Bối cảnh và vấn đề nghiên cứu

Tình trạng ùn tắc giao thông tại các đô thị lớn ở Việt Nam như Hà Nội, Thành phố Hồ Chí Minh, Đà Nẵng và Hải Phòng là một vấn đề xã hội nan giải, gây ra nhiều hệ lụy tiêu cực về kinh tế và môi trường. Theo các báo cáo và số liệu thống kê được nhóm tác giả trích dẫn:

  • Năm 2012, Hà Nội ghi nhận 67 điểm ùn tắc, trong khi Thành phố Hồ Chí Minh có 76 điểm ùn tắc giao thông.
  • Đến năm 2014, tình trạng ùn tắc theo điểm được giảm thiểu nhưng lại phát sinh hiện tượng ùn tắc cục bộ kéo dài.
  • Tính từ năm 2008 đến thời điểm nghiên cứu, cả nước đã xảy ra hơn 1.379 vụ ùn tắc giao thông kéo dài trên 1 giờ đồng hồ; trong đó Hà Nội chiếm 336 vụ (tương đương 24,4%) và Thành phố Hồ Chí Minh chiếm 227 vụ (tương đương 16,5%).
  • Cơ cấu phương tiện giao thông tại các thành phố lớn có sự mất cân đối nghiêm trọng: năm 2013, tỷ lệ xe máy chiếm tới 75,4% tại Hà Nội, 91,3% tại Thành phố Hồ Chí Minh và 92% tại Hải Phòng. Sự áp đảo của xe máy dẫn đến tình trạng di chuyển hỗn hợp, lấn làn xe ô tô và dễ gây tê liệt giao thông khi mật độ tăng cao.
  • Thiệt hại kinh tế ước tính do ùn tắc giao thông tại Việt Nam dao động từ 2% đến 3% tổng sản phẩm quốc nội (GDP). Đi kèm với đó là tình trạng ô nhiễm không khí do bụi mịn và khói thải gia tăng mạnh mẽ (đặc biệt ghi nhận từ năm 2018), làm tăng tỷ lệ mắc các bệnh lý đường hô hấp và lãng phí nhiên liệu.

Về mặt kỹ thuật, hệ thống đèn tín hiệu giao thông hiện hành chủ yếu hoạt động dựa trên các bộ định thời cố định hoặc các mô hình tính toán toán học truyền thống. Các phương trình này cố gắng ước tính thời gian chờ, số lượng xe trong hàng đợi và chu kỳ đèn xanh - vàng - đỏ tối ưu. Tuy nhiên, sự phụ thuộc phức tạp lẫn nhau giữa các nút giao thông lân cận cùng tính chất biến thiên ngẫu nhiên của các thông số theo thời gian khiến các mô hình cố định không thể thích ứng linh hoạt. Nhóm nghiên cứu thuộc Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM đã thực hiện khóa luận tốt nghiệp kỹ sư ngành Mạng máy tính và Truyền thông nhằm giải quyết bài toán trên.

Mục tiêu nghiên cứu của đề tài được xác định gồm 4 nhiệm vụ:

  1. Tìm hiểu về nền tảng Trí tuệ nhân tạo (AI).
  2. Tìm hiểu về Học máy (Machine Learning) và các thuật toán học máy phân tích.
  3. Tìm hiểu về Học sâu (Deep Learning) và các thuật toán nhận diện đối tượng.
  4. Xây dựng hệ thống điều khiển ngã tư giao thông tự động thích ứng với mật độ phương tiện.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Hệ thống phát hiện giao thông (Traffic Detection) sử dụng camera kết hợp mô hình MobileNetV1 để nhận diện phương tiện và mật độ giao thông; Hệ thống dự đoán giao thông (Traffic Prediction) dựa trên mô hình học máy xây dựng qua thư viện TensorFlow để tự động tính toán, điều khiển đèn tín hiệu.
  • Phạm vi nghiên cứu: Tập trung vào việc nhận diện phương tiện và điều khiển tín hiệu đèn giao thông tại một nút giao cắt (ngã tư). Dựa vào lưu lượng giao thông trên từng tuyến đường nhánh tại ngã tư, hệ thống xác định khoảng thời gian đèn xanh và đèn đỏ tương ứng. Thời gian thực hiện đề tài từ ngày 21/02/2022 đến ngày 11/06/2022.

Cơ sở lý thuyết và phương pháp

Khóa luận tổng quan các giải pháp kỹ thuật trên thế giới đã được đề xuất nhằm tối ưu hóa chu kỳ đèn tín hiệu giao thông:

  • Công nghệ Light Fidelity (LiFi): Nghiên cứu của Kalaiselvi, Sangavi và Dhivya (2017) cùng Sharma et al. (2018) truyền tín hiệu ưu tiên cho xe cứu thương tiếp cận nút giao.
  • Kỹ thuật sóng âm SONAR: Nghiên cứu của Akhil và Parvatha (2017) dùng mảng cảm biến siêu âm (UltraSonic) để đo mật độ phương tiện và cấp thời gian cho đèn xanh/đỏ.
  • Mạng cảm biến IoT kết hợp lý thuyết trò chơi: Mô hình của Bui, Jung và Camacho (2017) phân chia nhóm xe ưu tiên và không ưu tiên dựa trên mô hình Cournot và Stackelberg để phân bổ thời gian đèn.
  • Công nghệ nhận dạng qua tần số vô tuyến (RFID): Atta et al. (2020) sử dụng mô-đun RFID để ghi nhận xe đến ngã tư và đưa ra suy luận điều khiển.
  • Thuật toán cân bằng tải luồng giao thông: Nghiên cứu của Zambrano-Martinez et al. (2019) sử dụng công cụ mô phỏng SUMO, DFROUTER và giao diện ABATIS kết nối trình mô phỏng mạng OMNeT++, thực hiện chuyển luồng thành công cho 34.065 phương tiện, giúp thời gian di chuyển tăng 8% và cải thiện 16% khả năng chịu tải.

Trên cơ sở đó, nhóm tác giả lựa chọn phương pháp tiếp cận dựa trên thị giác máy tính, học máy và hệ thống truyền thông thời gian thực:

  • Mô hình mạng nơ-ron MobileNetV1: Sử dụng cấu trúc tích chập tách biệt theo chiều sâu (Depthwise Separable Convolution) gồm hai bước: Depthwise Convolution (tích chập không gian theo từng kênh kích thước $D_K \times D_K$) và Pointwise Convolution (tích chập $1 \times 1$). Toàn bộ thân kiến trúc gồm 30 lớp. So sánh trên tập dữ liệu ImageNet cho thấy phiên bản 1.0 MobileNet-224 đạt độ chính xác tương đương GoogleNet và VGG16 nhưng chỉ tiêu tốn 75% lượng tham số của GoogleNet và giảm thiểu rất lớn số lượng phép tính (Mult-Adds), đáp ứng điều kiện hoạt động trên các thiết bị phần cứng có tài nguyên hạn chế.
  • Thư viện TensorFlow và Mô hình Hồi quy tuyến tính (Linear Regression): Khóa luận ứng dụng TensorFlow 2.x để tính toán đồ thị luồng dữ liệu (dataflow graph) với các khái niệm Tensor (về rank: vô hướng rank 0, vector rank 1, ma trận rank 2, N-tensor; shape; data type), quản lý quá trình huấn luyện qua các epoch và tối ưu hàm mất mát (loss). Mô hình hồi quy tuyến tính được lựa chọn để thiết lập mối quan hệ giữa biến độc lập là lưu lượng/mật độ phương tiện với biến phụ thuộc liên tục là thời gian chu kỳ đèn.
  • Giao thức SocketIO và Máy chủ ASGI Uvicorn: Sử dụng SocketIO để truyền nhận thông điệp hai chiều theo thời gian thực giữa máy chủ và hệ thống đèn. Nền tảng máy chủ sử dụng giao diện bất đồng bộ ASGI (Asynchronous Server Gateway Interface) vận hành qua coroutines async/await, được triển khai thông qua máy chủ Uvicorn trên nền tảng Python, hỗ trợ giao thức HTTP/1.1.
  • Nền tảng phần cứng nhúng: Khảo sát các dòng vi điều khiển MCU (ARM Cortex-M, Atmel AVR, Intel 8051, PIC, STM32...) và máy tính đơn bo. Nhóm thực hiện lựa chọn bo mạch NodeMCU ESP8266 (tích hợp Wi-Fi 2.4GHz chuẩn 802.11b/g/n, điện áp 3.3V, lập trình thông qua Arduino IDE trên ngôn ngữ C/C++) và máy tính nhúng Raspberry Pi (trang bị bộ xử lý Broadcom BCM2835 SoC, chạy hệ điều hành Linux) để kết nối và điều khiển các cụm đèn tín hiệu.
  • Phương pháp tạo dữ liệu và mô phỏng: Xây dựng ứng dụng mô phỏng giao thông (Traffic Simulation) để tạo tập dữ liệu (dataset) huấn luyện cho mô hình dự đoán và làm môi trường kiểm thử trực quan thuật toán điều khiển trước các dải lưu lượng khác nhau.

Thiết kế và triển khai

Hệ thống được thiết kế theo kiến trúc tích hợp ba khối chính: Khối thu thập dữ liệu (Traffic Detection/Simulation), Khối máy chủ trung tâm kết hợp mô hình dự đoán (Server & Prediction Model), và Khối điều khiển tín hiệu (Simulation System/Hardware Controller).

Thành phần hệ thống Công nghệ / Nền tảng triển khai Chức năng cụ thể
Phần cứng điều khiển NodeMCU ESP8266, Raspberry Pi Tiếp nhận tín hiệu điều khiển qua mạng, kích hoạt chuyển đổi trạng thái cụm đèn LED.
Môi trường nạp mã nguồn Arduino IDE (C/C++) Soạn thảo, biên dịch bản mã (sketch) thành tệp hex và nạp xuống vi điều khiển.
Thị giác máy tính MobileNetV1 Nhận diện đối tượng phương tiện từ hình ảnh camera và đếm mật độ tại nút giao.
Mô hình học máy Hồi quy tuyến tính (Linear Regression) trên TensorFlow Tính toán thời lượng tối ưu cho các pha đèn dựa trên số lượng phương tiện đầu vào.
Máy chủ Web & Dịch vụ Uvicorn (ASGI Server), Python Xử lý các tác vụ không đồng bộ (async/await), kết nối điều phối hệ thống.
Truyền thông thời gian thực SocketIO Đóng gói và đẩy dữ liệu độ trễ thấp giữa Client mô phỏng và Máy chủ tính toán.
Môi trường giả lập Traffic Simulation Application Tái lập lưu lượng xe ngã tư, sinh dữ liệu huấn luyện và hiển thị trực quan các pha đèn.

Quy trình luồng hoạt động của mô hình diễn ra theo 4 bước liên tục:

  1. Thu thập lưu lượng giao thông: Hệ thống Traffic Simulation (hoặc camera nhận diện thông qua mô hình MobileNetV1) ghi nhận số lượng xe và mật độ giao thông tại các tuyến đường thuộc nút giao.
  2. Prediction Model tính toán dữ liệu: Dữ liệu lưu lượng phương tiện được gửi lên máy chủ. Mô hình hồi quy tuyến tính huấn luyện bằng TensorFlow tiến hành phân tích các biến đầu vào để tính toán số giây phân bổ phù hợp cho các đèn tín hiệu (xanh, đỏ, vàng).
  3. Server trả dữ liệu đầu ra đến Simulation System: Thông qua giao thức SocketIO được điều phối bởi máy chủ Uvicorn ASGI, các giá trị thời gian vừa tính toán được truyền ngược lại hệ thống điều khiển ngay lập tức.
  4. Điều khiển trạng thái đèn ở Simulation System: Hệ thống mô phỏng (và các khối điều khiển ngoại vi) áp dụng chu kỳ thời gian mới, tự động thay đổi tín hiệu chuyển đổi đèn và cập nhật thông số trực tiếp lên bảng hiển thị trạng thái.

Nội dung chính theo từng chương

Chương 1: Mở đầu

Chương 1 giới thiệu tên đề tài "Hướng tới xây dựng hệ thống đèn giao thông thông minh dựa trên máy học". Tác giả trình bày thực trạng ùn tắc giao thông nghiêm trọng tại Việt Nam, đặc biệt tại Hà Nội và Thành phố Hồ Chí Minh. Các số liệu thống kê được phân tích chi tiết về số điểm ùn tắc qua các năm 2012, 2014; tổng số 1.379 vụ tắc đường trên một giờ từ năm 2008; tỷ lệ sở hữu xe máy vượt trội (75,4% đến 92%); tổn thất kinh tế chiếm 2-3% GDP cùng nguy cơ ô nhiễm không khí từ bụi mịn (2018). Từ các nguyên nhân về ý thức tham gia giao thông, quy hoạch hạ tầng và sự thiếu linh hoạt của đèn tín hiệu cố định, chương xác định mục tiêu nghiên cứu là áp dụng AI, Machine Learning, Deep Learning để thiết kế hệ thống điều khiển tự động. Đối tượng nghiên cứu gồm hệ thống Traffic Detection (camera và MobileNetV1) và Traffic Prediction (Machine Learning và TensorFlow), giới hạn trong phạm vi ngã tư đường phố.

Chương 2: Cơ sở lý thuyết

Chương 2 trình bày chi tiết các công trình nghiên cứu đi trước về đèn giao thông thông minh (LiFi, cảm biến siêu âm SONAR, IoT kết hợp lý thuyết trò chơi Cournot/Stackelberg, cảm biến RFID, và công cụ mô phỏng SUMO/OMNeT++ qua ABATIS). Tiếp đó, chương đi sâu vào khảo sát các thiết bị phần cứng nhúng: cấu trúc MCU, dòng chip ESP8266 (các bản ESP-01, ESP-12, kit NodeMCU), máy tính nhúng Raspberry Pi (BCM2835 SoC) và phần mềm Arduino IDE. Về mặt thuật toán, chương phân tích sâu mạng MobileNetV1 với 30 lớp và cơ chế Depthwise Separable Convolution, chỉ ra ưu thế về kích thước nhỏ gọn và tốc độ xử lý so với GoogleNet hay VGG16. Chương cũng làm rõ nguyên lý hoạt động của TensorFlow (Tensor, rank, shape, type, đồ thị luồng dữ liệu, quá trình training, epoch, hàm loss), giao thức SocketIO cho các ứng dụng realtime, kiến trúc máy chủ web không đồng bộ ASGI cùng Uvicorn, và lý thuyết về các mô hình tuyến tính (Linear Regression) để dự đoán giá trị liên tục.

Chương 3: Tổng quan hệ thống

Chương 3 mô tả mô hình chung của hệ thống đề xuất. Tác giả trình bày quá trình xây dựng ứng dụng Traffic Simulation để phục vụ việc mô phỏng chuyển động của dòng phương tiện tại ngã tư và tạo lập tập dữ liệu (dataset). Từ tập dữ liệu này, nhóm tiến hành xây dựng và huấn luyện mô hình tuyến tính dự đoán thời gian chu kỳ đèn. Chương cũng đối chiếu với phương pháp điều khiển thủ công thời gian đèn truyền thống, từ đó làm rõ ngữ cảnh vận hành và chi tiết hóa luồng đi của dữ liệu qua 4 công đoạn: thu thập lưu lượng phương tiện, mô hình học máy tính toán, máy chủ phản hồi thông số qua SocketIO/ASGI và cập nhật trạng thái đèn trên hệ thống mô phỏng.

Chương 4: Thực nghiệm và đánh giá

Chương 4 thực hiện phân tích tập dữ liệu và định nghĩa các trạng thái ùn tắc giao thông (Traffic Jam). Tác giả tiến hành chạy thực nghiệm trên môi trường Simulation với 11 mức lưu lượng giao thông (Traffic Flow) tăng dần theo các nấc: 100, 200, 300, 400, 500, 600, 700, 800, 900, 1000 và 1100 xe/giờ (veh/h). Tại mỗi mức lưu lượng, báo cáo ghi nhận biểu đồ thông số điều tiết đèn giao thông và trạng thái hoạt động trực quan của dòng xe. Phần cuối chương dành để so sánh hiệu quả giữa hệ thống điều khiển thủ công cố định truyền thống và hệ thống điều khiển tự động đề xuất trên ba phân đoạn lưu lượng: dưới 700 veh/h, từ 700 đến 800 veh/h, và từ 900 đến 1100 veh/h.

Chương 5: Tổng kết và hướng phát triển

Chương 5 tóm tắt các kết quả đạt được của khóa luận: xây dựng thành công giải pháp điều khiển chu kỳ đèn thông minh thích ứng theo mật độ phương tiện từ dữ liệu mô phỏng, chứng minh tính chính xác và khả năng giảm tải ùn tắc trong nhiều ngữ cảnh thực nghiệm. Chương đề ra các định hướng phát triển tiếp theo gồm hoàn thiện thuật toán dự đoán, mở rộng phạm vi điều khiển từ một nút giao sang mạng lưới nhiều nút giao thông liên hoàn, tiến hành đánh giá khách quan hơn ngoài thực địa và tối ưu hóa ngân sách triển khai thiết bị.

Kết quả và đóng góp

Khóa luận đã thu được các kết quả kỹ thuật và thực nghiệm cụ thể:

  • Xây dựng hoàn chỉnh mô hình tích hợp: Hoàn thành chu trình từ giả lập luồng giao thông (Traffic Simulation), tạo dataset, huấn luyện mô hình dự đoán (Prediction Model bằng Linear Regression trên TensorFlow), kết nối máy chủ bất đồng bộ Uvicorn ASGI qua SocketIO đến cơ chế điều khiển đèn thời gian thực.
  • Kết quả thực nghiệm trên 11 kịch bản lưu lượng phương tiện: Hệ thống đã được kiểm thử ổn định từ mức thấp (100 veh/h) đến mức rất cao (1100 veh/h). Dựa trên kết quả đo lường và biểu đồ trạng thái, hiệu quả so sánh giữa hệ thống tự động đề xuất và hệ thống thủ công cố định được xác lập theo ba phân đoạn:
    • Lưu lượng dưới 700 veh/h: Cả hai hệ thống đều đáp ứng được khả năng lưu thông; tuy nhiên hệ thống tự động giúp tối ưu hóa thời gian chờ đèn xanh cho các làn ít xe, tránh tình trạng chờ lãng phí khi đường vắng.
    • Lưu lượng ở mức 700 - 800 veh/h: Hệ thống cố định bắt đầu xuất hiện hàng đợi phương tiện kéo dài cục bộ; trong khi hệ thống đề xuất tự động gia tăng thời lượng đèn xanh cho hướng ưu tiên đông xe, giải tỏa xung đột dòng phương tiện hiệu quả.
    • Lưu lượng ở mức 900 - 1100 veh/h (mức lưu lượng cao, nguy cơ ùn tắc nghiêm trọng): Hệ thống thủ công bộc lộ sự quá tải dẫn đến ùn tắc kéo dài tại ngã tư. Ngược lại, hệ thống tự động đề xuất phân bổ chu kỳ đèn linh hoạt theo mật độ thực tế, duy trì dòng lưu thông liên tục và giảm thiểu tình trạng kẹt xe nghiêm trọng.
  • Đóng góp so với các nghiên cứu trước: Khóa luận xây dựng một phương án điều khiển đèn giao thông dựa trên thị giác máy tính và học máy kết hợp truyền thông thời gian thực, khắc phục nhược điểm chi phí cao hoặc yêu cầu phần cứng phức tạp của các giải pháp LiFi, SONAR hay RFID (vốn yêu cầu phải gắn thiết bị lên từng phương tiện hoặc lắp cảm biến mảng đắt tiền). Giải pháp đề xuất sử dụng camera quan sát kết hợp mô hình nhẹ MobileNetV1 và phần cứng chi phí thấp (NodeMCU ESP8266, Raspberry Pi), mang lại tính khả thi về mặt ngân sách cho các đô thị đang phát triển.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung báo cáo và phạm vi nghiên cứu, các hạn chế và hướng mở của đề tài được xác định như sau:

  • Hạn chế: Toàn bộ các kịch bản đánh giá từ 100 đến 1100 veh/h chủ yếu được thực hiện trên môi trường giả lập (Traffic Simulation). Dữ liệu phục vụ huấn luyện mô hình dự đoán được trích xuất từ phần mềm mô phỏng, chưa được thử nghiệm dài ngày với camera thực tế ngoài ngã tư đường phố để đánh giá các tác động của điều kiện thời tiết (mưa, sương mù), sự thay đổi ánh sáng ngày/đêm và các góc khuất tầm nhìn. Ngoài ra, phạm vi đề tài mới chỉ dừng lại ở bài toán ngã tư đơn lẻ, chưa giải quyết được bài toán phối hợp liên nút giao thông (làn sóng xanh) trong một khu vực đô thị lớn.
  • Hướng nghiên cứu tiếp: Tác giả đề xuất tiếp tục hoàn thiện thuật toán dự đoán của mô hình để nâng cao độ chính xác; mở rộng hệ thống từ một ngã tư sang quản lý và điều phối mạng lưới giao thông nhiều nút giao liền kề nhằm giải tỏa triệt để tình trạng dồn ứ cục bộ; đồng thời tiến tới triển khai thử nghiệm thực tế với phần cứng hoàn chỉnh nhằm tối ưu hóa chi phí sản xuất và vận hành hệ thống điều khiển giao thông thông minh trong thực tiễn.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo hữu ích cho:

  • Sinh viên và học viên chuyên ngành Mạng máy tính và Truyền thông, Kỹ thuật Máy tính, Hệ thống Thông tin và Trí tuệ Nhân tạo: Cung cấp phương pháp xây dựng một hệ thống IoT kết hợp trí tuệ nhân tạo hoàn chỉnh từ tầng biên (Edge) đến máy chủ (Server).
  • Người nghiên cứu về Hệ thống Giao thông Thông minh (ITS): Cung cấp dữ liệu tham khảo về phương pháp xây dựng mô phỏng lưu lượng xe ngã tư (từ 100 đến 1100 veh/h) và cách thức tạo tập dữ liệu phục vụ huấn luyện các mô hình điều tiết đèn tín hiệu.
  • Các phần nội dung có giá trị ứng dụng cao:
    • Phần phân tích kiến trúc mạng MobileNetV1 (cơ chế Depthwise Separable Convolution) ứng dụng trên các phần cứng nhúng hạn chế tài nguyên.
    • Cấu trúc tích hợp truyền thông thời gian thực sử dụng SocketIO kết hợp máy chủ ASGI Uvicorn viết bằng Python, áp dụng mô hình bất đồng bộ coroutine async/await.
    • Phương pháp luận chuyển đổi bài toán điều khiển tín hiệu đèn giao thông thành bài toán hồi quy dự đoán liên tục (Linear Regression) trên nền tảng TensorFlow.

Câu hỏi thường gặp

1. Khóa luận sử dụng mô hình học sâu nào cho hệ thống Traffic Detection và vì sao lựa chọn kiến trúc này?
Khóa luận sử dụng mô hình MobileNetV1 gồm 30 lớp. Kiến trúc này được lựa chọn vì sử dụng kỹ thuật Depthwise Separable Convolution (tách thành Depthwise Convolution và Pointwise Convolution $1 \times 1$), giúp số lượng tham số chỉ bằng 75% so với GoogleNet và lượng phép tính nhỏ hơn rất nhiều so với VGG16 trên tập ImageNet, từ đó tối ưu hóa tốc độ thực thi trên các phần cứng biên và thiết bị nhúng có tài nguyên hạn chế.

2. Khung truyền thông thời gian thực giữa máy chủ tính toán và hệ thống điều khiển đèn được xây dựng bằng những công nghệ nào?
Hệ thống sử dụng thư viện SocketIO để tạo kênh truyền dữ liệu hai chiều thời gian thực với độ trễ thấp, kết hợp với máy chủ web bất đồng bộ ASGI (Asynchronous Server Gateway Interface) chạy trên Uvicorn bằng ngôn ngữ Python. Kiến trúc này cho phép xử lý các sự kiện và thông điệp không đồng bộ thông qua cơ chế coroutine async/await.

3. Tập dữ liệu (dataset) dùng để huấn luyện mô hình dự đoán (Prediction Model) được tạo ra bằng cách nào?
Nhóm tác giả đã tự xây dựng một ứng dụng mô phỏng giao thông (Traffic Simulation) để thiết lập luồng phương tiện qua ngã tư. Từ ứng dụng này, nhóm ghi nhận số lượng xe và tương quan thời gian điều tiết để trích xuất ra tập dữ liệu (dataset), sau đó nạp vào thư viện TensorFlow nhằm huấn luyện mô hình hồi quy tuyến tính.

4. Hiệu quả của hệ thống điều khiển tự động đề xuất được kiểm nghiệm qua các dải lưu lượng giao thông nào?
Hệ thống được kiểm thử thực nghiệm trên hệ thống Simulation qua 11 mức lưu lượng từ 100 đến 1100 veh/h (bước tăng 100 veh/h). Kết quả so sánh với hệ thống thủ công được tổng hợp trên ba khoảng lưu lượng: dưới 700 veh/h (cả hai đáp ứng tốt, hệ thống tự động giảm thời gian chờ thừa), 700 - 800 veh/h (hệ thống tự động giải tỏa xung đột tốt hơn khi xe bắt đầu đông), và 900 - 1100 veh/h (hệ thống tự động phát huy hiệu quả rõ rệt trong việc ngăn ngừa ùn tắc kéo dài).

5. Những thiết bị phần cứng cụ thể nào đã được nhóm tác giả khảo sát và ứng dụng trong nghiên cứu?
Nhóm tác giả đã khảo sát các dòng vi điều khiển MCU phổ biến, trong đó tập trung vào dòng chip Wi-Fi ESP8266 (chọn kit NodeMCU ESP8266, lập trình qua Arduino IDE trên ngôn ngữ C/C++) và máy tính nhúng kích thước nhỏ Raspberry Pi (sử dụng vi xử lý Broadcom BCM2835 SoC chạy Linux) để đóng vai trò các bộ điều khiển chấp hành đèn tín hiệu.

Kết luận

Khóa luận tốt nghiệp của sinh viên Thái Minh Huy và Ngô Trung Hiếu đã giải quyết bài toán cấp thiết về ùn tắc giao thông đô thị bằng việc thiết kế hệ thống điều khiển đèn tín hiệu tự động thích ứng dựa trên thị giác máy tính và học máy. Nghiên cứu đã hiện thực hóa giải pháp tích hợp giữa mạng nơ-ron MobileNetV1, mô hình hồi quy tuyến tính trên TensorFlow, máy chủ bất đồng bộ ASGI Uvicorn và giao thức thời gian thực SocketIO. Các kết quả thực nghiệm mô phỏng trên các dải lưu lượng từ 100 đến 1100 veh/h chứng minh tính chính xác và khả năng thích ứng linh hoạt của hệ thống, mở ra hướng ứng dụng điều khiển giao thông thông minh với chi phí đầu tư phần cứng hợp lý.