Bối cảnh và vấn đề nghiên cứu

Cuộc Cách mạng Công nghiệp lần thứ tư đã thúc đẩy việc ứng dụng nền tảng Vạn vật kết nối (IoT) vào nhiều lĩnh vực đời sống, trong đó có giáo dục. Trên thế giới, mô hình bục giảng thông minh đã được nghiên cứu và đưa vào sử dụng tại các trường đại học như Viện Công nghệ Massachusetts (MIT) hay Đại học Oxford nhằm phục vụ việc trình chiếu bài giảng, tương tác và điều khiển thiết bị phòng học tập trung. Tại Việt Nam, một số sản phẩm bục giảng điện tử đã xuất hiện trên thị trường nhưng còn tồn tại các hạn chế như giá thành cao, cấu trúc cồng kềnh, thiếu tính cơ động và chưa tích hợp sâu các công nghệ trí tuệ nhân tạo (AI).

Đặc biệt, trong bối cảnh các phương thức đào tạo trực tuyến và kết hợp phát triển mạnh, việc giám sát, xác thực danh tính giáo viên cũng như ngăn chặn các hành vi gian lận học đường trở thành một bài toán thực tiễn cấp thiết. Nhằm giải quyết các vấn đề này, đề tài "Bục giảng thông minh trên nền tảng IoT ứng dụng trong lớp học thông minh" (tên tiếng Anh: Smart Pulpit with IoT for smart classroom) được nhóm tác giả Vũ Minh Hoàng và Nguyễn Khánh Minh Tân, dưới sự hướng dẫn của TS. Nguyễn Minh Sơn và TS. Đỗ Trí Nhựt tại Khoa Kỹ thuật Máy tính – Trường Đại học Công nghệ Thông tin (ĐHQG TP.HCM) thực hiện vào năm 2021.

Mục tiêu chính của đề tài là thiết kế và chế tạo một sản phẩm bục giảng vật lý thông minh có kích thước nhỏ gọn, tích hợp đa chức năng trên cùng một nền tảng phần cứng nhúng. Để hiện thực hóa mục tiêu trên, các nhiệm vụ nghiên cứu cụ thể bao gồm:

  1. Xây dựng mô hình phát hiện và nhận diện khuôn mặt phục vụ xác thực người dùng.
  2. Xây dựng hệ thống mạng IoT kết nối các nút thiết bị trong phòng học.
  3. Xây dựng hệ thống truyền phát trực tiếp (streaming) bài giảng thời gian thực sử dụng WebRTC.
  4. Thiết kế giao diện điều khiển tương tác trực quan cho sản phẩm bằng Qt.
  5. Tích hợp đồng bộ các khối chức năng phần cứng và phần mềm vào thiết bị hoàn chỉnh.
  6. Xây dựng môi trường thử nghiệm và đánh giá thực nghiệm các tính năng của sản phẩm.

Đối tượng nghiên cứu của đồ án tập trung vào các giải pháp thị giác máy tính (Computer Vision) xử lý ảnh khuôn mặt, giao thức truyền thông IoT cho thiết bị nhúng, giao thức truyền thông đa phương tiện thời gian thực và kỹ thuật lập trình giao diện nhúng. Phạm vi nghiên cứu được triển khai thực nghiệm tại Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin trong năm 2021.


Cơ sở lý thuyết và phương pháp

Đề tài sử dụng phương pháp nghiên cứu thiết kế kỹ thuật kết hợp thực nghiệm đo lường hiệu năng trên nền tảng nhúng. Cơ sở lý thuyết và các công nghệ lõi được ứng dụng bao gồm:

Khung lý thuyết và mô hình công nghệ

  • Nền tảng phần cứng nhúng (NVIDIA Jetson Nano): Sử dụng bo mạch máy tính đơn (Single Board Computer) tích hợp GPU kiến trúc Maxwell 128 nhân và CPU lõi tứ ARM A57 @ 1.43 GHz, bộ nhớ 4 GB LPDDR4 64-bit với băng thông 25.6 GB/s, cung cấp hiệu năng tính toán FP16 đạt 472 GFLOPS trong phạm vi công suất tiêu thụ từ 5–10W.
  • Bộ công cụ tối ưu hóa suy luận NVIDIA TensorRT: Đóng vai trò là SDK tối ưu hóa các mô hình học sâu, thực hiện gom cụm lớp (layer fusion), tối ưu hóa tensor, tự động tinh chỉnh kernel (kernel auto-tuning) và giảm độ chính xác tính toán (FP16, INT8) nhằm giảm độ trễ và tăng tốc độ xử lý song song trên GPU nhúng.
  • Mô hình phát hiện khuôn mặt MTCNN (Multi-Task Cascaded Convolutional Networks): Áp dụng kiến trúc tích chập 3 tầng nối tiếp (P-Net, R-Net, O-Net) kết hợp thuật toán triệt tiêu phi cực đại (Non-Maximum Suppression - NMS) và hồi quy khung bao để phát hiện khuôn mặt cùng 5 điểm đặc trưng (2 mắt, 1 mũi, 2 khóe môi) bất biến với góc nghiêng đầu và độ chiếu sáng.
  • Mô hình trích xuất đặc trưng Google FaceNet: Sử dụng mạng nơ-ron tích chập sâu (ZF-Net hoặc Inception) kết hợp chuẩn hóa $L_2$ để ánh xạ khuôn mặt thành một vector đặc trưng (face embedding) 128 chiều. Mô hình được huấn luyện bằng hàm mất mát Triplet Loss với biên khoảng cách $\alpha$ giữa cặp mẫu dương và mẫu âm nhằm phân tách các danh tính khác nhau trong không gian vector.
  • Giao thức truyền thông IoT (MQTT): Giao thức truyền tin publish/subscribe theo chuẩn OASIS v3.1, hoạt động dựa trên mô hình trung tâm Broker và các Client (Publisher/Subscriber), giúp tối ưu băng thông mạng và bảo đảm truyền nhận lệnh điều khiển thiết bị tin cậy trên nền Wi-Fi.
  • Công nghệ truyền dữ liệu thời gian thực WebRTC: Hệ thống API dựa trên JavaScript hỗ trợ truyền tải video, dữ liệu ngang hàng (Peer-to-Peer - P2P) không cần cài đặt phần mềm bổ trợ, kết hợp cùng thư viện Socket.IO để quản lý truyền phát luồng bài giảng.

Nguồn dữ liệu thực nghiệm

Quá trình kiểm thử mô hình nhận diện khuôn mặt được thực hiện trên hai bộ dữ liệu độc lập:

  • Dataset 1 (Labeled Faces in the Wild - LFW): Gồm 6.749 hình ảnh, dung lượng 10–20 KB/ảnh, định dạng JPG, độ phân giải $250 \times 250$ pixel.
  • Dataset 2 (Flickr-Faces-HQ - FFHQ kết hợp ảnh chụp thực tế): Gồm 302 hình ảnh, dung lượng 1–1.5 MB/ảnh, định dạng JPG, độ phân giải $1024 \times 1024$ pixel.

Thiết kế và triển khai

Hệ thống bục giảng thông minh được thiết kế theo kiến trúc phân tán kết hợp giữa khối xử lý trung tâm, các nút chấp hành ngoại vi và phân hệ máy trạm học tập của sinh viên.

Kiến trúc phần cứng

Hệ thống sử dụng các thành phần phần cứng được tích hợp đồng bộ:

Thành phần Thông số kỹ thuật / Đặc tính Vai trò trong hệ thống
NVIDIA Jetson Nano Bo mạch Carrier Board A02, 128-core Maxwell GPU, Quad-core ARM A57 @ 1.43 GHz, 4 GB LPDDR4, giao tiếp MIPI CSI-2, Ethernet, HDMI 2.0 Micro-B Đóng vai trò bộ xử lý trung tâm, chạy mô hình AI nhận diện, máy chủ truyền thông và giao diện người dùng
NodeMCU ESP8266 Vi điều khiển tích hợp Wi-Fi, giao tiếp GPIO với rơ-le Đặt tại các nút tải điện, nhận lệnh qua MQTT để đóng/ngắt thiết bị (đèn, quạt, máy chiếu)
Camera cảm biến Cổng giao tiếp MIPI CSI-2 / USB Thu thập hình ảnh giảng viên phục vụ mở khóa và giám sát phòng học
Màn hình hiển thị Màn hình cảm ứng kết nối HDMI Hiển thị giao diện người dùng, bài giảng và bảng điều khiển trung tâm
Bàn phím & Chuột Thiết bị ngoại vi kết nối USB Hỗ trợ giảng viên nhập liệu và tương tác trực tiếp
Smart Table Thiết bị đầu cuối gắn tại bàn học sinh viên Thu nhận hình ảnh sinh viên điểm danh và nhận luồng phát bài giảng

Luồng xử lý thuật toán của các phân hệ

1. Phân hệ mở khóa và xác thực giảng viên

Khi bắt đầu tiết học, giảng viên nhập tên tài khoản và lựa chọn phương thức mở khóa bằng khuôn mặt hoặc mật khẩu:

  • Đăng nhập bằng khuôn mặt: Camera thu nhận luồng hình ảnh, cắt khung hình về kích thước $640 \times 480$ pixel. Mô hình MTCNN quét vị trí khuôn mặt và trích xuất 5 điểm mốc đặc trưng. Vùng ảnh khuôn mặt được đưa qua FaceNet để sinh vector đặc trưng 128 chiều. Hệ thống so sánh khoảng cách vector này với cơ sở dữ liệu khuôn mặt đã đăng ký. Nếu khớp, hệ thống mở khóa giao diện bục giảng; nếu không khớp, giảng viên được yêu cầu xác thực lại.
  • Đăng nhập bằng mật khẩu: Giảng viên nhập chuỗi ký tự mật khẩu tương ứng với tài khoản để mở hệ thống khi điều kiện nhận diện khuôn mặt không thuận tiện.

2. Phân hệ điều khiển thiết bị phòng học qua IoT

Giảng viên chạm vào các biểu tượng thiết bị trên màn hình điều khiển Qt. Bục giảng gửi tín hiệu mang trạng thái (0 hoặc 1) đến MQTT Broker. Broker điều hướng dữ liệu dạng publish đến các kênh (topics) mà các nút NodeMCU ESP8266 đã đăng ký (subscribe). Vi điều khiển ESP8266 nhận tín hiệu và điều khiển đóng/ngắt nguồn điện của thiết bị tương ứng (đèn, quạt, máy chiếu) trong phòng học thông qua rơ-le.

3. Phân hệ điểm danh và chống gian lận học đường

  • Điểm danh tự động: Giảng viên kích hoạt lệnh điểm danh trên màn hình bục giảng, tín hiệu được truyền đến bàn thông minh (Smart Table). Camera tại bàn học tự động chụp ảnh sinh viên tại thời điểm mở bàn và gửi dữ liệu về máy chủ bục giảng để cập nhật sĩ số và hiển thị ảnh đối chiếu danh tính.
  • Chống gian lận thi cử: Trong quá trình làm bài hoặc nộp bài, hệ thống tự động ghi lại hình ảnh sinh viên qua camera bàn học, so khớp với khuôn mặt đăng ký để phát hiện trường hợp thi hộ hoặc tráo đổi vị trí. Khi phát hiện sai lệch, cảnh báo sẽ hiển thị trực tiếp trên bục giảng. Đồng thời, ảnh chụp sinh viên tại thời điểm nộp bài và ảnh chụp giảng viên tại thời điểm chấm điểm được lưu vết vào tệp hồ sơ bài kiểm tra để phục vụ việc tra soát.

4. Phân hệ truyền phát trực tiếp bài giảng (Streaming)

Giảng viên khởi động chức năng phát bài giảng trên bục giảng. Luồng hình ảnh màn hình được truyền đến máy chủ trung gian sử dụng kết nối Socket.IO và WebRTC. Sinh viên truy cập tính năng xem trực tuyến trên thiết bị Smart Table để kết nối vào máy chủ và theo dõi luồng trình chiếu bài giảng trực tiếp theo thời gian thực.


Nội dung chính theo từng chương

Chapter 1. Smart classroom overview (Tổng quan về lớp học thông minh)

Chương này tổng hợp các khái niệm cơ bản về mô hình phòng học thông minh trên thế giới và tại Việt Nam. Văn bản hệ thống hóa các nghiên cứu quốc tế (như nghiên cứu của ANU_V trên Embibe, tài liệu trên Blinqnetworks, Edsis) để phân loại phòng học thông minh thành 3 cấp độ:

  • Cấp độ cơ bản (Basic): Trang bị máy tính, máy chiếu và màn hình chiếu cơ bản.
  • Cấp độ trung bình (Intermediate): Bổ sung bục giảng thu nhỏ và bảng điều khiển tập trung.
  • Cấp độ nâng cao (Advanced): Tích hợp đầy đủ thiết bị tương tác, thiết bị thực tế ảo (VR/AR) và thiết bị học tập cá nhân.

Chương cũng phân tích các lợi ích của mô hình đối với giảng viên (dễ quản lý lớp học, chia sẻ tài liệu số linh hoạt) và học sinh (tăng khả năng tương tác, học tập trực quan), đồng thời điểm qua thực trạng các thiết bị bục giảng điện tử thương mại trên thị trường trong nước.

Chapter 2. Cơ sở công nghệ và kiến trúc thành phần

Tác giả trình bày chi tiết cơ sở lý thuyết của các khối công nghệ được tích hợp trong bục giảng thông minh:

  • Nguyên lý hoạt động và kiến trúc của máy tính nhúng NVIDIA Jetson Nano cùng cơ chế tăng tốc suy luận của NVIDIA TensorRT.
  • Kiến trúc 3 tầng tích chập của mạng MTCNN và cấu trúc mạng FaceNet cùng cơ chế chọn bộ ba (triplet selection: hard positive, hard negative) trong hàm tổn thất Triplet Loss.
  • Kiến trúc Broker - Client của giao thức MQTT, các ưu điểm về tiết kiệm băng thông mạng và cơ chế bảo mật xác thực ở tầng ứng dụng.
  • Kiến trúc kết nối đa phương tiện WebRTC, phân tích ưu điểm (không cần plugin, đa nền tảng) và hạn chế (vấn đề xuyên NAT/firewall, sự khác biệt hỗ trợ API giữa các trình duyệt).

Chapter 3. Kiến trúc hệ thống và thuật toán

Chương này công bố sơ đồ kiến trúc tổng thể của hệ thống, thiết kế phần cứng vật lý và các lưu đồ thuật toán chi tiết:

  • Sơ đồ tổng thể kết nối giữa bục giảng (Smart Pulpit), bàn học sinh viên (Smart Table), máy chủ MQTT Broker và máy chủ phát luồng Streaming Server.
  • Sơ đồ bố trí các khối phần cứng (NVIDIA Jetson Nano, camera, màn hình, bàn phím, NodeMCU ESP8266).
  • Lưu đồ thuật toán quy trình xác thực đăng nhập qua nhận diện khuôn mặt và mật khẩu.
  • Lưu đồ thuật toán điều khiển thiết bị phòng học qua cơ chế publish/subscribe của giao thức MQTT.
  • Lưu đồ thuật toán truyền phát luồng dữ liệu bài giảng trực tiếp qua Socket.IO và WebRTC.

Chapter 4. Implementation and Experimental (Triển khai và thực nghiệm)

Chương 4 mô tả môi trường kiểm thử và công bố các số liệu đo lường thực tế trên hệ thống:

  • Thiết lập 2 tập dữ liệu khuôn mặt: Dataset 1 (LFW gồm 6.749 ảnh) và Dataset 2 (FFHQ & tự chụp gồm 302 ảnh).
  • Đánh giá độ chính xác và thời gian nhận diện khuôn mặt trong Test case 1: nạp hơn 5.000 danh tính vào cơ sở dữ liệu và kiểm thử trên 1.000 ảnh nhận dạng.
  • Đo kiểm tốc độ nhận diện qua các mốc 200 lần và 1.000 lần trong điều kiện ánh sáng tốt/xấu, khoảng cách gần/xa.
  • Thực nghiệm 100 lần đóng/ngắt thiết bị điện (đèn phòng học) qua giao thức MQTT trên sóng Wi-Fi.
  • Thử nghiệm truyền phát trực tiếp luồng bài giảng đồng thời tới 8 thiết bị và 12 thiết bị, ghi nhận luồng truyền đạt độ phân giải HD khi có nhiều kết nối cùng lúc.
  • Kiểm thử các tính năng giao diện: tự động hiển thị/ẩn ảnh sinh viên theo trạng thái điểm danh, tạo và chỉnh sửa câu hỏi bài kiểm tra trực tiếp trong quá trình giảng dạy.

Chapter 5. Conclusion and Oriented Development (Kết luận và hướng phát triển)

Chương cuối tóm tắt toàn bộ danh mục chức năng đã hoàn thiện của bục giảng thông minh, tổng kết các thông số kỹ thuật phần cứng đã triển khai, đồng thời đề ra các định hướng nâng cấp hệ thống trong tương lai.


Kết quả và đóng góp

Kết quả kỹ thuật đạt được

Các kết quả đo lường và tính năng đã được kiểm chứng thực tế trong đồ án:

Hạng mục kiểm thử Điều kiện / Quy mô thực nghiệm Kết quả ghi nhận
Nhận diện khuôn mặt (Test case 1) Cơ sở dữ liệu > 5.000 người, kiểm thử 1.000 ảnh từ LFW Tỷ lệ nhận diện chính xác đạt mục tiêu $\ge 90%$, hệ thống phân biệt đúng danh tính trùng khớp
Độ ổn định nhận diện Đo kiểm 200 lần và 1.000 lần ở các điều kiện ánh sáng tốt/xấu và khoảng cách khác nhau Mô hình duy trì độ trễ suy luận thời gian thực trên Jetson Nano nhờ TensorRT
Điều khiển thiết bị IoT Thực hiện 100 lần gửi tín hiệu bật/tắt đèn qua MQTT/Wi-Fi Hệ thống nhận và thực thi lệnh đóng/ngắt rơ-le chính xác, không ghi nhận mất gói tin
Truyền phát bài giảng (Streaming) Kiểm thử đồng thời với 8 thiết bị và 12 thiết bị Smart Table Luồng hình ảnh đạt chuẩn HD, duy trì hiển thị trực tiếp ổn định
Giám sát & Chống gian lận Tự động chụp ảnh điểm danh, nộp bài kiểm tra và chấm điểm Lưu vết đầy đủ thông tin hình ảnh đối chiếu của sinh viên và giảng viên vào hồ sơ bài nộp

Đóng góp của đề tài

  1. Tích hợp giải pháp AI trên phần cứng nhúng biên: Ứng dụng thành công TensorRT để tối ưu hóa hai mô hình MTCNN và FaceNet trên bo mạch NVIDIA Jetson Nano, cho phép xử lý nhận diện khuôn mặt cục bộ với độ trễ thấp mà không phụ thuộc vào máy chủ đám mây đắt tiền.
  2. Thiết kế hệ thống đa phương thức gọn nhẹ: Kết hợp linh hoạt giữa điều khiển thiết bị qua MQTT và truyền phát màn hình qua WebRTC, tạo nên một giải pháp bục giảng thông minh có tính cơ động cao, chi phí thấp, cho phép giảng viên có thể mang thiết bị để phục vụ giảng dạy từ xa.
  3. Đề xuất quy trình lưu vết chống gian lận: Xây dựng cơ chế chụp ảnh tự động đồng thời ở cả hai đầu tương tác (sinh viên khi nộp bài và giảng viên khi chấm điểm), hỗ trợ quản lý tính minh bạch trong kiểm tra, đánh giá.

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo công bố của tác giả, hệ thống còn một số giới hạn kỹ thuật:

  • Tỷ lệ nhận diện: Đề tài đặt mục tiêu tỷ lệ nhận diện thành công đạt tối thiểu 90%, cần tiếp tục cải thiện độ chính xác trong các điều kiện môi trường quá tối hoặc góc nghiêng lớn.
  • Chưa hỗ trợ nhận diện giọng nói: Tính năng điều khiển hoặc xác thực bằng giọng nói (Voice recognition) chưa được tích hợp vào hệ thống.
  • Quy mô thực nghiệm phần cứng: Các thử nghiệm tương tác lớp học mới được triển khai trên quy mô nhỏ với 2 thiết bị mẫu và một số tải điện phòng học cơ bản.
  • Truyền phát âm thanh: Phân hệ streaming mới chỉ truyền tải luồng hình ảnh bài giảng, chưa hỗ trợ truyền luồng âm thanh đồng bộ (Not able to stream sound yet).
  • Giới hạn số lượng kết nối streaming: Hệ thống truyền phát trực tiếp giới hạn tối đa 15 kết nối thiết bị đồng thời.
  • Giao diện người dùng: Phần mềm điều khiển xây dựng trên nền tảng Qt dừng lại ở mức giao diện demo cơ bản.

Hướng phát triển tiếp theo bao gồm việc tối ưu băng thông để mở rộng số lượng kết nối trên 15 thiết bị, bổ sung kênh truyền tải âm thanh trong luồng streaming, tích hợp mô-đun nhận diện giọng nói và hoàn thiện thiết kế cơ khí của bục giảng vật lý.


Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo cụ thể cho sinh viên, học viên và các kỹ sư thuộc các chuyên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Điện tử – Viễn thông và Hệ thống Nhúng:

  • Tham khảo kiến trúc triển khai Deep Learning trên Jetson Nano: Cung cấp quy trình chi tiết về việc kết hợp MTCNN, FaceNet và tối ưu hóa suy luận bằng NVIDIA TensorRT trên vi xử lý đồ họa nhúng.
  • Tham khảo thiết kế hệ thống IoT phòng học: Tài liệu trình bày rõ cách thức xây dựng mạng truyền thông điều khiển cục bộ qua giao thức MQTT với vi điều khiển NodeMCU ESP8266.
  • Tham khảo giải pháp truyền hình ảnh thời gian thực: Cung cấp phương pháp ứng dụng WebRTC kết hợp Socket.IO để truyền phát màn hình từ thiết bị nhúng đến các thiết bị đầu cuối của người học.

Câu hỏi thường gặp

1. Khóa luận sử dụng nền tảng phần cứng chính nào để xử lý các tác vụ trí tuệ nhân tạo?
Hệ thống sử dụng máy tính nhúng NVIDIA Jetson Nano Developer Kit (Carrier Board A02) trang bị GPU Maxwell 128 nhân, CPU Quad-core ARM A57 @ 1.43 GHz và 4 GB RAM LPDDR4, cung cấp hiệu năng tính toán FP16 đạt 472 GFLOPS với công suất tiêu thụ 5–10W.

2. Mô hình nhận diện khuôn mặt trong đề tài gồm những giai đoạn nào?
Mô hình gồm 2 giai đoạn chính: Giai đoạn 1 sử dụng mạng MTCNN (3 tầng P-Net, R-Net, O-Net) để phát hiện khuôn mặt trên khung hình $640 \times 480$ pixel và định vị 5 điểm mốc đặc trưng; Giai đoạn 2 sử dụng mạng Google FaceNet để trích xuất vector đặc trưng 128 chiều (face embedding) và so sánh khoảng cách vector với cơ sở dữ liệu đã nạp.

3. Cơ chế điều khiển thiết bị điện trong lớp học được thiết kế như thế nào?
Hệ thống sử dụng giao thức MQTT. Khi giảng viên thao tác trên màn hình bục giảng, tín hiệu điều khiển được gửi đến MQTT Broker, sau đó Broker publish tín hiệu tới các nút NodeMCU ESP8266 kết nối với rơ-le để đóng hoặc ngắt nguồn các thiết bị điện như đèn, quạt, máy chiếu qua mạng Wi-Fi.

4. Tính năng chống gian lận học đường của bục giảng hoạt động ra sao?
Hệ thống sử dụng camera tại bàn học thông minh để chụp ảnh sinh viên trong quá trình làm bài và nộp bài, đối chiếu khuôn mặt để cảnh báo trường hợp gian lận danh tính về bục giảng. Đồng thời, hệ thống tự động chụp ảnh sinh viên lúc nộp bài và chụp ảnh giáo viên lúc chấm điểm để lưu vết trong hồ sơ bài thi.

5. Giới hạn của phân hệ phát trực tiếp bài giảng (Streaming) trong đồ án là gì?
Hệ thống truyền phát bài giảng qua WebRTC/Socket.IO hiện hỗ trợ tối đa 15 thiết bị kết nối đồng thời và mới chỉ truyền tải được luồng hình ảnh màn hình ở chuẩn HD chứ chưa tích hợp truyền tải âm thanh.


Kết luận

Khóa luận tốt nghiệp "Smart Pulpit with IoT for smart classroom" của tác giả Vũ Minh Hoàng và Nguyễn Khánh Minh Tân đã thiết kế và chế tạo thành công mô hình bục giảng thông minh tích hợp trí tuệ nhân tạo và IoT trên phần cứng nhúng NVIDIA Jetson Nano. Đề tài đã giải quyết đồng bộ các bài toán xác thực giảng viên bằng khuôn mặt, điều khiển thiết bị phòng học qua giao thức MQTT, giám sát chống gian lận thi cử và phát trực tiếp bài giảng thời gian thực qua WebRTC. Đây là công trình nghiên cứu ứng dụng có giá trị tham khảo kỹ thuật rõ ràng trong việc phát triển các thiết bị công nghệ giáo dục phục vụ mô hình lớp học thông minh tại Việt Nam.