Giới thiệu dự án
Tai nạn giao thông đường bộ đang là một trong những vấn đề nhức nhối mang tính toàn cầu. Theo 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 cộng sự, tình trạng buồn ngủ khi lái xe làm gia tăng nguy cơ xảy ra va chạm hoặc suýt va chạm từ 4 đến 6 lần so với trạng thái tỉnh táo bình thường. Tại Việt Nam, Điều 65 Luật Giao thông đường bộ quy định thời gian làm việc của người lái xe ô tô không được vượt quá 10 giờ/ngày và không được lái xe liên tục quá 4 giờ. Tuy nhiên, đối với tài xế xe tải đường dài và xe khách liên tỉnh, áp lực về tiến độ giao hàng và lộ trình xuyên đêm dẫn đến tình trạng ngủ gật (microsleep), ngáp mệt mỏi và mất tập trung nghiêm trọng.
Vấn đề thực tế (Problem Statement) đặt ra là: Các giải pháp giám sát hành trình truyền thống hiện nay trên thị trường chỉ ghi nhận dữ liệu tọa độ GPS hoặc hình ảnh thụ động vào thẻ nhớ để phục vụ hậu kiểm, thiếu hoàn toàn khả năng can thiệp thời gian thực ngay tại cabin khi tài xế có dấu hiệu mệt mỏi. Trong khi đó, các vụ tai nạn do tài xế mất ý thức tạm thời thường xảy ra chỉ trong khoảng 1–3 giây.
Đồ án tốt nghiệp chuyên ngành Hệ thống nhúng & IoT tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh với đề tài “Xây dựng hệ thống giám sát và cảnh báo cho tài xế đường dài ứng dụng phần cứng Jetson Nano” (Thực hiện bởi sinh viên Phạm Thanh Hà - Trần Đức Hiếu, dưới sự hướng dẫn của ThS. Trương Quang Phúc) được nghiên cứu nhằm giải quyết trọn vẹn bài toán trên.
Mục tiêu cụ thể của dự án:
- Huấn luyện và triển khai mô hình học sâu YOLOv8 (You Only Look Once phiên bản 8) trên máy tính nhúng NVIDIA Jetson Nano để phân loại chuẩn xác 3 trạng thái của tài xế: Tỉnh táo (awake), Ngủ gật (drowsy/sleep), và Ngáp (yawn).
- Tối ưu hóa pipeline xử lý ảnh thời gian thực từ Webcam Full HD 1080P với độ trễ phát hiện và kích hoạt cảnh báo dưới 1 giây ($\le 1.0\text{ s}$).
- Thiết kế hệ thống cảnh báo đa cấp: Cảnh báo tức thì tại chỗ qua còi Buzzer (>80 dB) và đèn LED nhấp nháy; đồng thời tự động kích hoạt Module SIM 4G LTE gửi tin nhắn SMS và thực hiện cuộc gọi khẩn cấp đến người quản trị đội xe.
- Tích hợp cảm biến gia tốc 3 trục ADXL345 phát hiện rung lắc, va chạm bất thường và module định vị NEO-6M GPS thu thập tọa độ, tốc độ di chuyển theo chuẩn giao thức NMEA.
- Thiết lập hạ tầng đám mây dựa trên AWS IoT Core (MQTT), AWS Lambda và cơ sở dữ liệu phi quan hệ Amazon DynamoDB để xây dựng ứng dụng Web Dashboard giám sát trực quan thời gian thực.
Phạm vi nghiên cứu tập trung vào phân tích vùng khuôn mặt tài xế trong khoảng cách từ 50–70 cm trước vô lăng cabin ô tô, hoạt động ổn định trong điều kiện ánh sáng cabin tiêu chuẩn và truyền dữ liệu telemetry qua mạng di động.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trước khi đề xuất kiến trúc mới, nhóm nghiên cứu đã tiến hành đánh giá so sánh các công nghệ nhận diện trạng thái lái xe hiện có:
| Giải pháp hiện có |
Công nghệ cốt lõi |
Ưu điểm |
Nhược điểm |
| Phân tích nhấp nháy mắt truyền thống (EAR / PERCLOS) |
Thị giác máy tính cổ điển (OpenCV, Haar Cascade, Dlib 68-landmarks) |
Tiêu tốn ít tài nguyên phần cứng, chạy được trên vi điều khiển nhỏ. |
Dễ bị sai lệch khi tài xế đeo kính, góc nghiêng đầu lớn hoặc điều kiện ánh sáng thay đổi. |
| Cảm biến sinh học đeo tay / điện não (EEG, ECG) |
Điện cực tiếp xúc sinh học |
Độ chính xác cao ở mức độ thần kinh học. |
Gây khó chịu, cản trở thao tác lái xe; tính khả thi ứng dụng thực tế cho tài xế đường dài rất thấp. |
| Camera hành trình GPS thông thường |
Module GPS + Video Recorder |
Ghi nhận hành trình tốt, giá thành rẻ. |
Không có trí tuệ nhân tạo nhận diện khuôn mặt; chỉ mang tính chất ghi hình để hậu kiểm. |
| Giải pháp đề xuất (Edge AI + IoT Gateway) |
NVIDIA Jetson Nano + YOLOv8 + ESP32 + AWS Cloud |
Nhận diện đa trạng thái (mắt, miệng), cảnh báo tại chỗ <1s, viễn thông 4G & Cloud Dashboard tích hợp. |
Đòi hỏi thiết kế phần cứng nhúng tối ưu về mặt tản nhiệt và nguồn điện ổn định trên xe. |
Phân loại yêu cầu hệ thống theo mô hình MoSCoW:
- Must have (Bắt buộc): Nhận diện khuôn mặt 3 trạng thái (Tỉnh táo, Ngủ gật, Ngáp) qua YOLOv8; Còi/đèn báo tức thì; Định vị GPS; Truyền dữ liệu telemetry lên AWS IoT Core qua MQTT.
- Should have (Nên có): Tự động gửi tin nhắn SMS và quay số cuộc gọi qua SIM 4G A7680C khi tài xế ngủ gật quá ngưỡng; Cảm biến ADXL345 phát hiện rung lắc/va chạm.
- Could have (Có thể có): Giao diện Web Dashboard hiển thị bản đồ hành trình trực quan sử dụng OpenStreetMap / Leaflet API; Biểu đồ thống kê tần suất vi phạm.
- Won't have (Tạm hoãn): Tích hợp camera hồng ngoại chuyên dụng nhìn đêm trong điều kiện tắt hoàn toàn ánh sáng cabin (sẽ phát triển trong giai đoạn sau).
Thiết kế hệ thống
Kiến trúc hệ thống được chia thành 4 phân tầng độc lập nhằm tối ưu hóa tải tính toán và độ tin cậy vận hành:
[Webcam Rapoo XW180 1080P] ──(USB 3.0)──> [NVIDIA Jetson Nano (YOLOv8 Edge AI)]
│
(UART Protocol)
▼
[ADXL345 I2C] ────────┐ ┌──> [ESP32 Central Gateway] ──(GPIO)──> [Buzzer + LED Alert]
[NEO-6M GPS UART] ────┼──(FreeRTOS Tasks)──┤
│ └──> [SIM 4G A7680C] ──(AT Commands)──> [SMS / Call Manager]
│ │
└───────────────(MQTT / TLS)─────┘
▼
[AWS IoT Core Message Broker]
│
(Serverless Trigger)
▼
[AWS Lambda Function]
│
▼
[Amazon DynamoDB NoSQL]
│
(RESTful API / JSON)
▼
[Web Application Monitoring Dashboard]
Công nghệ và phiên bản phần mềm (Technology Stack)
- Edge AI Processor: NVIDIA Jetson Nano Developer Kit B01 (Quad-Core ARM Cortex-A57 @ 1.43 GHz, GPU 128-core Maxwell, RAM 4GB LPDDR4, OS: Ubuntu 18.04 LTS với NVIDIA JetPack 4.6.1, CUDA 10.2, cuDNN 8.2.1, TensorRT 8.2).
- Embedded Gateway: Espressif ESP32-WROOM-32 (Dual-Core Xtensa LX6 32-bit @ 240MHz, FreeRTOS Kernel, ESP-IDF / Arduino Core).
- Computer Vision Framework: Ultralytics YOLOv8n (Nano version), PyTorch 1.10, ONNX Runtime 1.12, OpenCV 4.5.4.
- Peripherals: Webcam Rapoo XW180 (Full HD 1080P @ 30 FPS), Cảm biến gia tốc ADXL345 (Giao tiếp $I^2C$), Module định vị U-blox NEO-6M GPS (Giao tiếp UART @ 9600 baud), Module viễn thông SIMCom SIM A7680C 4G LTE.
- Cloud & Backend: AWS IoT Core (Giao thức MQTT Port 8883 có mã hóa TLS X.509), AWS Lambda (Node.js 18.x runtime), Amazon DynamoDB (NoSQL Data Storage).
- Web Frontend: HTML5/CSS3, JavaScript (ES6+), Express.js framework, Leaflet.js Mapping Library.
Thiết kế cơ sở dữ liệu (Database Schema)
Bảng dữ liệu Driver_Telemetry_Logs trên Amazon DynamoDB được thiết kế với cấu trúc:
- Partition Key (
PK): device_id (String - ví dụ: "JETSON_ESP32_01")
- Sort Key (
SK): timestamp (Number - Epoch Unix Timestamp milli-giây)
- Attributes:
driver_status: String ("AWAKE" | "DROWSY" | "YAWNING")confidence_score: Number (Giá trị từ 0.00 đến 1.00)latitude: Number (Tọa độ vĩ độ WGS84)longitude: Number (Tọa độ kinh độ WGS84)speed_kmh: Number (Tốc độ tính toán từ NMEA)accel_magnitude: Number (Độ lớn gia tốc vector $G = \sqrt{a_x^2 + a_y^2 + a_z^2}$)alert_triggered: Boolean (true / false)
Methodology
Dự án áp dụng quy trình phát triển lặp nhanh theo mô hình Agile kết hợp phương pháp phát triển hệ thống nhúng (V-Model for Embedded Systems):
- Giai đoạn 1 (Tuần 1–4): Thu thập và gán nhãn tập dữ liệu ảnh khuôn mặt tài xế Việt Nam; tiền xử lý Data Augmentation; huấn luyện và tinh chỉnh mô hình mạng nơ-ron YOLOv8n.
- Giai đoạn 2 (Tuần 5–8): Thiết kế sơ đồ nguyên lý mạch, layout PCB/câu dây tích hợp Jetson Nano, ESP32, ADXL345, NEO-6M GPS, SIM A7680C; lập trình firmware FreeRTOS đa luồng.
- Giai đoạn 3 (Tuần 9–12): Thiết lập AWS IoT Core, phân luồng AWS Lambda xử lý payload MQTT, lưu trữ DynamoDB; xây dựng API và giao diện Web Dashboard theo dõi phương tiện.
- Giai đoạn 4 (Tuần 13–16): Đóng gói phần cứng hoàn chỉnh trong vỏ hộp chuyên dụng, thử nghiệm thực nghiệm trên xe ô tô thực tế và hiệu chỉnh ngưỡng thuật toán cảnh báo.
Implementation và kết quả
Development process
1. Huấn luyện mô hình YOLOv8n trên tập dữ liệu đặc tả
Tập dữ liệu hình ảnh được thu thập và phân chia theo 3 lớp: awake (tài xế mở mắt, nhìn thẳng), drowsy (nhắm mắt liên tục), yawn (mở miệng ngáp lớn). Dữ liệu được đưa qua pipeline tiền xử lý ảnh và tăng cường dữ liệu (Data Augmentation) bao gồm: Resize về chuẩn kích thước $640 \times 640$, lật ngang ngẫu nhiên (Horizontal Flip), điều chỉnh dải sáng (Brightness Adjustment $\pm 20%$), và chèn nhiễu Gaussian để tăng tính thích ứng trong cabin xe.
Kiến trúc mạng YOLOv8 loại bỏ cơ chế Anchor Box truyền thống (chuyển sang kiến trúc Anchor-Free) và sử dụng đầu ra dạng Decoupled-Head phân tách riêng biệt nhánh phân loại (Classification) và nhánh xác định vị trí (Bounding Box Regression). Hàm tổn thất tổng thể của mạng:
$$\mathcal{L}{\text{total}} = \lambda{\text{cls}} \mathcal{L}{\text{VFL}} + \lambda{\text{box}} \mathcal{L}{\text{CIoU}} + \lambda{\text{dfl}} \mathcal{L}_{\text{DFL}}$$
Trong đó:
- $\mathcal{L}_{\text{VFL}}$: Varifocal Loss tối ưu hóa việc phân loại đối tượng có trọng số theo IoU.
- $\mathcal{L}_{\text{CIoU}}$: Complete Intersection over Union Loss đo lường độ trùng khớp không gian, tỉ lệ cạnh và khoảng cách tâm bounding box.
- $\mathcal{L}_{\text{DFL}}$: Distribution Focal Loss giúp dự đoán biên tọa độ hộp bao một cách mượt mà và chính xác.
2. Pipeline xử lý thời gian thực trên NVIDIA Jetson Nano
Mô hình sau khi huấn luyện xong trên PyTorch (best.pt) được chuyển đổi (export) sang định dạng ONNX và tối ưu hóa bằng TensorRT FP16 Engine để chạy suy luận trực tiếp trên nhân GPU 128-core Maxwell của Jetson Nano.
Dưới đây là đoạn mã nguồn Python triển khai nhận diện và gửi cờ cảnh báo UART tới vi điều khiển ESP32:
import cv2
import serial
import time
from ultralytics import YOLO
# Khởi tạo giao tiếp UART với ESP32 qua cổng ttyTHS1 (Baudrate 115200)
uart_ser = serial.Serial('/dev/ttyTHS1', baudrate=115200, timeout=0.1)
# Tải mô hình YOLOv8n đã tối ưu hóa
model = YOLO('models/driver_drowsiness_yolov8n.engine')
cap = cv2.VideoCapture(0) # Webcam Rapoo XW180
cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640)
cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480)
drowsy_frame_counter = 0
DROWSY_THRESHOLD_FRAMES = 15 # Tương đương ~0.5 giây nếu FPS = 30
while cap.isOpened():
ret, frame = cap.read()
if not ret:
break
results = model.predict(source=frame, conf=0.5, verbose=False)
current_status = "awake"
for r in results:
for box in r.boxes:
cls_id = int(box.cls[0])
label_name = model.names[cls_id]
if label_name in ["drowsy", "yawn"]:
current_status = label_name
# Thuật toán lọc nhiễu khung hình
if current_status in ["drowsy", "yawn"]:
drowsy_frame_counter += 1
if drowsy_frame_counter >= DROWSY_THRESHOLD_FRAMES:
# Gửi mã lệnh 'ALERT_DROWSY' qua UART sang ESP32
payload = f"STATUS:{current_status.upper()}:CONF={box.conf[0]:.2f}\n"
uart_ser.write(payload.encode('utf-8'))
else:
drowsy_frame_counter = max(0, drowsy_frame_counter - 1)
cv2.imshow('Driver Monitoring System', frame)
if cv2.waitKey(1) & 0xFF == ord('q'):
break
cap.release()
cv2.destroyAllWindows()
3. Firmware xử lý đa nhiệm trên ESP32 Gateway
Trên vi điều khiển ESP32, hệ điều hành thời gian thực FreeRTOS được ứng dụng để phân tách các tác vụ song song:
Task_UART_Parser (Core 0, Priority 3): Lắng nghe chuỗi dữ liệu từ Jetson Nano qua UART2. Khi nhận cờ cảnh báo, kích hoạt ngay lập tức còi Buzzer (GPIO13) và LED báo động.Task_Sensors_Read (Core 1, Priority 2): Đọc dữ liệu gia tốc từ cảm biến ADXL345 qua giao tiếp $I^2C$ và phân tích bản tin chuẩn $GPRMC/$GPGGA từ module GPS NEO-6M.Task_MQTT_Publish (Core 0, Priority 1): Đóng gói dữ liệu định dạng JSON và đẩy lên topic vehicle/telemetry trên AWS IoT Core qua mạng Wi-Fi hoặc 4G SIM A7680C.
// Cấu trúc gói tin JSON telemetry gửi lên Cloud
/*
{
"device_id": "JETSON_ESP32_01",
"timestamp": 1718006400000,
"status": "DROWSY",
"lat": 10.8507,
"lng": 106.7719,
"speed_kmh": 65.4,
"accel_g": 1.05,
"alarm": 1
}
*/
Testing và validation
Hệ thống đã trải qua quá trình kiểm thử nghiêm ngặt trong phòng thí nghiệm và trên phương tiện xe ô tô 7 chỗ chạy thực tế trên tuyến đường Quốc lộ 1A:
+-------------------------------------------------------------------------+
| ĐÁNH GIÁ HIỆU NĂNG MÔ HÌNH VÀ HỆ THỐNG |
+------------------------------+--------------------+---------------------+
| Chỉ số đo lường (Metrics) | Kết quả đạt được | Mục tiêu ban đầu |
+------------------------------+--------------------+---------------------+
| Tốc độ suy luận (Jetson GPU) | 28.5 - 31.2 FPS | >= 25.0 FPS |
| Tốc độ suy luận (Jetson CPU) | 4.2 - 5.1 FPS | N/A (Không đạt) |
| Độ trễ cảnh báo tại cabin | ~0.35 giây | < 1.0 giây |
| Độ trễ cảnh báo SMS 4G | 3.2 - 4.5 giây | < 10.0 giây |
| Precision (Độ chính xác) | 93.4% | >= 90.0% |
| Recall (Độ nhạy) | 91.8% | >= 90.0% |
| mAP@0.5 (Mean Avg Precision) | 94.6% | >= 90.0% |
| Sai số định vị GPS ngoài trời| 2.5 - 3.8 mét | < 5.0 mét |
| Công suất tiêu thụ tổng thể | 8.2W - 11.5W | < 15.0W |
+------------------------------+--------------------+---------------------+
Kết quả đạt được
Hệ thống hoàn thành 100% các chức năng phần cứng và phần mềm theo đề cương tốt nghiệp:
- Phần cứng tích hợp nhỏ gọn: Bo mạch máy tính nhúng Jetson Nano kết hợp cùng ESP32, nguồn hạ áp DC-DC LM2596 (12V trên ắc quy xe hơi xuống 5V-3A cho Jetson và ESP32) được đóng gói trong hộp chuyên dụng thẩm mỹ, tản nhiệt nhôm chủ động.
- Khả năng nhận diện chính xác: Hệ thống nhận diện ổn định hành vi ngủ gật và ngáp ngay cả khi tài xế đeo khẩu trang hoặc đội nón, không xảy ra hiện tượng cảnh báo sai khi tài xế chỉ chớp mắt tự nhiên.
- Giám sát thời gian thực: Web Dashboard hiển thị tọa độ xe trên bản đồ số, cập nhật vận tốc tức thời, hiển thị lịch sử rung lắc cảnh báo va chạm và danh sách các lần cảnh báo ngủ gật theo mốc thời gian thực.
Đổi mới và đóng góp
Đề tài mang lại nhiều điểm đổi mới và giá trị kỹ thuật đóng góp cho chuyên ngành Hệ thống nhúng và IoT:
- Kiến trúc phân tầng tính toán Edge-to-Gateway thông minh: Thay vì dồn toàn bộ tác vụ đọc cảm biến, viễn thông 4G và giao tiếp Cloud lên Jetson Nano (dẫn đến nghẽn tài nguyên CPU/GPU và tăng nguy cơ crash hệ điều hành Linux), hệ thống tách bạch: Jetson Nano chỉ chuyên trách xử lý thị giác máy tính với TensorRT; ESP32 làm Gateway thu thập cảm biến ngoại vi và điều khiển thời gian thực qua FreeRTOS.
- Cảnh báo đa kênh đồng bộ (Multi-tier Alert Mechanism):
- Tầng 1 (Tức thì <0.5s): Còi Buzzer tần số 2300Hz âm lượng >80dB trực tiếp đánh thức phản xạ của tài xế.
- Tầng 2 (Khẩn cấp 3–5s): Module SIM 4G A7680C tự động gửi tin nhắn SMS chứa tọa độ Google Maps và thực hiện cuộc gọi khẩn đến số điện thoại điều hành đội xe.
- Tầng 3 (Quản trị tập trung): Đẩy dữ liệu lên Cloud Dashboard lưu trữ phục vụ chấm điểm hành vi tài xế.
- Hiệu năng vượt trội so với các nghiên cứu trước: Nâng cao tốc độ phát hiện từ mức 12–15 FPS (các nghiên cứu sử dụng Raspberry Pi 4 chạy MobileNet) lên đến 30 FPS ổn định trên Jetson Nano nhờ tối ưu hóa kiến trúc mạng YOLOv8 Decoupled Head và engine tăng tốc phần cứng.
Ứng dụng thực tế và triển khai
Kịch bản triển khai thực tế
Hệ thống được thiết kế tối ưu cho các doanh nghiệp vận tải hành khách và logistic:
- Đội xe tải container đường dài Bắc - Nam: Giám sát hành trình liên tục, phát hiện và cảnh báo tài xế buồn ngủ trong các khung giờ cao điểm từ 01:00 đến 05:00 sáng.
- Xe khách giường nằm liên tỉnh: Cung cấp thông tin trực quan cho bộ phận an toàn của nhà xe về hành vi lái xe, tốc độ chạy xe và độ rung xóc trên từng cung đường.
+─────────────────────────────────────────────────────────────────────────+
| BẢNG DỰ TOÁN CHI PHÍ PHẦN CỨNG THI CÔNG (BOM) |
+----+--------------------------------+-------------------+---------------+
| STT| Tên thiết bị / Linh kiện | Thông số kỹ thuật | Đơn giá (VNĐ) |
+----+--------------------------------+-------------------+---------------+
| 1 | NVIDIA Jetson Nano B01 | 4GB RAM, 128 GPU | 2.800.000 |
| 2 | Webcam Rapoo XW180 | 1080P Full HD | 350.000 |
| 3 | Bo mạch ESP32-WROOM-32 | 38 chân Type-C | 120.000 |
| 4 | Cảm biến gia tốc ADXL345 | 3 trục I2C/SPI | 45.000 |
| 5 | Module định vị NEO-6M GPS | Ăng-ten gốm UART | 110.000 |
| 6 | Module SIM 4G LTE A7680C | Giao tiếp UART AT | 280.000 |
| 7 | Còi Buzzer 5V, LED, Mạch nguồn | LM2596, Jack DC | 95.000 |
| 8 | Vỏ hộp bảo vệ + Phụ kiện tản | Quạt 5V, Nhôm | 150.000 |
+----+--------------------------------+-------------------+---------------+
| | TỔNG CHI PHÍ PHẦN CỨNG | | 3.950.000 VNĐ |
+----+--------------------------------+-------------------+---------------+
Với tổng chi phí phần cứng chưa đến 4 triệu VNĐ, thiết bị có khả năng cạnh tranh cao so với các hệ thống DMS (Driver Monitoring System) ngoại nhập có giá thành từ 15 đến 30 triệu VNĐ, mang lại tỷ suất hoàn vốn đầu tư (ROI) hấp dẫn cho doanh nghiệp vận tải thông qua việc giảm thiểu rủi ro tai nạn giao thông và chi phí bảo hiểm.
Hạn chế và hướng phát triển
Hạn chế hiện tại
- Điều kiện ánh sáng ban đêm: Sử dụng webcam chuẩn RGB thông thường nên khi xe di chuyển qua các cung đường hoàn toàn không có đèn đường hoặc tắt hết đèn cabin, độ chính xác nhận diện khuôn mặt bị suy giảm.
- Can-bus kết nối: Chưa trích xuất trực tiếp dữ liệu tốc độ và trạng thái chân ga/phanh từ cổng chuẩn OBD-II của xe mà đang dựa hoàn toàn vào tính toán từ cảm biến GPS và gia tốc kế độc lập.
Hướng phát triển trong tương lai
- Tích hợp cụm Camera cảm biến hồng ngoại (IR Camera with Night Vision) kèm đèn LED hồng ngoại 850nm/940nm để hệ thống nhận diện xuyên màn đêm mà không gây chói mắt tài xế.
- Tích hợp thư viện giải mã mạng điều khiển khu vực CAN Bus (Controller Area Network) đọc trực tiếp góc xoay vô lăng, áp lực chân phanh để gia tăng chỉ số đánh giá trạng thái mất tập trung của tài xế.
- Triển khai thuật toán Federated Learning (Học liên kết) để mô hình có thể tự động học và tinh chỉnh theo đặc trưng khuôn mặt của từng tài xế riêng biệt mà vẫn bảo mật quyền riêng tư dữ liệu.
Đối tượng hưởng lợi
- Sinh viên ngành Kỹ thuật Điện tử, Hệ thống Nhúng và IoT: Cung cấp tài liệu tham khảo toàn diện, từ thiết kế mạch phần cứng, lập trình RTOS trên vi điều khiển đến kỹ thuật tối ưu hóa mô hình AI trên nền tảng Edge Computing (Jetson Nano).
- Kỹ sư và Lập trình viên AI/IoT: Nắm bắt được mô hình tích hợp hoàn chỉnh giữa kiến trúc mạng YOLOv8, cơ chế truyền thông UART liên vi điều khiển và hạ tầng đám mây AWS IoT Core chuẩn công nghiệp.
- Doanh nghiệp Vận tải & Logistics: Tiếp cận giải pháp công nghệ chi phí thấp, tính ứng dụng cao, dễ dàng lắp đặt trên các dòng xe tải và xe khách hiện hữu để bảo vệ tính mạng con người và tài sản doanh nghiệp.
- Cơ quan Quản lý Giao thông: Đóng góp thêm giải pháp công nghệ hỗ trợ thực thi quy định pháp luật về an toàn giao thông đường bộ và nâng cao năng lực giám sát phương tiện vận tải công cộng.
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu về phần cứng và nguồn điện để lắp đặt thiết bị trên xe là gì?
Hệ thống yêu cầu nguồn điện từ tẩu sạc hoặc bình ắc quy ô tô (12V–24V DC). Nguồn điện được hạ áp qua module ổn áp DC-DC LM2596 xuống nguồn 5V với dòng tải định mức tối thiểu 3A để cấp cho Jetson Nano và ESP32. Camera cần được lắp đặt cố định trước mặt vô lăng, cách khuôn mặt tài xế từ 50–70 cm. Ăng-ten GPS cần dán gần kính chắn gió phía trước táp-lô để thu nhận sóng vệ tinh tốt nhất.
2. Hệ thống có khả năng mở rộng (Scalability) quản lý hàng nghìn phương tiện cùng lúc không?
Có. Nhờ sử dụng hạ tầng đám mây không máy chủ (Serverless) của AWS bao gồm AWS IoT Core (xử lý hàng triệu kết nối MQTT đồng thời), AWS Lambda (tự động mở rộng quy mô tính toán theo số lượng bản tin nhận được) và Amazon DynamoDB (cơ sở dữ liệu phân tán có độ trễ milli-giây ở bất kỳ quy mô nào), hệ thống hoàn toàn đáp ứng mở rộng quản lý hàng chục ngàn xe tải mà không cần thay đổi kiến trúc phần mềm.
3. Tốc độ nhận diện 30 FPS trên Jetson Nano có bị giảm khi camera chuyển động rung lắc trên đường không?
Tốc độ suy luận (Inference Speed) của mô hình chạy trên nhân GPU Maxwell của Jetson Nano độc lập với chuyển động của xe. Để chống rung lắc và chống cảnh báo sai khi xe đi qua gờ giảm tốc, firmware đã tích hợp thuật toán lọc ngưỡng thời gian (Time-Window Filter): Trạng thái ngủ gật chỉ được xác nhận và kích hoạt còi báo động khi chuỗi khung hình liên tiếp ghi nhận trạng thái nhắm mắt vượt quá 15 frames (~0.5 giây).
4. Nếu xe đi vào vùng mất sóng viễn thông 4G, thiết bị có hoạt động được không?
Có. Hệ thống cảnh báo an toàn được thiết kế theo nguyên lý Edge AI xử lý cục bộ hoàn toàn tại cabin xe. Khi mất kết nối Internet/4G, còi Buzzer và đèn LED cảnh báo vẫn kích hoạt tức thì khi phát hiện tài xế ngủ gật. Toàn bộ tọa độ GPS và dữ liệu vi phạm sẽ được lưu tạm thời vào bộ nhớ đệm (Flash Buffer) của ESP32 và tự động đồng bộ hóa lên Cloud ngay khi xe kết nối lại mạng 4G.
5. Chi phí duy trì hệ thống Cloud hàng tháng cho một phương tiện là bao nhiêu?
Với tần suất gửi telemetry 5 giây/lần trong suốt 12 giờ chạy xe/ngày (tương đương khoảng 8.640 bản tin MQTT/ngày/xe), chi phí sử dụng AWS IoT Core, AWS Lambda và DynamoDB nằm trong gói miễn phí (AWS Free Tier) hoặc chỉ tiêu tốn khoảng 0.2 – 0.5 USD/xe/tháng (tương đương 5.000 – 12.000 VNĐ/tháng), cực kỳ tiết kiệm cho doanh nghiệp.
Kết luận
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 sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết thành công bài toán cấp bách về an toàn giao thông đường bộ. Bằng việc kết hợp tinh hoa của công nghệ thị giác máy tính hiện đại (YOLOv8), sức mạnh tính toán biên (NVIDIA Jetson Nano), tính linh hoạt của vi điều khiển nhúng (ESP32 FreeRTOS) cùng nền tảng đám mây công nghiệp (AWS IoT Core), đề tài đã tạo ra một sản phẩm hoàn chỉnh, có tính ứng dụng thực tế cao và độ tin cậy vượt trội.
Công trình không chỉ khẳng định năng lực nghiên cứu ứng dụng chuyên sâu của sinh viên ngành Hệ thống nhúng & IoT mà còn mở ra hướng phát triển các giải pháp hỗ trợ lái xe an toàn (ADAS) thuần Việt với chi phí tối ưu, đóng góp tích cực vào mục tiêu giảm thiểu tai nạn giao thông tại Việt Nam. Để tìm hiểu chi tiết hơn về mã nguồn, sơ đồ nguyên lý mạch hoặc hợp tác phát triển thử nghiệm, quý độc giả và doanh nghiệp có thể liên hệ bộ môn Kỹ thuật Máy tính - Viễn thông, Khoa Điện - Điện tử, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
