Chú thích: (a): Trường hợp rơ-bốt bị cưỡng bức chuyển hướng, (b): Trường hợp rô-bốt không phải chuyển hướng.
4.2.3.2. Triển khai chiến thuật định vị và chọn đường
Vị trí của rơ-bốt được xác định dựa trên hai yếu tố. Đầu tiên, bản đồ 2D khởi tạo của môi trường hoạt động được nạp vào hệ thống rơ-bốt. Bản đồ này có thể được tạo ra từ việc xây dựng bản vẽ hoặc bản phác thảo nhanh bằng các phép đo chủ quan. Đặt rô-bốt vào mơi trường và cung cấp cho chương trình vị trí bắt đầu của nó. Các giá trị này được nạp vào chương trình bao gồm toạ độ x và toạ độ y ban đầu. Chuyển động của rô-bốt sẽ thay đổi tọa độ ban đầu và trở thành tọa độ hiện tại. Sự thay đổi này được ghi lại liên tục bằng phần mềm được cài đặt trong hệ thống. Bằng cách so sánh vận tốc góc của hai động cơ dẫn động bánh xe và ánh xạ từ khoảng cách đi tới điểm tọa độ trên bản đồ, nó có thể theo dõi đường đi của rơ-bốt. Nó cũng cho phép người quản lý nhìn thấy con đường của rô-bốt thông qua chức năng vẽ đồ thị của chương trình.
Rơ-bốt thử nghiệm được áp dụng chiến thuật dẫn đường có tên “Ln di chuyển thẳng tới đích” (Always Move Straight to Destination - AMSD). Đầu tiên, hệ thống nhận dạng mặt đất từ bản đồ độ sâu được cung cấp bởi máy ảnh RGB-D để tìm phương hướng cho rơ-bốt (Hình 4.7). Nếu khơng có trở ngại nào, nó ln cố gắng di chuyển thẳng đến đích. Nếu rơ-bốt “nhìn thấy” chướng ngại vật, nó sẽ chuyển sang chế độ tránh vật cản cải tiến để vượt qua chúng. Nguyên tắc di chuyển luôn luôn phấn đấu hướng thẳng tới mục tiêu để giảm thiểu quãng đường từ vị trí hiện tại của rơ-bốt đến vị trí của mục tiêu được xác định trước. Tuy nhiên, chiến lược này có thể bị tạm dừng nếu rơ-bốt bị chặn bởi chướng
A M Q C D N O B z P A B O Z M
89
ngại vật. Từ thời điểm này, chiến thuật tránh chướng ngại vật có ưu tiên cao hơn chiến thuật di chuyển thẳng đến mục tiêu.
Khởi tạo bản đồ 2D
Khởi tạo vị trí xuất phát và vị trí đích
Hình 4.7. Thuật tốn điều hướng cải thiện dựa trên bản đồ độ sâu cho rô-bốt trong nhà
Kết quả thực nghiệm phương pháp dẫn đường AMSD dựa trên nhận dạng mặt đất và thảo luận
Chương trình được viết bằng ngơn ngữ lập trình C # trong mơi trường Visual Studio 2015 và được triển khai trên máy tính xách tay với cấu hình như sau: Bộ vi xử lý Core i5-2520, tốc độ tối đa 2.5Ghz, Windows 7 Ultimate 64-bit SP1. Trong suốt thời gian thử nghiệm, chỉ có máy ảnh RGB-D được sử dụng để định vị và phát hiện và tránh chướng ngại vật. Toàn bộ nền tảng phần cứng điện tử này được gắn trên một chiếc xe có 02 động cơ để điều khiển hai bánh xe chủ động phía trước (Hình 4.8).
90
4.3.1. Kết quả thực nghiệm của phương pháp tránh vật cản cơ bản
Phần này mô tả các kết quả thử nghiệm áp dụng phương pháp dẫn đường được đề xuất được thu thập theo thời gian thực. Hệ thống xe rơ-bốt thí nghiệm tiến hành di chuyển trong mơi trường thực tế trong nhà. Hiện trường thử nghiệm này được thiết lập với những trở ngại khác nhau để kiểm tra tính ổn định của phương pháp được đề xuất. Chương trình vừa thực hiện nhiệm vụ xử lý dữ liệu độ sâu để tìm ra hướng đi cho xe rơ- bốt vừa ghi lại các khung hình vào bộ nhớ để phục vụ công tác so sánh đánh giá.
a) b)
Hình 4.8. Hệ thống xe rơ-bốt thử nghiệm Chú thích: (a) Mặt trước. (b) Mặt bên
Hình 4.9 cho thấy nhật ký chuyển động của rô-bốt được điều khiển bằng thuật toán được đề xuất được cài đặt trên nền tảng trong Hình 4.8. Như có thể thấy, rơ-bốt có thể tránh được sự tắc nghẽn xuất hiện trong đường di chuyển của nó từ điểm xuất phát đến đích. Khi rơ-bốt di chuyển trên sàn phòng thử nghiệm, cả video điều hướng dựa trên độ sâu và video màu đều được lưu. Thử nghiệm được tiến hành 30 lần với sự sắp xếp trở ngại tĩnh ngẫu nhiên. Ngồi ra, có sự xuất hiện của các vật thể chuyển động như hiện tượng một người lọt vào tầm nhìn của rơ-bốt.
91
(a) (b)
Hình 4.9. Kết quả thử nghiệm chiến thuật dẫn đường cơ bản
Chú thích: Các khung hình thử nghiệm được trích xuất từ luồng video kết quả được ghi lại. (a) Khung hình màu gốc; (b) Bản đồ mặt đất bao gồm hướng di chuyển xác định của rô- bốt: Hàng đầu tiên: di chuyển thẳng; hàng thứ hai: di chuyển sang bên phải; hàng thứ ba: di
chuyển sang bên trái; hàng cuối cùng với nhiều chướng ngại vật: lựa chọn đi sang phải.
Phương pháp tìm hướng đi đề xuất dựa trên khai thác mặt phẳng đất cho kết quả phương hướng đúng hoàn toàn, tương đương với phương pháp trong [95] của tác giả Biswas . Trong khi đó, cơng trình [36] phân biệt cố định 5 phương hướng di chuyển tránh vật cản. Ngoài ra [36] sử dụng mạng nơ-ron nhân tạo nhận biết 8 tình huống giao thơng
92
đạt tỷ lệ chính xác là 92% trường hợp. So sánh như trên cho thấy kết quả điều hướng đề xuất vượt trội hơn phương pháp nhận thức phương hướng của [36]. Tuy nhiên với phương pháp đề xuất, khi xe thực hiện chiến thuật tránh vật cản thì vẫn xảy ra một số sự cố mất an toàn như thân xe chạm vào vật cản. Các quan sát thực nghiệm cho thấy va chạm xảy ra khi vật cản có hình dạng phần trên mặt đất lồi ra. Sự cố này làm cho tỷ lệ thành công của chiến thuật tránh đường cơ bản đạt được 98% trong hàng trăm lần thử nghiệm. Kết quả này đã xác minh tính hiệu quả của thuật tốn cho việc điều khiển xe rô-bốt trong nhà nhưng cũng cần thiết phải nâng cao tính an tồn trong giai đoạn tránh vật cản. Hình 4.10 minh họa kết quả theo dõi vị trí rơ-bốt với hai loại kịch bản gồm một cản trở và nhiều vật cản. Rô-bốt hoạt động trong phạm vi 10mx8m. Khoảng cách giữa điểm xuất phát và mục tiêu là khoảng 9m. Rơ-bốt đạt đến đích với tỷ lệ thành cơng là
98%, tuy nhiên thời gian của mỗi lần thử nghiệm không giống nhau.
(a) (b)
Hình 4.10. Theo dõi vị trí rơ-bốt theo chiến thuật điều hướng cơ bản
Chú thích: (a): Kịch bản dẫn đường đơn giản. (b) Kịch bản dẫn đường phức tạp hơn
4.3.2. Kết quả thực nghiệm của phương pháp tránh vật cản cải thiện
Trong suốt thời gian thử nghiệm, chỉ có cảm biến RGB-D được gắn trên xe rô- bốt để cung cấp thông tin hỗ trợ định vị tương đối, phát hiện và tránh chướng ngại vật. Trong phần này, tác giả mô tả các kết quả thử nghiệm có được từ bằng cách sử dụng phương pháp đề xuất. Các thí nghiệm được tiến hành trong mơi trường thực tế với các thiết lập chướng ngại khác nhau để kiểm tra độ ổn định của phương pháp đề xuất như được mơ tả trong Hình 4.11. Rơ-bốt có thể tránh được các vật cản tĩnh trên đường di chuyển của nó từ điểm xuất phát đến đích xác định trước bởi các quyết định điều hướng đầy đủ như di chuyển thẳng hoặc di chuyển sang phải hoặc di chuyển sang trái. Ngồi ra, có sự xuất hiện của các vật thể chuyển động như hiện tượng của một người vào tầm
93
nhìn của xe rơ-bốt. Khi rơ-bốt di chuyển trên sàn phịng thử nghiệm, cả video điều hướng dựa trên độ sâu và video màu đều được lưu. Chúng rất hữu ích để đánh giá chất lượng của thử nghiệm. Hình 4.11 cũng mơ tả chi tiết q trình dẫn đường cho xe rơ-bốt. Dịng đầu tiên và thứ hai minh họa rô-bốt kết quả của việc quan sát và định hướng xe về phía đích sau đó bắt đầu di chuyển thẳng đến đích. Dịng thứ ba đến dịng thứ tư, q trình thực hiện tránh chướng ngại vật đầu tiên. Dịng thứ 5 cho thấy q trình xác định lại hướng di chuyển thẳng đến đích thành cơng. Dịng ảnh số 6, 7 và 8 cho thấy chiến thuật vượt chướng ngại vật thứ hai. Khoảng thời gian từ dòng 9 đến dịng 10 là dành cho q trình di chuyển của rơ-bốt. Rơ-bốt tiếp cận mục tiêu chính xác tại thời điểm được hiển thị trong dịng 11.
Khung
hình Khung ảnh màu
Điều hướng dựa trên mặt phẳng đất (màu đỏ) (1) 10.37 .52 (2) 10.3 7.57 (3) 10.38 .02
94 (4) 10.38 .28 (5) 10.38 .42 (6) 10.38 .53 (7) 10.39 .03
95 (8) 10.39 .30 (9) 10.39 .34 (10) 10.39 .37 (11) 10.4 0.14 (a) (b)
Hình 4.11. Kết quả thuật tốn điều hướng cải tiến
96
(a) (b)
Hình 4.12. Theo dõi vị trí rơ-bốt theo chiến thuật điều hướng cải tiến Chú thích: (a) kịch bản đơn giản và (b) kịch bản phức tạp hơn Chú thích: (a) kịch bản đơn giản và (b) kịch bản phức tạp hơn
Hình 4.12 minh họa kết quả theo dõi vị trí của xe rơ-bốt với hai loại kịch bản gồm kịch bản có một vật cản và kịch bản có nhiều vật cản. Vị trí của điểm bắt đầu và điểm kết thúc được biểu thị bằng tọa độ 2D. Rô-bốt được khởi tạo ở hướng 12h. Sau khi rô- bốt nhận được tọa độ của điểm bắt đầu và điểm kết thúc, nó sẽ xác định góc quay để hướng về về mục tiêu trước rồi di chuyển về phía mục tiêu như minh họa bằng phân đoạn đường theo dõi vị trí xe rơ-bốt màu xanh đầu tiên. Khi hệ thống phát hiện tắc nghẽn đầu tiên, nó xác định góc quay để tránh chướng ngại vật và tránh xa các vật cản để đảm bảo chúng đủ an toàn (đoạn đỏ đầu tiên). Như vậy, rơ-bốt hồn tồn tn thủ chiến lược di chuyển được đề xuất. Rô-bốt đạt được điểm đến của mình trong cả hai trường hợp với một vật cản và nhiều vật cản với góc điều chỉnh hướng gần như vơ cấp. Vì vậy, phương pháp điều hướng AMSD đề xuất thể hiện tính linh hoạt hơn và mượt mà hơn ba cơng trình khác gần đây như so sánh được trình bày trong Bảng 4.1. Kết quả điều hướng được đánh giá dựa trên các yếu tố phạm vi góc điều hướng, số lượng hướng đi trong góc phạm vi đó. Đáng chú ý là bước góc quay điều chỉnh hướng của phương pháp đề xuất là rất nhỏ. Nó minh chứng cho hiệu quả của thuật tốn áp dụng cho việc điều khiển rơ- bốt tự trị trong nhà.
Tỷ lệ định hướng hoặc phân loại tình huống đúng của chiến thuật dẫn đường đề xuất được so sánh với kết quả của các phương pháp khác (Bảng 4.2). Rơ-bốt đạt đến đích với tỷ lệ thành cơng 98.7%, tuy nhiên thời gian của mỗi bài kiểm tra không giống nhau.
97
Bảng 4.1. So sánh hiệu năng các phương pháp dẫn đường cho rô-bốt trong nhà
Phương pháp (Tác giả) Bước lượng tử (0) Sai số lượng tử (0) Phạm vi điều hướng (0) Số lượng hướng điều hướng Correa [36] (2012) 22.5 11.25 180 8 Zainuddin [73] (2014) 90 45 180 4 XIN Jing [74] (2016) 22.5 11.25 360 16 Phương pháp đề xuất AMSD 1 0.5 180 180
Bảng 4.2. So sánh tỷ lệ điều hướng thành công
Phương pháp (Tác giả) Tỷ lệ định hướng/phân loại đúng (%)
(Correa) [36] 92
(Biswas) [95] 100
Phương pháp đề xuất AMSD 100
4.3.3. Kết luận
Trong nghiên cứu này, tác giả tập trung vào việc phát triển hệ thống dẫn đường tự trị trong nhà cho các ứng dụng rô-bốt di động bằng cách khai thác bản đồ độ sâu. Hệ thống rô-bốt trong nhà được trang bị với một máy ảnh RGB-D đã thực hiện tốt với phương pháp điều hướng đề xuất, không bị ảnh hưởng bởi cường độ ánh sáng của môi trường hoạt động. Kết quả thu hoạch chứng minh giải quyết vấn đề điều hướng rô-bốt trong một môi trường động chưa biết với phương pháp AMSD được đề xuất. Máy ảnh RGB-D sử dụng là Kinect phù hợp cho ứng dụng dẫn đường cục bộ bởi khả năng cung cấp dữ liệu mạnh mẽ và đáng tin cậy để tránh chướng ngại vật trong môi trường trong nhà phức tạp. Dự án điều hướng dựa trên khai thác video chiều sâu thời gian thực đã được cải thiện với hiệu suất cao hơn bằng cách so sánh các thông số tỷ lệ thành công và khả năng của góc hướng trong số các phương pháp điều hướng thú vị hiện tại. Trong
98
tương lai, cần sử dụng máy ảnh có độ phân giải cao để phân tích thêm về hình học đối tượng. Ngồi ra, nghiên cứu cũng nên khai thác dữ liệu sâu hơn nữa bằng cách kết hợp luồng dữ liệu chiều sâu với luồng dữ liệu màu để mang lại kết quả tinh tế và nhân bản hơn.
Tổng kết chương
Chương này đã trình bày phương pháp điều hướng AMSD cho rơ-bốt di động trong môi trường trong nhà chỉ sử dụng luồng dữ liệu độ sâu. Phương pháp điều hướng thời gian thực được tích hợp trong hệ thống rơ-bốt tự xây dựng được trang bị máy ảnh RGB-D có độ phân giải 640x480. Đầu tiên, phương pháp này áp dụng nguyên tắc di chuyển khả thi là phương tiện giao thơng đường bộ thường di chuyển trên mặt đất. Vì vậy, phương pháp này bắt đầu với việc tìm kiếm mặt đất từ video chiều sâu được cung cấp ổn định. Dựa trên hình dạng của mặt đất đáng tin cậy này, đề xuất thuật toán lựa chọn hướng di chuyển mạnh mẽ. Trong khi chờ đợi, hệ thống rô-bốt luôn theo chiến lược khoảng cách đường tối thiểu đến mục tiêu đã cho. Đồng thời, với một bản đồ được xác định trước về môi trường hoạt động, vấn đề điều hướng rô-bốt được giải quyết với cùng mức tỷ lệ thành công của các phương pháp gần đây như FSPF. Hệ thống rô-bốt được điều hướng mạnh mẽ hơn và linh hoạt hơn phương pháp mạng nơ-ron với bước góc điều chỉnh 10. Các thử nghiệm đã chỉ ra rằng độ ổn định và độ chính xác của thuật toán điều hướng được đề xuất lên đến 98%. Thời gian xử lý của phương pháp đề xuất điều hướng được giảm thiểu để đáp ứng các ứng dụng thời gian thực của rô-bốt.
Rô-bốt được dẫn đường thành cơng trong một phịng là một bước tiến tới sự phát triển của thiết bị tự trị hồn tồn. Việc tích hợp hệ thống dẫn đường thị giác vào rơ-bốt có thể được sử dụng làm nền tảng. Các ứng dụng khai thác dữ liệu độ sâu cũng như luồng ảnh màu ngày càng sâu rộng để tiếp tục đánh giá và phát triển các chức năng liên quan đến các phương tiện tự trị thị giác tương lai. Mặc dù các điều kiện giữa môi trường trong nhà và ngồi nhà khác nhau rất lớn nhưng nhiều tính năng cơ bản của hệ thống điều khiển hồn tồn giống nhau. Hệ thống rơ-bốt cần nâng cao phân hệ cơ khí phù hợp, hỗ trợ tối ưu di chuyển an tồn. Các phần cứng máy tính mạnh mẽ, phân hệ nguồn cung cấp dung lượng lớn tạo điều kiện tăng hiệu năng của xe rô-bốt. Mỗi hệ thống rơ-bốt cần nhận biết được các tính chất của mơi trường vận hành.
99
KẾT LUẬN VÀ KIẾN NGHỊ
1. Kết luận
Đóng góp khoa học của luận án
1. Luận án đề xuất thuật toán xác định các mặt phẳng từ bản đồ độ sâu. Bước đầu, đề xuất tăng cường thuật tốn tính bản đồ chênh lệch SAD. Phương pháp thực hiện tính tốn trên tập điểm biên của ảnh thị giác nổi, giúp giảm sâu khối lượng dữ liệu cần xử lý. Từ đó giảm thời gian tính tốn, đáp ứng các phát triển các ứng dụng thời gian thực. Tiếp theo, luận án đề xuất phương pháp trích mặt phẳng từ bản đồ độ sâu sử dụng thuật tốn Lọc và gom nhóm hàng xóm (NGaF) có khả năng giảm độ phức tạp tính tốn cũng như tăng tốc độ xử lý. Sau đó, luận án đề xuất phương pháp nhận dạng mặt đất áp dụng thuật toán Bản đồ gradient độ sâu (GDM) để khai thác bản đồ độ sâu. Thuật toán được nghiên cứu trên dữ liệu được cung cấp bởi máy ảnh màu cơ bản và độ sâu (RGB-D) hoặc hệ thống thị giác nổi. Mục đích chính của bài tốn nhận dạng mặt đất là phát triển ứng dụng dẫn đường dựa trên hệ thống thị giác cho hệ rô-bốt di