Nghiên cứu và phát triển hệ thống xe tự hành ứng dụng trí tuệ nhân tạo

Bài viết này trình bày phương pháp xây dựng hệ thống xe tự hành có gắn camera thực hiện nhiệm vụ điều hướng tự động trong môi trường có vạch kẻ đường và biển báo giao thông. Xe tự hành sử dụng mô hình CNN cho nhiệm vụ nhận dạng vạch kẻ đường, thuật toán Adaboost Cascaded cho nhiệm vụ nhận dạng biển báo giao thông, hệ thống được lập trình nhúng trên nền tảng phần cứng xử lý hiệu năng cao chuyên dụng cho AI là TX2 Jetson và hệ điều hành lập trình cho robot ROS.

KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 NGHIÊN CỨU VÀ PHÁT TRIỂN HỆ THỐNG XE TỰ HÀNH ỨNG DỤNG TRÍ TUỆ NHÂN TẠO DEVELOP AUTONOMOUS CAR SYSTEM USING ARTIFICIAL INTELLIGENCE Hà Thị Kim Duyên1,*, Lê Mạnh Long1, Nguyễn Đức Duy1, Phan Sỹ Thuần1, Nguyễn Ngọc Hải1, Nguyễn Thị Tú Un1, Ngơ Mạnh Tiến2 TĨM TẮT Bài báo trình bày phương pháp xây dựng hệ thống xe tự hành có gắn camera thực nhiệm vụ điều hướng tự động mơi trường có vạch kẻ đường biển báo giao thơng Xe tự hành sử dụng mơ hình CNN cho nhiệm vụ nhận dạng vạch kẻ đường, thuật toán Adaboost Cascaded cho nhiệm vụ nhận dạng biển báo giao thơng, hệ thống lập trình nhúng tảng phần cứng xử lý hiệu cao chuyên dụng cho AI TX2 Jetson hệ điều hành lập trình cho robot ROS Thực nghiệm cho thấy xe tự hành hoạt động đảm bảo tiêu chất lượng đặt trước nhờ hệ thống nhận dạng đạt tỉ lệ xác cao Kết đạt thể hiệu hướng nghiên cứu ứng dụng trí tuệ nhân tạo nhiệm vụ điều hướng tự động xe tự hành môi trường phức tạp Từ khóa: Học sâu, Robot Omni, hệ điều hành Robot (ROS), điều hướng ABSTRACT This paper presents the method of constructing an autonomous car system with a camera to perform the task of automatic navigation in environments with road markings and traffic signs Autonomous car uses the CNN model for the task of iquandentifying road markings, the Adaboost Cascaded algorithm for the task of identifying traffic signs Our experiments show that autonomous car operates to ensure pre-set quality criteria thanks to the high accuracy rate identification systems The results show the effectiveness of the research direction to apply artificial intelligence in the task of automatic navigation of autonomous cars in complex environments Keywords: Deep Learning, Omni Robot, Robot Operating System (ROS), navigation Khoa Điện tử, Trường Đại học Công nghiệp Hà Nội Viện Vật lý, Viện Hàn lâm Khoa học Công nghệ Việt Nam * Email: ha.duyen@haui.edu.vn Ngày nhận bài: 10/01/2021 Ngày nhận sửa sau phản biện: 20/6/2021 Ngày chấp nhận đăng: 25/10/2021 GIỚI THIỆU Trong năm gần giới, với việc thơng minh hóa robot nhu cầu phát triển robot di động dẫn đến bùng nổ nghiên cứu phát triển hệ thống robot di động tự trị (autonomous mobile robot) Robot di động máy tự động có khả di chuyển đến đích mơi trường Đây điều khác với robot cơng nghiệp (như tay máy có khớp quay đầu kẹp) gắn với không gian cố định Khởi đầu xe vận tải tự động AGV (autonomous guided vehicles) ứng dụng thành công công nghiệp, robot di động thông minh thời kỳ phát triển coi có tiềm tương lai gần Các tiến công nghệ việc phát triển thiết bị cảm biến (sensor) khả tính tốn hệ xử lý thúc đẩy mức độ tự trị vận hành robot di động Mặt khác, đòi hỏi ứng dụng robot di động môi trường khác dịch vụ, giải trí, y tế, an ninh, quân hứa hẹn có tiến quan trọng trình thiết kế phát triển hệ thống Không kể hoạt động phận gắn robot di động, toán dẫn đường cho di chuyển đế robot từ điểm xuất phát tới đích cách an tồn, gọi tắt “điều hướng cho robot di động”, tốn yếu nghiên cứu robot di động Không khác nhiều so với hành vi người việc điều hướng, muốn giải tốn robot phải tự xác định vị trí mơi trường (positioning), xác lập đồ môi trường cần thiết (mapping), vạch quỹ đạo tới đích (path planning) xuất cách thức điều khiển quỹ đạo (path control) tránh vật cản (obstacle avoidance) đường Để làm điều đó, hệ thống điều hướng robot di động thơng thường chia thành khối [1]: hệ thống cảm biến, hệ thống nhận thức, hệ thống lập kế hoạch di chuyển hệ thống điều khiển động Robot di động cảm nhận mơi trường bên ngồi nhiều cảm biến khác gắn Dữ liệu từ cảm biến hệ thống nhận thức xử lý, kết hợp thành thơng tin có ý nghĩa Gần cơng trình nghiên cứu xây dựng hệ thống điều hướng robot di động dựa nguồn liệu đầu vào hình ảnh ngày xuất nhiều nhận quan tâm lớn [2, 3], liệu hình ảnh phương pháp trích xuất thơng tin hữu ích từ hình ảnh phục vụ cho hệ thống điều hướng đạt nhiều thành tựu quan trọng Xe tự hành trường hợp đặc biệt robot di động, tốn điều hướng xe tự hành khơng 38 Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 57 - Số (10/2021) Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 đơn dẫn đường từ điểm xuất phát đến đích, mà cịn cần tn thủ chặt chẽ tín hiệu giao thơng xuất q trình di chuyển Để làm điều đó, liệu hình ảnh trở thành nguồn liệu đầu vào thiếu hệ thống Các phương pháp ứng dụng liệu hình ảnh xe tự hành tập trung vào giải hai toán quan trọng: nhận dạng vạch kẻ đường nhận dạng biển báo giao thơng Trong tốn nhận dạng nhận dạng vạch kẻ đường, có nhiều cơng trình nghiên cứu sử dụng mạng nơ-ron nhân tạo (ANN) để đảm bảo tính xác có hiệu cao Tuy nhiên việc sử dụng mạng ANN nhiều thời gian để học mạng phải xử lý, học điểm ảnh liệu đầu vào Mạng CNN đời để khắc phục nhược điểm nhờ việc sử dụng lớp tích chập đặt phía trước lớp nơ-ron nhân tạo thơng thường để trích xuất đặc trưng ảnh đầu vào, giúp q trình học mơ hình nhanh nhiều, đồng thời đảm bảo tính xác cao Trong toán nhận dạng biển báo giao thơng, có số nghiên cứu chủ đề đạt kết khả quan Bài báo [4] trình bày phương pháp phát nhận dạng biển báo giao thông đường sử dụng kết hợp kỹ thuật phân đoạn ảnh, phát biên phân tích hình dáng đối tượng để phát vùng ứng viên biển báo giao thơng Sau đó, rút trích đặc trưng HOG huấn luyện mạng Nơ-ron nhân tạo để nhận dạng biển báo cho kết nhận dạng đạt tỉ lệ 94% Tuy nhiên, công trình chưa tối ưu cách hiệu Trong nghiên cứu [5], tác giả sử dụng phương pháp Haar-like kết hợp thuật toán tăng tốc Adaboost cho việc phát ảnh sử dụng phương pháp PCA cho nhiệm vụ phân loại Phương pháp chứng minh kết xác cao Mục tiêu báo tập trung vào giới thiệu xe tự hành nhóm tác giả phát triển, ứng dụng mơ hình CNN cho nhiệm vụ bám đường, sử dụng thuật toán Machine Learning Adaboost toán phân loại biển báo giao thơng đường bộ, sau tích hợp, lập trình nhúng tảng máy tính nhúng Jetson TX2 hệ điều hành robot (Robot Operating System - ROS), vi điều khiển STM32 tạo thành hệ thống xe tự hành chạy thử nghiệm CƠ SỞ LÝ THUYẾT/PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Cấu trúc phần cứng xe tự hành - Mạch điều khiển STM32 phận nhận tín hiệu điều khiển từ Jetson TX2 trực tiếp điều khiển tín hiệu đến mạch cầu MOSFET - Mạch cầu H sử dụng MOSFET mạch công suất điều khiển động DC bánh di chuyển - Module Bluetooth để thu tín hiệu điều khiển từ điện thoại di động muốn điều khiển trực tiếp Hình Sơ đồ cấu trúc phần cứng 2.2 Cấu trúc lập trình cho xe tự hành 2.2.1 Hệ điều hành lập trình Robot Operating System Với mục đích giải thách thức đến từ phức tạp kiến trúc phần mềm hệ thống xe robot tự hành, Robot Operating System (ROS) tảng quan trọng tạo điều kiện thuận lợi cho phát triển dự án lĩnh vực [6] Đây framework chịu trách nhiệm đồng hóa module phần mềm robot, trừu tượng chi tiết phần cứng lập trình viên, ngồi ROS cịn cung cấp cơng cụ mơ trực quan hóa mơ hình robot môi trường ảo Nhờ nhà phát triển thuận tiện thực dự án robot giai đoạn triển khai kiểm thử Về bản, ROS có đặc tính thiết yếu hệ điều hành khả thực tác vụ (task) song song, giao tiếp, trao đổi liệu với tác vụ, quản lý liệu,… Hơn nữa, để ROS ứng dụng lĩnh vực robotics, ROS phát triển riêng biệt thư viện, công cụ dành cho việc thu thập, xử lý, hiển thị, điều khiển,… ROS kết hợp, tương tác với nhiều robot framework khác Player, YARP, Orocos, CARMEN, Orca, Moos Microsoft Robotics Studio Cấu trúc phần cứng sử dụng: - Máy tính nhúng Jetson TX2 với cai trị xử lý trung tâm, xử lý hiệu cao chuyên dụng cho xử lý trí tuệ nhận tạo (AI), Deep Learning, thu tập tín hiệu từ cảm biến, astra camera, Lindar, IMU xử lý gửi tín hiệu đặt cho mạch điều khiển - Astra camera có độ phân giải hình ảnh RGB lên đến 1280 x 720 @ 30 khung hình / giây, độ sâu hình ảnh Res lên đến 640 x 480, tốc độ 30 khung hình / giây sử dụng mắt robot để thu hình ảnh từ mơi trường cách rõ nét chân thực nhất, đầu vào cho thuật toán nhận dạng vạch đường biển báo Website: https://tapchikhcn.haui.edu.vn Hình Cấu trúc chương trình ROS Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 39 KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 Cấu trúc giao tiếp ROS phát triển thông qua node, node đóng gói packages khác theo nhiệm vụ Hoạt động giao tiếp node dạng chủ đề, tin nhắn, dịch vụ minh họa hình 2.2.2 Lập trình điều khiển xe tự hành ROS Trong báo này, ROS đóng vai trò trung tâm điều phối module phần mềm hệ thống theo hình Các module đóng vai trò node mạng, thực trao đổi liệu thông qua chế subscribe (nhận giữ liệu) publish (cung cấp giữ liệu) tới topic, topic chứa giữ liệu cung cấp node Các chế trừu tượng hóa cung cấp API phục vụ cơng việc lập trình Hình Cấu trúc mạng CNN Lớp kết tích chập từ lớp trước đó, CNN có kết nối cục nơ-ron lớp sinh từ lọc áp đặt lên vùng cục lớp trước Mỗi lớp áp đặt lọc khác Một số lớp khác lớp pooling/subsampling dùng để lọc lại thơng tin hữu ích cách loại bỏ thơng tin nhiễu Trong suốt q trình huấn luyện, CNN tự động học tham số cho lớp Lớp cuối gọi lớp kết nối đầy đủ (Fully connected layer) dùng để phân lớp liệu Kiến trúc mạng đề xuất Trong nghiên cứu này, nhóm tác giả đề xuất xuất kiến trúc mạng dựa kiến trúc CNN NVIDIA DAVE-2 [8], kiến trúc mạng đề xuất biểu diễn hình Hình Hệ thống điều hướng xe tự hành Về kiến trúc phần mềm hệ thống điều hướng, node Astra camera có nhiệm vụ chuyển đổi tín hiệu điện từ camera thành hình ảnh RGB, sau publish hình ảnh vào topic /rgb_image Node Navigation Core subcrible topic /rgb_image để nhận hình ảnh phục vụ cho trình dự đốn góc lái Tại đây, khối Lane Detection làm nhiệm vụ sử dụng mơ hình CNN huấn luyện dự đốn góc lái dự kiến, khối Traffic Classification sử dụng thuật toán Adaboost Cascaded để phát đưa phân lớp biến báo xuất hình ảnh Tiếp theo, khối Main Process kết hợp đầu hai khối trước để tính tốn góc lái cuối mà cấu chấp hành cần tuân theo Góc lại node Navigation Core publish vào topic /angle, nhiệm vụ lại node Motor Control với phụ trách vi điều khiển STM32 nhận liệu điều hướng động theo yêu cầu 2.3 Hệ thống nhận diện đường ứng dụng (Convolution Neural Network (CNN) Mạng nơ-ron tích chập (CNN) [7] mơ hình deep learning có khả xây dựng hệ thống phân loại với độ xác cao Cấu trúc CNN gồm lớp tích chập (Convolution layer), lớp phi tuyến (Nonlinear layer) lớp lọc (Pooling layer) Các lớp tích chập kết hợp với lớp phi tuyến sử dụng hàm phi tuyến ReLU hay Tanh để tạo thông tin trừu tượng (Abstract/higher-level) cho lớp Cấu trúc mạng nơron tích chập biểu diễn hình Hình Mơ hình mạng CNN dự đốn góc quay Mơ hình có lớp với 250000 tham số cần chỉnh định Ảnh đầu vào ảnh RGB kích thước 200x66 pixel Với lớp tích chập, ảnh đầu vào trích xuất sau thu giá trị đặc trưng Qua lớp fully connected ta có đầu node góc giá trị đặt gửi xuống điều khiển để điều khiển xe Đó giá trị -30 độ (rẽ trái), độ (đi thẳng) 30 độ (rẽ phải) Lưu ý khối tầng từ đầu tới F6 ta sử dụng hàm kích hoạt Sigmoid dạng: 40 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số (10/2021) Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 f (x)  1 e x (1) 2.4 Phân loại biển báo ứng dụng CASCADE ADABOOST Quá trình nhận dạng biển báo giao thơng bao gồm tốn nhỏ phát nhận dạng Trong báo này, nhóm tác giả đề xuất sử dụng thuật toán Cascaded Adaboost với đặc trưng Haar-like [9] để xây dựng phân lớp cho loại biển 2.4.1 Thuật toán Adaboost Adaboost dựa kĩ thuật Boosting với ý tưởng gán cho mẫu trọng số W phân lớp tăng trọng số cho mẫu sai, giảm trọng số cho mẫu Sau tạo phân lớp theo hướng tập trung vào mẫu sai [10] Q trình huấn luyện mơ tả cụ thể: Bước 1: Cho tập ảnh huấn luyện (x1, t1) (xn , tn ) với ti  1 1 Khởi tạo trọng số cho mẫu huấn luyện w n(1)  / N với n 1,N sổ thỏa mãn tầng trước Hình minh họa sơ đồ cấu trúc phân tầng cho phát đối tượng Với cấu trúc này, giải thuật nhanh chóng loại bỏ ứng viên khơng thuộc lớp Hình Sơ đồ cấu trúc phân tầng KẾT QUẢ NGHIÊN CỨU/TÍNH TỐN/MƠ PHỎNG VÀ THẢO LUẬN 3.1 Hệ thống nhận dạng làng đường 3.1.1 Huấn luyện mạng Nhóm tác giả tiến hành huấn luyện với phương pháp back propagation Sử dụng tập ảnh huấn luyện với 1000 ảnh để học 400 ảnh để giám sát (dùng để chỉnh định hyperparameter mơ hình) Mục tiêu hàm sai số (loss function) Bước 2: Thủ tục Boosting E For m = 1…M Xây dựng phân lớp yếu ym: Với đặc trưng j xây dựng phân lớp yj có độ lỗi Ej theo cơng thức (2): (m ) n Ej  w * I(y m (xn ) # tn ) n (2) 1 N N  (y  y 0) (5) Tiến dần giá trị 0, với y giá trị mô hình dự đốn được, y0 giá trị gán cho tập đầu vào 3.1.2 Kết huấn luyện mạng Sau 2000 vịng lặp, kết huấn luyện đồ thị hàm sai số E thể hình 1 (y m  x n   tn ) với I  y m  x n   tn     ( y m ( xn )  tn ) Chọn phân lớp yj có độ lỗi nhỏ ta ym Cập nhật lại trọng số cho phân lớp sau cách tập trung vào mẫu sai theo công thức (3): wn(m1)  wn(m) e m I( ym ( xn )  tn ) Với: αm  ln 1 εm εm N m w    (3) n m Hình Kết huấn luyện * I  y m  x n   tn  N w m (4) n Bước 3: Bộ phân lớp cuối tổng M phân lớp Có thể thấy sau 2000 vịng lặp hàm sai lệch giảm xuống 0,0153 tương ứng sai số trung bình 1,53% độ xác mơ hình 98,47% Đây kết chấp nhận Tiến hành nhận dạng với mơ hình huấn luyện ta có kết bảng Bảng Kết huấn luyện nhận dạng đường CNN 2.4.2 Cấu trúc phân tầng Cascade AdaBoost phân lớp mạnh nhiên nhược điểm phân lớp yếu ta phải duyệt tất cửa sổ ảnh dẫn đến thời gian tính tốn lâu Để cải thiện nhược điểm người ta thường sử dụng cấu trúc phân tầng Cấu trúc phân tầng Viola and Jones giới thiệu lần [11] cho toán phát khuôn mặt Ý tưởng cấu trúc tầng xem xét đến cửa Website: https://tapchikhcn.haui.edu.vn Ảnh dãn nhãn rẽ trái Ảnh gián nhãn thẳng Ảnh dán nhãn rẽ phải Dự đoán rẽ trái 98,5% 0,5% 1% Dự đoán thẳng 0,48% 99% 0,52% Dự đoán rẽ phải 1,2% 0,89% 97,91% Với kết kết luận mơ hình đạt độ chĩnh xác cao với ảnh dán nhãn thẳng với độ Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 41 KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 xác 99%, tiếp sau ảnh rẽ trái với 98,5% ảnh rẽ phải với 97,91% Với kết mơ hình áp dụng với xe mơ hình xe tự hành đảm bảo kết bám đường xác 3.2 Hệ thống phân loại biển báo Trong nghiên cứu này, nhóm tác giả tiến hành nhận dạng loại biển: biển hạn chế tốc độ, biển rẽ trái, biển rẽ phải biển dừng (stop) tương ứng xây dựng phân lớp Hình 10 Hình ảnh trả từ camera Hình Biển báo cần nhận Dữ liệu để huấn luyện bao gồm 3020 ảnh khơng chứa biển báo, cịn lại loại sử dụng 1200 ảnh Các thông số chọn cho huấn luyện Cascade Adaboost sau: false positive rate, detection rate cascade false positive có giá trị 0,5; 0,5 0,005 Tại hình 11, nhận thấy đường có xuất góc cua trái đồng thời khơng có xuất biển báo, hệ thống điều hướng dự đốn góc quay -30 độ Các phân lớp sau kiểm th với 200 ảnh test chuẩn thi [11] kết thể bảng Bảng Kết huấn luyện phân lớp biển báo thuật toán Cascade Adaboost Biển hạn chế 40km/h Biển rẽ trái Biển rẽ phải Biển dừng Số lượng kiểm tra 50 50 50 50 Số phát 60 55 54 61 Số nhận dạng 45 47 46ử 43 Độ xác 90% 94% 92% 86% Hình 11 Hệ thống dự đốn góc quay -30 độ 3.3 Thử nghiệm mô Trong phần này, hệ thống điều hướng tiến hành mô phần mềm giả lập cung cấp Unity Trong q trình mơ phỏng, phần mềm giả lập trả liệu hình ảnh camera phía trước xe ghi lại Hình ảnh sử dụng làm đầu vào mơ hình CNN training thuật tốn phân loại biển báo để dự đốn góc quay cần thiết, sau truyền lại giá trị cho trình giả lập để điều hướng xe theo góc quay khung hình Hình Trình giả lập mơ xe tự hành 42 Tạp chí KHOA HỌC VÀ CÔNG NGHỆ ● Tập 57 - Số (10/2021) Hình 12 Kết dự đốn góc quay độ Hình 13 Kết dự đốn góc quay -30 độ Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 Tại hình 12, hệ thống nhận diện đường dự đốn góc quay độ, hệ thống phân loại biển báo dự đốn thành cơng biến báo rẽ trái, hệ thống điều hướng tiếp tục cho xe thẳng khơng cịn xuất biến báo tiến hành vào cua với góc quay -30 độ, theo hình 13 Trên trình giả lập mơ phỏng, hệ thống hoạt động tốt đáp ứng thời gian thực với tốc độ 30 FPS giúp xe di chuyển cách linh hoạt môi trường KẾT LUẬN VÀ KHUYẾN NGHỊ Bài báo trình bày phương pháp xây dựng hệ thống xe tự hành ứng dụng trí tuệ nhân tạo tảng hệ điều hành lập trình robot ROS cho tốn điều hướng tự động mơi trường tn theo tín hiệu đường biển báo giao thơng Mạng CNN ứng dụng cho nhiệm vụ xác định đường đảm bảo tính xác cao với tỉ lệ 98% Với ưu điểm có kiến trúc đơn giản sử dụng lớp Convolution để trích xuất đặc trưng ảnh làm rút ngắn thời gian học, mạng CNN ngày sử dụng phổ biến ứng dụng xử lý ảnh Thuật toán Adaboost ứng dụng cho tốn nhận dạng biển báo giao thơng đảm bảo tính xác cao, dễ dàng cho việc triển khai tảng máy tính nhúng Các kết kiểm thử phương pháp trình giả lập Unity cho thấy tính hiệu quả, khả thi phương pháp điều hướng cho xe tự hành [10] Yoav Freund, Robert E Schapire, 1999 A Short Introduction to Boosting Journal of Japanese Society for Artificial Intelligence, 14(5):771-780 [11] Paul Viola and Michael Jones, 2002 Fast and Robust Classification using Asymmetric AdaBoost and a Detector Cascade Advances in neural information processing systems 14 AUTHORS INFORMATION Ha Thi Kim Duyen1, Le Manh Long1, Nguyen Duc Duy1, Phan Sy Thuan1, Nguyen Ngoc Hai1, Nguyen Thi Tu Uyen1, Ngo Manh Tien2 Faculty of Electronic Engineering, Hanoi University of Industry Insititute of Physics, Vietnam Academy of Science and Technology TÀI LIỆU THAM KHẢO [1] Kocic Jelena, Jovicic Nenad, Drndarevic Vujo., 2019 An End-to-End Deep Neural Network for Autonomous Driving Designed for Embedded Automotive Platforms Sensors 10.3390/s19092064 [2] Lenac Kruno, Kitanov Andrej, Cupec Robert, Petrovic, Ivan, 2017 Fast planar surface 3D SLAM using LIDAR Robotics and Autonomous Systems 92 197220 10.1016/j.robot.2017.03.013 [3] Yuan Chang, Chen Hui, Liu Ju, Zhu Di, Xu Yanyan, 2018 Robust Lane Detection for Complicated Road Environment Based on Normal Map IEEE Access PP 1-1 10.1109/ACCESS.2018.2868976 [4] Truong Quoc Bao, Truong Hung Chen, Truong Quoc Dinh, 2015 Road traffic sign detection and recognition using HOG feature and Artificial Neural network Journal of Science, Can Tho University [5] Nguyen Van Long, 2016 Learn and propose methods to identify and classify traffic signs in Vietnam Master thesis, Duy Tan University [7] Albawi Saad, Abed Mohammed Tareq, Alzawi Saad, 2017 Understanding of a Convolutional Neural Network 2017 International Conference on Engineering and Technology (ICET) [8] Bojarski Mariusz, Testa Davide, Dworakowski Daniel, Firner Bernhard, Flepp Beat, Goyal Prasoon, Jackel Larry, Monfort Mathew, Muller Urs, Zhang Jiakai, Zhang Xin, Zhao Jake, Zieba Karol, 2016 End to End Learning for SelfDriving Cars Computer Vision and Pattern Recognition [9] R Lienhart, J Maydt, 2002 An extended set of Haar features for rapid object detection IEEE Image Processing Website: https://tapchikhcn.haui.edu.vn Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 43 ... TX2 hệ điều hành robot (Robot Operating System - ROS), vi điều khiển STM32 tạo thành hệ thống xe tự hành chạy thử nghiệm CƠ SỞ LÝ THUYẾT/PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Cấu trúc phần cứng xe tự hành. .. thống xe tự hành ứng dụng trí tuệ nhân tạo tảng hệ điều hành lập trình robot ROS cho tốn điều hướng tự động mơi trường tn theo tín hiệu đường biển báo giao thông Mạng CNN ứng dụng cho nhiệm vụ... 12, hệ thống nhận diện đường dự đốn góc quay độ, hệ thống phân loại biển báo dự đoán thành công biến báo rẽ trái, hệ thống điều hướng tiếp tục cho xe thẳng không cịn xuất biến báo tiến hành vào