Giới thiệu dự án

Hoạt động đưa đón học sinh bằng xe buýt chuyên trách là một mắt xích thiết yếu trong hạ tầng giáo dục hiện đại, giúp tối ưu hóa thời gian cho phụ huynh và giảm áp lực giao thông đô thị. Tuy nhiên, các phương thức quản lý truyền thống bộc lộ nhiều lỗ hổng nghiêm trọng. Theo thống kê của Ủy ban An toàn Giao thông Quốc gia và các báo cáo ngành vận tải học đường quốc tế (như NHTSA), các sự cố học sinh bị bỏ quên trên xe đóng kín cửa hay đi nhầm tuyến, xuống sai điểm dừng vẫn diễn ra với hậu quả thương tâm. Điển hình như các sự cố đáng tiếc tại Việt Nam và quốc tế đã gióng lên hồi chuông cảnh báo về tính cấp thiết của việc tự động hóa giám sát an toàn phương tiện học đường.

Hệ thống quản lý thủ công phụ thuộc hoàn toàn vào sổ sách điểm danh giấy hoặc sự tập trung của tài xế và phụ xe, tiềm ẩn rủi ro sai sót do yếu tố con người, thiếu cơ chế xác thực vị trí thời gian thực và không có khả năng cảnh báo tự động khi hành trình kết thúc mà vẫn còn học sinh trên xe.

Nhằm giải quyết triệt để các hạn chế trên, đề tài "Xây dựng hệ thống hỗ trợ giám sát học sinh trên xe đưa đón ứng dụng AWS" (Đồ án tốt nghiệp chuyên ngành Hệ thống nhúng và IoT – Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) triển khai một kiến trúc IoT tích hợp Edge Computing và Điện toán đám mây phân tán.

+-------------------------------------------------------------------------+
|                           MỤC TIÊU DỰ ÁN                                |
+-------------------------------------------------------------------------+
| 1. Giám sát hành trình xe đưa đón theo thời gian thực (GNSS NEO-M8N).    |
| 2. Điểm danh sinh trắc học khuôn mặt 2 lớp (AWS Rekognition + GPS Fence).|
| 3. Tự động hóa điều khiển mở/đóng cửa an toàn qua cơ cấu chấp hành Relay.|
| 4. Xây dựng Web Dashboard quản trị Full-stack (Next.js/React + AWS/FB). |
| 5. Đạt độ trễ truyền thông toàn hệ thống dưới 5 giây (Latency < 5s).     |
+-------------------------------------------------------------------------+

Giải pháp sử dụng mô hình Serverless kết hợp đa nền tảng: AWS (Amazon Web Services) chịu trách nhiệm xử lý tác vụ điện toán nặng, nhận diện sinh trắc học và lưu trữ phi cấu trúc; Firebase Realtime Database đóng vai trò cầu nối đồng bộ trạng thái thời gian thực với độ trễ mili-giây; khối xử lý biên Raspberry Pi 4B thực hiện thu thập dữ liệu tọa độ vệ tinh và điều khiển cơ chế khóa liên động (Interlocking Relay).

Phạm vi của hệ thống tập trung vào tuyến hành trình chiều về (đón học sinh từ trường và trả về tận trạm/nhà) – giai đoạn có rủi ro xuống nhầm trạm cao nhất. Hệ thống giới hạn sai số định vị trong bán kính $R \le 5\text{ m}$ và tỷ lệ nhận diện khuôn mặt chính xác $\ge 90%$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp giám sát phương tiện học đường trên thị trường hiện nay chủ yếu phân hóa thành ba nhóm: điểm danh thủ công, điểm danh qua thẻ từ (RFID), và hệ thống định vị GPS rời rạc (Fleet Management).

Tiêu chí so sánh Điểm danh thủ công Thẻ từ RFID (VD: Nguyễn Tiến An) Safe School (NAVIS - ĐHBK HN) Hệ thống đề xuất (AWS + IoT)
Phương thức xác thực Ký tên / Điểm danh miệng Quẹt thẻ Mifare/RFID 13.56MHz Định vị vệ tinh + App Sinh trắc học khuôn mặt (AWS Rekognition)
Xác thực vị trí trả học sinh Mắt thường tài xế Không hỗ trợ Định vị trạm xe Đối chiếu tọa độ 2 lớp (GPS $\le 5\text{ m}$)
Cơ chế chống quên học sinh Tài xế tự kiểm tra Đếm số lượt quét thẻ vào/ra Theo dõi lộ trình trạm Khóa liên động mở cửa + Đồng bộ Cloud
Tính chống gian lận Rất thấp (quên/nhầm lẫn) Thấp (quét thẻ hộ, mất thẻ) Trung bình Rất cao (Khuôn mặt độc bản)
Hạ tầng máy chủ Không Server cục bộ / On-premise Cloud máy chủ riêng Serverless Cloud (AWS Lambda + Firebase)

Phân loại yêu cầu hệ thống theo mô hình MoSCoW:

  • Must have: Nhận diện khuôn mặt học sinh lúc lên xe; Định vị tọa độ GPS xe liên tục; Xác thực 2 yếu tố (Khuôn mặt + Tọa độ Geofence trạm) khi xuống xe; Tự động kích hoạt mở cửa qua Relay; Dashboard quản lý học sinh và tài xế.
  • Should have: Lọc trạng thái học sinh (đã lên xe / trên xe / đã xuống xe); Cảnh báo đăng nhập sai; Hiển thị lộ trình trực quan trên Google Maps API.
  • Could have: Tích hợp camera AI trực tiếp tại biên (Edge AI); Báo cáo lịch sử hành trình theo tuần/tháng.
  • Won't have (lần này): Cảm biến radar mmWave quét nhịp thở trong khoang xe khi tắt máy; Ứng dụng native di động cho phụ huynh.

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo mô hình 4 tầng phân tán (Edge Layer, Cloud Telemetry Layer, Serverless Compute Layer, Presentation Layer):

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC TỔNG THỂ HỆ THỐNG                          |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ KHỐI PHẦN CỨNG XE (EDGE) ]                                                     |
|  +--------------------------+        UART (NMEA)                                  |
|  | u-blox NEO-M8N GPS       | ------------------------+                           |
|  +--------------------------+                         |                           |
|                                                       v                           |
|  +--------------------------+    GPIO18 / High    +-----------------------+       |
|  | 5V Relay -> 12V DC Motor | <------------------ | Raspberry Pi 4B (Edge)|       |
|  +--------------------------+                     +-----------------------+       |
|                                                       |                           |
+-------------------------------------------------------|---------------------------+
                                                        | HTTPS / REST / WebSockets
                                                        v
+-----------------------------------------------------------------------------------+
|  [ NỀN TẢNG ĐÁM MÂY (CLOUD SERVICES) ]                                            |
|                                                                                   |
|    +--------------------------------+       +-------------------------------+     |
|    | Firebase Realtime Database     | <---> | Next.js Management & Roll-call|     |
|    | - /buses/{id}/telemetry        |       | Web Application               |     |
|    | - /buses/{id}/door_status      |       +-------------------------------+     |
|    +--------------------------------+                         |                   |
|                                                               | REST API (JSON)   |
|                                                               v                   |
|    +--------------------+       +-------------------+       +-----------------+   |
|    | Amazon S3 Storage  | <---> | AWS Lambda Engine | <---> | Amazon API      |   |
|    | (Portraits/Snaps)  |       | (Python 3.10)     |       | Gateway (REST)  |   |
|    +--------------------+       +-------------------+       +-----------------+   |
|              ^                            |                           |           |
|              |                            v                           v           |
|    +--------------------+       +-------------------+       +-----------------+   |
|    | Amazon Rekognition |       | Amazon DynamoDB   |       | AWS IAM /       |   |
|    | (CompareFaces API) |       | (NoSQL Data Core) |       | CloudWatch Logs |   |
|    +--------------------+       +-------------------+       +-----------------+   |
+-----------------------------------------------------------------------------------+

Technology Stack & Versions

  • Hardware Layer: Raspberry Pi 4 Model B (Broadcom BCM2711, Quad-core Cortex-A72 @ 1.5GHz, 4GB LPDDR4), u-blox NEO-M8N GNSS Module (Baud rate: 9600 bps, update rate: 1-10 Hz), Relay Module 5V DC 1-channel, 12V DC Brushed Gear Motor.
  • Firmware / Edge Runtime: Raspberry Pi OS 64-bit (Debian 12 Bookworm kernel 6.1), Python 3.10.12, pyserial 3.5, requests 2.31.0.
  • Cloud Infrastructure: AWS Lambda, Amazon DynamoDB (On-Demand Capacity), Amazon S3 Standard, Amazon Rekognition API, Amazon API Gateway v2, AWS IAM, Amazon CloudWatch, Firebase Realtime Database (JSON tree sync).
  • Frontend Web & API: Next.js 14.2 (React 18.3), Tailwind CSS 3.4, Node.js 20.x LTS, @aws-sdk/client-rekognition v3, firebase-admin 12.0.

Database Design

  1. Amazon DynamoDB:

    • Table Students: student_id (String, Partition Key), full_name (String), class_name (String), bus_id (String), home_latitude (Number), home_longitude (Number), avatar_s3_url (String), status (String: NOT_ON_BOARD, ON_BOARD, DROPPED_OFF), updated_at (Timestamp).
    • Table Drivers: driver_id (String, Partition Key), full_name (String), license_number (String), phone (String), assigned_bus_id (String), status (String: ACTIVE, OFF_DUTY).

  2. Firebase Realtime Database Structure:

{
  "buses": {
    "BUS_01": {
      "telemetry": {
        "latitude": 10.850632,
        "longitude": 106.772151,
        "speed": 28.5,
        "timestamp": 1718874600000
      },
      "door_control": {
        "unlock_trigger": true,
        "authorized_student_id": "SV20139039",
        "last_updated": 1718874602100
      }
    }
  }
}

API Endpoints (Amazon API Gateway)

  • POST /api/v1/students – Đăng ký thông tin học sinh và tải ảnh gốc lên S3.
  • GET /api/v1/students?busId={id} – Lấy danh sách học sinh theo tuyến xe.
  • POST /api/v1/attendance/check-in – Nhận diện khuôn mặt lên xe (Payload: image_base64, bus_id).
  • POST /api/v1/attendance/check-out – Xác thực 2 lớp xuống xe (Payload: image_base64, bus_id, current_lat, current_lng).

Methodology

Dự án áp dụng quy trình phát triển linh hoạt Agile/Scrum chia thành 4 Sprint (tổng thời gian 16 tuần):

  • Sprint 1 (Tuần 1-4): Nghiên cứu cơ sở lý thuyết, lập đặc tả yêu cầu, thiết kế mạch phần cứng Raspberry Pi 4B, GPS NEO-M8N và module Relay.
  • Sprint 2 (Tuần 5-8): Khởi tạo hạ tầng AWS (S3, DynamoDB, Lambda, Rekognition, IAM), cấu hình Firebase Realtime DB và lập trình firmware đọc dữ liệu NMEA GPS.
  • Sprint 3 (Tuần 9-12): Xây dựng Web Dashboard quản trị và Giao diện điểm danh 2 lớp bằng Next.js và Tailwind CSS; tích hợp API Gateway.
  • Sprint 4 (Tuần 13-16): Tích hợp liên tầng (Edge-Cloud-Web), kiểm thử hiệu năng, tối ưu độ trễ và kiểm tra độ chính xác mô hình thực tế.
+-----------------------------------------------------------------------------------+
| RISK MATRIX & MITIGATION STRATEGY                                                 |
+------------------------------------+------------+---------------------------------+
| Rủi ro kỹ thuật                    | Mức độ     | Giải pháp xử lý (Mitigation)    |
+------------------------------------+------------+---------------------------------+
| Mất kết nối Internet trên xe       | Trung bình | Bộ đệm cục bộ SQLite trên Edge, |
| (4G/LTE timeout)                   |            | tự động push data khi có mạng   |
| Sai số vị trí GPS trôi dạt         | Cao        | Thuật toán lọc trung bình cộng  |
| trong đô thị cao tầng              |            | kết hợp bán kính ngưỡng 5 mét   |
| Ảnh chụp mờ/ngược sáng làm         | Trung bình | Tiền xử lý ảnh (Auto-Contrast)  |
| giảm độ chính xác Rekognition      |            | trước khi gọi AWS API           |
+------------------------------------+------------+---------------------------------+

Implementation và kết quả

Development process

Trọng tâm triển khai hệ thống là module xác thực 2 lớp kết hợp giải thuật tính khoảng cách trắc địa Haversine Formula trên AWS Lambda và luồng đọc dữ liệu UART GPS tại Raspberry Pi 4B.

1. Thuật toán tính khoảng cách địa lý (Haversine Formula)

Khoảng cách $d$ giữa tọa độ GPS của xe $(lat_1, lon_1)$ và tọa độ trạm đăng ký của học sinh $(lat_2, lon_2)$ được tính theo công thức:

$$a = \sin^2\left(\frac{\Delta lat}{2}\right) + \cos(lat_1) \cdot \cos(lat_2) \cdot \sin^2\left(\frac{\Delta lon}{2}\right)$$

$$d = 2 \cdot R_{earth} \cdot \arcsin\left(\sqrt{a}\right) \quad \text{với } R_{earth} = 6,371,000 \text{ mét}$$

2. Mã nguồn xử lý điểm danh 2 lớp trên AWS Lambda (Python 3.10)

import json
import math
import boto3
from decimal import Decimal

rekognition = boto3.client('rekognition', region_name='ap-southeast-1')
dynamodb = boto3.resource('dynamodb', region_name='ap-southeast-1')
s3 = boto3.client('s3', region_name='ap-southeast-1')

BUCKET_NAME = 'school-bus-student-avatars'
STUDENTS_TABLE = 'Students'
SIMILARITY_THRESHOLD = 85.0
GEOFENCE_RADIUS_METERS = 5.0

def calculate_haversine(lat1, lon1, lat2, lon2):
    R = 6371000.0  # Ban kinh Trai Dat (met)
    phi1, phi2 = math.radians(lat1), math.radians(lat2)
    delta_phi = math.radians(lat2 - lat1)
    delta_lambda = math.radians(lon2 - lon1)
    
    a = (math.sin(delta_phi / 2.0) ** 2 +
         math.cos(phi1) * math.cos(phi2) * math.sin(delta_lambda / 2.0) ** 2)
    c = 2.0 * math.atan2(math.sqrt(a), math.sqrt(1.0 - a))
    return R * c

def lambda_handler(event, context):
    try:
        body = json.loads(event.get('body', '{}'))
        bus_id = body['bus_id']
        current_lat = float(body['current_lat'])
        current_lng = float(body['current_lng'])
        captured_image_b64 = body['image_bytes'] # Bytes base64 decoded
        
        table = dynamodb.Table(STUDENTS_TABLE)
        response = table.scan(FilterExpression=boto3.dynamodb.conditions.Attr('bus_id').eq(bus_id))
        students = response.get('Items', [])
        
        matched_student = None
        for student in students:
            # So khop khuon mat qua Amazon Rekognition
            compare_res = rekognition.compare_faces(
                SourceImage={'Bytes': captured_image_b64},
                TargetImage={'S3Object': {'Bucket': BUCKET_NAME, 'Name': student['avatar_key']}},
                SimilarityThreshold=SIMILARITY_THRESHOLD
            )
            
            if compare_res['FaceMatches']:
                similarity = compare_res['FaceMatches'][0]['Similarity']
                if similarity >= SIMILARITY_THRESHOLD:
                    matched_student = student
                    break
                    
        if not matched_student:
            return {'statusCode': 404, 'body': json.dumps({'verified': False, 'message': 'Khuon mat khong hop le!'})}
        
        # Lop 2: Kiem tra toa do Geofencing
        target_lat = float(matched_student['home_latitude'])
        target_lng = float(matched_student['home_longitude'])
        distance = calculate_haversine(current_lat, current_lng, target_lat, target_lng)
        
        if distance <= GEOFENCE_RADIUS_METERS:
            # Cap nhat trang thai DynamoDB & cho phep mo cua xe
            table.update_item(
                Key={'student_id': matched_student['student_id']},
                UpdateExpression='SET #st = :val',
                ExpressionAttributeNames={'#st': 'status'},
                ExpressionAttributeValues={':val': 'DROPPED_OFF'}
            )
            return {
                'statusCode': 200,
                'body': json.dumps({
                    'verified': True,
                    'unlock_door': True,
                    'student_name': matched_student['full_name'],
                    'distance_error': round(distance, 2)
                })
            }
        else:
            return {
                'statusCode': 400,
                'body': json.dumps({
                    'verified': True,
                    'unlock_door': False,
                    'message': f'Sai tram! Cach nha {round(distance, 2)}m (Quy dinh <= {GEOFENCE_RADIUS_METERS}m)'
                })
            }
    except Exception as e:
        return {'statusCode': 500, 'body': json.dumps({'error': str(e)})}

Testing và validation

Hệ thống được đo đạc và kiểm thử thực nghiệm qua 100 chu kỳ vận hành liên tục trên xe thực tế.

+-------------------------------------------------------------------------+
|                    KẾT QUẢ ĐO ĐẠC HIỆU NĂNG THỰC NGHIỆM                 |
+-------------------------------------------+---------------+-------------+
| Chỉ số kiểm thử                           | Tiêu chuẩn    | Thực tế đạt |
+-------------------------------------------+---------------+-------------+
| Độ trễ truyền dữ liệu GPS -> Firebase     | < 5.0 giây    | 1.25 giây   |
| Thời gian phản hồi AWS Rekognition        | < 2.0 giây    | 0.68 giây   |
| Sai số định vị tĩnh (u-blox NEO-M8N)      | < 5.0 mét     | 2.15 mét    |
| Tỷ lệ nhận diện khuôn mặt đúng (Ánh sáng chuẩn)| >= 90.0%  | 98.4%       |
| Tỷ lệ nhận diện khuôn mặt đúng (Ngược sáng)| >= 80.0%     | 88.6%       |
| Độ trễ kích hoạt Relay khi khớp lệnh      | < 1.0 giây    | 0.32 giây   |
+-------------------------------------------+---------------+-------------+

+-------------------------------------------------------------------------+
|               BẢNG TÍNH TOÁN CÔNG SUẤT TIÊU THỤ HỆ THỐNG BIÊN           |
+---------------------+-----------------+---------------+-----------------+
| Thành phần          | Điện áp (V)     | Dòng điện (mA)| Công suất (W)   |
+---------------------+-----------------+---------------+-----------------+
| Raspberry Pi 4B     | 5.1 V           | 1040 mA       | 5.300 W         |
| GPS u-blox NEO-M8N  | 5.0 V           | 45 mA         | 0.225 W         |
| Relay Module 5V     | 5.0 V           | 80 mA         | 0.400 W         |
| Motor DC 12V (Cửa)  | 12.0 V          | 240 mA        | 2.880 - 4.000 W |
+---------------------+-----------------+---------------+-----------------+
| Tổng công suất tiêu thụ trung bình: ~9.925 W (Tương thích nguồn xe 12V) |
+-------------------------------------------------------------------------+

Kết quả đạt được

Hệ thống hoàn thành 100% các chức năng đề ra trong bản đặc tả kỹ thuật:

  1. Phần mềm quản lý (Web Dashboard): Cho phép người quản trị đăng nhập an toàn, giám sát danh sách học sinh theo từng chuyến xe, theo dõi vị trí trực tiếp của phương tiện trên bản đồ số, lọc trạng thái thời gian thực và quản lý hồ sơ tài xế.
  2. Ứng dụng điểm danh: Giao diện tối ưu cho máy tính bảng/smartphone trên xe, hỗ trợ chụp ảnh trực tiếp và phản hồi kết quả điểm danh tức thì kèm thông báo âm thanh và hình ảnh trực quan.
  3. Bộ điều khiển cơ khí cửa xe: Cơ cấu Relay kích hoạt đóng ngắt motor 12V chính xác tuyệt đối, chỉ mở cửa khi dữ liệu xác thực trả về unlock_door: true.

Đổi mới và đóng góp

  • Cơ chế xác thực 2 yếu tố lai (Biometric-Geofencing Hybrid): Khác biệt hoàn toàn với các hệ thống chỉ dùng RFID hoặc nhận diện khuôn mặt đơn thuần, giải pháp buộc học sinh phải thỏa mãn đồng thời hai điều kiện: khuôn mặt khớp dữ liệu hồ sơ và tọa độ xe nằm trong bán kính an toàn của trạm dừng ($\le 5\text{ m}$).
  • Kiến trúc Serverless Event-Driven tối ưu chi phí: Loại bỏ hoàn toàn chi phí duy trì máy chủ dedicated 24/7. Toàn bộ logic nghiệp vụ nặng được kích hoạt thông qua AWS Lambda và DynamoDB, tự động co giãn từ 1 xe lên hàng ngàn xe mà không cần cấu hình lại hạ tầng.
  • Cơ chế khóa an toàn cấp phần cứng (Hardware Interlocking): Khóa cửa xe cơ điện tử tích hợp ngăn chặn hoàn toàn việc mở cửa khi xe dừng sai trạm hoặc khi học sinh chưa được xác thực, loại trừ triệt để nguy cơ tai nạn do học sinh tự ý xuống xe ở khu vực nguy hiểm.
  • Tối ưu hóa băng thông truyền thông: Phân tách rõ ràng luồng dữ liệu liên tục tần số cao (GPS Telemetry gửi lên Firebase Realtime DB) và luồng dữ liệu sự kiện tần số thấp (Hình ảnh khuôn mặt gửi lên AWS S3/Lambda), giúp tiết kiệm đến $73%$ băng thông mạng di động 4G so với truyền hình ảnh trực tiếp liên tục.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

+-----------------------------------------------------------------------------------+
|                        QUY TRÌNH VẬN HÀNH THỰC TẾ TRÊN XE                         |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [ BƯỚC 1: ĐÓN HỌC SINH TẠI TRƯỜNG ]                                              |
|  * Học sinh đứng trước camera trên xe -> Ứng dụng chụp ảnh chân dung.             |
|  * AWS Rekognition so khớp -> Trạng thái đổi thành "ON_BOARD".                    |
|                                                                                   |
|  [ BƯỚC 2: HÀNH TRÌNH DI CHUYỂN ]                                                 |
|  * Raspberry Pi 4B đọc GPS từ NEO-M8N -> Đẩy tọa độ lên Firebase (mỗi 1 giây).    |
|  * Dashboard nhà trường & phụ huynh giám sát vị trí xe di chuyển trực tiếp.      |
|                                                                                   |
|  [ BƯỚC 3: TRẢ HỌC SINH TẠI TRẠM ]                                               |
|  * Đến điểm dừng, học sinh thực hiện quét khuôn mặt lần 2.                        |
|  * Lambda tính khoảng cách: Nếu d <= 5m -> Kích hoạt Relay mở cửa xe.             |
|  * Trạng thái đổi thành "DROPPED_OFF" -> Kết thúc chu trình an toàn.              |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Hướng dẫn triển khai kỹ thuật

  1. Cấu hình phần cứng trên xe:

    • Cấp nguồn cho Raspberry Pi 4B qua bộ chuyển đổi nguồn DC-DC Buck Converter hạ áp từ ắc quy xe ($12\text{V} \to 5.1\text{V} / 3.5\text{A}$).
    • Kết nối module GPS NEO-M8N qua chân GPIO14 (TXD) và GPIO15 (RXD). Đặt ăng-ten GPS ở vị trí sát kính chắn gió phía trước để thu tín hiệu vệ tinh tối ưu.
    • Nối chân GPIO18 tới chân IN của Relay Module 5V; chân NO (Normally Open) và Common của Relay đóng vai trò công tắc cấp nguồn 12V cho motor điều khiển chốt cửa.

  2. Cấu hình Cloud & Web App:

    • Tạo IAM Role với chính sách tối thiểu: AmazonRekognitionReadOnlyAccess, AmazonDynamoDBFullAccess, AmazonS3FullAccess.
    • Khởi tạo bảng DynamoDB Students và Drivers tại Region ap-southeast-1 (Singapore) để đảm bảo độ trễ thấp nhất về Việt Nam.
    • Triển khai Web App Next.js lên Vercel hoặc AWS Amplify; thiết lập biến môi trường kết nối Firebase SDK và AWS API Gateway.
+-------------------------------------------------------------------------+
|                  ƯỚC TÍNH CHI PHÍ VẬN HÀNH CHO ĐỘI XE 10 CHIẾC         |
+-----------------------------------------+-------------------------------+
| Hạng mục chi phí                        | Dự toán trung bình / tháng    |
+-----------------------------------------+-------------------------------+
| Phần cứng Edge (Chi phí một lần / xe)   | ~ 1.850.000 VNĐ / xe          |
| AWS Lambda (100.000 requests/tháng)     | $0.20 USD                     |
| Amazon Rekognition (~20.000 lượt so ảnh)| $20.00 USD (Miễn phí năm đầu) |
| Amazon DynamoDB & S3 Storage (5 GB)     | $1.15 USD                     |
| Firebase Realtime Database (Băng thông) | $5.00 USD                     |
| Sim 4G IoT Data (2 GB/tháng/xe)         | 350.000 VNĐ (~ $14.00 USD)    |
+-----------------------------------------+-------------------------------+
| Tổng chi phí Opex duy trì hàng tháng: ~ $40.35 USD (~ 1.000.000 VNĐ cho cả 10 xe)|
+-------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ chính xác nhận diện của AWS Rekognition bị suy giảm khi chụp trong điều kiện ánh sáng quá yếu hoặc khi học sinh đeo khẩu trang kín toàn bộ gương mặt.
  • Tín hiệu định vị GPS NEO-M8N dễ bị trôi dạt (Multipath error) khi xe di chuyển vào khu vực đường hầm hoặc giữa các hẻm sâu có nhà cao tầng san sát.
  • Hệ thống phụ thuộc vào kết nối mạng di động 4G/LTE; nếu xe đi qua vùng mất sóng hoàn toàn, việc xác thực khuôn mặt qua Cloud Lambda sẽ bị đình trệ tạm thời.

Định hướng mở rộng trong tương lai

  • Edge AI Integration: Tích hợp bộ tăng tốc phần cứng Google Coral TPU hoặc chuyển sang bo mạch NVIDIA Jetson Nano để chạy mô hình nhận diện khuôn mặt MobileNet-V3 / YOLOv8-Face cục bộ (On-premise Edge Inference), cho phép điểm danh ngoại tuyến khi mất mạng hoàn toàn.
  • Cảm biến an toàn trong khoang xe: Trang bị thêm cảm biến sóng radar vi bước (mmWave Radar) và cảm biến PIR bên trong trần xe để tự động quét thân nhiệt, chuyển động sau khi tài xế tắt máy hoàn toàn; phát còi báo động và gửi thông báo khẩn cấp nếu phát hiện còn sự sống trên xe.
  • Mobile App chuyên dụng cho phụ huynh: Phát triển ứng dụng Flutter tích hợp thông báo đẩy (Push Notification) thông báo tức thì khi con lên xe, cập nhật lộ trình xe chạy và thời gian dự kiến đến trạm đón theo thời gian thực.

Đối tượng hưởng lợi

+-------------------------------------------------------------------------+
|                    GIÁ TRỊ MANG LẠI CHO CÁC BÊN LIÊN QUAN               |
+-------------------------------------------------------------------------+
|                                                                         |
|  [ HỌC SINH & PHỤ HUYNH ]                                               |
|  - Loại bỏ hoàn toàn nguy cơ bị bỏ quên hoặc xuống nhầm trạm.           |
|  - Phụ huynh an tâm nắm bắt vị trí con theo thời gian thực (Sai số <5m).|
|                                                                         |
|  [ NHÀ TRƯỜNG & ĐƠN VỊ VẬN TẢI ]                                        |
|  - Tự động hóa 100% quy trình điểm danh, cắt giảm chi phí nhân sự phụ xe.|
|  - Nâng cao uy tín và chuẩn mực an toàn dịch vụ đưa đón học đường.      |
|                                                                         |
|  [ KỸ SƯ PHẦN MỀM & SINH VIÊN IoT ]                                     |
|  - Cung cấp mô hình tham chiếu hoàn chỉnh về kiến trúc Serverless IoT.  |
|  - Mẫu thiết kế tích hợp phần cứng biên (Raspberry Pi) và AWS Cloud.    |
|                                                                         |
|  [ NHÀ NGHIÊN CỨU & CỘNG ĐỒNG ]                                         |
|  - Cung cấp dữ liệu thực nghiệm về độ trễ và độ chính xác Geofencing.   |
|  - Khẳng định tính khả thi của giải pháp bảo mật sinh trắc học 2 lớp.  |
|                                                                         |
+-------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống trên một xe đưa đón là gì?

Xe cần trang bị: Một máy tính nhúng Raspberry Pi 4B (khuyến nghị bản RAM 4GB) kèm thẻ nhớ MicroSD 32GB Class 10; Một module GPS u-blox NEO-M8N kèm ăng-ten ngoài; Một module Relay 5V 10A; Một bộ hạ áp DC-DC Buck 12V-to-5V (nguồn tối thiểu 3A); Một bộ phát Wi-Fi 4G LTE di động trên xe; Một smartphone/tablet chạy trình duyệt hiện đại (Chrome/Safari) có camera kết nối mạng nội bộ của xe.

2. Hệ thống có bị giới hạn hiệu năng khi mở rộng quy mô lên hàng trăm xe không?

Không. Nhờ kiến trúc Serverless của AWS (Lambda tự động scale song song hàng ngàn execution instances, DynamoDB đáp ứng hàng trăm ngàn Read/Write Units với độ trễ đơn chữ số mili-giây, và Firebase Realtime Database phân tán), hệ thống hoàn toàn chịu tải mượt mà khi mở rộng từ 10 xe lên hàng ngàn xe mà không xảy ra nghẽn cổ chai hạ tầng.

3. Hệ thống có thể tích hợp với các phần mềm quản lý trường học (School SIS/ERP) sẵn có không?

Hoàn toàn có thể. Amazon API Gateway cung cấp chuẩn giao tiếp RESTful API chuẩn hóa với dữ liệu định dạng JSON. Các hệ thống quản lý học sinh hiện có của nhà trường chỉ cần gọi các webhook/endpoint có sẵn với cơ chế xác thực bảo mật Bearer JWT Token để đồng bộ dữ liệu học sinh, danh sách lớp và lịch trình xe.

4. Quy trình bảo trì phần cứng và hỗ trợ vận hành gồm những gì?

Phần cứng được thiết kế theo dạng module hóa cắm giắc tiện lợi, cho phép thay thế nóng (hot-swap) từng module (GPS, Relay, nguồn) trong vòng dưới 10 phút. Định kỳ 6 tháng kiểm tra vệ sinh ăng-ten GPS và kiểm tra độ nhạy tiếp điểm Relay. Nhật ký hệ thống (System Logs) được tự động đẩy lên Amazon CloudWatch, giúp kỹ sư theo dõi từ xa các lỗi phát sinh trong quá trình vận hành mà không cần can thiệp trực tiếp trên xe.

5. Chi phí đầu tư ban đầu và thời gian hoàn vốn (ROI) được tính toán như thế nào?

Chi phí đầu tư phần cứng cho mỗi xe khoảng $1.850.000\text{ VNĐ}$. Chi phí vận hành Cloud và 4G khoảng $100.000\text{ VNĐ/xe/tháng}$. So với việc phải thuê nhân sự giám thị đi theo xe để điểm danh thủ công (chi phí từ $4.000.000 - 6.000.000\text{ VNĐ/tháng/xe}$), hệ thống giúp nhà trường hoàn vốn đầu tư chỉ sau 1 đến 2 tháng vận hành đầu tiên, đồng thời triệt tiêu hoàn toàn các rủi ro pháp lý và tổn thất thương hiệu do sự cố an toàn học sinh.

Kết luận

Đề tài "Xây dựng hệ thống hỗ trợ giám sát học sinh trên xe đưa đón ứng dụng AWS" đã giải quyết xuất sắc bài toán cấp thiết về an toàn học đường bằng việc kết hợp hài hòa giữa công nghệ nhúng IoT, định vị vệ tinh GNSS và hạ tầng Điện toán đám mây tiên tiến. Việc triển khai thành công cơ chế điểm danh sinh trắc học 2 lớp (Khuôn mặt + Định vị Geofence sai số $\le 5\text{ m}$) cùng cơ cấu khóa cửa an toàn tự động mở ra một chuẩn mực mới trong chuyển đổi số giao thông trường học.

Công trình không chỉ khẳng định tính khả thi cao về mặt kỹ thuật với độ trễ truyền dữ liệu ấn tượng dưới 1.3 giây và độ chính xác nhận diện đạt $98.4%$, mà còn mang lại giá trị kinh tế – xã hội sâu sắc, giúp nhà trường tối ưu chi phí vận hành và đem lại sự an tâm tuyệt đối cho phụ huynh học sinh. Đây là nền tảng vững chắc sẵn sàng để phát triển và thương mại hóa thành các giải pháp an toàn giao thông thông minh toàn diện trong tương lai.