Nghiên cứu phát triển hệ thống điều hướng thông minh cho robot tự hành trong môi trường bất định

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - ĐỖ NAM THẮNG NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG ĐIỀU HƯỚNG THÔNG MINH CHO ROBOT TỰ HÀNH TRONG MÔI TRƯỜNG BẤT ĐỊNH LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI – 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ - ĐỖ NAM THẮNG NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG ĐIỀU HƯỚNG THÔNG MINH CHO ROBOT TỰ HÀNH TRONG MÔI TRƯỜNG BẤT ĐỊNH Chuyên ngành: Kỹ thuật điều khiển tự động hóa Mã số: 52 02 16 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Phạm Trung Dũng PGS.TS Nguyễn Quang Hùng HÀ NỘI – 2021 i LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng Các số liệu, kết trình bày luận án trung thực chưa cơng bố cơng trình khác, liệu tham khảo trích dẫn đầy đủ Ngày tháng năm 2021 Tác giả luận án ii LỜI CẢM ƠN Tơi xin bày tỏ lịng biết ơn sâu sắc tới PGS.TS Phạm Trung Dũng PGS.TS Nguyễn Quang Hùng, định hướng nghiên cứu tận tình bảo, hướng dẫn, giúp đỡ tơi thực luận án Tôi xin trân trọng cảm ơn Thủ trưởng Viện Khoa học Cơng nghệ qn sự, Phịng Đào tạo/Viện Khoa học Công nghệ quân ủng hộ, hướng dẫn, giúp đỡ tơi q trình thực bảo vệ luận án Tôi xin trân trọng cảm ơn Thủ trưởng Viện Tự động hóa KTQS, Khoa Kỹ thuật điều khiển/Học viện kỹ thuật quân quan tâm, giúp đỡ, tạo điều kiện thuận lợi cho tơi hồn thành luận án Tơi xin bày tỏ biết ơn sâu sắc đến gia đình, người thân bạn bè, đặc biệt TS Trương Xuân Tùng quan tâm, cổ vũ, động viên tạo điều kiện tốt cho thực tốt luận án Tác giả Đỗ Nam Thắng iii MỤC LỤC DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG viii DANH MỤC CÁC HÌNH VẼ ix MỞ ĐẦU Chƣơng TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN THIẾT BỊ TỰ HÀNH 1.1 Giới thiệu số loại thiết bị tự hành 1.1.1 Nền tảng robot di động 1.1.2 Mơ hình động học robot tự hành 1.2 Cấu trúc điều khiển robot tự hành 1.2.1 Hệ thống thu thập xử lý thông tin 1.2.2 Hệ thống xác định vị trí xây dựng đồ 1.2.3 Hệ thống thiết kế quỹ đạo chuyển động cho robot 10 1.2.4 Hệ thống điều khiển truyền động 10 1.3 Hệ thống phát bám sát đối tượng 10 1.3.1 Hệ thống phát đối tượng 10 1.3.2 Hệ thống bám sát đối tượng 12 1.4 Các kỹ thuật học sâu 14 1.4.1 Mạng nơron tích chập 14 1.4.2 Kỹ thuật Faster R –CNN 15 1.4.3 Kỹ thuật học sâu SSD 18 1.4.4 Kỹ thuật học sâu YOLO 20 1.5 Tổng quan tình hình nghiên cứu ngồi nước 25 1.5.1 Tình hình nghiên cứu ngồi nước 25 1.5.2 Tình hình nghiên cứu nước 29 1.6 Kết luận chương 31 Chƣơng XÂY DỰNG HỆ THỐNG PHÁT HIỆN VÀ BÁM SÁT NHIỀU ĐỐI TƢỢNG CHO ROBOT TỰ HÀNH .33 iv 2.1 Bài toán phát bám sát đối tượng người 33 2.2.1 Hệ thống điều hướng robot môi trường bất định 35 2.2.2 Các khối chức hệ thống điều hướng robot di động có nhận thức tương tác 37 2.2.3 Đề xuất hệ thống phát bám sát nhiều đối tượng 42 2.3 Đề xuất hệ thống dự đoán ý định tương tác người robot .50 2.3.1 Hệ thống dự đoán ý định tương tác 51 2.3.2 Xử lý liệu cho hệ thống dự đoán ý định tương tác 54 2.4 Kết luận chương 55 Chƣơng XÂY DỰNG HỆ THỐNG ĐIỀU HƢỚNG THÔNG MINH CHO ROBOT TỰ HÀNH 56 3.1 Thuật toán học sâu tăng cường DQN cho toán tránh vật cản động 56 3.1.1 Thuật toán Q – Learning 56 3.1.2 Thuật toán DQN cho toán tránh vật cản 56 3.1.3 Xây dựng mơ hình thuật tốn 61 3.2 Thuật toán A3C ứng dụng hệ thống điều hướng cho robot di động môi trường bất định 62 3.2.1 Sơ đồ kiến trúc nhiều tầng A3C 63 3.2.2 Thuật toán A3C 64 3.3 Xây dựng hệ thống điều hướng cho robot tự hành môi trường bất định 67 3.3.1 Mơ tả tốn 67 3.3.2 Hệ thống điều hướng cho robot tự hành mơi trường bất định 69 3.3.3 Khối hình thành tọa độ không gian 71 3.3.4 Thiết lập không gian hoạt động 72 3.3.5 Cấu trúc mạng 72 3.3.6 Hàm thưởng 73 3.4 Các tiêu đánh giá độ an toàn thoải mái người di chuyển môi trường bất định 75 v 3.4.1 Chỉ số cá nhân 76 3.4.2 Chỉ số nhóm 77 3.4.3 Chỉ số chuyển động tương đối 77 3.5 Kết luận Chương 78 Chƣơng MÔ PHỎNG VÀ THỰC NGHIỆM 79 4.1 Mô hệ thống phát bám sát nhiều đối tượng .79 4.1.1 Thiết lập mô 79 4.1.2 Kết mô 80 4.2 Mô đánh giá hệ thống dự đoán ý định tương tác người robot 84 4.2.1 Mơ tả tốn 84 4.2.2 Huấn luyện mạng kiểm tra 84 4.2.3 Kết thử nghiệm với trường hợp tiếp cận riêng biệt 88 4.2.4 Kết thử nghiệm với trường hợp người kết hợp tiếp cận nhiều hướng khác 89 4.3 Mơ đánh giá khả ứng dụng thuật tốn DQN toán tránh vật cản 89 4.3.1 Thiết lập mô 90 4.3.2 Kết mô 92 4.4 Mô đánh giá hệ thống điều hướng robot di động môi trường bất định 95 4.4.1 Thiết lập mô 95 4.4.2 Kết mô 97 4.5 Kết luận chương 98 KẾT LUẬN 99 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ 101 TÀI LIỆU THAM KHẢO 102 vi 0 γ DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT Vận tốc người Vận tốc đối tượng Trạng thái đối tượng Trạng thái người α Hướng chuyển động người ε Hướng chuyển động đối tượng βi Hệ số khấu hao Chu kỳ tối đa mạng toàn cục φi Bước tối đa chu kỳ Tần số cập nhật V(s) Hệ số học П(s) Hệ số suy giảm A3C Góc hướng robot vector AI CSDL CNN CONV chiếu từ robot đến người pi Góc hướng người vector chiếu từ người pi tới robot Hàm giá trị Hàm sách Thuật tốn học sâu tăng cường sử dụng Asynchronous methods for phương pháp bất đồng Trí tuệ nhân tạo deep reinforcement Artificial Intelligence Cơ sở liệu Mạng nơron tích chập Lớp tích chập Convolutional Neural Network Convolutional vii DQN Học tăng cường Deep Q-Network DL Học sâu Deep Learning EKF Bộ lọc kalman mở rộng Extended Kalman Filter Gazebo Hệ thống cho phép mô mơi trường robot IOU Hàm đánh giá độ xác phát Intersection over union đối tượng LSTM Mạng nhớ ngắn - dài hạn RL Học tăng cường Long-Short Term Memory Reinforcement Learning RBTH Robot tự hành ReLU Hàm kích hoạt tuyến tính chỉnh lưu Rectified Linear Unit ROS Hệ điều hành điều khiển robot Robot Operating System Nền tảng lập trình thuật tốn trí tuệ Tensor Flow TF nhân tạo RMI Chỉ số chuyển động tương tác Relative motion index SSD Phát nhiều khung lượt Single Shot Multibox Detection SII Chỉ số cá nhân Social individual index SGI Chỉ số nhóm Social group index WRNs Mạng rộng dư Wide Residual Networks YOLO Phát đối tượng thời gian thực You Only Look Once viii DANH MỤC CÁC BẢNG Trang Bảng 4.1 Một số kết huấn luyện mạng 85 Bảng 4.2.Các vị trí mục tiêu sử dụng trình đào tạo 91 Bảng 4.3 Bảng tham số mạng trình đào tạo kiểm tra 96 94 Hình 4.20 Giá trị Q tối đa trung bình từ chu kỳ thứ 700 đến 750 Sau q trình huấn luyện, robot di động có khả bắt kịp mục tiêu động tránh chướng ngại vật Hơn nữa, hình 4.21 thể tổng số phần thưởng mà robot đạt kết thúc trình đào tạo, ta thấy robot di động đạt phần thưởng lớn suốt q trình di chuyển Nói cách khác, robot di động có khả điều hướng tự động an tồn mơi trường Hình 4.21 Tổng số phần thưởng sau hồn thành q trình huấn luyện Hình 4.22 Giá trị Q tối đa trung bình sau hồn thành q trình huấn luyện 95 4.4 Mô đánh giá hệ thống điều hƣớng robot di động môi trƣờng bất định 4.4.1 Thiết lập mô 4.4.1.1 Thiết lập môi trường huấn luyện Để hướng dẫn robot học cách tránh người, nhận thức tương tác, chướng ngại vật tiếp cận mục tiêu, luận án tạo môi trường giống hành lang với tường, đồ vật, người mục tiêu dựa sân mô mơ tả Hình 4.23 Hình 4.23 Môi trường mô Một kịch giống hành lang với tường, đồ vật, người mục tiêu Tám robot(chấm đỏ tươi), tình xã hội điển hình, 10 người đứng yên (chấm lục lam), người di chuyển (chấm xanh lam đậm), hai đối tượng chuyển động (tam giác nâu hình vuông), mục tiêu (chấm xanh lục) phân bố kịch Robot giao nhiệm vụ điều hướng để tiếp cận mục tiêu tránh người tình xảy ra: (1) nhóm hai người đứng; (2) nhóm ba người đứng; (3) nhóm bốn người đứng; (4) tương tác đối tượng người; (5) nhóm hai người di chuyển vượt qua kịch bản; (6) nhóm hai người tiến lên phía trước; (7) đối tượng người di chuyển phía trước; (8) người - vật thể di chuyển xuyên qua Con người, mục tiêu đồ vật chuyển động điều khiển cách sử dụng mơ hình lực xã hội Helbing et al đề xuất [16] tảng phần mềm có sẵn 96 4.4.1.2 Thiết lập huấn luyện Phần mềm lõi robot dựa hệ điều hành robot (ROS)[33] Chương trình đề xuất triển khai ngơn ngữ Python thư viện Tensorflow Luận án áp dụng phương pháp tối ưu hóa Adam [15] để huấn luyện mơ hình đề xuất Tồn hệ thống thử nghiệm máy tính xách tay Intel core i7 4,2 GHz Các thơng số q trình huấn luyện kiểm tra thiết lập theo kinh nghiệm Bảng 4.3 Bảng 4.3 Bảng tham số mạng trình huấn luyện kiểm tra Tham số Giá trị Tham số α 0.001 γ 722 Giá trị 0.99 Tham số ậ ậ 14 Giá trị 20 0.9[m] 500 -0.2 -5 -0.2 -10 ể 10 đí 0.1 4.4.1.3 Quy trình huấn luyện Để robot huấn luyện thuận lợi, trình huấn luyện chia thành ba giai đoạn bao gồm: giai đoạn tĩnh, giai đoạn bán động giai đoạn động Trong giai đoạn tĩnh, tất người đối tượng môi trường trạng thái tĩnh Trong giai đoạn bán động, tất đối tượng kịch di chuyển Trong giai đoạn động, người đối tượng di chuyển Đầu hệ thống điều khiển chuyển động dựa thuật toán A3C lệnh điều khiển tối ưu robot = [ , ] Sau đó, sử dụng để điều khiển tảng robot truyền động vi sai để điều hướng robot môi trường bất định 97 4.4.2 Kết mô Để xác thực hiệu hệ thống điều hướng nhận thức tương tác đề xuất, luận án áp dụng số cá nhân xã hội SII, SGI Truong et al đề xuất [58] Giá trị SII, SGI sử dụng để ước tính mức độ an tồn thoải mái người hành vi xã hội chấp nhận robot di động Robot di động yêu cầu điều hướng xung quanh kịch tránh người tương tác vùng lân cận Kết mơ hiển thị Hình 4.25, Hình 4.26 Điểm tham chiếu dọc theo quỹ đạo robot Hình 4.25 Mơ tả số cá nhân Điểm tham chiếu dọc theo quỹ đạo robot Hình 4.26 Mơ tả số nhóm Kết nhận đồ thị có từ 160.000 mẫu giá trị, mẫu giá trị cách 0.05 s lấy robot di chuyển mơi trường mơ Như thấy Hình 4.25, 4.26 giá trị SII nhỏ 0.14 SGI xấp xỉ (đường màu xanh lam) Nó robot thường trì khoảng cách thoải mái với người q trình di chuyển Kết 98 mơ kiểm chứng cho khung điều hướng robot di động đề xuất có khả tránh người nhóm người cách cư xử xã hội chấp nhận đảm bảo an toàn thoải mái cho người môi trường bất định 4.5 Kết luận chƣơng Chương thực mô thực nghiệm đánh giá kết hệ thống phát bám sát nhiều đối tượng, hệ thống dự đoán ý định tương tác người robot, thuật toán DQN toán tránh vật cản hệ thống điều hướng robot di động môi trường bất định, hệ thống điều hướng bao gồm đầy đủ tương tác người - người, người – vật môi trường bất định Kết hệ thống phát bám sát nhiều đối tượng, hệ thống dự đoán ý định tương tác người robot hoạt động tốt, hệ thống điều hướng cho robot di động có khả tránh vật cản khơng gây an toàn cho người 99 KẾT LUẬN Từ nội dung nghiên cứu, luận án đạt số nội dung đóng góp sau: Trong luận án trình bày kỹ thuật học sâu, hệ thống phát bám sát nhiều đối tượng hiệu cho robot di động môi trường bất định cách sử dụng kỹ thuật học sâu Hệ thống đề xuất có khả phát bám sát nhiều đối tượng bao gồm người, cung cấp thông tin quan trọng cho khung điều hướng robot di động an tồn mơi trường bất định Luận án xây dựng sở liệu tư người để huấn luyện mạng nơron dự đoán ý định tương tác người robot Các phương pháp học sâu tăng cường không cần dùng kỹ thuật trích chọn đặc trưng thủ cơng, luận án nghiên cứu ứng dụng tốt thuật toán học sâu tăng cường kết hợp với mạng nơron tốn tránh vật cản động Ngồi luận án nghiên cứu mơ hình tương tác người với vật tương tác nhóm người, từ mơ hình hóa đưa vào hệ thống điều hướng robot di động, giúp robot nhận biết đặc trưng người môi trường bất định điều hướng robot di động đảm bảo an toàn tâm lý thể chất cho người di chuyển môi trường người – robot * Những đóng góp luận án: Đề xuất, phát triển hệ thống phát hiện, bám sát nhiều đối tượng khung điều hướng cho hệ thống điều hướng robot môi trường bất định Sử dụng kỹ thuật học sâu Deepsoft học sâu tăng cường A3C 100 Đề xuất, phát triển hệ thống dự đoán ý định tương tác người robot ứng dụng hệ thống OpenPose mạng LTSM * Hƣớng nghiên cứu Vấn đề đặt nghiên cứu làm để kết hợp nhiều tình tương tác, đặc trưng văn hoá vào khung điều hướng để robot cư xử người môi trường bất định khung điều hướng đề xuất khơng phải lúc giúp robot phản ứng người theo quy luật, ví dụ theo luật giao thơng đường bên phải, số người lại bên trái 101 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ [CT1] Do Nam Thang, et al (2018), “Deep Learning – Based Multiple Objects Detection and Tracking System for Socially Aware Mobile Robot Navigation Framework”, 2018 5th NAFOSTED Conference on information and Computer Science (NICS), pp 439-444 [CT2] Đỗ Nam Thắng, Phạm Trung Dũng, Nguyễn Quang Hùng (2020) "Nghiên cứu toán tránh vật cản cho robot tự hành sở ứng dụng học sâu tăng cường DQN", Tạp chí nghiên cứu KH&CN quân sự, trang 48-56 [CT3] Do Nam Thang, Pham Trung Dung, Nguyen Huu Son, Ngo Trung Dung, Truong Xuan Tung (2020), “Deep reinforcement learning based socially Aware mobile robot navigation framework”, 2020 7th NAFOSTED Conference on information and Computer Science (NICS), pp.226-231 [CT4] Đỗ Nam Thắng, Phạm Trung Dũng, Trương Xuân Tùng, Nguyễn Việt Tiệp (2021) “Human robot interactive intention prediction using deep learning techniques", Tạp chí nghiên cứu KH&CN quân sự, trang 1-12 102 TÀI LIỆU THAM KHẢO Tiếng Việt: [1] Phạm Thượng Cát, “Một số phương pháp điều khiển đại cho robot công nghiệp”, Nhà xuất đại học Thái Nguyên, 2009 [2] Nguyễn Tiến Kiệm, Phạm Thượng Cát, Nguyễn Văn Tính, Điều khiển hệ robot – camera bám mục tiêu di động có ý tác động cấu chấp hành, Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa – VCCA2013, pp.321-327 [3] Phạm Đức Long, Phạm Thượng Cát, Xử lý ảnh để xác định hướng khoảng cách giá đỡ xe nâng hàng tự động, Hội nghị toàn quốc Điều khiển Tự động hóa – VCCA-2011, pp 525-531 [4] Đặng Tâm Trung, Vũ Ngọc Hải Nguyễn Vĩnh Hảo, Xây dựng hệ thống định vị 3D dùng stereo camera, Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa – VCCA-2013, pp.155-161 [5] Ngô Mạnh Tiến, Phan Xuân Minh, Nghiên cứu phát triển hệ robot tự hành có gắn camera tự động tìm kiếm bám mục tiêu di động, VCCA 2011, pp 506-511 [6] Ngô Mạnh Tiến, Phan Xuân Minh, Hà Thị Kim Duyên, Một phương pháp sử dụng lọc Kalman kết hợp với thuật toán bám ảnh Camshift nhằm nâng cao chất lượng bám hệ thống robot tự động tìm kiếm bám bắt mục tiêu, VCCA 2011, pp.513-518 [7] Nguyễn Văn Tính, Phạm Thượng Cát, Phạm Minh Tuấn, Nguyễn Đăng Chung, Thiết kế luật điều khiển thích nghi cho hệ tích hợp robot di động – pan-til-camera để tiếp cận mục tiêu, VCCA 2015, pp.388-396 [8] Nguyễn Văn Tính, Phạm Thượng Cát, Phạm Minh Tuấn, “Mơ hình hóa điều khiển robot di động non-holonomic có trượt ngang”, Hội nghị toàn quốc lần thứ Điều khiển Tự động hóa- VCCA-2015, pp.388-396 103 [9] Võ Trung Thư, Nguyễn Anh Duy, Ứng dụng điều khiển mờ cho toán bám đường robot di động bánh lăn, Tuyển tập hội nghị toàn quốc lần thứ điện tử, VCM 2008, pp 305-314 Tiếng Anh: [10] A Bewley, Z Ge, L Ott, F Ramos, and B Upcroft, "Simple online and realtime tracking," in IEEE International Conference on Image Processing (ICIP), 2016, pp 3464-3468 [11] A Eitel, J T Springenberg, L Spinello, M Riedmiller, and W Burgard, “Multimodal deep learning for robust rgb-d object recognition,” in Intelligent Robots and Systems (IROS), in IEEE/RSJ International Conference on IEEE, 2015, pp 681–687 [12] A Kendon, Conducting Interaction: Patterns Behavior Focused Encounters Cambridge, UK.: Cambridge Univ Press, 1990 [13] Cao, Z., et al., OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields 2019 pp 172-186 [14] D B Aranibar and P J Alsina Reinforcement learning-based path planning for autonomous robots In EnRI-XXIV Congresso da Sociedate Brasileira de Computer, page, 2004 [15] D P Kingma and J B Adam, “A dam: A method for stochastic optimization,” in Proceedings of the 3rd International Conference on Learning Representations, pp 1-15, 2015 [16] D Helbing and P Molnr, “Social force model for pedestrian dynamic,” Physical Review E, pp 4282-4286, 1995 [17] E T Hall, The hidden dimension: man’s use of space in public and private The Bodley Head Ltd, London, 1966 [18] Fox, D., Burgard, W., & Thrun, S (1997) The dynamic window approach to collision avoidance IEEE Robotics& Automation Magazine, 104 4(1), 23–33 doi:10.1109/100.580977 [19] G Bradski, "The OpenCV Library," Dr Dobb's Journal of Software Tools, 2000 [20] H W Kuhn, “The Hungarian method for the assignment problem,” Naval Research Logistics Quarterly, vol 2, pp 83-97, 1955 [21] H R Beom and H S Cho A sensor-based navigation for a mobile robot using fuzzy logic and reinforcement learning IEEE transactions on Systems, Man, And Cybernetics, 25(3): 464-477, 1995 [22] Hochreiter, S and J.J.N.c Schmidhuber, Long short-term memory 1997 pp 1735-1780 [23] J Schmidhuber, “Deep learning in neural networks: An overview,” Neural networks, vol 61, pp 85–117, 2015 [24] J Bai, Y Wu, J Zhang, and F Chen, “Subset based deep learning for rgb-d object recognition,” Neurocomputing, vol 165, pp 280– 292, 2015 [25] J Rios-Martinez, A Spalanzani, and C Laugier, “From proxemics theory to socially-aware navigation: A survey,” International Journal of Social Robotics, September 2014 [26] J Rios-Martinez, A Spalanzani, and C Laugier, “Understanding human interaction for probabilistic autonomous nabigation using risk-RRT approach,” in Proc IEEE/RSJ Int Conf Intell Robots Syst, Sep 2011, pp 2014-2019 [27] J Redmon, S Divvala, R Girshick, and A Farhadi, “You only look once: Unified, real-time object detection,” in The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp 779-788, June 2016 [28] Kiem Nguyen, Tinh Nguyen, Quyen Bui, Minh Tuan Pham, “Adaptive antinsingularity terminal sliding model control for a robotic arm with model uncertainties and external disturbances”, Turkish Journal of Electrical 105 Engineering& Computer Sciences, (2018) Vol 26: 3224-3238 [29] Kiem Nguyen Tien, Linh Le, Tuan Do, Tinh Nguyen, Pham Minh Tuan, “Robust control for a wheeled mobile robot to track a predefined trajectory in the presence of unknown wheel slips”, Vietnam Journal of Mechanics, VAST, Vol 40, No 2(2018), pp 141-154 [30]K O Arras, O M Mozos, and W Burgard, “Using boosted features for the detection of people in 2d range data,” in IEEE International Conference on Robotics and Automation, pp 3402-3407, April 2007 [31] Maria Isabel Ribeiro, Kalman and Extended Kalman Filters: Concept, Derivation and Properties Institute for Systems and Robotics, February 2004 [32] M I Jordan and T M Mitchell, “Machine learning: Trends, perspectives, and prospects,” Science, vol 349, no 6245, pp 255–260, 2015 [33] M Quigley, B Gerkey, K Conley, J Faust, T Foote, J Leibs, E Berger, R Wheeler, and A Ng, “ROS: an open-source Robot Operating System,” in ICRA Workshop on Open Source Software, vol 32, pp 151-170, 2009 [34] N Koenig and A Howard, "Design and use paradigms for gazebo, an open-source multi-robot simulator," in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2004, pp 2149-2154 Science and Systems XII, 2015 [35] Nguyen Van Tinh, Le Hung Linh, “Neural network-based adaptive tracking control for a nonholonomic wheeled mobile robot subject to unknow wheel slips”, Journal of Computer Science and Cybernetics, V.33, N.1 (2017), pp 70-85 [36] Nguyen V Tinh, Nguyen T Linh, Pham T Cat, Pham M Tuan, Mai N Anh, and Nguyen P T Anh, “Modeling and Feedback Linearization Control of a Nonholonomic Wheeled Mobile Robot with Longitudinal, Lateral Slips”, IEEE international Conference on Automation Science and Engineering 106 (CASE) Fort Worth, TX, USA, August 21-24, 2016, pp.996-1001 [37] N Dalal and B Triggs, “Histograms of oriented gradients for human detection,” in IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol 1, pp 886-893, June 2005 [38] N Yung and C Ye Self-learning fuzzy navigation of mobile vehicle In Signal Processing, 1996, 3rd International Conference on, volume 2, pages 1465-1468 IEEE, 1996 [39] N Wojke, A Bewley, and D Paulus, "Simple Online and Realtime Tracking with a Deep Association Metric," in IEEE International Conference on Image Processing (ICIP), 2017, pp 3645-3649 [40] O Khatib, “Real-time obstacle avoidance for manipulators and mobile robots,” in Proceedings of the IEEE International Conference on Robotics and Automation, vol 2, pp 500-505, March 1985 [41] Paper: You Only Look Once: Unified, Real-Time Object Detection ( Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi - University of Washington) [42] P Fiorini and Z Shillert, “Motion planning in dynamic environments using velocity obstacles,” International Journal of Robotics Research, vol 17, pp 760-772, 1998 [43] R E Kalman, “A new approach to linear filtering and prediction problem,” Transactions of the ASME-Journal of Basic Engineering, vol.82, no Series D, pp 35-45, 1960 [44] Ren S, He K, Girshick R, et al (2017) Faster R-CNN: Towards RealTime Object Detection with Region Proposal Networks IEEE transactions on pattern analysis and machine intelligence, 39(6), 1137-1149 [45] R Siegwart, I R Nourbakhsh, and D Scaramuzza, Introduction to Autunomous Mobile Robots The MIT Press, February 2011 [46] Rudenko, A., et al., Human motion trajectory prediction: A survey The 107 International Journal of Robotics Research, 2020 39(8): p 895-935 [47] Smeulders T.G.A.W.M (2013) Selective Search for Object Recognition 154-171 [48] Simonyan K and Zisserman A (2014) Very deep convolutional networks for large-scale image recognition arXiv preprint arXiv:14091556 [49] S Zagoruyko and N Komodakis, "Wide Residual Networks," in Proceedings of the British Machine Vision Conference (BMVC) , pp 87.187.12, September 2016 [50] Thi Thanh Van Nguyen, Manh Duong Phung, Quang Vinh Tran (2017), “Behavior – based Navigation of Mobile Robot in Unknowns Environments Using Fuzzy Logic and Multi-Objective Optimization”, International Journal of Control and Automation (IJCA), Vol.10, No.2 pp 349-364 [51] Tinh Nguyen, Linh Le, “Neural network-based adaptive tracking control for a nonholonomic wheeled mobile robot with unknown wheel slips, model uncertainties, and unknown bounded disturbances”, Turkish Journal of Electrical Engineering& Computer Sciences, (2018) Vol 26: 378-392 [52]Tinh Nguyen, Thuong Hoang, Minh Tuan Pham & Nam phuong Dao, “A Gaussian wavelet network-based robust adaptive tracking controller for a wheeled mobile robot with unknown wheel slips”, International Journal of Control, online version https://doi.org/10.1080/00207179.2018.1458156 [53] T Kruse, A K Pandey, R Alami, and A Kirsch, “Human – aware robot navigation: A survey,” Robotics and Autonomous System, vol 61, pp 1726- 1743, 2013 [54] Truong, Xuan Tung, Yoong, V N, and Ngo, Trung Dung (2014) “Dynamic social zone for human safety in human-robot shared workspaces” 2014 11th International Conference on Ubiquitous Robots and Ambient Intelligence (URAI) 108 [55] Truong, X.-T., & Ngo, T.-D (2016) Dynamic Social Zone based Mobile Robot Navigation for Human Comfortable Safety in Social Environments International Journal of Social Robotics, 8(5), 663–684 doi:10.1007/s12369-016-0352-0 [56] W D Smart and L P Kaelbling Effective reinforcement learning for mobile robots In Robotics and Automation, 2002 Proceedings ICRA’02 IEEE International Conference on, volume 4, page 3404-3410 IEEE, 2002 [57] X T Truong and T D Ngo, “To Approach Humans?: a unified framework for approaching pose prediction and socially aware robot navigation,” IEEE Transactions on Cognitive and Developmental Systems, pp.1-27, 2017 [58] Xuan-Tung Truong and Trung Dung Ngo, “ Toward socially aware robot navigation in dynamic and crowded Environments: A proactive social motion model,” IEEE Transactions on Automation Science and Engineering , vol 14, pp.1743-1760 October 2017 [59] X-T Truong, H T Dinh, and C D Nguyen An efficient navigation framework for autonomous mobile robots in dynamic environments using learning algorithm Journal of Computer Science and Cybernetics, 33(2): 107-118, 2018 [60] Yoko Sasaki , Syusuke Matsuo, Asako Kanezaki, and Hiroshi Takemura, “A3C Based motion learning for an Autonomous Mobile Robot in Crowds” in IEEE International Conference on Systems, Man and Cybernetics, 2019 pp 1036-1042 ... trung nghiên cứu phát triển hệ thống phát bám sát nhiều đối tượng, hệ thống dự đoán ý định tương tác người robot hệ thống điều hướng cho robot tự hành môi trường bất định Nội dung nghiên cứu Nghiên. .. dựng hệ thống điều hướng cho robot tự hành môi trường bất định 67 3.3.1 Mô tả toán 67 3.3.2 Hệ thống điều hướng cho robot tự hành mơi trường bất định 69 3.3.3 Khối hình thành... luận án nghiên cứu phát triển hệ thống điều hướng thông minh cho robot tự hành môi trường bất định Trên sở phương pháp sử dụng trước ứng dụng cho robot di chuyển mơi trường biết trước, phát triển