6 Tổng kết
5.13 Môi trường giả lập phức tạp
bảo an toàn trong suốt quá trình di chuyển.
Mô phỏng 2 : Môi trường phức tạp Tiếp theo, tiến hành thay đổi môi trường trở nên phức tạp và nhiều vật cản hơn như hình 5.13. Ở môi trường này, ta thấy rằng Global Map không thể lấy hết tất cả thông tin từ Start đến Goal do giới hạn sensor chỉ là 10m. Nên trong quá trình xây dựng quỹ đạo, việc không chắc chắn được quỹ đạo có va chạm với vật cản là điều thường xuyên xảy ra. Do đó, các khối về Local Map và Local Planning sẽ được đánh giá để giải quyết các tình huống này.
Quỹ đạo di chuyển
Áp dụng phương án nhóm đã đề xuất tại 4.2.1, ta có 4 quỹ đạo toàn cục để đến được vị trí mục tiêu thể hiện trong hình 5.14. Tại đây, 4 quỹ đạo này không còn đảm bảo tiêu chí không va chạm vật thể do thông tin giới hạn về môi trường.
Bên cạnh đó, ta có kết quả từ các quỹ đạo cục bộ trong hình 5.15. Thời gian xử lý
Bảng thông số 5.3 cho ta các thông tin cần thiết về lời giải cho 4 quỹ đạo toàn cục tại 5.14. Thời gian để quỹ đạo tối ưu cho các waypoints từ giải thuật A* là quá lớn vì số lượng waypoints nhận được. Kỹ thuật path smoothing giúp loại bỏ vấn đề này và cho ra quỹ đạo với công điều khiển tốt nhất, nhưng bù lại thời gian thực thi giải thuật kém hơn 8 lần 2 phương pháp lấy mẫu là RRT* và Informed RRT*.
Bên cạnh đó, ta xem xét các thông số tương tự đối với quỹ đạo cục bộ tại 5.4. Nhận thấy rằng quỹ đạo được tạo ra từ các waypoints của A* sau khi dùng path smoothing có quãng đường cũng như công nhỏ nhất. Và tổng thời gian chạy giải thuật và tốt ưu là ngắn nhất.
(a) Quỹ đạo toàn cục từ waypoints của A*. (b) Quỹ đạo toàn cục từ waypoints của Astar với path smoothing.
(c) Quỹ đạo toàn cục từ waypoints của RRT*.
(d) Quỹ đạo toàn cục từ waypoints của In- formed RRT*.
Hình 5.14: Kết quả của 4 quỹ đạo toàn cục được xây dựng từ waypoints của 4 phương pháp motion planning cho mô phỏng 2. Đường cong màu cam là các quỹ đạo, các điểm màu đỏ là các waypoints tương ứng, và các ô màu xanh là không gian trạng thái biểu diễn bởi octomap.
Thời gian
thực thi giải thuật (ms)
Thời gian
tối ưu quỹ đạo
Số lượng
waypoints Goal cost từgiải thuật Côngđạo quỹ
A* 283 43920 86 42 0.25 A* với path smoothing 420 35 3 39.5 0.010 RRT* 50 103 5 47.7 0.022 Informed RRT* 50 131 6 50.3 0.027
Bảng 5.3: Bảng thể hiện thông số của 4 giải thuật và 4 quỹ đạo tương ứng với kết quả ở hình 5.14 trong mô phỏng 2.
Để đánh giá độ an toàn của quỹ đạo, ta xem xét biểu đồ 5.16. Biểu đồ cho thấy rằng khoảng cách đến vật cản gần nhất luôn dương, đảm bảo an toàn của quỹ đạo đề xuất.
Bên cạnh đó, ta xem xét sai số giữa quỹ đạo đề ra và quỹ đạo thật sự thông qua điều khiển động học qua biểu đồ 5.17. Sai số RMSE của hai quỹ đạo là 0.11
(a) Quỹ đạo cục bộ từ waypoints của A*. (b) Quỹ đạo cục bộ từ waypoints của Astar với path smoothing.
(c) Quỹ đạo cục bộ từ waypoints của RRT*.(d) Quỹ đạo cục bộ từ waypoints của In- formed RRT*.
Hình 5.15: Kết quả của 4 quỹ đạo cục bộ được xây dựng từ waypoints của 4 phương pháp motion planning cho mô phỏng 2. Đường cong màu xanh dương là các quỹ đạo, các điểm màu tím là các waypoints tương ứng, và các ô màu đỏ là không gian trạng thái biểu diễn bởi ring buffer
Thời gian
thực thi giải thuật (ms)
Thời gian
tối ưu quỹ đạo
Số lượng
waypoints Goal cost từgiải thuật Côngđạo quỹ
A* 0.23 440 10 8 0.394 A* với path smoothing 0.31 20 3 5.9 0.043 RRT* 10 15 3 8.6 0.048 Informed RRT* 10 18 3 8.8 0.054
Bảng 5.4: Bảng thể hiện thông số của 4 giải thuật và 4 quỹ đạo tương ứng với kết quả ở hình 5.15 trong mô phỏng 2.
Hình 5.16: Biểu đồ khoảng các đến vật cản gần nhất trên quỹ đạo của UAV trong mô phỏng 2
(a) Quỹ đạo toàn cục từ waypoints của A*. (b) Quỹ đạo toàn cục từ waypoints của Astar với path smoothing.
(c) Quỹ đạo toàn cục từ waypoints của RRT*.
(d) Quỹ đạo toàn cục từ waypoints của In- formed RRT*.
Hình 5.18: Kết quả của 4 quỹ đạo toàn cục được xây dựng từ waypoints của 4 phương pháp motion planning cho mô phỏng 3. Đường cong màu cam là các quỹ đạo, các điểm màu đỏ là các waypoints tương ứng, và các ô màu xanh là không gian trạng thái biểu diễn bởi octomap.
Đánh giá
Ở mô phỏng thứ 2, nhóm đã thành công điều khiển UAV đến được vị trí mục tiêu đồng thời đảm bảo an toàn không va chạm. Phương pháp đề xuất tái xây dựng quỹ đạo cục bộ hoạt động nhanh chóng và hiệu quả, có khả năng nhận biết và né tránh vật thể đi vào tầm nhìn của cảm biến.
Mô phỏng 3 : Môi trường phức tạp và có vật di chuyển Ở trường hợp cuối cùng, để đánh giá khả năng đáp ứng và hiệu suất của các cách tiếp cận tái tạo bản đồ. Môi trường sẽ được thêm một số vật có khả năng chuyển động.
Quỹ đạo di chuyển
Áp dụng phương án nhóm đã đề xuất tại 4.2.1, ta có 4 quỹ đạo toàn cục để đến được vị trí mục tiêu thể hiện trong hình 5.18. Tại đây, 4 quỹ đạo này không còn đảm bảo tiêu chí không va chạm vật thể vì có vật thể di chuyển ra vào đường đi của quỹ đạo.
(a) Quỹ đạo cục bộ từ waypoints của A*. (b) Quỹ đạo cục bộ từ waypoints của Astar với path smoothing.
(c) Quỹ đạo cục bộ từ waypoints của RRT*.(d) Quỹ đạo cục bộ từ waypoints của In- formed RRT*.
Hình 5.19: Kết quả của 4 quỹ đạo cục bộ được xây dựng từ waypoints của 4 phương pháp motion planning cho mô phỏng 3. Đường cong màu xanh dương là các quỹ đạo, các điểm màu tím là các waypoints tương ứng, và các ô màu đỏ là không gian trạng thái biểu diễn bởi ring buffer
Planning như hình 5.19 Thời gian xử lý
Bảng thông số 5.5 cho ta các thông tin cần thiết về lời giải cho 4 quỹ đạo toàn cục tại 5.18. Lần này, Giải thuật A* có tốc độ thực nhanh nhất, tuy nhiên thời gian cần để tối ưu hóa quỹ đạo vẫn quá lớn vì số lượng lớn ràng buộc. Bước hậu xử lí path smoothing đã cải thiện vấn đề đó và đưa thời gian tối ưu quỹ đạo về 52ms. Tuy nhiên tổng thời gian để cho ra quỹ đạo lại kém hơn so với 2 giải thuật lấy mẫu.
Bên cạnh đó, ta có các thông số của các quỹ đạo cục bộ 5.19 tại bảng 5.6. Ta lại có tổng thời gian sinh ra quỹ đạo của phương pháp A* kết hợp path smoothing là nhỏ nhất và cho quãng đường ngắn nhất. Trường hợp này giải thuật Informed RRT* thất bại cho việc tìm đường đi đến mục tiêu và cần nhiều thời gian hơn 10ms.
Khoảng cách tới vật cản
Để đánh giá độ an toàn của quỹ đạo, ta xem xét biểu đồ 5.20. Biểu đồ cho thấy rằng khoảng cách đến vật cản gần nhất luôn dương, đảm bảo an toàn của quỹ đạo đề xuất.
Thời gian thực thi giải thuật (ms)
Thời gian
tối ưu quỹ đạo
Số lượng
waypoints Goal cost từgiải thuật Côngđạo quỹ
A* 23 39686 82 40 0.173 A* với path smoothing 177 52 2 39.11 0.009 RRT* 50 144 6 49.01 0.024 Informed RRT* 50 102 6 50.70 0.026
Bảng 5.5: Bảng thể hiện thông số của 4 giải thuật và 4 quỹ đạo tương ứng với kết quả ở hình 5.18 trong mô phỏng 3.
Thời gian
thực thi giải thuật (ms)
Thời gian
tối ưu quỹ đạo
Số lượng
waypoints Goal cost từgiải thuật Côngđạo quỹ
A* 0.05 399 8 6 0.48 A* với path smoothing 0.11 73 4 5.6 0.12 RRT* 10 23 3 8.76 0.07 Informed RRT* 10 21 3 NA NA
Bảng 5.6: Bảng thể hiện thông số của 4 giải thuật và 4 quỹ đạo tương ứng với kết quả ở hình 5.19 trong mô phỏng 3.
Hình 5.20: Biểu đồ khoảng các đến vật cản gần nhất trên quỹ đạo của UAV trong mô phỏng 3
Bên cạnh đó, ta xem xét sai số giữa quỹ đạo đề ra và quỹ đạo thật sự thông qua điều khiển động học qua biểu đồ 5.21. Sai số RMSE của hai quỹ đạo là 0.12
Hình 5.21: Biểu đồ quỹ đạo đề xuất và quỹ đạo di chuyển của mô phỏng 3 Đánh giá
Ở mô phỏng thứ 3 với vật thể động. Nhóm đã thành công trong việc nhận diện và xây dựng trước một quỹ đạo không va chạm khi vật thể đi vào tầm nhìn. Tuy nhiên, tính an toàn không còn đảm bảo vì vật thể tiếp tục di chuyển vào quỹ đạo mới, có thể dẫn đến va chạm không đáng có.
Kết luận từ các mô phỏng Ở 3 ví dụ về môi trường mô phỏng trên, nhóm đã thành công đưa UAV từ trạng thái bắt đầu về trạng thái mục tiêu như mong muốn, đồng thời tránh được va chạm với các vật cản trong môi trường. Từ đây nhóm nhận định được rằng việc tái cấu trúc không gian trạng thái và xây dựng quỹ đạo đã đề xuất là khả thi về mặt thực nghiệm trông môi trường mô phỏng. Nhóm nhận thấy rằng, với khối Global Planning - xây dựng quỹ đạo toàn cục, sử dụng giải thực Informed RRT* cho kết quả tốt nhất do tính phức tạp và độ lớn của không gian trạng thái toàn cục. Về khối Local Planning - xây dựng quỹ đạo cục bộ, việc dựa vào giải thuật A* để xây dựng quỹ đạo
Loại bản đồ Thời gian chèn(ms) Ram (Mb)
Global Map 450 492
Local Map 43 213
Bảng 5.7: Bảng so sánh thời gian chèn gói tin point cloud và ram sử dụng của bản đồ. cho kết quả tốt nhất, vì mục tiêu cục bộ được chọn gần với trạng thái hiện tại, và không gian trạng thái cục bộ được xây dựng tương đối nhỏ.
B Tái cấu trúc môi trường
Đối với vấn đề tái cấu trúc môi trường, tham số để đánh giá sẽ bao gồm : Tốc độ gói tin point cloud được chèn vào bản đồ; Tần số cập nhập gói tin bản đồ; Mức độ chiếm dụng RAM của bản đồ.
Sau một thực nghiệm, việc tái cấu trúc môi trường trong mô phỏng được thực hiện độc lập trên mỗi ROS node khác nhau với các thông số cấu hình : Độ chi tiết mỗi ô là 40cm; Global Map độ sâu của Octree là 16; Local Map độ lớn của grid là 16*16*16.
Sau khi thực hiện qua cả ba mô hình mô phỏng, ta có được bảng 5.7. Đầu tiên, tham số tốc độ một gói tin point cloud từ sensor được thêm vào trong bản đồ (đơn vị ms). Bảng cho thấy tốc độ thêm gói tin point cloud vào Local Map nhanh gấp 10 lần Global Map. Tiếp theo đó là dung lượng ram sử dụng cho của Global Map nhiều gấp 2.3 lần so với Local Map.
Từ tốc độ xử lý tác vụ thêm như vậy, tiếp theo ta so sánh tốc độ cập nhập gói tin bản đồ (đơn vị Hz) theo thời gian thực trong suốt quá trình di chuyển của từng loại bản đồ. Hình 5.22 cho ta thấy, gói tin bản đồ từ Local Map có thời gian cập nhập khoảng 7.4Hz (135ms), nhanh gần gấp đôi so với Global Map.
Hình 5.22: So sánh tốc độ cập nhập gói tin bản đồ theo thời gian trên giả lập.Qua các tham số so sánh như trên ta thấy được rằng, việc sử dụng Local Map để đáp Qua các tham số so sánh như trên ta thấy được rằng, việc sử dụng Local Map để đáp ứng các tác vụ cần tương tác theo thời gian thực là hoàn tòan khả thi. Bên cạnh đó, để sử dụng bản đồ cho các nhiệm vụ sau đó, cấu trúc Octomap mang đến sự linh hoạt và gọn nhẹ phù hợp cho các hệ thống máy tính nhúng nhỏ gọn.
5.3.2 Thí nghiệm thực tế
Đối với các thí nghiệm thực tế, để đảm bảo tính ổn định của hệ thống như đã trình bày ở phần 5.1.1, cần phải giới hạn xung nhịp của Jetson Nano chỉ còn 4-core ARM A57 @ 1.2 GHz. Còn về GPU NVIDIA Maxwell architecture with 128 NVIDIA CUDA®cores và RAM 4GB không có sự thay đổi. Tuy nhiên, do tình hình của đại dịch Covid-19, việc đánh giá bay thực tế trở nên bất khả thi với nhóm. Vì thế nhóm chỉ có thể thực nghiệm đánh giá các yếu tố sau : đánh giá khối ước tính trạng thái (VIO) trong nhà và ngoài trời; thời gian chạy giải thuật xây dựng quỹ đạo chuyển; thời gian chèn gói tin vào bản đồ, thời gian đáp ứng của gói tin bản đồ.
Ước tính trạng thái Như đã đề cập ở phần 5.1.2, để đánh giá cụ thể hơn khả năng đáp ứng từ khối ước tính trạng thái, nhóm tiến hành thực hiện 2 thí nghiệm như sau :
• Di chuyển trong nhà : Lúc này, khối EKF2 của PX4 không thể hoạt động do không đủ tín hiệu GPS. Do đó, việc xác định vị trí của UAV hoàn toàn dựa vào khối ước tính trạng thái (VIO). Hình 5.23 cho ta thấy việc sử dụng VINS-Mono là đầu vào
(a) Vị trí được ước tính từ VINS-Mono. (b) Vị trí được ước tính từ EKF2 với đầu vào từ VINS-Mono.
Hình 5.23: Sử dụng VINS-Mono trong việc ước tính trạng thái trong nhà.
cho khối EKF2 của PX4 mang đến sự chính xác chấp nhận được cho việc di chuyển trong nhà.
• Di chuyển ngoài trời: Ở phần 5.1.2, ta thấy rằng việc chỉ sử dụng GPS cho khối EKF2 là không khả thi cho bài toán. Bên cạnh đó, do hỗ trợ từ Firmware PX4 cho phép kết hợp sử dụng cả VIO và GPS. Nên cần phải so sánh việc sử dụng này với cùng một quỹ đạo. Hình 5.24 cho ta thấy việc phối hợp sử dụng VINS-Mono và GPS là không khả thi. Việc sai số này có thể đến từ chất lượng GPS mà nhóm sử dụng. Từ những đánh giá thực tế ở trên, nhóm quyết định sử dụng VINS-Mono là khối ước tính trại thái cho toàn bộ hệ thống của mình.
Đánh giá Sau việc thực nghiệm, nhóm thấy được việc sử dụng VINS-Mono cho khối ước tính trạng thái đối với hệ thống thực tiễn là hoàn toàn khả thi.
Xây dựng quỹ đạo và tái tạo bản đồ Do tình hình phức tạp của dịch covid-19, việc thực hiện bay và đánh giá ngoài trời là không khả thi tại thì điểm hiện nay. Được sự đồng ý của thấy hướng dẫn, nhóm tiến hành các thực nghiệm khách quan trong nhà như sau :
• Đối với khối xây dựng quỹ đạo, nhóm tiến hành đánh giá khối Global Planning từ điểm (0,0,0) đến điểm (5,0,1.75) với giải thuật InformedRRT* với thông số thời gian thực thi giải thuật là 138 ms, thời gian tối ưu quỹ đạo là258 ms, và số lượng waypoints là 6.
(a) Vị trí được ước tính từ VINS-Mono.
(b) Vị trí được ước tính từ EKF2 sử dụng
VINS-Mono và GPS. (c) Vị trí được ước tính từ EKF2 với chỉVINS-Mono.
Hình 5.24: So sánh 3 khối ước tính trạng thái với cùng một quỹ đạo di chuyển. trường trong thực tế. Một số tinh chỉnh về thông số trên cảm biến Intel Realsense D435i được nhóm thực nghiệm và cho ra kết quả tốt nhất như sau : Với thông số thời gian chèn trung bình của Global Map 600 ms có dung lượng ram sử dụng là 350 Mb và thời gian đáp ứng gói tin bản đồ là2.3Hz. Còn ởLocalMap thì thông số thời gian chèn trung bình là 128 ms, dung lượng ram sử dụng là 150 Mb và thời gian đáp ứng gói tin bản đồ là 4.8Hz.
(a) Dữ liệu pointcloud từ cảm biến Re-
alsense D435i. (b) Dữ liệu octomap được xây dựng.
Hình 5.25: Minh họa sử dụng hệ thống tái tạo môi trường trong thực tế.
Kết luận Sau những thực nghiệm thực tế với kết quả rất khả quan, nhóm tin rằng việc hệ thống có thể đáp ứng tốt trong điều kiện thực tế là hoàn toàn khả thi. Sau khi tình hình dịch ổn định, nhóm chắc chắn sẽ tiến hành thực nghiệm bay thử và đánh giá một lần nữa vì đó luôn là kết quả mà nhóm mong được nhất.
Như vậy, qua việc xây dựng hệ thống và đánh giá kết quả thực nghiệm trên cả mô