Trong đối tượng này, ban đầu xe vẫn đang chạy thẳng. Nếu khi hệ thống phát hiện ra đối tượng mà khoảng cách giữa xe và đối tượng chưa đạt yêu cầu thì xe vẫn sẽ chạy tiếp, đến khi khoảng cách giữa xe và đối tượng phù hợp yêu cầu thì chúng tôi sẽ điều khiển xe đánh lái một góc tương ứng với khoảng cách giữa xe và đối tượng để cho xe rẽ trái (nếu đối tượng lệch về bên phải) hoặc rẽ phải (nếu đối tượng lệch về bên trái). Sau khi đánh lái và vượt qua đối tượng thì xe sẽ trả lái và tiếp tục chạy thẳng.
Hình 5.22. Phát hiện “CAR” và xe tiếp tục chạy
109
Hình 5.24. Phát hiện “CAR” và xe đánh lái một góc 300
Nhận xét:
– Độ chính xác khi nhận diện các đối tượng vẫn cao (hầu hết trên 90%) khi chạy chương trình xử lý tránh vật cản.
– Tốc độ khung hình khá ổn định (16 – 21 FPS) giúp cho tốc độ xử lý ở những khúc xe đánh lái khá trơn tru.
– Ở một số chỗ hệ thống bị nhiễu về mặt đo khoảng cách giữa xe và đối tượng do trong quá trình xe di chuyển thì camera bị rung lắc. Tuy nhiên điều này không ảnh hưởng nhiều đến qua trình điều khiển xe đánh lái.
110
Chương 6
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1. Kết luận
Sau khoảng thời gian tìm hiểu và nghiên cứu, nhóm chúng tôi đã hoàn thành được hầu hết các mục đích ban đầu mà đề tài đặt ra. Qua đó tích lũy được cho bản thân vốn kiến thức có ích về thiết kế và chế tạo, cụ thể là mô hình xe tự hành và hệ thống nhận diện đối tượng. Bên cạnh đó là sự tiếp cận về ngôn ngữ lập trình hiện đại Python, kiến thức căn bản và nâng cao xử lý ảnh cũng như là các kiến thức liên quan đến lập trình nhúng mà chúng tôi đã được học qua môn học “Hệ thống điều khiển tự động trên ô tô”. Các mục tiêu cụ thể mà nhóm đã đạt được trong đề tài là:
– Nghiên cứu, tìm hiểu về các mô hình phát hiện vật thể nói riêng và lĩnh vực xử lý ảnh nói chung.
– Thực thi mô hình phát hiện vật thể YOLOv4 – tiny áp dụng cho mạng nơ ron tích chập.
– Lập trình nhúng để điều khiển DC Motor và Servo (góc đánh lái của xe), từ đó điều khiển mô hình xe tự hành.
– Xử lý dữ liệu từ đầu ra mô hình YOLOv4 – tiny để tiến hành điều khiển xe tránh vật cản.
– Đồng bộ hóa hai chương trình phát hiện vật thể bằng mô hình YOLOv4 – tiny và điều khiển mô hình xe tự hành.
– Truyền dữ liệu giữa hai chương trình.
Thông qua lần làm đồ án tốt nghiệp này, nhóm chúng tôi đã có cơ hội cũng cố lại khối kiến thức đã được học trong khoảng thời gian 4 năm qua. Vận dụng và áp dụng khá thành công những kiến thức này vào tình hình thực tế, cụ thể là các kiến thức liên quan đến các môn học như “Ứng dụng máy tính (Điện ô tô)”, “Hệ thống an toàn và tiện nghi trên ô tô”, “Hệ thống điều khiển tự động trên ô tô”,…Cũng thông qua sự hỗ trợ nhiệt tình và ân cần của thầy Đỗ Văn Dũng, nhóm chúng tôi đã nắm bắt được cách tổ chức, làm việc hiệu quả, thay đổi các suy nghĩ theo lối mòn, bước ra khỏi các khuôn khổ giới hạn để được
111 những thành quả mới, tạo thành những hành trang hữu ích cho quá trình làm việc sau này. Một lần nữa, nhóm chúng tôi xin gởi lời cảm ơn chân đến thầy Đỗ Văn Dũng.
6.2. Hạn chế của đề tài
Bên cạnh những thành quả đạt được, nhóm cũng còn một số yếu điểm và thiếu sót trong quá trình thực hiện. Cụ thể như sau:
– Đầu tiên là hạn chế về kiến thức liên quan.
– Chưa nâng cao hiệu quả hoạt động của hệ thống khi trao đổi dữ liệu giữa các chương trình trong chạy đa luồng.
– Thử nghiệm chỉ dừng ở môi trường nhất định, chưa thử nghiệm hệ thống trên đường bộ.
– Hệ thống còn xảy ra độ trễ giữa dữ liệu từ camera (hình ảnh đã được xử lý thông qua chương trình nhận diện vật thể) và Servo (chương trình điều khiển mô hình xe tự hành) do hạn chế về phần cứng.
Trên đây là những hạn chế mà nhóm vẫn còn thiếu sót. Tuy nhiên nhìn chung kết quả đạt được vẫn có thể chấp nhận được.
6.3. Hướng phát triển của đề tài
Với sự phát triển ngày càng mạnh của các lĩnh vực an toàn và tiện nghi trên ô tô, hệ thống nhận dạng đối tượng và điều khiển xe tránh vật cản không chỉ dừng lại ở mô hình xe tự hành. Chúng tôi kiến nghị hướng phát triển tiếp theo của dự án này sẽ là làm dữ liệu đầu vào trở nên phong phú hơn nữa (nhiều đối tượng hơn), nâng cấp phần cứng và kết hợp với hệ thống Tracking Lane để xe có thể tự hành một cách tốt hơn. Từ việc một mô hình xe tự hành có thể hoạt động hoàn toàn một cách tự dộng sẽ phát triển dần lên các hệ thống trên một chiếc xe thật, đặc biệt là hệ thống phanh theo từng giao đoạn để xe có thể vận hành một cách an toàn cho cả người trên xe và người tham gia giao thông khác khi trở thành một chiếc xe tự hành thực thụ. Nhóm chúng tôi hi vọng kết quả đề tài sẽ là tài liệu hữu ích cho các nguyên cứu về hệ thống an toàn và tự động trên ô tô trong trường Đại học Sư phạm kỹ thuật nói riêng và ngành ô tô Việt Nam nói chung.
112
DANH MỤC TÀI LIỆU THAM KHẢO
[1]. Nguyễn Ngọc Thạch – Trần Lê Đức Huy, 7/2020, Nghiên cứu thiết kế hệ thống phát hiện và cảnh báo người đi bộ trên xe ô tô, Trường Đại học Sư phạm Kỹ thuật TP.Hồ Chí Minh.
[2]. When Maths Meet Coding, 16/10/2020, “how to train YOLO v3, v4 for custom objects detection and using colab free GPU”, Youtube.com and Github.com/jakkcoder, https://www.youtube.com/watch?v=hTCmL3S4Obw&list=WL&index=10&t=1s
[3]. eMaster Class Academy, 14/5/2020, “Python: Real Time Object Detection (Image, Webcam, Video files) with Yolov3 and OpenCV”, Youtube.com and buymeacoffee.com, https://www.youtube.com/watch?v=1LCb1PVqzeY&list=WL&index=14&t=783s
[4]. tech zizou, 25/2/2021, “TRAIN A CUSTOM YOLOv4-tiny DETECTOR USING GOOGLE COLAB ( FREE GPU )”, Youtube.com/techzizou and Github.com/techzizou https://www.youtube.com/watch?v=H3SJcwttTi4&list=WL&index=16&t=368s