ĐO KHOẢNG CÁCH VÀ XÁC ĐỊNH VỊ TRÍ VẬT THỂ BẰNG PHƯƠNG

PHÁP SIÊU ÂM
(1) (1) (3)
Trần Thị Thủy , Nguyễn Quang Thắng , Đinh Sơn Thạch
(1)
Khoa Khoa học Ứng dụng, trường Đại học Bách khoa – ĐHQG TP.HCM
(2)
Phòng thí nghiệm Công nghệ Nano, ĐHQG TP.HCM

TÓM TẮT
Siêu âm là dạng sóng âm được ứng dụng rộng rãi trong việc đo khoảng cách và định vị vật thể. Báo cáo
giới thiệu một phương pháp đo khoảng cách và xác định vị trí vật thể bằng sóng siêu âm với sự kết hợp
phương pháp xác suất Bayes trong xử lý tín hiệu. Phương pháp sử dụng công thức xác suất toàn phần Bayes
để đánh giá khả năng không gian bị chiếm bởi vật thể, và tỉ lệ chiếm giữa các ô lưới trên bản đồ nhằm xác
định vị trí xác suất cao nhất có vật thể.

ABSTRACT
Ultrasound has many applications in distance measurement and object location. This paper presents an
approach to this issue by using Bayes’s method in signal processing. Method uses Bayes‘s formula to evaluate
the probability of object occupation in space and the scale of grid on the map to define where is the highest
probability of object occupation.

1.GIỚI THIỆU ĐỀ TÀI

Bài báo này giới thiệu một phương pháp đo khoảng
cách và xác định vị trí có vật bằng việc sử dụng sóng
siêu âm đồng thời sử dụng công thức toàn phần Bayes
nhằm đánh giá khả năng không gian bị chiếm bởi vật
thể và tỉ lệ đó giữa các ô lưới trên bản đồ nhằm xác định
vị trí có xác suất cao nhất có vật.
2.MÔ TẢ ĐỀ TÀI
2.1. Cảm biến siêu âm và nguyên tắc TOF:
Sóng siêu âm được truyền đi trong không khí với vận
tốc khoảng 343m/s. Nếu một cảm biến phát ra sóng siêu
âm và thu về các sóng phản xạ đồng thời, đo được Hình2. 1: Nguyên lý Time Of Flight
khoảng thời gian từ lúc phát đi tới lúc thu về, thì máy
tính có thể xác định được quãng đường mà sóng đã di Khi sóng siêu âm phát ra và thu về, cảm biến siêu âm,
chuyển trong không gian. Quãng đường di chuyển của một cách gián tiếp cho ta biết vị trí các chướng ngại vật
sóng sẽ bằng 2 lần khoảng cách từ cảm biến tới chướng theo hướng quét của cảm biến. Khi đó, dường như trên
ngoại vật, theo hướng phát của sóng siêu âm.Hay quãng đường đi từ cảm biến đến chướng ngại vật, sóng
khoảng cách từ cảm biến tới chướng ngại vật sẽ được siêu âm không gặp bất cứ vật cản nào, và đâu đó xung
tính theo nguyên lý TOF: quanh vị trí mà thong số cảm biến ghi nhận được, có
một chướng ngại vật. Và vì thế, cảm biến siêu âm có thể
t được mô hình hóa thành một hình quạt, trong đó các
d = v •
2 điểm ở giữa dường như không có chướng ngại vật, còn
các điểm trên biên thì dường như có chướng ngại vật
nằm ở đâu đó. [1]

Hình 2.2: Tầm quét của cảm biến siêu âm.

Như vậy, khi phát và thu về sóng siêu âm, ta ghi nhận R−r β −α
( )+( )
được một vector định vị, với hướng là hướng của cảm P(H)= R β (2.4)
xMAX
biến và độ lớn là khoảng cách từ cảm biến đến chướng 2
ngại vật. Và khi đó, nếu ta nói cảm biến ghi nhận một
vector 100cm, theo hướng theta, có nghĩa là trong P(-H)= 1- P(H) (2.5)
khoảng từ cảm biến tới chướng ngại vật ở hướng theta
dường như không có vật cản nào, và chướng ngại vật
nằm ở đâu đó, cách cảm biến theo hướng phát của cảm Với mỗi ô lưới trong vùng II:
biến (theta) một khoảng 100cm. R−r β −α
( )+( )
Hình 2.2 chỉ ra rằng nếu có vật cản nằm trong tần quét P(H)= R β (2.6)
của cảm biến siêu âm, thì vùng quét của siêu âm có thể 2
được phân phân ra làm 3 vùng. Vùng 1 là vùng phía
P(-H)= 1.0-P(H) (2.7)
ngoài hình quạt, là vùng dường như có vật cản nào đó.
Vùng 2 là vùng gần tâm quạt, dường như không có vật Trong đó, R là tầm quét xa nhất của cảm biến, β là nửa
cản nào. Và vùng 3 là vùng còn lại sau vật cản, cho đến góc mở của cảm biến, r là khoảng cách từ cảm biến tới
vị trí xa nhất trong tầm quét của siêu âm, đây là vùng ô lưới đang xét, α là góc lệch giữa trục thẳng góc của
chưa biết, vì siêu âm không thể “nhìn” xuyên qua vật cảm biến đến ô lưới đang xét. Thành phần MAX được
cản, chúng ta không xét tới vùng này. nhân vào ở công thức(2.4) thể hiện cho việc không bao
giờ chúng ta cho rằng một ô lưới bị chiếm hoàn toàn, vì
2.2. Công thức xác suất Bayes. như vậy có nghĩa là nó sẽ không bao giờ thay đổi được
Đầu những năm 1980, Hans P. Moravec và Alberto nữa.
Elfes đã sử dụng các giá trị xác suất để đánh giá khả
năng bị chiếm bởi chướng ngại vật, và tỉ lệ đó giữa các
ô lưới trên bản đồ. [2]
Trong công thức Bayes[3], mô hình cảm biến là một
xác suất có điều kiện. có dạng P(s|H). Các xác suất này
sau đó được chuyển đổi thành P(H|s) sử dụng công thức
toàn phần Bayes.
Đầu tiên ta nói về xác suất có điều kiện:
Các cảm biến siêu âm chỉ có thể nhìn thấy một trong 2
sự kiện là một ô lưới[i, j] là đã bị chiếm hay còn trống
mà thôi.
Gọi H= {H, - H}( H trong chữ Hypothesis, có nghĩa là
giả thiết), với H là sự kiện ô lưới đã bị chiếm, và – H là
sự kiện ô lưới còn trống.
Xác suất để H xảy ra được tính bởi P(H), trong đó: Hình2. 3: Các vùng ghi nhận từ cảm biến Siêu âm

0≤ P(H)≤1 (2.1)
Và H là một tập chỉ gồm 2 sự kiện H và – H, do đó P(- Một ví dụ tính toán với các thông số của cảm biến như
0
H) được tính khi đã biết P(H) theo công thức sau: R=20 dm, β= 15 , khoảng cách đo được là r=12dm,
ta có:
P(-H)= 1-P(H) (2.2)
Đây là công thức xác suất không điều kiện. Các xác
suất không điều kiện thì không được quan tâm ở đây,
bởi vì chúng không cung cấp cho ta thông tin trước đó.
Các thông tin đó lại không tính toán gì tới thông số đọc
s của cảm biến. ( S trong chữ sense, có nghĩa là cảm
nhận).
Cảm biến được đặt tại ô( 0,2). Tính toán cho ô( 11,1) và
Khi cảm biến siêu âm trả về thông số s, người ta cần (7,2) ta có:
tính toán khả năng của một ô lưới nằm trong vùng quét
của cảm biến siêu âm là đã bị chiếm hay còn trống thì Với ô (11,1) có:
đó là xác suất có điều kiện, ký hiệu P(H|s) hay P(-H|s). 20 − 12 15 − 5
Và ta có: ( )+( )
P(H)= 20 15 x0.98 =0.52
P(H|s) + P(-H|s)= 1 (2.3) 2

Với mỗi ô lưới trong vùng I: P(-H) = 1.0-0.52 =0.48

Với ô( 7,2) ta có: P(s1 H )...P(s n H ) P( H
P(s1s2 ….sn) =
)
20 − 7 15 − 0 P(s1 H )....P(sn H ) P( H ) + P(s1 − H )......P(sn − H ) P(−
) H)
( )+(
P(H)= 20 15 =0.83
2 (2.14)

P(-H)= 1.0-0.83= 0.17 ( thiếu phần excel của kết quả thực tế, do em fai hiệu
chỉnh lại chút xíu ạ)
Một mô hình cảm biến đưa một giá trị trả về P(s|H) có
nghĩa là xác suất khi cảm biến quét qua một ô lưới khi ô 2.3. Nhận xét kết quả:
lưới đó đã thực sự bị chiếm. Nhưng chúng ta lại cần Kết quả thu được thực tế vẫn không tốt như mong đợi vì
tính P(H|s) là xác suất một ô lưới là bị chiếm khi một xảy ra sai số: sai số lặp, hiện tượng Forecasting, hiện
cảm biến siêu âm đã quét qua ô lưới đó. tượng Crosstalk( đọc chéo) của cảm biến siêu âm[6].
Chúng ta có công thức toàn phần Bayes cho việc Sai số lặp và sai số do hiện tượng Forecasting là những
chuyển đổi như sau: sai số có thể quản lý được trong khi sai số do hiện
tượng Crosstalk là không thể quản lý được. Tuy nhiên
P(s H ).P(H ) do thời lượng bài báo có hạn, nên chúng tôi xin phép đề
P(H|s)= (2.8)
P(s) cập tới phần này trong một báo cáo khác: cụ thể và chi
tiết hơn.
Mà
P(s)=P(s|H)P(H)+P(s|-H).P(-H) (2.9)
Nên:
P(H|s)= P(s H )P(H ) (2.10)
P(s H )P(H ) + P(s − H )P(−H )

Vậy tại sao phải nhân thêm hệ số MAX sau công thức
tính xác suất P(H)?
Nếu giả sử có một trường hợp nào đó làm cho P(H)=1. Hình 2.4: Hiện tượng Forecasting
Khi đó,

P(H|s)= P(s H ).1 (2.11)

=1
P(s H ).1 + P(s − H ).0

Và như vậy, dù cảm biến có nhận ra xác suất rất nhỏ

của ô lưới đang xét đi nữa, việc tinh toán xác suất có
điều kiện luôn cho kết quả là 1. Để bảo đảm điều này
thì MAX phải được đưa vào công thức tính.
Ngoài ra , hằng số MAX có ý nghĩa: một khi không biết
chính xác thông tin, thì không bao giờ được phép khẳng
định một cách hoàn toàn. Trong bài toán này, việc
khẳng định hoàn toàn là việc cho P(H) bằng 0 hoặc
bằng 1, trong khi đó, quá trình tính toán không thể xảy
ra P(H) =0 khi mà khoảng cách nhỏ nhất đo được của Hình 2.5: Hiện tượng Crosstalk
cảm biến luôn bị giới hạn do đặc tính tầm quét của nó.
3.KẾT LUẬN
Thông thường người ta dùng hằng số MAX có giá trị
khoảng 0.98.[4],[5] Với bài báo “Sensor Fusion in Certain Grid for
Mobiles Robots” của HANS P. MORAVEC, đã có rất
Như vậy, để đánh giá một ô lưới(i, j) khi ô lưới đó có 2 nhiều nhà khoa học nghiên cứu và phát triển thuật toán
hay nhiều cảm biến quét qua, mỗi cảm biến cho một giá định vị và giải thuật Bayes. Và tất cả đều ứng dụng vào
trịP(si|H). Ta có: robot di động.
P(s1s 2....sn H )P(H ) Ngày nay, người ta vẫn tiếp tục nghiên cứu và phát triển
P(H | s1s2….sn) = việc chế tạo các robot có gắn cảm biến siêu âm đồng
P(s1s2 .....sn H )P(H ) + P(s1s2 ....sn − H )P(− H
) thời với các cảm biến khác như laser, camera… kết hợp
(2.12) với các công nghệ của viễn thông như GPS, GSM nhằm
Mặt khác: nâng cao độ chính xác trong việc định vị cũng như
P(s1s2….sn |H)P(H)=P(s1|H)P(s2|H)….P(sn|H) (2.13) thăm dò một khoảng không gian nào đó để xây dựng
bản đồ.
4.TÀI LIỆU THAM KHẢO
[1] J. BORENSTEIN, H.R. EVERETT, and L. FENG,
“Where Am I? Sensor and Methods for Mobile Robot
Positioning”, The University of Michigan, 1996
[2] HANS P. MORAVEC, “Sensor Fusion in Certain
Grid for Mobiles Robots”,1989
[3] WILLIAM M. BOLSTAD, “ Introduction to
Bayesian Statistics” , University of Waikato Hamilton,
New Zealand, 2004
[4] VASSILIS VARVEROPOULOS, “ Robot
Localization and Map Construction Using Sonar
Data”, Rossum Project, Published online
[5] ROBIN R. MURPHY, “ Introduction to AI
Robotics”, A Bradford Book, The MIT Press
Cambridge, Massachusetts, London, England, 2000
[6] J. BORENSTEIN and Y.KOREN,“Error
Eliminatingrapid Ultrasonic Firing for Mobile Robot
Obastacle Avoidance”.IEEE Transaction on Robotics
and Automation, 1995