Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh cách mạng công nghiệp lần thứ tư, sự phát triển của công nghệ Internet kết nối vạn vật (IoT) và Hệ thống giao thông thông minh (Intelligent Transportation System - ITS) đặt ra yêu cầu cấp thiết về các công cụ quản lý đô thị tự động hóa. Tại Việt Nam, tai nạn giao thông là một trong những nguyên nhân gây tử vong hàng đầu; theo số liệu từ Văn phòng Ủy ban An toàn Giao thông Quốc gia, chỉ trong 9 tháng đầu năm 2020 (từ 15/12/2019 đến 14/9/2020), toàn quốc đã xảy ra hơn 10.000 vụ tai nạn giao thông, làm chết hơn 4.800 người và khiến hơn 7.000 người bị thương. Việc giám sát và kiểm soát vận tốc phương tiện là giải pháp then chốt để hạn chế tai nạn do chạy quá tốc độ quy định.

Hiện nay, hai công nghệ đo tốc độ phương tiện phổ biến là Radar và Lidar:

  • Radar: Ứng dụng hiệu ứng Doppler bằng cách phát tín hiệu vô tuyến có tần số xác định đến vật thể chuyển động và đo sự thay đổi tần số của tín hiệu phản xạ để suy ra vận tốc.
  • Lidar: Bắn các xung tia laser công suất cao vào phương tiện (thường nhắm vào biển số xe) và tính toán thời gian xung phản xạ quay trở lại qua hơn 100 phép đo trong nửa giây để xác định biến thiên khoảng cách.

Mặc dù có độ chính xác cao, cả hai phương pháp này đều tồn tại những nhược điểm lớn: chi phí trang bị đắt đỏ, chỉ thực hiện đo đơn lẻ từng phương tiện, đòi hỏi người vận hành thủ công và thiếu tính đồng bộ trên toàn hệ thống giám sát. Do đó, việc nghiên cứu giải pháp ước tính vận tốc phương tiện tự động thông qua xử lý chuỗi hình ảnh từ hệ thống camera giao thông sẵn có là hướng tiếp cận mang tính khả thi cao.

Khóa luận xác định các mục tiêu và nhiệm vụ nghiên cứu cụ thể như sau:

  1. Tìm hiểu, khảo sát và triển khai các phương pháp nhận diện phương tiện giao thông, hướng tới chỉ số sai lệch xấp xỉ 1.
  2. Tìm hiểu, khảo sát và ứng dụng các thuật toán theo dõi đối tượng (object tracking).
  3. Nghiên cứu và thực nghiệm phương pháp tính toán vận tốc phương tiện, đặt mục tiêu sai số dưới 10%.
  4. Đạt tốc độ xử lý trong khoảng từ 15 FPS đến 25 FPS tùy thuộc vào mật độ phương tiện lưu thông.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các loại phương tiện lưu thông phổ biến tại đô thị Việt Nam, bao gồm xe máy, ô tô và xe buýt.
  • Phạm vi không gian: Hai tuyến đường lớn tại Thành phố Hồ Chí Minh gồm đường Hoàng Văn Thụ (quận Tân Bình) và đường Điện Biên Phủ (quận Bình Thạnh).
  • Phạm vi dữ liệu và thời gian: Video ghi hình thực tế vào ban ngày trong khung giờ từ 13h đến 16h với tổng thời lượng hơn 2 giờ, định dạng MP4, độ phân giải Full HD (1920x1080) ở tốc độ 30 FPS. Bộ dữ liệu tự xây dựng mang tên vn_vehicle với hơn 10.000 mẫu (samples) phục vụ công tác huấn luyện và đánh giá mô hình.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết thị giác máy tính, học sâu và kỹ thuật biến đổi không gian hình học để giải quyết bài toán đo vận tốc.

1. Khung lý thuyết và các mô hình nhận diện đối tượng

Mạng nơ-ron tích chập (CNN) là cấu trúc cốt lõi xử lý ảnh, bao gồm tầng tích chập (Convolutional Layer) trích xuất đặc trưng không gian qua bộ lọc hạt nhân (kernel), tầng gộp (Pooling Layer - Max Pooling và Average Pooling) nhằm giảm chiều dữ liệu và duy trì tính bất biến không gian, cùng các tầng kết nối đầy đủ (Fully Connected - FC) kết hợp hàm Softmax để phân loại xác suất.

Tác giả khảo sát hai nhóm mô hình nhận diện chính:

  • Nhóm mô hình hai giai đoạn (Two-stage Detectors):
    • R-CNN (2014): Dùng thuật toán Selective Search tạo khoảng 2.000 vùng đề xuất (region proposals), đưa qua AlexNet trích xuất đặc trưng 4096 chiều và phân loại bằng SVM tuyến tính. Hạn chế là tốc độ rất chậm và chi phí tính toán cao.
    • Fast R-CNN: Thay thế việc trích xuất rời rạc bằng cơ chế RoI Pooling (Region of Interest Pooling) trực tiếp trên feature map tạo bởi VGG-16, tích hợp phân loại Softmax và hồi quy bounding box trên cùng một mạng.
    • Faster R-CNN: Đột phá với mạng đề xuất khu vực RPN (Region Proposal Network) dùng các anchor boxes, huấn luyện xen kẽ với Fast R-CNN, nâng tốc độ lên khoảng 5 FPS trên GPU K40.
  • Nhóm mô hình một giai đoạn (One-stage Detectors):
    • YOLO (You Only Look Once): Chia ảnh thành lưới $S \times S$, mỗi ô dự đoán $B$ bounding box (tọa độ $x, y, w, h$, confidence) cùng phân phối xác suất lớp $C$, cho ra tensor đầu ra kích thước $S \times S \times (B \times 5 + C)$. YOLOv2 bổ sung batch normalization, huấn luyện phân giải cao và xác định kích thước anchor boxes bằng thuật toán phân cụm K-means.
    • SSD (Single Shot MultiBox Detector): Dựa trên mạng nền VGG-16 kết hợp các tầng đặc trưng bổ sung (Extra Feature Layers từ Conv7 đến Conv11_2). SSD áp dụng các bộ lọc tích chập $3 \times 3$ trên nhiều feature map đa tỉ lệ để dự đoán phân phối nhãn và tọa độ offset cho các default boxes (tổng cộng 8.732 boxes ở kiến trúc SSD300). Hàm mất mát gồm localization loss (Smooth L1) và confidence loss (Softmax).

2. Thuật toán theo dõi đối tượng (Object Tracking)

Để duy trì định danh (ID) và quỹ đạo của xe qua từng khung hình (frame), khóa luận phân tích các nhánh tiếp cận SOT (Single Object Tracking) và MOT (Multiple Object Tracking), Online Tracking và Offline Tracking:

  • Meanshift / Mode seeking: Thuật toán phân cụm không giám sát dịch chuyển điểm dữ liệu lặp đi lặp lại về phía có mật độ cực đại (mode) dựa trên phân phối không gian màu hoặc histogram.
  • Optical Flow (Luồng thị giác): Phương pháp Lucas-Kanade dựa trên 3 giả định: độ sáng không đổi ($I(x, y, t) = I(x+dx, y+dy, t+dt)$), gắn kết không gian và tồn tại thời gian, suy ra phương trình đạo hàm: $$I_x u + I_y v + I_t = 0$$
  • Deep Regression Networks & ROLO: ROLO kết hợp trích xuất đặc trưng không gian từ YOLO/CNN với mạng LSTM (Long Short-Term Memory) để nắm bắt biến thiên thời gian.
  • SORT (Simple Online Realtime Object Tracking) & DeepSORT: Áp dụng mô hình Tracking-by-detection với hai giải thuật cốt lõi là Bộ lọc Kalman (Kalman Filter) để dự đoán vị trí và giải thuật Hungary (Hungarian algorithm) để tối ưu liên kết bounding box giữa các khung hình.
  • DCF-CSR (Discriminative Correlation Filter with Channel and Spatial Reliability): Ước tính bản đồ độ tin cậy không gian (spatial reliability map) hạn chế bộ lọc tương quan và trọng số độ tin cậy kênh (channel reliability weights) dựa trên đặc trưng HOGs và Colornames, giúp theo dõi hiệu quả đối tượng có hình dạng biến đổi.

3. Phương pháp tính toán vận tốc

Phương pháp tiếp cận dựa trên việc hiệu chuẩn camera nhằm thiết lập ánh xạ hình học chuyển đổi từ tọa độ ảnh 2 chiều (đơn vị pixel) sang tọa độ thế giới thực 3 chiều (đơn vị mét). Khóa luận áp dụng phương pháp thiết lập phân vùng ảo trên mặt đường với khoảng cách thực tế đã được đo đạc trước, từ đó tính toán quãng đường dịch chuyển $d$ của tâm phương tiện qua số lượng khung hình $\Delta t$ để suy ra vận tốc: $$v = \frac{d}{\Delta t} \times \text{FPS}$$

Thiết kế và triển khai hệ thống

1. Kiến trúc tổng thể của hệ thống

Hệ thống vận hành theo quy trình tuần tự khép kín:

  1. Thu nhận luồng video: Đọc dữ liệu video từ camera giao thông chuẩn Full HD 1080p, 30 FPS.
  2. Nhận diện phương tiện: Ứng dụng mô hình mạng nơ-ron tích chập phát hiện các lớp đối tượng (xe máy, ô tô, xe buýt) và trích xuất tọa độ bounding box.
  3. Theo dõi đối tượng (Tracking): Khởi tạo và cập nhật ID định danh duy nhất cho từng phương tiện qua các khung hình liên tiếp.
  4. Phân vùng ảo và tính vận tốc: Xác định thời điểm tâm bounding box của xe đi vào và đi ra khỏi vùng ảo đã đo sẵn khoảng cách thực tế; đếm số lượng frame tiêu tốn và tính toán vận tốc tức thời.

2. Phân tích và lựa chọn mô hình qua các tập dữ liệu chuẩn

Dựa trên khảo sát thực nghiệm từ các công bố khoa học và báo cáo của Google Research trên các tập dữ liệu PASCAL VOC và MS COCO, nhóm tác giả phân tích sự đánh đổi giữa độ chính xác (mAP) và thời gian xử lý (FPS / GPU time):

Mô hình Tập dữ liệu đánh giá Độ chính xác (mAP / AP) Tốc độ xử lý (FPS / Thời gian)
Fast R-CNN (VGG-16) PASCAL VOC 2007 66.9% 0.5 FPS (1830 ms)
Faster R-CNN (ZF) PASCAL VOC 2007 59.9% 17 FPS (59 ms)
Faster R-CNN (VGG-16) PASCAL VOC 2007 69.9% 5 FPS (198 ms)
Faster R-CNN (RPN+VGG) PASCAL VOC 2012 75.9% ~5 FPS
Faster R-CNN w/ ResNet-101 MS COCO test-dev 34.9% (AP) / 55.7% ($AP_{50}$) Xử lý chậm (>400 ms GPU time)
SSD300 PASCAL VOC 2007 74.3% 46 FPS
SSD512 PASCAL VOC 2007 76.8% 19 - 22 FPS
SSD513 (ResNet-101) MS COCO test-dev 31.2% (AP) / 50.4% ($AP_{50}$) Tốc độ trung bình (~150 ms)
YOLOv2 (DarkNet-19) MS COCO test-dev 21.6% (AP) / 44.0% ($AP_{50}$) 40 - 91 FPS
RetinaNet (ResNeXt-101) MS COCO test-dev 40.8% (AP) / 61.1% ($AP_{50}$) ~198 ms

Nhận xét: Các mô hình hai giai đoạn như Faster R-CNN đạt độ chính xác cao hơn nhưng tốc độ chậm (dưới 10 FPS), trong khi các mô hình một giai đoạn như SSD và YOLO đạt tốc độ vượt trội (từ 20 đến trên 45 FPS), phù hợp cho bài toán giám sát thời gian thực.

3. Cài đặt môi trường và công nghệ

  • Ngôn ngữ: Python (tận dụng tính linh hoạt và hệ sinh thái thư viện toán học/xử lý mảng NumPy, SciPy).
  • Thư viện thị giác máy tính: OpenCV (Open Source Computer Vision Library) phiên bản mã nguồn mở theo giấy phép BSD, hỗ trợ xử lý luồng video I/O, ma trận ảnh và các bộ lọc tracking.
  • Khung học sâu: TensorFlow để triển khai và thực thi các mô hình mạng nơ-ron nhận diện đối tượng.

Nội dung chính theo từng chương

Chương 1. Tổng quan về bài toán

Chương này giới thiệu tổng quan về bối cảnh giao thông đô thị, sự phát triển của công nghệ 4.0 và nhu cầu cấp thiết xây dựng hệ thống ITS. Tác giả phân tích chi tiết nguyên lý hoạt động, ưu điểm và nhược điểm của công nghệ Radar và Lidar; khảo sát các công trình nghiên cứu tiền bối về đo vận tốc qua camera (bài báo của Markéta Dubska, Lazaros, v.v.); giới thiệu bộ dữ liệu vn_vehicle thu thập tại đường Hoàng Văn Thụ và Điện Biên Phủ; đồng thời xác định rõ mục tiêu, phạm vi và thách thức của đề tài.

Chương 2. Cơ sở lý thuyết

Nội dung chương 2 tập trung trình bày các nền tảng toán học và kỹ thuật phần mềm:

  • Giới thiệu thư viện OpenCV, ngôn ngữ Python và các ưu điểm trong xử lý ảnh thời gian thực.
  • Cấu trúc mạng CNN và sự tiến hóa của các kiến trúc nhận diện: R-CNN, Fast R-CNN, Faster R-CNN, YOLO, YOLOv2 và SSD. Phân tích chi tiết cơ chế phân chia feature map, IoU và default bounding box của SSD.
  • Tổng quan bài toán Object Tracking: phân biệt SOT/MOT, Online/Offline, trình bày các thuật toán Meanshift, Optical Flow (Lucas-Kanade), Deep Regression Networks, ROLO, SORT, DeepSORT và DCF-CSR.
  • Các kỹ thuật chuyển đổi tọa độ và hiệu chuẩn camera để tính vận tốc.

Chương 3. Xây dựng hệ thống

Chương 3 đi sâu vào thiết kế kỹ thuật của hệ thống:

  • So sánh, đánh giá chi tiết hiệu năng của các mô hình học máy (Faster R-CNN, SSD, YOLO, RetinaNet) trên các tập dữ liệu PASCAL VOC 2007/2012 và MS COCO; phân tích báo cáo cân bằng tốc độ - độ chính xác của Google Research.
  • Thiết kế sơ đồ giải thuật tổng thể của hệ thống phần mềm xử lý video.
  • Quy trình cài đặt thư viện và quá trình huấn luyện mô hình nhận diện trên tập dữ liệu phương tiện.
  • Thiết lập phân vùng ảo với khoảng cách đo đạc thực tế để phục vụ quá trình tính toán vận tốc.

Chương 4. Thực nghiệm và đánh giá

Chương 4 mô tả chi tiết quá trình thử nghiệm hệ thống:

  • Cài đặt môi trường phần mềm với TensorFlow và OpenCV.
  • Đánh giá khả năng nhận diện phương tiện trên luồng video thực tế tại hai tuyến đường thu thập.
  • Đánh giá độ chính xác ước tính vận tốc thông qua đối chiếu với vận tốc thực tế, ghi nhận các chỉ số sai số trung bình, sai số nhỏ nhất, sai số lớn nhất và tốc độ xử lý FPS tương ứng với mật độ giao thông.
  • So sánh kết quả của khóa luận với các công trình nghiên cứu quốc tế đã công bố.

Chương 5. Kết luận và hướng phát triển

Tổng kết các kết quả kỹ thuật đạt được, chỉ ra các ưu điểm và hạn chế còn tồn tại của hệ thống, đồng thời đề xuất các hướng nghiên cứu mở rộng nhằm nâng cao khả năng tự động hóa và thích ứng môi trường.

Kết quả và đóng góp

1. Kết quả thực nghiệm của khóa luận

Hệ thống được thử nghiệm trên tập dữ liệu video Full HD thực tế tại Thành phố Hồ Chí Minh, ghi nhận các kết quả cụ thể:

  • Tốc độ xử lý: Đạt tốc độ trung bình từ 14 FPS đến 18 FPS (tùy thuộc vào mật độ phương tiện trên đường), tiệm cận mức thời gian thực và đáp ứng mục tiêu đề ra (15 - 25 FPS).
  • Độ chính xác ước tính vận tốc:
    • Sai số trung bình: 4,61% (đáp ứng tốt mục tiêu sai số dưới 10%).
    • Sai số nhỏ nhất: 0%.
    • Sai số lớn nhất: 9,x%.

2. So sánh với các nghiên cứu tương tự

Công trình nghiên cứu Độ phân giải video Tốc độ xử lý (FPS) Sai số vận tốc
Markéta Dubska et al. [3] $1920 \times 1080$ (Full HD) Low traffic: 24.98 FPS
High traffic: 19.64 FPS		 $\pm 2%$
Lazaros et al. [4] $768 \times 576$ 25 FPS $\pm 2\text{ km/h}$
NSGA-II Auto-Calibration [5] $1280 \times 720$ 25 FPS MSE: 3.56 - 16.69
STD: 0.05 - 4.19
Headlight Detection [6] Không công bố Không công bố $+3.325\text{ km/h}$
Khóa luận này (2020) $1920 \times 1080$ (Full HD) 14 - 18 FPS Sai số TB: 4,61%

3. Đóng góp của đề tài

  • Xây dựng bộ dữ liệu đặc thù: Thu thập và gán nhãn bộ dữ liệu vn_vehicle gồm hơn 10.000 mẫu hình ảnh phương tiện thực tế tại TP.HCM, phản ánh đặc trưng giao thông hỗn hợp với mật độ xe máy rất cao ở Việt Nam.
  • Xây dựng quy trình tích hợp hoàn chỉnh: Đề xuất và hiện thực hóa thành công luồng xử lý kết hợp mạng nơ-ron tích chập (Object Detection), thuật toán theo dõi quỹ đạo (Tracking) và kỹ thuật phân vùng ảo hình học để đo tốc độ tự động từ camera cố định.
  • Thực nghiệm và kiểm chứng: Đánh giá chi tiết hiệu năng vận hành và chứng minh tính khả thi của giải pháp sử dụng cơ sở hạ tầng camera giám sát sẵn có thay thế các thiết bị đo chuyên dụng đắt tiền.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Phụ thuộc cấu hình thủ công: Thách thức lớn nhất là hệ thống chưa thể tự động hiệu chuẩn đa góc nhìn; mỗi camera lắp đặt ở vị trí mới đều phải đo đạc và cung cấp các tham số phân vùng ảo thủ công, gây tốn kém thời gian và nhân lực khi triển khai diện rộng.
  • Độ nhạy với môi trường: Độ chính xác của việc nhận diện và đo tốc độ bị suy giảm trong các điều kiện bất lợi như thời tiết xấu (mưa, sương mù), điều kiện thiếu sáng ban đêm.
  • Giả định quỹ đạo chuyển động: Sai số tính toán gia tăng đối với các trường hợp phương tiện chuyển làn đột ngột hoặc di chuyển không theo quỹ đạo đường thẳng.

2. Hướng nghiên cứu tiếp

  • Nghiên cứu thuật toán tự động hiệu chuẩn camera (Auto-Camera Calibration) dựa trên các biến mất (vanishing points) hoặc vạch kẻ đường để loại bỏ bước đo đạc thủ công.
  • Mở rộng tập dữ liệu và huấn luyện mô hình với dữ liệu ban đêm, thời tiết mưa gió nhằm tăng cường độ bền vững (robustness) của hệ thống.
  • Tối ưu hóa thuật toán tracking đa đối tượng để xử lý chính xác quỹ đạo của phương tiện khi lấn làn, chuyển hướng phức tạp.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn đối với:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Khoa học Máy tính, Công nghệ Thông tin: Là tài liệu tham khảo chi tiết về quy trình ứng dụng thị giác máy tính và học sâu vào bài toán thực tế; cung cấp khảo sát toàn diện, có hệ thống về các kiến trúc nhận diện đối tượng (R-CNN, Fast R-CNN, Faster R-CNN, SSD, YOLO) và các thuật toán theo dõi đối tượng (SORT, DCF-CSR, Meanshift, Optical Flow).
  • Các nhà phát triển hệ thống giao thông thông minh (ITS): Cung cấp giải pháp kỹ thuật và số liệu thực nghiệm về việc chuyển đổi tọa độ từ không gian ảnh 2D sang không gian thực 3D để đo vận tốc phương tiện.
  • Nhóm nghiên cứu xử lý bài toán giao thông tại Việt Nam: Tham khảo phương pháp xây dựng, gán nhãn bộ dữ liệu xe cộ đặc thù (vn_vehicle) với đối tượng trọng tâm là xe máy trong điều kiện giao thông nội đô.

Câu hỏi thường gặp

1. Bộ dữ liệu vn_vehicle trong khóa luận được thu thập và xây dựng theo quy chuẩn nào?
Bộ dữ liệu được quay video thực tế tại hai tuyến đường ở TP.HCM (Hoàng Văn Thụ, quận Tân Bình và Điện Biên Phủ, quận Bình Thạnh) vào ban ngày (13h-16h) với tổng thời lượng hơn 2 giờ, định dạng MP4, độ phân giải Full HD 1080p, 30 FPS. Tác giả đã trích xuất và sử dụng hơn 10.000 mẫu để huấn luyện mô hình cho các đối tượng: xe máy, ô tô, xe buýt.

2. Tại sao hệ thống bắt buộc phải tích hợp thuật toán Object Tracking thay vì chỉ dùng Object Detection ở mỗi khung hình?
Object Detection chỉ xác định vị trí bounding box tại từng khung hình riêng lẻ mà không lưu lại ngữ cảnh. Object Tracking cần thiết để gán định danh duy nhất (ID) cho từng phương tiện, duy trì thông tin liên tục qua các khung hình, xử lý trường hợp xe bị che khuất tạm thời và theo dõi chính xác thời điểm xe đi vào/đi ra khỏi phân vùng ảo nhằm tính toán thời gian di chuyển.

3. Nguyên lý tính vận tốc phương tiện từ camera 2D được thực hiện như thế nào?
Hệ thống sử dụng kỹ thuật hiệu chuẩn camera thông qua phân vùng ảo. Nhóm nghiên cứu đo đạc sẵn khoảng cách thực tế $d$ (mét) trên mặt đường ứng với vùng quan sát trên video. Khi phương tiện đi qua vùng này, hệ thống đếm số khung hình $\Delta t$ từ lúc xe vào đến lúc xe ra, kết hợp với tốc độ khung hình (FPS) của video để tính ra vận tốc $v = (d / \Delta t) \times \text{FPS}$.

4. Kết quả thực nghiệm về tốc độ và sai số đo vận tốc của hệ thống đạt mức nào?
Hệ thống đạt tốc độ xử lý từ 14 đến 18 FPS tùy thuộc vào mật độ xe trên tuyến đường. Sai số ước tính vận tốc trung bình đạt 4,61% (đạt mục tiêu thiết kế dưới 10%), với sai số nhỏ nhất là 0% và sai số lớn nhất ghi nhận là 9,x%.

5. Điểm khác biệt cốt lõi giữa phương pháp xử lý ảnh của khóa luận so với súng đo tốc độ Radar và Lidar là gì?
Radar (dựa trên sóng vô tuyến và hiệu ứng Doppler) và Lidar (dựa trên xung laser phản xạ) yêu cầu thiết bị phần cứng đắt tiền, thao tác đo thủ công từng xe đơn lẻ và khó giám sát diện rộng. Ngược lại, phương pháp xử lý ảnh tận dụng hạ tầng camera sẵn có, có khả năng theo dõi đồng thời nhiều phương tiện tự động trên toàn tuyến đường với chi phí phần cứng thấp hơn.

Kết luận

Khóa luận tốt nghiệp của sinh viên Vũ Minh Điền và Lâm Lý Sơn đã nghiên cứu và hiện thực hóa thành công hệ thống ước tính vận tốc phương tiện giao thông tự động dựa trên xử lý ảnh và học sâu. Bằng việc kết hợp mô hình nhận diện đối tượng, thuật toán theo dõi chuyển động và phương pháp phân vùng ảo, hệ thống đạt tốc độ xử lý 14 - 18 FPS và sai số vận tốc trung bình 4,61% trên tập dữ liệu Full HD thực tế tại TP.HCM. Công trình đã đóng góp bộ dữ liệu vn_vehicle với hơn 10.000 mẫu phương tiện đặc thù đô thị Việt Nam, đồng thời đặt nền móng kỹ thuật thực nghiệm cho các ứng dụng giao thông thông minh tiếp theo.