BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,953,404
  • Công bố khoa học và công nghệ Việt Nam

50

Người máy và điều khiển tự động

BB

Ngô Văn Công, Trần Đức Nghĩa(1), Nguyễn Đình Nga, Trần Đức Tân

Phân loại mặt đường sử dụng mô hình học máy có giám sát trên bộ dữ liệu của cảm biến quán tính

Road surface classification using supervised machine learning model and inertial data

Tạp chí Khoa học & Công nghệ - Trường Đại học Công nghiệp Hà Nội

2024

6

46-50

1859-3585x

Phân loại mặt đường, Mô hình học máy, Giám sát, Bộ dữ liệu, Cảm biến quán tính

Machine learning, classification, sensor, road surface, ITS.

Trong những năm gần đây, với sự phát triển của hạ tầng giao thông và lĩnh vực khoa học công nghệ thì việc nhận diện tình trạng mặt đường đang có nhiều ý nghĩa quan trọng đối với các hệ thống xe tự hành hoặc bài toán dẫn đường tự động. Trong các bài toán phân loại mặt đường thì có các hệ thống sử dụng camera, hệ cảm biến Lidar, tuy nhiên các hệ thống này triển khai thì thường khó thực hiện được phân loại trong thời gian thực, đồng thời cũng tốn kém về mặt chi phí. Chúng tôi nhận thấy sử dụng cảm biến quán tính và các thuật toán học máy sẽ mang lại hiệu năng cao trong thời gian thực và chi phí cho hệ thống cũng thấp hơn nhiều so với các hệ thống khác. Trong bài báo này, chúng tôi đề xuất lựa chọn bộ dữ liệu tối ưu để đánh giá hiệu năng phân loại 3 loại mặt đường là đường nhựa, đường đất và đường đá trên một số mô hình học máy cơ bản trên bộ dữ liệu công khai. Kết quả cho thấy độ chính xác đạt được trên 90% khi phân loại đường nhựa, đường đất, đường đá.

Recent advancements in transportation and technology highlight the need for accurate road surface classification in autonomous vehicles and navigation systems. Traditional methods using cameras and Lidar sensors face limitations in real-time performance and cost. Our research suggests that inertial sensors, coupled with machine learning, can achieve over 90% accuracy in real-time classification of asphalt, dirt, and cobblestone surfaces, offering a low-cost and readily available al-ternative. This paper proposes evaluating the classification performance using fundamental machine learning models on publicly available datasets for these three road surface types.

TTKHCNQG, CVt 70

Xem toàn văn