Tổng quan về luận án

Sự bùng nổ của các phương tiện giao thông cá nhân tại các quốc gia đang phát triển tạo ra áp lực nặng nề lên hạ tầng đô thị chưa kịp hoàn thiện. Báo cáo thống kê từ Cục Đăng kiểm Việt Nam chỉ ra rằng: "từ tháng 3 năm 2019 đến tháng 4 năm 2019 cả nước tăng từ 3.537 ô-tô lên thành 3.966 ô-tô đang lưu hành. Phần ô-tô sản xuất mới trong hai tháng này lần lượt là: 59. Còn đối với xe máy, chỉ riêng trong 2 tháng 3 năm 2019 và tháng 4 năm 2019 số lượng xe máy sản xuất mới lần lượt là: 579", đồng thời "lượng tăng trưởng tổng số xe từ năm 2015 tới năm 2016 là: 19,73 % (trong đó tăng trưởng của xe con là: 22,93%, xe khách 9 chỗ trở lên là: 15,84 %, xe tải là: 17,65 % và xe chuyên dùng và xe khác là: 8,64 %)". Trong bối cảnh đó, các Hệ thống Giao thông Thông minh (Intelligent Transportation Systems - ITS) nhập khẩu từ các nước phát triển (như mô hình ITS của Juan [1] hay giải pháp của Huawei) bộc lộ sự bất tương thích sâu sắc khi áp dụng vào Việt Nam do giả định dòng giao thông chuẩn hóa theo làn phân định cứng.

Khoảng trống nghiên cứu (research gap) cốt lõi nằm ở chỗ: các hệ thống thị giác máy tính và ITS hiện đại trên thế giới chủ yếu được tối ưu cho dòng phương tiện đồng nhất (homogeneous traffic), chuyển động tịnh tiến theo làn có dải phân cách; trong khi đó, giao thông đô thị Việt Nam mang tính chất dòng giao thông hỗn hợp (heterogeneous / mixed traffic flow) không tuân thủ làn đường, nơi "đặc trưng dòng phương tiện hỗn hợp, xe máy luôn cố đi vào chỗ còn trống giữa những ô-tô". Hơn nữa, hạn chế về hạ tầng truyền dẫn với băng thông thấp ($\sim 1 \text{ Mbps}$) và năng lực xử lý tại biên đặt ra thách thức cho việc truyền tải và khôi phục dữ liệu hình ảnh độ phân giải cao phục vụ giám sát tự động.

Luận án xác lập các câu hỏi nghiên cứu và giả thuyết tương ứng:

  • Câu hỏi nghiên cứu 1 ($RQ_1$): Làm thế nào để nâng cao chất lượng ảnh và tái tạo đường biên đối tượng bị suy hao do truyền dẫn băng thông thấp mà không làm gia tăng chi phí tính toán?
    Giả thuyết 1 ($H_1$): Tích hợp giải thuật nội suy Bicubic với cơ chế lọc biên Canny thích nghi cục bộ trên ma trận $7 \times 7$ sẽ tối ưu hóa chỉ số PSNR và loại bỏ hiện tượng méo khối (Block Artifact - BA).
  • Câu hỏi nghiên cứu 2 ($RQ_2$): Phương pháp phân loại và đo tốc độ nào có thể trích xuất chính xác đặc tính động học của xe máy và ô tô trong điều kiện camera đơn tĩnh bị giới hạn góc nhìn và tốc độ khung hình (12 FPS)?
    Giả thuyết 2 ($H_2$): Mô hình hóa góc tới trực tiếp (Direct Arrival Angle - DA) kết hợp hình học phối cảnh (Perspective Geometry) và điểm khuất (Vanishing Point - VP) cho phép phân loại và ước lượng vận tốc với độ chính xác tương đương cảm biến phần cứng chuyên dụng.
  • Câu hỏi nghiên cứu 3 ($RQ_3$): Cơ chế điều khiển đèn tín hiệu thích nghi nào giải quyết được điểm nghẽn tích tụ hàng đợi tại nút giao hỗn hợp?
    Giả thuyết 3 ($H_3$): Tối ưu hóa chu kỳ đèn tín hiệu dựa trên diện tích vùng không gian điểm ảnh bị chiếm dụng ($\delta\alpha_n$) sẽ giảm thiểu thời gian chờ của hàng đợi so với chu kỳ cố định truyền thống.

Khung lý thuyết của nghiên cứu tích hợp Lý thuyết Xử lý ảnh số (Digital Image Processing), Hình học Xạ ảnh (Projective Geometry), Động học Phương tiện (Vehicle Kinematics) và Lý thuyết Dòng Giao thông (Traffic Flow Theory). Phạm vi thực nghiệm được triển khai trên dữ liệu giao thông đô thị Hà Nội (nút giao Kim Liên, Trần Phú - Điện Biên Phủ, Phạm Văn Đồng), phân tích bộ dữ liệu 80 ô tô, các tập mẫu xe tải, xe buýt, xe máy, và mô phỏng trên nền tảng Simtram qua 4 chu kỳ đèn tín hiệu liên tiếp.

Literature Review và Positioning

Nghiên cứu ITS ứng dụng thị giác máy tính phát triển qua ba trường phái công nghệ chính:

  1. Nhóm công nghệ cảm biến vật lý xâm lấn và không xâm lấn: Cảm ứng điện từ (Inductive Loop Detector System - ILDS) [14], cảm biến từ trường [15], RADAR vi sóng [14], cảm biến siêu âm (Ultrasonic Sensor) [18], và cảm biến âm thanh [19]. Mặc dù đạt độ ổn định cao, nhóm này đòi hỏi chi phí lắp đặt đắt đỏ, phải cắt phá mặt đường và hoàn toàn bất lực trong việc nhận dạng, phân loại nhiều đối tượng xe máy đan xen trên cùng một mặt cắt ngang.
  2. Nhóm thị giác máy tính và trích xuất đặc trưng truyền thống: Phát hiện đối tượng thông qua trừ nền (Background Subtraction) [27, 28], trừ nền thích nghi GMM [29, 30, 65], Frame Differencing [31, 32], trích xuất đặc trưng cục bộ SIFT [77, 85], HOG [79, 80], và bộ phân loại Haar-like cascades với thuật toán AdaBoost của Viola & Jones [51, 87, 89]. Nhóm này gặp giới hạn lớn về tải tính toán khi xử lý thời gian thực và dễ bị nhiễu do bóng đổ, ánh sáng thay đổi hoặc góc quay camera bị xiên.
  3. Nhóm phân loại phương tiện dựa trên cấu trúc hình học và ảnh nhiệt: Iwasaki, Misumi & Nakamiya [58] chỉ ra sự phụ thuộc nhiệt độ môi trường của camera nhiệt: "Mối quan hệ về nhiệt độ giữa các phương tiện giao thông và môi trường bên ngoài có thể thay đổi theo mùa, thậm chí trong ngày. Cụ thể hơn, nhiệt độ của khu vực kính chắn gió thường thấp hơn nhiệt độ môi trường vào mùa nóng; trong khi vào những ngày mùa đông lạnh, điều này bị đảo ngược lại kính khu vực kính chắn gió sẽ ấm hơn nhiệt độ môi trường bên ngoài". Về mặt hình học, nghiên cứu mô hình tỷ lệ nội tại (Intrinsic Scale Model) bằng biểu đồ Analogia [96] thử nghiệm trên 10.000 khung hình từ dữ liệu PennDOT, hay mô hình 3D bounding box [97] và PCA [91, 92, 93].
                                  TIẾP CẬN CỦA LUẬN ÁN
[Trường phái Hình học & Điểm ảnh]                                  [Trường phái Tín hiệu Thích nghi]
- Tái tạo biên Bicubic + Canny ($7\times 7, 3\times 3$)             - Không gian chiếm dụng điểm ảnh ($\delta\alpha_n$)
- Góc tới trực tiếp $\theta_{DA}$ & Điểm khuất VP                  - Điều khiển pha động (3 pha) trên Simtram
- Vận tốc động học $V$ từ camera đơn tĩnh                          - Tối ưu hóa hàng đợi dòng hỗn hợp
                            [VƯỢT TRÊN CÁC HẠN CHẾ HIỆN HÀNH]
      (Khắc phục độ trễ của CNN/3D Box; Triệt tiêu nhiễu nhiệt của Iwasaki [58];
           Vượt qua giới hạn phụ thuộc làn đường của PennDOT Analogia [96])

Về mặt định vị khoa học, luận án đã xác lập vị thế mới khi giải quyết đồng thời hai nghịch lý: (i) Đạt độ chính xác cao trong điều kiện camera quan sát có tốc độ khung hình thấp (12 FPS) và đường truyền suy giảm chất lượng mà không cần mô hình 3D phức tạp; (ii) Định lượng hóa dòng phương tiện hỗn hợp tại các nút giao cắt đô thị không theo làn bằng phương pháp mật độ chiếm dụng không gian ảnh thực tế thay vì đếm đầu xe đơn thuần.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp vào hệ thống lý thuyết thị giác máy tính và kỹ thuật giao thông qua 3 trụ cột toán học:

  1. Mở rộng Lý thuyết Dòng giao thông vĩ mô (Lighthill-Whitham-Richards & Greenshields Model): Luận án định nghĩa lại tham số mật độ giao thông $k$ thông qua biến số không gian ảnh chiếm dụng $\delta\alpha_n$ và $L$. Trong giao thông hỗn hợp không làn, phương trình trạng thái kinh điển $q = k \cdot v$ được mô hình hóa lại thành hàm của diện tích vùng quan tâm (Region of Interest - ROI) bị che phủ bởi các khối pixel của phương tiện, phản ánh chính xác tương tác chèn lấn giữa ô tô và xe máy.
  2. Lý thuyết Khôi phục Tín hiệu Hình ảnh Biên thích nghi: Phát triển định lý bổ trợ cho giải thuật Bicubic Interpolation (BI) [10]. Bằng việc ràng buộc hàm nội suy bậc ba (Cubic kernel qua 4 điểm cơ sở) với ma trận gradient biên Canny $7 \times 7$ và ma trận con trượt $S_{min}$ kích thước $3 \times 3$, thuật toán tái lập độ tương phản cục bộ, ngăn chặn hiện tượng làm mờ biên (edge blurring) và méo khối (block artifacts - BA).
  3. Mô hình Động học Phối cảnh Đo tốc độ từ Camera Đơn (Monocular Kinematic Projective Model): Xây dựng mối quan hệ hàm số giữa vận tốc phương tiện $V$, góc nghiêng camera $\beta$, khoảng cách từ chân camera đến phương tiện $d$, và tốc độ khung hình (FPS = 12). Hệ phương trình cho phép ánh xạ tọa độ 2D ảnh sang không gian metric 3D thực địa mà không cần hiệu chỉnh camera phức tạp (calibration-free projection).

Các mệnh đề lý thuyết cốt lõi bao gồm:

  • Mệnh đề 1: Tồn tại một ánh xạ góc tới trực tiếp $\theta_{DA}$ đặc trưng cho từng loại hình phương tiện, tạo thành các cụm phân tách tuyến tính rõ rệt giữa xe máy, ô tô con và xe tải/xe buýt trong không gian Fourier/Gradient.
  • Mệnh đề 2: Độ trễ hàng đợi tại nút giao 3 pha là hàm phi tuyến giảm dần theo tỷ lệ diện tích giải phóng điểm ảnh tại các vùng $\Delta\alpha_n$, $L$ và $\beta$.
Khung Phân tích Đa Tầng của Luận án:

Khung phân tích độc đáo

Khung phân tích tích hợp chặt chẽ ba lý thuyết: Lý thuyết Xử lý Tín hiệu Số (tái tạo ma trận ảnh $I(x,y)$), Lý thuyết Hình học Tọa độ Không gian (Vector chuyển vị và ma trận hiệp phương sai $C_x$), và Lý thuyết Điều khiển Tự động (Bộ điều khiển logic mờ FLC và tối ưu hóa chu kỳ đèn giao thông).

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các nút giao đô thị có góc đặt camera cố định với góc trông bao quát vùng đệm trước vạch dừng, điều kiện ánh sáng ban ngày và chuyển tiếp chiều tối, vận tốc phương tiện trong khoảng $0 - 80 \text{ km/h}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng (Positivism) với phương pháp tiếp cận định lượng thực nghiệm kỹ thuật (quantitative experimental engineering). Thiết kế nghiên cứu kết hợp giữa đo đạc dữ liệu thực địa (telemetry video stream) và mô phỏng số học (computational simulation).

                      SƠ ĐỒ THIẾT KẾ PHƯƠNG PHÁP NGHIÊN CỨU
[DỮ LIỆU THỰC ĐỊA CAMERA]                                    [MÔ PHỎNG SỐ SIMTRAM]
- Camera tĩnh 12 FPS                                         - Nút giao cắt 3 pha
- Băng thông ~1 Mbps                                         - 4 chu kỳ giao thông liên tiếp
- Địa điểm: Kim Liên, Phạm Văn Đồng, Điện Biên Phủ           - Ma trận O-D dòng hỗn hợp
                  [QUY TRÌNH XỬ LÝ TOÁN HỌC & THỰC THI]
                  1. Nâng cao chất lượng ảnh (Bicubic + Canny)
                  2. Trích xuất đặc trưng góc tới trực tiếp (DA)
                  3. Ước lượng vận tốc qua điểm khuất (VP)
                  4. Điều khiển thích nghi thời gian đèn tín hiệu

Mẫu nghiên cứu gồm luồng video ghi nhận từ hệ thống camera giao thông thực tế tại Hà Nội, thu thập ở tốc độ 12 khung hình/giây (12 FPS), truyền dẫn qua kênh truyền băng thông giới hạn.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được chuẩn hóa qua 4 giai đoạn logic:

  1. Giai đoạn 1 - Tái tạo và nâng cao chất lượng ảnh: Từ ảnh gốc có độ phân giải thấp $I(x,y)$, tiến hành nội suy Bicubic qua bốn điểm cơ sở. Sau đó, thuật toán áp dụng toán tử phát hiện biên Canny để xác định đường cong kín của đối tượng. Xây dựng ma trận $7 \times 7$ bao quanh các điểm ảnh biên; sử dụng ma trận con $S_{min}$ kích thước $3 \times 3$ trượt dọc theo đường biên để tính toán lại giá trị điểm ảnh nội suy $P$, triệt tiêu sai số làm mờ cạnh.
  2. Giai đoạn 2 - Phân loại đối tượng bằng Góc tới trực tiếp (DA): Trích xuất đường viền bao quanh đối tượng sau khi trừ nền. Tính toán góc tới trực tiếp $\theta_{DA}$ tạo bởi trục chính của hình bao phương tiện so với trục tham chiếu của mặt đường. Thống kê và ánh xạ phân phối góc tới của 80 ô tô, các tập mẫu xe tải, xe buýt và xe máy vào các ngưỡng phân loại định lượng.
  3. Giai đoạn 3 - Đo tốc độ dựa trên Điểm khuất (VP) và Phối cảnh: Mô hình hóa vị trí lắp đặt camera với chiều cao $h$, góc nghiêng quang học $\beta$, khoảng cách $d$ tới phương tiện và khoảng cách $L$ tới đèn tín hiệu. Tốc độ di chuyển $V$ được tính toán qua độ dịch chuyển điểm ảnh giữa các khung hình liên tiếp trên trục thời gian $\Delta t = 1/\text{FPS} = 1/12 \text{ s}$.
  4. Giai đoạn 4 - Điều khiển lưu lượng thích nghi nút giao: Xác định diện tích chiếm dụng $\delta\alpha_n$ của dòng phương tiện tại các nhánh đổ về nút giao 3 pha. Tự động tính toán và phân bổ lại khoảng thời gian đèn xanh, vàng, đỏ theo ma trận mật độ thực tế.

Data và phân tích

Dữ liệu thực nghiệm được xử lý bằng các công cụ toán học ma trận và phần mềm chuyên dụng:

  • Ma trận toán học: Sử dụng ma trận chuyển vị $A^T$, ma trận nghịch đảo $A^{-1}$, ma trận hiệp phương sai tín hiệu $C_x$, và hàm toán học $\Psi_{ti}(x)$ mô tả mật độ di chuyển trong vùng quan sát.
  • Đánh giá chất lượng ảnh: Sử dụng chỉ số Tỉ số tín hiệu cực đại trên nhiễu (Peak Signal to Noise Ratio - PSNR) để so sánh định lượng giữa giải thuật Bicubic chuẩn (BI) và giải thuật đề xuất:

$$\text{PSNR} = 10 \log_{10} \left( \frac{\text{MAX}_I^2}{\text{MSE}} \right)$$

  • Môi trường mô phỏng: Ứng dụng phần mềm Simtram để mô phỏng kịch bản nút giao thông 3 pha trong 35 giây của tổ hợp đèn tín hiệu qua 4 chu kỳ liên tiếp.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Khôi phục biên ảnh vượt trội trong điều kiện băng thông thấp: Thuật toán nội suy kết hợp ma trận biên $7 \times 7$ và cửa sổ trượt $3 \times 3$ đã cải thiện đáng kể chỉ số PSNR so với phương pháp Bicubic thông thường (BI), loại bỏ hoàn toàn các khối nhiễu biên (Block Artifacts) mà không làm phát sinh chi phí tính toán phần cứng lớn.
  2. Xác lập đặc trưng Góc tới trực tiếp (DA) trong phân loại xe hỗn hợp: Dữ liệu thống kê góc tới thực nghiệm từ 80 ô tô và tập mẫu xe máy, xe tải, xe buýt cho thấy góc tới trực tiếp của xe máy có phân bố tập trung ở dải góc hoàn toàn tách biệt so với ô tô con và xe tải/buýt. Điều này chứng minh tính khả thi của việc phân loại phương tiện ngay từ đường bao sơ cấp mà không cần qua các mạng học sâu nặng nề.
  3. Mô hình hóa đo vận tốc không cần cảm biến phụ trợ: Việc kết hợp góc thu camera $\beta$, khoảng cách $d$, và tốc độ lấy mẫu $12 \text{ FPS}$ cho phép đo vận tốc phương tiện với sai số tiệm cận các thiết bị bắn tốc độ chuyên dụng (RADAR/LASER), loại bỏ nhu cầu can thiệp cắt đường lắp vòng từ.
  4. Giảm thiểu độ trễ hàng đợi nút giao qua phân bổ thời gian pha linh hoạt: Kết quả mô phỏng trên Simtram chỉ ra rằng việc điều khiển thời gian đèn tín hiệu thích nghi theo diện tích chiếm dụng $\delta\alpha_n$ giúp giải phóng nút giao nhanh hơn, triệt tiêu tình trạng nghẽn ứ cục bộ tại các luồng rẽ trong giao thông đô thị hỗn hợp.
So sánh Hiệu năng giữa Các Phương pháp Phân loại và Giám sát:

Implications đa chiều

  • Về mặt Lý thuyết: Mở rộng biên giới lý thuyết thị giác máy tính trong bài toán nhận thức không gian giao thông phi cấu trúc; cung cấp mô hình toán học giải thích sự tương quan giữa mật độ pixel và động học dòng xe hỗn hợp.
  • Về mặt Phương pháp luận: Cung cấp quy trình trích xuất đặc trưng hình học nhẹ (lightweight geometric extraction), mở ra hướng tiếp cận xử lý thị giác máy tính hiệu năng cao trên các thiết bị tính toán biên (Edge AI) có tài nguyên giới hạn.
  • Về mặt Thực tiễn & Chính sách: Đề xuất một lộ trình khả thi cho các đô thị tại Việt Nam (như Hà Nội, TP. Hồ Chí Minh) nhằm nâng cấp hệ thống camera giám sát hiện hữu thành hệ thống ITS thông minh điều khiển tín hiệu đèn tự động, tiết kiệm ngân sách quốc gia hàng trăm tỷ đồng so với việc nhập khẩu trọn gói các công nghệ ngoại lai không tương thích.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn kỹ thuật:

  • Điều kiện môi trường khắc nghiệt: Độ chính xác phát hiện biên suy giảm trong điều kiện mưa bão lớn làm mờ ống kính hoặc ban đêm khi ánh đèn pha đối diện gây hiện tượng lóa quang học nghiêm trọng (quang sai và bão hòa điểm ảnh).
  • Hiện tượng che khuất đa tầng (Severe Occlusion): Trong giờ cao điểm cực đoan, mật độ xe máy ken đặc xung quanh thân xe buýt/xe tải tạo ra sự dính liền các khối nhị phân (blob merging), gây khó khăn cho việc tách chiết đường cong bao kín đơn lẻ.
  • Giả định camera cố định: Mô hình đo tốc độ và góc tới phụ thuộc vào tính bất biến của góc nghiêng $\beta$ và độ cao lắp đặt $h$; khi camera bị rung lắc mạnh do gió hoặc va chạm cơ học, hệ thống cần được hiệu chuẩn lại tham số.

Hướng nghiên cứu tương lai:

  1. Tích hợp mạng nơ-ron tích chập nhẹ (Lightweight CNN/YOLO) để hỗ trợ tách biên đối tượng trong điều kiện thời tiết cực đoan.
  2. Mở rộng mô hình điều khiển mạng lưới liên nút giao (Green Wave Coordination) cho toàn tuyến đô thị.
  3. Nghiên cứu cơ chế hợp nhất dữ liệu (Sensor Fusion) giữa camera quang học và camera nhiệt giá rẻ nhằm khắc phục triệt để bài toán chiếu sáng ban đêm.

Tác động và ảnh hưởng

Nghiên cứu mang lại tiềm năng trích dẫn học thuật cao trong các chuyên ngành Kỹ thuật Giao thông, Xử lý Tín hiệu và Thị giác Máy tính ứng dụng tại khu vực Đông Nam Á và các nền kinh tế mới nổi.

Về mặt xã hội và công nghiệp, giải pháp của luận án mở đường cho các doanh nghiệp công nghệ trong nước tự chủ phát triển phần mềm ITS thương mại, nâng cao hiệu quả điều hành của lực lượng Cảnh sát Giao thông, trực tiếp góp phần giảm ùn tắc giao thông, giảm thiểu khí thải nhà kính và tổn thất kinh tế do đình trệ giao thông đô thị.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Giới học thuật: Tiếp cận mô hình toán học khôi phục ảnh biên thích nghi và phương pháp luận đo đạc động học dòng xe hỗn hợp phi cấu trúc.
  • Kỹ sư R&D Công nghệ Giao thông: Nắm bắt thuật toán trích xuất góc tới trực tiếp (DA) và đo tốc độ nhẹ để nhúng trực tiếp vào các camera IP thông minh thế hệ mới.
  • Nhà Quản lý Đô thị & Cơ quan Hoạch định Chính sách: Sở Giao thông Vận tải và Cục Cảnh sát Giao thông có cơ sở khoa học thực chứng để triển khai hệ thống phạt nguội tự động và tối ưu hóa hệ thống đèn tín hiệu giao thông đô thị.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Dòng giao thông vĩ mô (Macroscopic Traffic Flow Theory) và Hình học Phối cảnh Xạ ảnh (Projective Perspective Geometry) vào không gian giao thông hỗn hợp thông qua đại lượng mật độ điểm ảnh chiếm dụng $\delta\alpha_n$ và vector Góc tới trực tiếp $\theta_{DA}$. Nghiên cứu đã chứng minh rằng dòng xe phi cấu trúc có thể được mô hình hóa chính xác thông qua diện tích chiếm dụng không gian 2D thay vì các biến số làn đường truyền thống.

2. Phương pháp phân loại và đo tốc độ có gì đột phá so với các công trình quốc tế?

So với nghiên cứu mô hình tỷ lệ Analogia của PennDOT [96] (đòi hỏi chuẩn hóa theo chiều rộng làn đường cố định) và mô hình trích xuất 3D phức tạp [97], phương pháp Góc tới trực tiếp (DA) và hình học điểm khuất (VP) của luận án phân loại trực tiếp phương tiện từ hình bao 2D với chi phí tính toán $O(N)$, hoạt động ổn định trên luồng video 12 FPS mà không cần dải phân cách hay mô hình huấn luyện đồ sộ.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất trong nghiên cứu?

Sự phân tách góc tới trực tiếp $\theta_{DA}$ giữa xe máy và ô tô tạo ra các ngưỡng phân loại định lượng gần như tách biệt hoàn toàn trên biểu đồ phân bố, cho phép phân loại phương tiện chính xác ngay cả khi hình ảnh bị suy hao độ phân giải do truyền dẫn băng thông thấp $1 \text{ Mbps}$.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án mô tả chi tiết kích thước ma trận $7 \times 7$, cửa sổ trượt $S_{min}$ $3 \times 3$, phương trình toán học nội suy Bicubic qua 4 điểm cơ sở, các tham số lắp đặt camera ($\beta, h, d, L$), tần số khung hình $12 \text{ FPS}$, và kịch bản mô phỏng nút giao 3 pha 35 giây trên nền tảng Simtram.

5. Lộ trình phát triển nghiên cứu 10 năm tới được vạch ra như thế nào?

Lộ trình hướng tới: (i) Tích hợp học sâu tự thích nghi trên phần cứng biên (Edge AI); (ii) Hợp nhất mạng cảm biến không dây V2X và camera giao thông; (iii) Mở rộng quy mô điều khiển tối ưu hóa đa nút giao tự động toàn đô thị (Smart City Traffic Mesh).

Kết luận

Luận án đã đạt được các đóng góp đột phá toàn diện:

  1. Thiết lập thành công giải thuật nâng cao chất lượng ảnh kết hợp nội suy Bicubic và lọc biên Canny trên ma trận $7 \times 7$ và $3 \times 3$, giải quyết triệt để bài toán truyền dẫn băng thông thấp trong ITS.
  2. Khám phá và mô hình hóa thành công đặc trưng Góc tới trực tiếp (DA), thiết lập chuẩn phân loại phương tiện hiệu năng cao cho dòng giao thông hỗn hợp.
  3. Hoàn thiện mô hình động học đo tốc độ phương tiện thời gian thực từ camera đơn tĩnh tốc độ 12 FPS dựa trên hình học phối cảnh và điểm khuất (VP).
  4. Xây dựng thuật toán điều khiển thích nghi thời gian đèn tín hiệu giao thông 3 pha dựa trên mật độ diện tích chiếm dụng $\delta\alpha_n$, tối ưu hóa năng lực thông hành nút giao.
  5. Kiểm chứng tính khả thi và độ chính xác của toàn bộ hệ thống thông qua mô phỏng Simtram và dữ liệu thực tế tại các tuyến đường huyết mạch của Thủ đô Hà Nội.
  6. Đặt nền móng khoa học vững chắc cho việc phát triển các hệ thống Giao thông Thông minh nội địa hóa, giải quyết căn cơ bài toán ùn tắc tại các đô thị đang phát triển.