Mô hình xe tự hành

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN MƠ HÌNH XE TỰ HÀNH S K C 0 9 MÃ SỐ: SV2020-152 S KC 0 Tp Hồ Chí Minh, tháng 07/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN MƠ HÌNH XE TỰ HÀNH SV2020 - 152 Chủ nhiệm đề tài: Huỳnh Việt Cường TP Hồ Chí Minh, 07/2020 16119015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN MƠ HÌNH XE TỰ HÀNH SV2020 - 152 Thuộc nhóm ngành khoa học: Kỹ thuật SV thực hiện: Huỳnh Việt Cường Nam, Nữ: Nam Dân tộc: Kinh Lớp, khoa: 16119CLC – Đào tạo Chất Lượng Cao Năm thứ 4/Số năm đào tạo: Ngành học: Công nghệ kỹ thuật máy tính Người hướng dẫn: TS.Trần Vũ Hồng TP Hồ Chí Minh, 07/2020 i MỤC LỤC MỤC LỤC i DANH MỤC CÁC HÌNH ẢNH, BIỂU ĐỒ iv DANH MỤC CÁC BẢNG BIỂU vi DANH MỤC CÁC TỪ VIẾT TẮT viii CHƯƠNG 1: MỞ ĐẦU 1.1 ĐẶT VẤN ĐỀ 1.2 LÝ DO CHỌN ĐỀ TÀI 1.3 MỤC TIÊU 1.4 PHƯƠNG PHÁP, ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU 1.5 BỐ CỤC CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 THƯ VIỆN PYTORCH 2.2 XỬ LÝ ẢNH 2.2.1 Các khái niệm xử lý ảnh 2.2.2 Biến đổi Hough .11 2.3 MÁY HỌC (MACHINE LEARNING) 12 2.3.1 Giới thiệu 12 2.3.2 SVM .13 2.4 HỌC SÂU (DEEP LEARNING) 13 2.4.1 CNN 13 2.4.2 Phân đoạn ảnh (Image Segmentation) 14 2.4.3 Bài toán phát vật thể (Object Detection) 15 2.4.4 Phương pháp tối ưu 19 2.5 GIẢI THUẬT ĐIỀU KHIỂN PID 20 CHƯƠNG : GIỚI THIỆU VỀ PHẦN CỨNG 22 3.1 TỔNG QUAN PHẦN CỨNG 22 3.2 CHI TIẾT PHẦN CỨNG .23 3.2.1 Tổng quan xe Traxxas Desert 23 3.2.2 Các thiết bị xe 26 3.2.3 Tổng quang mạch adapter CDS TX2 .31 CHƯƠNG 4: THIẾT KẾ PHẦN MỀM 34 4.1.XỬ LÝ ON-ROAD 35 4.1.1 Xử lý ảnh RGB 35 4.1.2 Xử lý ảnh depth .39 4.2 XỬ LÝ OFF-ROAD .40 4.2.1 Tổng quan phương pháp .40 4.2.2 Hàm mát (loss function) .42 4.3 ĐIỀU KHIỂN 44 CHƯƠNG 5: KẾT QUẢ THỰC HIỆN, SO SÁNH VÀ ĐÁNH GIÁ 48 5.1 THỰC NGHIỆM 48 5.1.1 Môi trường thực nghiệm .48 5.1.2 Tập liệu 49 5.2 KỸ THUẬT HUẤN LUYỆN MẠNG VÀ THIẾT LẬP THÔNG SỐ 51 5.2.1 Xử lý On-road .51 5.2.2 Xử lý Off-road .51 5.3 KẾT QUẢ 51 5.3.1 Môi trường mô 51 5.3.2 Môi trường thực tế 53 5.4 SO SÁNH VÀ ĐÁNH GIÁ 56 5.4.1 Các phương pháp đánh giá kết 56 5.4.2 Kết On-road 58 5.4.3 Kết Off-road 60 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 65 6.1 KẾT LUẬN 65 6.2 HƯỚNG PHÁT TRIỂN .65 TÀI LIỆU THAM KHẢO .66 DANH MỤC CÁC HÌNH ẢNH, BIỂU ĐỒ Hình 1.1 Hệ thống hỗ trợ người lái (ADAS) Hình Workflow PyTorch Hình Hình tách biên sử dụng Canny 10 Hình Ánh xạ đường thẳng từ không gian ảnh sang khơng gian Hough 12 Hình Kiến trúc mạng CNN .14 Hình Ví dụ minh họa phân đoạn ngữ nghĩa .15 Hình Kiến trúc SSD 16 Hình Ứng dụng Mobilenet thiết bị thông minh 17 Hình 10 Kiến trúc mạng mobilenet version 18 Hình 11 Kiến trúc mạng Moblilenet version 18 Hình 12 Kiến trúc RFB 19 Hình Tổng quan phần cứng 22 Hình Xe RC 1/7 Traxxas Desert .23 Hình 3 Bộ điều tốc .24 Hình Động không chổi than 25 Hình Bộ xử lý trung tâm NVIDIA Jetson TX2 26 Hình Cảm biến khoảng cách 27 Hình Cảm biến gia tốc 28 Hình Pin LiPo 29 Hình Camera astra 30 Hình 10 Mạch chuyển đổi CDD 31 Hình 11 Sơ đồ kết nối mạch chuyển đổi với thiết bị ngoại vi 32 Hình 12 Mơ hình xe thực tế .32 Hình 13 NVIDIA Jetson TX2 gắn mạch chuyển đổi kết nối 33 Hình Sơ đồ tổng quan phương pháp .Error! Bookmark not defined Hình Tổng quan qui trình xử lý On-road Error! Bookmark not defined Hình Kiến trúc mạng đề xuất cho xử lý On-road 36 Hình 4 Phương pháp phát đường 37 Hình Xác định cụm dựa miền Hough 38 Hình Lọc 39 Hình Sơ đồ chi tiết thuật toán phát vật cản 40 Hình Sơ đồ phương pháp nhận diện biển báo 40 Hình Kiến trúc thuật tốn phát vị trí biển báo 41 Hình 10 Đặc trưng HOG biểu diễn t-SNE .42 Hình 11 Áp dụng kỹ thuật PID chạy bám đường 45 Hình 12 Vượt xe 45 Hình 13 Lưu đồ giải thuật điều khiển 46 Hình Mơi trường ảo dùng phần mềm UNITY 48 Hình Môi trường thực tế tự tạo .49 Hình Ảnh thu từ camera 50 Hình Các loại biển báo giao thông 50 Hình 5 Kết môi trường mô .52 Hình Kết môi trường mô .52 Hình Kết mơi trường thực tế sống (dữ liệu lấy từ video) 53 Hình 5.8 Kết mơi trường thực tế (Ảnh lấy từ mơ hình xe) 54 Hình 5.9 Kết nhận diện đường (1) 54 Hình 5.10 Kết nhận diện đường (2) 55 Hình 5.11 Kết nhận diện đường (3) 55 Hình 5.12 Kết nhận diện đường (4) 55 Hình 13 Ví dụ cho ma trận tương quan .57 Hình 14 Kết phân loại 60 Hình 23 (a) Kết điều kiện ánh sáng thấp (b) Kết điều kiện ánh sáng cao 61 DANH MỤC CÁC BẢNG BIỂU Bảng 1 THÁCH THỨC VÀ PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN PHÁT HIỆN BIỂN BÁO Bảng HIỆU SUẤT QUÁ TRÌNH PHÂN ĐOẠN 58 Bảng SỐ PHẦN TỬ ĐIỂM NỔI VÀ TỐC ĐỘ FPS .59 Bảng BẢNG SO SÁNH GIỮA MÔ-ĐUN CẢI TIẾN VỚI SKIPNET 59 Bảng HIỆU SUÂT CỦA PHÁT HIỆN LÀN ĐƯỜNG VỚI NHỮNG KHOẢNG CÁCH KHÁC NHAU 59 Bảng 5 FPS CỦA MỖI CÔNG VIỆC TRONG OFF-ROAD 61 Bảng ĐÁNH GIÁ KẾT QUẢ PHÁT HIỆN BIỂN BÁO TRONG CÁC LAANFN CHẠY THỬU NGHIỆM KHÁC NHAU 61 DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt ADAS Tên đầy đủ Advanced Driver Assistance Systems TSR Traffic Sign Detection LOD Lane and Obstacle Detection SSD Single Shot Multi-box Detector RFB Receptive Field Block SVM Support Vector Machine FPS Frames per second FLOPS Floating point operations per second HOG Histogram of Oriented Gradients GPU Graphics Processing Unit CUDA Central Processing Unit 55 Hình 5.10 Kết nhận diện đường (2) Hình 5.11 Kết nhận diện đường (3) Hình 5.12 Kết nhận diện đường (4) 56 5.4 SO SÁNH VÀ ĐÁNH GIÁ 5.4.1 Các phương pháp đánh giá kết 5.4.1.1 IOU IoU – Intersection over Union số liệu để định lượng phần trăm trùng lặp mặt nạ dán nhãn đầu dự đoán tính theo cơng thức (23) Với A tổng số điểm ảnh mặt nạ dán nhãn; B tổng số điểm ảnh mặt nạ đầu dự đoán IoU = 𝐴∩𝐵 (23) 𝐴∪𝐵 5.4.1.2 FLOPs Để đánh giá tốc độ mơ hình, nhóm đếm xem có tính tốn đó, gọi FLOPs – floating point operations per second 5.4.1.3 Độ xác điểm ảnh Để đánh giá độ xác phân lớp (class) nhóm sử dụng cơng thức (15) TP viết tắt từ true positive đại diện cho điểm ảnh dự đoán thuộc phân loại cho TN – true negative đại diện cho điểm ảnh dự đốn khơng thuộc phân loại cho Và tương tự với FP (fasle positive), FN (false negative), chúng biểu cho điểm ảnh dự đoán sai thuộc phân loại cho không thuộc phân loại cho 𝑎𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = 𝑇𝑃+𝑇𝑁 𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁 (24) 5.4.1.4 Mà trận tương quan (Confusion matrix) cho nhiều lớp Về bản, confusion matrix thể có điểm liệu thực thuộc vào class, dự đoán rơi vào lớp Để hiểu rõ hơn, xem bảng đây: 57 Hình 13 Ví dụ cho ma trận tương quan Có tổng cộng 10 điểm liệu Chúng ta xét ma trận tạo giá trị vùng 3x3 trung tâm bảng Ma trận thu gọi confusion matrix Nó ma trận vng với kích thước chiều số lượng lớp liệu Giá trị hàng thứ i, cột thứ j số lượng điểm lẽ thuộc vào class i lại dự đoán thuộc vào class j Như vậy, nhìn vào hàng thứ (0), ta thấy số bốn điểm thực thuộc lớp 0, có hai điểm phân loại đúng, hai điểm lại bị phân loại nhầm vào lớp lớp 5.4.1.5 Tỉ lệ báo động nhầm, tỉ lệ bỏ sót (FPR FNR) FPR FNR dựa vào bốn yếu tố: the false positive (FP), the true positive (TP), the false positive (FP) the false negative (FN) TP FP số lần phát biển báo chích xác khơng xác loại biển báo TN FN số lần phát biển báo loại cần quan tâm chích xác khơng xác Cơng thức tính FPR FNR bên dưới: FPR = FNR = 𝐹𝑃 𝐹𝑃+𝑇𝑁 𝐹𝑁 𝑇𝑃+𝐹𝑁 (25) (26) 58 5.4.2 Kết On-road Để đánh giá hiệu suất phát đường, nhóm sử dụng số: mean intersection over union (mean IU), mean accuracy (ACC), giga floating point operations (GFLOPs), frames per second (FPS) Trong bảng 5.1, nhóm thể hiệu suất mơ hình với nhiều kích thước đầu vào liệu CamVid Kết cho thấy hiệu tốt mơ hình sử dụng kích thước đầu vào 720x1280 360x640 Với kích thước đầu vào lớn 720x1280, hiệu suất có tăng lên tốc độ lại giảm lần so với 360x640, thể bảng 5.2 Ngoài bảng 5.1, nhóm so sánh hiệu suất mơ hình đề xuất với việc huấn luyện có multi-scale (MS) khơng có Khi huấn luyện có MS, hiệu suất tăng lên 1% Mean IU 1% đến 2% Mean ACC Cũng liệu CamVid nhóm so sánh phương pháp đề xuất với mạng SkipNet [37], mạng nhẹ cho phân đoạn đường Kết bảng 5.3 cho thấy hiệu suất phương pháp đề xuất tốt SkipNet tốc độ tính tốn nhiều Bảng HIỆU SUẤT QUÁ TRÌNH PHÂN ĐOẠN Input size MS Mean IU, % Mean ACC, % 360x640 Yes 73.71 94.1 No 72.01 92.5 Yes 78.08 97.9 No 77.5 96.02 Yes 68.44 87.1 No 67.77 85.56 Yes 62.38 80.9 No 59.03 76.1 720x1280 512x1024 480x640 59 Cuối để đánh giá mơ hình phát chướng ngại, nhóm sử dụng true positive rate (TPR) false positive rate (FPR) thể bảng 5.4 Kết cho thấy thuật toán phát chướng ngại vật đạt kết tốt khoảng cách nhỏ 6m Bảng SỐ PHẦN TỬ ĐIỂM NỔI VÀ TỐC ĐỘ FPS Input size GFLOPS FPS 360x640 2.18 14.5 720x1280 8.56 3.54 Bảng BẢNG SO SÁNH GIỮA MÔ-ĐUN CẢI TIẾN VỚI SKIPNET Method Input size GFLOP Mean IU, % Mean ACC, % S SkipNet [37] 360x640 6.2 57.02 80.05 Proposed 360x640 2.18 73.71 94.1 method Bảng HIỆU SUÂT CỦA PHÁT HIỆN LÀN ĐƯỜNG VỚI NHỮNG KHOẢNG CÁCH KHÁC NHAU Distance from camera to obstacle, meter TPR, % FPR, % 7 - - 60 5.4.3 Kết Off-road Hình 14 Kết phân loại Để đánh giá độ xác phương pháp đề xuất, nhóm dựa vào (1) FPR FNR với (2) ma trận tương quan Hệ thống chúng tơi vận hành thời gian thực thời gian đáp ứng từ 22 đến 23 ảnh giây (fps) Trong bảng 5.5, nhóm thể fps cơng việc Để đánh giá hiệu suất, nhóm thu thập liệu từ mơi trường thực tế cách cho mơ hình chạy lần FPR, FNR phần nhận diện biển báo ma trận tương quan phần phân loại biển báo thể tương ứng bảng 5.6 hình 5.14 Dựa kết quả, nhóm kết luận phương pháp đề xuất đạt hiệu suất tốt phần nhận diện nhúng vào phần cứng, độ xác trung bình đạt đến 99,78% Kể điều kiện ánh sáng bị thay đổi, hiệu suất hệ thống không bị ảnh hưởng (như thể hình 5.15) Tuy nhiên, hệ thống đề xuất cịn đơn giản, quan tâm loại biển báo giao thông thường gặp Để phát triển thực tế, đề tài cần mở rộng nhiều loại biển báo 61 Hình 15 (a) Kết điều kiện ánh sáng thấp (b) Kết điều kiện ánh sáng cao Bảng 5 FPS CỦA MỖI CÔNG VIỆC TRONG OFF-ROAD Task Response time Identifying the location of the considered objects 25 fps Recognizing objects 30 fps All 22~23 fps Bảng ĐÁNH GIÁ KẾT QUẢ PHÁT HIỆN BIỂN BÁO TRONG CÁC LAANFN CHẠY THỬU NGHIỆM KHÁC NHAU Dataset FPR (%) FNR (%) ACC (%) 0.69 0.025 99.65 0.99 0.012 99.81 0.12 0.023 99.73 0.55 0.017 99.87 0.57 0.019 99.84 Average 0.58 0.019 99.78 65 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 KẾT LUẬN Trong đề tài nhóm đề xuất hệ thống thống phát biển báo giao thơng, đường vật cản đường từ cho phép xe tự lái Để phát đường, nhóm đề xuất kết hợp phương pháp học sâu phương pháp xử lý ảnh truyền thống để vừa giảm thời gian công sức thu thập liệu giữ hiệu suất cao Những đường phát sau sử dụng để xác định đoạn đường phát vật cản đoạn đường thơng tin từ ảnh depth Bên cạnh đó, nhóm đề xuất model nhẹ để phát biển báo giao thơng xác định khoảng cách đến mơ hình Kết đánh giá cho thấy hệ thống nhóm hoạt động tốt môi trường thử nghiệm với xe mơ hình 6.2 HƯỚNG PHÁT TRIỂN Trong tương lại, nhóm cố gắng thử nghiệm chức đánh giá vào hệ thống xe thật quan tâm đến thách thức thực tế thời tiết (ảnh hưởng trực tiếp đến tầm nhìn camera), thời gian đáp ứng tốc độ xe mức cao, … Bên cạnh đó, nhóm thử nghiệm số nhiệm vụ cho hệ thống phát cảnh báo ổ gà, vết nứt đường, vật cản động phía trước Để tích hợp thêm nhiệm vụ vào hệ thống tăng độ xác, tốc độ xử lý đồng thời giảm thời gian huấn luyện mơ hình, nhóm nghiên cứu áp dụng multi-task learning transfer learning thời gian tới 66 TÀI LIỆU THAM KHẢO [1] Jamel Baili, Mehrez Marzougui , Ameur Sboui , Samer Lahouar , Mounir Hergli , J.Subash Chandra Bose, Kamel Besbes, "Lane Departure Detection Using Image Processing Techniques," in 2017 2nd International Conference on Anti-Cyber Crimes (ICACC), 2017 [2] Jihun Kim, Minho Lee, "Robust Lane Detection Based On Convolutional Neural Network and Random Sample Consensus," in Neural Information Processing, 21st International Conference, 2014, pp 454-461 [3] Ruyi Jiang, Mutsuhiro Terauchi, Reinhard Klette, Shigang Wang, Tobi Vaudrey, "Low-Level Image Processing for Lane Detection and Tracking," in ArtsIT, 2009 [4] Marc Revilloud , Dominique Gruyer, Evangeline Pollard, "An improved approach for robust road marking detection and tracking applied to multi-lane estimation," in 2013 IEEE Intelligent Vehicles Symposium (IV), 2013 [5] K Zhaom, M Meuter, C Nunn, D Muller, S Muller-Schneiders, and J Pauli, "A novel multi-lane detection and tracking system," in A novel multi-lane detection and tracking system,”, 2012 [6] D Neven, B-D.Brabandere, S Georgoulis, M Proesmans and L-V Gool, "Towards End-to-End Lane Detection: an Instance Segmentation Approach," in IEEE Intelligent Vehicles Symposium (IV), 2018 67 [7] Thanh-Phat Nguyen, Vu-Hoang Tran, Ching-Chung Huang, "Lane Detection and Tracking Based on Fully Convolutional Networks and Probabilistic Graphical Models," in IEEE, 2018 [8] Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, "SSD: Single Shot MultiBox Detector," in Computer Vision – ECCV 2016, 14th European Conference, 2016, pp 21-37 [9] B Anh, "Cơng nghệ xe tự hành Việt Nam: Cịn nhiều thách thức," [Online] Available: https://congluan.vn/cong-nghe-xe-tu-hanh-cua-viet-nam-con-nhieuthach-thuc-post39614.html [10] Ashanira Mat Deris, Azlan Mohd Zain, Roselina Sallehuddin, "Overview of Support Vector Machine in Modeling Machining Performances," in Procedia Engineering, 2011 [11] Chenchen Ji, Mingfeng Lu, Jinmin Wu, Zhen Guo, "Faster region-based convolutional neural network method for estimating parameters from Newton's rings," in Modeling Aspects in Optical Metrology VII, 2019 [12] Canan Tastimur, Mehmet Karaköse, Yavuz Celik, Erhan Akin , "Image processing based traffic sign detection and recognition with fuzzy integralv," in 2016 International Conference on Systems, Signals and Image Processing (IWSSIP), 2016 [13] Karsten Behrendt and Jonas Witt, "Deep Learning Lane Marker Segmentation From Automatically Generated Labels," in IEEE/RSJ International Conference on Intelligent Robots and Systems, 2017 68 [14] Yingmao Li, Asif Iqbal, Nicholas R Gans, "Multiple lane boundary detection using a combination of low-level image features," in IEEE 17th International Conference, 2014 [15] V Shrimali, "learnopencv," [Online] Available: https://www.learnopencv.com/pytorch-for-beginners-basics/ [16] "Wikipedia," [Online] Available: https://en.wikipedia.org/wiki/Digital_image_processing [17] "Wikipedia," [Online] Available: https://en.wikipedia.org/wiki/Hough_transform#:~:text=The%20Hough%20transfor m%20is%20a,shapes%20by%20a%20voting%20procedure [18] N H Tiệp, "Giới thiệu machine learning," [Online] Available: https://machinelearningcoban.com/2016/12/26/introduce/ [19] N H Tiệp, "Bài 19: Support vector machine," [Online] Available: https://machinelearningcoban.com/2017/04/09/smv/ [20] S Saha, "A Comprehensive Guide to Convolutional Neural Networks — the ELI5 way," [Online] Available: https://towardsdatascience.com/a-comprehensive-guideto-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 [21] "Missinglink.ai," [Online] Available: https://missinglink.ai/guides/computervision/image-segmentation-deep-learning-methods-applications/ 69 [22] J Hui, "SSD object detection: Single Shot MultiBox Detector for real-time processing," [Online] Available: https://medium.com/@jonathan_hui/ssd-objectdetection-single-shot-multibox-detector-for-real-time-processing-9bd8deac0e06 [23] R Girshick, "Fast R-CNN," in IEEE/CVF, 2015 [24] Andrew G Howard, Menglong Zhu, Bo Chen, Dmitry Kalenichenko, Weijun Wang, Tobias Weyand, Marco Andreetto, Hartwig Adam, "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," in IEEE/CVF, 2017 [25] Songtao Liu, di Huang, Yunhong Wang, "Receptive Field Block Net for Accurate and Fast Object Detection," 2017 [26] N H Tiệp, "Gradient Descent," [Online] Available: https://machinelearningcoban.com/2017/01/16/gradientdescent2/ [27] J Brownlee, "What is the Adam optimization algorithm?," [Online] Available: https://machinelearningmastery.com/adam-optimization-algorithm-for-deeplearning [28] "Định nghĩa PID," [Online] Available: https://prosensor.vn/pid-la-gi/ [29] Taha Emara, Hossam E Abd El Munim, Hazem M Abbas, "LiteSeg: A Novel Lightweight ConvNet for Semantic Segmentation," in DICTA Confence, 2019 [30] L.-C Chen, G Papandreou, I Kokkinos, K Murphy and A L Yuille, "DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, 70 and Fully Connected CRFs," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 40, no 4, pp 834-848, 2017 [31] "Polynomial Curve Fitting," [Online] Available: https://www.centerspace.net/polynomial-curve-fitting [32] Linzai, "Github.com," [Online] Available: https://github.com/Linzaer/Ultra-LightFast-Generic-Face-Detector-1MB [33] N Dalal, B Triggs, "Histograms of oriented gradients for human detection," in IEEE, 2005 [34] Laurens van der Maaten, Geoffrey Hinton, "Viualizing data using t-SNE," Journal of Machine Learning Research, vol 9, pp 2579-2605, 2008 [35] "CamVid," [Online] Available: https://pgram.com/dataset/camvid/ [36] J Brownlee, "Gentle Introduction to the Adam Optimization Algorithm for Deep Learning," 2017 [Online] Available: https://machinelearningmastery.com/adamoptimization-algorithm-for-deep-learning/ [37] Xin Wang, Fisher Yu, Zi-Yi Dou, Trevor Darrell, Joseph E Gonzalez, "SkipNet: Learning Dynamic Routing in Convolutional Networks," in CVPR, 2017 [38] "Feed the Troll 0.1.1 documentation," [Online] Available: http://docs.ros.org/ [39] M Haloi and D B Jayagopi, "A robust lane detection and departure warning system," in IEEE Intelligent Vehicles Symposium, 2015 71 [40] Soomok Lee, Seong-Woo Kim, Seung-Woo Seo, "Accurate ego-lane recognition utilizing multiple road characteristics in a Bayesian network framework," in IEEE Intelligent Vehicles Symposium, 2015 [41] M Aly, "Real time detection of lane markers in urban streets," in IEEE Intelligent Vehicles Symposium, 2008 S K L 0 ... 48 Hình Mơi trường thực tế tự tạo .49 Hình Ảnh thu từ camera 50 Hình Các loại biển báo giao thông 50 Hình 5 Kết môi trường mô .52 Hình Kết môi trường mô ... hội, an ninh, quốc phòng khả áp dụng đề tài: Đề tài "Mô hình xe tự hành" đóng góp mặt giáo dục xã hội Đề tài nghiên cứu thuật toán dành cho xe tự hành Đặt biệt thuật toán lĩnh vực thị giác máy tính,... 29 Hình Camera astra 30 Hình 10 Mạch chuyển đổi CDD 31 Hình 11 Sơ đồ kết nối mạch chuyển đổi với thiết bị ngoại vi 32 Hình 12 Mơ hình xe thực tế .32 Hình