NGHIÊN CỨU THIẾT KẾ MÔ HÌNH XE TỰ HÀNH NHẬN DIỆN  BIỂN BÁO GIAO THÔNG

Hoàng Văn Thực

doi:10.34238/tnu-jst.11837

NGHIÊN CỨU THIẾT KẾ MÔ HÌNH XE TỰ HÀNH NHẬN DIỆN BIỂN BÁO GIAO THÔNG

Thông tin bài báo

Ngày nhận bài: 08/01/25 Ngày hoàn thiện: 28/03/25 Ngày đăng: 03/04/25

Các tác giả

Hoàng Văn Thực , Trường Đại học Công nghệ thông tin và Truyền thông - ĐH Thái Nguyên

Tóm tắt

Trong thời đại công nghệ 4.0, sự phát triển của các công nghệ xử lý ảnh, trí tuệ nhân tạo và các hệ thống tự động hóa đã mở ra một kỷ nguyên mới cho ngành công nghiệp ô tô, đặc biệt là trong lĩnh vực xe tự hành. Xe tự hành không chỉ là phương tiện di chuyển, mà còn là biểu tượng của sự tiến bộ công nghệ, hứa hẹn mang lại nhiều lợi ích như giảm thiểu tai nạn giao thông, tiết kiệm năng lượng và tối ưu hóa giao thông đô thị. Tuy nhiên, để xe tự hành có thể hoạt động một cách an toàn và hiệu quả, chúng phải có khả năng nhận diện và phản ứng với các yếu tố môi trường xung quanh, trong đó biển báo giao thông đóng vai trò quan trọng hàng đầu. Xuất phát từ ý tưởng này, bài báo trình bày kết quả nghiên cứu về hệ thống xe tự hành ứng dụng các công nghệ xử lý ảnh, trí tuệ nhân tạo để nâng cao độ chính xác, tốc độ nhận diện, khả năng phản ứng của xe tự hành. Thực nghiệm cho thấy xe tự hành đảm bảo các chỉ tiêu chất lượng đề ra nhờ thị giác máy tính Computer Vision đã chứng minh hiệu quả vượt trội trong việc nhận diện hình ảnh với thuật toán Cascade Adaboost ở thời gian thực với tỷ lệ chính xác cao. Kết quả thể hiện sự hiệu quả của hướng nghiên cứu về sự điều hướng tự động của xe tự hành trong các môi trường di chuyển khác nhau.

Từ khóa

Xe tự hành; Thị giác máy tính; Xử lý ảnh; Điều hướng; Xe tự hành giao thông; Robot di động

Toàn văn:

PDF

Tài liệu tham khảo

[1] T. Inagaki and T. B. Sheridan, “A critique of the SAE conditional driving automation definition, and analyses of options for improvement,” Cogn. Tech Work, vol. 21, no. 4, pp. 569–578, Nov. 2019.

[2] P. Srinivas et al., “Raspberry pi based personal voice assistant using python,” Int. J. Eng. Appl. Sci. Technol., vol. 4, no. 11, pp. 105–108, 2020.

[3] C. Li, J. Wang, X. Wang, and Y. Zhang, “A model based path planning algorithm for self-driving cars in dynamic environment in 2015,” Chinese Automation Congress (CAC), Wuhan, China, Nov. 2015, pp. 1123–1128.

[4] R. K. Satzoda, S. Sathyanarayana, T. Srikanthan, and S. Sathyanarayana, “Hierarchical Additive Hough Transform for Lane Detection,” IEEE Embedded Syst. Lett., vol. 2, no. 2, pp. 23–26, Jun. 2010.

[5] S. Patil, P. Ovhal, S. Jigale, and R. Aneesh, “Robotic Car for Avoidance and Detection of obstacles using IR Sensor,” IRJET, vol. 7, no. 4, pp. 808-812, Apr. 2020.

[6] A. Alghmgham, G. Latif, J. Alghazo, and L. Alzubaidi, “Autonomous Traffic Sign (ATSR) Detection and Recognition using Deep CNN,” Procedia Computer Science, vol. 163, pp. 266–274, 2019.

[7] V. A. M. M. Vujović, "Raspberry Pi as a Sensor Web node for home automation," Computers & Electrical Engineering, vol. 44, pp. 153-171, 2015.

[8] L. Kruno, K. Andrej, C. Robert, and P. Ivan, “Fast planar surface 3D SLAM using LIDAR,” Robotics and Autonomous Systems, vol. 92. pp. 197-220, 2017.

[9] Y. Chang, C. Hui, L. Ju, Z. Di, and X. Yanyan, “Robust Lane Detection for Complicated Road Environment Based on Normal Map,” IEEE Access, vol. 6, pp. 49679-49689, 2018, doi: 10.1109/ACCESS.2018.2868976.

[10] E. Yurtsever et al., "A Survey of Autonomous Driving: Common Practices and Emerging Technologies," IEEE Access, vol. 8, pp. 58443-58469, 2020.

[11] H. Zhao et al., "Multi-agent deep reinforcement learning for large-scale traffic signal control," IEEE transactions on intelligent transportation systems, vol. 21, pp. 1086-1095, 2019.

DOI: https://doi.org/10.34238/tnu-jst.11837

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ