Giới thiệu dự án

Ngành vận tải đường bộ giữ vai trò huyết mạch trong chuỗi cung ứng logistics toàn cầu, đóng góp hơn 70% tổng khối lượng luân chuyển hàng hóa nội địa. Tuy nhiên, theo báo cáo của Ủy ban An toàn Giao thông Quốc gia, hơn 30% số vụ tai nạn giao thông nghiêm trọng bắt nguồn từ tình trạng tài xế ngủ gật, và khoảng 40% số vụ tai nạn liên quan đến việc sử dụng rượu bia khi điều khiển phương tiện. Tổ chức Nghiên cứu Giấc ngủ Hoa Kỳ (NSF) chỉ ra rằng việc duy trì trạng thái tỉnh táo liên tục trong 18 giờ gây suy giảm phản xạ tương đương với nồng độ cồn 0,05% trong máu.

Thực trạng này đặt ra bài toán cấp bách về một cơ chế can thiệp chủ động ngay trong buồng lái. Đa số các giải pháp hành trình hiện nay trên thị trường chỉ dừng lại ở mức giám sát định vị thụ động (black box) mà thiếu khả năng phân tích hành vi sinh trắc học thời gian thực và tự động khóa khởi động phương tiện khi phát hiện nồng độ cồn.

Dự án "Thiết kế, thi công hệ thống cảnh báo an toàn và giám sát thời gian thực cho lái xe" được nghiên cứu và phát triển bởi sinh viên Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng dưới sự hướng dẫn của TS. Nguyễn Linh Nam.

                  +----------------------------------------------+
                  |           HỆ THỐNG GIÁM SÁT THỜI GIAN THỰC   |
                  +----------------------------------------------+
                                         |
         +-------------------------------+-------------------------------+
         |                               |                               |
+------------------+           +-------------------+           +-------------------+
|  Xử lý hình ảnh  |           | Cảm biến sinh hóa |           |  Viễn thông & IoT |
| (OpenCV / Dlib)  |           | (MQ-3 / Relay)    |           | (NEO-6M / ESP32)  |
+------------------+           +-------------------+           +-------------------+
         |                               |                               |
         v                               v                               v
[Cảnh báo ngủ gật]             [Khóa động cơ khi có cồn]       [Web Server Dashboard]

Mục tiêu dự án

  1. Xây dựng mô hình nhúng xử lý biên (Edge AI) trên Raspberry Pi 4 Model B (4GB RAM) tích hợp Camera CSI 5MP để phát hiện trạng thái ngủ gật qua phân tích chớp mắt và nhắm mắt kéo dài.
  2. Tích hợp cảm biến khí nồng độ cồn MQ-3 với mạch kích Relay ngắt nguồn khởi động xe khi nồng độ cồn vượt ngưỡng cho phép.
  3. Thu thập tọa độ địa lý thông qua module GPS GY-NEO6MV2 điều khiển bởi vi điều khiển ESP32-WROOM-32.
  4. Xây dựng Web Server quản trị tập trung (RESTful API, Cơ sở dữ liệu MySQL, Dashboard giao diện đáp ứng) hiển thị trạng thái an toàn, cảnh báo tức thời và lộ trình phương tiện theo thời gian thực.

Phương pháp tiếp cận và kết quả kỳ vọng

Giải pháp kết hợp tính toán biên (Edge Computing) để xử lý ảnh thị giác máy tính với độ trễ thấp (<150ms) và giao thức IoT đa tầng (UART, I2C, HTTP/TCP-IP) để đồng bộ dữ liệu viễn thông.

Chỉ số kỳ vọng đo lường được:

  • Tốc độ xử lý khung hình nhận diện khuôn mặt: $\ge 25$ FPS trên vi xử lý ARM Cortex-A72.
  • Độ trễ cảnh báo âm thanh và đèn LED tại chỗ: $< 200$ ms ngay khi tỷ lệ mở mắt (EAR) giảm dưới ngưỡng an toàn liên tục trong 1,5 giây.
  • Độ nhạy phát hiện cồn trong khí thở của buồng lái: $0,05\text{ mg/L} - 10\text{ mg/L}$.
  • Sai số định vị GPS ngoài trời: $< 2,5\text{ m}$ CEP.

Phạm vi và giới hạn

Hệ thống thử nghiệm trên mô hình cabin mô phỏng vận tải đường bộ; camera giám sát được tối ưu trong điều kiện ánh sáng khả kiến (visible spectrum); kết nối truyền dữ liệu phụ thuộc vào vùng phủ sóng mạng viễn thông di động/Wi-Fi của trạm kết nối.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các hệ thống hỗ trợ lái xe an toàn (ADAS) hiện nay chủ yếu phân tách thành hai thái cực: camera hành trình thông thường hoặc các bộ thiết bị chuyên dụng đắt đỏ của các hãng xe sang.

Tiêu chí Camera hành trình tiêu chuẩn Hệ thống ADAS OEM (Xe cao cấp) Giải pháp IoT Edge Đề tài
Phát hiện ngủ gật Không hỗ trợ Có (Camera hồng ngoại + AI) Có (Xử lý ảnh OpenCV / EAR)
Cảm biến nồng độ cồn Không có Không tích hợp sẵn Có (Module MQ-3 + Interlock)
Khóa khởi động xe Không có Tùy chọn độc lập Tích hợp trực tiếp qua Relay
Giám sát Web thời gian thực Chỉ lưu thẻ nhớ SD Có (Hạ tầng đóng/Cloud trả phí) Có (Web Server cục bộ / Cloud mở)
Chi phí triển khai Thấp ($30 - $80) Rất cao ($1.500 - $3.000) Tối ưu ($100 - $150)

Phân tích yêu cầu chức năng (MoSCoW)

  • Must-have (Bắt buộc): Phát hiện trạng thái nhắm mắt quá thời gian quy định; đo nồng độ cồn trước khi kích hoạt Relay đề xe; xuất cảnh báo còi Buzzer/LED; định vị GPS.
  • Should-have (Cần có): Cập nhật dữ liệu tọa độ và log cảnh báo lên Web Dashboard; hiển thị trạng thái lên màn hình LCD 16x2.
  • Could-have (Có thể thêm): Nhận diện khuôn mặt xác thực danh tính tài xế; tích hợp camera hồng ngoại quan sát ban đêm.
  • Won't-have (Chưa thực hiện): Can thiệp vào hệ thống lái tự động (Lane Keep Assist / Steer-by-wire).

Thiết kế hệ thống

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC PHẦN CỨNG & DỮ LIỆU                        |
+-----------------------------------------------------------------------------------+
  [Camera 5MP CSI] ---> (Raspberry Pi 4 Model B) <=== UART/I2C ===> (ESP32-WROOM-32)
                                |                                         |
                        [Buzzer & LED Alert]                     [GPS NEO-6M / MQ-3]
                                |                                         |
                                v                                         v
                         (Apache / Nginx Web Server) <--- HTTP POST --- [Relay Module]
                                |
                         (MySQL Database)
                                |
                         [Web Dashboard UI]

Ngăn xếp công nghệ (Technology Stack)

  • Bộ xử lý trung tâm 1 (Edge AI): Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 64-bit @ 1.5GHz, 4GB LPDDR4, chạy Raspberry Pi OS 64-bit Debian Bullseye).
  • Bộ xử lý trung tâm 2 (Telemetry/Sensors): ESP32-WROOM-32 (Xtensa Dual-core 32-bit LX6 @ 240MHz, 520KB SRAM, 4MB Flash).
  • Thư viện xử lý ảnh: Python 3.9, OpenCV 4.5.x, Dlib 19.24 / 68 Facial Landmarks.
  • Cảm biến và cơ cấu chấp hành: Cảm biến cồn MQ-3, GPS U-blox GY-NEO6MV2, Module Relay 5V Optocoupler cách ly quang, LCD 16x2 I2C, Buzzer chủ động 5V.
  • Môi trường Server & Database: Apache 2.4 / Python Flask, PHP 8.1, MySQL 8.0 / MariaDB 10.5, phpMyAdmin.

Thiết kế cơ sở dữ liệu (Database Schema)

CREATE TABLE driver_logs (
    log_id INT AUTO_INCREMENT PRIMARY KEY,
    driver_id VARCHAR(50) NOT NULL,
    alcohol_level FLOAT NOT NULL,
    drowsiness_detected TINYINT(1) DEFAULT 0,
    latitude DECIMAL(10, 8) NOT NULL,
    longitude DECIMAL(11, 8) NOT NULL,
    speed FLOAT DEFAULT 0.0,
    engine_locked TINYINT(1) DEFAULT 0,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

Thiết kế API truyền thông dữ liệu

  • Endpoint: POST /api/v1/telemetry/push
  • Headers: Content-Type: application/json, X-API-KEY: <DEVICE_TOKEN>
  • Payload Request:
{
  "device_id": "RPI4-TRUCK-0192",
  "drowsiness_status": true,
  "alcohol_ppm": 45.2,
  "gps": {
    "lat": 16.074812,
    "lng": 108.149831,
    "speed_kmh": 54.5
  },
  "relay_state": 1,
  "timestamp": "2023-12-24T14:32:10Z"
}

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum rút gọn với chu kỳ 15 tuần:

  • Tuần 1 - 4: Phân tích yêu cầu, khảo sát datasheet linh kiện, thiết kế sơ đồ nguyên lý mạch nguồn (Mạch hạ áp buck MP1584 3A).
  • Tuần 5 - 8: Lập trình nhúng cảm biến cồn MQ-3, module GPS NEO-6M trên ESP32; huấn luyện và tối ưu giải thuật xử lý ảnh trên Raspberry Pi.
  • Tuần 9 - 12: Thiết kế cơ sở dữ liệu MySQL, xây dựng REST API và Web Dashboard; layout mạch và thi công đóng hộp phần cứng cabin.
  • Tuần 13 - 15: Thử nghiệm tích hợp hệ thống, hiệu chỉnh độ nhạy cảm biến, đo đạc sai số và hoàn thiện báo cáo tốt nghiệp.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Thuật toán ước lượng tỷ lệ mở mắt (Eye Aspect Ratio - EAR)

Hệ thống sử dụng mô hình 68 điểm mốc đặc trưng (Facial Landmarks) để định vị 6 tọa độ cho mỗi bên mắt: $p_1, p_2, p_3, p_4, p_5, p_6$.

Công thức tính EAR: $$EAR = \frac{||p_2 - p_6|| + ||p_3 - p_5||}{2 \cdot ||p_1 - p_4||}$$

Khi mắt mở, giá trị $EAR$ dao động trong khoảng $0,28 - 0,35$. Khi mắt nhắm, $EAR$ tụt dốc xuống dưới $0,20$. Nếu $EAR < 0,25$ duy trì liên tiếp quá $N = 45$ frames (tương đương 1,5 giây ở tốc độ 30 FPS), thuật toán sẽ kích hoạt cờ cảnh báo DROWSINESS_ALERT.

import cv2
import numpy as np
from scipy.spatial import distance as dist

def calculate_ear(eye_points):
    # Tính khoảng cách Euclidean giữa 2 cặp mốc thẳng đứng
    A = dist.euclidean(eye_points[1], eye_points[5])
    B = dist.euclidean(eye_points[2], eye_points[4])
    # Tính khoảng cách Euclidean giữa mốc nằm ngang
    C = dist.euclidean(eye_points[0], eye_points[3])
    ear = (A + B) / (2.0 * C)
    return ear

EAR_THRESHOLD = 0.25
CONSECUTIVE_FRAMES = 45
frame_counter = 0

# Vòng lặp phân tích luồng Video từ Camera CSI
def process_frame(frame, eye_landmarks, buzzer_pin):
    global frame_counter
    ear = calculate_ear(eye_landmarks)
    if ear < EAR_THRESHOLD:
        frame_counter += 1
        if frame_counter >= CONSECUTIVE_FRAMES:
            # Kích hoạt chuông cảnh báo
            trigger_alarm(buzzer_pin, True)
            send_alert_to_server(status="Drowsy", ear_value=ear)
    else:
        frame_counter = 0
        trigger_alarm(buzzer_pin, False)

Xử lý nồng độ cồn và khóa khởi động (Interlock Logic trên ESP32)

#include <Arduino.h>

const int MQ3_ANALOG_PIN = 34;
const int RELAY_IGNITION_PIN = 25;
const int ALCOHOL_LIMIT_RAW = 400; // Ngưỡng điện áp quy đổi tương đương 0.05 mg/L

void setup() {
    Serial.begin(115200);
    pinMode(MQ3_ANALOG_PIN, INPUT);
    pinMode(RELAY_IGNITION_PIN, OUTPUT);
    digitalWrite(RELAY_IGNITION_PIN, LOW); // Mặc định khóa nguồn khởi động
}

void loop() {
    int rawValue = analogRead(MQ3_ANALOG_PIN);
    Serial.printf("MQ-3 Sensor Raw Value: %d\n", rawValue);
    
    if (rawValue > ALCOHOL_LIMIT_RAW) {
        digitalWrite(RELAY_IGNITION_PIN, LOW); // Ngắt Relay đề xe
        Serial.println("CANH BAO: Phat hien nong do con vuot muc! Khoa khoi dong.");
    } else {
        digitalWrite(RELAY_IGNITION_PIN, HIGH); // Cho phép nổ máy
    }
    delay(500);
}

Thử nghiệm và đánh giá thực nghiệm

Hệ thống được đưa vào kiểm thử thực tế trên 100 kịch bản mô phỏng các điều kiện lái xe khác nhau (ngày, đêm, đeo kính râm nhẹ, thay đổi tư thế đầu).

Kịch bản kiểm thử Số mẫu thử Số lần phát hiện đúng Độ chính xác (%) Thời gian phản hồi trung bình (ms)
Nhắm mắt bình thường (ban ngày) 30 29 96,7% 135 ms
Nhắm mắt khi lái xe ban đêm 25 23 92,0% 158 ms
Tài xế chớp mắt tự nhiên 20 20 100,0% Không kích hoạt nhầm
Thử mẫu cồn hơi thở $> 0,25\text{ mg/L}$ 15 15 100,0% 110 ms (Ngắt Relay ngay)
Kiểm tra tọa độ GPS di chuyển 10 10 100,0% 850 ms (Chu kỳ cập nhật)

Kết quả đạt được

  1. Phần cứng hoàn chỉnh: Đóng gói thành công khối điều khiển trung tâm trong hộp bảo vệ nhỏ gọn kích thước $150 \times 100 \times 60\text{ mm}$, tích hợp module hạ áp MP1584 chuyển đổi nguồn acquy $12\text{V} - 24\text{V}$ xuống $5\text{V}/3\text{A}$ ổn định cho Raspberry Pi và ESP32.
  2. Khả năng nhận diện thời gian thực: Thuật toán đạt tốc độ xử lý $28 - 30\text{ FPS}$ ở độ phân giải $640 \times 480$, không gây hiện tượng quá nhiệt trên chip Broadcom BCM2711 (nhiệt độ duy trì mức $52^\circ\text{C}$ khi có quạt tản nhiệt).
  3. Giám sát trực quan: Giao diện Web hiển thị bản đồ số hóa hành trình qua OpenStreetMap/Leaflet, cung cấp báo cáo thống kê lịch sử vi phạm theo tài xế và thời gian thực.

Đổi mới và đóng góp

  1. Kiến trúc phân tầng Edge-IoT tối ưu chi phí: Khác với các giải pháp đẩy toàn bộ luồng video lên Cloud gây tiêu tốn băng thông 4G/5G và trễ mạng cao, hệ thống giải bài toán AI ngay tại biên (On-device Processing trên Raspberry Pi 4), chỉ truyền các gói tin trạng thái JSON siêu nhẹ ($< 1\text{ KB}$) về máy chủ.
  2. Cơ chế can thiệp kép (Cảnh báo + Khóa phần cứng): Kết hợp đồng thời phát hiện thụ động (ngủ gật qua camera) và can thiệp chủ động (cắt mạch khởi động phương tiện qua Relay khi cảm biến MQ-3 kích hoạt), ngăn chặn triệt để hành vi vi phạm nồng độ cồn trước khi xe lăn bánh.
  3. Khả năng tùy biến và mã nguồn mở: Toàn bộ hệ thống được xây dựng trên nền tảng phần mềm mã nguồn mở (Linux, Python, OpenCV, MySQL), giúp giảm $85%$ chi phí bản quyền so với các giải pháp thương mại độc quyền, tạo điều kiện thuận lợi cho các doanh nghiệp vừa và nhỏ dễ dàng tiếp cận.

Ứng dụng thực tế và triển khai

Trường hợp sử dụng thực tế (Use Cases)

  • Doanh nghiệp vận tải hàng hóa đường dài (Container/Xe tải nặng): Kiểm soát lịch trình lái xe ban đêm của tài xế, giảm thiểu tai nạn do kiệt sức trên các tuyến quốc lộ dài ngày.
  • Hãng xe khách liên tỉnh: Nâng cao chất lượng dịch vụ và bảo vệ tính mạng hành khách bằng việc ràng buộc kiểm tra nồng độ cồn đầu ca chạy của lái xe.
  • Quản lý đội xe nội bộ doanh nghiệp: Tự động hóa nhật ký di chuyển và chấm điểm an toàn lái xe (Driver Safety Scoring).
                      +-----------------------------+
                      |     NGUỒN ĐIỆN XE (12V)     |
                      +-----------------------------+
                                     |
                         [Mạch hạ áp MP1584]
                                     |
                                (5V / 3A DC)
                                     |
         +---------------------------+---------------------------+
         |                                                       |
         v                                                       v
+------------------+                                   +-------------------+
| Raspberry Pi 4B  |                                   |  ESP32-WROOM-32   |
| (Camera CSI 5MP) |                                   | (MQ-3 / NEO-6M)   |
+------------------+                                   +-------------------+
         |                                                       |
         | (Kích hoạt âm thanh)                                  | (Ngắt đề xe)
         v                                                       v
[Còi Buzzer + LED]                                     [Relay Ignition Cut]

Phân tích hiệu quả kinh tế và lộ trình triển khai

  • Chi phí phần cứng: Khoảng $2.500.000 - $3.200.000\text{ VNĐ}$ cho một bộ thiết bị đầy đủ.
  • Thời gian hoàn vốn (ROI): Việc ngăn ngừa chỉ một sự cố va chạm giao thông có thể tiết kiệm hàng chục đến hàng trăm triệu đồng chi phí sửa chữa phương tiện, đền bù hàng hóa và trách nhiệm bảo hiểm, mang lại điểm hoàn vốn ngay trong năm đầu vận hành.

Lộ trình triển khai 4 giai đoạn

  1. Giai đoạn 1 (Tháng 1): Chuẩn hóa thiết kế mạch in (PCB) công nghiệp, tích hợp module lọc nhiễu nguồn xe hơi.
  2. Giai đoạn 2 (Tháng 2 - 3): Triển khai thử nghiệm (Pilot test) trên 10 xe tải vận chuyển tuyến Đà Nẵng – Quảng Nam.
  3. Giai đoạn 3 (Tháng 4 - 5): Tối ưu thuật toán nhận diện ban đêm bằng camera hồng ngoại chuyên dụng (NoIR Camera + IR LED).
  4. Giai đoạn 4 (Tháng 6 trở đi): Nâng cấp phần mềm quản lý đám mây đa người dùng (Multi-tenant SaaS).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Cảm biến MQ-3 dạng bán dẫn bị ảnh hưởng nhẹ bởi nhiệt độ và một số hợp chất dung môi bay hơi khác trong buồng lái nếu không gian quá kín.
  • Camera CSI chuẩn quang học gặp suy giảm độ chính xác khi tài xế đeo kính râm đen đậm hoặc trong môi trường cabin hoàn toàn không có ánh sáng chiếu hắt.

Hướng phát triển trong tương lai

  • Tích hợp thêm cảm biến đo sóng nhịp tim PPG (Photoplethysmography) gắn trên vô-lăng để tăng cường tính đa tầng của hệ thống cảnh báo sinh trắc học.
  • Nâng cấp mô hình mạng nơ-ron học sâu (Deep Learning) dạng MobileNet-SSD / YOLOv8-tiny chạy qua bộ tăng tốc AI Coral USB Accelerator để nhận diện cả hành vi sử dụng điện thoại và không thắt dây an toàn.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử / IoT: Tài liệu tham khảo toàn diện về việc tích hợp vi xử lý máy tính nhúng với vi điều khiển, phương pháp xử lý ảnh thị giác máy tính trên hệ thống nhúng.
  • Kỹ sư phát triển hệ thống (Developers): Mẫu kiến trúc giao tiếp UART/I2C, RESTful API và thuật toán EAR tối ưu cho phần cứng giới hạn tài nguyên.
  • Doanh nghiệp vận tải: Giải pháp phần cứng chi phí thấp, kiểm soát rủi ro nhân sự lái xe và nâng cao uy tín thương hiệu vận hành an toàn.
  • Nhà nghiên cứu ADAS: Dữ liệu thực nghiệm về độ nhạy cảm biến nồng độ cồn và ngưỡng suy giảm phản xạ thị giác trong môi trường xe thực tế.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Phương tiện cần có nguồn acquy $12\text{V}$ hoặc $24\text{V}$ DC tiêu chuẩn. Hệ thống tiêu thụ công suất trung bình khoảng $7,5\text{W} - 10\text{W}$, hoàn toàn không gây ảnh hưởng đến hệ thống điện của ắc quy xe.

2. Hệ thống xử lý thế nào nếu xe đi vào khu vực mất sóng di động/GPS?

Module ESP32 được tích hợp bộ nhớ đệm SPI Flash / thẻ nhớ MicroSD. Khi mất tín hiệu mạng, toàn bộ log tọa độ và sự kiện cảnh báo được lưu cục bộ và tự động đồng bộ (Auto-sync) về máy chủ ngay khi thiết bị tái lập kết nối Internet.

3. Cảm biến cồn MQ-3 có bị kích hoạt nhầm bởi nước hoa hoặc cồn rửa tay không?

Cảm biến MQ-3 có ngưỡng đáp ứng chọn lọc cao với ethanol ($C_2H_5OH$). Thuật toán phần mềm thiết lập cơ chế lọc thông dải và thời gian làm nóng cảm biến ($20 - 30\text{s}$ Pre-heat), đồng thời lấy mẫu trung bình trượt 10 lần để loại trừ các xung nồng độ đột biến tức thời do dung môi môi trường.

4. Chi phí bảo trì và độ bền phần cứng trong môi trường rung lắc của xe ra sao?

Phần cứng được lắp ráp trên vỏ hộp công nghiệp chuẩn chống bụi IP54, các cổng kết nối sử dụng socket khóa vặn chống rung. Chu kỳ bảo dưỡng định kỳ là 6 tháng/lần để vệ sinh màng lọc cảm biến và ống kính camera.

5. Khả năng mở rộng cho đội xe hàng nghìn chiếc như thế nào?

Hạ tầng Web Server có thể đóng gói thành các Docker Container triển khai trên nền tảng điện toán đám mây (AWS/GCP), cơ sở dữ liệu MySQL hỗ trợ Master-Slave Replication giúp xử lý hàng chục nghìn truy vấn ghi viễn thông cùng lúc với độ trễ dưới $50\text{ms}$.


Kết luận

Đồ án "Thiết kế, thi công hệ thống cảnh báo an toàn và giám sát thời gian thực cho lái xe" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật – Đại học Đà Nẵng đã giải quyết thành công bài toán tích hợp giữa xử lý ảnh thị giác máy tính và công nghệ IoT công nghiệp. Việc kết hợp phát hiện ngủ gật qua chỉ số EAR, đo nồng độ cồn liên động khóa động cơ và định vị GPS thời gian thực mang lại một giải pháp bảo vệ toàn diện, chủ động cho ngành giao thông vận tải. Đây là nền tảng kỹ thuật vững chắc sẵn sàng để phát triển thành các sản phẩm thương mại hóa tiêu chuẩn, đóng góp thiết thực vào mục tiêu giảm thiểu tai nạn giao thông và hiện đại hóa chuỗi dịch vụ logistics đường bộ.