Trong tương lai gần:Để xe có thể hoạt động chính xác hơn thì nhóm sẽ thu thập nhiều hình ảnh hơn nữa vào nhiều thời điểm khác nhau trong ngày, để có thể tạo ra một model có độ chính xác cao trong tương lai.Tiếp theo là hoàn thiện về mặt cơ khí để xe có thể di chuyển một cách chính xác hơn,không bị tác động nhiều của các yếu tố bên ngoài như mặt đường,vật cản.
Trong tương lai xa hơn, nhóm sẽ phát triển xe tự hành một cách hoàn thiện hơn, có thể phát hiện và tránh các vật thể đang di chuyển trên đường, đặt được vị trí mà mong muốn xe đi chuyển đến, đảm báo xe chạy đúng lane cho phép, nhận diện thông tin về nhiều biển báo cũng như đèn tín hiệu.Bằng cách sử dụng thêm các cảm biến siêu âm, Lidar.Đặc biệt là xây dựng hệ thống ROS để điều khiển xe.
ROS là viết tắt của Robot operating system, là chương trình dùng để phát triển robot nói chung và xe tự lái nói riêng. Nếu nhìn ở một góc nhìn khác, xe tự hành chính là một robot tự động. Tuy nhiên ta chỉ sử dụng một mảng nhỏ của hệ thống này chính là tạo bản đồ khu vực và xác định vị trí mà chiếc xe đang hoạt động trên bản đồ đó.
Các thông tin từ việc xử lý hình ảnh lane, biển báo, vị trí GPS, Lidar cảm biến đều sẽ được thu thập và tổng hợp một cách cụ thể để đưa ra thông tin chính xác nhất giúp xe di chuyển đúng theo ý muốn,và an toàn thông qua ROS.Hay nói cách khác ROS chính là bộ não của chiếc xe.
74 TÀI LIỆU THAM KHẢM
[1] Deep Residual Learning for Image Recognition, by He, K., Ren, S., Sun, J., & Zhang, X. (2016). CoRR, abs/1512.03385. (cited 1436 times, HIC: 137 , CV: 582)
[2] Luận văn thạc sĩ công nghệ thông tin:”Nghiên cứu về mạng Neural tích chập và ứng dụng cho bài toán nhận dạng biển số xe”, Lê Thị Thu Hằng, Bách Khoa Hà Nội 2016.
[3] Nielsen, M. (2018, 10 2). Introducing convolutional networks. Neural Networks and Deep Learning:
http://neuralnetworksanddeeplearning.com/chap6.html#introducing_convolution al_networks
[4] Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105).
[5] Donahue, J., Jia, Y., Vinyals, O., Hoffman, J., Zhang, N., Tzeng, E., & Darrell, T. (2014, January). Decaf: A deep convolutional activation feature for generic visual recognition. In International conference on machine learning (pp. 647-655).
[6] https://keras.io [7] https://towardsdatascience.com/battle-of-the-deep-learning-frameworks-part-i- cff0e3841750 [8] https://www.digikey.com/en/maker/projects/getting-started-with-the-nvidia- jetson- nano-part-1-setup/2f497bb88c6f4688b9774a81b80b8ec2 [9] https://www.pyimagesearch.com/2019/11/04/traffic-sign-classification-with- keras- and-deep-learning/ [10] https://www.hackster.io/smart-tech/programming-arduino-using-python-f3d2c0 [11] https://www.geeksforgeeks.org/image-classifier-using-cnn/ [12] https://medium.com/@mrhwick/simple-lane-detection-with-opencv-bfeb6ae54ec0 [13] https://topdev.vn/blog/thuat-toan-cnn-convolutional-neural-network/
75
[14] https://nordiccoder.com/blog/deep-learning-la-gi/
76 PHỤ LỤC
77
79
81
89