Bối cảnh và vấn đề nghiên cứu

Tai nạn giao thông đường bộ xuất phát từ sự mất tập trung hoặc trạng thái mệt mỏi của tài xế là một trong những nguyên nhân chính dẫn đến thiệt hại nghiêm trọng về người và tài sản. Trong nghiên cứu "The Impact of Driver Inattention on Near-Crash/Crash Risk: An Analysis Using the 100-Car Naturalistic Driving Study Data" của Klauer và các đồng sự, các hoạt động gây thiếu chú ý khi điều khiển phương tiện được phân loại thành 4 nhóm: lái xe khi buồn ngủ, thực hiện các nhiệm vụ phụ không cần thiết, mất tập trung liên quan đến việc lái xe phía trước và mất tập trung không liên quan đến lái xe. Báo cáo thực nghiệm chứng minh rằng người điều khiển phương tiện trong tình trạng buồn ngủ có nguy cơ va chạm hoặc suýt va chạm cao gấp 4 đến 6 lần so với trạng thái tỉnh táo bình thường. Về phương diện pháp lý, Điều 65 Luật Giao thông đường bộ năm 2008 quy định rõ: thời gian làm việc của người lái xe ô tô không được vượt quá 10 giờ trong một ngày và không được lái xe liên tục quá 4 giờ; đồng thời sau mỗi 4 giờ vận hành liên tục, người lái phải nghỉ tối thiểu 15 phút.

Xuất phát từ thực trạng trên, đồ án tốt nghiệp "Xây dựng hệ thống giám sát và cảnh báo cho tài xế đường dài ứng dụng phần cứng Jetson Nano" của nhóm tác giả Phạm Thanh Hà và Trần Đức Hiếu (ngành Hệ thống nhúng và IoT, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, dưới sự hướng dẫn của ThS. Trương Quang Phúc) được triển khai nhằm thực hiện ba mục tiêu và nhiệm vụ chính:

  1. Thiết kế và thi công hoàn chỉnh mô hình phần cứng giám sát và cảnh báo gắn trên phương tiện giao thông.
  2. Nghiên cứu thuật toán phát hiện đối tượng YOLOv8 nhằm nhận diện chính xác 3 trạng thái khuôn mặt của tài xế: ngủ gật, tỉnh táo và ngáp, với độ trễ từ lúc phát hiện đến khi phát tín hiệu cảnh báo nhỏ hơn 1 giây.
  3. Xây dựng hệ thống lưu trữ đám mây và giao diện website giám sát trực quan, cho phép người quản lý theo dõi trạng thái tài xế, dữ liệu cảm biến và hành trình xe theo thời gian thực.

Đối tượng nghiên cứu của đề tài là các đặc trưng hình ảnh khuôn mặt người lái (mắt, miệng) để xác định trạng thái ý thức, cùng các thông số chuyển động của xe (vận tốc, tọa độ GPS, rung chấn gia tốc). Phạm vi không gian của mô hình tập trung bên trong buồng lái xe tải, xe khách đường dài với khoảng cách lắp đặt camera cách mặt người lái từ 50 đến 70 cm; phạm vi công nghệ giới hạn trong việc tích hợp máy tính nhúng NVIDIA Jetson Nano, vi điều khiển ESP32, hạ tầng điện toán đám mây AWS và mạng di động 4G. Thời gian thực hiện đồ án từ ngày 15/02/2024 đến ngày 09/06/2024.

Cơ sở lý thuyết và phương pháp

Đồ án ứng dụng phương pháp phát hiện đối tượng một giai đoạn (one-stage detector) trong thị giác máy tính, ưu tiên tốc độ suy luận thời gian thực trên thiết bị biên thay vì phương pháp hai giai đoạn (Faster R-CNN, Mask R-CNN) vốn yêu cầu năng lực tính toán lớn.

Mô hình học sâu chủ đạo là YOLOv8 do Ultralytics phát triển, tích hợp các cải tiến kiến trúc:

  • Cơ chế Anchor-Free kết hợp cấu trúc Decoupled-Head nhằm phân tách hoàn toàn nhánh phân loại (classification) và nhánh định vị hộp bao (localization).
  • Kỹ thuật phân chia ảnh đầu vào thành lưới $S \times S$ grid cell, tính toán chỉ số diện tích giao trên diện tích hợp (Intersection over Union - IoU) và thuật toán loại trừ các điểm không cực đại (Non-Maximum Suppression - NMS) để lọc bỏ các bounding box trùng lặp.
  • Hàm mất mát tổng thể $L_{total}$ được tổng hợp từ ba thành phần: mất mát phân loại ($L_{classification}$ dùng hàm Varifocal Loss - VFL), mất mát định vị ($L_{localization}$ kết hợp Distribution Focal Loss - DFL và Complete IoU - CIOU Loss), và mất mát độ tin cậy ($L_{confidence}$).
  • Gán nhãn mẫu bằng cơ chế tự động căn chỉnh tác vụ (Task-Aligned Assigner).

Để đảm bảo hiệu suất tính toán trên phần cứng nhúng Jetson Nano, nhóm tác giả lựa chọn phiên bản thu gọn YOLOv8n (YOLOv8 nano), sau đó xuất mô hình sang định dạng trung gian ONNX và sử dụng môi trường thực thi ONNX Runtime nhằm tối ưu hóa bộ nhớ và tăng tốc độ xử lý khung hình (FPS).

Phương pháp thu thập và xử lý dữ liệu được chia thành các nguồn:

  • Dữ liệu hình ảnh: Tập dữ liệu khuôn mặt được thu thập và phân loại thủ công thành 3 lớp đối tượng: ngủ gật (nhắm mắt), tỉnh táo và ngáp. Dữ liệu được gán nhãn bounding box, sau đó áp dụng các kỹ thuật tăng cường dữ liệu (data augmentation) gồm chuẩn hóa kích thước về $640 \times 640$ pixel, lật ảnh ngang, chuyển đổi thang độ xám (grayscale), thêm nhiễu hạt, xoay góc và biến thiên độ sáng nhằm thích ứng với điều kiện môi trường cabin.
  • Dữ liệu cảm biến và định vị: Dữ liệu gia tốc 3 trục $(X, Y, Z)$ thu thập từ cảm biến ADXL345 qua giao tiếp I2C; dữ liệu tọa độ địa lý, hướng di chuyển và vận tốc thu thập từ module vệ tinh NEO-6M GPS thông qua việc giải mã các gói tin chuẩn NMEA.
  • Phương pháp truyền thông và hệ điều hành: Áp dụng giao thức truyền thông nối tiếp bất đồng bộ UART với cấu trúc khung truyền gồm 1 bit Start, 5–9 bit Data, 1 bit Parity tùy chọn và 1–2 bit Stop để kết nối giữa Jetson Nano và ESP32. Trên vi điều khiển ESP32, hệ điều hành thời gian thực (RTOS) được triển khai để quản lý đa tác vụ dựa trên độ ưu tiên, xử lý ngắt phần cứng và định thời gian. Giao thức MQTT (Message Queuing Telemetry Transport) theo mô hình Publish/Subscribe được sử dụng để đóng gói dữ liệu telemetry gửi về máy chủ đám mây.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo cấu trúc ba khối độc lập: Khối thiết bị gắn trên xe (Device), Khối máy chủ trung gian (Server) và Khối ứng dụng người dùng (User Application).

Tên khối Thành phần / Linh kiện Thông số kỹ thuật và vai trò trong hệ thống
Khối đọc ảnh Webcam Rapoo XW180 Cảm biến độ phân giải Full HD 1080p, tốc độ 30 khung hình/giây, cổng USB 3.0, hỗ trợ công nghệ giảm nhiễu hình ảnh (Noise Reduction), góc xoay 360 độ.
Khối xử lý ảnh NVIDIA Jetson Nano (B01) Vi xử lý 4 nhân ARM Cortex-A57 @ 1.43 GHz, GPU 128 lõi Maxwell kiến trúc CUDA, bộ nhớ 4GB 64-bit LPDDR4, năng lực tính toán 472 GFLOPs, công suất tiêu thụ 5W–10W; thực thi mô hình YOLOv8n ONNX Runtime.
Khối xử lý trung tâm Module ESP32-WROOM-32 Vi điều khiển Xtensa 32-bit LX6 lõi kép, 448 KB ROM, 520 KB SRAM, 4 MB SPI Flash, tích hợp Wi-Fi 802.11n và Bluetooth; điều phối toàn bộ luồng dữ liệu ngoại vi và RTOS.
Khối cảnh báo Còi Buzzer & Đèn LED Còi điện tử 5V, dòng tiêu thụ <25 mA, tần số phát 2300 Hz $\pm$ 500 Hz, biên độ âm thanh >80 dB kết nối qua chân GPIO13; phát tín hiệu âm thanh và ánh sáng tại chỗ.
Khối cảnh báo từ xa Module SIM 4G A7680C Module truyền thông di động mạng LTE Cat-1 kết nối ESP32 qua UART; tự động thực hiện cuộc gọi khẩn cấp và gửi tin nhắn SMS chứa tọa độ khi phát hiện sự cố.
Khối đo rung chấn Cảm biến ADXL345 Cảm biến gia tốc 3 trục giao tiếp I2C (SDA nối GPIO21, SCL nối GPIO22), dải đo cấu hình $\pm 16g$, độ nhạy 4 mg/LSB, tần số lấy mẫu lên đến 3200 Hz; nhận diện rung lắc mạnh hoặc va chạm.
Khối định vị toàn cầu Module GPS NEO-6M Module thu tín hiệu vệ tinh của hãng U-blox, phân tích bản tin NMEA để trích xuất vĩ độ, kinh độ và vận tốc di chuyển thực tế của phương tiện.

Quy trình vận hành và triển khai phần mềm diễn ra theo luồng khép kín:

  1. Webcam liên tục thu nhận hình ảnh khuôn mặt người lái đưa vào máy tính nhúng Jetson Nano. Mô hình YOLOv8n nhận diện các vùng mắt và miệng. Nếu trạng thái nhắm mắt (ngủ gật) hoặc ngáp kéo dài vượt ngưỡng chu kỳ thời gian quy định, Jetson Nano đóng gói ký hiệu trạng thái và truyền lệnh cảnh báo qua UART sang ESP32.
  2. Đồng thời, ESP32 liên tục đọc dữ liệu gia tốc từ ADXL345 và chuỗi tọa độ từ NEO-6M GPS. Khi nhận được tín hiệu cảnh báo từ Jetson Nano hoặc khi gia tốc vượt ngưỡng va chạm, ESP32 lập tức kích hoạt còi Buzzer (>80 dB) và đèn LED trong cabin để đánh thức tài xế. Trong vòng 1 giây, ESP32 kích hoạt lệnh AT qua module A7680C gửi tin nhắn SMS cảnh báo và gọi điện đến số điện thoại của quản lý phụ trách.
  3. ESP32 kết nối Wi-Fi/4G để gửi gói tin trạng thái định dạng JSON lên AWS IoT Core qua giao thức MQTT. Một quy tắc (Rule) trên AWS IoT Core sẽ chuyển tiếp dữ liệu đến AWS Lambda Function nhằm xử lý bóc tách trường thông tin và tự động ghi dữ liệu vào cơ sở dữ liệu phi quan hệ Amazon DynamoDB.
  4. Phía máy chủ ứng dụng, dịch vụ Backend viết bằng Node.js với thư viện Express sử dụng AWS SDK for JavaScript (@aws-sdk/client-dynamodb) để khởi tạo các RESTful API endpoints. Giao diện Frontend thiết kế theo dạng Responsive Web, cho phép người giám sát đăng nhập bảo mật, theo dõi trạng thái phương tiện trên bản đồ vệ tinh, giám sát tốc độ, nhận cảnh báo tức thời và tra cứu lịch sử sự cố.

Nội dung chính theo từng chương

Chương 1 – Giới thiệu

Chương này phân tích tổng quan tình hình tai nạn giao thông liên quan đến tài xế lái xe tải, xe khách đường dài do làm việc quá giờ quy định tại Điều 65 Luật Giao thông đường bộ 2008. Tác giả khảo sát các công trình nghiên cứu trong nước (như các hệ thống phát hiện ngủ gật bằng khoảng cách lông mày hoặc độ cong mí mắt dựa trên webcam máy tính, hệ thống định vị GPS trực tuyến đơn lẻ) và các công trình quốc tế (ứng dụng thị giác máy tính và phân tích nháy mắt thời gian thực, đo dao động rung xóc phương tiện bằng cảm biến gia tốc). Luận điểm chính của chương là chỉ ra sự thiếu hụt của các giải pháp độc lập và đề xuất mô hình tích hợp ba thành phần: nhận diện khuôn mặt bằng thị giác máy tính tại biên, đo lường chấn động vật lý kết hợp định vị hành trình, và đẩy dữ liệu lên nền tảng đám mây để quản lý tập trung.

Chương 2 – Cơ sở lý thuyết

Chương 2 trình bày chi tiết nền tảng lý thuyết của các công nghệ được áp dụng. Nội dung bao gồm:

  • Phân tích nguyên lý hoạt động của mạng nơ-ron tích chập (CNN) và sự tiến hóa của kiến trúc YOLO từ phiên bản DarkNet ban đầu đến YOLOv8 do Ultralytics phát triển năm 2023.
  • Các công thức toán học về độ phủ IoU, thuật toán triệt tiêu Non-Maximum Suppression, và cấu trúc hàm mất mát tổng hợp gồm thành phần hồi quy tọa độ và phân loại đối tượng.
  • Cơ chế truyền thông phần cứng của giao thức UART (cấu tạo frame bit, tính toán tốc độ baud).
  • Kiến trúc hệ điều hành thời gian thực (RTOS) với cơ chế lập lịch theo quyền ưu tiên (priority-based scheduling) và xử lý ngắt (interrupt handling).
  • Giao thức IoT MQTT dựa trên cơ chế môi giới (Broker) và ấn bản - thuê bao (Publish/Subscribe).

Chương 3 – Thiết kế hệ thống

Chương 3 đi sâu vào thiết kế kỹ thuật chi tiết của phần cứng và phần mềm. Tác giả đưa ra các bảng thông số kỹ thuật, sơ đồ khối hệ thống và sơ đồ đấu nối chân tín hiệu thực tế giữa ESP32 với còi Buzzer (chân GPIO13), module ADXL345 (chân I2C SDA-GPIO21, SCL-GPIO22), module GPS NEO-6M và module SIM A7680C. Chương này đồng thời trình bày các lưu đồ giải thuật phần mềm: lưu đồ thuật toán phân loại 3 trạng thái của tài xế trên Jetson Nano, lưu đồ tiền xử lý ảnh và chuẩn hóa kích thước 640x640, lưu đồ tính toán vector gia tốc phát hiện rung lắc, lưu đồ luồng xử lý không đồng bộ của AWS Lambda Function, lưu đồ ghi nhận bảng DynamoDB, và thiết kế các màn hình chức năng của giao diện website.

Chương 4 – Kết quả và nhận xét đánh giá

Chương 4 công bố kết quả hiện thực hóa sản phẩm dạng hộp đóng gói vật lý và kết quả chạy thử nghiệm phần mềm. Các số liệu đánh giá bao gồm: đồ thị Precision-Recall (PR-Curve) của mô hình nhận diện 3 nhãn khuôn mặt, kết quả huấn luyện mô hình YOLOv8n, và bảng so sánh tốc độ khung hình (FPS) xử lý thực tế trên Jetson Nano khi chạy bằng nhân đồ họa GPU Maxwell so với khi chạy bằng vi xử lý CPU ARM. Về mặt hệ thống, chương minh chứng khả năng nhận diện các ca tài xế tỉnh táo, ngáp và nhắm mắt ngủ gật; xác thực gói tin MQTT gửi thành công lên AWS IoT Core; hiển thị dữ liệu bảng trong DynamoDB; cùng các giao diện website theo dõi vị trí trên bản đồ, hiển thị đồ thị thông số và trích xuất lịch sử cảnh báo.

Chương 5 – Kết luận và hướng phát triển

Chương 5 đúc kết mức độ hoàn thành nhiệm vụ nghiên cứu: hệ thống đã tích hợp trọn vẹn từ phần cứng biên đến giao diện đám mây, các thông số kỹ thuật đều đáp ứng yêu cầu đặt ra ban đầu, độ trễ cảnh báo đạt dưới 1 giây. Tác giả cũng chỉ ra các giới hạn còn tồn tại về mặt môi trường ánh sáng và đề xuất phương hướng phát triển mô hình cho các giai đoạn tiếp theo.

Kết quả và đóng góp

Văn bản đồ án ghi nhận các kết quả thực nghiệm và đóng góp cụ thể:

  • Kết quả phần cứng và phần mềm: Chế tạo thành công thiết bị giám sát vật lý tích hợp gọn gàng trong hộp cứng bảo vệ, cấp nguồn hoạt động ổn định ở mức điện áp 5V với tổng công suất tiêu thụ tối ưu trong ngưỡng 5W–10W. Hệ thống thu thập chính xác tọa độ GPS qua giao thức NMEA và phát hiện biến thiên rung xóc bất thường từ cảm biến gia tốc ADXL345.
  • Hiệu năng nhận diện thời gian thực: Mô hình YOLOv8n tối ưu qua ONNX Runtime trên Jetson Nano phân loại chính xác 3 trạng thái của người lái (ngủ gật, tỉnh táo, ngáp). Khi thực thi bằng GPU tích hợp 128 lõi Maxwell của Jetson Nano, tốc độ xử lý khung hình (FPS) đạt mức mượt mà, vượt trội hoàn toàn so với việc chỉ sử dụng CPU đơn thuần, đảm bảo tổng thời gian từ lúc phát hiện ngủ gật đến khi kích hoạt còi báo động và đèn tín hiệu luôn nhỏ hơn 1 giây.
  • Khả năng cảnh báo và quản lý từ xa: Khi xuất hiện tình huống tài xế ngủ gật hoặc xe rung lắc mạnh vượt ngưỡng, hệ thống kích hoạt đồng thời ba kênh cảnh báo: phát còi báo động tại chỗ (>80 dB), gửi tin nhắn SMS kèm liên kết tọa độ và gọi điện thoại trực tiếp qua module SIM 4G A7680C, đồng thời chuyển tiếp gói tin JSON qua MQTT lên AWS IoT Core. Dữ liệu được lưu trữ tự động trên DynamoDB và phản ánh trực quan trên giao diện Website thông qua hệ thống API của Node.js.
  • Đóng góp của đồ án: Thay vì phát triển các ứng dụng nhận diện hình ảnh riêng rẽ chạy trên máy tính cá nhân hoặc các thiết bị định vị GPS hành trình độc lập, đồ án đã tổng hợp thành công kiến trúc biên kết hợp đám mây (Edge AI - IoT Cloud), kết nối trực tiếp thị giác máy tính với các cảm biến động học và hạ tầng viễn thông di động, tạo ra một sản phẩm ứng dụng có tính thực tiễn cao cho bài toán an toàn giao thông đường dài.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các đặc tả kỹ thuật và phạm vi nghiên cứu, các hạn chế và hướng mở rộng được xác định gồm:

  • Hạn chế:
    • Webcam Rapoo XW180 sử dụng ánh sáng khả kiến thông thường, do đó hiệu quả nhận diện trạng thái mắt và miệng có thể bị suy giảm trong điều kiện khoang lái ban đêm thiếu sáng hoặc khi tài xế đeo kính râm có độ phản quang cao.
    • Tín hiệu định vị GPS phụ thuộc vào việc lắp đặt ăng-ten trên táp-lô; đối với các phương tiện dán phim cách nhiệt có chứa kim loại cản sóng, việc bắt tín hiệu vệ tinh có thể bị gián đoạn nếu không cắt trích góc phim.
    • Thiết bị yêu cầu vùng phủ sóng di động liên tục để duy trì việc truyền gói tin MQTT lên AWS IoT Core và gửi tin nhắn cảnh báo qua module 4G.
  • Hướng nghiên cứu tiếp:
    • Nâng cấp khối thu nhận ảnh sang camera có tích hợp đèn chiếu hồng ngoại (IR Camera) để hệ thống hoạt động ổn định trong bóng tối hoàn toàn.
    • Ứng dụng TensorRT chuyên sâu để tối ưu hóa sâu hơn nữa trọng số mạng nơ-ron trên nhân GPU của Jetson Nano, giúp gia tăng FPS và giảm tải tiêu thụ năng lượng.
    • Mở rộng thêm các lớp nhận diện hành vi mất tập trung khác của tài xế như: hút thuốc lá, sử dụng điện thoại khi đang điều khiển xe, hoặc quay đầu không quan sát làn đường.

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị cao đối với sinh viên, học viên và kỹ sư thuộc các chuyên ngành Hệ thống nhúng và IoT, Kỹ thuật Máy tính, Điện tử Viễn thông và Khoa học Dữ liệu. Các nội dung mang tính ứng dụng thực tế cao bao gồm:

  • Toàn bộ quy trình huấn luyện mô hình YOLOv8 trên tập dữ liệu đặc thù, kỹ thuật chuyển đổi mô hình sang định dạng ONNX Runtime để chạy suy luận thời gian thực trên máy tính nhúng NVIDIA Jetson Nano.
  • Sơ đồ nguyên lý ghép nối phần cứng chi tiết giữa vi điều khiển ESP32 với các cảm biến ngoại vi (ADXL345 qua I2C, GPS NEO-6M qua UART, Module SIM 4G qua UART, còi báo động qua GPIO).
  • Mô hình kiến trúc phần mềm tích hợp điện toán đám mây hoàn chỉnh: từ việc kết nối thiết bị nhúng qua giao thức MQTT đến AWS IoT Core, xử lý dữ liệu phi máy chủ bằng AWS Lambda, lưu trữ NoSQL trên DynamoDB cho đến xây dựng RESTful API bằng Node.js Express phục vụ giao diện Web Responsive.

Câu hỏi thường gặp

1. Khối xử lý ảnh trên xe sử dụng phần cứng nào và làm thế nào để đảm bảo tốc độ nhận diện thời gian thực?
Khối xử lý ảnh sử dụng máy tính nhúng NVIDIA Jetson Nano phiên bản B01 (RAM 4GB LPDDR4, GPU 128 lõi Maxwell). Để đảm bảo tốc độ xử lý thời gian thực với độ trễ dưới 1 giây, nhóm tác giả chọn mô hình có cấu trúc gọn nhẹ YOLOv8n (nano), sau đó chuyển đổi mô hình sang định dạng chuẩn ONNX và vận hành trên môi trường ONNX Runtime có kích hoạt khả năng tăng tốc phần cứng của GPU.

2. Giao thức kết nối giữa máy tính nhúng Jetson Nano và vi điều khiển ESP32 được cấu hình như thế nào?
Hai khối giao tiếp với nhau thông qua giao thức truyền thông nối tiếp bất đồng bộ UART. Dữ liệu trạng thái sau khi Jetson Nano phân tích từ hình ảnh sẽ được chuyển thành các chuỗi ký tự điều khiển và truyền trực tiếp sang ESP32 để kích hoạt các phản ứng phần cứng tương ứng.

3. Khi phát hiện tài xế ngủ gật, hệ thống thực hiện những cấp độ cảnh báo nào?
Hệ thống kích hoạt đồng thời hai cấp độ cảnh báo:

  • Cảnh báo tại chỗ: Bật còi Buzzer phát âm thanh lớn (>80 dB) và nhấp nháy đèn LED trong cabin để lập tức đánh thức người lái.
  • Cảnh báo từ xa: ESP32 điều khiển module SIM 4G A7680C thực hiện cuộc gọi khẩn cấp và gửi tin nhắn SMS chứa tọa độ định vị của xe đến số điện thoại của người quản lý, đồng thời phát gói tin MQTT cập nhật cảnh báo lên giao diện website giám sát.

4. Cảm biến gia tốc ADXL345 đóng vai trò gì trong đồ án?
Cảm biến ADXL345 là cảm biến gia tốc 3 trục được kết nối với ESP32 qua giao diện I2C (chân SDA nối GPIO21, chân SCL nối GPIO22). Cảm biến có dải đo lên đến $\pm 16g$, lấy mẫu tối đa 3200 Hz, được dùng để đo rung chấn cơ học của xe trên đường dài, từ đó phát hiện các chuyển động bất thường, hiện tượng phanh gấp hoặc va chạm giao thông ngoài ý muốn.

5. Luồng lưu trữ và hiển thị dữ liệu từ thiết bị nhúng lên giao diện người dùng được tổ chức ra sao?
Gói tin JSON từ ESP32 được gửi qua mạng Internet đến AWS IoT Core bằng giao thức MQTT. Sau đó, AWS Lambda Function tự động xử lý và lưu trữ dữ liệu vào bảng cơ sở dữ liệu DynamoDB. Máy chủ ứng dụng viết bằng Node.js (sử dụng framework Express) sẽ truy xuất dữ liệu từ DynamoDB qua AWS SDK để cung cấp API cho giao diện Web, giúp người theo dõi quan sát hành trình, tốc độ và trạng thái cảnh báo trên nền tảng bản đồ số.

Kết luận

Đồ án tốt nghiệp của sinh viên Phạm Thanh Hà và Trần Đức Hiếu đã giải quyết trọn vẹn bài toán giám sát an toàn giao thông cho lái xe đường dài thông qua việc kết hợp giữa trí tuệ nhân tạo biên và mạng lưới vạn vật kết nối. Bằng việc làm chủ công nghệ học sâu YOLOv8n trên phần cứng Jetson Nano cùng khả năng điều phối đa cảm biến của vi điều khiển ESP32, hệ thống đảm bảo thời gian cảnh báo tức thời dưới 1 giây khi phát hiện nguy cơ ngủ gật hoặc va chạm. Giải pháp tích hợp đồng bộ từ phần cứng trên cabin xe đến hạ tầng lưu trữ đám mây AWS và giao diện web quản lý thể hiện một hướng tiếp cận kỹ thuật bài bản, hoàn chỉnh và có tính ứng dụng thực tiễn cao trong lĩnh vực giao thông thông minh.