Đồ án thiết kế hệ thống nhúng đề bài xe tự hành

Ngày nay xử lý ảnh đã được áp dụng rất rộng rãi trong đời sống như:photoshop, nén ảnh, nén video, nhận dạng biển số xe, nhận dạng khuôn mặt, nhậndạng chữ viết, xử lý ảnh thiên văn, ảnh y

BỘ THÔNG TIN VÀ TRUYỀN THÔNGHỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

KHOA KỸ THUẬT ĐIỆN TỬ I

LỜI CẢM ƠN

Trước hết, em xin gửi lời cảm ơn chân thành nhất đến toàn bộ quý thầy cô Học viện Công nghệ Bưu chính Viễn thông, Quý thầy cô khoa Kỹ thuật Điện tử I

đã truyền đạt những kiến thức quý báu cho chúng em trong suốt học kỳ vừa qua,

Em xin gửi lời cảm ơn sâu sắc đến giáo viên hướng dẫn – Nguyễn Ngọc Minh, người đã nhiệt tình hướng dẫn em thực hiện chuyên đề bài tập lớn này.

Do giới hạn về thời gian nghiên cứu cũng như lượng kiến thức, thông tin thu thập còn hạn chế nên chuyên đề không tránh khỏi những thiếu sót trong quá trình nghiên cứu và thực hiện Vì vậy, em rất mong nhận được sự góp ý và đánh giá chân thành của các thầy, các cô

Em xin chân thành cảm ơn!

MỤC LỤC

CHƯƠNG I: TỔNG QUAN 4

I Đặt vấn đề 4

II Một số nghiên cứu 5

III Phạm vi của bài tập 5

CHƯƠNG II: CƠ SỞ LÝ THUYẾT 5

I Xử lý tín hiệu 5

II Thị giác máy tính (Computer Vision) 5

III Thư viện OpenCV 8

IV Thuật toán CNN 10

V Các loại biển báo giao thông ở Việt Nam 17

CHƯƠNG III NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU 19

I Phân tích và thiết kế 19

1 Đặc trưng của biển báo 19

2 Quy trình phát hiện và nhận diện biển báo 19

3 Yếu tố ảnh hưởng đến màu sắc 20

4 Phát hiện biển báo 21

5 Nhận diện biển báo 22

II Cài đặt 22

1 Explore the dataset 22

2 Xây dựng module CNN 22

3 Training 23

4 Chạy thử 23

5 Kết quả 24

CHƯƠNG IV KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 24

Đánh giá 24

Hạn chế 25

Hướng phát triển 25

TÀI LIỆU THAM KHẢO 25

Ngày nay xử lý ảnh đã được áp dụng rất rộng rãi trong đời sống như:photoshop, nén ảnh, nén video, nhận dạng biển số xe, nhận dạng khuôn mặt, nhậndạng chữ viết, xử lý ảnh thiên văn, ảnh y tế,

Trong những năm gần đây, cùng với sự phát triển của khoa học kỹ thuật,công nghệ xe tự hành cũng đang phát triển như vũ bão Xử lý ảnh, nhận diện biểnbáo giao thông là một phần không thể thiếu của xe tự hành

Hiện nay trên các tuyến đường bộ ở Việt Nam hầu hết đều có đặt các biểnbáo giao thông, nhằm thông tin cho người lái xe biết những điều được phép, điềukhông được phép, các nguy hiểm có thể xãy ra, các hiệu lệnh phải thi hành hay cáchướng dẫn giúp cho người tham gia giao thông lái xe được an toàn hơn

Nhưng khi tham gia giao thông người lái xe cần tập trung lái xe để tránh gặptai nạn giao thông hoặc khi gặp sự cố người lái xe có thể đối phó kịp thời, do đóviệc cứ liên tục quan sát các biển báo giao thông đặt bên đường có thể khiến chongười lái xe không thể đối phó kịp thời các sự cố trên đường nếu gặp phải Ví dụnhư khi người lái xe chuẩn bị tới một đoạn đường bị hư hỏng có nhiều hố sâu (haycòn gọi là ổ gà), đồng thời ở gần đó có đặt một biển báo “được phép chạy với tốc

độ tối đa là 40 km/h”, vì phải quan sát biển báo nên có thể người lái xe không thấyđược các ổ gà, do đó có khẳ năng sẽ gặp tai nạn

2 Một số nghiên cứu

Trên thế giới có nhiều nhà nghiên cứu vấn đề này:

• “Construction of Cascaded Traffic Sign Detector Using Generative Learning”,Keisuke Doman và Daisuke Deguchi và Tomokazu Takahashi và Yoshito Mekada

và Ichiro Ide và Hiroshi Murase (2006), Janan

• “Color Detection and Segmentation for Road and Traffic Signs”, Hasan Fleyeh(2004), Scotland

• “Road Signs Detection and Reconstruction using Gielis Curves”, Valentine Vega

và Désiré Sidibé và Yohan Fougerolle (2012), Italy

Nhưng các nghiên cứu thường được áp dụng trong phạm vi biển báo của một sốquốc gia, vì đặt trưng biển báo của các quốc gia là khác nhau

Trong phạm vi nghiên cứu, hệ thống sẽ nhận dạng các loại biển báo cấm, biển báonguy hiểm và biển báo chỉ dẩn phổ biến, thường gặp được đặt trên các tuyếnđường ở Việt Nam

CHƯƠNG II: CƠ SỞ LÝ THUYẾT

1 Xử lý tín hiệu

Xử lý tín hiệu là một trường con kỹ thuật điện tập trung vào phân tích, sửađổi và tổng hợp các tín hiệu như âm thanh, hình ảnh và các phép đo khoa học Kỹthuật xử lý tín hiệu có thể được sử dụng để cải thiện truyền dẫn, hiệu quả lưu trữ vàchất lượng chủ quan và cũng nhấn mạnh hoặc phát hiện các thành phần quan tâmtrong tín hiệu đo lường

1.1 Thị giác máy tính (Computer Vision)

Thị giác máy tính là một lĩnh vực gồm các phương pháp thu nhận, phân tích,

xử lý và nhận dạng hình ảnh và dữ liệu đa chiều từ thực tế để cho ra thông tin số(numerical) hoặc biểu tượng (symbolic) dùng cho các mục đích nhất định Ý tưởngđược dựa trên thị giác của con người về khả năng nhận dạng và hiểu một hình ảnh

Để làm được điều đó, thị giác máy tính áp dụng các mô hình xây dựng dựa trên cácngành lý thuyết học, vật lý, thống kê và hình học

a Ứng dụng

Trong các ứng dụng thị giác máy tính, thường được lập trình để giải quyếtmột vấn đề cụ thể, nhưng trên cơ bản các phương pháp đều đều dựa trên sự học(learning) trở nên ngày càng phổ biến Ví dụ các ứng dụng thị giác máy tính phục

vụ cho:

• Điều khiển tiến trình (Controlling processes) như rô bốt công nghiệp

• Điều hướng (Navigation) như xe tự động hay rô bốt di động

• Phát hiện sự kiện (Detecting events) như đếm số lượng xe trên đường đểphát hiện trình trạng ùn tắc giao thông

• Mô hình hoá đối tượng hoặc môi trường (Modeling objects orenvironments) như phân tích hình ảnh y học hoặc mô hình địa chấn

• Sự kiểm tra tự động (Automation inspection) như kiểm tra chất lượng sảnphẩm trong các nhà máy, xí nghiệp

• Object recognition (hay còn gọi là object classification) – Tìm và nhận dạng cácđối tượng trong hình ảnh hoặc video

• Identification (Xác định duy nhất) – Từng thể hiện của đối tượng được nhận dạngnhư là một đối tượng duy nhất trong tập hợp đối tượng Ví dụ: nhận dạng khuônmặt, nhận dạng dấu vân tay (fingerprint) hay nhận dạng chữ viết tay

• Dectection (Phát hiện) – Phát hiện một đối tượng quan tâm Ví dụ: phát hiện các

tế bào lạ trong ảnh y học hay phát hiện xe cộ đi qua hệ thống thu phí tự động Motion analysis

Phân tích chuyển động trên một chuỗi hình ảnh là một xử lý để có được vậntốc ước lượng của mỗi điểm trên chuỗi hình ảnh hoặc cảnh 3 chiều

• Lấy mẫu lại để đảm bảo sự chính xác của hệ thống toạ độ

• Giảm nhiễu để đảm bảo không bị sai lệnh thông gây ra bởi cảm biến

• Tăng cường độ tương phản để đảm bảo các thông tin thích hợp được phát hiện Feature extraction

Trích xuất các đặc trưng cơ bản như:

• Đường (line), viền (egde), đỉnh (ridge)

• Góc (coner), đốm màu (blob), điểm (point)

• Cấu trúc (texture), hình thù (shape), chuyển động (motion)

Detection/Segmentation

Quá trình xử lý ảnh để đưa ra một quyết định cần tạo ra dữ liệu cho bước xử lý kếtiếp, như:

• Lựa chọn một tập hợp điểm quan tâm

• Tách một hoặc nhiều khu vực nhỏ trên ảnh chứa một đối tượng quan tâm

High-level processing Tại bước xử lý nâng cao, dữ liệu đầu vào thường là tập cácđiểm hoặc một vùng ảnh quan tâm được tạo ra từ bước xử lýdetection/segmentation Ví dụ như:

• Xác thực dữ liệu có đáp ứng mô hình và giả định của ứng dụng hay không

• Nhận dạng hình ảnh – Phân loại các đối tượng phát hiện được thành các loại

• Đăng ký hình ảnh – So sánh và kết hợp 2 cái nhìn khác nhau của cùng một đốitượng

Decision making

Đưa ra quyết định cho ứng dụng Ví dụ như:

• Đạt hoặc không đạt (pass/fail) cho ứng dụng kiểm tra tự động

• Khớp hoặc không khớp (match/no-match) cho ứng dụng nhận dạng

• Đưa ra cảnh báo trong các ứng dụng thuộc y học, quân đội, bảo mật và nhận dạng1.2 Thư viện OpenCV

OpenCV là gì?

Project OpenCV được bắt đầu từ Intel năm

1999 bởi Gary Bradsky OpenCV viết tắtcho Open Source Computer VisionLibrary OpenCV là thư viện nguồn mở hàngđầu cho Computer Vision và MachineLearning, và hiện có thêm tính năng tăng tốcGPU cho các hoạt động theo real-time

OpenCV được phát hành theo giấy phép

BSD (*), do đó nó miễn phí cho cả học tập và

sử dụng với mục đích thương mại Nó có trêncác giao diện C++, C, Python và Java và hỗ

trợ Windows, Linux, Mac OS, iOS và Android OpenCV được thiết kế để hỗ trợhiệu quả về tính toán và chuyên dùng cho các ứng dụng real-time (thời gian thực).Nếu được viết trên C/C++ tối ưu, thư viện này có thể tận dụng được bộ xử lý đa lõi(multi-core processing)

OpenCV có một cộng đồng người dùng khá hùng hậu hoạt động trên khắp thế giớibởi nhu cầu cần đến nó ngày càng tăng theo xu hướng chạy đua về sử dụngcomputer vision của các công ty công nghệ OpenCV hiện được ứng dụng rộng rãitoàn cầu, với cộng đồng hơn 47.000 người, với nhiều mục đích và tính năng khácnhau từ interactive art, đến khai thác mỏ, khai thác web map hoặc qua robotic caocấp

Ứng dụng của OpenCV là gì?

OpenCV được sử dụng cho đa dạng nhiều mục đích và ứng dụng khác nhau baogồm:

- Hình ảnh street view

- Kiểm tra và giám sát tự động

- Robot và xe hơi tự lái

- Phân tích hình ảnh y học

- Tìm kiếm và phục hồi hình ảnh/video

- Phim – cấu trúc 3D từ chuyển động

- Nghệ thuật sắp đặt tương tác

Tính năng và các module phổ biến của OpenCV

Theo tính năng và ứng dụng của OpenCV, có thể chia thư viện này thánh các nhómtính năng và module tương ứng như sau:

- Xử lý và hiển thị Hình ảnh/ Video/ I/O (core, imgproc, highgui)

- Phát hiện các vật thể (objdetect, features2d, nonfree)

- Geometry-based monocular hoặc stereo computer vision (calib3d, stitching,videostab)

- Computational photography (photo, video, superres)

- Machine learning & clustering (ml, flann)

- CUDA acceleration (gpu)

OpenCV có cấu trúc module, nghĩa là gói bao gồm một số thư viện liên kếttĩnh (static libraries) hoặc thư viện liên kết động (shared libraries) Xin phép liệt kêmột số định nghĩa chi tiết các module phổ biến có sẵn [2] như sau:

- Core functionality (core) – module nhỏ gọn để xác định cấu trúc dữ liệu cơbản, bao gồm mảng đa chiều dày đặc và nhiều chức năng cơ bản được sử dụng bởitất cả các module khác

- Image Processing (imgproc) – module xử lý hình ảnh gồm cả lọc hình ảnhtuyến tính và phi tuyến (linear and non-linear image filtering), phép biến đổi hìnhhọc (chỉnh size, afin và warp phối cảnh, ánh xạ lại dựa trên bảng chung), chuyểnđổi không gian màu, biểu đồ, và nhiều cái khác

- Video Analysis (video) – module phân tích video bao gồm các tính năngước tính chuyển động, tách nền, và các thuật toán theo dõi vật thể

- Camera Calibration and 3D Reconstruction (calib3d) – thuật toán hình học

đa chiều cơ bản, hiệu chuẩn máy ảnh single và stereo (single and stereo cameracalibration), dự đoán kiểu dáng của đối tượng (object pose estimation), thuật toánthư tín âm thanh nổi (stereo correspondence algorithms) và các yếu tố tái tạo 3D

- 2D Features Framework (features2d) – phát hiện các đặc tính nổi bật của

bộ nhận diện, bộ truy xuất thông số, thông số đối chọi

- Object Detection (objdetect) – phát hiện các đối tượng và mô phỏng củacác hàm được định nghĩa sẵn – predefined classes (vd: khuôn mặt, mắt, cốc, conngười, xe hơi,…)

- High-level GUI (highgui) – giao diện dễ dùng để thực hiện việc giao tiếp

UI đơn giản

- Video I/O (videoio) – giao diện dễ dùng để thu và mã hóa video

- GPU – Các thuật toán tăng tốc GPU từ các modun OpenCV khác.

… và một số module hỗ trợ khác, ví dụ như FLANN và Google test wrapper,Python binding, v.v

1.3 Thuật toán CNN

Thuật toán CNN – Convolutional Nerual Network (CNNs – Mạng nơ-rontích chập) là một trong những mô hình Deep Learning tiên tiến Nó giúp cho chúng

ta xây dựng được những hệ thống thông minh với độ chính xác cao như hiện nay

CNN được sử dụng nhiều trong các bài toán nhận dạng các object trong ảnh

Để tìm hiểu tại sao thuật toán này được sử dụng rộng rãi cho việc nhận dạng(detection), chúng ta hãy cùng tìm hiểu về thuật toán này

Trong hình ảnh ví dụ trên, ma trận bên trái là một hình ảnh trắng đen được

số hóa Ma trận có kích thước 5×5 và mỗi điểm ảnh có giá trị 1 hoặc 0 là giao điểmcủa dòng và cột

Convolution hay tích chập là nhân từng phần tử trong ma trận 3 SlidingWindow hay còn gọi là kernel, filter hoặc feature detect là một ma trận có kíchthước nhỏ như trong ví dụ trên là 3×3

Convolution hay tích chập là nhân từng phần tử bên trong ma trận 3×3 với

ma trận bên trái Kết quả được một ma trận gọi là Convoled feature được sinh ra từviệc nhận ma trận Filter với ma trận ảnh 5×5 bên trái

Cấu trúc của mạng CNN

Mạng CNN là một tập hợp các lớp Convolution chồng lên nhau và sử dụngcác hàm nonlinear activation như ReLU và tanh để kích hoạt các trọng số trong cácnode Mỗi một lớp sau khi thông qua các hàm kích hoạt sẽ tạo ra các thông tin trừutượng hơn cho các lớp tiếp theo

Mỗi một lớp sau khi thông qua các hàm kích hoạt sẽ tạo ra các thông tin trừutượng hơn cho các lớp tiếp theo Trong mô hình mạng truyền ngược (feedforwardneural network) thì mỗi neural đầu vào (input node) cho mỗi neural đầu ra trongcác lớp tiếp theo

Mô hình này gọi là mạng kết nối đầy đủ (fully connected layer) hay mạngtoàn vẹn (affine layer) Còn trong mô hình CNNs thì ngược lại Các layer liên kếtđược với nhau thông qua cơ chế convolution.

Layer tiếp theo là kết quả convolution từ layer trước đó, nhờ vậy mà ta cóđược các kết nối cục bộ Như vậy mỗi neuron ở lớp kế tiếp sinh ra từ kết quả củafilter áp đặt lên một vùng ảnh cục bộ của neuron trước đó

Mỗi một lớp được sử dụng các filter khác nhau thông thường có hàng trămhàng nghìn filter như vậy và kết hợp kết quả của chúng lại Ngoài ra có một sốlayer khác như pooling/subsampling layer dùng để chắt lọc lại các thông tin hữuích hơn (loại bỏ các thông tin nhiễu)

Trong quá trình huấn luyện mạng (traning) CNN tự động học các giá trị quacác lớp filter dựa vào cách thức mà bạn thực hiện Ví dụ trong tác vụ phân lớp ảnh,CNNs sẽ cố gắng tìm ra thông số tối ưu cho các filter tương ứng theo thứ tự rawpixel > edges > shapes > facial > high-level features Layer cuối cùng được dùng

để phân lớp ảnh

Trong mô hình CNN có 2 khía cạnh cần quan tâm là tính bất biến (LocationInvariance) và tính kết hợp (Compositionality) Với cùng một đối tượng, nếu đốitượng này được chiếu theo các gốc độ khác nhau (translation, rotation, scaling) thì

độ chính xác của thuật toán sẽ bị ảnh hưởng đáng kể

Pooling layer sẽ cho bạn tính bất biến đối với phép dịch chuyển(translation), phép quay (rotation) và phép co giãn (scaling) Tính kết hợp cục bộcho ta các cấp độ biểu diễn thông tin từ mức độ thấp đến mức độ cao và trừu tượnghơn thông qua convolution từ các filter

Đó là lý do tại sao CNNs cho ra mô hình với độ chính xác rất cao Cũnggiống như cách con người nhận biết các vật thể trong tự nhiên

Mạng CNN sử dụng 3 ý tưởng cơ bản:

+ các trường tiếp nhận cục bộ (local receptive field)

+ trọng số chia sẻ (shared weights)

+ tổng hợp (pooling).

Trường tiếp nhận cục bộ (local receptive field)

Đầu vào của mạng CNN là một ảnh Ví dụ như ảnh có kích thước 28×28 thìtương ứng đầu vào là một ma trận có 28×28 và giá trị mỗi điểm ảnh là một ô trong

ma trận Trong mô hình mạng ANN truyền thống thì chúng ta sẽ kết nối các neuronđầu vào vào tầng ảnh

Tuy nhiên trong CNN chúng ta không làm như vậy mà chúng ta chỉ kết nốitrong một vùng nhỏ của các neuron đầu vào như một filter có kích thước 5×5tương ứng (28- 5 + 1) 24 điểm ảnh đầu vào Mỗi một kết nối sẽ học một trọng số

và mỗi neuron ẩn sẽ học một bias Mỗi một vùng 5×5 đấy gọi là một trường tiếpnhận cục bộ

Một cách tổng quan, ta có thể tóm tắt các bước tạo ra 1 hidden layer bằngcác cách sau:

Tạo ra neuron ẩn đầu tiên trong lớp ẩn 1

Dịch filter qua bên phải một cột sẽ tạo được neuron ẩn thứ 2

Với bài toán nhận dạng ảnh người ta thường gọi ma trận lớp đầu vào làfeature map, trọng số xác định các đặc trương là shared weight và độ lệch xác địnhmột feature map là shared bias Như vậy đơn giản nhất là qua các bước trên chúng

ta chỉ có 1 feature map Tuy nhiên trong nhận dạng ảnh chúng ta cần nhiều hơnmột feature map

Như vậy, local receptive field thích hợp cho việc phân tách dữ liệu ảnh, giúpchọn ra những vùng ảnh có giá trị nhất cho việc đánh giá phân lớp.

Trọng số chia sẻ (shared weight and bias)

Đầu tiên, các trọng số cho mỗi filter (kernel) phải giống nhau Tất cả các ron trong lớp ẩn đầu sẽ phát hiện chính xác feature tương tự chỉ ở các vị trí khácnhau trong hình ảnh đầu vào Chúng ta gọi việc map từ input layer sang hiddenlayer là một feature map Vậy mối quan hệ giữa số lượng Feature map với số lượngtham số là gì?

nơ-Chúng ta thấy mỗi fearture map cần 25 = 5×5 shared weight và 1 shared bias Như vậy mỗi feature map cần 5×5+1 = 26 tham số Như vậy nếu có 10 feature map thì có 10×26 = 260 tham số Chúng ta xét lại nếu layer đầu tiên có kết nối đầy đủ nghĩa là chúng ta có 28×28=784 neuron đầu vào như vậy ta chỉ có 30 neuron ẩn Như vậy ta cần 28x28x30 shared weight và 30 shared bias Tổng số tham số là 28x28x30+30 tham số lớn hơn nhiều so với CNN Ví dụ vừa rồi chỉ mô

tả để thấy được sự ước lượng số lượng tham số chứ chúng ta không so sánh được trực tiếp vì 2 mô hình khác nhau Nhưng điều chắc chắn là nếu mô hình có số lượng tham số ít hơn thì nó sẽ chạy nhanh hơn.

Tóm lại, một convolutional layer bao gồm các feature map khác nhau Mỗimột feature map giúp detect một vài feature trong bức ảnh Lợi ích lớn nhất củatrọng số chia sẻ là giảm tối đa số lượng tham số trong mạng CNN

Lớp tổng hợp (pooling layer)

Lớp pooling thường được sử dụng ngay sau lớp convulational để đơn giảnhóa thông tin đầu ra để giảm bớt số lượng neuron

Thủ tục pooling phổ biến là max-pooling, thủ tục này chọn giá trị lớn nhấttrong vùng đầu vào 2×2.

Như vậy qua lớp Max Pooling thì số lượng neuron giảm đi phân nửa Trongmột mạng CNN có nhiều Feature Map nên mỗi Feature Map chúng ta sẽ cho mỗiMax Pooling khác nhau Chúng ta có thể thấy rằng Max Pooling là cách hỏi xemtrong các đặc trưng này thì đặc trưng nào là đặc trưng nhất Ngoài Max Poolingcòn có L2 Pooling

Cuối cùng ta đặt tất cả các lớp lại với nhau thành một CNN với đầu ra gồmcác neuron với số lượng tùy bài toán

2 lớp cuối cùng của các kết nối trong mạng là một lớp đầy đủ kết nối (fullyconnected layer) Lớp này nối mọi nơron từ lớp max pooled tới mọi nơron củatầng ra.

Cách chọn tham số cho CNN

Số các convolution layer: càng nhiều các convolution layer thì performancecàng được cải thiện Sau khoảng 3 hoặc 4 layer, các tác động được giảm một cáchđáng kể

Filter size: thường filter theo size 5×5 hoặc 3×3

Pooling size: thường là 2×2 hoặc 4×4 cho ảnh đầu vào lớn

Cách cuối cùng là thực hiện nhiều lần việc train test để chọn ra được paramtốt nhất

1.4 Các loại biển báo giao thông ở Việt Nam

Biển báo cấm

Ý nghĩa: để biểu thị các điều cấm hoặc hạn chế sự đi lại của các phương tiện cơgiới, thô sơ và người đi bộ Người sử dụng đường phải chấp hành những điều cấm

mà biển đã báo 41Nhận dạng: có dạng hình tròn (ngoại trừ biển có STOP – có hình

đa giác 8 cạnh), viền đỏ hoặc xanh dương (đối với biển hết hiệu lực cấm), nền trắnghoặc xanh dương đậm, trên nền có vẽ hình màu đen đặc trưng cho điều cấm hoặchạn chế

Biển báo nguy hiểm

Ý nghĩa: cung cấp thông tin cảnh báo các tình huống nguy hiểm có thể xảy ra đượcdùng để báo cho người lái xe, chủ yếu là người lái xe cơ giới biết trước tính chấtcủa sự nguy hiểm trên tuyến đường để phòng tránh Nhận dạng: có dạng tam giácđều, viền đỏ, nền vàng, trên biển có vẽ hình màu đen

Biển báo hiệu lệnh

Ý nghĩa: cảnh báo cho người tham gia giao thông những mệnh lệnh phải thi hành.Nhận dạng: có dạng hình tròn, không có viền, nền xanh lam, trên biển có vẽ hìnhmàu trắng

Biển báo chỉ dẫn

Ý nghĩa: cung cấp thông tin chỉ dẫn cho người sử dụng đường biết những địnhhướng cần thiết hoặc những điều có ích khác trong hành trình Nhận dạng: có dạnghình chữ nhật hoặc hình vuông nền mầu xanh lam

Biển báo phụ

Ý nghĩa: thường được đặt kết hợp với các biển báo nguy hiểm, biển báo cấm, biểnhiệu lệnh và biển chỉ dẫn nhằm thuyết minh bổ sung để hiểu rõ hơn các biển đó.Nhận dạng: Không có hình thù đặc trưng và cố định

2 Thiết kế xe tự hành

2.1 Tổng quan về RaspberryPi 4B+

Raspberry Pi là chiếc máy tính kích thước nhỏ được tích hợp nhiều phần cứngmạnh mẽ đủ khả năng chạy hệ điều hành và cài đặt được nhiều ứng dụng trên nó.Với giá chỉ vài chục USD, Raspberry hiện đang là mini computer nổi bật nhất hiện