Ứng dụng trí tuệ nhân tạo trong nhận dạng biển báo, làn đường và điều hướng cho xe tự hành

Bài viết trình bày về ứng dụng trí tuệ nhân tạo cho điều hướng xe tự hành: Sử dụng mô hình CNN (Convolutional Neural Network) cho nhiệm vụ nhận dạng vạch kẻ đường, thuật toán Adaboost Cascaded cho nhiệm vụ nhận dạng biển báo giao thông.
Nội dung trích xuất từ tài liệu:
Ứng dụng trí tuệ nhân tạo trong nhận dạng biển báo, làn đường và điều hướng cho xe tự hành Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Ứng Dụng Trí Tuệ Nhân Tạo Trong Nhận Dạng Biển Báo, Làn Đường Và Điều Hướng Cho Xe Tự Hành Ngô Mạnh Tiến1, Hà Thị Kim Duyên2, Lê Mạnh Long2, Nguyễn Đức Duy2 1 Viện Vật lý, Viện Hàn lâm KH&CN Việt Nam Email: nmtien@iop.vast.ac.vn 2 Trường Đại học Công nghiệp Hà Nội Email: ha.duyen@haui.edu.vn, lemanhlong@haui.edu.vn,duybarca99@gmail Abstract: Bài báo này trình bày về ứng dụng trí tuệ trình di chuyển. Do đó các phương pháp ứng dụng dữnhận tạo cho điều hướng xe tự hành: sử dụng mô hình liệu hình ảnh trong xe tự hành tập trung vào giải quyếtCNN (Convolutional Neural Network) cho nhiệm vụ hai bài toán quan trọng: nhận dạng vạch kẻ đường vànhận dạng vạch kẻ đường, thuật toán Adaboost nhận dạng biển báo giao thôngCascaded cho nhiệm vụ nhận dạng biển báo giao thông. Trong bài toán nhận dạng nhận dạng vạch kẻTừ đó tích hợp và điều hướng tự động cho xe tự hành cógắn sensor Camera 3D. Các kết quả mô phỏng sử dụng đường, đã có nhiều công trình nghiên cứu sử dụngphần mềm giả lập Unity, mô hình thực nghiệm xe được mạng neural nhân tạo (ANN) để đảm bảo được tínhxây dựng và hệ thống được lập trình nhúng các thuật chính xác và có hiệu quả cao. Tuy nhiên việc sử dụngtoán trên nền tảng phần cứng xử lý hiệu năng cao chuyên mạng ANN mất nhiều thời gian để học do mạng phảidụng TX2 Jetson và lập trình dựa trên hệ điều hành lập xử lý, học từng điểm ảnh của dữ liệu đầu vào. Mạngtrình cho robot ROS (Robot Operating System). CNN được sử dụng nhằm khắc phục nhược điểm đó nhờ việc sử dụng các lớp tích chập đặt phía trước các Keywords: Trí tuệ nhân tạo, học sâu, xe ô tô tự hành, lớp nơ-ron nhân tạo thông thường để trích xuất các đặchệ điều hành ROS, thuật toán CNN, điều hướng tự động, trưng của ảnh đầu vào, giúp quá trình học của môthuật toán Adaboost Cascaded hình nhanh hơn rất nhiều, đồng thời đảm bảo tính I. GIỚI THIỆU chính xác cao. Trong bài toán nhận dạng biển báo giao thông, có Tính thông minh trong những hệ thống robot tự một số nghiên cứu về chủ đề này đạt được những kếthành này phụ thuộc vào việc robot có thể tự tính toán quả khả quan. Trong [4] trình bày phương pháp phátra quỹ đạo phù hợp với môi trường nó hoạt động. Bởi hiện và nhận dạng các biển báo giao thông đường bộvậy, những nhận thức về môi trường xung quanh, bao sử dụng kết hợp các kỹ thuật phân đoạn ảnh, phát hiệngồm cả những thông tin cố định hay sự thay đổi của biên và phân tích hình dáng đối tượng để phát hiệnmôi trường, là yếu tố tiên quyết, ảnh hưởng trực tiếp vùng ứng viên có thể là biển báo giao thông. Sau đó,tới việc chuyển động của robot. Do đó một hệ thống rút trích đặc trưng HOG và huấn luyện mạng Nơronnhận thức cung cấp những thông tin về môi trường cho nhân tạo để nhận dạng biển báo cho kết quả nhận dạngrobot có vai trò quan trọng trong các hệ thống robot tự đạt tỉ lệ 94%. Tuy nhiên, công trình này chưa được tốihành. ưu một cách hiệu quả. Trong nghiên cứu [5], tác giả sử Trong điều khiển chuyển động cho robot tự hành, dụng phương pháp Haar-like kết hợp thuật toán tăngbài toán điều hướng cho robot đóng vai trò quan trọng. tốc Adaboost cho việc phát hiện ảnh và sử dụngMột hệ thống điều hướng của robot tự hành thông phương pháp PCA cho nhiệm vụ phân loại. Phươngthường có thể chia thành 4 khối [1]: hệ thống cảm pháp này đã chứng minh được kết quả chính xác rấtbiến, hệ thống nhận thức, hệ thống lập kế hoạch di cao.chuyển và hệ thống điều khiển động cơ. Gần đây các Nội dung của bài báo này tập trung vào trình bà vềcông trình nghiên cứu xây dựng hệ thống điều hướng ứng dụng mô hình CNN cho nhiệm vụ nhận dạng vàcủa robot tự hành chỉ dựa trên một nguồn dữ liệu đầu bám làn đường, sử dụng thuật toán Machine Learningvào là hình ảnh đang ngày càng xuất hiện nhiều và Adaboost trong bài toán nhận dạng biển báo giaonhận được sự quan tâm lớn [2] [3]. Trong điều hướng thông đường bộ, các kết quả được mô phỏng sử dụngxe tự hành, khác với robot tự hành là vì bài toán điều phần mềm giả lập Unity, các thuật toán được thửhướng của xe tự hành không đơn thuần là dẫn đường nghiệm bằng cách lập trình nhúng trên nền tảng máytừ một điểm xuất phát đến đích, mà còn cần tuân thủ tính nhúng Jetson TX2 và hệ điều hành robot (Robotchặt chẽ các tín hiệu giao thông xuất hiện trong quá Operating System - ROS), vi điều khiển STM32 giao ISBN: 978-604-80-5076-4 136 Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020)tiếp ngoại vi và điều khiển các động cơ truyền động mức toàn cầu. Sử dụng các API đã nghiên cứu và phátxe. triển cho robot sẽ giúp rút ngắn quá trình nghiên cứu, II. CẤ ...