បញ្ហា (The Problem)៖ យានយន្តលើគោកស្វ័យប្រវត្តិ (AGV) ជួបប្រទះបញ្ហាប្រឈមក្នុងការរកឃើញ និងជៀសវាងឧបសគ្គដោយពឹងផ្អែកតែលើកាមេរ៉ា (Computer Vision) ដែលមានប្រសិទ្ធភាពទាបនៅពេលយប់ ឬមានអ័ព្ទ ខណៈប្រព័ន្ធវាយតម្លៃគន្លង 2D បែបបុរាណមានភាពយឺតយ៉ាវសម្រាប់បរិបទពេលវេលាជាក់ស្តែង (Real-time)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវប្រព័ន្ធកូនកាត់ (Hybrid Vision) ដែលប្រើប្រាស់សេនស័រ Lidar ភ្ជាប់ជាមួយនឹងបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (Feed-forward Neural Network) ដើម្បីធ្វើសេចក្តីសម្រេចចិត្តក្នុងការបញ្ជាយានយន្ត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed ODA (Lidar + Feed-Forward Neural Network) ប្រព័ន្ធរកឃើញនិងជៀសវាងឧបសគ្គ (ODA) ផ្អែកលើ Lidar និង Neural Network |
មានល្បឿនលឿនក្នុងការធ្វើសេចក្តីសម្រេចចិត្ត និងអាចទស្សន៍ទាយទីតាំងឧបសគ្គមិនប្រក្រតីបានមុន (Proactive) ដោយជៀសវាងការប៉ះទង្គិចតាំងពីក្នុងតំបន់ R3។ | ទាមទារទិន្នន័យហ្វឹកហាត់ចំនួនច្រើន (រហូតដល់ ២០០,០០០ គូទិន្នន័យ) និងទាមទារកុំព្យូទ័រដែលមានសមត្ថភាពគណនាដូចជា Raspberry Pi 3 ជាដើម។ | ចំណាយពេលគណនាតិចជាងឆ្ងាយបើធៀបនឹងវិធីសាស្ត្របុរាណ និងអាចបញ្ជារថយន្តឱ្យបត់ចេញពីឧបសគ្គបានលឿននិងមានសុវត្ថិភាពខ្ពស់។ |
| Classical 2D Collision Cone (2DCC) Approach វិធីសាស្ត្រគណិតវិទ្យា 2D Collision Cone បែបបុរាណ |
មិនត្រូវការការហ្វឹកហាត់ម៉ូដែល (No training required) និងអាចដំណើរការបានដោយពឹងផ្អែកលើរូបមន្តគណិតវិទ្យាសុទ្ធសាធ។ | ដំណើរការយឺតយ៉ាវសម្រាប់ស្ថានភាពជាក់ស្តែង (Real-time) និងមិនអើពើនឹងការគម្រាមកំហែងរហូតទាល់តែរថយន្តចូលដល់តំបន់គ្រោះថ្នាក់ (R1)។ | ប្រើប្រាស់ពេលវេលាគណនាយូរ និងមានហានិភ័យខ្ពស់នៃការប៉ះទង្គិចនៅពេលប្រឈមមុខនឹងឧបសគ្គដែលមានរូបរាងមិនប្រក្រតី។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់អំពីឧបករណ៍ Hardware ទំហំទិន្នន័យ និង Software ដែលត្រូវការសម្រាប់ការសាងសង់ប្រព័ន្ធពិតប្រាកដ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងបរិស្ថានសាកល្បងជុំវិញវិទ្យាស្ថានបច្ចេកវិទ្យា Vellore នៃប្រទេសឥណ្ឌា ដោយប្រើប្រាស់ទិន្នន័យដែលបានបង្កើតឡើង និងការសាកល្បងជាមួយរថយន្តយន្តខ្នាតតូច។ ដោយសារបរិស្ថានផ្លូវថ្នល់នៅកម្ពុជាមានភាពស្មុគស្មាញ និងមានចរាចរណ៍ចម្រុះច្រើន ម៉ូដែលនេះចាំបាច់ត្រូវតែប្រមូលទិន្នន័យហ្វឹកហាត់បន្ថែមពីបរិបទផ្លូវថ្នល់ជាក់ស្តែងនៅកម្ពុជា ទើបអាចធានាបាននូវសុវត្ថិភាពនិងភាពត្រឹមត្រូវខ្ពស់។
ទោះបីជាមិនទាន់អាចប្រើលើផ្លូវសាធារណៈបានភ្លាមៗក្តី បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅកម្ពុជា ពិសេសក្នុងវិស័យឧស្សាហកម្ម និងកសិកម្មដែលមានបរិវេណគ្រប់គ្រងបាន។
ជារួម ការចាប់ផ្តើមសាកល្បងប្រព័ន្ធ Lidar-based AGV ក្នុងខ្នាតតូចសម្រាប់បរិស្ថានដែលមានការគ្រប់គ្រង (Controlled environments) គឺជាជំហានចាប់ផ្តើមដ៏មានប្រសិទ្ធភាពសម្រាប់កម្ពុជាក្នុងការឈានចូលបដិវត្តន៍ឧស្សាហកម្ម ៤.០។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Autonomous Ground Vehicles (AGVs) | យានយន្តដែលអាចធ្វើដំណើរនៅលើដីដោយស្វ័យប្រវត្តិ ដោយមិនត្រូវការអ្នកបើកបរ (មនុស្ស) តាមរយៈការប្រើប្រាស់សេនស័រ និងប្រព័ន្ធបញ្ញាសិប្បនិម្មិតដើម្បីទទួលស្គាល់បរិស្ថានជុំវិញ និងធ្វើការសម្រេចចិត្ត។ | ដូចជារថយន្តក្មេងលេងដែលអាចមើលផ្លូវ ដឹងពីឧបសគ្គ និងបើកបរវាងគេចដោយខ្លួនឯង ដោយមិនបុកជញ្ជាំង។ |
| Lidar Sensor | ឧបករណ៍សេនស័រដែលបាញ់ពន្លឺឡាស៊ែរទៅកាន់វត្ថុណាមួយ រួចវាស់រង្វាស់ពេលវេលាដែលពន្លឺនោះចំណាយពេលត្រលប់មកវិញ ដើម្បីគណនាចម្ងាយ និងបង្កើតជារូបរាងវត្ថុក្នុងលំហ។ | ដូចជាសត្វប្រចៀវដែលបញ្ចេញសំឡេងដើម្បីស្វែងរកចំណីនៅពេលយប់ តែ Lidar ប្រើប្រាស់ពន្លឺឡាស៊ែរជំនួសវិញដើម្បីវាស់ចម្ងាយ។ |
| Field of View (FOV) | មុំ ឬវិសាលភាពនៃទិដ្ឋភាពដែលសេនស័រ (ដូចជាកាមេរ៉ា ឬ Lidar) អាចមើលឃើញនៅពេលកំណត់ណាមួយ។ នៅក្នុងការសិក្សានេះ គេបែងចែកវាជា ៣ ផ្នែកគឺ ផ្នែកឆ្វេង ផ្នែកស្តាំ និងផ្នែកត្រង់ទៅមុខ។ | ដូចជាគែមនៃគំហើញភ្នែករបស់យើងនៅពេលយើងសម្លឹងទៅមុខត្រង់ ពោលគឺទំហំទិដ្ឋភាពដែលយើងអាចមើលឃើញដោយមិនបង្វិលក្បាល។ |
| Feed Forward Neural Network | ប្រព័ន្ធសរសៃប្រសាទសិប្បនិម្មិតដែលបញ្ជូនទិន្នន័យទៅមុខជានិច្ច ពីស្រទាប់បញ្ចូល (Input) ឆ្លងកាត់ស្រទាប់លាក់ (Hidden) ទៅកាន់ស្រទាប់លទ្ធផល (Output) ដោយមិនមានការវិលត្រឡប់ថយក្រោយនៃទិន្នន័យក្នុងពេលធ្វើការសម្រេចចិត្តឡើយ។ | ដូចជាខ្សែសង្វាក់ផលិតកម្មនៅក្នុងរោងចក្រ ដែលវត្ថុធាតុដើមត្រូវបញ្ជូនទៅមុខជារហូតពីដំណាក់កាលមួយទៅដំណាក់កាលមួយទៀតរហូតដល់ចេញជាផលិតផលសម្រេច។ |
| 2D Collision Cone | វិធីសាស្ត្រគណិតវិទ្យាបែបបុរាណដែលបង្កើតតំបន់រាងកោណ (Cone) ផ្នែកខាងមុខរថយន្ត ដើម្បីទស្សន៍ទាយថាតើការធ្វើដំណើរក្នុងល្បឿន និងទិសដៅបច្ចុប្បន្ន នឹងអាចបណ្តាលឱ្យបុកឧបសគ្គឬទេ ប្រសិនបើមានវត្ថុចូលក្នុងតំបន់កោណនេះ។ | ដូចជាការបញ្ចាំងភ្លើងពិលទៅមុខរថយន្តនៅពេលយប់ ប្រសិនបើមានសត្វឆ្លងកាត់ពន្លឺពិលនោះ រថយន្តនឹងដឹងថាអាចនឹងមានការប៉ះទង្គិច។ |
| Point Cloud | បណ្តុំនៃចំណុចទិន្នន័យរាប់ពាន់ ឬលានចំណុចនៅក្នុងលំហ 3D ឬ 2D ដែលទទួលបានពីការស្កេនរបស់សេនស័រ Lidar ដើម្បីតំណាងឱ្យរូបរាងខាងក្រៅនៃវត្ថុ ឬបរិស្ថានជុំវិញ។ | ដូចជាការយកគ្រាប់ខ្សាច់តូចៗរាប់លានគ្រាប់មកផ្គុំគ្នា ដើម្បីតម្រៀបចេញជារូបរាងសិប្បនិម្មិតនៃវត្ថុណាមួយ។ |
| Stochastic Gradient Descent | ក្បួនអាល់កូរីតដែលប្រើសម្រាប់ការបណ្តុះបណ្តាល Machine Learning ដើម្បីស្វែងរកកំហុស (Error) ទាបបំផុត ដោយធ្វើការកែសម្រួលទម្ងន់ (Weights) ជាបន្តបន្ទាប់ដោយប្រើទិន្នន័យគំរូតូចៗដោយចៃដន្យ។ | ដូចជាមនុស្សបិទភ្នែកដែលកំពុងព្យាយាមដើរចុះពីកំពូលភ្នំមកក្រោម ដោយស្ទាបស្វែងរកផ្លូវចុះជម្រាលបន្តិចម្តងៗរហូតដល់ចំណុចទាបបំផុត។ |
| Backpropagation algorithm | ដំណើរការគណនាកំហុសពីស្រទាប់លទ្ធផល (Output) ថយក្រោយមកស្រទាប់បញ្ចូល (Input) នៅក្នុង Neural Network ដើម្បីកែតម្រូវទម្ងន់ទិន្នន័យ (Weights) ធ្វើឱ្យម៉ូដែលរៀនសូត្រពីកំហុស និងទស្សន៍ទាយលើកក្រោយកាន់តែសុក្រឹត។ | ដូចជាសិស្សដែលធ្វើលំហាត់ខុស ហើយគ្រូប្រាប់ពីកំហុសនោះ រួចសិស្សគិតត្រលប់ថយក្រោយវិញដើម្បីរកមើលថាតើខ្លួនខុសនៅត្រង់ជំហានណា ដើម្បីកុំឱ្យខុសលើកក្រោយទៀត។ |
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
