Tổng thời gian mà chúng tôi thực hiện đào tạo kết hợp với 100 chu kỳ cho 15500 mẫu là khoảng 280 phút. Do đó, trung bình một chu kỳ mất 168 giây để hoàn thành. Một số hình ảnh đại diện cho các lớp tích chập được thể hiện trong hình 5.6.
Bảng 5.1: Sự ảnh hưởng của chu kỳ huấn luyện đến độ chính xác của mô hình
Số thứ Số lượng mẫu Chu kỳ Thời gian Độ chính xác
tự huấn luyện huấn huấn luyện
luyện
1 15500 30 92 minutes 97,08%
2 15500 50 155 minutes 97,77%
a) b)
c) d)
Hình 5.6: Trực quan các lớp tích chập. a) ảnh gốc. b), c) và d) là lần lượt là các lớp tích chập thứ 1,2 và 3
5.5. Kết quả thực nghiệm ngoài trời:
Sau khi được huấn luyện trên laptop, mô hình đã được sao chép trở lại Raspberry Pi. Mạng sau đó được bộ điều khiển chính của xe sử dụng để cấp khung hình từ Camera Pi làm đầu vào. Trong mỗi giai đoạn điều khiển, mỗi giây 10 hình ảnh được xử lý và tốc độ tối đa của xe xung quanh đường cong là khoảng 5-6 km/h.
Mô hình dự đoán góc lái đạt được độ chính xác khá thuyết phục, cụ thể là 98,23% (Hình 5.7). Kết quả của thí nghiệm này dựa trên mô hình xe tự hành có thể tự động điều hướng trong cả hai quỹ đạo với điều kiện lái xe đa dạng, bất kể cho dù dấu hiệu làn đường có hay không. Giá trị góc lái được dự đoán tương đối chính xác (Hình 5.8).
Hình 5.7: Độ chính xác của mạng CNN được đề xuất
Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN6.1. Kết luận 6.1. Kết luận
Ưu điểm của nghiên cứu này là:
Tác giả đã ứng dụng mạng neural học sâu trên cấu hình phần cứng thấp và chạy thực nghiệm cho kết quả thuyết phục, cụ thể là 98,23%.
Ngoài ra, luận văn còn kết hợp nhận dạng biển báo giao thông và xe tự hành trên mô hình thực tế.
Đề tài còn có thể mở rộng phạm vi ứng dụng trong các loại robot hoặc xe tự hành thực ở các môi trường khác.
Dữ liệu là một trong những vấn đề quan trọng nhất dẫn đến độ chính xác của mô hình của chúng tôi (Bảng 6.1). Hơn nữa, tăng chu kỳ huấn luyện để mô hình tiếp cận đến vị trí hội tụ là một cách để có một mô hình với kết quả thuyết phục (Bảng 5.1).
Bảng 6.1: Sự ảnh hưởng của số lượng mẫu huấn luyện đến độ chính xác của mô hình
Số thứ Số lượng mẫu Chu kỳ Thời gian huấn Độ chính xác
tự huấn luyện huấn luyện luyện
1 10000 100 173 minutes 96,78%
2 12500 100 212 minutes 97,15%
3 15500 100 280 minutes 98,23%
Nhược điểm: tác giả quan sát thấy trong quá trình huấn luyện / thực nghiệm mô hình thì xảy ra vấn đề về độ trễ của máy ảnh. Việc này được định nghĩa là khoảng thời gian từ khi cảm biến máy ảnh quan sát hiện trường đến khi máy tính thực sự đọc dữ liệu hình ảnh số. Thật không may, thời gian này có thể dài đáng kể tùy thuộc vào máy ảnh và hiệu suất của Pi, khoảng 300-350 mili giây. Điều này là cao hơn đáng kể so với độ trễ của nhận thức của con người. Độ trễ máy ảnh cao hơn có thể ảnh hưởng
tiêu cực đến hiệu suất điều khiển, đặc biệt đối với các ứng dụng quan trọng về an toàn, bởi vì mạng thần kinh học sâu sẽ phân tích các cảnh cũ.
6.2. Hướng phát triển
Tóm lại, tác giả đã tạo ra một mô hình dự đoán góc lái của một mô hình xe tự hành sử dụng mạng nơ-ron tích chập. Mặc dù đã đạt được một kết quả khả quan nhưng trong tương lai gần, tác giả sẽ tiếp cận một số nghiên cứu sau đây:
1) Nghiên cứu cải thiện độ chính xác của mô hình tốt hơn nữa sẽ là vấn đề mà nhóm quan tâm.
2) Xác định và sử dụng máy ảnh có tốc độ màn sập cao cũng như cải thiện hiệu suất của mô hình xe tự hành
3) Thêm phần huấn luyện giá trị tốc độ của mô hình xe tự hành với tham vọng xe chạy được tốc độ cao và chính xác hơn.
TÀI LIỆU THAM KHẢO
[1] Minh-Thien Duong, Truong-Dong Do and My-Ha Le, “Navigating Self- Driving Vehicles Using Convolutional Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD). IEEE, 2018. p. 607-610
[2] S. G. Jeong et al., “Real time lane detection for autonomous navigation,” in
[3] K. A. Redmill, S. Upadhya, A. Krishnamurthy, and Ü. Özgüner, “A lane tracking system for intelligent vehicle application,” in Proc. IEEE Intell.Transp. [4] Hsu-Yung Cheng, Bor-Shenn Jeng, Pei-Ting Tseng, and Kuo-Chin Fan, “Lane Detection with Moving Vehicles in Traffic Scenes”, IEE Transactions on intelligent transportation systems, vol 7, No.4, December 2006
[5] Kamarul Ghazali, Rui Xiao, Jie Ma, “Road Lane Detection Using H- Maxima and Improve Hough Transform”, 2012 Fourth International Conference on Computational Intelligence, Modelling and Simulation
[6] Mohamed Aly, “Real time Detection of Lane Markers in Urban Streets” 2008 IEEE Intelligent Vehicles Symposium Eindhoven University of Technology Eindhoven, The Netherlands, June 4-6, 2008
[7] S. Hong, M. Hyung Lee, S. Hong Kwon and H. Hwan Chun, “A car test for the estimation of GPS/INS alignment errors,” IEEE Trans. Intell. Trans. Syst. 5(3), 208–218 (2004)
[8] Vicente Milanés, José E. Naranjo, Carlos González, Javier Alonso and Teresa de Pedro, “ Autonomous vehicle based in cooperative GPS and inertial systems”, Robotica (2008) volume 26, pp. 627-633, Cambridge University Press [9] Araki M, “PID Control” Control systems robotics and automation – Vol. II [10] Djork-Arné Clevert, Thomas Unterthiner, Sepp Hochreiter, "Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs)" Published asa conference paper at ICLR 2016
[11] Diederik P. Kingma, Jimmy Ba, “Adam: A method for Stochastic Optimization” Published as a conference paper at ICLR 2015
[12] Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky, Ilya Sutskever, Ruslan Salakhutdinov, “Dropout: A Simple Way to Prevent Neural Networks from Overfitting”, Journal of Machine Learning Research 15 (2014)
PHỤ LỤC
Hai bài báo đã được đăng trong tạp chí quốc tế, thuộc hệ thống IEEE “4th International Conference on Green Technology and Sustainable Development – GTSD 2018”:
[1] Minh-Thien Duong, Truong-Dong Do and My-Ha Le, “Navigating Self- Driving Vehicles Using Convolutional Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD). IEEE, 2018. p. 607-610
[2] Truong-Dong Do, Minh-Thien Duong, Quoc-Vu Dang and My-Ha Le, “Real-Time Self-Driving Car Navigation Using Deep Neural Network”, 2018 4th International Conference on Green Technology and Sustainable Development (GTSD). IEEE, 2018. p. 7-12.