xe tự hành

1 MỤC LỤC DANH MỤC HÌNH ẢNH iii DANH MỤC CHỮ VIẾT TẮT vi LỜI NÓI ĐẦU vii CHƯƠNG 1: TỔNG QUAN XE TỰ HÀNH 1.1 Giới thiệu chung 1.1 Tổng quan xe tự hành (Automonous Car) .2 1.3 Dự án xe tự hành Google 1.4 Ưu điểm nhược điểm xe tự hành CHƯƠNG 2: CẤU TẠO VÀ HOẠT ĐỘNG CỦA XE TỰ HÀNH GOOGLE 10 2.1 GIỚI THIỆU VỀ XE Ô TÔ TỰ HÀNH 10 2.2 CÁC CÔNG NGHỆ KHÁC BIỆT ĐƯỢC SỬ DỤNG TRONG XE TỰ HÀNH GOOGLE 11 2.2.1 LASER 12 2.2.2 LIDAR 13 2.2.3 RADAR .25 2.2.4 GPS 26 2.2.5 Camera 26 2.3 TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO 29 2.3.1 Trí tuệ nhân tạo 29 2.3.2 Machine Learning .31 2.3.3 Deep Learning 33 CHƯƠNG 3: CONVOLUTIONAL NEURAL NETWORK VÀ MÔ PHỎNG CẤU TRÚC CỦA MẠNG CNN 36 3.1: Giới thiệu 36 3.2 Cấu trúc mạng nơ-ron tích chập(Convolutional Neural Networks-CNN) 38 3.2.1 Convolution Layer-Lớp chuyển đổi 39 3.2.2 Chức kích hoạt 42 3.2.3 Stride Padding 43 3.2.4 Pooling Layer- Lớp gộp 44 3.2.5 Fully-Connected layer - Lớp kết nối đầy đủ 45 3.3 Cấu trúc mạng tối ưu hóa thông số 46 3.4: Mô xe tự hành 47 3.4.1 Giới thiệu mô ô tô tự hành .47 3.4.2 Chuẩn bị liệu 49 3.4.3 Xây dựng toán .51 3.4.4 Training mode 53 CHƯƠNG 4: PHÂN TÍCH KẾT QUẢ NGHIÊN CỨU .57 Kết đạt 57 2.Hạn chế .59 3.Hướng khắc phục định hướng phát triển 60 KẾT LUẬN .63 DANH MỤC THAM KHẢO 64 PHỤ LỤC 66 DANH MỤC HÌ Hình 1: Cách xe thu thập liệu xung quanh Hình 2: Thiết kế xe tự hành Google giới thiệu vào tháng năm 2014 Hình 3: Các tính Xe tự hành Google Hình 4: cấp độ xe tự hành theo phân loại SAE International YHình 1: Cách Ơ tơ ngày thơng minh ……………………………11 Hình 2: Các thành phần quan trọng xe tự hành 11 Hình 3: Vị trí LIDAR 12 Hình 4: Một cảm biến laser xe liên tục quét xung quanh 13 Hình 5: Xe tự hành dùng Lidar để xây dựng đồ số 3D 14 Hình : Cách tính khoảng cách LIDAR 15 Hình 7: Xe tự hành Google sử dụng lidar để tạo hình ảnh 3D môi trường xung quanh .16 Hình 8: Các thành phần hệ thống LIDAR .17 Hình 9: Cấu trúc chức LIDAR 18 Hình 10: Vị trí Lidar xe tự hành Google 21 Hình 11: Ứng dụng Lidar bắn tốc độ xe .22 Hình 12: Ứng dụng Lidar khí tượng, thủy văn, địa lý 23 Hình 13: Ứng dụng Lidar tự tự động hóa 24 Hình 14: Ứng dụng Lidar không gian 25 Hình 15: So sánh LIDAR RADAR .26 Hình 16: Automous driving 27 Hình 17: Vị trí cảm biến siêu âm cho hệ thống hỗ trợ đỗ xe 28 Hình 18: Cảm biến siêu âm xe ô tô tự hành 28 Hình 19: Mối quan hệ AI, Machine Learning Deep Learning 31 Hình 20: Mạng nơ-ron 34 Hình 21: Một mạng Neural đơn giản Perceptron 35 Hình 22: So sánh hiệu suất DL với thuật tốn học theo thứ tự .35 Hình 24: Cách lấy liên kết file Trainmode .54 YHình 1: Minh họa tích chập ……………………………………………… 37 Hình 2: Ảnh mờ sau chập 37 Hình 3: Ảnh phát biên sau chập 38 Hình 4: Cấu trúc CNN 39 Hình 5: Dữ liệu đầu vào, lọc kết lớp tích chập .40 Hình 6: Phép tốn tích chập CNN 40 Hình 7: Kết phép tốn tích chập .41 Hình 8: Thực nhiều biến đổi đầu vào 41 Hình 9: Phép tốn tích chập cho lọc 42 Hình 10: Áp dụng khơng padding cho ma trận đầu vào 44 Hình 11: Hoạt động gộp tối đa 44 Hình 12: Mạng Neural sâu để phân loại nhiều lớp .46 Hình 13: Giao diện ứng dụng mơ Self-drving car 47 Hình 14: Giao diện ứng dụng phần training mode 48 Hình 15: Logo Python .49 Hình 16: Kết training mode .50 Hình 17: File IMD sau training mode .50 Hình 18: File driving_log.csv để mơ tả liệu 51 Hình 19: Training mạng CNN .51 Hình 20: Mạng đào tạo sử dụng để tạo lệnh lái từ mộtcamera trung tâm phía trước 52 Hình 21: Cấu trúc mạng CNN 52 Hình 22: Kết cài đặt thư viện 54 Hình 23: Kết sau train thành cơng 55 Hình 24: Kết traindata .55 Hình 25: Kết train model-008 56 Hình 26: Chế độ autonomous 56 YHình 1: Cấu trúc mạng CNN ……………………………………………… 57 Hình 2: Tổng quan xe tự hành Google 58 Hình 3: Cấu tạo bên ngồi LIDAR 58 Hình 4: Bản vẽ phân rã Lidar 59 Hình 5: Lật ảnh đổi dấu góc lái 60 Hình 6: Các cách thêm data ảnh 61 Hình 7: Mơ hình xe tự hành dùng mạng CNN Trường HCMUTE 61 Hình 8: Biển báo giao thơng 62 DANH MỤC CHỮ VIẾT TẮT CNN: CONVOLUTIONAL NEURAL NETWORK DL: DEEP LEARNING LIDAR: LIGHT DETECTION AND RANGING AI: ARTIFICIAL INTELLIGENCE ML: MACHINE LEARNING LỜI NÓI ĐẦU Ngày nay, với phát triển mạnh mẽ khoa học kĩ thuật, mức sống nhân loại nâng lên, nhu cầu lại, vận chuyển lại quan tâm hồn thiện khơng ngừng Trong loại phương tiện giao thông sử dụng giới Việt Nam phương tiện giao thơng đường mà đặc biệt ôtô loại phương tiện sử dụng phổ biến nhất, có nhiều ưu điểm so với loại khác: động, giá thành rẻ, nhanh gọn.Đồng thời ngày kinh tế ngày phát triển lên nhu cầu nâng cao chất lượng sống nhu cầu cần thiết cho sống.Vì việc thiết kế phương tiện giao thông đường giải vấn đề nâng cao sống người đảm bảo an toàn cho người cần thiết Chính việc nghiên cứu, sản xuất xe tự hành để giảm bớt tai nạn, tiết kiệm chi phí, nâng cao chất lượng sống điều cần thiết Xu xe tự hành xu có tham gia nhiều hãng xe.Trước yêu cầu thực tiễn nên đồ án tốt nghiệp em chọn đề tài: “Nghiên cứu hệ thống xe tự hành xe Google 2014” Đề tài thực thời gian ngắn trình độ hiểu biết cịn nhiều hạn chế khơng tránh khỏi sai sót Rất mong thầy bạn đóng góp ý kiến Em xin chân thành cảm ơn giáo viên hướng dẫn thầy……………, thầy cô khoa bạn học giúp đỡ hỗ trợ em hồn thành đề tài Em xin chân thành cảm ơn! Hà Nội ngày tháng năm 2021 Sinh viên thực Nguyễn Trung Phong CHƯƠNG 1: TỔNG QUAN XE TỰ HÀNH 1.1Giới thiệu chung Những năm gần đây, công ty công nghệ thảo luận xe xe tự hành Những lời hứa an toàn dễ dàng thay đổi sống treo xe Giờ đây, số lời hứa bắt đầu thành thực, xe với ngày nhiều tính tự động tung thị trường năm Xe tơ tự hành cịn nhiều năm có sẵn cho người tiêu dùng Các ước tính dự đốn vào năm 2025, giới có 600.000 xe ô tô tự hành đường đến năm 2035, số tăng lên gần 21 triệu Các thử nghiệm dịch vụ xe tự hành thực bắt đầu số thành phố Hoa Kỳ Và mặc dù, ô tô tự hành hồn tồn chưa có mặt thị trường, cơng nghệ cho phép phương tiện tự hành hết Sử dụng hệ thống phức tạp gồm camera, laser, radar, GPS liên lạc kết nối phương tiện Kể từ giới thiệu vào đầu năm 1990, Mạng nơ-ron tích chập (Convolutional Neural Networks -CNN) [ CITATION LeC891 \l 1033 ] kiến trúc học sâu phổ biến hiệu mạng chập vấn đề liên quan đến hình ảnh nhận dạng chữ viết tay, nhận dạng khuôn mặt, phân loại tế bào ung thư Điểm đột phá CNN tính tự động Mặc dù nhược điểm chúng yêu cầu lượng liệu đào tạo lớn, nghiên cứu gần đạt hiệu suất tuyệt vời với mạng đào tạo cách sử dụng liệu “chung chung” Trong vài năm gần đây, CNN đạt hiệu suất cao hầu hết nhiệm vụ phân loại quan trọng[ CITATION Kri12 \l 1033 ], nhiệm vụ phát đối tượng, [ CITATION Don14 \l 1033 ] Mạng đối thủ chung[ CITATION Fei07 \l 1033 ] Bên cạnh đó, với gia tăng lực tính tốn, chúng tơi đào tạo mạng thần kinh phức tạp để hiểu môi trường phương tiện định hành vi Ví dụ, Tesla Model S biết sử dụng chip chuyên biệt (MobileEye EyeQ), sử dụng mạng thần kinh sâu để phát tránh chướng ngại vật theo thời gian thực dựa tầm nhìn Gần đây, nhà nghiên cứu nghiên cứu khả điều khiển ô tô dựa Deep neural network (DNN) 1.1 Tổng quan xe tự hành (Automonous Car) Autonomous Car xe tự hành, chúng kết hợp vài phần mềm để điều khiển, điều hướng lái xe Hiện tại, khơng có phương tiện vận hành hợp pháp, hoàn toàn tự trị Hoa Kỳ Tuy nhiên, có loại xe tự động phần - ô tô xe tải với nhiều mức độ tự động khác nhau, từ ô tô thông thường có hỗ trợ phanh đường nguyên mẫu tự hành, độc lập cao Mặc dù cịn sơ khai, cơng nghệ tự hành ngày trở nên phổ biến biến đổi hồn tồn hệ thống giao thơng chúng ta.Dựa ước tính nhà sản xuất tơ cơng ty công nghệ, ô tô tự hành cấp độ bán vài năm Nhiều cơng nghệ tự hành khác phát triển Google, Uber, Tesla, Nissan nhà sản xuất ô tô, nhà nghiên cứu công ty công nghệ lớn khác Trong chi tiết thiết kế khác nhau, hầu hết hệ thống tự hành tạo trì đồ nội mơi trường xung quanh chúng, dựa loạt cảm biến, radar Các nguyên mẫu xe tự hành Uber sử dụng 64 chùm tia laze, với cảm biến khác, để xây dựng đồ nội họ; Các nguyên mẫu Google, giai đoạn khác nhau, sử dụng laser, radar, máy ảnh công suất cao sóng siêu âm Sau đó, phần mềm xử lý đầu vào đó, vạch đường gửi hướng dẫn đến “bộ truyền động” xe, điều khiển điều khiển gia tốc, phanh đánh lái Các quy tắc mã hóa cứng, thuật tốn tránh chướng ngại vật, mơ hình dự đốn phân biệt đối tượng “thơng minh” (v.v., biết khác biệt xe đạp xe máy) giúp phần mềm tuân theo quy tắc giao thông điều hướng chướng ngại vật Các phương tiện tự hành phần yêu cầu người lái xe can thiệp hệ thống gặp cố không chắn; xe hồn tồn tự động chí khơng cung cấp vơ lăng Ơ tơ tự hành phân biệt rõ ràng có “kết nối” hay khơng, cho biết liệu chúng giao tiếp với phương tiện /hoặc sở hạ tầng khác, chẳng hạn đèn giao thông hệ hay không Hầu hết nguyên mẫu khả 1.3 Dự án xe tự hành Google Mặc dù nhiều công ty chạy đua để trở thành người mang đến thị trường phương tiện hoàn toàn tự hành, khả thi mặt thương mại, bao gồm Lyft, Ford, Uber, Honda, Toyota, Tesla nhiều cơng ty khác, Waymo, phận xe tự hành Alphabet, công ty mẹ Google , người đạt nhiều cột mốc hành trình Nhóm Waymo thơng báo vào ngày tháng 11 năm 2017, “Bắt đầu từ bây giờ, phương tiện tự hành hoàn toàn Waymo - phương tiện an toàn nhất, tiên tiến đường nay- thử nghiệm đường công cộng mà không cần tham gia ghế lái.” Google tập đồn tích cực tham gia vào dự án xe tự hành Cả Google Telsa dự đoán tới năm 2020 đôi tay người giải phóng hồn tồn lên xe Google cịn tính tốn cho sản phẩm họ trở nên thông minh tương lai như: Tự xử lý tình gặp phải ùn tắc, có người cần cấp cứu xe, lập trình qua nút giao thơng,… Ngồi ra, hãng cịn lập trung tâm xử lý thông tin tiếp nhận phản hồi từ người dùng để khắc phục lỗi nhằm hoàn thiện sản phẩm ... nghệ thảo luận xe xe tự hành Những lời hứa an toàn dễ dàng thay đổi sống treo xe Giờ đây, số lời hứa bắt đầu thành thực, xe với ngày nhiều tính tự động tung thị trường năm Xe tơ tự hành cịn nhiều... 1: Cách xe thu thập liệu xung quanh Hình 2: Thiết kế xe tự hành Google giới thiệu vào tháng năm 2014 Hình 3: Các tính Xe tự hành Google Hình 4: cấp độ xe tự hành theo... 2025, giới có 600.000 xe ô tô tự hành đường đến năm 2035, số tăng lên gần 21 triệu Các thử nghiệm dịch vụ xe tự hành thực bắt đầu số thành phố Hoa Kỳ Và mặc dù, ô tô tự hành hồn tồn chưa có mặt