BÁO CÁO THỰC TẬP TỐT NGHIỆP-XE TỰ HÀNH TRÁNH VẬT CẢN

Điểm mới của xe tự hành là sử dụng cảm biến Kinect có khả năng khôi phục môi trường phía trước robot dưới dạng 3D từ đó xác định được các thông số cần thiết cho giải thuật điều khiển rob

1

LỜI MỞ ĐẦU

Các Robot tự hành được ứng dụng trong đời sống ngày càng nhiều như robot vận chuyển hàng hóa, robot kiểm tra nguy hiểm, robot xe lăn cho người khuyết tật Robot phục vụ sinh hoạt gia đình… Điểm hạn chế của các robot tự hành hiện tại là tính thiếu linh hoạt và khả năng thích ứng khi làm việc ở những vị trí khác nhau Từ những lý do đó nảy sinh vấn đề tránh vật cản cho robot tự hành nhằm nâng cao tính linh hoạt cho robot Hầu hết các robot hiện đại đều có một kiểu tránh vật cản nào đó robot xác định vật cản và dừng lại ở khoảng cách ngắn so với vật cản để tránh va chạm, đến các thuật toán tinh tế

hơn, cho phép robot di chuyển theo đường viền quanh vật cản Đề tài “Xe tự hành tránh

vật cản” nhằm góp phần giải quyết các vấn đề trên

Chúng em xin gửi lời cảm ơn chân thành đến cô GS.TS Phan Xuân Minh đã giúp

đỡ và giới thiệu chúng em đến thực tập tại trường Cao đẳng nghề công nghệ cao Hà Nội Trong quá trình thực tập, cô đã tận tình định hướng cũng như cung cấp các kiến thức lý thuyết cho chúng em Cô luôn động viên giúp chúng em hoàn thành đợt thực tập

Chúng em cũng xin gửi lời cảm ơn sâu sắc đến trường Cao đẳng nghề công nghệ cao Hà Nội, thầy Ths Ngô Mạnh Tiến, thầy Nguyễn Văn Dũng đã tạo mọi điều kiện thuận lợi đồng thời hướng dẫn tận cho chúng em trong suốt quá trình thực tập

Nhóm sinh viên

Lê Trung Kiên

Lê Thế Huy Hoàng Văn Nghĩa

2

MỤC LỤC

LỜI MỞ ĐẦU 1

MỤC LỤC 2

DANH MỤC HÌNH VẼ 4

CHƯƠNG 1 GIỚI THIỆU ĐỀ TÀI 5

1.1 Lý do chọn đề tài 5

1.2 Mục đích 5

CHƯƠNG 2 TỔNG QUAN HỆ THỐNG 6

2.1 Giới thiệu về xe tự hành 6

2.2 Bài toán tránh vật cản 8

2.3 Hệ thống xe tự hành tránh vật cản 9

CHƯƠNG 3 MÔ HÌNH HÓA ĐỐI TƯỢNG XE TỰ HÀNH 10

3.1 Mô hình động học xe robot: 10

3.2 Mô hình động lực học xe robot: 11

3.3 Đánh giá : 13

CHƯƠNG 4 CẢM BIẾN KINECT 14

4.1 Mục đích 14

4.2 Giới thiệu cảm biến Kinect 14

4.3 Phát hiện vật cản sử dụng Kinect 23

CHƯƠNG 5 MẠCH ĐIỀU KHIỂN VÀ TRUYỀN THÔNG 27

5.1 i điều hi n M P43 27

5.3 i điều hi n M P43 5 xx-Kit MSP430FR5739 31

5.4 CC3000 36

5.5 Đánh giá 40

3

KẾT LUẬN 41

TÀI LIỆU THAM KHẢO 42

4

DANH MỤC HÌNH VẼ

Hình 2-1 Asterisk - Robot nhện di chuyển bằng chân………6

Hình 2-2 Curiosity- Robot thăm dò sao Hỏa di chuyển bằng bánh………7

Hình 2-3 Robot cứu hộ di chuyển bằng xích……… 7

Hình 2-4 Sơ đồ tổng quan hệ thống……… ……… 9

Hình 3.1 Gắn tọa độ cho xe Robot……… 10

Hình 4-2 Cảm biến Kinect……… 15

Hình 4-2 Cấu trúc phần cứng của cảm biến kinect………16

Hình 4-3 Nguyên lý cảm biến độ sâu……….18

Hình 4-4 Dữ liệu thu được từ cảm biến Kinect……… 18

Hình 4-5 Bản đồ độ sâu thu được từ Kinect sử dụng OpenNI……… 20

Hình 4.6 Ví dụ ứng dụng thư viện PCL trong việc tách các đối tượng trên mặt bàn……22

Hình 4-7 Sơ đồ xử lý phát hiện vật cản sử dụng Kinect………24

Hình 4-8 Kết quả thu được khi sử dụng qua bộ lọc voxel Grid………26

Hình 4-9 Kết quả phát hiện vật cản sử dụng thư viện PCL……… 27

Hình 5.1 Vi điều khiển MSP430……… 28

Hình 5.2 Các dòng MSP hiện nay……… 29

Hình 5.3 Cấu trúc của MSP430……….30

Hình 5.4 Các module của MSP430………31

Hình 5.5 Cấu trúc Vi điều khiển MSP430FR5739………34

Hình 5.6 Cấu trúc kit phát triển sử dụng VĐK MSP430FR57xx……… 35

Hình 5.7 Cấu trúc CC300……… 38

Hình 5.8 Hình ảnh thực tế CC300 TiWi-SL……….39

Hình 5.9 Cơ chế liên kết giữa Slave và Host MCU……… 39

Hình 5.10 MSP430FR5739 board+CC3000 TiWi-SL……….40

Nhằm từng bước tiếp cận và tạo nền tảng cho quá trình nghiên cứu ứng dụng các

công nghệ vào các sản phẩm phù hợp thực thế, nhóm đồ án chúng em đã chọn đề tài:

“ Điều khiển xe tự hành tránh vật cản”

1.2 Mục đích

Xây dựng một xe tự hành hoàn chỉnh có khả năng tìm đến vị trí đặt trước và có khả năng tránh vật cản trong quá trình di chuyển Điểm mới của xe tự hành là sử dụng cảm biến Kinect có khả năng khôi phục môi trường phía trước robot dưới dạng 3D từ đó xác định được các thông số cần thiết cho giải thuật điều khiển robot

Trong khuôn khổ của đợt thực tập tốt nghiệp tại phòng thí nghiệm robot của trường Cao đẳng nghề công nghệ cao Hà Nội, nhóm thực tập chúng em dừng lại ở việc tìm hiểu cấu trúc tổng quan của robot Xây dựng được mô hình động học, động lực học của robot đồng thời tìm hiểu các khối phục vụ cho việc điều khiển robot như khối cảm biến Kinect, các KIT sử dụng chip MSP của TI và các giao thức truyền thông giữa máy tính và KIT

Theo lý thuyết, môi trường hoạt động của robot tự hành có thể là đất, nước, không khí, không gian vũ trụ hay sự tổ hợp giữa chúng Địa hình bề mặt mà robot di chuyển trên đó

có thể bằng phẳng hoặc thay đổi, lồi lõm

Theo bộ phận thực hiện chuyển động, ta có thểchia robot tựhành làm 2 lớp: chuyển động bằng chân (legged) và bằng bánh (wheeled)

Hình 2-1 Asterisk - Robot nhện di chuyển bằng chân

7

Hình 2-2 Curiosity- Robot thăm dò sao Hỏa di chuyển bằng bánh

Loại chuyển động bằng vòng xích (khi cần mô men phát động lớn hay khi cần di chuyển trên vùng đầm lầy, cát và băng tuyết)

Hình 2-3 Robot cứu hộ di chuyển bằng xích

8

2.2 Bài toán tránh vật cản

Tìm đường (navigation) là một khoa học dẫn hướng robot tự hành di chuyển trong không gian làm việc của nó Trong vấn đề tìm đường, bài toán được quan tâm nhiều nhất

là bài toán tìm đường về đích mà không chạm vào vật cản trên đường đi

Có 2 loại bài toán tìm đường cho robot:

- Bài toán cục bộ (local): Môi trường làm việc của robot hoàn toàn không biết

trước hoặc chỉ biết một phần Robot hoàn toàn nhờ vào sự cảm nhận môi trường trong quá trình di chuyển thông qua cảm biến gắn trên nó để dò đường

- Bài toán toàn cục (Global):Bản đồ môi trường làm việc của robot hoàn toàn được

biết trước, vấn đề chính phải giải quyết là tìm đường đi cho robot trước khi nó

xuất phát

Bài toán toàn cục có lợi thế là biết trước đường đi có tới đích hay không, có thể chọn đường tối ưu trước khi robot khởi hành Tuy nhiên hạn chế là đòi hỏi nhiều tài nguyên để tính toán và yêu cầu cao về độ chính xác của bản đồ môi trường làm việc Việc thay đổi môi trường ví dụ như có vật cản thay phía trước robot khiến robot không hoạt động đúng yêu cầu

Trong trường hợp này, bài toán cục bộ tỏ ra có ưu thế, nó có tính linh hoạt cao như có thể tránh vẩn cản khi vật đó di chuyển Đồng thời yêu cầu tài nguyên phục vụ tính toán thấp hơn Nhược điểm của bài toán này là robot chỉ cảm nhận môi trường qua cảm biến gắn cùng vì thế có thể không hoàn thành việc tới đích mặc dù có đường đi hơn nữa không thể chọn ra được đường đi tối ưu

Trong báo cáo, chúng em tập trung vào giải quyết bài toán cục bộ với cảm biến sử dụng là Kinect Môi trường hoạt động của robot là mặt phẳng giới hạn bởi các bức tường Các vật cản xuất hiện ngẫu nhiên Yêu cầu đặt ra là robot tự động tìm đường về được tới đích mà không chạm vào vật cản

9

2.3 Hệ thống xe tự hành tránh vật cản

Hệ thống tổng quan bao gồm 4bộ phận chính (Hình 2-4)(1) Bộ cảm biến Kinect, (2) bộ phận chấp hành là các bánh xe có gắn động cơ điện 1 chiều, (3) Laptop,(4) vi điều khiển và driver điều khiển động cơ

Các thành phần phối hợp hoạt động như sau: (1) Cảm biến Kinect liên tục thu thập dữ liệu về hình ảnh, khoảng cách sau đó gửi về (2) Laptop để có thể khôi phục lại không gian 3D trước robot đồng thời sử dụng các thuật toán thích hợp để phát hiện vật cản cũng như tìm được các thông số của vật cản để cung cấp cho thuật toán tránh vật cản.Sau khi các tín hiệu được xử lý thì sẽ tìm ra được quỹ đạo đặt tiếp theo cho robot Quỹ đạo là đầu vào cho bộ điều khiển cài đặt trong vi điều khiển và sau đó chuyển thành các tín hiệu điều khiển động cơ DC Khi di chuyển Kinect lại thu thập các dữ liệu mới và quá trình này được lặp lại

Hình 2-4 Sơ đồ tổng quan hệ thống

10

CHƯƠNG 3 MÔ HÌNH HÓA ĐỐI TƯỢNG XE TỰ

HÀNH 3.1 Mô hình động học xe robot:

Hình 3.1 Gắn tọa độ cho xe Robot

Xét xe robot trong không gian làm việc Ta cần sử dụng 3 hệ tọa độ để xác định được

vị trí của xe robot, đối tượng cần bám, các vật cản so với mặt đất, cũng như vị trí tương đối của xe robot, đối tượng cần bám, các vật cản so với nhau 3 hệ tọa độ đó là:

- Hệ tọa độ OXY gắn với mặt đất đóng vai trò là hệ gốc, xác định vị trí tuyệt đối của xe robot,cũng như các đối tượng trên mặt phẳng chuyển động

- Hệ tọa độ Cx y m mgắn với xe robot

- Hệ tọa độ O xy' gắn với cảm biến Kinect, có vai trò xác định vị trí tương đối giữa đối tượng bám, vật cản so với xe robot

Biến điều khiển là vận tốc 2 bánh xe (V t, V p), biến được điều khiển chính là tọa độ của xe (x0,y0) Phương trình động học của xe:

11

os( ) 0 sin( ) 0

w

v y

V v

p p

V r   (3.4)

Trong đó, r là bán ính bánh xe, D là hoảng cách giữa 2 bánh xe

Để đơn giản,trong phạm vi đồ án ta chỉ quan tâm đến 2 chuyển động cơ bản của xe robot:

- Chuyển động tịnh tiến (w=0, v ≠0) :V t =V p xe robot chuyển động tiến hoặc lùi

- Chuyển động quay (w≠0, v =0 ):V t = -V p xe robot chuyển động quay quanh trục đi qua trung điểm 2 bánh xe A

x

V y

Thực tế với đối tượng Robot di động : C q q ( , )  0 , ( )G q 0 , ( ).J q q0 (3.7)

Từ đó, hệ phương trình động lực học của đối tượng Robot di động được viết lại như sau, với q  ( , , ) x y  T:

1 2



13

Đạo hàm 2 vế của các phương trình hệ động học (3.1), ta được

.sin( ) os( )

x v  v c  os( ) sin ( )

Bộ điều khiển được thiết kế sẽ thực hiện 2 nhiệm vụ :

- Bám vận tốc đặt trước vc : bộ điều khiển sẽ sử dụng mô hình động lực học của xe robot

- Bám quỹ đạo đặt trước qd : bộ điều khiển sẽ sử dụng mô hình động học của xe robot

3.3 Đánh giá :

- Trong thời gian thực tập, chúng em đã thu được một số kết quả như sau:

 Tìm hiểu được cơ bản về lý thuyết xe robot,tìm hiểu,xây dựng được mô hình động học,mô hình động lực học cho xe robot

 Tìm hiểu được về nguyên lý điều khiển xe robot, bước đầu xây dựng được cấu trúc hệ thống điều khiển xe robot

- Trong thời gian hoàn thành đồ án, chúng em sẽ hoàn thiện hệ thống điều khiển, cài đặt bộ điều khiển với thuật toán “bám mục tiêu + tránh vật cản” chạy thử nghiệm trên xe robot

Việc phát hiện vật cản sử dụng Kinect được xem là sự kết hợp giữa xử lý ảnh và

và phương pháp đo đạc khoảng cách bằng sóng hồng ngoại Kết quả thu về chính xác, ổn định hơn so với các phương pháp phổ biến như sử dụng cảm biến siêu âm hay sử dụng xử

15

Kinect được coi như là một thiết bị ngoại vi cho Xbox 360, cho phép giao tiếp với con người thông qua các cử chỉ, đem lại những cảm giác thú vị cho người chơi game trên Xbox Khả năng hiểu được cử chỉ con người của Kinect dựa trên hai đặc tính chính sau: thông tin về độ sâu ảnh (depth map), khả năng phát hiện và bám theo đặc tính cơ thể người (body skeleton tracking)

Bên cạnh phục vụ cho mục đích chơi game, sản phẩm Kinect còn được dùng vào mục đích nghiên cứu xử lý ảnh 3D, phát hiện cử chỉ (gesture recognition), bám theo người (body tracking) và nhiều mục đích khác Lý do chính cho sự thành công của sản phẩm Kinect là giá cả khá rẻ (khoảng 140$ trên 1 sản phẩm) cho thiết bị có khả năng cung cấp các thông tin 3D với chất lượng chấp nhận được

4.2.1 Cấu trúc phần cứng

Hình 4-2 Cấu trúc phần cứng của cảm biến kinect

Bên trong Kinect bao gồm 1 camera RGB, cảm biến độ sâu , một dãy các microphone và

1 động cơ điều khiển góc nâng

Camera RGB

Là một camera có 3 kênh dữ liệu có độ phân giải 1280x960 Camera này có khả năng chụp lại ảnh ảnh mầu

Ngoài ra Kinect còn có 1 cảm biến đo gia tốc để xác định hướng và 1 động cơ dùng để điều khiển góc ngẩng camera

Trong số những cảm biến kể trên của Kinect, cảm biến độ sâu có khả năng ứng dụng cao trong đề tài robot tránh vật cản

4.2.2 Nguyên lý cảm biến độ sâu

Cặp cảm biến IR camera và IR projector sẽ phối hợp với nhau để tạo ra giá trị độ sâu bằng công nghệ Light Coding của PrimeSense

Kĩ thuật Light Coding dùng nguồn sáng hồng ngoại chiếu liên tục kết hợp với một camera hồng ngoại để tính khoảng cách Việc tính toán này được thực hiện bằng chip PS1080 Soc của PrimeSen

Projector sẽ chiếu một chùm sáng hồng ngoại, tạo nên những đốm sáng ở không gian phía trước Kinect, tập hợp đốm sáng được phát ra này là cố định Những đốm sáng này được tạo ra nhờ một nguồn sáng truyền qua lưới nhiễu xạ (diffraction gratings) Tập hợp các đốm sáng này được IR camera chụp lại, thông qua giải thuật đặc biệt được tích hợp trong PS1080 SoC cho ra bản đồ độ sâu Bản chất của giải thuật này là các phép toán hình học dựa trên quan hệ giữa hai cảm biến IR camera và Projector

17

Hình 4-3 Nguyên lý cảm biến độ sâu

4.1.3 Các dữ liệu đo từ cảm biến

Hình 4-4 Dữ liệu thu đƣợc từ cảm biến Kinect

18

Các cảm biến của Kinect được điều khiển đồng thời thu thập và xử lý dữ liệu thông qua chip PS1080 có tần số 12MHz, sau đó được lưu trữ vào bộ nhớ Flash Các dữ liệu này có thể truyền vào máy tính thông qua cổng USB 2.0

Các tín hiệu thu thập bao gồm dữ liệu về độ sâu, màu sắc và âm thanh trong đó tín hiệu về độ sâu là dữ liệu quan trọng có nhiều dụng

Sở dĩ dữ liệu về chiều độ sâu có tầm quan trọng như vậy bởi nó giúp việc nhận dạng các vật thể đơn giản hơn nhiều so với xử lý ảnh thông thường Các thuật toán xử lý ảnh thông thường dựa vào sự tương đồng về mầu sắc, tuy nhiên, có thể những vật có mầu sắc tương tự nhau nhưng không cùng một vật thể hoặc các phần của cùng một đối tượng nhưng có mầu khác nhau,do vậy gây khó khăn trong quá trình nhận dạng Trong khi đó, với thông tin về độ sâu, các vật thể được phân biệt với nhau thông qua vị trí Những điểm có khoảng cách gần nhau có xu hướng cùng một đối tượng mà không phân biệt mầu sắc Chỉ khi độ sâu giảm đột ngột như ở cạnh và ở một số phần nhỏ của đối tượng thì khi

đó, hình ảnh trên bản đồ độ sâu mới có sự thay đổi

Một ưu điểm nữa của bản đồ độ sâu đó là dữ liệu có thể được nén cao hơn so với ảnh mầu thông thường do đó thích hợp trong việc truyền dẫn nhanh tín hiệu Các thuật toán nhận dạng đối với ảnh độ sâu đơn giản hơn và thậm chí có thể tái tạo lại vật thể 3D (Bộ thư viện mã nguồn mở hỗ trợ thuật toán trên là PCL)

Từ những phân tích trên ta có thể thấy được những ưu điểm của bản đồ độ sâu và nó rất thích hợp để ứng dụng trong các đề tài về robot tự hành

4.2 Các thư viện xử lý ảnh cho Kinect

Hiện nay có nhiều bộ thư viện được viết cho Kinect Nổi bật trong số đó là 2 bộ thư viện mã nguồn mở OpenNI và bộ thư viện Kinect SDK của Microsoft

Trong đồ án này, nhóm sinh viên đã sử dụng thư viện OpenNI Đây là bộ thư viện

mã nguồn mở, dùng được trên nhiều hệ điều hành khác nhau Thư viện được xây dựng hỗ trợ đầy đủ các nhu cầu cơ bản khi sử dụng Kinect trong đồ án xe tự hành tránh vật cản

19

Mục đính chính khi sử dụng bộ thư viện OpenNI là thu được bản đồ độ sâu (Depth

Map) mang thông tin về khoảng cách từ các vật thể trong không gian phía trước cảm biến

Kinect.OpenNI cho phép thu bản đồ độ sâu trong giới hạn từ 0.5-5m phía trước Kinect

Hình 4-5 Bản đồ độ sâu thu đƣợc từ Kinect sử dụng OpenNI

Để phát huy tối đa khả năng của Kinect, nhóm sinh viên kết hợp thêm bộ thư viện

xử lý ảnh 3D là PCL

PCL là thư viện hỗ trợ xử lý ảnh 3D, được xây dựng với 14 module thực hiện các

thuật toán khác nhau

- Module PCL_Common: Chứa cấu trúc dữ liệu và phương thức được sử dụng bởi

phần lớn các thư viện trong PCL

- Module Features: Chứa các cấu trúc dữ liệu và cơ chế tính toán, ước lượng 3D từ

các dữ liệu điểm PCD

- Module PCL_filters : Chứa các kỹ thuật loại bỏ nhiễu

- Module Geometry: Chứa tất cả các cấu trúc dữ liệu và giải thuật để tính toán hình

học

- Module PCL_IO: Chứa các hàm và các lớp để đọc và ghi dữ liệu dạng PCD, có

thể thu thập dữ liệu từ nhiều nguồn khác nhau (Trong đồ án này dùng Kinect)

- Module PCL_Kdtree:Thư viện cung cấp cấu trúc dữ liệu Kd_tree, sử dụng

FLANN giúp nhanh chóng tìm kiếm vùng gần nhất (nearest neighbors searches)

20

- Module PCL_Keypoint: Là thư viện chứa thực thi của 2 thuật toán nhận dạng

“Point clound keypoint”.Key Point (hay interest point) là các điểm trong ảnh hoặc trong point cloud mà có tính chất ổn định, riêng biệt và có thể dễ dàng phát hiện

ra Thông thường số lượng Key Point nhỏ hơn tổng số điểm trong cloud

- PCL_Octree: Chứa các thuật toán hiệu quả để tạo nên một cấu trúc dữ liệu phân

cấp từ dữ liệu point cloud Nó cho phép phân vùng không gian, downsampling (giảm số lượng các mẫu do đó tăng tốc độ tính toán) và thực hiện các phép toán

tìm kiếm trong tập dữ liệu PointCloud

- Module registrantion (PCL_registration): Kết hợp các bộ dữ liệu vào một mô

hình chung, thống nhất thường được thực hiện bằng một kỹ thuật gọi là registration.Ý tưởng chính là xác định các điểm tương ứng trong bộ dữ liệu và tìm một chuyển đổi khoảng cách tối thiểu các điểm tương ứng

- Module PCL_sample_consensus:Thư viện pcl_sample_consensus có khả năng

tách các nhóm điểm có cùng tính chất (Sample Consensus hay SAC) giống như thuật toán RANSAC (Tìm kiếm đường thẳng trong tập hợp các điểm) Các nhóm điểm có thể là các mặt phẳng, mặt cầu, trụ Thư viện này rất thích hợp trong các ứng dụng dò tìm các đối tượng như tường, cửa, các vật trên bàn…

- PCL_Search: Cung cấp các phương pháp tìm kiếm lân cận (nearest neighbors)

bằng cách sử dụng các cấu trúc dữ liệu khác nhau

- Module PCL_Segmentation: Chứa các thuật toán để phân chia Point Cloud thành

các nhóm riêng biệt Các thuật toán này thích hợp nhất khi xử lý các point Cloud bao gồm các vùng không gian bị cô lập Trong trường hợp như vậy, các clustering thường chia nhỏ để sau đó có thể xử lý độc lập

- Module PCL_surface: Là thư viện thích hợp cho việc xây dựng lại các bề mặt từ

dữ liệu quét 3D Các đối tượng chính gồm vỏ, bề mặt lưới, bề mặt nhẵn hay bình thường Khi có nhiễu có thể làm mịn và lấy mẫu lại

- Module PCL_visualization: Thư viện được tạo ra có thể nhanh chóng hiển thị các

kết quả thuật toán trên dữ liệu 3D

21

Hình 4.6 Ví dụ ứng dụng thƣ viện PCL trong việc tách các đối tƣợng trên mặt bàn

Kiểu dữ liệu cơ bản trong PCL là PointCloud

Vd: cloud.width=640;// Tao ra 640 diem tren mot dong

 Height (int): Tương tự width nhưng đối với cột trong ma trận điểm

Nếu hieght=1 thì dữ liệu không được tổ chức (có thể dùng tính chất này để kiểm tra một tập dữ liệu có được tổ chức hay không)