Tổng quan về luận án

Sự bùng nổ của cuộc Cách mạng Công nghiệp lần thứ tư gắn liền với những bước tiến vượt bậc trong các lĩnh vực cảm biến thông minh, Internet vạn vật (IoT), trí tuệ nhân tạo (AI) và điều khiển học tự động đã thúc đẩy mạnh mẽ quá trình chuyển dịch công nghệ giao thông toàn cầu. Trọng tâm của cuộc cách mạng này là sự ra đời và thương mại hóa các phương tiện tự hành (Autonomous Vehicles - AVs). Trên bình diện quốc tế, các công nghệ lái tự động cấp độ 3 và cấp độ 4 (theo phân loại của Hiệp hội Kỹ sư Ô tô Quốc tế - SAE) đã được thử nghiệm thực tế với quy mô lớn, tiêu biểu như hệ thống xe tự hành cấp độ 4 của Toyota vận hành tại Làng Olympic Tokyo 2020, mạng lưới giao hàng thương mại Nuro tại California (2021), đoàn xe tự hành AutoX – Baidu hoạt động tại Công viên Shougang Bắc Kinh (2022), hay dòng xe thương mại Honda Legend Hybrid EX trang bị công nghệ tự hành cấp độ 3 được chính phủ Nhật Bản cấp phép an toàn. Tuy nhiên, để hiện thực hóa cấp độ 5 – tự hành hoàn toàn không cần sự can thiệp của con người trong mọi điều kiện địa hình và thời tiết – nền khoa học giao thông thông minh đang đối mặt với những rào cản mang tính cốt lõi về độ tin cậy của thuật toán, tính thích ứng thời gian thực và các ràng buộc pháp lý – đạo đức học.

Trong bức tranh toàn cảnh đó, luận án tiến sĩ chuyên ngành Hệ thống Thông tin (mã ngành: 9480104) của nghiên cứu sinh Quách Hải Thọ với đề tài "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành", thực hiện tại Khoa Tin học, Trường Đại học Sư phạm – Đại học Đà Nẵng dưới sự hướng dẫn khoa học của TS. Huỳnh Công Pháp và TS. Phạm Anh Phương, đã xác định và định vị một hướng tiếp cận đa ngành mang tính tiên phong. Như nhận định của TS. Sridhar Lakshmanan (Đại học Michigan – Dearborn, Hoa Kỳ): "Một hệ thống tự hành đúng nghĩa phải đáp ứng được hai yếu tố: phải xử lý khối lượng lớn dữ liệu tương tự như một chiếc máy tính và phải thông minh như não người để thích ứng với môi trường mới lẫn cũ".

+-----------------------------------------------------------------------------------+
|               HỆ THỐNG ĐIỀU KHIỂN XE TỰ HÀNH PHÂN CẤP ĐA TẦNG                      |
+-----------------------------------------------------------------------------------+
                                          |
     +------------------------------------+-----------------------------------+
     |                                    |                                   |
     v                                    v                                   v
+-----------------------+    +-----------------------+    +-----------------------+
|  MÔ-ĐUN LẬP KẾ HOẠCH  |    |  MÔ-ĐUN RA QUYẾT ĐỊNH |    |  MÔ-ĐUN ĐIỀU KHIỂN    |
|   CHUYỂN ĐỘNG (SMC)   |    |    PHÁP LÝ & ĐẠO ĐỨC  |    |   AN TOÀN ĐA NHIỆM    |
+-----------------------+    +-----------------------+    +-----------------------+
| - Lấy mẫu Monte Carlo |    | - Mạng nơ-ron mờ (FNN)|    | - Bám quỹ đạo (MPC)   |
| - Bộ lọc phần tử      |    | - Quy tắc GTĐB VN     |    | - Can thiệp tối thiểu |
| - Xử lý tính bất định |    | - Hành vi lái xe chuẩn|    | - Kế hoạch dự phòng   |
+-----------------------+    +-----------------------+    +-----------------------+

Khoảng trống nghiên cứu (Research Gap) then chốt mà luận án tập trung giải quyết xuất phát từ sự thiếu hụt của các kiến trúc điều khiển tích hợp có khả năng dung hòa ba yếu tố then chốt: (1) Tính toán tối ưu hóa quỹ đạo trong môi trường có tính bất định cao của dữ liệu cảm biến mà vẫn đảm bảo độ trễ thời gian thực cực tiểu; (2) Mô hình hóa toán học các chuẩn mực hành vi đạo đức và quy tắc giao thông đường bộ vào hàm mục tiêu điều khiển; (3) Duy trì tính ổn định động lực học phi tuyến của phương tiện ở dải tốc độ cao và kích hoạt phản ứng né tránh khẩn cấp khi hệ thống phanh quy ước không đủ thời gian đáp ứng.

Để giải quyết triệt để khoảng trống nghiên cứu trên, luận án đã xác lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học cụ thể:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để sinh quỹ đạo chuyển động tối ưu hóa về mặt năng lượng, độ trơn mịn và an toàn từ tập ứng viên quỹ đạo trong không gian trạng thái bất định mà không gây bùng nổ thời gian tính toán?
    • Giả thuyết 1 (H1): Ứng dụng kỹ thuật lấy mẫu dựa trên bộ lọc phần tử (Sequential Monte Carlo - SMC) kết hợp với các cơ chế tái chọn mẫu có thể giảm thời gian xử lý xuống dưới ngưỡng thời gian thực ($< 50\text{ ms}$) trong khi vẫn đảm bảo độ hội tụ tối ưu toàn cục.
  • Câu hỏi nghiên cứu 2 (RQ2): Bằng cơ chế toán học nào để chuyển hóa các quy chuẩn định tính của Luật Giao thông Đường bộ và hành vi đạo đức của người lái xe vào quá trình ra quyết định điều hướng tự động?
    • Giả thuyết 2 (H2): Sự kết hợp giữa mạng nơ-ron truyền ngược và logic mờ (Fuzzy Neural Network - FNN) sẽ tạo ra khả năng suy diễn xấp xỉ hành vi con người với sai số tuyệt đối trung bình (MAE) thấp hơn đáng kể so với mạng nơ-ron truyền thống (BPNN).
  • Câu hỏi nghiên cứu 3 (RQ3): Làm thế nào để kiểm soát bám quỹ đạo chính xác ở tốc độ cao và đảm bảo an toàn tuyệt đối khi đối mặt với chướng ngại vật động bất ngờ?
    • Giả thuyết 3 (H3): Cấu trúc điều khiển dự báo theo mô hình phân cấp (Hierarchical Model Predictive Control - MPC) tích hợp nguyên lý "can thiệp tối thiểu" và quỹ đạo dự phòng dựa trên elip ma sát lốp sẽ triệt tiêu nguy cơ mất lái và va chạm trong các kịch bản khẩn cấp.

Khung lý thuyết tổng quát của luận án được xây dựng dựa trên sự liên kết giữa Lý thuyết Điều khiển Tối ưu Đa biến (Multivariable Optimal Control Theory), Lý thuyết Ước lượng Bayes Đệ quy (Recursive Bayesian Estimation), Lý thuyết Tính toán Mềm (Soft Computing) và Cơ học Động lực học Phương tiện (Vehicle Dynamics). Đóng góp đột phá của công trình được định lượng thông qua việc cải thiện độ chính xác bám quỹ đạo với góc trượt thân xe $|\beta| \le 3.2^\circ$, thời gian tính toán chu kỳ đạt mức mili-giây, giảm sai số quyết định hành vi hơn $74%$ so với mô hình cơ sở và triệt tiêu hoàn toàn va chạm trong $100%$ các kịch bản mô phỏng kiểm thử khẩn cấp. Phạm vi nghiên cứu bao quát các điều kiện vận hành từ đường thẳng, đường cong bán kính nhỏ, chuyển làn vượt xe, di chuyển qua giao lộ đô thị phức tạp cho đến các tình huống dừng khẩn cấp ở dải tốc độ $40 - 100\text{ km/h}$.

Literature Review và Positioning

Tổng quan y văn quốc tế trong lĩnh vực điều khiển xe tự hành ghi nhận ba dòng nghiên cứu chính (Major Research Streams) phát triển song song nhưng còn tồn tại nhiều điểm phân mảnh:

====================================================================================
                        TIẾN TRÌNH PHÁT TRIỂN CỦA Y VĂN QUỐC TẾ
====================================================================================
[1] DÒNG THUẬT TOÁN HÌNH HỌC & ĐỒ THỊ
    Dijkstra (1959) -> A* (Hart et al., 1968) -> RRT/RRT* (LaValle, 1998; Karaman, 2011)
    -> Nội suy đường cong Clothoid/Spline (Brezak & Petrovic, 2014; Choi et al., 2010)
    * Hạn chế: Bùng nổ chiều không gian, không mô hình hóa động lực học tiếp xúc lốp.

[2] DÒNG ĐIỀU KHIỂN TỐI ƯU & DỰ BÁO
    MPC kinh điển (Camacho & Bordons, 2007) -> Nonlinear MPC (Falcone et al., 2007)
    -> Bộ lọc Monte Carlo tuần tự / Particle Filter (Gordon et al., 1993; Arulampalam, 2002)
    * Hạn chế: Khó khăn trong tích hợp tri thức mờ định tính và đạo đức xã hội.

[3] DÒNG HỌC MÁY & RA QUYẾT ĐỊNH THÔNG MINH
    ALVINN (Pomerleau, 1989) -> End-to-End CNN (Bojarski et al., 2016) -> Neuro-Fuzzy (Jang, 1993)
    * Hạn chế: Hộp đen thiếu diễn giải, thiếu bảo đảm toán học về biên an toàn cứng.

[+] VỊ TRÍ ĐỊNH VỊ CỦA LUẬN ÁN (QUÁCH HẢI THỌ, 2022)
    Kiến trúc phân cấp lai: SMC Particle Filter + FNN Sugeno + Hierarchical MPC + Tire Ellipse.
====================================================================================

Dòng nghiên cứu thứ nhất tập trung vào các phương pháp lập kế hoạch chuyển động dựa trên đồ thị và hình học nội suy. Các thuật toán tìm kiếm kinh điển như Dijkstra (1959), $A^$ (Hart et al., 1968) hay Cây tìm kiếm ngẫu nhiên nhanh (RRT/RRT - LaValle, 1998; Karaman & Frazzoli, 2011) đã chứng minh được tính hoàn chỉnh xác suất (probabilistic completeness). Song song đó, các kỹ thuật làm trơn quỹ đạo sử dụng đường cong nội suy như đa thức Spline (Choi et al., 2010), đường cong Bézier, hay đường cong Clothoid (Brezak & Petrovic, 2014) được ứng dụng rộng rãi nhằm tạo ra độ cong liên tục giúp xe đánh lái mượt mà. Tuy nhiên, nhóm phương pháp này bộc lộ nhược điểm lớn khi chuyển sang không gian trạng thái động đa chiều: chúng cô lập bài toán hình học khỏi các phương trình vi phân phi tuyến mô tả động lực học phương tiện, dẫn đến các quỹ đạo tạo ra có thể không khả thi về mặt vật lý khi xe vận hành ở vận tốc cao.

Dòng nghiên cứu thứ hai khai thác lý thuyết điều khiển tối ưu và điều khiển dự báo mô hình (Model Predictive Control - MPC). Các công trình đột phá của Camacho & Bordons (2007), Falcone et al. (2007, 2008) đã tiên phong ứng dụng MPC phi tuyến (NMPC) trong việc kiểm soát đồng thời quỹ đạo và góc đánh lái bánh trước, tích hợp trực tiếp các ràng buộc giới hạn độ bám lốp. Bên cạnh đó, các kỹ thuật lấy mẫu ngẫu nhiên dựa trên phương pháp Monte Carlo tuần tự (Sequential Monte Carlo - SMC) và Bộ lọc phần tử (Particle Filter - Gordon et al., 1993; Arulampalam et al., 2002) được đưa vào để ước lượng trạng thái và sinh quỹ đạo thích ứng dưới các phân phối nhiễu bất kỳ. Dù đạt hiệu quả cao về mặt điều khiển ổn định, nhược điểm chí tử của MPC truyền thống là gánh nặng tính toán trực tuyến (online computational overhead) tăng theo cấp số nhân với độ dài miền dự báo, đồng thời rất khó tích hợp các biến định tính thể hiện luật giao thông phức tạp.

Dòng nghiên cứu thứ ba tập trung vào trí tuệ nhân tạo và học máy trong ra quyết định hành vi. Bắt đầu từ kiến trúc ALVINN (Pomerleau, 1989) đến mô hình học sâu đầu-cuối (End-to-End Deep Learning - Bojarski et al., 2016), mạng nơ-ron nhân tạo đã chứng minh khả năng học các phản xạ lái xe phức tạp từ dữ liệu hình ảnh. Tuy nhiên, việc xem mạng nơ-ron như một "hộp đen" (black-box) dẫn đến sự thiếu hụt nghiêm trọng về tính minh bạch giải thích (explainability) và không thể đảm bảo an toàn tuyệt đối (hard safety guarantees). Nhằm khắc phục điều này, các nghiên cứu về hệ mờ lai nơ-ron (Neuro-Fuzzy / FNN - Jang, 1993; Wang, 1997) được xem là giải pháp dung hòa lý tưởng nhờ khả năng tích hợp tri thức chuyên gia dưới dạng luật mờ nếu-thì kết hợp khả năng tự học tham số.

Trong y văn hiện đại, hai cuộc tranh luận học thuật sâu sắc đang diễn ra:

  1. Tranh luận giữa Điều khiển dựa trên Mô hình vật lý (Model-based Control) và Điều khiển dựa trên Dữ liệu (Data-driven/End-to-End AI): Phái mô hình (Falcone, Borrelli) lập luận rằng an toàn xe tự hành chỉ được bảo đảm thông qua các ràng buộc toán học chặt chẽ của cơ học tiếp xúc lốp và hàm Lyapunov. Ngược lại, phái dữ liệu (Bojarski, Levinson) cho rằng các phương trình vi phân không thể bao quát hết sự hỗn loạn của môi trường đô thị và chỉ có học sâu từ dữ liệu lớn mới có thể phản ánh trọn vẹn hành vi thực tế.
  2. Tranh luận về Tối ưu hóa Toàn cục Rời rạc hóa đối lập Quy hoạch Tuyến tính/Phi tuyến Cục bộ: Việc rời rạc hóa không gian tìm kiếm mang lại tính toàn cục nhưng gây trễ thời gian, trong khi quy hoạch cục bộ trực tuyến mượt mà nhưng dễ rơi vào điểm cực tiểu cục bộ (local minima) khi gặp chướng ngại vật phức tạp.

Luận án của Quách Hải Thọ định vị chính xác tại điểm giao thoa của các cuộc tranh luận này. Công trình không phủ định mô hình vật lý hay dữ liệu, mà đề xuất một cấu trúc lai phân cấp (Hybrid Hierarchical Structure). Luận án phát triển một khung làm việc kết hợp kỹ thuật lấy mẫu bộ lọc phần tử SMC để xử lý tính bất định môi trường ở tầng chiến lược, mạng nơ-ron mờ FNN để giải quyết bài toán luật pháp - đạo đức ở tầng chiến thuật, và bộ điều khiển MPC phân tầng tối ưu bậc hai giải quyết bài toán bám quỹ đạo động lực học ở tầng chấp hành.

So với các công trình quốc tế tiêu biểu:

  • Dự án xe tự hành liên lục địa VIAC của VisLab (Ý) (Broggi et al., 2012) dựa chủ yếu vào cảm biến thị giác và bám đường cong Clothoid với hàm chi phí hình học đơn thuần, thiếu vắng mô hình dự báo động lực học xe khi xảy ra hiện tượng mất ma sát bánh xe đột ngột.
  • Dự án xe đua tự hành của Đại học Stanford kết hợp với Audi (Gerdes et al., 2010; Funke et al., 2012) sử dụng MPC phi tuyến tối ưu hóa ma sát lốp đạt giới hạn vật lý rất tốt trên đường đua nhưng bỏ qua hoàn toàn các ràng buộc về đạo đức xã hội, luật giao thông đô thị và các cơ chế can thiệp tối thiểu bảo vệ hành khách. Luận án đã tạo ra bước tiến vượt bậc khi tích hợp trọn vẹn cả ba khía cạnh: tính bất định dữ liệu, động lực học tiếp xúc phi tuyến và tính tuân thủ pháp lý - đạo đức vào một thể thống nhất.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và phát triển nhiều nền tảng lý thuyết điều khiển học và trí tuệ nhân tạo:

+------------------------------------------------------------------------------------+
|                MẠNG NƠ-RON MỜ (FNN) RA QUYẾT ĐỊNH ĐẠO ĐỨC & PHÁP LÝ               |
+------------------------------------------------------------------------------------+
  [MẠNG TIỀN ĐỀ: Mờ hóa trạng thái]          [MẠNG HỆ QUẢ: Suy diễn Takagi-Sugeno]
  - Tốc độ tương đối (Delta V)        --->   - Luật 1: Nếu khẩn cấp -> Đánh lái dạt biên
  - Khoảng cách an toàn (d_safe)      --->   - Luật 2: Nếu giới hạn tốc độ -> Giảm ga
  - Trọng số đối tượng va chạm        --->   - Luật 3: Nếu người đi bộ -> Ưu tiên tuyệt đối
                                             => Kết quả: Góc lái & Gia tốc tối ưu

  1. Mở rộng Lý thuyết Điều khiển Dự báo Mô hình (MPC): Luận án đã tích hợp thành công mô hình bánh xe phi tuyến Fiala Brush vào không gian trạng thái của bài toán MPC đa biến. Thay vì giả định tuyến tính hóa đơn giản làm mất đi tính chính xác khi bánh xe rơi vào trạng thái bão hòa lực bên (lateral force saturation), luận án xây dựng hàm ánh xạ phi tuyến nghịch đảo giữa lực ngang mong muốn $F_{yf}$ và góc đánh lái thực tế $\delta$: $$\delta = \beta + \frac{a \cdot r}{U_x} - f_{wheel}^{-1}(F_{yf})$$ trong đó $\beta$ là góc trượt ngang, $r$ là vận tốc góc quay thân xe (yaw rate), $a$ là khoảng cách từ trọng tâm đến trục trước, và $U_x$ là vận tốc dọc.

  2. Đóng góp cho Lý thuyết Hệ mờ Lai Nơ-ron (FNN Theory): Luận án phát triển một cấu trúc mạng FNN chuyên biệt gồm hai phân hệ: Mạng tiền đề (Premise Network) thực hiện việc mờ hóa các biến trạng thái không gian giao thông, và Mạng hệ quả (Consequent Network) triển khai các luật suy diễn mờ Takagi-Sugeno được hiệu chỉnh tham số thông qua thuật toán lan truyền ngược. Mô hình này khắc phục hoàn toàn nhược điểm "hộp đen" của BPNN truyền thống, cho phép kiểm chứng toán học các ràng buộc pháp lý và chuẩn mực đạo đức.

Hệ thống đề xuất lý thuyết (Theoretical Propositions) được xác lập:

  • Mệnh đề 1 (P1): Trong không gian trạng thái bất định, việc xấp xỉ phân phối hậu nghiệm bằng quần thể hạt có trọng số kết hợp tái chọn mẫu ngẫu nhiên sẽ hội tụ về quỹ đạo tối ưu với xác suất bằng 1 khi số lượng phần tử $N \to \infty$.
  • Mệnh đề 2 (P2): Một hệ thống ra quyết định lai FNN kết hợp suy luận quy tắc mờ sẽ triệt tiêu hiện tượng nhảy bậc đầu ra điều khiển (control chattering), đảm bảo tính khả vi liên tục bậc hai của quỹ đạo chuyển động.
  • Mệnh đề 3 (P3): Áp dụng nguyên lý can thiệp tối thiểu vào hàm chi phí MPC sẽ bảo toàn quyền kiểm soát tự nhiên của hệ thống, giảm tải xung lực cơ học lên cơ cấu chấp hành lái điện.
  • Mệnh đề 4 (P4): Quỹ đạo dự phòng xây dựng trên không gian giới hạn của elip ma sát tiếp xúc lốp đảm bảo sự tồn tại của nghiệm điều khiển né tránh an toàn trong mọi điều kiện vận tốc cận hạn.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 lý thuyết nền tảng: Lý thuyết Ước lượng Bayes Đệ quy (Sequential Monte Carlo), Lý thuyết Động lực học Tiếp xúc Bánh xe (Fiala Brush Model) và Lý thuyết Tối ưu hóa Ràng buộc Tuyến tính/Phi tuyến (Constrained Quadratic Optimization).

+-----------------------------------------------------------------------------------+
|               KHUNG TÍCH HỢP TOÁN HỌC & ĐỘNG LỰC HỌC PHƯƠNG TIỆN                  |
+-----------------------------------------------------------------------------------+
  (1) Trạng thái động học:   \dot{\beta} = \frac{F_{yf} + F_{yr}}{m U_x} - r
  (2) Cân bằng quay thân xe: \dot{r} = \frac{a F_{yf} - b F_{yr}}{I_{zz}}
  (3) Sai lệch bám quỹ đạo:   \Delta \dot{\psi} = r - U_x \cdot \kappa(s)
  (4) Ràng buộc ma sát elip: (\frac{F_x}{\mu F_z})^2 + (\frac{F_y}{\mu F_z})^2 \le 1
+-----------------------------------------------------------------------------------+

Khung tiếp cận giải quyết bài toán theo chu trình khép kín:

  • Định nghĩa Khái niệm 1 - Không gian Ứng viên Quỹ đạo Lấy mẫu (Sampled Trajectory Candidate Space): Tập hợp hữu hạn các đường cong trạng thái khả thi được sinh ra từ việc phân phối ngẫu nhiên các tham số gia tốc và góc cua dựa trên hàm mật độ xác suất (PDF).
  • Định nghĩa Khái niệm 2 - Ràng buộc Đạo đức và Pháp lý (Ethical-Legal Constraint Set): Tập các hàm phạt (penalty functions) tích hợp trong hàm mục tiêu tối ưu, quy định ranh giới làn đường, giới hạn vận tốc cục bộ và trọng số ưu tiên bảo vệ tính mạng con người trong các tình huống va chạm bất khả kháng.
  • Định nghĩa Khái niệm 3 - Quỹ đạo Dự phòng Thích ứng (Adaptive Backup Trajectory): Đường đi thoát hiểm khẩn cấp được tính toán song song liên tục ở chế độ nền (background task), sẵn sàng kích hoạt ngay lập tức khi phát hiện khoảng cách an toàn bị vi phạm vượt quá ngưỡng dung sai của hệ thống phanh.

Điều kiện biên (Boundary Conditions): Khung phân tích được xác lập với các giới hạn vật lý: Vận tốc di chuyển $0 < U_x \le 120\text{ km/h}$; góc trượt ngang của xe $|\beta| \le 10^\circ$; gia tốc ngang cực đại $a_y \le \mu g$ (với $\mu$ là hệ số ma sát mặt đường $\mu \in [0.2, 0.9]$); bán kính cong của quỹ đạo đường dẫn $\kappa(s) \le \kappa_{max}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý khoa học Thực chứng (Positivism) kết hợp chặt chẽ với phương pháp luận Khoa học Thiết kế (Design Science Research - DSR) và Điều khiển học Định lượng. Nghiên cứu sử dụng phương pháp hỗn hợp (Mixed-methods) kết hợp giữa chứng minh mô hình toán học giải tích, thiết kế thuật toán tính toán mềm và mô phỏng thực nghiệm số trên các kịch bản chuẩn hóa của kỹ thuật ô tô.

Thiết kế nghiên cứu được cấu trúc thành hệ thống đa cấp độ (Multi-level Design):

  • Cấp độ 1 (Tầng Chiến lược Toàn cục): Mô-đun lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu Monte Carlo và bộ lọc phần tử SMC.
  • Cấp độ 2 (Tầng Chiến thuật Ra quyết định): Mô-đun hỗ trợ ra quyết định điều khiển ứng dụng FNN, xử lý bài toán pháp lý (luật giao thông) và bài toán đạo đức lái xe.
  • Cấp độ 3 (Tầng Điều khiển Bám chuyển động & Can thiệp an toàn): Hệ thống MPC kép với miền dự báo dài ($N_p$) cho quỹ đạo và miền dự báo ngắn ($N_c$) cho bám hướng, tích hợp nguyên lý can thiệp tối thiểu.
  • Cấp độ 4 (Tầng Điều khiển Dự phòng Khẩn cấp): Mô-đun tính toán quỹ đạo khẩn cấp dựa trên elip ma sát bánh xe và trường thế năng thích ứng.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được triển khai theo các giao thức thực nghiệm nghiêm ngặt:

[BƯỚC 1: THU NHẬN & XỬ LÝ DỮ LIỆU CẢM BIẾN]
  - Tọa độ toàn cục (X, Y), Vận tốc dọc (Ux), Góc xoay thân xe (psi), Độ cong đường (kappa)
                            |
                            v
[BƯỚC 2: SINH ỨNG VIÊN QUỸ ĐẠO BẰNG BỘ LỌC PHẦN TƯ SMC]
  - Khởi tạo N hạt -> Cập nhật thời gian -> Cập nhật đo lường -> Tái chọn mẫu
                            |
                            v
[BƯỚC 3: SUY DIỄN QUYẾT ĐỊNH HÀNH VI BẰNG MẠNG FNN]
  - Mờ hóa dữ liệu vào -> Tính trọng số luật -> Giải mờ Takagi-Sugeno -> Đưa ra chỉ số lái
                            |
                            v
[BƯỚC 4: TỐI ƯU HÓA BÁM QUỸ ĐẠO MPC & CAN THIỆP TỐI THIỂU]
  - Giải bài toán Quy hoạch Toàn phương (QP) trực tuyến -> Ánh xạ lực ngang sang góc lái
                            |
                            v
[BƯỚC 5: TÍNH TOÁN SONG SONG QUỸ ĐẠO DỰ PHÒNG KHẨN CẤP]
  - Kiểm tra điều kiện va chạm -> Kích hoạt đánh lái né tránh thích ứng nếu vi phạm d_safe
  • Giao thức lấy mẫu và Ước lượng trạng thái (Sampling & State Estimation): Khởi tạo quần thể gồm $\mathcal{N} = 500 - 2000$ phần tử trạng thái $\left[x_0^i\right]{i=1}^\mathcal{N}$ phân bố ngẫu nhiên. Trọng số phần tử $q_i$ được cập nhật thông qua hàm hợp lý $p(y_k | x_k^{i-})$ và được chuẩn hóa liên tục: $$q_i = \frac{q_i}{\sum{j=1}^\mathcal{N} q_j}$$ Cơ chế tái chọn mẫu ngẫu nhiên (Resampling) được kích hoạt nhằm triệt tiêu hiện tượng thoái hóa trọng số (sample degeneracy).
  • Tam giác hóa phương pháp (Triangulation): Kết hợp kiểm chứng chéo giữa mô hình giải tích lý thuyết, mô phỏng số trên môi trường MATLAB/Simulink và kiểm thử trên các kịch bản động lực học tiêu chuẩn của phần mềm chuyên ngành CarSim.
  • Độ tin cậy và Tính hợp lệ: Độ hợp lệ cấu trúc (Construct Validity) được đảm bảo thông qua việc đối chiếu với phương trình chuyển động vi phân 2 bậc tự do (Bicycle Model) kết hợp phương trình vi phân xoay thân xe: $$\dot{\beta} = \frac{F_{yf} \cos\delta + F_{yr}}{m U_x} - r$$ $$\dot{r} = \frac{a F_{yf} \cos\delta - b F_{yr}}{I_{zz}}$$ với $m$ là tổng khối lượng xe, $I_{zz}$ là mô-men quán tính trục đứng, $a, b$ lần lượt là khoảng cách từ trọng tâm xe đến cầu trước và cầu sau. Độ tin cậy của mô hình FNN được kiểm định qua chỉ số sai số tuyệt đối trung bình (MAE) và độ lệch chuẩn qua 10.000 mẫu huấn luyện thực nghiệm.

Data và phân tích

Toàn bộ hệ số tham số thực nghiệm được chuẩn hóa chính xác dựa trên cấu hình xe du lịch tiêu chuẩn:

Tham số Động lực học & Hệ thống Ký hiệu Giá trị thực nghiệm Đơn vị đo
Tổng khối lượng phương tiện $m$ $1430$ $\text{kg}$
Mô-men quán tính trục đứng $I_{zz}$ $2053$ $\text{kg}\cdot\text{m}^2$
Khoảng cách trọng tâm đến trục trước $a$ ($l_f$) $1.016$ $\text{m}$
Khoảng cách trọng tâm đến trục sau $b$ ($l_r$) $1.462$ $\text{m}$
Chiều dài cơ sở toàn phần $L$ $2.478$ $\text{m}$
Độ cứng chống xoay cua lốp trước $C_{\alpha f}$ $57.300$ $\text{N/rad}$
Độ cứng chống xoay cua lốp sau $C_{\alpha r}$ $57.300$ $\text{N/rad}$
Chiều rộng làn đường tiêu chuẩn $l_w$ $3.75$ $\text{m}$
Miền dự báo trạng thái (Prediction Horizon) $N_p$ $20 - 50$ Bước mẫu
Miền kiểm soát điều khiển (Control Horizon) $N_c$ $5 - 10$ Bước mẫu
Chu kỳ trích mẫu điều khiển thời gian thực $T_s$ $0.02 - 0.05$ $\text{giây}$ ($20-50\text{ ms}$)

Dữ liệu mô phỏng được xử lý thông qua các thuật toán tối ưu hóa Quy hoạch Toàn phương (Quadratic Programming - QP), giải thuật di truyền (Genetic Algorithm - GA) để hiệu chỉnh ma trận trọng số $Q, R$ trong hàm mục tiêu MPC: $$\min_u J_{N_c, N_p} = \sum_{i=1}^{N_p} |x(k+i) - x_r(k+i)|Q^2 + \sum{j=0}^{N_c-1} |\Delta u(k+j)|_R^2$$

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả nghiên cứu thực nghiệm và mô phỏng số trong luận án đã mang lại 5 phát hiện mang tính đột phá khoa học:

+------------------------------------------------------------------------------------+
|                BIỂU ĐỒ HIỆU NĂNG SO SÁNH GIỮA CÁC GIẢI PHÁP                        |
+------------------------------------------------------------------------------------+
  1. Sai số tuyệt đối trung bình (MAE) trong ra quyết định:
     - Mạng truyền ngược kinh điển (BPNN): [======== 0.0842 ========]
     - Mạng nơ-ron mờ đề xuất (FNN):       [== 0.0215 ==]  --> Giảm 74.5% (p < 0.001)

  2. Thời gian tính toán sinh quỹ đạo ứng viên (Execution Time):
     - Thuật toán RRT/RRT* truyền thống:   [====== 85 - 120 ms ======]
     - Kỹ thuật lấy mẫu SMC đề xuất:       [== 12 - 18 ms ==]        --> Đạt chuẩn Real-time

  3. Tỷ lệ vượt chướng ngại vật khẩn cấp thành công:
     - Phanh khẩn cấp đơn thuần:           [===== 62.5% =====] (Xảy ra va chạm khi v > 60km/h)
     - Quỹ đạo dự phòng né tránh (MPC-Elip):[================ 100% ================]
+------------------------------------------------------------------------------------+
  1. Bộ lọc phần tử SMC tối ưu hóa triệt để thời gian sinh quỹ đạo: Kỹ thuật lấy mẫu dựa trên bộ lọc phần tử chỉ cần $N = 100 - 200$ hạt mẫu thích ứng để bao phủ toàn bộ không gian ứng viên khả thi, rút ngắn thời gian xử lý chu kỳ xuống còn $12 - 18\text{ ms}$ (giảm hơn $80%$ so với mức $85 - 120\text{ ms}$ của RRT* trong cùng điều kiện), với tỷ lệ thất bại sinh đường đi bằng $0%$ trên các kịch bản thử nghiệm chuẩn.
  2. Mạng nơ-ron mờ FNN vượt trội hoàn toàn so với BPNN truyền thống: Trong bài toán ra quyết định điều hướng tích hợp luật giao thông và đạo đức, mô hình FNN đạt sai số tuyệt đối trung bình $\text{MAE} = 0.0215$, trong khi mạng truyền ngược BPNN có sai số $\text{MAE} = 0.0842$ (mô hình đề xuất cải thiện độ chính xác hơn $74.5%$, với ý nghĩa thống kê $p < 0.001$). FNN hoàn toàn loại bỏ hiện tượng dao động biên độ lớn (overshoot chattering) khi xe chuyển tiếp giữa các trạng thái quyết định rẽ hoặc giảm tốc.
  3. Mô hình MPC bám quỹ đạo duy trì ổn định động học ở dải tốc độ cao: Khi xe vận hành ở dải tốc độ $80 - 100\text{ km/h}$ trên cung đường uốn cong có độ cong biến thiên liên tục, bộ điều khiển MPC tích hợp động học lốp Fiala Brush giữ cho góc trượt thân xe luôn nằm trong ngưỡng an toàn $|\beta| \le 3.2^\circ$, độ lệch ngang tối đa so với tâm đường $e_{max} < 0.12\text{ m}$, triệt tiêu hoàn toàn nguy cơ trượt văng đuôi xe (spin-out).
  4. Nguyên lý Can thiệp Tối thiểu nâng cao độ êm dịu chuyển động: Hệ thống hỗ trợ điều khiển với cơ chế can thiệp tối thiểu giảm tần suất kích hoạt cơ cấu lái tự trị $34%$, chỉ can thiệp khi xác suất va chạm vượt ngưỡng an toàn, mang lại trải nghiệm êm ái cho hành khách và giảm hao mòn cơ khí.
  5. Mô-đun Quỹ đạo Dự phòng giải quyết triệt để tình huống khẩn cấp vận tốc lớn: Trong các kịch bản chướng ngại vật xuất hiện đột ngột ở cự ly $< 20\text{ m}$ khi xe đang chạy ở vận tốc $70\text{ km/h}$ (thời gian phản ứng $< 1.0\text{ s}$, khiến việc phanh thuần túy chắc chắn dẫn đến va chạm), mô-đun dự phòng đã kích hoạt thành công quỹ đạo đánh lái né tránh khẩn cấp dựa trên phân phối lực bám elip lốp, đảm bảo an toàn tuyệt đối ($100%$ không xảy ra va chạm).

Implications đa chiều

  • Về mặt Lý luận (Theoretical Advances): Đặt nền móng cho việc tích hợp đồng thời giữa lý thuyết điều khiển tối ưu tất định và lý thuyết học máy mờ xác suất; cung cấp mô hình toán học giải bài toán "tình thế tiến thoái lưỡng nan" (trolley problem) trong điều khiển tự hành.
  • Về mặt Phương pháp luận (Methodological Innovations): Cung cấp quy trình thiết kế điều khiển phân cấp mô-đun hóa có thể tái sử dụng cho các hệ thống robot tự hành khác như tàu thủy không người lái (USVs) hay thiết bị bay không người lái (UAVs).
  • Về mặt Ứng dụng Thực tiễn (Practical Applications): Các thuật toán có thể được nhúng trực tiếp vào các bộ điều khiển điện tử (ECU) hiện đại, hỗ trợ nâng cấp các gói ADAS cấp độ 2+ lên cấp độ 3 và 4 thương mại.
  • Về mặt Chính sách và Quy chuẩn (Policy Recommendations): Cung cấp luận cứ khoa học để các cơ quan quản lý giao thông xây dựng bộ tiêu chuẩn kỹ thuật kiểm định an toàn cho xe tự hành khi tham gia giao thông hỗn hợp tại Việt Nam.
  • Điều kiện khái quát hóa (Generalizability): Các thuật toán phát triển trong luận án có khả năng tổng quát hóa cao trên mọi cấu hình xe dẫn động cầu trước hoặc bốn bánh, với điều kiện hệ số ma sát mặt đường $\mu \ge 0.2$.

Limitations và Future Research

Mặc dù đạt được những kết quả xuất sắc, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu khoa học:

  1. Giới hạn về Môi trường Thực nghiệm: Phần lớn các kiểm chứng được thực hiện trên môi trường mô phỏng số độ trung thực cao (high-fidelity simulation) và phần cứng mô phỏng trong vòng lặp (Hardware-in-the-Loop - HIL); chưa có điều kiện thử nghiệm diện rộng trên xe nguyên mẫu thực tế ngoài đường giao thông công cộng phức tạp do rào cản về giấy phép và hạ tầng thử nghiệm tại Việt Nam thời điểm 2021-2022.
  2. Giới hạn về Điều kiện Khí tượng Cực đoan: Dữ liệu cảm biến đầu vào được giả định trong điều kiện thời tiết bình thường đến mưa nhẹ; chưa mô hình hóa sâu sự suy giảm tín hiệu quang học Lidar/Camera trong điều kiện bão tuyết dày, sương mù đậm đặc hoặc lóa sáng cảm biến nghiêm trọng.
  3. Giới hạn về Độ trễ Mạng Truyền thông V2X: Mô hình giả định độ trễ truyền thông phương tiện-vạn vật (V2X) là cố định và nhỏ; chưa tính toán đến hiện tượng mất gói tin ngẫu nhiên (packet loss) hoặc tấn công an ninh mạng trong môi trường kết nối diện rộng.
+-----------------------------------------------------------------------------------+
|               LỘ TRÌNH NGHIÊN CỨU MỞ RỘNG TRONG GIAI ĐOẠN 5-10 NĂM                |
+-----------------------------------------------------------------------------------+
  [HƯỚNG 1] Triển khai thử nghiệm thực tế trên xe nguyên mẫu (Full-scale Vehicle Testing)
  [HƯỚNG 2] Tích hợp AI tạo sinh (Generative AI) & Học tăng cường sâu (Deep RL)
  [HƯỚNG 3] Phát triển MPC kháng nhiễu bền vững (Robust Tube MPC) thích ứng thời tiết xấu
  [HƯỚNG 4] Mở rộng bài toán điều khiển phối hợp đoàn xe (Cooperative Platoon V2X)
  [HƯỚNG 5] Tích hợp bộ tiêu chuẩn đạo đức quốc tế mở rộng (IEEE 7000 Series / ISO 21448)
+-----------------------------------------------------------------------------------+

Chương trình nghiên cứu tiếp theo (Future Research Agenda) bao gồm:

  • Hướng 1: Triển khai cài đặt hệ thống mô-đun lên nền tảng phần cứng tính toán biên chuyên dụng (NVIDIA DRIVE AGX / ROS2) trên xe ô tô thử nghiệm thực tế.
  • Hướng 2: Tích hợp các mô hình Học tăng cường sâu (Deep Reinforcement Learning) với cơ chế phòng hộ an toàn (Safe RL) để tự động thích ứng với thói quen lái xe của từng vùng văn hóa giao thông.
  • Hướng 3: Phát triển bộ điều khiển MPC kháng nhiễu thích nghi (Adaptive Robust Tube-based MPC) để bù trừ trực tiếp các biến động bất thường của hệ số ma sát $\mu$ theo thời gian thực.
  • Hướng 4: Mở rộng nghiên cứu sang bài toán điều khiển hợp tác đa phương tiện (Cooperative Multi-Vehicle Control / Platooning) dựa trên mạng 5G/6G V2X.
  • Hướng 5: Hoàn thiện khung chuẩn hóa pháp lý và đạo đức toán học phù hợp với bộ tiêu chuẩn an toàn tính năng quốc tế ISO 21448 (SOTIF).

Tác động và ảnh hưởng

  • Tác động Học thuật (Academic Impact): Công trình đóng góp hệ thống bài báo chất lượng cao gồm 11 công trình khoa học công bố trên các tạp chí và kỷ yếu hội nghị chuyên ngành uy tín; mở ra hướng nghiên cứu mới về điều khiển tối ưu kết hợp ràng buộc pháp lý - đạo đức trong cộng đồng Trí tuệ Nhân tạo và Tự động hóa tại Việt Nam và khu vực. Ước tính công trình sẽ thu hút sự trích dẫn mạnh mẽ trong các nghiên cứu về hệ thống xe tự hành an toàn.
  • Chuyển đổi Công nghiệp (Industry Transformation): Cung cấp giải pháp công nghệ trực tiếp cho các tập đoàn công nghệ và ô tô trong nước (như các dự án xe tự hành của FPT Software, VinFast) nhằm rút ngắn chu kỳ R&D phần mềm lõi tự hành, giảm phụ thuộc vào các giải pháp hộp đen độc quyền từ nước ngoài.
  • Ảnh hưởng Chính sách (Policy Influence): Hỗ trợ kỹ thuật cho Bộ Giao thông Vận tải và Bộ Khoa học & Công nghệ trong việc xây dựng lộ trình quy chuẩn kỹ thuật quốc gia cho phương tiện giao thông thông minh và đô thị thông minh (Smart Cities).
  • Lợi ích Xã hội (Societal Benefits): Góp phần trực tiếp vào mục tiêu giảm thiểu tai nạn giao thông do lỗi chủ quan của con người (chiếm hơn $90%$ nguyên nhân tai nạn giao thông đường bộ), tối ưu hóa luồng giao thông đô thị và giảm phát thải khí nhà kính nhờ vận hành tối ưu năng lượng.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                           ĐỐI TƯỢNG HƯỞNG LỢI TRỰC TIẾP                           |
+-----------------------------------------------------------------------------------+
  [1] NCS & HỌC GIẢ:         Khung toán học tích hợp SMC + FNN + MPC phân cấp;
                             Bộ phương trình động lực học phi tuyến Fiala Brush.
  [2] KỸ SƯ R&D CÔNG NGHIỆP: Thuật toán lập kế hoạch thời gian thực (< 20 ms);
                             Giải pháp điều khiển dự phòng khẩn cấp dựa trên elip lốp.
  [3] DOANH NGHIỆP Ô TÔ:     Kiến trúc phần mềm mô-đun hóa dễ triển khai nhúng;
                             Tối ưu hóa chi phí phần cứng xử lý trung tâm.
  [4] NHÀ HOẠCH ĐỊNH:        Cơ sở dữ liệu khoa học về chuẩn hóa hành vi đạo đức & pháp lý;
                             Luận cứ xây dựng chính sách cấp phép kiểm định xe tự hành.
+-----------------------------------------------------------------------------------+
  • Nghiên cứu sinh và Giới học thuật: Tiếp cận một khung lý thuyết mẫu mực kết hợp liên ngành giữa Hệ thống thông tin, Cơ học tự động hóa và Trí tuệ nhân tạo; thừa hưởng hệ thống công thức giải tích và mô hình mô phỏng hoàn chỉnh.
  • Kỹ sư R&D Ô tô Tự hành: Ứng dụng ngay các thuật toán sinh quỹ đạo lấy mẫu và bộ điều khiển MPC phân tầng vào các dòng sản phẩm thương mại để nâng cao độ chính xác bám đường và tính an toàn phản ứng.
  • Cơ quan Quản lý Nhà nước: Có được tài liệu tham chiếu chuyên môn sâu để thẩm định tính an toàn thuật toán của các phương tiện tự hành nhập khẩu hoặc sản xuất trong nước.

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 lý thuyết độc đáo nhất là việc tích hợp thành công mô hình động lực học lốp phi tuyến Fiala Brush và các ràng buộc pháp lý - đạo đức vào không gian trạng thái của bộ điều khiển tối ưu MPC phân cấp đa biến. Luận án đã mở rộng Lý thuyết Điều khiển Dự báo Mô hình (MPC Theory) của Camacho & Bordons bằng cách thiết lập hàm ánh xạ phi tuyến nghịch đảo giữa lực ngang điều khiển $F_{yf}$ và góc đánh lái $\delta$, đồng thời mở rộng Lý thuyết Hệ mờ Lai Nơ-ron (Neuro-Fuzzy Theory) của Takagi-Sugeno thông qua kiến trúc FNN mạng kép, cho phép toán học hóa các quy tắc định tính của Luật Giao thông Đường bộ thành các ràng buộc tối ưu thời gian thực.

2. Sự đổi mới về phương pháp luận nghiên cứu khi so sánh với ít nhất 2 công trình quốc tế tiêu biểu?

So với nghiên cứu của Broggi et al. (Dự án VisLab VIAC, Ý) vốn chỉ sử dụng đường cong Clothoid nội suy thuần túy hình học và camera thị giác, phương pháp của luận án vượt trội nhờ việc kết hợp ước lượng trạng thái ngẫu nhiên SMC Particle Filter với động lực học tiếp xúc xe, giải quyết được bài toán trượt bánh khi gặp ma sát thấp. So với công trình của Gerdes et al. (Đại học Stanford & Audi TTS) chỉ tập trung vào tối ưu hóa giới hạn ma sát trên đường đua chuyên biệt, luận án đã đổi mới phương pháp luận khi phát triển cấu trúc MPC phân tầng với cơ chế "can thiệp tối thiểu" và tích hợp bộ ràng buộc đạo đức xã hội đa biến trong môi trường đô thị hỗn hợp.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và có bằng chứng định lượng ra sao?

Phát hiện bất ngờ nhất là trong các kịch bản khẩn cấp ở vận tốc cao ($70 - 100\text{ km/h}$) với khoảng cách chướng ngại vật cực ngắn ($< 20\text{ m}$), phản ứng phanh khẩn cấp truyền thống luôn dẫn đến va chạm nghiêm trọng do giới hạn quãng đường phanh vật lý, nhưng việc chuyển đổi tức thời sang quỹ đạo né tránh dự phòng dựa trên phân phối lực bám elip ma sát bánh xe đã giúp xe tự hành vượt qua chướng ngại vật an toàn tuyệt đối với tỷ lệ thành công đạt $100%$, trong khi góc trượt thân xe vẫn được kiểm soát chặt chẽ dưới $3.2^\circ$.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không?

Luận án cung cấp đầy đủ và chi tiết toàn bộ các tham số vật lý của phương tiện ($m = 1430\text{ kg}, I_{zz} = 2053\text{ kg}\cdot\text{m}^2, C_{\alpha f} = C_{\alpha r} = 57.300\text{ N/rad}, L = 2.478\text{m}$), các hệ phương trình vi phân trạng thái động học, cấu trúc các lớp mạng FNN, hệ thống ma trận trọng số tối ưu $Q, R$ trong hàm mục tiêu MPC, cùng các kịch bản mô phỏng giao thông chuẩn hóa, cho phép các nhà nghiên cứu độc lập tái lập $100%$ kết quả thực nghiệm trên nền tảng MATLAB/Simulink và CarSim.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm định hình sự phát triển của hệ thống theo 3 giai đoạn:

  • Giai đoạn 1 (1-3 năm): Chuyển đổi mã nguồn thuật toán sang C++/ROS2 và thử nghiệm trên phần cứng nhúng biên (NVIDIA DRIVE Orin) trên xe thử nghiệm thực tế.
  • Giai đoạn 2 (4-6 năm): Tích hợp công nghệ kết nối V2X diện rộng (C-V2X) và điều khiển phối hợp đoàn xe tự hành thông minh trên đường cao tốc.
  • Giai đoạn 3 (7-10 năm): Hoàn thiện hệ thống trí tuệ nhân tạo tự hành hoàn chỉnh cấp độ 5 (SAE Level 5) có khả năng tự học thích nghi với biến đổi khí hậu khắc nghiệt và đạt chứng chỉ an toàn quốc tế ISO 26262 / ISO 21448.

Kết luận

Luận án tiến sĩ của Quách Hải Thọ đã giải quyết xuất sắc bài toán hỗ trợ điều khiển xe tự hành thông qua 6 đóng góp khoa học cốt lõi:

  1. Thiết lập mô-đun lập kế hoạch chuyển động lấy mẫu SMC: Ứng dụng thành công bộ lọc phần tử tuần tự kết hợp tái chọn mẫu ngẫu nhiên, giảm thời gian sinh quỹ đạo xuống $12 - 18\text{ ms}$, xử lý triệt để tính bất định của dữ liệu môi trường.
  2. Xây dựng mô-đun ra quyết định đạo đức và pháp lý FNN: Mô hình hóa toán học các quy định của Luật Giao thông Đường bộ và hành vi người lái xe chuẩn mực bằng mạng nơ-ron mờ, giảm sai số quyết định hơn $74.5%$ so với mô hình BPNN.
  3. Phát triển mô-đun điều khiển bám chuyển động MPC phân cấp: Tích hợp mô hình động lực học lốp phi tuyến Fiala Brush, kiểm soát chính xác góc trượt thân xe $|\beta| \le 3.2^\circ$ ở dải vận tốc cao $80 - 100\text{ km/h}$.
  4. Hiện thực hóa nguyên lý can thiệp tối thiểu: Giảm $34%$ tần suất can thiệp lái không cần thiết, tối ưu hóa sự êm dịu chuyển động và tăng tuổi thọ hệ thống chấp hành cơ điện tử.
  5. Sáng tạo mô-đun lập kế hoạch quỹ đạo dự phòng thích ứng: Khai thác giới hạn elip ma sát bánh xe để thực hiện né tránh va chạm khẩn cấp thành công $100%$ trong các tình huống hệ thống phanh bất khả thi.
  6. Xây dựng khung kiến trúc phân tầng tích hợp hoàn chỉnh: Kết nối liền mạch từ tầng tiếp nhận cảm biến, ra quyết định chiến thuật đến chấp hành điều khiển tối ưu thời gian thực.

Công trình đánh dấu bước chuyển dịch mô hình quan trọng từ các hệ thống điều khiển phản ứng thụ động sang hệ thống điều khiển dự báo chủ động có nhận thức sâu sắc về ranh giới vật lý, quy chuẩn pháp lý và đạo đức xã hội. Luận án mở ra 3 dòng nghiên cứu khoa học mới: (1) Điều khiển học tự hành an toàn có nhận thức đạo đức; (2) Phương pháp tối ưu hóa phân cấp thời gian thực cho hệ thống phi tuyến đa biến; (3) Tích hợp học máy mờ giải thích được (Explainable Neuro-Fuzzy) trong cơ điện tử thông minh. Di sản khoa học và ứng dụng của luận án là tiền đề vững chắc thúc đẩy nền công nghiệp ô tô tự hành và giao thông thông minh tiến lên những nấc thang tự chủ hoàn toàn trong tương lai.