Ứng dụng trí tuệ nhân tạo trong hệ thống thu gom rác trên bề mặt nước

Chia sẻ: Bigates Bigates | Ngày: | Loại File: PDF | Số trang:6

Thêm vào BST

Báo xấu

71
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết giới thiệu về mô hình robot sử dụng cho mục đích thu gom rác thải trên các bề mặt nước. Ở Việt Nam, Lượng rác thải không ngừng gia tăng ở các (ao, hồ và bãi biển…) rất lớn. Chính vì thế mà nhóm muốn nghiên cứu đề tài mô hình Robot chế tạo có khả năng phát hiện một cách chính xác và tự động bằng cách sử dụng mạng nơ-ron phức hợp để nhận dạng rác và giao tiếp kết nối với người dùng.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ứng dụng trí tuệ nhân tạo trong hệ thống thu gom rác trên bề mặt nước

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG THU GOM RÁC TRÊN BỀ MẶT NƯỚC Phạm Lê Công Lực, Nguyễn Ngọc Tài, Ngô Thành Sâm, Phạm Xuân Vỹ, Lê Minh Tân Viện Kỹ thuật HUTECH, Trường Đại học Công nghệ TP. Hồ Chí Minh GVHD: ThS. Nguyễn Văn Bản TÓM TẮT Bài báo giới thiệu về mô hình robot sử dụng cho mục đích thu gom rác thải trên các bề mặt nước. Ở Việt Nam, Lượng rác thải không ngừng gia tăng ở các (ao, hồ và bãi biển…) rất lớn. Chính vì thế mà nhóm muốn nghiên cứu đề tài mô hình Robot chế tạo có khả năng phát hiện một cách chính xác và tự động bằng cách sử dụng mạng nơ-ron phức hợp để nhận dạng rác và giao tiếp kết nối với người dùng. Thêm vào đó, bằng cách tích hợp các hệ thống cảm biến laser và cảm biến la bàn số, tính hiệu quả và tự chủ của robot luôn được đảm bảo với các biến đổi khác nhau của không gian làm việc. Thông qua công trình nghiên cứu, nhóm đề tài hy vọng người đọc có thể hiểu rõ hơn về mô hình robot là một ứng viên tiềm năng cho hệ thống thu gom rác trên bề mặt nước, góp phần giảm bớt sức lao động và cải thiện môi trường, cân bằng hệ sinh thái và là tiềm năng phát triển trong tương lai. 1 GIỚI THIỆU Quá trình thu dọn rác thải là một công việc nhàm chán và tiềm ẩn nhiều rủi ro. Trong thực tế, rác thải trong sinh hoạt và sản xuất là điều không thể tránh khỏi. Việc thu gom và phân loại rác thải yêu cầu nhiều thời gian và công sức của người lao động. Thêm vào đó, công việc thu gom rác thường gặp nhiều khó khăn vì nhiều lý do như đặc điểm địa hình hay môi trường độc hại. Dưới sự phát triển của công nghệ, việc thu gom rác thải trở nên dễ dàng hơn bởi sự hỗ trợ của các hệ thống thu gom rác thông minh. Ngày nay, các robot tự hành với sự tích hợp của trí tuệ nhân tạo (AI) đã không còn là điều xa lạ. Các mô hình robot thông minh ấy đã được ứng dụng rộng rãi trong công việc thường ngày như lau nhà, lau kính hay nhặt rác trên bãi cỏ. Tuy nhiên, mô hình robot có thể vận hành ổn định trong môi trường bề mặt nước (như ao, hồ…) vẫn còn nhiều vấn đề thách thức. Các vấn đề đó có thể là khả năng hoạt động lâu dài trong môi trường nước hoặc nhận diện nhanh và chuẩn xác các vật thể trong môi trường làm việc… Bài báo giới thiệu mô hình robot sử dụng cho mục đích thu gom rác thải trên các bề mặt nước. Mô hình Robot chế tạo có khả năng phát hiện một cách chính xác và tự động bằng cách sử dụng mạng nơ-ron phức hợp để nhận dạng rác và giao tiếp kết nối với người dùng. Thêm vào đó, bằng cách tích hợp các hệ thống cảm biến laser và cảm biến la bàn số, tính hiệu quả và tự chủ của robot luôn được đảm bảo với các biến đổi khác nhau của không gian làm việc. Do đó, mô hình robot là một ứng viên tiềm năng cho hệ thống thu gom rác trên bề mặt nước, góp phần giảm bớt sức lao động và cải thiện môi trường. 379
Hy vọng đề tài sẽ giúp ích cho mọi người và xã hội. Nhóm đề tài đang nghiên cứu khả năng ứng dụng của nó tại Việt Nam và sẽ thực hiện, thiết kế hoàn chỉnh. 2 PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Nghiên cứu tỷ lệ rác thải ở Việt Nam Ảnh hưởng từ nhiều nguyên nhân khác nhau tại Việt Nam như: rác thải từ khu sinh hoạt, khu công nghiệp, do thói quen vứt rác bừa bãi không đúng nơi quy định đối với nhiều người. Ngoài ra rác thải còn có nguồn gốc từ khu du lịch, dịch vụ, khu vui chơi giải trí ….v vậy số lượng rác tại Việt Nam đã tăng nhanh chóng trong những năm qua. Việt Nam đứng thứ 4 thế giới về lượng rác thải hằng năm. Tính đến đầu năm 2021 lượng rác thải tại Việt Nam là khoảng 50 000 tấn/ ngày, còn lại là rác thải tại nông thôn, là tác nhân chính gây ảnh hưởng lớn nhất đến sự ô nhiễm môi trường, đặc biệt là tại các thành phố lớn như Tp. Hồ Chí Minh và Tp. Hà Nội. Hình 1. Lượng rác thải tại bờ biển Việt Nam 2.2 Hệ thống thu gom rác trên mặt nước 2.2.1 Robot thu gom rác Mô hình robot thu rác sử dụng trên bề mặt nước được thể hiện như Hình 2. Để dọn rác trôi nổi trên mặt nước (chai, lọ, bao nilon, xốp,…), một cơ cấu thu gom thay vì máy hút hoặc chổi xoay được sử dụng trên hầu hết các robot dọn dẹp khác, nhằm dễ dàng thu thập tất cả các loại rác nổi trên mặt nước. Cụ thể, một băng truyền đặt nghiêng góc có chứa các gờ được sử dụng để dọn rác và cánh gạt để phân loại rác khác nhau đến các ô chứa. Bên cạnh các thành phần chính trên, robot được trình bày trong bài báo cũng cung cấp các chức năng cơ bản như lập kế hoạch đường đi, xác định vị trí, tự động cung cấp năng lượng cho ác-quy bằng pin năng lượng mặt trời,… 380
Hình 2. Mô hình robot thu gom rác trên mặt nước 2.2.2 Khả năng vận hành của hệ thống thu gom Các robot sử dụng trong hệ thống thu gom rác trên bề mặt nước cần có khả năng tương thích với đa dạng các địa hình làm việc khác nhau. Một thách thức của mô hình này là vị trí của rác không cố định, phương pháp điểu khiển theo một quãng đường cho trước là không phù hợp. Thực tế, mô hình vận hành cho hệ thống này cần hoạt động ổn định với các kết nối từ xa (mobile network), có khả năng tự lựa chọn đường đi phù hợp với các vùng làm việc khác nhau. Ngoài ra các robot cần có khả năng quan sát góc rộng để nhận biết vật thể tốt nhằm mục đích thu gom rác hoặc tránh cách vật vật cản. Với các phân tích nêu trên, để vận hành tốt hệ thống, quá trình xác định cấu trúc kết nối và điều khiển, thành phần sử dụng trong mô hình và việc chạy thử là quan trọng. Trong điều kiện kinh phí đầu tư còn nhiều hạn chế, Bộ vi xử lý Raspberry Pi4 trở thành một ứng viên tốt để lựa chọn bộ xử lý trung tâm. Cấu trúc mạnh Nơ-ron phức hợp MobileNetV2 thường được ứng dụng trong các thiết bị di động sẽ được tích hợp trong mô hình robot thu gom rác này. Cấu trúc mạng MobileNet-V2 được mô tả như Hình 3. Ngoài ra, quá trình kết nối và điều khiển robot sẽ được thực hiện dựa trên một ứng dụng phát triển trên thiết bị di dộng sẽ tạo điều kiện thuận lợi nhất cho việc sử dụng robot, như mô tả ở Hình 4. Để đảm bảo sự chuẩn xác trong thực hiện các nhiệm vụ, việc điều khiển và kết nối với robot đã được mô phỏng nhiều lần với các vùng làm việc khác nhau. Hình 3. Cấu trúc mobileNet-V2 381
Hình 4. Quá trình kết nối và sử dụng robot Các nền tảng công nghệ của lĩnh vực trí tuệ nhân tạo (Artificial Intelligence - AI) và kỹ thuật trong mô hình robot thu gom rác trên mặt nước. Mô hình MobileNet-V2 hỗ trợ quá trình lập trình nhúng trong việc tạo ra một mô hình mẫu (model) có kích thước nhỏ hơn và hỗ trợ cho quá trình xử lý phức tạp. Với dữ liệu phân loại các dạng mẫu rác (đạt 8000 loại mẫu vật), kỹ thuật transfer learning trong DP được sử dụng để huấn luyện các lớp dữ liệu COCO (common Objects in Context image dataset) với sự hỗ trợ của nền tảng SSDLite trong phiên bản mô hình MobileNet-V2. Các đối tượng vật thể trôi nổi được nhận biết thông qua camera đặt phía đầu robot thu gom. Dữ liệu rác sau nhận dạng sẽ được nhận dạng và lưu vào bộ nhớ của robot là biến rác tái chế được hoặc không tái chế được, trước khi robot tự di chuyển đến và thực hiện việc thu gom rác. Robot sẽ di chuyển đựa trên GPS và cảm biến la bàn số theo cách thức như mô tả trong Hình 5. Khi bắt đầu một phiên làm sạch, robot sẽ được cung cấp 4 tọa độ tương đương với một hình chữ nhật giới hạn khu làm việc. Robot sẽ di chuyển theo đường kế hoạch được tính toán đựa trên 4 tọa đô ban đầu. Hình 5. Sơ đồ cách thức chia lưới và định vị định hướng dịch chuyển của robot Trình tự di chuyển của robot được thực hiện theo sơ đồ thuật toán như mô tả ở Hình 6. Quy trình làm việc ấy có thể được khái quát bởi 4 bước như sau: Bước 1: robot nhận yêu cầu từ người dùng bao gồm 4 tọa độ khu vực cần làm sạch. Robot nhận thông tin vị trí của mình từ GPS. Bước 2: robot di chuyển đến đỉnh gần nhất. Vẽ đường kế hoạch từ khu vực người dùng chỉ định. 382
Bước 3: robot sẽ di chuyển theo đường kế hoạch, trong lúc này nếu hàm object detection phát hiện rác sẽ chạy hàm object tracking để theo dõi vật thể. Đến vị trí rác sẽ khởi chạy mô-đun lấy rác và sang bước 4. Bước 4: robot tránh vật cản dựa trên cảm biến lazer. Hình 6. Mô phỏng hệ con lắc quay ngược của Quanser trong Simcape 3 Đ NH GIÁ Xã hội ngày càng phát triển không ngừng. Xu hướng giảm thiểu rác thải, bảo vệ môi trường ngày càng được người dân chú trọng. Liên quan đến việc thói quen xả rác của người dân và xu hướng thu gom rác thải, cần nâng cao ý thức mỗi con người và cộng đồng, Robot thu gom rác trên mặt nước sẽ là giải pháp tối ưu để làm việc đó. 4 KẾT LUẬN Hiện nay vấn đề ô nhiễm môi trường là vấn đề cấp bách của toàn xã hội, đặc biệt là các thành phố, khu tập thể, bãi biển có khối lượng rác rất nhiều. Vì vậy, nhóm tác giả thực hiện đề tài đã tìm hiểu nghiên Cứu mô hình robot sử dụng cho mục đích thu gom rác thải trên các bề mặt nước. Mô hình Robot chế tạo có khả năng phát hiện một cách chính xác và tự động bằng cách sử dụng mạng nơ-ron phức hợp để nhận dạng rác và giao tiếp kết nối với người dùng. Nhóm đề tài rất mong muốn có những ý kiến đóng góp để nhóm tiếp tục nghiên cứu và hiện thực hóa mô hình thực tiễn có thể sử dụng rộng rãi trên thị trường, góp phần làm giảm lượng rác thải, ô nhiễm môi trường, bảo vệ sức khỏe mọi người. 383
TÀI LIỆU THAM KHẢO [1] J.H. Cassing, N.V. Long, “Trade in trash: A political economy approach”, European Journal of Political Economy, 101982, 2020. [2] S. Harapanahalli et.al, “Autonomous Navigation of mobile robots in factory environment”, Procedia Manufacturing, Vol. 38, 1524-1531, 2019. [3] D. Q. Thuyet, Y. Kobayashi, M. Mastuo, “A robot system equipped with deep convolutional neural network for autonomous grading and sorting of root-trimmed garlics”, Computers and Electronics in Agriculture, Vol. 178, 105727 [4] J. bai, S. Lian, Z. Liu, K. Wang and D. Liu, “Deep learning based robot for automatically picking up garbage on the grass”, IEEE Transactions on Consumer electronics, 18114462, pp. 382–389, 2018 [5] W. Wang, Y. li, T. Zou, X. Wang, J. You, Y. Luo, “A Novel Image Classification Approach via Dense-MobileNet Models”, Deep Learning in Mobile Information systems, 7602384, pp. 153–163, 2020. [6] S.-H Tsang, “Review: MobileNetV2 - Light Weight Model [7] https://vov2.vov.vn/doi-song-xa-hoi/viet-nam-dung-thu-4-the-gioi-ve-xa-rac-thai-nhua 384