TÌM HIỂU về NHẬN DẠNG ĐƯỜNG đi CHO ô tô CHẠY tự ĐỘNG

Luật của Nevada định nghĩa xe không người lái là “chiếc xe sử dụng phối hợp các cảm biến, trí thông minh nhân tạo, hệ thống định vị toàn cầu để điều khiển chiếc xe mà không có sự can thi

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HỒ CHÍ MINH

TP Hồ Chí Minh, tháng 7/2013

ĐỒ ÁN TỐT NGHIỆP

ĐH SƯ PHẠM KỸ THUẬT TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

Tìm hiểu về các thành phần của hệ thống nhận dạng đường đi cho ô tô chạy tự động

Nghiên cứu thuật toán xử lý ảnh cho ô tô chạy tự động

II TRÌNH BÀY

- Thyết minh đề tài: 1 cuốn thuyết minh

- 1 đĩa CD ghi nội dung của đề tài “Tìm hiểu về nhận dạng đường đi cho ô tô chạy tự động”

III THỜI GIAN THỰC HIỆN

- Ngày bắt đầu:

- Ngày hoàn thành: 10/07/2013

- Ngày bảo vệ: 20/07/2013

BỘ MÔN ĐIỆN TỬ Ô TÔ Tp Hồ Chí Minh, ngày…,tháng…,năm 2013

GIÁO VIÊN HƯỚNG DẪN

TS Lê Thanh Phúc

PHẦN I: MỞ ĐẦU

LỜI NÓI ĐẦU

Ngày nay, ô tô được sử dụng rộng rãi như một phương tiên giao thông thông dụng Ô tô là phương tiện không thể thiếu của nhiều ngành công nghiệp và giao thông vận tải Khoa học ngày càng phát triển và ô tô không còn là phương tiện vận chuyển đơn thuần mà nó còn được phát triển để cung cấp tối đa về mặt tiện nghi cũng như tính năng an toàn cho người sử dụng Chính vì vậy, việc phát triển xe tự lái là một xu hướng tất yếu để đáp ứng những yêu cầu ngày càng tăng cao của con người

Khái niệm xe tự lái hiện không còn quá xa lạ ở những nước có ngành công nghiệp ô tô phát triển như: Mỹ và Đức Những chiếc xe tự lái đã được nghiên cứu, thử nghiệm, tham gia các cuộc thi hay đưa vào chạy và đạt được những thành công nhất định và hứa hẹn sẽ tiếp tục đạt được những thành công trong tương lai Ở Mỹ

đã có một số bang thông qua lệnh cho phép xe tự lái hoạt động trên đường như là: Nevada, Florida và California Ở nước ta, do những điều kiện kinh tế, xã hội, cơ sở

hạ tầng yếu nên nền công nghiệp ô tô chưa được phát triển đúng mức Vì vậy khái niệm xe tự lái còn quá xa lạ và chưa được chú trọng quan tâm nghiên cứu

Nhóm thực hiện mong rằng khi đề tài được hoàn thành sẽ mang lại cái nhìn tổng quan về xe tự lái và mong rằng dựa vào đó, trong tương lai không xa xe tự lái sẽ được nghiên cứu chế tạo ở Việt Nam

Do nội dung của đề tài còn mới, kiến thức và kinh nghiệm còn hạn chế nên không thể tránh khỏi sự thiếu sót trong quá trình thực hiện đề tài, Nhóm thực hiện rất mong được sự giúp đỡ và đóng góp ý kiến của thầy cô để đề tài được hoàn thiện hơn

Nhóm thực hiện xin chân thành cảm ơn!

LỜI CẢM ƠN

Nhóm thực hiện xin chân thành cảm ơn quý thầy cô Trường Đại Học Sư Phạm

Kỹ Thuật TP.HCM đã tận tình chỉ dạy, trang bị cho nhóm những kiến thức bổ ích trong việc thực hiện đề tài

Đặc biệt nhóm thực hiện xin chân thành cảm ơn thầy Lê Thanh Phúc đã tận tình giúp đỡ và luôn theo sát nhóm thực hiện trong quá trình thực hiện đề tài

Mặc dù nhóm thực hiện đã cố gắng tìm hiểu, học hỏi cũng như tham khảo các tài liệu nhưng vì thời gian có hạn và kiến thức còn hạn chế nên nhóm thực hiện không tránh khỏi những thiếu sót trong quá trình thực hiện đề tài này Nhóm thực hiện rất mong được sự góp ý và chỉ bảo của thầy cô và các bạn để đề tài được hoàn thiện hơn

Một lần nữa, nhóm thực hiện xin chân thành cảm ơn!

NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

Tp Hồ Chí Minh, ngày……, tháng……, năm 2013

GIÁO VIÊN HƯỚNG DẪN

TS Lê Thanh Phúc

NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

………

Tp Hồ Chí Minh, ngày……, tháng……, năm 2013

GIÁO VIÊN PHẢN BIỆN

TS Nguyễn Bá Hải

DANH SÁCH CÁC TỪ VIẾT TẮT:

ACC: Adaptive Cruise Control

ADU: Autonomous driving unit

API: Application programming interface

CPU: Central Processing Unit

DARPA: Defense Advanced Research Projects Agency

EKF: Extended Kalman Filter

EMC: Electronic Mobility Controls

EN-V: Electric Networked Vehicle

FOV: Field of view

GPS: Global positioning system

IMU: Inerital Measurement Unit

LCM: Lightweight Communications and Marshalling

MDF: Mission definition file

NCS: New Concept Sedan

NQE: National Qualifying Event

RANSAC: Random sample consensus

RNDF: Route network definition file

RRT: Rapidly-Expanding Random Tree

TAP: Temporary Auto Pilot

TCP/IP: Transfer Control Protocol/Internet Protocol

TJA: Traffic Jam Assistant

UCE: Urban Challenge Event

USDOT: United States Department of Transportation

MỤC LỤC:

Phần I: Mở đầu……… ………2

Lời nói đầu……… 3

Lời cảm ơn……… 4

Nhận xét của giáo viên hướng dẫn……… 5

Nhận xét của giáo viên phản biện……… 6

Danh sách từ viết tắt……… 7

Phần II: Nội dung……….………11

Chương I Giới thiệu chung về xe tự lái……… …….12

1.1 Khái niệm xe tự lái……….12

1.2 Lợi ích của xe tự lái……… …….12

1.3 Lịch sử phát triển của xe tự lái……….…….13

1.4 Luật pháp dành cho xe tự lái……… 15

1.5 Cuộc thi thách thức đô thị UCE 2007……… …… 16

Chương II Cấu trúc hệ thống và phương pháp tìm đường đi trên xe Talos …….18

2.1 Giới thiệu……… …….18

2.2 Cấu trúc tổng thể của hệ thống……….…….19

2.3 Thiết kế hệ thống……… …….20

2.3.1 Những cân nhắc trong việc thiết kế hệ thống……….20

2.3.2 Cấu hình xe Talos……….……… 22

2.3.2.1 Cấu hình các cảm biến……….… 24

2.3.2.2 Bộ lái xe tự động……… 28

2.3.3 Hệ thống phần mềm……….…… 28

2.3.3.1 Hệ thống truyền dữ liệu LCM……….…… 28

2.3.3.2 Trực quan……….…… 28

2.4 Thuật toán tìm đường đi trên xe Talos ……….…… 28

2.4.1 Tạo khung cục bộ……… 29

2.4.2 Phát hiện chướng ngại vật……….……….29

2.4.2.1 Phát hiện chướng ngại vật dựa trên LIDAR……… 31

2.4.2.2 LIDAR phẳng đầu-cuối……… 32

2.4.2.3 Velodyne đầu-cuối……… 34

2.4.2.4 Phân nhóm……… 37

2.4.2.5 Theo dõi……… 38

2.4.2.6 LIDAR theo dõi kết quả……….39

2.4.2.7 Radar phát hiện xe tốc độ cao………41

2.4.3 Phát hiện nguy hiểm……… 42

2.4.3.1 Loại bỏ các đối tượng di chuyển………43

2.4.3.2 Vùng nguy hiểm cao……… 44

2.4.3.3 Phát hiện mép đường……….44

2.4.4 Tìm đường……….45

2.4.4.1 Camera hiệu chỉnh tuyệt đối……… 45

2.4.4.2 Phát hiện vệt sơn đường………46

2.4.4.3 Ước tính vạch tâm đường……… 47

2.4.4.4 Theo dõi làn đường……… 50

Chương III Cấu trúc hệ thống và phương pháp tìm đường đi trên xe Boss…… 51

3.1 Giới thiệu……….51

3.2 Cấu trúc tổng thể của hệ thống………51

3.3 Các thiết bị cảm biến gắn trên xe Boss……… 53

3.3.1 Yêu cầu tầm nhìn……….54

3.3.2 Cấu hình cảm biến……… 54

3.4 Thuật toán tìm đường đi trên xe……… 55

3.4.1 Liên kết những chướng ngại vật chuyển động……….55

3.4.2 Theo dõi chướng ngại vật di chuyển………57

3.4.4 Ước tính hình dạng đường……… 59

3.4.5 Thiết bị phát hiện hình dạng đặc trưng của đường……… 60

Chương IV Cấu trúc hệ thống và phương pháp tìm đường đi trên xe Junior……62

4.1 Giới thiệu……….62

4.2.Nền tảng của xe………63

4.2.1 Trang thiết bị của hệ thống……… 63

4.2.2 Hệ thống máy tính……… 64

4.2.3 Hệ thống cảm biến………64

4.3 Nhận thức và tìm đường đi của xe……… 66

4.3.1 Nền tảng phần mềm……… 66

4.3.2 RNDF cục bộ………67

4.3.3 Tìm kiếm lề đường………68

4.3.4 Theo dõi xe………69

4.4 Kế hoạch điều khiển……….70

4.4.1 Hoạch định tuyến đường toàn cầu……… 70

4.4.2 Kế hoạch con đường trực tuyến………70

4.4.3 Điều hướng đậu xe………73

4.4.4 Điều khiển……….75

4.4.5 Ngừng nơi có tín hiệu và nút giao thông……… 75

Chương V Giới thiệu và bố trí các thiết bị của hệ thống tự lái trên xe Google… 77

5.1 Giới thiệu……… 77

5.2 Cấu tạo của hệ thống………79

Phần III Kết luận – Đề nghị……… …………81

Tài liệu tham khảo……… 82

PHẦN II: NỘI DUNG

CHƯƠNG I:GIỚI THIỆU CHUNG VỀ XE TỰ LÁI

1.1 Khái niệm xe tự lái

Xe tự lái còn được biết đến như là một chiếc xe robot , hoặc xe không người lái

Nó có khả năng thực hiện các khả năng vận chuyển như một chiếc xe truyền thống

Xe tự lái có khả năng nhận thức môi trường xung quanh và tự động điều hướng mà không cần sự tác động trực tiếp của con người Cho đến nay, xe tự lái tồn tại hầu hết

ở dạng thử nghiệm, nhưng chúng sẽ được phổ biến tương lai không xa [1]

Xe tự lái nhận biết môi trường xung quanh chúng bằng những công nghệ như Radar, LIDAR, GPS và thị giác máy tính (Computer vision) Hệ thống điều khiển tiên tiến giải thích ý nghĩa thông tin thu được để xác định chuyển hướng chính xác, cũng như phát hiện các chướng ngại vật và các biển báo giao thông Một vài xe tự lái còn có thể làm tốt hơn như tự động cập nhập bản đồ trên cơ sở nhưng dữ liệu đầu vào, cho phép chúng đi qua những vùng chưa được lập trình

Từ những năm 1980, những tiến bộ đáng kể đã được thực hiện trong cả hai lĩnh vực công nghệ và pháp luật liên quan đến xe tự lái Nhiều công ty lớn và các tổ chức nghiên cứu đã và đang phát triển những mẫu xe chay tự động như Google, Continental Automotive System, Bosch, Nissan, Toyota, Audi, Oxford University Tháng 6 năm 2011 bang Nevada là bang đầu tiên của nước Mỹ cũng như trên toàn thế giới thông qua luật liên cho phép xe tự lái hoạt động trên đường Bộ luật này chính thức có hiệu lực ngày 1 tháng 3 năm 2012 và những chiếc xe tự lái đầu tiên được cấp giấy phép từ tháng 5-2012 Tới tháng 2-2013, có thêm hai bang nữa của

Mỹ cũng thông qua luật mới là Florida và California

1.2 Lợi ích của xe tự lái

Những lợi ích của xe tự lái bao gồm:

 Giảm tai nạn giao thông, do hệ thống chạy tự động có độ tin cậy cao và giảm thời gian xử lý so với người điều khiển

 Giảm ùn tắt giao thông, do giảm khoảng cách an toàn cần thiết giữa các xe nên khả năng điều khiển mật độ lưu thông tốt hơn

 Hổ trợ người lái xe trong việc điều khiển và dẫn hướng

 Xe chạy tự động có tốc độ giới hạn cao hơn

 Loại bỏ những hạn chế về tình trạng của người lái xe, đối với xe tự lái thì nó không có vấn đề gì đối với người chưa đủ tuổi, người già, người mù, người

bị say xỉn

 Giảm tình trạng khan hiếm nơi đỗ xe bằng cách chúng có thể bỏ hành khách xuống và đỗ xe ở nơi xa khu vực khan hiếm đó, và có thể quay lại đón hành khách khi cần thiết

 Giảm không gian đỗ xe cần thiết

 Giảm nhu cầu về cảnh sát giao thông và bảo hiểm xe

 Giảm các biển báo đường bộ vì xe tự lái có thể nhận được những thông tin điện tử cần thiết

 Cải thiện tính kinh tế nhiên liệu

 Chi phí bảo dưỡng thấp hơn

1.3 Lịch sử phát triển của xe tự lái

Xe tự lái đã có một thời gian phát triển tương đối dài và đến nay đã đạt được

một số thành công nhất định

 Thập niên 1930

Chiếc xe tự lái đầu tiên trên thế giới là Futurama, được thiết kế bởi Norman Bel Geddes và được tài trợ bởi General Motor, xuất hiện vào năm 1939 tại hội chợ thế giới ở New York Chiếc xe sử dụng năng lượng điện và được điều khiển bằng sóng

vô tuyến

 Thập niên 1980

Năm 1980 chiếc xe tự lái của Mercedes-Benz được thiết kế bởi Ernst Dickmanns và các cộng sự ở Đại học Bundeswehr Munich, nó đạt vận tốc 63km/h trên đường trống Sau đó, Uỷ Ban Châu Âu bắt đầu tài trợ 800.000.000€ cho chương trình xe tự lái vào năm 1987-1995

 Thập niên 1990

Năm 1994, hai xe tự lái đầu tiên là VAMP và VITA-2 của DAIMLER-BENZ và Ernst Dickmanns đã chạy hơn 1000km trên đường 3 làn xe ở Paris với tốc độ lên đến 130km/h, mặc dù nó bán tự động và có sự can thiệp của con người Họ đã cho thấy xe tự lái có thể chạy trên đường có 3 làn đường và có thể đổi làn đường để vượt qua những xe khác Cũng năm đó, Lucas (nhà sản xuất nổi tiếng của Anh với lĩnh vực công nghiệp ô tô và hàng không vũ trụ) đã phát triển một bộ phận của xe bán tự động được tài trợ bởi hãng xe Jaguar

Năm 1995, Ernst Dickmanns đã thiết kế lại xe tự lái S-Class của hãng Mescedes-Benz và tiến hành chạy từ Munich, Đức đến Copenhagen, Đan Mạch và sau đó quay về Xe sử dụng thị giác máy tính Computer vision [2] và bộ vi sử lý thu thập và truyền dữ liệu để xử lý dữ liệu trong thời gian thực Chiếc xe đạt tốc độ lên đến hơn 175km/h trên xa lộ ở Đức, với thời gian con người can thiệp là 5% và 95% thời gian còn lại là chiếc xe tự điều khiển Chiếc xe đã tham gia giao thông và vượt qua những xe khác Mặt dù chiếc xe chỉ là mô hình nghiên cứu và chưa đủ độ tin

Năm 1995, chiếc xe của dự án Navlab, Đại học Camegie Mellon đã thực hiện chuyến đi 5000km vòng quanh nước Mỹ với 98,2% thời gian là xe tự điều khiển Đây là xe bán tự động độc đáo, nó điều tự điều khiển vô lăng còn ly hợp và phanh

do con người điều khiển

 Thập niên 2010

Năm 2010, chiếc xe VisLab của Đại học Parma đã thực hiện chương trình chạy thử nghiệm trên quãng đường 15900km từ Parma, Ý đến Thượng Hải, Trung Quốc Chiếc xe tự lái đã hoàn thành chuyến đi thành công trong 100 ngày từ 20/07 đến 28/10/2010 Đây là chuyến đi liên lục địa đầu tiên của xe tự lái

Có nhiêu nhà sản xuất xe hơi bao gồm GM, Ford, Mescedes-Benz, Wolkswagen, Audi, Nissan, Toyota, BMW, Volvo và Cadilac bắt đầu thử nghiệm những chiếc xe

tự lái

- Năm 2005 BMW đã thử nghiệm xe chạy tự lái

- Năm 2008, GM nói rằng họ sẽ thử nghiệm xe tự lái vào năm 2015 và thương mại hóa vào năm 2018 Năm 2011, GM chế tạo xe điện tự lái trong thành phố EN-V

- Năm 2010, Audi đã gởi xe tự lái Audi SST đến Pikes Peak để thử nghiệm

- Năm 2011, Volvo bắt đầu phát triển hầu hết hệ thống xe tự lái kiểu “road train”(đường tàu) cho đường cao tốc, nó có thể hoạt động vào năm 2020

- Năm 2011, Alan Taub phó chủ tịch của bộ phận nghiên cứa và phát triên chung của GM cho biết công ty có kế hoạch thử nghiệm xe tự lái vào năm

- Những năm đầu thập niên 2010, những nhà sản xuất xe hơi khác nhau đã công bố những tiến bộ trong việc phát triển xe tự lái

- Năm 2011, Mescedes-Benz đã công bố S-Class 2013 sẽ là đại diện cho dòng

xe tự lái của họ Với tốc độ 40km/h S-Class sẽ chạy chậm qua những nơi kẹt

xe bằng hệ thống camera và radar giám sát để điều khiển tốc độ và khoảng cách so với xe trước

- Năm 2012, Audi công bố kế hoạch giới thiệu hệ thống TJA [4] cho xe tự lái mới với tốc độ lên đến 60km/h Hệ thống có khả năng ra mắt trước năm 2014 trên Audi A8

- Năm 2012, Cadilac tiết lộ hệ thống xe bán tự động của họ được gọi là “Super Cruise” Hệ thống này có thể được trang bị cho xe của họ vào giữa những năm 2010

- Tháng 10/2012, Nissan công bố mẫu xe điện tự lái của họ là NSC-2015

- Tháng 1/2013, Toyota đưa ra một phần xe tụ lái của họ với nhiều cảm biến

và hệ thống thông tin

Cho đến năm 2013, chưa có xe tự lái hoàn toàn nào được đưa vào sử dụng Nhiều mô hình có tính năng cung cấp các chức năng thu hẹp, bao gồm: Hệ thống kiểm soát hành trình ACC [5], xác định khoảng cách giữ các xe liền kề trong cùng một làn xe, để điều chỉnh tốc độ, duy trì khoản cách an toàn Hệ thống Lane assist [6] xác định vị trí của xe trên làn đường, cảnh báo người lái khi xe đi lệch làn đường mà không có tín hiệu rẽ) Hệ thống Parking assist [7] hỗ trợ người lái xe

trong việc đỗ xe)

1.4 Luật pháp dành cho xe tự lái

Ở nước Mỹ, mã số xe thường không dự tính cấp cho xe có tính tự động hóa cao (nhưng không phải bị cấm) Để làm rõ tình trạng pháp lý và những quy định cho các loại xe này, một số ban đã xem xét những luật riêng biệt cho xe không người lái Cuối năm 2012, 3 bang ở Mỹ (Nevada, Florida, and California) đã ban hành luật cho phép xe không người lái

Tháng 6/2011, cơ quan lập pháp ban Nevada thông qua luật cho phép sử dụng xe không người lái Do đó tiểu bang Nevada trở thành nơi đầu tiên trên thế giới cho phép xe không người lái hoạt động đường công cộng Dự luật được thông qua bởi thống đốc ban Nevada ngày 16/06/2011 Theo như dự luật, sở giao thông vận tải Nevada (Nevada department of motor vehicles) chiệu trách nhiệm thiết lập những tiêu chuẩn về an toàn và hiệu suất và là cơ quan chỉ định khu vực xe không người lái được kiểm kiểm tra, điều luật đi vào có hiệu lực ngày 01/03/2012 Luật này đã được hỗ trợ bởi Google trong một nỗ lực để hợp pháp tiến trình kiểm tra của chiếc

xe không người lái của Google

Luật của Nevada định nghĩa xe không người lái là “chiếc xe sử dụng phối hợp các cảm biến, trí thông minh nhân tạo, hệ thống định vị toàn cầu để điều khiển chiếc

xe mà không có sự can thiệp của con người Điều luật cũng thừa nhận rằng những nhà điều hành sẽ không cần phải chú ý trong khi chiếc xe tự hoạt động Google tiếp tục vận động để được miễn lệnh cấm người lái xe phân tâm khi lái xe để cho phép người trên xe gởi tin nhắn trong khi ngồi sau vô lăng, nhưng nó không được thông qua Hơn nữa quy định của ban Nevada yêu cầu một người ngồi sau vô lăng và một người ngồi ghế hành khách trong quá trình kiểm tra

nghiệm của Google Hệ thống xe không người lái của Google cho phép người lái xe điều khiển chiếc xe bất kỳ lúc nào bằng cách can thiệp vào hệ thống phanh hoặc điều khiển vô lăng

Ngày 01/07/2012, Florida trở thành bang thứ 2 công nhận tính hợp pháp của xe

tự lái Luật của bang Florida làm rõ rằng “Bang không cấm hoặc quy định cụ thể về kiểm tra và hoạt động của xe tự lái trên đường công cộng”

Ngày 25/09/2012, Thống đốc bang California, Jerry Brown ký lệnh cho phép hợp pháp hóa xe tự lái Ở California, dự luật yêu cầu rằng “người lái xe vẫn cần ngồi sau vô lăng để đề phòng trường hợp tính năng tự động lái của xe bị hỏng”

1.5 Cuộc thi Thách thức đô thị UCE năm 2007

Vào tháng 11 năm 2007 cơ quan nghiên cứu tiên tiến quốc phòng Mỹ DARPA

đã tiến hành tổ chức cuộc thi cuộc thi Thách thức đô thị UCE-DARPA, đó là lần thứ

3 trong một loạt các cuộc thi nhằm thúc đẩy nghiên cứu và phát triển phương tiện tự lái cho lực lượng quốc phòng Cuộc thi thách thức đô thị UCE giới thiệu một kịch bản giao thông đô thị vào trong cuộc thi Mục tiêu ngắn hạn của cuộc thi nhằm phát triển một chiếc xe tự lái có khả năng vượt qua được đợt kiểm tra của bang California Cuộc thi thách thức đô thị UCE năm 2007 là lần đầu tiên chiếc xe tự lái được yêu cầu phải tuân thủ luật giao thông như: đi đúng làn đường, đi qua các giao

lộ, chuyển làn đường, vượt xe, tương tác với phương tiện giao thông khác [8]

Hình 1.1: Hình ảnh tham gia cuộc thi thách thức đô thị UCE 2007 của hai chiếc xe

tự lái Junior (Đại học Stanford) và Boss (Đại học Carnegie Mellon)

Cuộc thi được tổ chức khép kín trong căn cứ không quân Geogre, chủ yếu là mạng lưới đường phố trong khu dân cư của các cựu chiến binh và có thêm một số đường cấp phối cho cuộc thi Tất cả các xe tự lái được tham gia thi đồng thời với những cạnh tranh như một cuộc đua xe thông thường, ngoài ra mỗi xe đều được

giao nhiệm vụ riêng biệt Những nhiệm vụ này được đưa ra bởi DARPA, yêu cầu mỗi đội hoàn thành 60 dặm trong 6 giờ để kết thúc cuộc đua Với những lỗi nhầm lẫn hoặc gây nguy hiểm của xe sẽ bị phạt cộng thêm giờ 24 giờ trước khi diễn ra cuộc đua DARPA cung cấp cho tất cả các đội tham dự một tập tin xác định hệ thống đường đi là RNDF RNDF rất giống với bản đồ đường phố sử dụng hệ thống định vị toàn cầu GPS được dùng trong xe hơi Tập tin đó để xác định vị trí đường, số làn

xe, giao lộ, thậm chí cả không gian đậu xe bằng cách phối hợp với GPS Vào ngày thi, mỗi đội được cung cấp tập tin thứ hai rất quan trọng là tập tin xác định nhiệm

vụ MDF Tập tin này bao gồm một danh sách các điểm kiểm tra hoặc các địa điểm trong RNDF mà yêu cầu chiếc xe phải vượt qua Mỗi chiếc xe tham gia cuộc thi

được UCE yêu cẩu phải hoàn thành 3 nhiệm vụ, xác định bởi 3 MDF riêng biệt [3]

Hình 1.2: Xe Talos (đội MIT) trong cuộc thi thách thức đô thị UCE 2007

Cuộc thi UCE đã rất thành công với số lượng đông đảo các nhóm nghiên cứu cùng các robot di động và xe tự lái như Boss của đội Tartan Racing thuộc trường Đại học Carnegie Mellon, xe Junior của trường đại học Stanford, xe Taolos của đội MIT

Bài tổng quan này tìm hiểu sâu về cấu trúc hệ thống, thuật toán tìm đường đi trên xe Talos và một số xe tham gia vào cuộc thi UCE Ngoài ra bài tổng quan cũng

giới thiệu về chiếc xe tự lái của Google

CHƯƠNG 2: CẤU TRÚC HỆ THỐNG VÀ PHƯƠNG PHÁP TÌM ĐƯỜNG

ĐI TRÊN XE TALOS

2.1 Giới thiệu

Xe Talos là sản phẩm của nhóm nghiên cứu MIT phát triển trên chiếc xe nguyên mẫu Land Rover LR3 tham gia cuộc thi thách thức đô thị UCE Chiếc xe (Hình 1.2) được thiết kế để nhận thức thông tin cục bộ để di chuyển trong hệ thống đường trong khi phải tuân thủ quy tắt giao thông Ba trong số các tính năng mới quan trọng của hệ thống là:

 Nhận thức, đưa ra chiến lược chuyển hướng chính xác

 Thống nhất lập kế hoạch và quản lý cấu trúc

 Một hệ thống phần mềm mới, mạnh mẽ

Hệ thống của Talos được thiết kế để xử lý những mô tả ban đầu của mạng lưới đường để nhận thức và đưa ra chiến lược chuyển hướng chính xác trong cuộc thi Talos đã vượt qua được vòng loại quốc gia (NQE) khu vực B Chiếc xe tận dụng sự mạnh mẽ và linh hoạt của thuật toán cây (RRT), dựa trên các thuật toán lập kế hoạch để đạt được các yêu cầu của việc lái xe, thực hiện lần lượt qua 3 điểm kiểm tra, đậu xe và vượt qua được chướng ngại vật Các hệ thống hoạt động với sự hiệu quả của bộ công cụ phần mềm mới (được cung cấp bởi hội đồng nghiên cứu) cho việc nghiên cứu xe tự lái Các sáng kiến của các đội mang đến cuộc thi này, cung cấp một nền tảng vững chắc cho việc nghiên cứu xe tự lái trong tương lai Nhóm nghiên cứu MIT là một trong 35 đội tham gia trong vòng loại cuộc thi thách thức đô thị DARPA và là 1 trong 11 đội đủ điều kiện tham gia cuộc thi thách thức đô thị UCE Talos là 1 trong 6 chiếc xe đã hoàn thành cuộc thi và kết thúc ở vị trí thứ 4[9]

2.2 Cấu trúc tổng thể của hệ thống

Hình 2.1: Cấu trúc hệ thống trên xe tự lái Talos

Cấu trúc tổng thể của hệ thống (Hình 2.1) bao gồm các hệ thống phụ sau:

 Máy dò vết sơn làn đường sử dụng hai kỹ thuật xử lý hình ảnh khác nhau, phù hợp với các đường cong để đánh dấu làn đường từ dữ liệu của camera thu được

 Máy theo dõi làn đường điều hòa dữ liệu từ bản đồ RNDF với các tuyến đường được nhận biết bằng cảm biến tầm nhìn và LIDAR để xác định vị trí của chiếc xe trên mạng lưới đường giao thông

 Máy dò chướng ngại vật sử dụng SICK và Velodyne LIDAR để xác định chướng ngại vật di chuyển và chướng ngại vật cố định

 Máy dò vùng trũng nguy hiểm (ổ gà, ổ voi…) sử dụng dữ liệu từ LIDAR nhằm phát hiện và hạn chế nguy hiểm

 Máy dò tốc độ xe sử dụng sóng rada millimeter để xác định xe gần kề nằm trong cự ly trung bình hay cự ly xa

 Các mô đun định vị, ước tính vị trí chiếc xe trong hai hệ quy chiếu Khung cục bộ được kết hợp giữa việc sử dụng dữ liệu từ các cảm biến chuyển động (odometry) với cảm biến quán tính (IMU) để ước tính chuyển động 3 chiều (egomotion) của xe thông qua môi trường cục bộ của xe Tọa độ toàn cầu ước tính chuyển đổi sự tương ứng giữa khung cục bộ và phối hợp với khung GPS, mất tín hiệu GPS và lệch cảm biến chuyển động sẽ làm thay đổi sự chuyển đổi này Hầu hết các mô đun tuân theo mô đun định vị để điều chỉnh không gian 3 chiều của xe hoặc hoạch định đường đi cho xe

 Bộ điều hướng theo dõi trạng thái nhiệm vụ để phát triển một phương án cấp cao, thực hiện nhiệm vụ dựa trên RNDF và MDF Tối ưu hóa thời gian để tạo ra một vị trí đích ngắn hạn cung cấp cho các kế hoạch di chuyển

 Bản đồ khả năng lái cung cấp một phương thức giao tiếp hiệu quả để nhận tín hiệu từ cảm biến và xử lý, lập kế hoạch chuyển động phù hợp với đường

đi Bản đồ khả năng lái được xây dựng dựa trên việc sử dụng dữ liệu nhận thức, được lọc bởi các ràng buộc hiện thời theo quy định của bộ điều hướng

 Xác định các kế hoạch chuyển động sau đó tối ưu hóa, một quỹ đạo xe khả thi là di chuyển về phía điểm mục tiêu được lựa chọn bởi bộ điều hướng, bằng cách sử dụng ràng buộc được đưa ra bởi nhận biết tình huống đã được cài đặt vào bản đồ khả năng lái Sự bất ổn trong nhận biết tình huống được

xử lý thông qua việc quy hoạch lại nhanh chóng và thắt chặt những hạn chế

Kế hoạch chuyển động của xe góp phần làm tăng sự an toàn của xe, ngay cả khi gặp phải chướng ngại vật đang di chuyển Kết quả là quỹ đạo của chiếc

xe đạt như mong muốn, quy định một danh sách có thứ tự các cột mốc (vị trí, vận tốc, mục tiêu) được cung cấp cho điều khiển chuyển động ở mức độ thấp

 Bộ điều khiển thực hiện việc kiểm soát các chuyển động ở mức độ thấp để theo dõi đường đi mong muốn và đưa ra hồ sơ vận tốc chuyển động bởi kế hoạch chuyển động xe

Những mô đun này được hổ hỗ trợ bởi cấu trúc phần mềm rất mạnh mẽ và linh hoạt dựa trên hệ thống giao thức Ethernet mới, gọn nhẹ Cấu trúc mới này tạo điều kiện giao tiếp hiệu quả giữa các mô đun phần mềm không đồng bộ hoạt động trên

hệ thống phân phối máy tính của xe Hệ thống này cho phép tạo ra nhanh chóng một

cơ sở mật mã quan trọng, hiện có khoảng 140.000 mã nguồn, kết hợp các khả năng tinh vi, chẳng hạn như ghi dữ liệu, phát lại, trực quan 3 chiều dữ liệu thử nghiệm

2.3 Thiết kế hệ thống

2.3.1 Những cân nhắc trong việc thiết kế hệ thống

 Sử dụng nhiều cảm biến: Chiếc xe được sử dụng những thiết bị có chi phí thấp, những cảm biến cố định chứ không phải dựa hoàn toàn vào một lượng nhỏ những thiết bị tốn kém hay những cảm biến hiệu suất cao Lựa chọn này được thực hiện theo tính kinh tế:

 Tránh việc sử dụng một cảm biến duy nhất ở một vị trí để phòng khi cảm biến bị hỏng, sử dụng một hệ thống nhiều cảm biến cho hiệu quả cao hơn

Nó có thể bù đắp khi một số ít cảm biến bị mất tín hiệu do tình trạng hư hỏng, bị che khuất hoặc phần mềm bị lỗi Hệ thống truyền tín hiệu cũng được đơn giản hóa các chi tiết cơ khí, điện, và phần mềm hệ thống

 Bởi vì mỗi cảm biến trong hệ thống được đặt ở những vị trí xa nhất của chiếc xe, vì vậy tầm nhìn của chiếc xe sẽ tốt hơn Mỗi cảm biến riêng lẻ

sẽ có tầm nhìn giới hạn do không thể tránh khỏi bị che khuất của chính bản thân chiếc xe vì vậy bố trí nhiều cảm biến còn giúp tăng sự linh hoạt cho quá trình xử lý tín hiệu của xe Hầu hết những điểm xung quanh chiếc xe được quan sát bởi ít nhất một trong ba loại cảm biến

 Giảm sự phụ thuộc vào GPS: GPS thì không thể cho độ chính xác cao ở bất

kỳ vị trí địa lý nào ở những thời gian khác nhau

 Bộ xử lý trung tâm băng thông cao: Mục tiêu chính của MIT là tạo nên đường truyền dữ liệu ổn định đến các mô đun đang làm việc MIT đã sử dụng nhiều bộ xử lý trung tâm (CPU) để giảm công suất làm việc của nó và

bộ nhớ (trên lý thuyết là giảm được một nửa công suất) để tránh tình trạng quá tải của đường truyền và gián đoạn bộ nhớ Nhược điểm phương pháp sử dụng nhiều máy móc là cần nguồn năng lượng cao, vì vậy yêu cầu cần phải

có máy phát điện gắn rời trên xe Việc thêm máy móc và thiết bị điện này tạo nên sự phức tạp cho hệ thống, nhưng những tính toán trong thiết kế đã giải quyết được vấn đề này

 Kết hợp các cảm biến: Talos sử dụng 6 loại cảm biến khác nhau bao gồm: cảm biến chuyển động odometry (ước tính sự thay đổi vị trí theo thời gian), cảm biến quán tính, GPS, Radar, LIDAR và cảm biến tầm nhìn, mỗi loại tạo

ra dữ liệu với những tốc độ khác nhau Nhóm MIT sử dụng một phần mềm điều khiển cho mỗi loại cảm biến khác nhau Mỗi trình điều khiển thực hiện những xử lý tối thiểu và sau đó đưa những dữ liệu cảm biến lên trên mạng chia sẻ Một giao diện lập trình ứng dụng (API) bản đồ khả năng lái thực hiện tối thiểu việc kết hợp những cảm biến, gởi lại cảm biến những giải thích vào bản đồ như một cảm nhận nền tảng

 Điều khiển “chống nhiễu” cấp độ thấp: Để chắc rằng chiếc xe luôn có thể chuyển động về phía trước, MIT đã thiết kế trình điều khiển cấp độ thấp sử dụng rất đơn giản, các thuật toán cũng đã được chứng minh không liên quan đến việc thích ứng hoặc chuyển đổi giữa các chế độ Việc điều khiển những tiện ích có thể cho hiệu suất tốt hơn, nhưng chúng thì khó kiểm soát và xác nhận Khó khăn gặp phải là một hư hỏng của trình điều khiển có thể gây ra những vấn đề rất nghiêm trọng và kế hoạch di chuyển quan trọng luôn có thể

dự đoán tình trạng của bộ điều khiển xe với một mức độ tin cậy cao

 Phụ thuộc nhiều vào mô phỏng: Mặc dù thử nghiệm là rất quan trong, nhưng

nó tiêu tốn thời gian và không phải lúc nào cũng có thể thực hiện Do vậy MIT thực hiện nhiều mô phỏng giao tiếp trực tiếp với xe bằng cách thực hiện việc thử nghiệm rộng rãi trên cơ sở phần mềm và thuật toán trước khi thử nghiệm chúng trên thực tế

Hình 2.2: Các cảm biến hổ trợ xử lý ảnh trên xe Talos

Chiếc xe nguyên mẫu LR3 ban đầu đã được tích hợp các thiết bị bổ sung sau đây:

 Hệ thống điều khiển chuyển động điện tử (EMC), hệ thống lái điện tử (AEVIT)

 Máy phát điện Honda EVD6010

 2 nguồn cấp điện liên tục Acumentrics

 Hệ thống máy tính Quanta blade server (Fujitsu Primergy BX600)

 Bộ điều hướng Applanix POS-LV 220 GPS/INS

phần cứng của xe LR3 còn được trang bị máy dò khói và máy đo lượng CO2 trong khoang hành khách

Hình 2.3: Khoang thiết bị phía sau xe Talos

Bộ phận tiêu dùng điện chủ yếu là máy chủ quanta Máy chủ này yêu cầu điện 240V ngược với tiêu chuẩn là 120V và có thể tiêu thụ công suất lên đến 4.000W Điều này đặt ra những yêu cầu thiết kế về nguồn điện và làm mát Năng lượng chính của hệ thống đến từ máy phát điện Honda EVD6010 được gắn trên xe với công suất lên đến 6000W R/V Nó lấy nhiên liệu trực tiếp từ bình xăng của LR3 và tạo ra điện xoay chiều 120V-240V tầng số 60Hz Máy phát được đặt bên trong nơi được bao bọc bởi khung nhôm, không khí làm mát được lấy từ bên ngoài và khí thải

đi qua một ống xả thêm vào ở phía dưới đuôi xe LR3

Nguồn xoay chiều 240V được đưa vào 2 nguồn cấp điện liên tục Acumentrics để cung cấp năng lượng cho hệ thống máy tính và các cảm biến Nguồn điện còn lại được phân bổ đến thiết bị điều hòa không khí và những thiết bị không quan trọng khác như ổ cắm điện cho máy tính xách tay ở chổ ngồi của ghế hành khách

Hình 2.4: Hệ thống máy chủ Quanta

2.3.2.1 Cấu hình các cảm biến

Các cảm biến được định vị và định hướng để hầu hết các điểm xung quanh của chiếc xe sẽ được quan sát bởi ít nhất một cảm biến của mỗi loại: LIDAR, radar, và cảm biến tầm nhìn Cách bố trí này bảo đảm hệ thống có thể hoạt động bình thường khi hai cảm biến bị hỏng hoặc bị che khuất tầm nhìn LIDAR phẳng được gắn ở nhiều độ cao, kết hợp với đầu ra từ một Velodyne 3D LIDAR để phát hiện chướng ngại vật trong cự ly gần “Pushbroom” (downward-canted SICK) LIDARs và các

dữ liệu Velodyne phát hiện các bề mặt mà xe có thể chạy được Ngoài phạm vi LIDAR, radar sóng milimet phát hiện xe đang gần kề

 Velodyne HDL-64

Velodyne HDL-64 (Hình 2.5) là cảm biến chính trong phát hiện chướng ngại vật, nó được đặt trên bục cao của mui xe Vị trí cao của cảm biến rất cần thiết để tăng tầm nhìn (FOV) Velodyne là một máy quét laser 3D bao gồm 64 laser được đặt trên một cái đầu quay Nó tạo ra khoảng một triệu mẫu trên một giây, góc quét 360° với tần số 15Hz

những đơn vị này được gắn vào giá đỡ thiết bị bên trên máy tính, có tới 16 cổng đầu vào dữ liệu nối tiếp và đầu ra của TCP/IP

 Bộ điều hướng Applanix POS-LV

Bộ điều hướng Applanix POS-LV (Hình 2.7) được sử dụng để xác định vị trí tương đối, ước tính và định hướng cho xe Hệ thống Applanix kết hợp với GPS, cảm biến quán tính IMU, và cảm biến odometry để ước tính vị trí của xe, xác định hướng, tốc độ, và số vòng quay Thông tin vị trí được sử dụng để xác định vị trí tương đối của chiếc xe trong RNDF Thông tin về hướng và tốc độ được sử dụng để ước tính chuyển động cục bộ của xe theo thời gian Thiết bị Applanix được giao tiếp thông qua kết nối TCP/IP

Hình 2.7: Bộ điều hướng Applanix

 Radar Delphi

Sóng OEM milimet trên xe của Delphi kết hợp với radar điều khiển hành trình được sử dụng để theo xe (được minh họa ở Hình 2.8) Với tầm nhìn hẹp của những radar đó (khoảng 18°) nên yêu cầu phải có 15 radar để đạt được tầm nhìn mong muốn là 240° Các radar yêu cầu một giao tiếp chuyên biệt CAN bus Để hổ trợ 15 mạng lưới CAN bus cần 8 bộ chuyển đổi Ethernet (EthCANs) Mỗi bộ chuyển đổi

có thể hổ trợ 2 CAN bus

Hình 2.8: 15 Radar Delphi với góc quét 2400

 Camera Point Grey Firefly MV

5 Camera Point Grey Firefly MV trang bị trên xe, tạo tầm nhìn gần 360° Mỗi camera hoạt động với tầng số 22.8Hz và cho ra ảnh bayer-tiled với đội phân giải 752×480 Điều này dẫn đến dữ liệu hình ảnh có thể lên đến 39Mb/s hoặc 2.4Gb/min Để hổ trợ những thuật toán xữ lý nhiều hình ảnh song song với nhau, dữ liệu máy ảnh được chuyển thành định dạng JPEG và sau đó được truyền lại bằng phương thức truyền dữ liệu UDP multicast đến các máy tính khác Điều này cho phép xử lý nhiều hình ảnh và khai thác thuật toán hoạt động trên dữ liệu camera song song với tối thiểu độ trễ

2.3.2.2 Bộ lái xe tự động (ADU)

Liên kết cuối cùng của máy tính và xe là bộ lái xe tự động ADU Nó giao tiếp với hệ thống lái điều khiển điện tử được phát triển từ EMC Trong thực tế, nó cũng đóng vai trò quan trọng về sự an toàn của xe

ADU có phần cứng rất đơn giản, chạy trong hệ điều hành thời gian thực time), thực hiện lệnh điều khiển thông qua cụm máy tính không thời gian thực ADU kết hợp giám sát thời gian và có thể làm cho chiếc xe tự lái vào tình trạng DỪNG nếu máy tính tạo ra lệnh điều khiển không hợp lệ hoặc là dừng hoàn toàn việc gởi lệnh điều khiển

(real-ADU còn thực hiện giao tiếp với các nút nhấn và màn hình ở cabin xe DARPA cung cấp hệ thống dừng khẩn cấp Các trạng thái khác nhau của chiếc xe (dừng, chạy, chờ, dừng khẩn cấp) được quản lý bởi ADU

2.3.3 Hệ thống phần mềm

2.3.3.1 Hệ thống truyền dữ liệu LCM

MIT cần thông tin liên lạc độ trễ thấp và thông lượng cao với quy mô nhiều lượt gửi và nhận thông tin cùng lúc Sau khi đánh giá các công nghệ hiện có, MIT đã thiết kế và thực hiện một hệ thống truyền dữ liệu LCM

LCM là một hệ thống nhỏ gọn để truyền dữ liệu và sắp xếp thứ tự dữ liệu, mục tiêu quan trọng của hệ thống là độ trễ trong thời gian thực Nó cung cấp mô hình thông tin và một ngôn ngữ lập trình kỹ thuật thông tin kiểu XDR với các ràng buộc bởi các ứng dụng trong C, Java và Python Dữ liệu được truyền đi bằng phương thức tuyền dữ liệu UDP multicast (multicast là thuật ngữ được sử dụng để mô tả cách thức truyền tin được gửi từ một hoặc nhiều điểm đến một tập hợp các điểm khác) trên một mạng lưới khu vực cục bộ Những lợi ích khi sử dụng UDP multicast

là nó là khả năng mở rộng, truyền tải thông tin tới hàng ngàn các thuê bao

2.3.3.2 Trực quan

Dữ liệu cảm nhận bằng quan sát cũng như các giai đoạn trung gian và cuối cùng của tính toán cho bất kỳ thuật toán nào là rất quan trọng Việc gỡ lỗi một hệ thống

dể dàng hơn nhiều nếu dữ liệu được trực quan

2.4 Thuật toán tìm đường đi trên xe Talos

Phần này mô tả các thuật toán dùng để xử lý dữ liệu cảm biến, đặc biệt là khung cục bộ, phát hiện chướng ngại vật, phát hiện nguy hiểm và mô đun theo dõi làn đường

từ bộ điều hướng Applanix để có được vị trí trong khung cục bộ

Khung cục bộ là một hệ thống tọa độ Euclide có gốc ngẫu nhiên Nó có đặc tính đặc biệt là chiếc xe luôn di chuyển thông suốt bằng cách phối hợp với hệ thống, nói cách khác nó rất chính xác ở khoảng thời gian ngắn nhưng nó có thể lệch so với chính nó ở khoảng thời gian dài hơn Đặc tính này có lợi để xác định dữ liệu cảm biến cho không gian thay đổi xung quanh của xe Ước tính tọa độ chuyển đổi giữa khung cục bộ và khung tham chiếu GPS được cập nhật liên tục Chuyển đổi này chỉ cần thiết khi mô tả tính năng GPS như một điểm tham chiếu trong RNDF vào khung cục bộ Tất cả các định vị khác và lập luận nhận biết được thực hiện trực tiếp trong khung cục bộ

Một quá trình duy nhất chịu trách nhiệm cho việc duy trì và truyền tín hiệu trạng thái của xe đặt ra trong khung cục bộ (vị trí, vận tốc, gia tốc, định hướng, và chuyển

tỉ lệ) cũng như các chuyển đổi gần nhất giữa khung cục bộ và GPS Các thông tin tín hiệu truyền đi ở tần số 100 Hz

2.4.2 Phát hiện chướng ngại vật

Lượng lớn các cảm biến của hệ thống cung cấp một tầm nhìn toàn diện và dự phòng bằng các phương thức cảm biến LIDAR cung cấp dữ liệu và phát hiện chướng ngại vật ở gần xe và RADAR cung cấp nhận thức về phương tiện di chuyển

ở tầm xa Những nghiên cứu theo dõi xe trước đó đã sử dụng sự quan sát của máy tính để phát hiện những chiếc xe khác và đối tượng di chuyển khác như là người đi

bộ Nghiên cứu trong tài liệu tầm nhìn dành cho việc theo dõi xe, các kỹ thuật được phát triển bởi Stein và cộng sự (Stein, Mano, & Shashua, 2000, 2003) là rất đáng chú ý vì nó cung cấp cơ sở cho sự phát triển của một sản phẩm thương mại: Mobileye, hệ thống ô tô theo dõi trực quan Hệ thống Mobileye thực hiện tốt cho việc theo dõi xe ở phía trước và phía sau trong suốt quá trình xe ở trên đường cao tốc nhưng nó không cung cấp một giải pháp tổng hợp đủ cho những con đường có

độ cong lớn và các tình huống lộn xộn gặp phải trong cuộc thi thách thức đô thị UCE Một nỗ lực trước đó trên cơ sở tầm nhìn phát hiện chướng ngại vật (nhưng không ước tính vận tốc) sử dụng phần cứng tùy chỉnh (Bertozzi & Broggi, 1998) Một phát hiện đáng kể là hệ thống theo dõi giao thông đô thị từ dữ liệu LIDAR được phát triển bởi Wang (2004), người đã kết hợp theo dõi đối tượng di chuyển

việc xây dựng SLAM để làm giảm các tác động của các đối tượng di chuyển, tránh làm hỏng bản đồ đã được xây dựng Thuật toán theo dõi đối tượng sử dụng nhiều

mô hình tương tác (IMM) (Blom & Bar-Shalom, 1988) cho xác xuất liên kết dữ liệu Một dự án liên quan đến việc giải quyết và theo dõi người đi bộ và những đối tượng di chuyển để phát triển hệ thống cảnh báo va chạm trên trình điều khiển xe buýt trong thành phố (Thorpe và cộng sự, 2005) Mỗi đội tham dự trong UCE được yêu cầu một giải pháp phát hiện và theo dõi các phương tiện khác Các kỹ thuật của đội đua Stanford (Stanford Racing Team, 2007) và đội đua Tartan (Tartan Racing, 2007) là những ví dụ khác về cách tiếp cận thành công Việc theo dõi xe của đội Tartan được xây dựng dựa trên thuật toán của Mertz và cộng sự (2005), nó phù hợp với công nghệ LIDAR, ước tính góc lồi từ các dữ liệu thu từ laser để phát hiện xe Nhóm nghiên cứu của Đại học Stanford theo dõi đối tượng có điểm tương đồng với cách tiếp cận của đội MIT Nó dựa trên việc lọc các chướng ngại vật và đo đạc trên mặt đất cũng như những thuận lợi từ khu vực bên ngoài RNDF, thuận lợi còn lại là trang bị hình chữ nhật 2 chiều sử dụng bộ lọc và ước tính vận tốc cho những đối tượng di chuyển Sự độc đáo của nhóm MIT là phương pháp tiếp cận xử lý đồng thời giữa công nghệ LIDAR, dữ liệu RADAR và kỹ thuật hiệu chỉnh nhiều cảm biến mới

Hệ thống phát hiện chướng ngại vật của MIT kết hợp dữ liệu từ 7 LIDAR phẳng sắp xếp theo chiều ngang trên mui xe và 15 ra đa Các LIDAR phẳng là một đơn vị SICK quay 180 điểm với khoảng cách 1 độ, quét ở tần số 75Hz Các đơn vị SICK ở chế độ quét xen kẽ, trong đó mỗi lần quét được bù 0.250 từ lần quét trước đó, điều này làm tăng độ nhạy của hệ thống với những chướng ngại vật nhỏ, làm cho nó lớn hơn và tầm nhìn rộng hơn MIT sử dụng Velodyne LIDAR độ nét cao, trong đó có

64 laser sắp xếp theo chiều dọc, trên một thiết bị quay tròn, quét ở 3600, tần số 15Hz

Đơn vị ra đa ACC3 Delphi của MIT là duy nhất trong số các cảm biến của họ được triển khai trên xe ô tô thị trường để hổ trợ cho tính năng “ chạy tự động” ở tốc

độ cao trên đường cao tốc Vì mỗi rada tầm nhìn chỉ 180

, MIT đã bố trí 15 radar chồng chéo với nhau theo kiểu lợp ngói để đạt được tầm nhìn 2560 Tầm nhìn LIDAR phẳng và radar được hiển thị trong Hình 2.10 Tầm nhìn 3600 của Velodyne

là một vòng xung quanh xe trải dài từ 5-60m Tầm nhìn rộng có thể đạt được thông qua việc sử dụng nhiều cảm biến hoặc số lượng ít hơn các cảm biến dẫn động Cảm biến dẫn động có cấu tạo phức tạp hơn (cụ thể như: cơ cấu chấp hành, cơ cấu kiểm soát mạch và các thông tin phản hồi từ cảm biến), làm tăng thêm vấn đề kiểm soát

và cuối cùng là nó tạo ra ít dữ liệu hơn Với những lý do đó MIT đã chọn sử dụng nhiều cảm biến cố định hơn và ít hơn cảm biến cơ học dẫn động

Hình 2.10: Tầm nhìn của của biến (a) xe sử dụng bảy LIDAR phẳng gắn ngang với

tầm nhìn 1800 3 LIDAR ở phía trước và 4 LIDAR ở phía sau (b) 15 radar 180

mang lại một tầm nhìn rộng

Hệ thống theo dõi chướng ngại vật đã được tách riêng thành hai hệ thống phụ độc lập, một sử dụng dữ liệu LIDAR và một sử dụng radar Mỗi hệ thống được điều chỉnh riêng để tỉ lệ sai khác ở mức thấp Đầu ra của các hệ thống cao cấp là đầu ra tổng hợp của các hệ thống phụ Tổng hợp những sơ đồ dữ liệu đơn giản đó cho phép mỗi hệ thống phụ được phát triển riêng và theo cách tương đương, làm cho nó dễ dàng thêm hoặc loại bỏ các tác động bởi hiệu suất dự tính của một hệ thống phụ Từ góc độ tin cậy, chiến lược này có thể ngăn chặn ảnh hưởng từ những lỗi của một hệ thống phụ đến toàn hệ thống

2.4.2.1 Phát hiện chướng ngại vật dựa trên LIDAR

Hình 2.11: Sơ đồ khối hệ thống phụ LIDAR Tín hiệ trả về từ LIDAR đầu tiên được

phân loại là chướng ngại vật, mặt đất, hoặc cái nằm ngoài Tín hiệu chướng ngại vật

Hệ thống theo dõi chướng ngại vật LIDAR của MIT kết hợp 12 LIDAR phẳng (Hình 2.11) và Velodyne LIDAR Các điểm điện toán đám mây Velodyne dày đặc hơn dữ liệu LIDAR phẳng (Hình 2.12), nhưng LIDAR phẳng bao gồm ba lợi thế đáng kể: Đầu tiên, nó không có điểm mù (các vùng trống tức thời xung quanh xe), các dữ liệu LIDAR phẳng điền đầy vào trong những điểm mù Thứ hai, LIDAR phẳng cung cấp một thước đo khả năng chịu lỗi, cho phép hệ thống tiếp tục hoạt động nếu Velodyne bị lỗi, bởi vì Velodyne là một cảm biến mới được thử nghiệm

và MIT có rất ít kinh nghiệm vận hành Tốc độ cập nhật nhanh hơn của LIDAR phẳng (75Hz so với 15Hz của Velodyne) cũng làm cho liên kết dữ liệu của những chướng ngại vật chuyển động nhanh được dễ dàng hơn

Hình 2.12: Dữ liệu thô : bên trái, xem ảnh của một cảnh trong giao thông đô thị

Giữa là dữ liệu của LIDAR phẳng tương ứng Bên phải là dữ liệu Velodyne

Mỗi LIDAR phẳng tạo ra một dòng phạm vi và một tập hợp các giá trị góc, những dữ liệu này được đưa vào hệ thống tọa độ cục bộ Thuận lợi của LIDAR phẳng là nó bao quát các quan sát mặt đất và các chướng ngại vật Giai đoạn đầu tiên là phân loại từng tín hiệu gởi về như: mặt đất, chướng ngại vật hoặc những vật bên ngoài Quá trình này được thực hiện bởi một mô đun đầu-cuối LIDAR phẳng chia sẻ tất cả mô đun đầu-cuối đơn Trong khi Velodyne có chuyên môn riêng của một mô đun đầu-cuối Trong cả hai trường hợp, công việc của chúng là như nhau, đầu ra của dòng các điểm tương ứng với những chướng ngại vật (loại bỏ vật cản mặt đất và bên ngoài)

lắp ở độ cao khác nhau, đảm bảo có thể quan sát được các đối tượng gần đó chỉ một lần quét Sự chồng chéo này đem đến một ưu điểm là nhiều bề mặt thực tế có sự sai khác về chiều cao, có thể không chắc chắn vẫn được nhìn thấy bởi cảm biến SICK Thậm chí ở khoảng cách dưới 2m, một bề mặt sáng bóng (như vệt bánh xe của một chiếc xe hơi) có thể làm phân tán năng lượng laser gây ra sự cố, LIDAR vẫn nhìn thấy và tạo ra một ước tính phạm vi hợp lệ Với nhiều laser, cảm biến có khả năng trả về tín hiệu từ bất kỳ đối tượng nào, cách tiếp cận này làm tăng khả năng thích ứng với những lỗi của hệ thống

Trước khi phân loại tín hiệu trả về, hệ thống sẽ loại bỏ những tín hiệu lỗi, bất kỳ tín hiệu nào xa hơn 1m sẽ bị loại bỏ, điều này có hiệu quả để loại bỏ những tín hiệu sai lệch

Các thuật toán đầu-cuối phát hiện tín hiệu trả về gần nhau (trong mặt phẳng XY của xe) Nếu hai tín hiệu phát ra từ hai cảm biến khác nhau được trả về gần như đồng thời, nó cho biết rằng có một chướng ngại vật ở vị trí tương ứng Để thực hiện thuật toán này, MIT đã xây dựng một mạng lưới hai chiều với độ phân giải 25cm đại diện cho một khu vực khoảng 200x200m xung quanh chiếc xe Mỗi ô lưới có một danh sách liên kết tất cả các tín hiệu LIDAR vừa trả về trong ô đó, cùng với các địa chỉ của cảm biến và thời gian của mỗi tín hiệu trả về

Bất cứ khi nào một tín hiệu mới được trả về thì được thêm vào một ô danh sách tìm kiếm, nếu một trong các tín hiệu trả về trước đủ gần và được tạo ra bởi một cảm biến khác thì cả hai tín hiệu đó được truyền cho bộ theo dõi chướng ngại vật Trong tìm kiếm này, những tín hiệu trả về lâu hơn 33ms thì được loại bỏ

Một khó khăn gặp phải trong việc phát triển hệ thống phụ LIDAR phẳng đó là không thể gắn kết hai LIDAR để nó chính xác đồng bộ Ở khoảng cách xa, các lỗi nhỏ cũng nhanh chóng bị khuếch đại, với kết quả là sự thay đổi chiều cao thực tế trong trục z thấp hơn nhiều sự thay đổi chiều cao mà cảm biến đo được Mức độ hội

tụ của cảm biến gây nên vấn đề lớn nhất, chúng có thể cảm nhận cùng một đối tượng ở cùng độ cao, gây ra một tín hiệu giả Ngay cả khi mức độ hội tụ có thể được đo chính xác (do đó tín hiệu giả được loại bỏ) thì kết quả cũng có thể là một điểm mù Giải pháp là gắn các cảm biến hơi chênh lệch nhau, điều này làm giảm độ nhạy của nó đến những chướng ngại vật nhỏ ở khoảng cách xa nhưng loại bỏ được tín hiệu giả và các điểm mù

Hình 2.13: Chướng ngại vật hay dốc? Với một LIDAR phẳng không đáng tin cậy

để phân biệt Nhiều LIDAR phẳng đặt chênh nhau cho phép giải quyết vấn đề này

2.4.2.3 Velodyne đầu-cuối

Như với các dữ liệu LIDAR phẳng, cần gắn nhãn mỗi mẫu phạm vi Velodyne là thuộc về mặt đất hay là chướng ngại vật Mật độ dữ liệu Velodyne cao cho phép thực hiện một cách tinh vi hơn việc phân loại chướng ngại vật hay mặt đất so với LIDAR phẳng Chiến lược là xác định trong các điểm đám mây, điểm đó có thể ở trên mặt đất và sau đó được điền vào mô hình mặt đất phi tham số thông qua các điểm mặt đất Những điểm khác trong đám mây đủ sâu trên mô hình mặt đất (và được thiết kế để loại bỏ giá trị ngoại lai) là đầu ra để phát hiện chướng ngại vật Những tín hiệu ngoại lai với LIDAR phẳng là tương đối hiếm và dữ liệu Velodyne chứa một số lượng đáng kể tín hiệu ngoại lai, việc loại bỏ ngoại lai là một thách thức lớn Những giá trị ngoại lai bao gồm cả hai phạm vi quá gần và quá xa, thường bị ảnh hưởng bởi môi trường xung quanh Tín hiệu phản xạ ngược lại bị nhiễu bởi Velodyne, tạo ra một đám mây của những tín hiệu phản xạ bị lỗi Cảm biến cũng bộc lộ các lỗi hệ thống như quan sát bề mặt có cường độ cao (sơn đường) làm phép đo phạm vi bị gián đoạn Kết quả là vùng sơn màu sáng có thể xuất hiện như bề mặt lề đường cao Các Velodyne bao gồm 64 laser riêng lẻ, mỗi thay đổi về

độ nhạy và phạm vi chồng lấn của laser làm tăng thêm độ nhiễu

Thuật toán ước lượng mặt đất tính toán dữ liệu địa hình từ một chuỗi các điểm đại diện cục bộ để hình thành mặt đất Hệ thống tạo điểm đại diện mặt đất bằng cách chia khu vực xung quanh chiếc xe thành một lưới cực Mỗi ô của lưới thu thập tất cả các điểm trong lần quét Velodyne suốt 40 quay của cảm biến và phạm vi 3m

để lắp vào ô Nếu một ô đặc biệt có nhiều hơn một số ngưỡng tín hiệu trả về (danh

nghĩa là 30) thì ô sẽ tạo ra một điểm đại diện mặt đất, do bị nhiễu bởi Velodyne nên điểm đại diện đó không phải là điểm thấp nhất, thay vào đó 20% số điểm thấp nhất (được đo theo trục z) được loại bỏ trước khi các điểm thấp tiếp theo được chấp nhận như là một điểm đại diện

Các điểm đại diện tượng trưng cho mặt đất là thường đúng nhưng đôi khi nó có thể nhầm lẫn bề mặt cao (như mui xe) là các điểm đại diện Do đó hệ thống lọc các điểm đại diện bằng cách tạo một ràng buộc độ dốc tối đa Giả định địa hình điều hướng có độ dốc không được vượt quá 0.2 (khoảng 110) Bắt đầu từ bánh xe, điểm đại diện sắp xếp theo thứ tự khoảng cách xa dần, loại bỏ những điểm mà có độ dốc vượt quá ngưỡng (Hình 2.14) Kết quả mô hình mặt đất là một chuỗi đường (giữa các điểm mặt đất được chấp nhận) cho mỗi khu vực hướng tâm (Hình 2.15)

Hình 2.14: Các điểm đại diện mặt đất và nội suy Tín hiệu trả về Velodyne lắp vào

trong một lưới cực (bên trái là ô đơn được hiển thị) 20% số điểm thấp nhất (đo theo chiều cao z) bị loại bỏ vì có thể là tín hiệu ngoại lai Tín hiệu thấp tiếp theo là một điểm đại diện mặt đất

Hình 2.15: Ví dụ mô hình mặt đất Trên địa hình đồi núi, địa hình lệch đáng kể so

với mặt phẳng nhưng được theo dõi khá tốt bởi mô hình mặt đất

Theo dõi mặt đất không chỉ để xác định các chướng ngại vật mà nó còn cải thiện hiệu suất của hệ thống trong mô hình mặt đất phẳng với hai cách bổ sung Đầu tiên, biết nơi nào mặt đất cho phép chiều cao của một chướng ngại vật cụ thể để đánh giá

hiện nhiều chướng ngại vật thực tế với ít sai lệch Thứ hai, ước lượng mặt đất cho phép chiều cao so với mặt đất của mỗi tín hiệu trả về được tính toán Những chướng ngại vật mà xe sẽ vượt qua một cách an toàn (chẳng hạn như cầu vượt hay tán cây)

sẽ bị loại bỏ

Ước lượng mặt đất có thể phân loại tín hiệu LIDAR trả về là chướng ngại vật nếu nó là một ngưỡng trên mặt đất, tuy nhiên chiến lượt này vẫn chưa tối ưu, laser riêng lẻ có xu hướng tạo ra chuỗi liên tiếp tín hiệu ngoại lai nên cần phải có nhiều laser để thống nhất sự hiện diện của một chướng ngại vật

Các laser hiệu chỉnh có tầng nhiễu có thường nằm dưới 15cm Sự khác nhau của những thay đổi liên tục bên trong laser làm việc đo trở nên không chính xác, qua laser chiều cao thay đổi nhỏ hơn Do đó ước lượng mặt đất không đáng tin cậy để

có thể phát hiện những chướng ngại vật thấp hơn 15cm

Với mỗi ô cực, kiểm đếm số lượng tín hiệu trả về từ một laser, so sánh với ngưỡng dấu hiệu (thường là 15cm) Sau đó hệ thống xem xét lại tín hiệu trả về một lần nữa, những tín hiệu trả về trên mặt phẳng mặt đất của một ngưỡng lớn hơn một chút (khoảng 25cm) và đủ dấu hiệu sẽ được gắn nhãn là chướng ngại vật Các tiêu chuẩn dấu hiệu đó được đáp ứng bằng một trong hai cách: sử dụng mỗi 3 laser với ít nhất 3 tín hiệu trả về hoặc 5 laser cho một lần quét Kết hợp này làm tăng độ nhạy hơn và cung cấp đầy đủ dữ liệu cho hệ thống

Kết hợp giữa ngưỡng dấu hiệu (15cm) và ngưỡng chướng ngại vật (25cm) để làm tăng độ nhạy với các chướng ngại vật, phát hiện những chướng ngại vật trũng, thấp Nếu chỉ sử dụng ngưỡng dấu hiệu (15cm) thì sẽ có nhiều tín hiệu giả vì nó nằm gần tầng gây nhiễu Ngược lại nếu sử dụng duy nhất ngưỡng 25cm thì đòi hỏi chướng ngại vật phải cao hơn 25cm vì thế phải cần nhiều laser để phát hiện và mỗi laser phải có một góc quét khác nhau Kết hợp hai ngưỡng này lại sẽ làm tăng độ nhạy mà không ảnh hưởng đáng kể đến tỉ lệ tín hiệu giả

Tất cả thuật toán sử dụng Velodyne hoạt động trên một khu vực duy nhất của dữ liệu thay vì quét toàn bộ Nếu quét toàn bộ, chuyển động của chiếc xe chắc chắn sẽ tạo ra một đường nối hoặc một khoảng trống trong quá trình quét Xử lý khu vực thông minh làm giảm độ trễ của hệ thống: phát hiện chướng ngại vật được thông qua để theo dõi các chướng ngại vật mỗi 3ms (sự chênh lệch giữa laser đầu tiên và laser cuối cùng để quét tại một vị trí đăc biệt) thay vì mỗi 66ms Trong thời gian được lưu 66ms, một chiếc xe đi với tốc độ 15m/s sẽ đi được quãng đường gần 1m Mỗi bit của bộ trể có thể lưu lại làm tăng sự an toàn của hệ thống bằng cách cung cấp trước những cảnh báo nguy hiểm

2.4.2.4 Phân nhóm

Các Velodyne độc lập cung cấp lên tới 1 triệu lượt truy cập trên mỗi giây Bước đầu tiên là giảm dữ liệu: giảm số lượng lớn lượt truy cập vào khối Một khối đơn giản là dữ liệu của nhiều không gian của các mẫu Các khối có vai trò là cơ chế cho

sự hợp nhất của dữ liệu LIDAR phẳng và dữ liệu Velodyne: chướng ngại vật được phát hiện được sử dụng để tạo ra và cập nhật khối

Một thực hiện rõ ràng của khối có thể được thông qua bản đồ lưới, kiểm đếm lượt truy cập trong mỗi ô Tuy nhiên đại diện này là hiệu ứng lượng tử quang trọng khi đối tượng nằm gần ranh giới ô Đó là vấn đề đặc biệt khi sử dụng độ phân giải không gian thô

MIT sử dụng một khối đại diện, trong đó kích thước giới hạn của khối riêng lẻ được chọn tùy ý Điều này cho phép sử dụng một phần không gian thô (giảm bộ nhớ và các tính toán yêu cầu) trong khi tránh các ảnh hưởng lượng tử của một đại diện trên lưới Ngoài ra, MIT ghi nhận phạm vi thực tế của khối là các khối có kích thước tối đa nhưng không có kích thước tối thiểu Điều này cho phép tính gần đúng hình dạng và mức độ của chướng ngại vật chính xác hơn phương pháp bản đồ dạng lưới Khối đại diện này mang lại một ước lượng tốt hơn về ranh giới của chướng ngại vật mà không bị cản trở bởi những vấn đề liên quan đến độ phân giải của bản

đồ dạng lưới

Khối được liệt kê sử dụng một bảng tra cứu hai chiều với độ phân giải khoảng 1m Tìm kiếm các khối gần một điểm p nhất bao gồm các tìm kiếm thông qua tất cả các ô lưới chứa một khối có chứa điểm p Vì kích thước của một khối được giới hạn nên số lượng các ô lưới và khối cũng bị giới hạn

Đối với mỗi phát hiện chướng ngại vật được tạo ra bởi thuật toán đầu-cuối, khối gần nhất được tìm thấy bằng cách tìm kiếm từ bảng tra cứu 2D Nếu điểm nằm trong khối gần nhất hoặc các khối có thể được mở rộng (không vượt quá kích thước khối tối đa 35cm) để bao gồm các điểm đó, khối sẽ được mở rộng thích hộp và thực hiện việc tìm kiếm Nếu không, một khối mới được tạo ra, ban đầu nó sẽ chỉ có điểm mới và sẽ có kích thước bằng 0

Định kỳ, mỗi khối được kiểm tra lại Nếu một điểm mới không được gán cho khối trong 250ms cuối thì khối sẽ hết hiệu lực sẽ bị xóa khỏi hệ thống Một đối tượng vật lý thường được đại diện bởi nhiều hơn một khối Để tính toán vận tốc của những chướng ngại vật thì phải biết được khối tương ứng với các đối tượng vật lý

Để xác định điều này hệ thống đã phân chia khối thành các nhóm, bất kì hai khối trong vòng 25cm sẽ được nhóm lại như cùng một đối tượng vật lý Hoạt động phân nhóm này được trình bày trong thuật toán 1

Thuật toán 1: Phân nhóm cho khối 1) Tạo một đồ thị G với đỉnh cho từng khối và không có các cạnh 2) Cho tất cả c ∈ các khối

3) Cho tất cả các khối d bên trong ε của c

4) Thêm một cạnh giữa c và d

5) Kết thúc

6) Kết thúc

7) Đầu ra kết nối các thành phần của G

Thuật toán 1 tiêu tốn một lượng nhỏ thời gian của CPU Thời gian cần thiết để tìm kiếm trong một bán kính cố định của một khối cụ thể là trong thực tế O (1) ,vì

có một hằng số ràng buộc về số lượng các khối có thể đồng thời tồn tại trong vòng bán kính đó và những khối có thể được tìm thấy trong O (1) thời gian bằng cách lặp lại trên các bảng tra cứu 2-D lưu trữ tất cả các khối Phí tổn của những đồ thị con được hợp nhất Thực hiện bởi liên hiệp khám phá thuật toán (Rivest & Leiserson, 1990)

Các khung giới hạn cho hai nhóm gắn kết được so sánh, ước tính năng suất vận tốc Các ước tính vận tốc tức thời có xu hướng bị nhiễu, những chướng ngại vật có

xu hướng thay đổi theo thời gian do có thể bị che khuất hoặc hình ảnh khung cục bộ thay đổi, những thay đổi đó tương ứng với kích thước bên ngoài của chướng ngại vật

Vận tốc của chướng ngại vật được lọc theo thời gian trong các khối Giả sử rằng hai tập hợp khối có liên quan với nhau về ước tính năng suất vận tốc Đó là ước tính vận tốc sau đó được sử dụng để cập nhật các ước tính vận tốc của khối Mỗi ước tính vận tốc của khối được duy trì bằng một bộ lọc Kalman

Vận tốc lưu trữ trong các khối truyền tải một ý nghĩa duy trì lợi ích "theo dõi" riêng biệt, nếu phân đoạn trong khung cảnh thay đổi sẽ làm cho theo dõi nhiều hơn hoặc ít hơn, các nhóm mới sẽ kế thừa hợp lý vận tốc nhờ những khối cấu thành của chúng Các phân đoạn dễ thay đổi do tắc nghẽn và thay đổi hình dạng khung cục bộ, việc duy trì vận tốc trong các khối được cung cấp liên tục sẽ cho kết quả theo dõi được tạo mới thường xuyên

Cuối cùng, MIT phát hiện ra chướng ngại vật bằng cách sử dụng phương pháp phân đoạn nhóm hiện thời (Hình 2.16), với mỗi nhóm có vận tốc bằng bình quân các khối cấu thành nó

Hình 2.16: LIDAR phát hiện chướng ngại vật Xe tự lái ở trung tâm, bức tường gần

đó (không thường xuyên) được hiển thị, phân nhóm theo khoảng cách vật lý với nhau Hai chiếc xe khác có thể nhìn thấy như vùng bao quanh ô cho thấy ước tính vận tốc, một chiếc xe phía trước, bên trái đang tới và một chiếc xe khác đi theo xe

tự lái (một chiếc xe đuổi theo) Các đường dài với mũi tên chỉ ra các làn xe đi lại danh nghĩa, nó được bao gồm để hỗ trợ giải thích nhưng không được dùng để theo dõi

Sức mạnh cốt lõi của hệ thống này là có khả năng tạo ra các ước tính vận tốc cho các đối tượng di chuyển nhanh với độ trễ rất thấp Các đối tượng di chuyển nhanh

là một mối nguy hiểm cao

Hạn chế của hệ thống là trong tính toán vận tốc của những chướng ngại vật di chuyển chậm Để đo chính xác vận tốc nhỏ đòi hỏi phải cẩn thận theo dõi đối tượng qua các thời điểm với thời gian tương đối dài Hệ thống thực hiện các phép đo vận tốc tức thời, nhưng đo vận tốc tức thời dễ bị nhiễu và có thể dẫn đến sai lệch Trong thực tế thì hệ thống đáng tin cậy để có thể theo dõi đối tượng chuyển động nhanh hơn 3m/s Các kế hoạch di chuyển giữ khoảng cách hợp lý với tất cả các chướng ngại vật di chuyển Việc cải thiện theo dõi các chướng ngại vật di chuyển chậm vẫn

là mục tiêu cần phải giải quyết trong tương lai

Một khó khăn khác là vấn đề khẩu độ ống kính của camera, một phần của chướng ngại vật đứng yên được nhìn thấy thông qua lỗ nhỏ Chuyển động của chiếc

xe có thể làm cho nó hiển thị như là một chướng ngại vật di chuyển ở phía bên kia của khẩu độ Những chướng ngại vật ảo thường có vận tốc song song với xe, do đó không ảnh hưởng nhiều đến kế hoạch chuyển động

2.4.2.6 LIDAR theo dõi kết quả

Các thuật toán với độ tin cậy cao, phát hiện chính xác chướng ngại vật, thậm chí