Ứng dụng Computer Vision (Thị giác máy tính) trong xe tự lái

Thị giác máy tính (computer vision) là "đôi mắt" của xe tự lái: các mạng nơ-ron phân tích hình ảnh từ nhiều camera để nhận ra xe khác, người đi bộ, làn đường, biển báo, đèn tín hiệu và ước lượng khoảng cách tới chúng, nhiều lần mỗi giây. Kết hợp với dữ liệu từ radar, lidar và bản đồ, hệ thống dựng nên bức tranh về môi trường xung quanh để lập kế hoạch di chuyển. Bài viết giải thích các tác vụ thị giác chính, cách các cảm biến bổ trợ nhau, các cấp độ tự lái và vì sao xe tự lái hoàn toàn vẫn còn là bài toán khó.

Chuỗi xử lý của một hệ thống lái tự động

Hệ thống tự lái thường được mô tả theo các khối:

1. Cảm nhận (perception): hiểu môi trường từ dữ liệu cảm biến. Thị giác máy tính nằm chủ yếu ở đây.
2. Định vị: xác định xe đang ở đâu, chính xác tới từng làn.
3. Dự đoán: đoán các đối tượng khác sẽ di chuyển thế nào trong vài giây tới.
4. Lập kế hoạch: chọn quỹ đạo an toàn, thoải mái, tuân thủ luật.
5. Điều khiển: chuyển kế hoạch thành lệnh lái, ga, phanh.

Một số đội phát triển đang chuyển dần sang mô hình "đầu cuối", nơi một mạng nơ-ron lớn học trực tiếp từ dữ liệu cảm biến đến hành động lái, thay vì các khối tách rời. Cả hai hướng đều dựa nặng vào thị giác máy tính.

Các tác vụ thị giác máy tính chính

Mạng nơ-ron tích chập và Transformer

Trong nhiều năm, mạng nơ-ron tích chập (CNN) là nền tảng của thị giác máy tính nhờ khả năng học đặc trưng cục bộ như cạnh, góc, kết cấu, rồi ghép dần thành vật thể. Các họ mô hình phát hiện vật thể như YOLO hay Faster R-CNN được dùng rộng rãi. Gần đây, Vision Transformer và các kiến trúc lai được áp dụng ngày càng nhiều, đặc biệt để kết hợp hình ảnh từ nhiều camera thành một biểu diễn thống nhất. Nền tảng của các mạng này được trình bày trong bài mạng nơ-ron nhân tạo.

Góc nhìn từ trên xuống (bird's-eye view)

Mỗi camera chỉ thấy một góc. Kỹ thuật được nhiều hệ thống hiện đại dùng là chiếu thông tin từ tất cả camera vào một không gian chung nhìn từ trên xuống quanh xe, giúp khâu lập kế hoạch làm việc trực tiếp với bản đồ không gian thay vì từng ảnh riêng lẻ. Một số hệ thống còn biểu diễn không gian thành lưới ô ba chiều để xác định vùng bị chiếm, kể cả với vật thể lạ chưa từng được gán nhãn.

Camera, radar và lidar: bổ trợ hay thay thế?

Đây là một trong những tranh luận lớn của ngành. Tesla theo đuổi cách tiếp cận chủ yếu dựa vào camera, lập luận rằng con người lái xe bằng mắt và camera có thể mở rộng quy mô với chi phí thấp. Waymo và nhiều công ty robotaxi khác kết hợp camera, lidar, radar và bản đồ độ phân giải cao để có dự phòng an toàn. Việc kết hợp dữ liệu từ nhiều loại cảm biến được gọi là sensor fusion.

Các cấp độ tự lái

Tổ chức SAE International định nghĩa sáu cấp độ tự động hóa lái xe trong tiêu chuẩn J3016:

• Cấp 0: không tự động hóa, chỉ có cảnh báo.
• Cấp 1: hỗ trợ một chức năng như ga tự động thích ứng hoặc giữ làn.
• Cấp 2: hỗ trợ đồng thời lái và tốc độ, người lái phải giám sát liên tục. Phần lớn hệ thống hỗ trợ lái trên xe thương mại hiện nay thuộc cấp này.
• Cấp 3: xe tự lái trong điều kiện nhất định, người lái phải sẵn sàng tiếp quản khi được yêu cầu.
• Cấp 4: tự lái hoàn toàn trong một vùng hoặc điều kiện xác định, không cần người lái can thiệp trong vùng đó; ví dụ các dịch vụ robotaxi ở một số thành phố.
• Cấp 5: tự lái mọi lúc, mọi nơi; chưa có hệ thống thương mại đạt cấp này.

Dữ liệu: nhiên liệu của thị giác máy tính

Mô hình thị giác cần lượng rất lớn hình ảnh được gán nhãn. Các công ty thu thập dữ liệu từ đội xe chạy thực tế, gán nhãn bằng con người kết hợp công cụ tự động, và dùng mô phỏng để tạo tình huống hiếm, nguy hiểm khó gặp ngoài đời. Phần lớn thời gian lái xe là bình thường; giá trị nằm ở các "trường hợp đuôi dài" (long tail): xe chở hàng cồng kềnh, người mặc trang phục lạ, công trường, động vật băng qua đường.

Huấn luyện mô hình lớn cần hạ tầng tính toán khổng lồ trên cloud hoặc trung tâm dữ liệu riêng, trong khi suy luận phải chạy ngay trên xe với độ trễ thấp, một dạng điển hình của điện toán biên.

Những thách thức còn lại

• Thời tiết và ánh sáng: mưa lớn, sương mù, đèn pha chói, đường hầm làm giảm chất lượng ảnh.
• Tình huống hiếm: mô hình có thể thất bại với điều chưa từng thấy trong dữ liệu huấn luyện.
• Tấn công đối kháng: nghiên cứu đã chỉ ra một số nhiễu hoặc miếng dán được thiết kế đặc biệt có thể làm mô hình nhận diện sai biển báo trong điều kiện thí nghiệm.
• Kiểm chứng an toàn: chứng minh hệ thống an toàn hơn người lái đòi hỏi lượng quãng đường thử nghiệm và phương pháp đánh giá rất lớn.
• Pháp lý và trách nhiệm: ai chịu trách nhiệm khi xe tự lái gây tai nạn vẫn đang được các quốc gia xây dựng khung pháp lý.

Bối cảnh giao thông Việt Nam

Giao thông hỗn hợp với mật độ xe máy dày đặc, nhiều tình huống không theo làn rõ ràng là thách thức đặc biệt cho xe tự lái được phát triển chủ yếu trên đường phố phương Tây. Ở Việt Nam, các tính năng hỗ trợ lái nâng cao (ADAS) như cảnh báo va chạm, phanh khẩn cấp tự động, giữ làn đã xuất hiện trên nhiều mẫu xe; người lái cần hiểu đây là hệ thống hỗ trợ, không phải xe tự lái, và luôn giữ sự tập trung.

Ứng dụng thị giác máy tính ngoài xe tự lái

Cùng các kỹ thuật này được dùng trong kiểm tra chất lượng sản phẩm, phân tích ảnh y khoa, robot kho hàng, nông nghiệp chính xác và giám sát giao thông. Nếu bạn muốn hiểu khi nào bài toán cần Deep Learning, hãy đọc bài ứng dụng thực tế của Machine Learning và Deep Learning.