បញ្ហា (The Problem)៖ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាប្រឈមក្នុងការរកឃើញដើមឈើ ការធ្វើផែនទី និងការកំណត់ទីតាំងមនុស្សយន្តចល័តដោយស្វ័យប្រវត្តិនៅក្នុងបរិស្ថានចម្ការ ដោយមិនពឹងផ្អែកលើប្រព័ន្ធកំណត់ទីតាំង GPS ដែលជារឿយៗរងការរំខានដោយសារដំបូលដើមឈើ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវក្បួនដោះស្រាយថ្មីដែលប្រើប្រាស់ការបញ្ចូលគ្នានូវទិន្នន័យ (Sensor data fusion) រវាងម៉ាស៊ីនស្កេនឡាស៊ែរ 2D និងកាមេរ៉ា ដោយផ្អែកលើតម្រង Extended Kalman Filter (EKF)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Detection Algorithm A (Combined Laser and Vision) ក្បួនដោះស្រាយការរកឃើញដើមឈើ A (បញ្ចូលទិន្នន័យឡាស៊ែរ និងកាមេរ៉ា) |
មានប្រសិទ្ធភាពខ្ពស់សម្រាប់បរិស្ថានដែលមានដើមឈើទំហំស្រដៀងគ្នា និងចំណាយពេលដំណើរការទិន្នន័យតិចដោយសារការកំណត់តំបន់ចំណាប់អារម្មណ៍ (ROI)។ | ជួបការលំបាកក្នុងការកំណត់អត្តសញ្ញាណដើមឈើដែលមានទំហំខុសៗគ្នា (ដើមតូចនិងធំលាយគ្នា) និងវត្ថុផ្សេងៗនៅក្នុងបរិស្ថានជាក់ស្តែង។ | អាចរកឃើញដើមឈើសិប្បនិម្មិតបានយ៉ាងល្អ ជាមួយនឹងអត្រាទំនុកចិត្ត (Rate of Confidence) ជាមធ្យមពី ០,៧៨៦ ដល់ ០,៩០៣។ |
| Detection Algorithm B (Adaptive Laser and Vision Fusion) ក្បួនដោះស្រាយការរកឃើញដើមឈើ B (បន្សាំខ្លួនទៅនឹងទំហំដើមឈើ និងពណ៌ដោយស្វ័យប្រវត្តិ) |
អាចរកឃើញដើមឈើមានទំហំខុសៗគ្នា និងមានមុខងារកែតម្រូវប៉ារ៉ាម៉ែត្រពណ៌ដោយស្វ័យប្រវត្តិ ដែលធ្វើឱ្យវាដំណើរការបានល្អក្នុងលក្ខខណ្ឌពន្លឺប្រែប្រួល។ | តម្រូវឱ្យពណ៌នៃគល់ឈើខុសប្លែកពីវត្ថុដទៃយ៉ាងច្បាស់លាស់ បើពុំនោះទេតម្រូវឱ្យបន្ថែមលក្ខណៈពិសេសផ្សេងទៀតដូចជាវាយនភាព (Texture)។ | សម្រេចបានភាពត្រឹមត្រូវ ៩៧% ក្នុងការរកឃើញ និងបែងចែករវាងដើមឈើនិងវត្ថុផ្សេងៗក្នុងចម្ការជាក់ស្តែង។ |
| EKF-based Localisation (GPS-free) ការកំណត់ទីតាំងដោយប្រើ Extended Kalman Filter (មិនប្រើ GPS) |
មិនពឹងផ្អែកលើសេវា GPS ដែលតែងតែរងការរំខានដោយសារដំបូលដើមឈើធំៗ និងអាចសន្សំសំចៃការចំណាយលើប្រព័ន្ធ RTK-GPS។ | ទាមទារការធ្វើផែនទីទីតាំងដើមឈើជាមុន (a priori map) និងអាចមានកំហុសបន្តិចបន្តួចនៅពេលកង់រអិលអំឡុងពេលបត់ផ្លូវកែង។ | កម្រិតកំហុសទីតាំងជាមធ្យម (Euclidean distance) ត្រឹមតែ ០,១០៣ ម៉ែត្រ និងកំហុសមុំទិសដៅ ៣,៣២ ដឺក្រេ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះតម្រូវឱ្យមានការប្រើប្រាស់មនុស្សយន្តខ្នាតតូចបំពាក់ដោយសេនស័រតម្លៃសមរម្យ និងកុំព្យូទ័រដែលអាចដំណើរការក្បួនដោះស្រាយគណិតវិទ្យាបានលឿន។
ការសិក្សានេះត្រូវបានអនុវត្តនៅក្នុងចម្ការផ្លែទន្លាប់ (Persimmon) ក្នុងរដ្ឋ Queensland ប្រទេសអូស្ត្រាលី ដែលមានដើមឈើដាំជួរត្រង់ៗយ៉ាងមានរបៀប។ ទិន្នន័យនេះអាចមានភាពលម្អៀងប្រសិនបើប្រៀបធៀបជាមួយចម្ការនៅកម្ពុជា ដែលជារឿយៗមិនសូវមានរចនាសម្ព័ន្ធរៀបរយ ឬមានស្មៅដុះក្រាស់ និងទំហំដើមឈើខុសៗគ្នាខ្លាំង។
ថ្វីបើបរិស្ថានមានភាពខុសគ្នាក៏ដោយ ក៏វិធីសាស្ត្រនៃការបញ្ចូលទិន្នន័យសេនស័រដោយមិនប្រើប្រាស់ GPS នេះមានសក្តានុពលខ្ពស់សម្រាប់អនុវត្តក្នុងវិស័យកសិកម្មកម្ពុជា។
ការបណ្តុះបណ្តាលនិស្សិតវិស្វកម្មកម្ពុជាឱ្យចេះប្រើប្រាស់បច្ចេកវិទ្យានេះ នឹងអាចបង្កើតដំណោះស្រាយមនុស្សយន្តកសិកម្មដែលមានតម្លៃសមរម្យ និងស័ក្តិសមនឹងស្ថានភាពជាក់ស្តែងនៅក្នុងស្រុក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Extended Kalman filter (EKF) | វាជាក្បួនដោះស្រាយគណិតវិទ្យាដែលប្រើសម្រាប់ប៉ាន់ស្មានទីតាំងនិងស្ថានភាពរបស់មនុស្សយន្ត ដោយបូកបញ្ចូលទិន្នន័យពីសេនស័រច្រើនរួមគ្នា និងកែតម្រូវកំហុសឆ្គង ឬភាពមិនច្បាស់លាស់នៃទិន្នន័យទាំងនោះក្នុងប្រព័ន្ធដែលមានចលនាមិនលីនេអ៊ែរ។ | ដូចជាការប្រើប្រាស់ត្រីវិស័យនិងផែនទីរួមគ្នា ដើម្បីផ្ទៀងផ្ទាត់ផ្លូវដើររបស់យើងនៅពេលវង្វេងក្នុងព្រៃ ដោយមិនពឹងផ្អែកលើប្រភពព័ត៌មានតែមួយមុខ។ |
| Sensor data fusion | ជាបច្ចេកទេសនៃការប្រមូលនិងបញ្ចូលទិន្នន័យពីសេនស័រខុសៗគ្នា (ដូចជាកាមេរ៉ា និងឡាស៊ែរ) ចូលគ្នា ដើម្បីបង្កើតជាព័ត៌មានមួយដែលច្បាស់លាស់និងអាចទុកចិត្តបានជាងការប្រើសេនស័រតែមួយ។ | ប្រៀបដូចជាមនុស្សយើងប្រើទាំងភ្នែកសម្រាប់មើល និងត្រចៀកសម្រាប់ស្តាប់ព្រមគ្នា ដើម្បីងាយស្រួលដឹងថាមានឡានកំពុងបើកមកជិត។ |
| Simultaneous localisation and mapping (SLAM) | ជាដំណើរការដែលមនុស្សយន្តប្រើដើម្បីបង្កើតផែនទីនៃបរិស្ថានដែលវាមិនធ្លាប់ស្គាល់ ព្រមទាំងកំណត់ទីតាំងរបស់ខ្លួនឯងនៅក្នុងផែនទីនោះក្នុងពេលតែមួយ។ | ដូចជាយើងដើរចូលទៅក្នុងផ្ទះងងឹតមួយដែលមិនធ្លាប់ស្គាល់ រួចយើងយកដៃស្ទាបជញ្ជាំងដើម្បីគូសប្លង់ផ្ទះក្នុងខួរក្បាលបណ្តើរ និងដឹងថាយើងកំពុងឈរនៅត្រង់ណាបណ្តើរ។ |
| Region of interest (ROI) | នៅក្នុងដំណើរការរូបភាពកុំព្យូទ័រ វាគឺជាការកំណត់យកតែផ្នែកតូចមួយនៃរូបភាពធំទាំងមូល ដើម្បីយកមកវិភាគលម្អិត ជាជាងការវិភាគរូបភាពទាំងមូលដែលនាំឱ្យខាតពេលនិងប្រើប្រាស់ថាមពលកុំព្យូទ័រច្រើន។ | ដូចជាការប្រើកែវពង្រីកផ្ដោតមើលតែសត្វល្អិតមួយក្បាលនៅលើស្លឹកឈើ ជាជាងមើលមែកឈើទាំងមូល។ |
| Odometer | ជាឧបករណ៍សេនស័រដែលប្រើដើម្បីវាស់ចម្ងាយធ្វើដំណើររបស់មនុស្សយន្ត ដោយពឹងផ្អែកលើការរាប់ចំនួនជុំនៃការបង្វិលកង់របស់វា។ | ដូចជាកុងទ័រវាស់គីឡូម៉ែត្រនៅលើម៉ូតូឬឡាន ដែលប្រាប់ថាយើងបានជិះក្នុងចម្ងាយប៉ុន្មានម៉ែត្រហើយ។ |
| Inertial Measurement Unit (IMU) | ជាឧបករណ៍អេឡិចត្រូនិកដែលវាស់ល្បឿននៃការផ្លាស់ទី (Acceleration) និងល្បឿនមុំ (Angular velocity) របស់មនុស្សយន្ត ដើម្បីដឹងពីការវិលនិងទិសដៅរបស់វា។ | ដូចជាប្រព័ន្ធរក្សាលំនឹងនៅក្នុងទូរស័ព្ទដៃ ដែលដឹងថាយើងកំពុងកាន់ទូរស័ព្ទបញ្ឈរ ឬផ្តេក។ |
| HSV colour space | ជាទម្រង់នៃការតំណាងពណ៌នៅក្នុងកុំព្យូទ័រ ដែលបែងចែកពណ៌ជាបីកម្រិតគឺ: ប្រភេទពណ៌ (Hue), កម្រិតភាពដិតនៃពណ៌ (Saturation), និងកម្រិតពន្លឺ (Value) ដែលជួយឱ្យការចាប់រូបភាពមិនសូវរងឥទ្ធិពលពីពន្លឺព្រះអាទិត្យប្រែប្រួល។ | ដូចជាការលាយថ្នាំពណ៌គំនូរ ដែលយើងរើសពណ៌គោល រួចថែមទឹកដើម្បីឱ្យវាឡាយ ឬថែមពណ៌សខ្មៅដើម្បីកំណត់ពន្លឺដិតឬស្រាល។ |
| a priori map | ជាផែនទីគោលដែលត្រូវបានបង្កើតឡើងជាមុន ដើម្បីផ្ទុកទីតាំងនៃវត្ថុផ្សេងៗ (ដូចជាទីតាំងដើមឈើ) សម្រាប់ឱ្យមនុស្សយន្តប្រើប្រាស់ជាមូលដ្ឋានក្នុងការកំណត់ទីតាំងរបស់ខ្លួននៅពេលធ្វើប្រតិបត្តិការជាក់ស្តែង។ | ដូចជាការអានសៀវភៅផែនទីក្រុងមុនពេលធ្វើដំណើរ ដើម្បីដឹងថាផ្លូវណាទៅណា មុននឹងចេញដំណើរផ្ទាល់។ |
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
