MÔ HÌNH VÀ ĐÁNH GIÁ HIỆU NĂNG MỘT SỐ THUẬT TOÁN LẬP LỊCH DẪN ĐƯỜNG DÀNH CHO XE TỰ HÀNH - Full 10 điểm

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN

VÀ TRUYỀN THÔNG VIỆT-HÀN
🙟🕮🙝

BÁO CÁO TỔNG KẾT
ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP CƠ SỞ

XÂY DỰNG MÔ HÌNH VÀ TRIỂN KHAI ĐÁNH GIÁ HIỆU
NĂNG MỘT SỐ THUẬT TOÁN LẬP LỊCH DẪN ĐƯỜNG

DÀNH CHO XE TỰ HÀNH

Mã số: ĐHVH-2022-13

Chủ nhiệm đề tài: TS. Nguyễn Vũ Anh Quang

ĐÀ NẴNG, 5/2023

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ

TRUYỀN THÔNG VIỆT-HÀN
🙟🕮🙝

BÁO CÁO TỔNG KẾT
ĐỀ TÀI KHOA HỌC VÀ CÔNG NGHỆ CẤP CƠ SỞ

XÂY DỰNG MƠ HÌNH VÀ TRIỂN KHAI ĐÁNH GIÁ HIỆU
NĂNG MỘT SỐ THUẬT TOÁN LẬP LỊCH DẪN ĐƯỜNG DÀNH

CHO XE TỰ HÀNH

Mã số: ĐHVH-2022-13

Xác nhận của tổ chức chủ trì Chủ nhiệm đề tài
(ký, họ tên, đóng dấu)

Nguyễn Vũ Anh Quang
Đà Nẵng, 5/2023

MỤC LỤC

DANH MỤC HÌNH ..................................................................................................... III
DANH MỤC CÁC CHỮ VIẾT TẮT......................................................................... IV
MỞ ĐẦU ...................................................................................................................... VI

1. Tổng quan tình hình nghiên cứu thuộc lĩnh vực của đề tài .................................... v
2. Tính cấp thiết của đề tài .......................................................................................vi
3. Mục tiêu đề tài.....................................................................................................vi
4. Đối tượng và phạm vi nghiên cứu ........................................................................vi
5. Cách tiếp cận và phương pháp nghiên cứu ..........................................................vii
6. Nội dung nghiên cứu .........................................................................................viii
7. Kết quả nghiên cứu ............................................................................................viii
8. Phương thức chuyển giao kết quả nghiên cứu và địa chỉ ứng dụng ....................viii
9. Tác động và lợi ích mang lại của kết quả nghiên cứu ...........................................ix
CHƯƠNG 1.CÁC THUẬT TOÁN DẪN ĐƯỜNG ...................................................1
1.1. A* algorithm......................................................................................................1
1.2. Thuật toán Dijkstra’s..........................................................................................5
1.3. Time EBAND algorithm ....................................................................................6

1.4.Kết luận .............................................................................................................. 8
CHƯƠNG 2.PHẦN MỀM MÔ PHỎNG GAZEBO VÀ ROS..................................9
2.1.ROS .................................................................................................................... 9
2.2.GAZEBO.......................................................................................................... 15
2.3.Kết luận ............................................................................................................ 16
CHƯƠNG 3.MÔ PHỎNG VÀ ĐÁNH GIÁ HỆ THỐNG ...................................... 17
3.1.Phương pháp..................................................................................................... 17

3.1.1. Độ Dài Đường Đi. ..................................................................................... 17
3.1.2.Thời gian tính toán. .................................................................................... 17

i

3.2.Mơ hình mơi trường xe tự lái ............................................................................ 18
3.3.Kết quả và thảo luận ......................................................................................... 21
3.4.Kết luận ............................................................................................................ 23
TÀI LIỆU THAM KHẢO........................................................................................ 24
PHỤ LỤC 1. BÀI BÁO CITA ................................................................................ 26
PHỤ LỤC 2. THUYẾT MINH ĐỀ TÀI.................................................................. 30
PHỤ LỤC 3. HỢP ĐỐNG TRIỂN KHAI THỰC HIỆN ......................................... 38

ii

DANH MỤC HÌNH

Hình 1.Định nghĩa node con và node cha ................................................................................... 3
Hình 2. Lưu đồ thuật tốn A*[12] .............................................................................................. 4
Hình 3. Vị trí và khoảng thời gian của ADVS trong hệ tọa độ tồn cục[] ................................. 8
Hình 4.Cấp độ hệ thống file ...................................................................................................... 12
Hình 5. Cấu trúc điển hình của gói ROS .................................................................................. 14

Hình 6. Giao diện thiết kế Gazebo ............................................................................................ 16
Hình 7. Ngun lý mơ phịng trong Gazebo[10] ...................................................................... 16
Hình 8. Mơ hình 3D một phần thiết kế ..................................................................................... 19
Hình 9. Sơ đồ kết nối các liên kết và các khớp nối ................................................................... 20
Hình 10. Một số hình ảnh trong quá trình xây dựng Map cho một số trường hợp ................... 21
Hình 11. Một số hình ảnh Robot trong quá trình di chuyển ..................................................... 22
Hình 12 Độ dài đường đi .......................................................................................................... 23
Hình 13. Thời gian tính toán ..................................................................................................... 23

iii

DANH MỤC CÁC CHỮ VIẾT TẮT

STT Tên viết tắt Chữ viết tắt Ghi chú

1. PRM Probabilistic road map Xác suất bản đồ di chuyển

2. APF Artificial potential fields Trường nhân tạo

3. VFH Vector field histogram Biểu đồ trường vectơ

4. GA Genetic algorithm Thuật toán di truyền

5. ROS Realtime operation system Hệ điều hành thời gian thực

6. ADVs Autonomous driving vehicles Xe tự hành

7. EBAND Elastic band Elastic band

8. SLAM Simultaneous localisation and Công nghệ định vị và lập bản

mapping đồ đồng thời

9. LIDAR Light detection and ranging Phát hiện và đo phạm vi

10. ODE Open dynamics engine Open dynamics engine

11. UDRF Unified Robotic Description Định dạng mô tả
Format Robot đồng nhất

12. AMCL Adaptive Monte Carlo Định vị sử dụng phương pháp
calization MonteCarlo thích nghi
13. TEB
Timed Elastic Band Timed Elastic
Band

iv

MỞ ĐẦU

1. Tổng quan tình hình nghiên cứu thuộc lĩnh vực của đề tài

Vấn đề lập lịch dẫn đường hay hoạch định dẫn đường [1-3] là chủ đề đang được quan
tâm hiện nay trong lĩnh vực nghiên cứu điều hướng cho robot di động hoặc xe tự hành. Robot
di động hay xe tự hành có thể tự tìm ra một con đường di chuyển tối ưu hoặc gần tối ưu từ
điểm bắt đầu đến điểm kết thúc đồng thời tránh chướng ngại vật dựa trên một hoặc một số thao
tác tự hành như tính tốn tuyến đường đi ngắn nhất, thời gian di chuyển ngắn nhất, năng lượng
tiêu tốn ít nhất, v.v. trong phạm vi không gian di chuyển. Phương pháp lập lịch dẫn đường có
thể được chia thành 2 loại bao gồm lập lịch dựa trên thông tin bản đồ tổng thể (global map
information) hoặc thông tin bản đồ cục bộ (local map information).

Đối với phương pháp lập lịch dẫn đường dựa trên bản đồ tổng thể, robot hay xe tự hành
có thể tạo ra đường đi trong một mơi trường đã hồn tồn biết trước (vị trí và hình dạng của
chướng ngại vật được xác định trước). Với mơ hình bản đồ tổng thể, việc tìm kiếm đường đi
được thực hiện trên mơ hình bản đồ tổng thể đã được thiết lập. Do vậy, để thuật tốn tối ưu có
thể đưa ra đường đi tối ưu, trước tiên phải lập mơ hình mơi trường, sau đó xây dựng chiến lược
hoạch định con đường. Một số phương pháp tối ưu được đề xuất trong [4-7].

Khác với lập lịch dẫn đường dựa trên thông tin bản đồ tổng thể, phương pháp lập lịch dẫn
đường dựa trên thông tin bản đồ cục bộ giả định rằng vị trí các chướng ngại vật trong môi
trường là không xác định và robot hay xe tự hành chỉ nhận biết môi trường xung quanh và
trạng thái của nó thơng qua các cảm biến. Robot hay xe tự hành chỉ có thể sử dụng thông tin
môi trường cục bộ hiện tại của robot hay xe tự hành do cảm biến thu được để tìm đường đi tối
ưu mà không va chạm vào chướng ngại vật. Điểm quan trọng trong phương pháp này đó là
việc lập lịch dẫn đường đi cần được điều chỉnh trong thời gian thực. Để tìm đường đi tối ưu có
một số phương pháp được áp dụng như rolling window, artificial potential field và các thuật
tốn thơng minh khác. Do vậy, tối ưu hóa thuật tốn tìm đường đi tối ưu kết hợp với một số
mơ hình machine learning/deep learning nhằm làm tăng khả năng ghi nhớ đường đi. Đồng thời
dựa vào các thông số đường đi đã được học, từ đó robot hay xe tự hành có thể tính tốn và tìm

v

đường đi tối ưu hơn. Một số phương pháp và kỹ thuật này được nêu trong các nghiên cứu [11-
16].

2. Tính cấp thiết của đề tài
Lập lịch dẫn đường (Path Planning) và thuật toán tránh vật thể (obstacle avoidance) là

những phương pháp đang được áp dụng dành cho xe tự hành hay robot di động. Hiện nay, có
một số thuật toán tránh vật thể trong lập lịch dẫn đường được áp dụng như Bug algorithms,
probabilistic road map (PRM), Artificial Potential Fields (APF), Bidirectional RRT, Vector

Field Histogram (VFH), Fuzzy, and Genetic Algorithm. Tuy nhiên, những thuật tốn này mang
nặng tính lý thuyết, để đánh giá hiệu năng của thuật toán này trong ứng dụng cụ thể như xe tự
hành hay robot di động cần xây dựng mơ hình cụ thể để đánh giá hiệu năng liên quan đến các
yếu tố như thời gian xử lý, hay chiều dài đoạn đường cần di chuyển từ điểm xuất phát đến điểm
đích đồng thời tránh các vật cản trên đường là những vấn đề cần được giải quyết. Vì vậy, việc
xây dựng mơ hình và triển khai đánh giá hiệu năng một số thuật toán lập lịch đẫn dường dành
cho xe tự hành là cần thiết. Nhằm tạo môi trường giả lập xe tự hành, vận dụng đánh giá dựa
trên môi trường giả lập mơ phỏng tính hiệu quả của một số thuật tốn lập lịch dẫn đường, đồn
thời tạo môi trường học thuật nghiên cứu cho các giảng viên quan tâm đến công nghệ robotics
và tự hành. Điều này có ý nghĩa đặc biệt là đối với cơ sở có chức năng đào tạo, nghiên cứu ứng
dụng như Trường Đại học CNTT&TT Việt Hàn.

3. Mục tiêu đề tài
Xây dựng và mô phỏng thành cơng mơ hình xe tự hành với bản đồ số được tạo lập trong

q trình qt dị đường;
Đánh giá các thuật toán hiện tại trên thế giới trong lập lịch dẫn đường cho xe tự hành sử

dụng các cảm biến trong việc dò đường.

4. Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu
- Hệ điều hành robot (ROS/Robot Operating System);

vi

- Mô phỏng giả lập robot tự hành;
- Thuật toán lập lịch dẫn đường (A*, Dijkstra’s, EBAND).
Phạm vi nghiên cứu

- Thiết kế mơ phỏng mơ hình xe tự hành;
- Xử lý và phân tích các thơng số, dữ liệu hành trình mơ phỏng giả lập.
5. Cách tiếp cận và phương pháp nghiên cứu
Cách tiếp cận
Từ việc thiết kế và xây dựng mơ hình mơ phỏng xe tự hành cùng với môi trường giả lập
với Gazebo và giả lập điều khiển mơ hình xe tự hành dựa trên ROS, đề tài sẽ lựa chọn thuật
toán lập lịch dẫn đường phù hợp và tiến hành khảo sát mô phỏng chuyển động của mơ hình.
Từ các thơng số, dữ liệu hành trình thu thập được, đề tài sẽ thực hiện đánh giá hiệu suất của
thuật toán lập lịch dẫn đường để tìm kiếm những nhược điểm cần khắc phục của thuật toán.
Một số thuật toán lập lịch dẫn đường được lựa chọn như A*, Dijkstra’s, và EBAND.
Phương pháp nghiên cứu
Phương pháp kế thừa, thu thập tài liệu: Tham khảo kết quả các cơng trình nghiên cứu
trong và ngồi nước về một số thuật tốn lập lịch dẫn dường liên quan nhằm kế thừa và phát
triển cho đề tài.
Phương pháp chuyên gia: Tích cực tham gia các hội thảo khoa học, và tiếp thu ý kiến
phản biện của các chuyên gia trong cùng lĩnh vực nhằm nâng cao hiệu quả và tính thiết thực
của đề tài. Phương pháp này sẽ được áp dụng trong tồn bộ q trình thực hiện từ khi xây dựng
đề cương đến từng nội dung công việc của đề tài và báo cáo tổng kết.
Phương pháp giả lập: Sử dụng Gazebo để xây dựng giả lập mơi trường và mơ hình xe tự
hành.

vii

Phương pháp thực nghiệm khoa học: Dựa trên những lý thuyết về các thuật tốn lập lịch
dẫn đường nêu trên, áp dụng với mơ hình giả lập và kiểm tra hiệu suất hoạt động của thuật
toán.

Phương pháp thống kê – đánh giá: Kết quả đánh giá được thực hiện nhiều lần trên cùng
một bộ thông số nhằm đảm bảo tính khách quan và chính xác của đánh giá.

6. Nội dung nghiên cứu
Nội dung 1: Tổng quan, so sánh các thuật toán lập lịch dẫn đường đang được áp dụng

trên thế giới cho xe tự hành.
- Tổng quan về lập lịch dẫn đường và các thuật tốn hiện có (A*, Dijkstra’s, và EBAND);
- Tổng hợp và so sánh ưu nhược điểm của các thuật toán lập lịch dẫn đường khác nhau

hiện nay.
Nội dung 2: Thiết kế và mơ phỏng mơ hình xe tự hành dựa trên phần mềm mô phỏng

Gazebo và kết nối với ROS
- Thiết kế, xây dựng mơ hình xe tự hành và mô phỏng chuyển động trên Gazebo kết hợp

điều khiển với ROS;
- Thiết kế, xây dựng bản đồ mô phỏng môi trường di chuyển và các chướng ngại vật;
- Sử dụng thuật toán lập lịch dẫn đường trong ROS để đánh giá ưu và nhược điểm của

thuật toán.
7. Kết quả nghiên cứu
Sản phẩm khoa học: 1 bài báo đăng trong hội thảo CITA 2023
Sản phẩm ứng dụng: Mơ hình mơ phỏng xe tự hành trên Gazebo
8. Phương thức chuyển giao kết quả nghiên cứu và địa chỉ ứng dụng
Phương thức chuyển giao: Bàn giao trực tiếp

viii

Địa chỉ ứng dụng Khoa Kỹ thuật máy tính và điện tử- Trường ĐH CNTT&TT Việt Hàn-
ĐH Đà Nẵng.

9. Tác động và lợi ích mang lại của kết quả nghiên cứu

Đối với lĩnh vực giáo dục và đào tạo:
- Kết quả nghiên cứu của đề tài là cơ sở dữ liệu quan trọng có thể sử dụng, giảng dạy

trong các môn học thuộc về lĩnh vực khoa học máy tính(như robotics, tự động hố), điều khiển
tự động, điều hướng trong nhà trường;

- Mơ hình, thuật tốn tối ưu trong điều hướng, tự hành ứng dụng các cơng nghệ điều
hướng tự động, có thể được sử dụng làm ví dụ mẫu cho các đồ án môn học để sinh viên tham
khảo trong quá trình học tập và nghiên cứu tại nhà trường.

Đối với lĩnh vực khoa học và công nghệ:
- Kết quả nghiên cứu của đề tài sẽ góp phần hỗ trợ và bổ sung các giải thuật tối ưu hơn
cho thuật toán lập lịch dẫn đường;
- Kết quả nghiên cứu có thể làm tài liệu tham khảo cho cơng tác nghiên cứu các thuật
tốn lập lịch dẫn đường dành cho xe tự hành.
Đối với phát triển kinh tế-xã hội:
Đối với tổ chức chủ trì và các cơ sở ứng dụng kết quả nghiên cứu:
- Nâng cao trình độ chun mơn và trình độ nghiên cứu khoa học cho cán bộ nghiên cứu
của nhà trường trong lĩnh vực áp dụng trí tuệ nhân tạo cho các ứng dụng trong đời sống;
- Góp phần tạo điều kiện nâng cao trình độ ứng dụng các giải pháp kỹ thuật tối ưu và
công nghệ mới trong việc lập lịch dẫn đường dành cho xe tự hành;
Đẩy mạnh phối – kết hợp giữa nghiên cứu và ứng dụng các sản phẩm khoa học công nghệ
vào việc phát triển xe tự hành trong thực tế.

ix


CHƯƠNG 1.CÁC THUẬT TOÁN DẪN ĐƯỜNG

Robot tự động thơng minh nói chung và xe tự hành nói riêng được ứng dụng rộng rãi

trong nhiều lĩnh vực khác nhau như không gian, giao thông, công nghiệp và quốc phòng[8-
9],v.v. Robot di động hay xe tự hành (ADVs) cũng có thể thực hiện nhiều nhiệm vụ phức
tạp như thu thập thông tin từ những môi trường mà con người khó có thể tiếp cận, cứu trợ
thảm họa, tuần tra và hoạt động cứu hộ. Do đó, cần có xe tự hành có thể di chuyển tự do
trong một mơi trường tĩnh hoặc động có khả năng điều hướng, lập trình trong quá trình di
chuyển đảm bảo an tồn trong q trình di chuyển đến vị trí mục tiêu, và tạo ra độ dài đường
đi tối ưu là mục tiêu chính trong q trình lập lịch dẫn đường cho xe tự hành.

Liên quan đến vấn đề này, các nhà nghiên cứu đã khám phá nhiều kỹ thuật lập kế hoạch
đường đi điều hướng cho xe tự hành. Sự phát triển của ADVs đã mang đến những thay đổi
đáng kể cho ngành công nghiệp vận tải. Với nhu cầu ngày càng tăng về hoạt động hiệu quả
và an toàn của xe tự động, thuật tốn lập lịch đóng vai trị quan trọng trong việc đưa ra quyết
định thời gian thực cho hoạt động của xe.

Thời gian gần đây, ADVs đã thu hút sự chú ý đáng kể trong những năm gần đây do
tiềm năng của chúng trong nhiều lĩnh vực khác nhau. Một trong những thách thức quan trọng
trong việc phát triển các phương tiện này là thiết kế thuật toán lập lịch hiệu quả và hiệu quả
để di chuyển trong môi trường phức tạp. Các thuật toán khác nhau như A*, Dijkstra và
EBAND, v.v. đã được đề xuất và triển khai trong các phương tiện lái tự động. Trong phạm
vi nghiên cứu của đề tài, chúng tôi tập trung vào việc đánh giá hiệu suất của các thuật toán
lập lịch, như thuật toán A*, Dijkstra và EBAND, được sử dụng trong các xe tự hành. Các
thuật tốn này có nhiệm vụ lập lịch, tìm đường đi tối ưu và tránh va chạm [9]. Mục tiêu chính
của đề tài là xây dựng mơ hình và thực hiện đánh giá hiệu suất của các thuật toán lập lịch
này cho xe tự động.

1.1. A* algorithm

Thuật toán A* [14]được đề xuất bởi P. E. Hart, N. J. Nilsson và B. Raphael vào năm
1968 . A* là một thuật toán gọn nhẹ và hiệu quả. Đây là thuật tốn trí tuệ nhân tạo điển hình
trong tìm kiếm. So với các thuật tốn trí tuệ nhân tạo khác, nó có nhiều ưu điểm về thời gian

1

di chuyển, hiệu suất cao và dễ triển khai. Do đó, thuật tốn A* đã được sử dụng rộng rãi
trong các lĩnh vực khác nhau. Các khía cạnh trong quá trình lập kế hoạch đường đi trong
ứng dụng của thuật tốn A* đã được mơ tả trong nhiều nội dung nghiên cứu.

Thuật toán A* đã được cải tiến qua nhiều thập kỷ. Hiện nay, thuật toán A* sử dụng hai
phương pháp: giảm thời gian chạy của thuật tốn và giảm khơng gian lưu trữ. Thông thường,
bằng cách cải tiến cách duyệt, thời gian chạy của thuật toán được giảm bằng cách thay đổi
cách dữ liệu được lưu trữ, giảm không gian lưu trữ được. A* tìm kiếm từ vị trí bắt đầu cục
bộ, thơng qua q trình duyệt tồn cục hoặc cục bộ. Mặc dù A* là một thuật tốn tìm kiếm
tồn cục, nhưng nó khơng duyệt qua tồn bộ khơng gian tồn cục.

Thuật toán A* sử dụng hàng đợi ưu tiên để lưu trữ danh sách các nút cần tìm kiếm.
Hàng đợi ưu tiên được sắp xếp theo tổng của chi phí từ nút xuất phát và chi phí ước tính để
đi đến nút đích.

Thuật toán bắt đầu từ nút xuất phát và tìm kiếm các nút lân cận. Đối với mỗi nút lận
cận, thuật tốn tính tốn chi phí từ nút hiện tại đến nút lân cận và chi phí ước tính di chuyển
từ lân cận đến nút đích hay nút mục tiêu. Tổng của hai chi phí này được sử dụng làm giá trị
ưu tiên để thêm nút lân cận vào danh sách. Sau đó, thuật tốn chọn nút có giá trị ưu tiên thấp
nhất từ danh sách và tiếp tục tìm kiếm các nút lận cận khác của nó. Q trình này được lặp
lại cho đến khi đi đến nút đích.

Thuật tốn A* đảm bảo tìm ra đường đi ngắn nhất nếu hàm heuristic thỏa mãn điều
kiện chấp nhận được, có nghĩa là chi phí ước tính đến nút đích ln nhỏ hơn hoặc bằng chi
phí thực tế. Thuật tốn A* thường được sử dụng trong các xe tự hành để lập lịch tuyến
đường, tránh va chạm và các nhiệm vụ tìm đường khác.

Định nghĩa 1. Node con là mở rộng của node cha, node con luôn trỏ đến một node cha
duy nhất, node con luôn có một và chỉ một node cha.

Định nghĩa 2. Node cha là node có thể mở rộng, node cha có thể mở rộng đến 8 node
con.

Như được hiển thị trong Hình 1, vùng màu đỏ là node cha, vùng màu xanh là các node
con.

2

Hình 1.Định nghĩa node con và node cha

Trọng tâm của thuật toán A* là hàm đánh giá. Thuật toán A* chọn node con tiếp theo
được mở rộng thông qua hàm đánh giá.

Biểu thức của hàm đánh giá:
F (n)  G(n)  H (n) , (1)

Trong đó: F(n) là hàm đánh giá của thuật toán A*; G(n) là sự xem xét thực tế từ node
xuất phát đến node hiện tại n (tức là tổng khoảng cách của đường đi tối ưu từ điểm xuất phát
đến node n); H(n) là sự xem xét ước tính từ node hiện tại n đến node đích (tức là khoảng
cách ước tính từ node n đến node mục tiêu).

Hàm G(n) trong F(n) có thể được tính tốn thực tế, nhưng H(n) khơng thể tính tốn các
giá trị thực tế, chỉ có thể tính tốn các giá trị ước tính xấp xỉ. Bằng cách chọn các hàm đánh
giá H(n) khác nhau, dựa trên các kết quả khác nhau của giá trị F(n), việc tìm kiếm đường đi
ngắn nhất và thời gian yêu cầu để chạy chương trình cũng khác nhau.

Quá trình thực thi thuật toán A*

Thuật toán A* cần thiết lập hai bảng: bảng OPEN và bảng CLOSED. Bảng OPEN lưu
trữ tất cả các node đã được tạo ra nhưng chưa được kiểm tra. Bảng CLOSED ghi lại các
node đã đi qua . Lưu đồ thuật toán A* được hiển thị trong Hình 2.

3

Start

Set the starting point to the first parent node and extends n

Initial OPEN table and CLOSED table; OPEN table is empty, the
starting point for adding CLOSED table

Respectively determine whether this n child node is in CLOSED
table, If not, node fof adding OPEN table and calculate the G, H, F

value of new add child nodes, if yes, don’t adding OPEN table

Select the minimum value of the node from OPEN F table, set it to
the parent node can be extended

The patent node that can be extended extending n new child node.
Removing OPEN tanle from the patent node, and adding CLOSED

table for the patrent node
]

Respectively determine whether this n child node is in CLOSED
table, If not, node fof adding OPEN table and calculate the G, H, F

value of new add child nodes, if yes, don’t adding OPEN table

N
Determine wheter n new
child node containning the
destination node

Y
Search along the direction of the pointer from the end node, until

you find the starting point to termination. Node of this process
traversing is the optinal path with A* algorithm search

Output the optinal path

End
Hình 2. Lưu đồ thuật toán A*[9]

4

1.2. Thuật toán Dijkstra’s
Thuật toán Dijkstra [10] là một thuật toán phổ biến để tìm đường đi ngắn nhất giữa hai

nút trong đồ thị. Thuật toán bắt đầu bằng việc gán một khoảng cách dự kiến cho tất cả các
nút từ nút xuất phát, ban đầu được thiết lập bằng 0. Sau đó, chọn nút có khoảng cách dự kiến
nhỏ nhất và tìm kiếm các nút lân cận của nó. Đối với mỗi nút lân cận, thuật toán cập nhật
khoảng cách dự kiến nếu tìm thấy đường đi ngắn hơn từ nút xuất phát. Thuật tốn tiếp tục
chọn nút có khoảng cách dự kiến nhỏ nhất và tìm kiếm các nút lân cận của nó cho đến khi
đi đến đích hoặc đã duyệt hết tất cả các nút. Thuật toán sử dụng một cấu trúc dữ liệu gọi là
hàng đợi ưu tiên để lưu trữ các nút với khoảng cách dự kiến của chúng, và đảm bảo tìm ra

đường đi ngắn nhất khi thuật tốn kết thúc. Ý tưởng chính của thuật tốn là lặp đi lặp lại việc
tính tốn khoảng cách ngắn nhất từ một điểm xuất phát đến điểm đích, đồng thời loại trừ các
đường đi có khoảng cách dài hơn.

Thuật toán Dijkstra được sử dụng rộng rãi trong các ứng dụng khác nhau như mạng
lưới giao thơn, mạng máy tính và mạng xã hội, v.v. Trong hệ thống xe tự hành, thuật toán
Dijkstra thường được sử dụng để lập kế hoạch tuyến đường và tránh va chạm. Đây là thuật
toán hiệu quả khi đồ thị kiểu phân tán rời rạc, có nghĩa là có ít kết nối giữa các nút. Tuy
nhiên, hiệu suất của nó có thể giảm đi khi đồ thị phức tạp.

Q trình thực thi thuật tốn Dijkstra’s
Thuật tốn Dijkstra có thể giải quyết bài tốn tìm đường đi ngắn nhất trên đồ thị vơ
hướng lẫn có hướng miễn là trọng số không âm.
Ý tưởng cơ bản của thuật toán như sau:
Bước 1: Từ đỉnh gốc, khởi tạo khoảng cách tới chính nó là 0, khởi tạo khoảng cách nhỏ
nhất ban đầu tới các đỉnh khác là +∞. Ta được danh sách các khoảng cách tới các đỉnh.
Bước 2: Chọn đỉnh a có khoảng cách nhỏ nhất trong danh sách này và ghi nhận. Các
lần sau sẽ không xét tới đỉnh này nữa.

5

Bước 3: Lần lượt xét các đỉnh b kề đỉnh a. Nếu khoảng cách từ đỉnh gốc tới đỉnh b nhỏ
hơn khoảng cách hiện tại đang được ghi nhận thì cập nhật giá trị và đỉnh kề a vào khoảng
cách hiện tại của b.

Bước 4: Sau khi duyệt tất cả đỉnh kề b của đỉnh a. Lúc này ta được danh sách các
khoảng cách tới các điểm đã được cập nhật. Quay lại Bước 2 với danh sách này.

Thuật toán kết thúc khi chọn được khoảng cách nhỏ nhất từ tất cả các điểm.

1.3. Time EBAND algorithm
Thuật tốn Timed Elastic Band (TEB) [11-12], được Rưsmann đề xuất ban đầu và phát

triển từ thuật toán Elastic Band, là một phương pháp tránh va chạm và tối ưu hóa quỹ đạo.
So với các thuật tốn lập kế hoạch đường đi cục bộ khác, thuật tốn TEB có thể thêm hoặc
bỏ đi các ràng buộc tùy theo nhu cầu khác nhau. Tối ưu hóa đa mục tiêu của thuật tốn TEB
chỉ phụ thuộc vào số cấu hình liên tiếp, dẫn đến cấu trúc thưa thớt của bài toán tối ưu hóa cơ
bản. Rưsmann và cộng sự đề xuất sử dụng khung G2o để giải quyết hiệu quả vấn đề thưa
thớt của thuật toán TEB dựa trên siêu đồ thị, từ đó cải thiện tốc độ tính tốn. Ngồi ra, ADVs
được trang bị thuật tốn TEB khơng thể vượt qua các chướng ngại vật trong môi trường phức
tạp và động, dễ dẫn đến ADVs rơi vào cực tiểu cục bộ. Để giải quyết vấn đề đó, Rưsmann
và cộng sự đề xuất mở rộng kỹ thuật TEB bằng cách sử dụng lập kế hoạch quỹ đạo song
song trong các topo không gian khác nhau. Tuy nhiên, những phương pháp này chỉ xem xét
vị trí của chướng ngại vật mà khơng tính đến khả năng va chạm giữa các robot và chướng
ngại vật xung quanh. Thời gian sau, các nhà nghiên cứu đã đề xuất kỹ thuật TEB chủ động
theo thời gian cho hệ thống điều hướng robot tự động di chuyển trong môi trường động.

Về nguyên lý căn bản, Elastic Band (EB) là một thuật toán được sử dụng trong lập kế
hoạch đường đi và tránh va chạm trong lĩnh vực tự hành nói chung. Thuật tốn này giúp điều
hướng robot qua một mơi trường có chướng ngại vật một cách an tồn.

Thuật toán EB sử dụng một dãy các điểm kiểm soát để biểu diễn đường đi của robot.
Các điểm kiểm soát này được kết nối bởi các dải đàn hồi. Thuật toán dựa trên nguyên tắc
làm mềm các dải đàn hồi để đưa robot đi qua các chướng ngại vật mà không xảy ra va chạm.

6

Thuật toán EB hoạt động theo các bước lặp. Trong mỗi bước, thuật toán sẽ tính tốn
các chướng ngại vật để điều chỉnh vị trí các điểm kiểm sốt và độ đàn hồi của các dải đàn
hồi. Quá trình này tiếp tục cho đến khi được tìm thấy một đường đi an tồn và không va

chạm cho robot.

Thuật tốn EB có ưu điểm là linh hoạt và có thể thích ứng với các mơi trường khác
nhau. Nó cũng có khả năng tránh được các chướng ngại vật phức tạp và tạo ra các đường đi
mượt mà cho robot di chuyển.

Thuật toán TEB bao gồm các ràng buộc hình học dựa trên mơ hình động học ADVS
trong các ràng buộc đa mục tiêu. Mơ hình ADVS vi sai có ưu điểm là di chuyển thuận tiện,
và phạm vi ứng dụng rộng rãi. Sẽ thuận tiện cho việc kiểm soát thời gian thực khi lập kế
hoạch đường dẫn được thực hiện trong môi trường phân xưởng phức tạp, như thể hiện trong
Phương trình (2) [12].

1 1
u(t)    V (t)   2 2  V L 
1  VR  (2)
(t)  1 D 
 D

Trong đó, 𝑉𝐿 và 𝑉𝑅 là tốc độ của bánh xe bên trái và bên phải của trục sau ADVs và 𝐷
là khoảng cách giữa hai bánh xe.

Thuật toán TEB tăng thông tin về khoảng thời gian giữa các chuỗi trạng thái ADVs
dựa trên thuật toán EB, như thể hiện trong Công thức (2), tạo điều kiện cho xe tự hành tăng
tốc độ và gia tốc, và chọn đường đi nhanh nhất và thỏa mãn các ràng buộc khác. Nguyên tắc
cơ bản là sửa đổi đường dẫn toàn cầu bằng mơ hình quỹ đạo, biến đổi đường dẫn ban đầu
được tìm kiếm thành một chuỗi quỹ đạo dựa trên thời gian rời rạc, như trong Hình 1. Số
lượng điều kiện tối ưu thỏa mãn ràng buộc để điều khiển chuyển động của xe ADVS trong
thời gian thực, như thể hiện trong Phương trình (3) [13].

7

Q  {Si},i  1, 2..., m 

   {Ti},i  1, 2..., n 1

B : (Q, )  [S1, T1, S2, T2, S3T3, Sn1Tn1, Sn ] (3)
Trong đó, Si là tư thế trạng thái tại thời điểm 𝑖 và 𝑄 là chuỗi các tư thế; Ti là khoảng
thời gian giữa các tư thế liền kề, 𝜏 là chuỗi khoảng thời gian; Trình tự tư thế và trình tự
khoảng thời gian được kết hợp thành ột trình tự quỹ đạo 𝐵.

Hình 3. Vị trí và khoảng thời gian của ADVS trong hệ tọa độ toàn cục
1.4.Kết luận

Lập lịch dẫn đường là một trong những chủ đề chính trong vấn đề điều khiển Robot
nói chung và xe tự hành nói riêng. Trong thực tế, có nhiều phương pháp lập lịch dẫn đường
cho xe tự hành, theo [10,11] để tạo cơ sở lý thuyết cho quá trình nghiên cứu, cũng như dễ
dàng cho q trình mơ phỏng và thực nghiệm sau này, nội dung chương đề cập và mơ tả
những đặc tính quan trọng của 3 thuật toán lập lịch dẫn đường A*, Dijkstra’s và EB.

8