tiêu chuẩn như độ tuổi, giới tính và tình trạng thể chất.

-Số lượng mục tiêu bất thường: Là đề cập đến số lượng mục tiêu xuất hiện trước đầu xe trong các tình huống nguy hiểm, khẩn cấp Theo nghiên cứu [16] cho thấy việc cứu được nhiều mạng sống con người là một yếu tố qua trọng trong việc ra quyết định hành vi điều khiển xe, việc ra quyết định hành vi điều khiển xe sẽ phải thay đổi đáng kể khi số lượng đối tượng mục tiêu bất thường cần phải giải cứu thay đổi.

- Trạng thái đặc biệt của mục tiêu bất thường: Là những trạng thái được xác định đặc biệt đó là những đặc điểm nổi bật để phân biệt như người đó là phụ nữ mang thai, người già, trẻ em, cũng như những người vi phạm luật giao thông.

-Mức độ ưu tiên bảo vệ: Nguyên tắc phân chia cấp độ ưu tiên bảo vệ trong các quyết định hành vi điều hướng xe có thể chia thành các mức như: bảo vệ người ngồi trên xe, bảo vệ người đi bộ hay người tham gia giao thông bên ngoài xe, bảo vệ tài sản hoặc giảm tổng thiệt hại do va chạm quyết định điều khiển có thể thực hiện thao tác tránh làm hại hoặc hy sinh nhiều người bằng cách hy sinh một người đi bộ hoặc trong tình trạng khó xử phải đối mặt như phải hy sinh người ngồi trên xe để cứu một hoặc nhiều người đi bộ hay người đang tham gia giao thông khác.

Trong thực tế, khi phân tích và xem xét các chỉ số được nêu trên thì kích thước và độ phức tạp của bài toán ra quyết định hành vi điều hướng xe sẽ tăng lên đáng kể Đồng thời, do có sự khác biệt trong nhận thức của mỗi cá nhân con người nên sẽ gây ra những tranh cải trong việc lựa chọn các chỉ số cụ thể Do đó, trong bài toán này, chỉ chọn lựa 2 chỉ số đầu tiên là kiểu và số lượng của mục tiêu bất thường làm cơ sở để nghiên cứu theo nguyên tắc lựa chọn các yếu tố đạo đức như sau: phân biệt người đi bộ, xe không có động cơ, không phân biệt độ tuổi và giới tính, không phân biệt giá trị tài sản của xe. Đối với vấn đề pháp lý, ở Việt nam hiện nay chưa có quy định pháp luật về hoạt động của xe tự hành khi tham gia giao thông, nên trong nghiên cứu này tôi dựa trên các tài liệu quy định pháp luật về luật giao thông đường bộ để làm cơ sở cho việc phân tích pháp lý đối với trách nhiệm tai nạn giao thông Cụ thể trách nhiệm tai nạn giao thông khi có va cham tại ngã tư giao thông có đèn tín hiện hiện được xác định với các trường hợp như sau:

1 Trong trường hợp khẩn cấp và nguy hiểm, nếu đèn tín hiệu màu xanh và cho phép xe di chuyển nhưng mục tiêu bất thường đã vượt qua vạch đường trung tâm và đang ở trên lối dành cho người đi bộ, thì xe tự hành phải có nghĩa vụ nhường đường và tránh va chạm.

2 Nếu đèn tín hiệu xanh đã tồn tại trong một khoảng thời gian và mục tiêu bất thường không vượt qua đường trung tâm của lối đi bộ, thì lúc này trách nhiệm được xác định theo các tình huống cụ thể.

Việc phán quyết trách nhiệm tai nạn giao thông khi va chạm với mục tiêu bất thường trong khi di chuyển qua vạch dừng đèn tín hiệu và chuyển làn đường được xác định như sau: nếu quyết định thay đổi làn đường được đưa ra trong các điều kiện nguy hiểm được xác định là những rủi ro khẩn cấp, nếu quyết định đưa ra có thể đảm bảo tổng thiệt hại do thay đổi hưởng và có thể xảy ra va chạm nhỏ hơn so với việc không thay đổi làn đường thì quyết định thay đổi làn đường này sẽ được cho phép và bên gây ra các tình huống nguy hiểm phải chịu hoàn toàn trách nhiệm.

Tuy nhiên, khi thiệt hại do các vụ va chạm rất khó mô tả về mặt định lượng và cơ quan quản lý giao thông phụ thuộc vào kinh nghiệm để phán đoán và đưa ra quyết định trách nhiệm Để giảm độ phức tạp, chúng ta cho rằng các quyết định thay đổi làn đường đều đáp ứng đầy đủ và rõ ràng về các rủi ra khẩn cấp.

3.1.2 Xây dựng mô hình toán học cho mô-đun hỗ trợ ra quyết định điều khiển

Dựa trên thông tin thu nhận được của môi trường xung quanh, hệ thống điều khiển trung tâm sau khi phân tích lý luận logic và đưa ra quyết định cho điều khiển hoạt động của xe tự hành Mô-đun hỗ trợ ra quyết định điều khiển điều khiển được cho là có khả năng tự học để nó có thể được hoàn thiện trong quá trình tự học Do đó, toàn bộ quá trình hoạt động của mô-đun này được tách thành 2 phần riêng biệt, phần 1 là mô hình lý thuyết, trong phần này sẽ xét đến các yếu tố tác động của việc ra quyết định trong tình huống khẩn cấp với hành vi của các mục tiêu bất thường [46] Các yếu tố bao gồm các phương tiện tham gia giao thông, hệ thống đường giao thông, các yếu tố môi trường, cũng như các vấn đề về đạo đức và pháp lý được xem là các biến đầu vào của mô-đun hỗ trợ ra quyết định điều khiển và biến đầu ra của mô-đun này là quyết định hướng di chuyển của xe Phần thứ 2 là hệ thống thu thập dữ liệu, phần này được thực hiện bằng khảo sát, phỏng vấn với các tình huống khẩn cấp và nguy hiểm như bài toán đưa ra với mục đích cung cấp dữ liệu huấn luyện cho mô-đun hỗ trợ ra quyết định điều khiển này.

Tuy nhiên, khi phân tích về yếu tố đạo đức và pháp lý vẫn còn một số khái niệm chưa được rõ ràng để xây dựng các chỉ số đầu vào khi mô tả các quyết định điều khiển Trong bài toán này, để mô-đun hỗ trợ ra quyết định xử lý thông tin mờ và có khả năng tự học, thì mô-đun này sẽ được xây dựng dựa trên mạng nơ-ron mờ(FNN), cấu trúc mạng kết hợp nơ-ron mờ được phân thành 02 lớp mạng con, gồm:lớp mạng tiền đề và lớp mạng hệ quả (hình 3.2), trong mỗi lớp mạng này sẽ chia thành các lớp mạng con và quá trình thực nghiệm sẽ tiến hành đánh giá và so sánh với mạng nơ- ron lan truyền ngược (BNN) để chứng minh tính hiệu quả của giải pháp đưa ra.

Hình 3.2 Cấu trúc mô hình mạng kết hợp nơ-ron mờ (FNN)

Với việc kết hợp khả năng suy luận của hệ thống logic mờ (fuzzy logic) và khả năng tự học của mạng nơ-ron nhân tạo để hình thành mạng nơ-ron mờ (FNN) đã tạo nên một công cụ mạnh có khả năng giải quyết các bài toán bất định và phi tuyến Do kết quả của các luật mờ là một phương trình phi tuyến, nên trong quá trình xử lý các hệ thống đa biến thì số lượng các luật mờ có thể giảm một cách hiệu quả Đồng thời, việc kết hợp với phương pháp tự thích nghi dễ dàng hơn, nên giải pháp này được sử dụng rộng rãi trong lĩnh vực điều khiển thông minh và ra quyết định.

Xây dựng mô-đun thiết lập quỹ đạo chuyển động

3.2.1 Phát biểu bài toán Ý tưởng chính của bài toán xây dựng giải pháp lập quỹ đạo chuyển động là sử dụng phương pháp dựa trên điều khiển mô hình dự báo (MPC), trong đó tập ràng buộc được xây dựng như các mệnh đề logic, bao gồm các ràng buộc về vấn đề pháp lý và đạo đức của hành vi tham gia giao thông.

Căn cứ vào các điều khoản quy định khi tham gia giao thông của pháp luật nước Việt Nam, luận án này biểu diễn các mệnh đề logic để đưa ra tập ràng buộc khi tham gia giao thông như sau:

Luật 1 (R1): Nếu phát hiện có chướng ngại vật phía trước, thì xe phải giảm tốc độ di chuyển.

Luật 2 (R2): Nếu vượt qua xe khác, thì phải vượt về phía bên trái.

Luật 3 (R3): Nếu vượt qua xe khác về phía bên phải, thì phải thỏa mãn điều kiện là xe phía trước đang rẽ trái hoặc có tín hiệu rẽ trái.

Luật 4 (R4): Nếu đang di chuyển tại khu vực quy định cấm vượt thì không được vượt qua xe khác.

Luật 5 (R5): Nếu chuyển làn đường hoặc chuyển hướng, thì phải có tín hiệu báo rẽ hướng.

Luật 6 (R6): Nếu chuyển hướng, thì phải nhường đường khi phát hiện đối tượng phía trước là xe thô sơ và người đi bộ.

Luật 7 (R7): Nếu di chuyển trong khu dân cư thì vận tốc chuyển động của xe không vượt quá 50km/h và ngoài khu dân cư là 80km/h.

Luật 8 (R8): Nếu thực hiện thao tác chuyển làn đường và vượt xe, thì không được thực hiện thao tác này liên tục.

Tuy nhiên, vấn đề ra quyết định điều khiển chuyển động còn phụ thuộc vào nhiều tình huống, trạng thái khác nhau của các loại đối tượng và từ đó quỹ đạo chuyển động của xe được thiết lập phù hợp Do đó, đối với mỗi lớp đối tượng có thể được ánh xạ đến một lớp đồng luân duy nhất của quỹ đạo và để mô tả các lớp đồng luân này, chúng ta cũng sẽ xây dựng bằng các mệnh đề logic tương ứng Ví dụ, mệnh đề logic của lớp đồng luân diễn tả khi gặp chướng ngại vật như sau:

Luật 9 (R9): Xe đang chuyển động, nếu vượt xe khác thì phải vượt về phía bên trái hoặc bên phải.

Luật 10 (R10): Xe đang di chuyển nếu tránh chướng ngại vật, thì vượt bên trái hoặc bên phải của chướng ngại vật và giảm vận tốc di chuyển.

3.2.2 Xây dựng mô hình dự báo

Như chúng ta đã biết, bản chất của điều khiển dự báo là sử dụng mô hình tường minh của đối tượng để tính toán tối ưu các biến được điều khiển thông qua các phương pháp tối ưu hóa.

Cụ thể, để điều khiển dự báo cho một đối tượng, chúng ta cần thực hiện các bước sau: Xây dựng mô hình dự báo, xác định hàm mục tiêu và các điều kiện ràng buộc, cuối cùng là giải bài toán tối ưu Đồng thời một số điều kiện biết trước như thông tin liên lạc giữa các xe và các quỹ đạo tương lai được xác định [49] trong quá trình xây dựng quỹ đạo của kế hoạch chuyển động.

Với ý tưởng sử dụng mô hình dự báo và phần đầu tiên của mô hình xe được đề xuất với vector trạng thái 𝜔, vector điều khiển 𝑢 để làm cơ sở cho vấn đề nghiên cứu như sau:

𝑢 = [𝑎 𝑥 , 𝑎 𝑦 ] Trong đó, các giá trị 𝑠 𝑥 , 𝑠 𝑦 biểu diễn vị trí dọc và ngang, 𝑣 𝑥 , 𝑣 𝑦 là vận tốc và 𝑎 𝑥 ,

𝑎 𝑦 là gia tốc của xe theo các trục 𝑥, 𝑦 của xe trong hệ quy chiếu.

Từ đó, mô hình động lực học của xe được biểu diễn với các ma trận zero có kích thước phù hợp, như sau:

Trong bài toán này, giả định đưa ra rằng vector điểu khiển 𝑢 là một hàm hằng tại mỗi bước thời gian 𝜏 Do đó, mô hình động lực học của xe được biểu diễn xấp xỉ

0 0 với các giá trị ban đầu gồm vector trạng thái 𝜔(𝑘) và vector điều khiển 𝑢(𝑘) trong khoảng thời gian [𝑘𝜏, (𝑘 + 1)𝜏] như sau:

Nhằm đạt được hiệu quả tính toán với những hạn chế bởi hệ thống động học của xe cũng như các quy định về hướng chuyển động khi vượt chướng ngại vật trên đường, thì cần xét đến các ràng buộc về trạng thái 𝜔(.), tín hiệu điều khiển đầu vào

𝑢(.) và hướng chuyển động của xe 𝜃(.) phải thỏa mãn các điều kiện để khi xây dựng quỹ đạo chuyển động được khả thi như sau:

Trong đó, các giá trị cận trên và cận dưới được tính như sau:

Ngoài ra, trong bài toán này cần kết hợp thêm tập ràng buộc là các quy định về luật giao thông đường bộ Các quy định này được xét như các mệnh đề logic và sẽ thực hiện việc chuyển đổi thành tập các bất đẳng thức tuyến tính với các biến nguyên.

Cách thức chuyển đổi được thực hiện cụ thể như sau: trong mệnh đề các literal được biểu diễn như một câu lệnh không thể phân chia với một biểu thức tuyến tính trên các biến trạng thái Các literal sử dụng các phép toán logic như phép hội (∧), phép tuyển (∨), phép tuyển loại - XOR (⨁), phép kéo theo (→), phép tương đương (↔) và phép phủ định (𝐴̅) để biểu diễn Đồng thời, các literal này sẽ được biểu diễn như một biến nhị phân 𝛿( ) chỉ nhận giá trị 0 hoặc 1, nếu một mệnh đề đúng thì

𝛿( ) = 1, còn ngược lại là mệnh đề sai thì 𝛿( ) = 0.

Ví dụ để biểu diễn các luật ràng buộc quy định về tốc độ (R1), vận tốc di chuyển (R7) cùng với các ràng buộc về cấu trúc cơ học của xe như sau: Nhằm đảm bảo an toàn khi tham gia giao thông thì tại vị trí 𝑥 ∈ [200𝑚, 1000𝑚] tính từ vị trí xuất phát, sẽ giới hạn vận tốc chuyển động của xe là 𝑣 ≤ 50𝑘𝑚/ℎ (minh họa hình 3.7), thì sẽ có 3 literal được định nghĩa 𝑃 1 = [𝑥(𝑘) ≥ 200], 𝑃 2 = [𝑥(𝑘) ≤ 1000] và 𝑃 3 [𝑣 𝑥 (𝑘) ≤ 50], và mệnh đề logic được biểu diễn tại mọi thời điểm trong đoạn đường đó là ∀𝑘 ≥ 0, (𝑃 1 ∧ 𝑃 2 ) ⟹ 𝑃 3

Hoặc chúng ta biểu diễn sau khi gán một biến nhị phân 𝛿 𝑖 (𝑘) = 1 ⇒ 𝑃 𝑖 với 𝑖 ∈ {1,2,3} tại ∀𝑘 ≥ 0 như sau:

Bằng phương pháp Big-M [51], chúng ta có thể chuyển đổi bất đẳng thức (3.26), (3.27) và (3.28) thành như sau:

𝑣 𝑥 (𝑘) ≥ 50 − 𝑀(1 − 𝛿 3 (𝑘)) với 𝑀 là một hằng số dương có giá trị lớn Trong bài toán này, chọn ngẫu nhiên giá trị 𝑀 = 10Hình 3.7 Minh họa đoạn đường giới hạn tốc độ

Cho 𝐾 = 𝑇/𝜏 là số bước thời gian trong miền dự báo với 𝑇 là khoảng thời gian,

𝜔 = {𝜔(0), … , 𝜔(𝐾)} và 𝑢 = {𝑢(0), … , 𝑢(𝐾)} lần lượt là vector trạng thái,vector điều khiển quỹ đạo trong miền thời gian đã cho, thì 𝜔 𝑟 là quỹ đạo tham chiếu của xe có thể phụ thuộc vào thời gian, phụ thuộc vào trạng thái hoặc phụ thuộc vào các quy định về luật giao thông.

3.2.3 Xác định hàm mục tiêu Để xác định được hàm mục tiêu cho giải pháp này, thì cần phải đưa ra biến vector giá trị mới 𝛿(𝑘) = {0,1} 9

𝑚 và 𝛿 𝑟 , trong đó 𝛿(𝑘)là tập hợp của tất cả các biến nhị phân kết quả từ việc xây dựng lại các quy định về luật giao thông đường bộ thành các bất đẳng thức tuyến tính và 𝛿 𝑟 là quỹ đạo tham chiếu cho các biến nhị phân mà tại đây chúng ta có thể thực hiện các tùy chọn trên một số trạng thái nhị phân.

Như vậy, tại thời điểm 𝑡 = 0 thì bài toán tối ưu của mô hình dự báo với hàm mục tiêu có thể được viết như sau:

𝛿 (3.46) với các ma trận C, D, Q, R, S và W là các ma trận trọng số dương có kích thước phù hợp, ràng buộc cuối cùng (3.46) là tập tất cả các quy định về luật giao thông đường bộ thành các bất đẳng thức tuyến tính được biểu diễn trong ma trận.

Hàm mục tiêu (3.35) sẽ là bậc 2 nếu các giá trị 𝜔 𝑟 và 𝛿 𝑟 độc lập hoặc phụ thuộc tuyến tính vào các biến khác Do đó, việc giải bài toán tối ưu này sẽ dẫn đến việc quỹ đạo tối ưu toàn cục được sử dụng để sau đó sẽ chuyển đến bộ điều khiển ở mức thấp hơn trong việc theo dõi quỹ đạo này.

GIẢI PHÁP ĐỀ XUẤT HỖ TRỢ ĐIỀU KHIỂN AN TOÀN XE TỰ HÀNH

Cơ sở lý luận để xây dựng mô-đun

Về mặt lý thuyết, để xe tự hành có thể tránh được va chạm thì chúng ta cần phải tính toán và tìm ra tập trạng thái mà xe có thể gặp phải tình huống va chạm khi tham gia giao thông, sau đó thực hiện việc điều khiển chuyển động sao cho xe không di chuyển vào tập trạng thái đó Có nhiều nghiên cứu [42,43] thực hiện công việc này đã xác định tập trạng thái va chạm không thể tránh hoặc tập mục tiêu chuyển động Tuy nhiên, các nghiên cứu này không có giới hạn khả năng áp dụng hoặc đưa ra các giả định cho các kịch bản giao thông đơn giản, nên rất khó để phân tích tính toán Với giải pháp đề xuất trong chương này, luận án sử dụng ý tưởng xác định tập trạng thái va chạm không thể tránh với việc xác định tập các ràng buộc xác suất để tránh va chạm Đồng thời trong giải pháp này đã thực hiện kết hợp việc kiểm soát điều khiển vận tốc tay lái và tăng/giảm tốc độ để hiệu quả tránh va chạm được thực hiện tốt hơn, việc đưa ra ý tưởng kết hợp này xuất phát từ những nghiên cứu [25,48,54,63] trong quá trình xác định sự khác biệt của góc tay lái hay độ lệch của bánh xe trước để đạt được quỹ đạo an toàn.

Trong nhiều nghiên cứu về phương pháp điều khiển dự báo (MPC) được áp dụng điều khiển phương tiện tự hành [54], như cách tiếp cận MPC để lập kế hoạch chuyển động dựa trên các chuyển động cơ bản của xe và theo dõi đường đi để tránh chướng ngại vật, hay cách tiếp cận MPC không có các điều kiện ràng buộc và xác định độ ổn định của xe với môi trường xung quanh để đưa ra góc điều khiển lái an toàn ở tốc độ không đổi trong môi trường rời rạc, thì cách tiếp cận MPC được áp dụng trong luận án này để xây dựng các mô-đun có thể xử lý các tình huống phức tạp với các thao tác điều khiển lái, tăng/giảm tốc độ chuyển động của xe và tránh chướng ngại vật di động ở một mức độ nào đó trong môi trường không chắc chắn.

Hàm chi phí của hầu hết các phương pháp MPC [18,54] thường phụ thuộc vào thời gian và các ràng buộc về đường đi, nên cần được chỉ định tối ưu trước cho các bước thời gian cụ thể hoặc tạo ra và theo dõi chuyển động cố định của xe, điều này dẫn đến sự khác biệt kết quả từ các điều kiện ban đầu của tối ưu hóa có thể mang lại các ràng buộc tuyến tính không hợp lệ và việc lập kế hoạch chuyển động không thể dự đoán Do đó, trong mô-đun hỗ trợ điều khiển này sẽ áp dụng phương pháp xử lý điểm trong [3] và giải trực tiếp bài toán điều khiển dự báo dựa trên mô hình phi tuyến bằng cách tập trung vào việc cung cấp tất cả các chi phí, ràng buộc cho bộ giải mã không cần phải tuyến tính thủ công. Để có cơ sở xây dựng các mô-đun hỗ trợ điều khiển nhằm nâng cao tính năng an toàn cho xe tự hành như bài toán ban đầu đã đặt ra trong luận án này, chúng ta cần phải xây dựng các mô hình tuyến tính trong cấu trúc xe tự hành như sau.

Từ mô hình động học của xe (hình 1.5) đã xây dựng ở chương 1, với góc lái trước δ là sự truyền động duy nhất Để thực hiện bài toán tối ưu của độ lồi δ, thì tốc độ dọc xe U x là không được phép thay đổi, mặc dù bộ điều khiển bên ngoài có thể được sử dụng để theo dõi cấu hình tốc độ mong muốn, tốc độ trên khoảng cách dự báo được giả định là cố định khi xây dựng mô hình quy trình. Để xây dựng mô hình tuyến tính thì phương pháp tuyến tính phổ biến nhất là giả định góc nhỏ (khi δ < 5 0 và cos(δ) ≈ 1), khi đó mô hình động học phi tuyến của xe có thể viết lại như sau:

Tuy nhiên, trong trường hợp khi xe chuyển động theo hướng có độ cong lớn, thì góc lái có thể rất lớn và như vậy việc giả định góc lái nhỏ là không hợp lệ, đồng thời mô hình được biểu diễn bởi (4.1) và (4.2) sẽ không mô phỏng được phản ứng của xe ở những điều kiện vận hành hoạt động của xe.

Xem xét các giả định sau:

Giả định 1: Giả sử gia tăng góc lái được cố định ở tất cả các bước trên mỗi khoảng cách dự báo và không phụ thuộc vào chuỗi điều khiển 𝑢( ), nghĩa là:

△ 𝛿 𝑎 (𝑘 + 𝑖) = ∆𝛿 𝑁 𝑃 với 𝑖 = 0, … , 𝑁 𝑃−1 (4.3) Trong đó, △ 𝛿 𝑎 (𝑘 + 𝑖) là mức tăng góc lái ở bước thứ 𝑖 + 1 và ∆𝛿 𝑁 𝑃 là mức tăng cố định tương ứng và sẽ được xác định sau.

Giả định 2: Giả sử phương tiện sẽ di chuyển đến điểm mong muốn ở bước 𝑁 𝑃 của khoảng cách dự báo và sau đó sẽ hoạt động trên quỹ đạo mà không bị lệch Vì vậy, hoạt động của xe ở bước 𝑁 𝑃 được giả sử ở trạng thái ổn định, do đó:

Trong đó: 𝑒 𝑎 là độ lệch ngang, 𝛿 𝑎 là góc lái, 𝛼[ 𝑓,𝑟],𝑎 là góc trượt bánh xe, 𝛿 𝑠𝑠 và

𝛼[ 𝑓,𝑟],𝑠𝑠 là góc lái ở trạng thái ổn định và góc trượt bánh xe tương ứng.

Trong điều kiện hoạt động của xe khi vào các góc cua ở trạng thái ổn định thì thiết lập giá trị 𝑟̇ = 0 trong biểu thức (2.9), lúc này lực của bánh xe trước và sau được tính như sau:

Do đó, góc lái tại trạng thái ổn định liên quan đến vấn đề trượt ngang bánh xe trước và sau bằng động học của xe thông qua biểu thức sau:

Trong đó, 𝐿 = 𝑎 + 𝑏 là chiều dài cơ sở của xe (là khoảng cách giữa trục trước và trục sau của xe), 𝛼 𝑓,𝑠𝑠 và 𝛼 𝑟,𝑠𝑠 có thể được tính bởi mô hình bánh xe nghịch đảo

Theo các giả định ở trên thì giả thiết gia tăng góc lái có thể được tính như sau:

Như vậy, có thể thấy rằng khi khả năng vận tốc của xe thay đổi thì mức tăng góc lái được xác định như sau:

𝑠𝑖𝑔𝑛(∆𝛿) ∆𝛿 𝑚𝑎𝑥 và góc lái giả định ở mỗi khoảng cách dự báo là:

Kết hợp (4.12) với (1.1) và (1.2) sẽ có một phiên bản tuyến tính mới cho mô hình xe phi tuyến như sau:

𝑎𝐹 𝑦𝑓 (k + i) cos(𝛿 𝑎 (𝑘 + 𝑖)) − 𝑏𝐹 𝑦𝑟 (𝑘 + 𝑖) 𝑟̇(𝑘 + 𝑖) 𝐼 𝑧𝑧 (4.14) với 𝑖 = 0, … , 𝑁 𝑃 − 1 Đối với mô hình bánh xe, thì lực ngang bánh trước được coi là đầu vào điều khiển và động lực phi tuyến của lực bánh xe sau phải được tính toán chính xác để chắc chắn xấp xỉ mô hình dự báo với bài toán tối ưu tuyến tính Theo nghiên cứu

[23], giả định rằng độ cứng chống xoay bánh xe là một hằng số trong khoảng cách dự báo Từ đó, đưa ra giải pháp tuyến tính hóa liên tục trực tuyến bằng các kết hợp thông tin về thời gian 𝑘 và bước 𝑁 𝑃 của khoảng cách dự báo để dự báo chính xác sự lan truyền của lực ngang bánh xe.

Trong mô hình tuyến tính, độ cứng chống xoay bánh xe trên khoảng cách dự báo được tính như sau:

𝑟 𝛼̅ 𝑟,𝑠𝑠 − 𝛼̅ 𝑟 do đó, biểu thức gần đúng cho lực ngang bánh sau dự báo là:

Trong đó, 𝛼 𝑟 (𝑘 + 𝑖) là góc trượt bánh sau và có thể được tính bởi phương trình

Như vậy, các phương trình tuyến tính kết quả cho phương trình chuyển động được mô tả như sau:

Trong mô hình chuyển động, việc tạo các xấp xỉ góc nhỏ cho 𝛽 và ∆𝜓, như sau: Δ𝜓̇(𝑘 + 𝑖) = 𝑟(𝑘 + 𝑖) − 𝑈 𝑥 𝜅(𝑘 + 𝑖) 𝑒̇(𝑘 + 𝑖) = 𝑈 𝑥 (𝛽(𝑘 + 𝑖) + Δ𝜓(𝑘 + 𝑖))

Do giả định tốc độ không thay đổi trên khoảng dự báo, thì khoảng cách dọc theo quỹ đạo có thể đưa một một tiên nghiệm như sau:

Xây dựng mô-đun điều khiển theo dõi chuyển động

Bài toán của mô-đun điều khiển theo dõi chuyển động được xây dựng với mục tiêu kiểm soát điều hướng, với mong muốn quá trình chuyển động của xe tự hành được chính xác và ổn định, cũng đóng một vai trò quan trọng trong nhiệm vụ điều khiển hoạt động chuyển động của xe, đặc biệt khi xe hoạt động ở tốc độ cao Giải pháp thiết kế cụ thể của mô-đun điều khiển theo dõi chuyển động này là thực hiện việc kết hợp các yếu tố không chắc chắn biến đổi theo thời gian đến các dự báo chướng ngại vật di dộng vào trong bài toán tối ưu hóa, đồng thời đưa ra các ràng buộc cho giới hạn đường biên và chướng ngại vật di động mà vẫn duy trì được kế hoạch chuyển động của xe trong một khoảng thời gian giới hạn.

Bài toán được đưa ra cho mô-đun này là sử dụng độ lệch hướng chuyển động ban đầu Δ𝜓 như là một trạng thái tham chiếu điều khiển không làm tăng công suất của xe đến mức cực đại Độ lệch hướng Δ𝜑 là góc giữa vector vận tốc xe và hướng chuyển động, biểu thị độ lệch thực hướng chuyển động của xe và cũng chỉ hướng của độ lệch ngang xe (như hình 4.1), khi độ trượt bên 𝛽 nhỏ và Δ𝜓 gần với giá trị Δ𝜑, thì bộ điều khiển dựa trên Δ𝜓 có thể giữ độ lệch theo dõi trong phạm vi nhỏ. Tuy nhiên, khi sự khác biệt giữa Δ𝜓 và Δ𝜑 lớn, đặc biệt gần với giới hạn xử lý mà góc trượt bánh xe sau cao và tỷ lệ chênh lệch cao thì dẫn đến giá trị trượt bên 𝛽 cao.

Bộ điều khiển dựa trên Δ𝜓 sẽ không giảm thiểu độ lệch theo dõi, điều này đặc biệt quan trọng đối với khi xe di chuyển qua góc cua có giới hạn về mặt vật lý của ma sát bánh xe, trong đó độ dốc 𝛽 của xe có thể đạt tới 5 0 và không thể bỏ qua ở mức độ này.

Hình 4 1 Mối quan hệ giữa độ lệch hướng, góc trượt và hướng chuyển động Theo nguyên lý động học của xe, độ lệch hướng được tính như sau:

Do độ lệch ngang không ở trạng thái ổn định nên giá trị Δ𝜑 cần thiết phải bằng 0 và giá trị của Δ𝜓 là khác 0 Do đó, độ lệch hướng trực tiếp Δ𝜑 nên được chọn làm trạng thái tham chiếu khi thiết kế bộ theo dõi chuyển động.

Bằng việc sử dụng phương pháp rời rạc giữ mẫu bậc 0, chúng ta có thể lấy mô hình xe rời rạc từ phương trình (4.17)-(4.22), như sau: x(k + 1) = A c x(k) + B F yf F yf (k) + 𝐵 𝜅 (𝑘) + 𝑑 𝛼̅ 𝑟 (4.24) Trong đó: 𝑥 = [𝛽 𝑟 Δ𝜓 𝑒]𝑇 là vector trạng thái, và

[ 0 ] Áp dụng tác động tích phân để loại khoảng trống tĩnh do tính không chắc chắn của mô hình gây ra và mô hình rời rạc có thể được viết dưới dạng tăng dần như sau:

Trong đó: 𝜉(𝑘) = [𝑥(𝑘) 𝐹𝑦𝑓(𝑘 − 1)]𝑇 là vector trạng thái mở rộng

𝜂(𝑘) = [Δ𝑓(𝑘) 𝑒(𝑘)]𝑇 là vector đầu ra và 𝐴 𝑐

Mục tiêu điều khiển là đưa đến kết quả tối ưu đầu vào lực phía trước 𝐹 𝑦𝑓 (𝑘) bằng bộ điều khiển chuyển động, sao cho độ lệch hướng chuyển động ngang xe được giảm thiểu và xe duy trì độ ổn định ở giới hạn có thể xử lý.

Trong quá trình xây dựng mô hình, việc thiết kế các ràng buộc an toàn được xác định bởi giới hạn của 2 chỉ số quan trọng về độ ổn định của xe Theo các giả định đối với vấn đề khi di chuyển vào góc cua ở trạng thái ổn định và mô hình bánh xe đã cho, các giới hạn của 𝛽 và 𝑟 phản ánh khả năng cực đại của bánh xe Hệ số trượt ở trạng thái ổn định cực đại có thể được biểu thị như sau:

Trong đó: 𝑔 là trọng lực của xe

Với hệ số trượt 𝑟, độ trượt mặt bên 𝛽 của xe đạt đến mức cực đại khi lực tác động lên bánh xe sau đạt đến mức độ bão hòa, do đó:

𝐶 𝛼 𝑟 𝑎 + 𝑏 sau. với 𝛼 𝑟,𝑠𝑎𝑡 là góc trượt bánh xe bão hòa và 𝐶 𝛼 𝑟 là độ cứng chống xoay bánh xe Các ràng buộc trên có thể được thể hiện thông qua bất đẳng thức sau:

Như vậy, bài toán tối ưu cho điều khiển mô hình dự báo có thể được viết lại như sau: min 𝐽 = ∑𝑁𝑃 (𝜂(𝑘 + 𝑖)) 𝑇 𝑄𝜂(𝑘 + 𝑖) + ∑𝑁𝐶 𝑅 (Δ𝐹 (𝑘 + 𝑖)) + 𝑊𝜀2

Trong đó ∆𝐹 𝑦𝑓 = [∆𝐹 𝑦𝑓 (𝑘), ∆𝐹 𝑦𝑓 (𝑘 + 1), … , ∆𝐹 𝑦𝑓 (𝑘 + 𝑁 𝐶 − 1)] là chuỗi các mức tăng đầu vào trong tương lai và 𝑄, 𝑅 𝑣à 𝑊 là ma trận trọng số có kích thước phù hợp ∆𝐹 𝑦𝑓,𝑚𝑎𝑥 và 𝐹 𝑦𝑓,𝑚𝑎𝑥 là khả năng thay đổi tốc độ và lực ngang xe cực đại.

Do |𝐻 𝑣 𝜉(𝑘)| ≤ 𝐺 𝑣 dựa trên các giả định trạng thái ổn định, là trạng thái phương tiện có thể vượt qua giới hạn và vẫn quay trở lại trong phạm vi giới hạn sau một khoảng hoạt động ngắn Để đảm bảo bài toán tối ưu luôn khả thi thì cần sử dụng thêm biến bù không âm 𝜀 𝑣 , lúc này vector nghiệm của bài toán tối ưu trong (4.32) được mở rộng như sau:

Tối ưu đầu vào của lực ngang phía trước có đạt được hay không thì phụ thuộc vào yếu tố đầu tiên của chuỗi giải pháp tối ưu sau:

Ngoài ra, góc lái 𝛿 sẽ được áp dụng cho xe, bằng cách ánh xạ 𝐹𝑁𝐶

4.2.3 Mô phỏng thực nghiệm mô-đun theo dõi chuyển động

Quá trình mô phỏng thực nghiệm được tiến hành với 2 kịch bản trên 2 mô hình đường đi khác nhau (Hình 4.2a và 4.2b) có thiết kế các độ cong góc khác nhau, cấu trúc đường đi được phân thành 3 đoạn, điểm giữa của mỗi đoạn được xác định dùng để đánh giá so sánh.

(b) Hình 4 2 Cấu trúc đường trong mô phỏng Áp dụng mô hình phi tuyến về cấu trúc động học của xe (1.1) và (1.2), mô hình bánh xe (1.4), mô hình theo dõi hướng chuyển động (1.8)-(1.10) để tính toán trạng thái của xe Trong bài toán này, áp dụng phương pháp Stanley [8] để theo dõi hướng chuyển động mong muốn ở cả 2 kịch bản mô phỏng với mô hình có tốc độ xe không đổi và quy định điều khiển góc lái được tính như sau:

𝑈 𝑥 Trong đó: 𝑘 𝑝 là tham số độ lợi.

Việc mô phỏng được thực hiện với thời gian lấy mẫu 𝑇 𝑠 = 0.02𝑠 Đồng thời, cần có sự cân bằng giữa hiệu suất điều khiển và độ phức tạp tính toán nên giá trị 𝑁 𝑐

= 30 và 𝑁 𝑃 = 60 được thiết lập, các ma trận trọng số đươc điều chỉnh thông qua mô phỏng và các giá trị này được xác định như sau:

Góc lái mô phỏng và lực ngang tương ứng phía trước được thiết lập trong kịch bản 1 là 𝑅 = 30𝑚 và 𝑈 𝑥 = 45𝑘𝑚/ℎ, với kịch bản 2 thì 𝑅 = 8𝑚 và 𝑈 𝑥 = 25𝑘𝑚/ ℎ.

Xây dựng mô-đun hỗ trợ điều khiển chuyển động

Nhằm đáp ứng tiêu chuẩn an toàn khi tham gia giao thông trong môi trường phức tạp, công cụ hỗ trợ điều khiển đang là vấn đề cần được quan tâm nhằm tạo ra những chuyển động an toàn cho xe tự hành Mô-đun hỗ trợ điều khiển chuyển động được xây dựng nhằm tạo ra quỹ đạo chuyển động an toàn cho xe, việc thiết kế mô- đun hỗ trợ điều khiển này có 02 mục tiêu chính: thứ nhất là can thiệt tối thiểu - nghĩa là chỉ áp dụng kiểm soát tự trị khi cần thiết, thứ hai là đảm bảo an toàn - nghĩa là trạng thái không va chạm của xe được thực thi rõ ràng thông qua các ràng buộc tối ưu.

Bài toán của mô-đun hỗ trợ điều khiển chuyển động được thực hiện bằng điều khiển dự báo dựa trên mô hình điều khiển dự báo phi tuyến và tối ưu hệ thống hỗ trợ lái bằng hệ thống lái cùng với gia tốc của xe Để thực hiện cần có các giả định về vị trí hiện tại của xe, ranh giới đường, các phương tiện phía trước và những dự báo không chắc chắn về tình trạng của xe trong tương lai dưới dạng phân bố hậu nghiệm được tham số hóa bằng giá trị trung bình và hiệp phương sai của chúng là được biết trước Cụ thể cho giải pháp trong luận án này, sẽ thực hiện việc kết hợp các yếu tố không chắc chắn biến đổi theo thời gian đến các dự báo chướng ngại vật di dộng vào trong bài toán tối ưu hóa, đồng thời đưa ra các ràng buộc cho giới hạn đường biên và chướng ngại vật di động mà vẫn duy trì được kết hoạch chuyển động của xe trong một khoảng thời gian giới hạn.

Giải pháp thực hiện để xây dựng mô-đun với 02 nguyên tắc cơ bản: thứ nhất là can thiệp tối thiểu, thứ hai là đảm bảo tính an toàn nghĩa là xác suất va chạm liên quan đến môi trường xung quanh và những đối tượng tham gia giao thông khác phải nằm dưới ngưỡng nhất định.

Và bài toán này được thực hiện trong các khoảng thời gian rời rạc 𝑘 ≜ 𝑡 𝑘 , với

𝑡 𝑘 = 𝑡 0 + ∑𝑘∆𝑡 𝑖 (𝑡 0 là thời gian hiện tại, ∆𝑡 𝑖 là bước thời gian thứ i của kế hoạch).

Tại khoảng thời gian 𝑘, với các giá trị về vị trí 𝑠 𝑘 = (𝑥 𝑘 , 𝑦 𝑘 ), vận tốc tuyến tính

𝑣 𝑘 , hướng di chuyển của xe ∅ 𝑘 và góc lái 𝛿 𝑘 , thì mô hình toán học của xe được xác định bởi tập 𝑧 𝑘 = [𝑠 𝑘 , ∅ 𝑘 , 𝛿 𝑘 , 𝑣 𝑘 ] ∈ ℤ.

Giả sử ℬ(𝑧 𝑘 ) ⊂ ℝ 2 là khu vực bị chiếm giữ của xe ở trạng thái 𝑧 𝑘 (minh họa ở hình 4.4, với phương tiện tự hành được mô hình hóa bằng các hình tròn liên kết), các giá trị đầu vào điều khiển sử dụng vận tốc lái

𝑢 𝑘 = [𝑢 𝛿 , 𝑢 𝑎 ] ∈ 𝒰. và gia tốc 𝑎 𝑘 được gán bởi giá trị

Hình 4.4 Mô hình hóa xe tự hành và các phương tiện khác

Như vậy, trạng thái tương lai của xe được thể hiện bằng một hệ thống động học rời rạc như sau:

𝑧 𝑘+1 = 𝑓(𝑧 𝑘 , 𝑢 𝑘 ) Với các đối tượng tham gia giao thông khác như xe ôtô các loại, xe đạp, người đi bộ gọi chung là các đối tượng khác sẽ được gán bởi chỉ số 𝑖 = {1, … , 𝑛}, thì đầu vào điều khiển và thông số cấu hình của đối tượng đó được xác định bởi giá trị

ℤ 𝑖 và 𝑢 𝑖 ∈ 𝒰 𝑖 Để kết hợp tính không chắc chắn thì cần phải giả sử phân phối trạng thái tương lai của các đối tượng tại 𝑚 khoảng thời gian tương lai là đã biết, các phân phối nàyđược tham số hóa giá trị trạng thái trung bình 𝑧 𝑖 và hiệp phương sai 𝜎 𝑖 Do đó,

𝑘 mức độ không chắc chắn trong dự báo có thể được phản ánh thông qua giá trị hiệp phương sai 𝜎 𝑖

Tại mỗi trạng thái nhất định, mỗi đối tượng tham gia giao thông sẽ chiếm một khoảng không gian ℬ 𝑖 (𝑧 𝑖 , 𝜎 𝑘 𝑘 𝑖 , 𝑝 𝜖 ) ⊂ ℝ 2 có xác suất lớn hơn 𝑝 𝜖 (𝑝 𝜖 là xác suất va chạm có thể xảy ra được chấp nhận), mô hình của đối tượng và khoảng không gian chiếm giữ này được thể hiện ở hình 4.4.

Khoảng không gian tự do được xác định trong bài toán này là không gian làm việc 𝒲 = ℝ 2 và bản đồ vị trí các chướng ngại vật 𝒪 ⊂ 𝒲 chứa các chướng ngại vật tĩnh như giới hạn của đường giao thông, các hệ thống dãi phân cách đồng thời, môi trường xung quanh ℰ(𝑘) được xác định là trạng thái của các đối tượng khác

(bao gồm các phương tiện tham gia giao thông, chướng ngại vật) tại thời điểm 𝑘.

Giải pháp trong mô-đun này đưa ra là xây dựng một tối ưu hóa có ràng buộc về thời gian rời rạc chung ở 𝑚 bước thời gian, với khoảng giới hạn thời gian

𝑘=1∆𝑡 𝑘 , trong đó tập 𝑧 0:𝑚 = [𝑧 0 , … , 𝑧 𝑚 ] ∈ ℤ 𝑚+1 là tập các trạng thái và tập đầu vào

Như vậy, mục tiêu của giải pháp là tính toán các giá trị đầu vào tối ưu 𝑢 ∗ cho xe tự hành với việc cực tiểu hàm chi phí 𝐽̂ ℎ (𝑢 0:𝑚−1 , 𝑢 ℎ ) + 𝐽̂ 𝑡 (𝑧 0:𝑚 , 𝑢 0:𝑚−1 ).

Trong đó: 𝐽̂ ℎ (𝑢 0:𝑚−1 , 𝑢 ℎ ) là chi phí cực tiểu nhằm giảm thiểu độ lệch so với giá trị đầu vào 𝑢 ℎ , và 𝐽̂ 𝑡 (𝑧 0:𝑚 , 𝑢 0:𝑚−1 ) là chi phí phụ thuộc vào các thuộc tính của quỹ đạo theo kế hoạch chuyển động.

Vấn đề tối ưu này tuân theo một tập các ràng buộc: thứ nhất là sử dụng mô hình chuyển tiếp của xe, thứ hai là ràng buộc không va chạm với các chướng ngại vật tĩnh và thứ ba là xác suất không xảy ra va chạm 𝑝 𝜖 với các đối tượng tham gia giao thông khác.

Và quỹ đạo tối ưu của xe được đưa ra như sau:

𝑧 𝑖 , 𝛿 𝑖 với 𝑖 = 1, … , 𝑚: là các tham số cho tất cả những đối tượng tham gia

0:𝑚 0:𝑚 giao thông khác, 𝑧 0 là trạng thái ban đầu của xe.

Giải pháp được xây dựng để tính toán việc tạo ra quỹ đạo chuyển động an toàn với một miền thời gian được xác định trước Vấn đề tối ưu được ràng buộc bởi các giá trị về chi phí, mô hình chuyển tiếp, duy trì chuyển động của xe trong giới hạn của dãi phân cách làn đường và tránh va chạm với các đối tượng tham gia giao thông khác theo nghĩa phải bảo đảm xác suất va chạm dưới giá trị 𝑝 𝜖

Trong các giải pháp sử dụng mô hình dự báo của các nghiên cứu trước đây [54], các tác giả thường sử dụng các yếu tố như tốc độ dọc xe không đổi và các giả định góc nhỏ trong các kịch bản tránh chướng ngại vật trên các đoạn đường thẳng. Trong giải pháp xây dựng mô-đun này, sẽ xét đến tác động của việc kiểm soát tốc độ dọc xe, nhằm đảm bảo yếu tố an toàn một cách tổng quát trong môi trường giao thông phức tạp.

Hình 4.5 Mô hình động học của xe

Mô hình xe trong giải pháp này đưa ra với bánh sau cố định và quá trình điều khiển chuyển động nằm ở bánh xe trước với các trạng thái 𝑧 và 𝑢 được thiết lập tại đây, đồng thời việc điều khiển chuyển động bánh sau thông qua cầu trung tâm với khoảng cách 𝐿 và mô hình động học liên tục, mô hình chuyển động này được mô tả bởi một mô hình thời gian rời rạc với phép lấy tích phân 𝑧 𝑘+∆𝑡 𝑘 𝑘+1 = 𝑧 𝑘 +

Trong mô hình này các giới hạn được áp dụng bao gồm góc lái ‖𝛿‖ ≤ 𝛿 𝑚𝑎𝑥 , tốc độ lái ‖𝑢 𝛿 ‖ ≤ 𝛿 𝑚𝑎𝑥 và tốc độ dọc xe 𝑣 ≤ 𝑣 𝑚𝑎𝑥 Việc đưa ra những giới hạn này nhằm phù hợp với hiệu suất hoạt động của xe và các quy tắc về giao thông đường bộ, cũng như một số giới hạn sẽ được đặt ra nhằm đảm bảo an toàn như giới hạn tốc độ khi chuyển động vào các góc cua bằng cách giới hạn hệ số trượt ‖∅‖ ≤ ∅ 𝑚𝑎𝑥 và giới hạn việc tăng tốc độ cực đại một cách nhanh chóng bằng giới hạn gia tốc xe 𝑢 𝑎

Xây dựng mô-đun lập kế hoạch chuyển động dự phòng

Vấn đề phát triển các hệ thống hỗ trợ điều khiển đã làm giảm đáng kể mối nguy hiểm từ những trường hợp va chạm từ phía sau khi tham gia giao thông.Nhưng thực tế, khi di chuyển với vận tốc lớn thì thời gian xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp nhằm tránh chướng ngại vật, với tình huống như vậy, để kế hoạch chuyển động được an toàn thì việc thay đổi quỹ đạo chuyển động bằng các kế hoạch chuyển động dự phòng được thực hiện nhằm đảm bảo tránh các va chạm có thể xảy ra.

Bài toán lập kế hoạch chuyển động dự phòng được xây dựng nhằm đáp ứng an toàn trong mọi tình huống tham gia giao thông, đối với bài toán này thì quỹ đạo chuyển động của các đối tượng tham gia giao thông khác cần phải biết trước, từ đó xây dựng đường đi tối ưu dựa trên các đánh giá khả năng di chuyển của các đối tượng tham gia giao thông khác trong một khoảng thời gian nhất định, sau đó với mỗi quỹ đạo di chuyển sẽ tính toán các thao tác khẩn cấp thích ứng Bài toán này vẫn gặp những thách thức khó khăn khi giải quyết như: Sự hiện diện của những chướng ngại vật di động, tác dụng kết hợp giữa động lực bên trong và cấu tạo của xe, chu kỳ lập kế hoạch và thời gian phản hồi không phù hợp. Để giải quyết bài toán cho mô-đun lập kế hoạch chuyển động dự phòng, luận án sẽ thực hiện tiếp cận giải pháp điều khiển dự báo dựa trên mô hình kết hợp với các mô hình về động học của xe để xây dựng mô-đun.

Mô-đun lập kế hoạch chuyển động dự phòng được thực hiện nhằm đảm bảo an toàn cho xe tự hành bằng cách xây dựng một đường đi tối ưu dựa trên các đánh giá khả năng di chuyển của các đối tượng tham gia giao thông khác trong một khoảng thời gian nhất định, sau đó với mỗi quỹ đạo di chuyển sẽ tính toán các thao tác khẩn cấp thích ứng.

Như đã trình bày ở chương 1, với bản chất của điều khiển mô hình dự báo (MPC) là sử dụng mô hình đối tượng để dự báo đầu ra của đối tượng tại các thời điểm tương lai (còn gọi là miền dự báo tín hiệu ra) và tính toán chuỗi tín hiệu điều khiển trên cơ sở cực tiểu hàm mục tiêu, đồng thời sử dụng chiến lược tầm xa tức là ở mỗi thời điểm chỉ có tín hiệu điều khiển đầu tiên trong chuỗi được đưa vào sử dụng, giới hạn dự báo đều dịch chuyển về tương lai sau mỗi lần tính Tuy nhiên, các thuật toán đề xuất cho mô hình điều khiển dự báo [27] sẽ không trực tiếp đưa ra các quỹ đạo vào hệ chuyển động của xe, đây là một lợi thế cần thiết khi sử dụng mô hình dự báo và điều này đã tạo điều kiện cho việc tối ưu mô hình dự báo như một chu kỳ có thời gian dài để việc lựa chọn các phương án nhằm đảm bảo không gây nguy hiểm cho sự ổn định của toàn hệ thống Ngoài ra, mô hình dự báo có thể được thiết kế để kết hợp với các thuộc tính ràng buộc có liên quan của xe nhằm tạo thuận lợi cho tối ưu quá trình nhanh Với ý tưởng như vậy, giải pháp đưa ra đã sử dụng mô hình điều khiển dự báo sau để làm cơ sở cho việc xây dựng mô-đun này.

Phần đầu tiên của mô hình dự báo được đề xuất như sau:

𝛿̇ = 𝑢 1 𝑣̇ = 𝑢 2 Trong đó: ký hiệu 𝑥̇ là đại diện cho đạo hàm đầu tiên của 𝑥; 𝑆 𝑥 , 𝑆 𝑦 và 𝑣 là vị trí tham chiếu của xe và vận tốc tương ứng; 𝜃 biểu thị hướng di chuyển của xe; 𝛿 là góc đảo lái của bánh xe; vận tốc và đạo hàm theo thời gian của vận tốc xe đóng vai trò là đầu vào 𝑢 1 và 𝑢 2 của hệ thống.

Phương trình (4.58) là mô hình tuyến tính biểu diễn trạng thái ổn định, có tham số duy nhất là vận tốc đặc trưng 𝑣 𝑐ℎ được tính như sau:

Trong đó: m là khối lượng của xe; 𝑐 𝑟 và 𝑐 𝑓 là độ chống xoay của bánh xe phía sau và phía trước (độ cứng này thường được đánh giá tại góc trượt bánh xe bằng 0);

𝑙 𝑟 và 𝑙 𝑓 là khoảng cách giữa trục sau và trực trước với trọng tâm của xe (𝑙 = 𝑙 𝑟 + 𝑙 𝑓 : là chiều dài của xe).

Mô hình này có những ưu điểm như sau: không có điểm kỳ dị tại 𝑣 = 0 và cho phép phanh dừng xe hoàn toàn, đồng thời hệ thống động học không cứng nên các bước thời gian mô phỏng của bộ giải mã có kích thước khá lớn, do đó tốc độ tối ưu của mô hình tăng lên.

Giá trị của đường cong tham chiếu được xác định tại đây là các đường biên của làn đường

Vì quỹ đạo của xe có thể lệch khỏi đường chuẩn trong quá trình tránh chướng ngại vật, nên mô hình này không thể chuyển thành tuyến tính các hoạt động như vậy Đối với đường cong tham chiếu có hình dạng tùy ý thì phương pháp mô phỏng chuyển tiếp này có hiệu quả hơn so với việc thực hiện các phép chiếu hình học. Để tính toán những hạn chế của lực kéo bánh xe, hệ thống dẫn động của xe cũng như quy định hướng đi khi vượt chướng ngại vật, thì một số ràng buộc cần đặt ra khi xây dựng quỹ đạo Các ràng buộc được thiết lập về trạng thái và đầu vào phải được thỏa mãn các điều kiện sau:

𝑢 2 ∈ [𝑎 𝑚𝑖𝑛 , 𝑎 𝑚𝑎𝑥 ] u 1 ∈ [δ̇ min , δ̇ max ] δ ∈ [δ min , δ max ] d r ∈ [d r,min , d r,max ] (S y , S y ) ∈ lanes

Trong đó: (4.65) và (4.66) là các ràng buộc vật lý về các giá trị của vận tốc và gia tốc; (4.67) và (4.68) là các ràng buộc về hệ thống tích hợp trợ lực lái, những ràng buộc này hỗ trợ cho việc tạo ra quỹ đạo chuyển động của xe được đa dạng hơn; (4.69) và (4.70) là ràng buộc về giới hạn làn đường, ràng buộc này nhằm giúp cho xe không thoát khỏi ranh giới làn đường; các thông số cho vận tốc cực đại 𝑣 𝑚𝑎𝑥 , gia tốc 𝑎 𝑚𝑖𝑛 và 𝑎 𝑚𝑎𝑥 , góc lái 𝛿 𝑚𝑖𝑛 và 𝛿 𝑚𝑎𝑥 được xác định trước. Để kiểm soát tình trạng văng ngang đuôi xe (còn gọi là trượt ngang bánh xe), thì tổng lực ma sát giữa lốp xe và bề mặt đường phải không vượt quá một giá trị tối đa, điều này dẫn đến động lực của toàn bộ xe cũng bị giới hạn tương tự Như vậy, để phù hợp với phép đo vector gia tốc xe [𝑎 , 𝑎 ]𝑇 = [𝑣𝜃̇, 𝑢 ] 𝑇 phải nằm trong hình elip trung tâm được xác định bởi nửa trục 𝑐 𝑛 và 𝑐 𝑡 (Hình 4.8), do đó:

Hình 4.11 Vết tiếp xúc hình elip được tạo ra từ lực kéo ngang và dọc xe

𝑛 𝑡 2 Để xử lý trong các trường hợp có chướng ngại vật, mặc dù việc tính toán chi phí cho các vùng lân cận để đảm bảo hội tụ là không đơn giản, nhưng vấn đề này vẫn mang lại nhiều ưu điểm hơn so với các ràng buộc chặt chẽ để chống va chạm, trong đó khoảng cách đến các đối tượng khác có thể được sử dụng như các biến slack (Slack Variable) Tuy nhiên, thay vì giải quyết bài toán hội tụ tối ưu về bên trái hoặc bên phải của chướng ngại vật thì trong trường hợp này cần đưa ra các ràng buộc và quy định là những hạn chế nằm phía trước của xe Do đó, cần đưa ra thêm biến 𝜉 𝑚 (𝑟), 𝑚 ∈ 1 … 𝑀 được sử dụng để biểu thị vector có hướng từ tâm của các chướng ngại vật đến vị trí của xe Ngoài ra, cần phải xác định thời gian dự báo 𝑟 ∈

Tại thời điểm này, khoảng cách từ chướng ngại vật 𝑚 đến xe có giá trị nhỏ nhất

𝑑 𝑚 (𝑟) với 𝑛(𝑟) là vector pháp tuyến đến quỹ đạo chuyển động [𝑆 𝑥 (𝑟), 𝑆 𝑦 (𝑟)]

Như vậy, việc xây dựng công thức cho trường hợp vượt chướng ngại vật bằng cách sử dụng tích vô hướng như sau: thao tác di chuyển bên trái (hay bên phải) chướng ngại vật phụ thuộc vào giá trị 𝑡 𝑑 nếu 𝜉 𝑇 (𝑟) > 0 sẽ vượt trái hoặc 𝜉 𝑇 (𝑟) < 0 sẽ

𝑚𝑖𝑛,𝑚 𝑚 𝑚 vượt phải Việc xây dựng các ràng buộc này sẽ cung cấp những thao tác tránh chướng ngại vật được thực hiện hiệu quả và chính xác, kể cả trường hợp xe phải dừng lại bởi các chướng ngại vật phía trước. Để tránh các trường hợp hội tụ đến các gradient liên quan gần tâm của chướng ngại vật, cần phải thay đổi một vài giá trị 𝜉 𝑛𝑢𝑚 , nếu thao tác vượt trái thì 𝛾 𝑚 = −1 và 𝛾 𝑚 = 1 cho thao tác vượt phải Từ đó có thể xây dựng hàm xử lý các trường hợp hội tụ như sau:

𝑚𝑖𝑛,𝑚 𝑚𝑖𝑛,𝑚 (4.73) Để đạt được quỹ đạo chuyển động tối ưu thì việc cần thiết là xử lý hàm chi phí đạt giá trị cực tiểu và đồng thời các ràng buộc cần được tách biệt nhau Đối với các thao tác trong xử lý tình huống khẩn cấp của xe tự hành, thì ý tưởng xử lý là giảm vận tốc chuyển động của xe về giá trị tối thiểu Hơn nữa, tình huống cảnh báo để thực hiện các thao tác khẩn cấp cần được kích hoạt trước khi xe tự hành quá gần với chướng ngại vật, nếu trong trường hợp xe đã đến quá gần thì khả năng tính toán sai về hệ số nhận thức và việc dự báo sẽ không chắc chắn, đồng thời nếu độ lệch nhỏ cả về vị trí và hướng từ đường cong tham chiếu sẽ giảm thiểu khả năng va chạm với các phương tiện phía trước, giúp hệ thống tự hành có thể kiểm soát được quỹ đạo chuyển động.

𝑇 Để có thể giảm tốc độ nhanh nhất có thể, thì vector gia tốc xe phải nằm trong

𝑎 𝑡 2 𝑎 𝑛 2 hình elip của lực kéo kết hợp (Hình 4.11) là [ ]

𝑐 𝑛 = 1 tại mọi thời điểm chuyển động và việc kết hợp có hiệu quả các ràng buộc đại số nhằm đảm bảo tối ưu là gán các giá trị 𝑎 𝑡 = 𝑣̇ = 𝑢 2 đồng thời thay thế giá trị 𝑢 2 trong (4.60), từ đó giá trị 𝑣̇ được xác định như sau:

Do đó, chúng ta không cần phải tính để giảm giá trị vận tốc 𝑣 trong hàm chi phí cũng như không xem 𝑢 2 là giá trị hàm biến thiên riêng biệt trong quá trình tối ưu Như vậy, hàm chi phí 𝐽 sẽ được xây dựng bằng việc kết hợp 2 thành phần là chi phí chuyển động và chi phí liên quan đến chướng ngại vật như sau:

𝐽(𝑥, 𝑢 1 ) = 𝐽 𝑚𝑜𝑣 (𝑥, 𝑢 1 ) + 𝐽 𝑜𝑏𝑗𝑠 (𝑥) Đối với chi phí chuyển động sẽ được tính như sau:

Trong đó: 𝑘 𝑖 > 0, giá trị vận tốc tương đối ∆ 𝑣 ≈ 𝑑̇ 𝑟 , gia tốc ∆ 𝑎 ≈ 𝑑̈ 𝑟 và độ giật

Kết luận chương 4

Trong chương này, luận án cũng đã xây dựng tập mô-đun hỗ trợ điều khiển an toàn xe tự hành với 03 mô-đun gồm: mô-đun theo dõi chuyển động, hỗ trợ điều khiển chuyển động và lập kế hoạch chuyển động dự phòng cho xe tự hành. Đặc điểm chính của mô-đun theo dõi chuyển động là giải pháp này được thực hiện bằng mô hình điều khiển dự báo, dựa trên mô hình tuyến tính cho phép theo dõi hướng chuyển động mong muốn và chính xác ở tốc độ cao với điều kiện gia tốc ngang lớn Đồng thời, với thông tin trạng thái ổn định và dự báo trong mô hình,phương pháp tuyến tính đề xuất có thể duy trì chính xác các đặc điểm phi tuyến tính của mô hình bánh xe và xe Ngoài ra, mô hình bánh xe được tuyến tính hóa để mô tả chính xác chuyển động của xe ở tốc độ cao.

Với mô-đun hỗ trợ điều khiển chuyển động với tính chất nhằm đảm bảo an toàn cho xe tự hành, mô-đun này có đặc điểm là rút ngắn chu kỳ lập kế hoạch chuyển động nhằm giảm thiểu độ lệch so với đầu vào của dự báo, trong khi vẫn đảm bảo an toàn theo kế hoạch chuyển động và giải pháp hỗ trợ điều khiển này chỉ được thực hiện trong những tình huống mà kịch bản chuyển động của xe phức tạp có khả năng xảy ra va chạm với các yếu tố cảnh báo thực tế.

Mô-đun cuối cùng được sử dụng để lập kế hoạch chuyển động dự phòng nhằm đảm bảo an toàn cho xe tự hành, đặc điểm tối ưu của mô-đun này đạt được bằng cách xét quỹ đạo có khả năng của các phương tiện phía trước Yếu tố an toàn được thực hiện bằng cách duy trì một hệ thống để tính toán mọi quỹ đạo có thể có của các phương tiện phía trước trong một khoảng thời gian nhất định Đồng thời, mô hình được sử dụng để điều khiển dự báo sẽ bị ràng buộc bởi các yếu tố như gia tốc, lực phanh của xe và lực kết hợp của bánh xe, cũng như các ràng buộc bổ sung như chiều rộng làn đường và hướng di chuyển mong muốn.

Với những thách thức trong bài toán xe tự hành như giao thoa tín hiệu, dãi tần cao, điều kiện thời tiết không thuận lợi, thực hiện luật lệ giao thông, đạt được mức giới hạn không gây ô nhiễm với môi trường, trách nhiệm với các vấn đề tai nạn thì xe tự hành là tương lai của hệ thống giao thông hiện đại Một khía cạnh của học máy trong xe tự hành vẫn chưa được khai thác, sự phát triển của xe tự hành sẽ mang lại nhiều hiệu quả như giảm tắc nghẽn giao thông, giảm chi phí vận chuyển và cải thiện khả năng đi lại, giảm đáng kể lượng khí thải do hoạt động của các phương tiện giao thông công cộng hiện nay đang gây ra các ảnh hưởng xấu cho khí hậu toàn cầu.

Tập mô-đun hỗ trợ điều khiển với 03 mô-đun con gồm: mô-đun hỗ trợ điều khiển chuyển động để giải quyết bài toán tạo ra quỹ đạo chuyển động an toàn cho xe tự hành, khi gặp các tình huống đa dạng và phức tạp trong điều kiện môi trường giao thông; Mô-đun điều khiển theo dõi chuyển động giải quyết bài toán kiểm soát điều hướng với mong muốn quá trình chuyển động của xe được chính xác và ổn định; Mô- đun lập kế hoạch chuyển động dự phòng để giải quyết các tình huống đảm bảo an toàn cho xe khi tham gia giao thông với vận tốc lớn, thời gian xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp nhằm tránh các chướng ngại vật.

Ngày đăng: 28/07/2024, 12:39

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] A. Akpunar, S. Iplikci (2020), Runge-Kutta Model Predictive Speed Control for Permanent Magnet Synchronous Motors, Energies 2020, 13, 1216;DOI:10.3390/en13051216 Sách, tạp chí
Tiêu đề: Energies 2020, 13, 1216
Tác giả: A. Akpunar, S. Iplikci
Năm: 2020
[2] A. Barth, A. Kummert, P. Weyers (2018), Driver State Monitoring with Hierarchical Classification, International Conference on Intelligent Transportation Systems (ITSC), USA, DOI: 10.1109/ITSC.2018.8569467 Sách, tạp chí
Tiêu đề: International Conference on IntelligentTransportation Systems (ITSC), USA
Tác giả: A. Barth, A. Kummert, P. Weyers
Năm: 2018
[3] Alp Aydinoglu, Michael Posa (2021), Real-Time Multi-Contact Model Predictive Control via ADMM, arXiv - CS – Robotics, Pub Date : 2021-09-15, DOI: arxiv- 2109.07076 Sách, tạp chí
Tiêu đề: arXiv - CS – Robotics
Tác giả: Alp Aydinoglu, Michael Posa
Năm: 2021
[5] A. Nash, S. Koenig (2019), Theta: Any-angle pathfinding, In book: Game AI Pro 360, DOI: 10.1201/9780429055096-12 Sách, tạp chí
Tiêu đề: In book: Game AIPro 360
Tác giả: A. Nash, S. Koenig
Năm: 2019
[6] A. Piazzi, A. Costalunga (2020), Polynomial interpolation for inversion-based control, European Journal of Control 56, DOI: 10.1016/j.ejcon.2020.01.007 [7] A. Stentz, Abdeslam Boularias, Felix Duvallet et al (2016), Learning QualitativeSpatial Relations for Robotic Navigation, Proceedings of 25th International Joint Conference on Artificial Intelligence (IJCAI '16), pp. 4130 - 4134. DOI:10.5555/3061053.3061232 Sách, tạp chí
Tiêu đề: European Journal of Control 56", DOI: 10.1016/j.ejcon.2020.01.007[7] A. Stentz, Abdeslam Boularias, Felix Duvallet et al (2016), Learning QualitativeSpatial Relations for Robotic Navigation, "Proceedings of 25th InternationalJoint Conference on Artificial Intelligence (IJCAI '16), pp. 4130 - 4134
Tác giả: A. Piazzi, A. Costalunga (2020), Polynomial interpolation for inversion-based control, European Journal of Control 56, DOI: 10.1016/j.ejcon.2020.01.007 [7] A. Stentz, Abdeslam Boularias, Felix Duvallet et al
Năm: 2016
[8] Ahmed AbdElmoniem, Ahmed Osama, Mohamed Abdelaziz et al (2020), A path- tracking algorithm using predictive Stanley lateral controllerm, International Journal of Advanced Robotic Systems, November-December 2020: 1–11 , DOI: 10.1177/1729881420974852 Sách, tạp chí
Tiêu đề: International Journal of Advanced Robotic Systems
Tác giả: Ahmed AbdElmoniem, Ahmed Osama, Mohamed Abdelaziz et al
Năm: 2020
[9] Akinobu Goto, Takashi Fukushige, Takeshi Kimura (2021), Real-Time Trajectory Planning for Autonomous Driving in Urban Area Based on Dynamic Programming, Transactions of Society of Automotive Engineers of Japan, 2021, Vol 52, Issue 3, pp.639-644, DOI: 10.11351/jsaeronbun.52.639 Sách, tạp chí
Tiêu đề: Transactions of Society of Automotive Engineers of Japan
Tác giả: Akinobu Goto, Takashi Fukushige, Takeshi Kimura
Năm: 2021
[10] Amer N.H., Zamzuri H., Hudha K. (2017), Modelling and Control Strategies in Path Tracking Control for Autonomous Ground Vehicles: A Review of State of the Art and Challenges. J. Intell. Robot. Syst.86, pp.225–254. DOI:10.1007/s10846-016-0442-0 Sách, tạp chí
Tiêu đề: J. Intell. Robot. Syst.86
Tác giả: Amer N.H., Zamzuri H., Hudha K
Năm: 2017
[11] Anouer Bennajeh, Slim Bechikh, Lamjed Ben Said &amp; Samir Aknine (2019), Bi- level Decision-making Modeling for an Autonomous Driver Agent: Application in the Car-following Driving Behavior, Applied Artificial Intelligence, 33:13, pp.1157-1178, DOI: 10.1080/08839514.2019.1673018 Sách, tạp chí
Tiêu đề: Applied Artificial Intelligence
Tác giả: Anouer Bennajeh, Slim Bechikh, Lamjed Ben Said &amp; Samir Aknine
Năm: 2019
[12] Asgharizadeh E, Taghizadeh Yazdi M, Mohammadi Balani A (2019), An output- oriented classifcation of multiple attribute decision-making techniques based on fuzzy c-means clustering method Int Trans Oper Res 26:2476–2493.DOI:10.1111/itor.12449 Sách, tạp chí
Tiêu đề: Int Trans Oper Res
Tác giả: Asgharizadeh E, Taghizadeh Yazdi M, Mohammadi Balani A
Năm: 2019
[13] Barman B., Kanjilal R., Mukhopadhyay A. (2016), Neuro-Fuzzy controller design to navigate unmanned vehicle with construction of traffic rules to avoid obstacles. Int. J. Uncertain. Fuzziness Knowl. Based Syst.24, pp.433–449. DOI:10.1142/S0218488516500227 Sách, tạp chí
Tiêu đề: Int. J. Uncertain. Fuzziness Knowl. Based Syst.24
Tác giả: Barman B., Kanjilal R., Mukhopadhyay A
Năm: 2016
[14] Bautista-Camino, Barranco-Gutiérrez, Ilse Cervantes et al (2022), Local Path Planning for Autonomous Vehicles Based on the Natural Behavior of the Biological Action-Perception Motion, Energies 15, no. 5: 1769.DOI:10.3390/en15051769 Sách, tạp chí
Tiêu đề: Energies 15
Tác giả: Bautista-Camino, Barranco-Gutiérrez, Ilse Cervantes et al
Năm: 2022
[15] Boliang Yi, Stefan Gottschling, Jens Ferdinand et al (2016), Real time integrated vehicle dynamics control and trajectory planning with mpc for critical maneuvers, IEEE Intelligent Vehicles Symposium. DOI:10.1109/IVS.2016.7535446 Sách, tạp chí
Tiêu đề: IEEE Intelligent Vehicles Symposium
Tác giả: Boliang Yi, Stefan Gottschling, Jens Ferdinand et al
Năm: 2016
[16] Bonnefon J.F., Shariff A., Rahwan I. (2016). The social dilemma of autonomous vehicles. Science.352, pp.1573–1576. DOI:10.1126/science.aaf2654 Sách, tạp chí
Tiêu đề: Science.352
Tác giả: Bonnefon J.F., Shariff A., Rahwan I
Năm: 2016
[17] Brown M., Funke J., Erlien S., (2017), Safe driving envelopes for path tracking in autonomous vehicles. Control Eng. Pract.61, pp.307–316. DOI:10.1016/j.conengprac.2016.04.013 Sách, tạp chí
Tiêu đề: Control Eng. Pract.61
Tác giả: Brown M., Funke J., Erlien S
Năm: 2017
[18] B. Paden, M. p, S. Z. Yong, D. Yershov et al (2016), A survey of motion planning and control techniques for self-driving urban vehicles, IEEE Transactions on Intelligent Vehicles, vol. 1, no. 1, pp. 33–55. DOI:10.48550/arXiv.1604.07446 Sách, tạp chí
Tiêu đề: IEEETransactions on Intelligent Vehicles
Tác giả: B. Paden, M. p, S. Z. Yong, D. Yershov et al
Năm: 2016
[19] Collin, Anne, Siddiqi et al. (2019), Autonomous driving systems hardware and software architecture exploration: optimizing latency and cost under safety constraints, Systems Engineering, 23 (3), Wiley, DOI: 10.1002/sys.21528 Sách, tạp chí
Tiêu đề: Systems Engineering, 23 (3)
Tác giả: Collin, Anne, Siddiqi et al
Năm: 2019
[22] Enrique Herrera-Viedma, Francisco Chiclana, Yucheng Dong (2018), Special issue on intelligent decision support systems based on soft computing and their applications in real-world problems. Appl. Soft Comput.67, pp.610–612. DOI:10.1016/j.asoc.2018.04.054 Sách, tạp chí
Tiêu đề: Appl. Soft Comput.67
Tác giả: Enrique Herrera-Viedma, Francisco Chiclana, Yucheng Dong
Năm: 2018
[23] Fen Lin, Minghong Sun, Jian Wu, and Chengliang Qian (2021), Path Tracking Control of Autonomous Vehicle Based on Nonlinear Tire Model. Actuators 2021, 10, 242. DOI: 10.3390/act10090242 Sách, tạp chí
Tiêu đề: Actuators2021
Tác giả: Fen Lin, Minghong Sun, Jian Wu, and Chengliang Qian
Năm: 2021
[24] Goodall, N. (2020), Machine Ethics and Automated Vehicles, ArXiv, abs/2010.15665. DOI:10.1007/978-3-319-05990-7_9 Sách, tạp chí
Tiêu đề: ArXiv,abs/2010.15665
Tác giả: Goodall, N
Năm: 2020

HÌNH ẢNH LIÊN QUAN

Hình 1.1 Cấu trúc điều khiển trong xe tự hành [19]. - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.1 Cấu trúc điều khiển trong xe tự hành [19] (Trang 27)
Hình 1.2 Các thành phần cơ bản của hệ thống mô-đun trong xe tự hành - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.2 Các thành phần cơ bản của hệ thống mô-đun trong xe tự hành (Trang 28)
Hình 1.4 Mô hình xe và đường cong tham chiếu - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.4 Mô hình xe và đường cong tham chiếu (Trang 38)
Hình 1.3 Mô hình hệ thống đường giao thông - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.3 Mô hình hệ thống đường giao thông (Trang 38)
Hình 1.7 Cấu trúc cơ bản của mô hình điều khiển dự báo (MPC) - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.7 Cấu trúc cơ bản của mô hình điều khiển dự báo (MPC) (Trang 46)
Hình 1.8 Quá trình điều khiển của mô hình điều khiển dự báo (MPC) - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 1.8 Quá trình điều khiển của mô hình điều khiển dự báo (MPC) (Trang 47)
Hình 2.2 Thiết lập đường đi bằng Thuật toán A* [5] - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 2.2 Thiết lập đường đi bằng Thuật toán A* [5] (Trang 55)
Hình 2.11  Minh họa thuật toán lập kế hoạch chuyển động dựa trên mẫu với tập - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 2.11 Minh họa thuật toán lập kế hoạch chuyển động dựa trên mẫu với tập (Trang 65)
Bảng 2.1 Minh họa phương án lập kế hoạch chuyển động dựa trên lấy mẫu - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Bảng 2.1 Minh họa phương án lập kế hoạch chuyển động dựa trên lấy mẫu (Trang 66)
Hình 2.12 Kiến trúc tổng thể của hệ thống lập kế hoạch trong xe tự hành - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 2.12 Kiến trúc tổng thể của hệ thống lập kế hoạch trong xe tự hành (Trang 66)
Hình 2.14 Minh họa thông tin giới hạn tốc độ của kế hoạch không cố định - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 2.14 Minh họa thông tin giới hạn tốc độ của kế hoạch không cố định (Trang 69)
Hình 2.16 Trường khả năng thích ứng đối với chướng ngại vật - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 2.16 Trường khả năng thích ứng đối với chướng ngại vật (Trang 70)
Bảng 2.2 So sánh thời gian xử lý và tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Bảng 2.2 So sánh thời gian xử lý và tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo (Trang 76)
Hình 3.2 Cấu trúc mô hình mạng kết hợp nơ-ron mờ (FNN) - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 3.2 Cấu trúc mô hình mạng kết hợp nơ-ron mờ (FNN) (Trang 81)
Bảng 3.1 Quy định các chỉ số ảnh hưởng - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Bảng 3.1 Quy định các chỉ số ảnh hưởng (Trang 84)
Hình 3.4 Thống kê dữ liệu thực nghiệm - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 3.4 Thống kê dữ liệu thực nghiệm (Trang 88)
Hình 3.6 Kết quả so sánh lỗi của mạng FNN và mạng BPNN - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 3.6 Kết quả so sánh lỗi của mạng FNN và mạng BPNN (Trang 89)
Hình  4.  1  Mối  quan  hệ  giữa  độ  lệch  hướng,  góc  trượt  và  hướng  chuyển - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
nh 4. 1 Mối quan hệ giữa độ lệch hướng, góc trượt và hướng chuyển (Trang 109)
Bảng 4.1 Thông tin các giá trị tham số sử dụng để mô phỏng - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Bảng 4.1 Thông tin các giá trị tham số sử dụng để mô phỏng (Trang 114)
Hình 4.5 Mô hình động học của xe - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.5 Mô hình động học của xe (Trang 118)
Hình 4.7 Kết quả mô phỏng với sự thay đổi về tốc độ, góc xoay thân xe và gia tốc xe - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.7 Kết quả mô phỏng với sự thay đổi về tốc độ, góc xoay thân xe và gia tốc xe (Trang 126)
Hình 4.8 Mô phỏng kịch bản 2 - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.8 Mô phỏng kịch bản 2 (Trang 126)
Hình 4.9 Kết quả mô phỏng trường hợp 1 - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.9 Kết quả mô phỏng trường hợp 1 (Trang 127)
Hình elip của lực kéo kết hợp (Hình 4.11) là [ ] - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình elip của lực kéo kết hợp (Hình 4.11) là [ ] (Trang 132)
Hình  4.13  Kế  hoạch  chuyển  động  của  xe  dựa  trên  quỹ  đạo  hoạt  động  của - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
nh 4.13 Kế hoạch chuyển động của xe dựa trên quỹ đạo hoạt động của (Trang 134)
Hình 4.14 Đánh giá điều kiện an toàn để thực hiện quá trình chuyển động - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.14 Đánh giá điều kiện an toàn để thực hiện quá trình chuyển động (Trang 135)
Hình chữ nhật ? ?  bao quanh xe và vùng dự báo của phương tiện phía trước ???? ? - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình ch ữ nhật ? ? bao quanh xe và vùng dự báo của phương tiện phía trước ???? ? (Trang 136)
Hình 4.15 Ràng buộc tránh chướng ngại vật - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.15 Ràng buộc tránh chướng ngại vật (Trang 136)
Hình 4.18 Kết quả mô phỏng của kịch bản 2 - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.18 Kết quả mô phỏng của kịch bản 2 (Trang 139)
Hình 4.20 Kết quả mô phỏng của kịch bản 3 - Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành
Hình 4.20 Kết quả mô phỏng của kịch bản 3 (Trang 140)

TỪ KHÓA LIÊN QUAN

w