Luận văn thạc sĩ: Hệ thống đọc và phân tích mã PID từ OBD-II thời gian thực

Luận văn thạc sĩ kỹ thuật ô tô IUH nghiên cứu xây dựng hệ thống đọc và phân tích mã dữ liệu PID từ OBD II theo thời gian thực chính xác.

• Tác giả: Trần Thiên Trung Tín
• Người hướng dẫn: TS. Đặng Tiến Phúc
• Trường học: Trường Đại học Công nghiệp Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật ô tô
• Đề tài: Xây dựng hệ thống đọc và phân tích các mã dữ liệu PID từ OBD-II theo thời gian thực
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan đề tài luận văn thạc sĩ kỹ thuật ô tô IUH về mã PID

Đề tài luận văn thạc sĩ kỹ thuật ô tô tại Trường Đại học Công nghiệp Thành phố Hồ Chí Minh (IUH) tập trung nghiên cứu giải pháp chẩn đoán xe thông minh. Tác giả xây dựng mô hình thu thập và phân tích các mã định danh tham số (PID) trực tiếp từ cổng OBD-II. Hệ thống đáp ứng yêu cầu giám sát tình trạng làm việc của động cơ theo thời gian thực. Giao thức OBD-II chuẩn hóa các thông số vận hành trên phương tiện cơ giới. Các mã PID phản ánh rõ nét trạng thái nhiệt độ, vận tốc, tốc độ vòng tua và áp suất nạp. Nghiên cứu khai thác sâu tầng vật lý của mạng truyền thông CAN bus trên ô tô. Dữ liệu thô từ bộ điều khiển điện tử (ECU) được trích xuất liên tục với độ chính xác cao. Đề tài mở ra hướng tiếp cận mới trong quản trị phương tiện từ xa. Toàn bộ quy trình thu thập dữ liệu được tối ưu hóa để loại bỏ độ trễ truyền thông. Kết quả nghiên cứu đóng góp thiết thực cho ngành kỹ thuật ô tô tại Việt Nam. Công trình khẳng định năng lực nghiên cứu ứng dụng chuyên sâu của học viên cao học IUH.

1.1. Cơ sở lý thuyết về chuẩn OBD II và mã PID

Chuẩn OBD-II đóng vai trò nền tảng trong hệ thống giám sát và chẩn đoán ô tô hiện đại. Chuẩn này quy định cổng kết nối vật lý và các giao thức truyền thông tiêu chuẩn. Mã PID là định danh tham số được định nghĩa theo tiêu chuẩn SAE J1979 và ISO 15031. Mỗi mã PID đại diện cho một thông số kỹ thuật cụ thể của phương tiện. Hệ thống chẩn đoán hoạt động theo nguyên tắc hỏi và đáp thông qua Service Mode 01. Bộ điều khiển điện tử ECU tiếp nhận lệnh truy vấn và phản hồi các chuỗi byte thô. Các giá trị byte này cần được chuyển đổi sang đại lượng vật lý chuẩn. Việc nắm vững cấu trúc dữ liệu PID là yêu cầu tiên quyết để xây dựng phần mềm phân tích chính xác.

1.2. Ý nghĩa khoa học và thực tiễn của đề tài tại IUH

Luận văn thạc sĩ tại IUH mang tính ứng dụng kỹ thuật cao trong thực tiễn. Đề tài giải quyết bài toán giám sát thông số phương tiện liên tục với độ tin cậy lớn. Nghiên cứu kết hợp nhuần nhuyễn giữa kỹ thuật ô tô truyền thống và công nghệ vi điều khiển nhúng. Hệ thống hỗ trợ đắc lực cho các doanh nghiệp vận tải trong công tác bảo dưỡng dự đoán. Người quản lý có thể phát hiện sớm các dấu hiệu quá nhiệt hoặc tiêu hao nhiên liệu bất thường. Về mặt học thuật, công trình đóng góp tài liệu nghiên cứu chuyên sâu về giao thức CAN cho sinh viên. Đề tài chứng minh năng lực sáng tạo và tư duy thực nghiệm vững vàng của học viên chuyên ngành kỹ thuật ô tô.

II. Phân tích hạn chế khi đọc mã PID từ OBD II theo thời gian thực

Các thiết bị đọc mã chẩn đoán thương mại hiện nay thường sử dụng chip trung gian ELM327. Tầng chuyển đổi trung gian này tạo ra độ trễ lớn khi truyền dữ liệu qua giao tiếp UART chậm chạp. Độ trễ cao làm gián đoạn luồng dữ liệu liên tục của các thông số thay đổi nhanh. Điển hình là tốc độ động cơ và vị trí bướm ga đòi hỏi tần số lấy mẫu cao. Sự sai lệch thời gian khiến hệ thống không thể đưa ra cảnh báo kịp thời khi xảy ra sự cố. Ngoài ra, nhiều dòng xe có lượng dữ liệu CAN bus dày đặc gây nghẽn đường truyền. Nếu phần cứng xử lý không có bộ lọc chuyên dụng, vi điều khiển sẽ bị quá tải bộ nhớ. Vấn đề giải mã sai công thức byte thô cũng dẫn đến sai số nghiêm trọng trong phân tích. Môi trường nhiệt độ và độ rung lắc trên xe đặt ra thách thức lớn cho phần cứng. Do đó, việc thiết kế một phần cứng chuyên biệt kết nối trực tiếp là yêu cầu cấp thiết.

2.1. Nhược điểm về độ trễ khi sử dụng chip trung gian ELM327

Chip ELM327 chuyển đổi tập lệnh AT sang lệnh CAN bus qua giao tiếp nối tiếp UART. Quá trình dịch lệnh kép này tạo ra độ trễ từ hàng chục đến hàng trăm mili-giây. Tốc độ lấy mẫu giảm mạnh khi cần đọc đồng thời nhiều mã PID. Hệ thống không thể ghi nhận chính xác các biến thiên áp suất hoặc góc mở bướm ga. Đối với các ứng dụng phân tích hành vi lái xe, sự chậm trễ này làm mất dữ liệu quan trọng. Ngoài ra, việc nghẽn đệm truyền dẫn thường xuyên xảy ra khi xe vận hành ở dải tốc độ cao. Dữ liệu nhận được không phản ánh đúng thời gian thực của các tiến trình động cơ.

2.2. Thách thức trong xử lý và đồng bộ dữ liệu mạng CAN bus

Mạng CAN bus trên xe hơi vận hành ở tốc độ cao với lưu lượng thông điệp liên tục. Việc đọc đồng thời nhiều ECU đòi hỏi cơ chế đồng bộ khung tin cực kỳ chặt chẽ. Nếu vi điều khiển không có bộ lọc ID tối ưu, vi xử lý dễ bị quá tải dữ liệu rác. Các lỗi mất gói tin hoặc sai lệch thời gian gây sai số lớn cho thuật toán phân tích. Hơn nữa, việc chuyển đổi công thức toán học từ các byte thô đòi hỏi năng lực tính toán ổn định. Môi trường trên xe chứa nhiều xung nhiễu điện từ làm suy giảm chất lượng tín hiệu CAN. Hệ thống cần có giải pháp lọc phần cứng và thuật toán kiểm tra lỗi nghiêm ngặt.

III. Giải pháp xây dựng hệ thống đọc dữ liệu PID từ OBD II tại IUH

Đề tài thạc sĩ tại IUH đề xuất kiến trúc phần cứng độc lập sử dụng vi điều khiển STM32F103ZDH6. Vi điều khiển kết nối trực tiếp với mạng CAN bus thông qua bộ thu phát CAN Transceiver chuyên dụng. Giải pháp này loại bỏ hoàn toàn các chip chuyển đổi trung gian giúp triệt tiêu độ trễ truyền dữ liệu. Vi điều khiển khởi tạo các khung tin yêu cầu chẩn đoán chuẩn ISO 15765-4 với mã định danh 0x7DF. Khi nhận tín hiệu phản hồi 0x7E8 từ ECU, bộ lọc phần cứng sẽ tiếp nhận và bóc tách các byte dữ liệu thô. Các thuật toán nhúng tự động chuyển đổi các giá trị này thành thông số kỹ thuật thực tế. Dữ liệu sau khi xử lý được đóng gói và truyền về máy chủ trung tâm qua module viễn thông 4G LTE. Thiết kế phần cứng đạt độ ổn định cao, chống chịu tốt trong điều kiện làm việc khắc nghiệt trên xe. Hệ thống bảo đảm tính toàn vẹn và độ chính xác của luồng dữ liệu thời gian thực.

3.1. Thiết kế phần cứng với vi điều khiển STM32 và CAN Transceiver

Phần cứng trung tâm của hệ thống là vi điều khiển STM32F103ZDH6 có hiệu năng xử lý cao. Vi điều khiển tích hợp ngoại vi CAN Controller giúp quản lý các khung tin theo chuẩn phần cứng. Bộ thu phát CAN Transceiver đóng vai trò chuyển đổi mức điện áp vi sai giữa đường bus và vi điều khiển. Thiết kế này loại bỏ hiện tượng méo dạng tín hiệu trong môi trường nhiều xung nhiễu điện từ. Mạch nguồn được thiết kế với các tầng bảo vệ quá áp và chống đảo cực. Hệ thống tích hợp thêm khe cắm thẻ nhớ mở rộng để lưu trữ dữ liệu dự phòng. Toàn bộ linh kiện được bố trí tối ưu để giảm kích thước và tăng độ bền bỉ.

3.2. Thuật toán trích xuất và giải mã PID theo chuẩn ISO 15765 4

Quy trình xử lý dữ liệu bắt đầu bằng việc gửi khung tin chẩn đoán 0x7DF định dạng [02 01 PID 00 00 00 00 00]. Trong đó byte 0x01 biểu thị Service Mode 01 và byte tiếp theo chứa mã tham số cần đọc. Bộ lọc phần cứng STM32 được cấu hình để chỉ tiếp nhận khung tin phản hồi 0x7E8 từ ECU. Sau khi nhận phản hồi, thuật toán thực hiện tính toán chuyển đổi giá trị byte sang đại lượng thực tế. Ví dụ, tốc độ vòng tua RPM (0x0C) được tính bằng công thức ((A*256)+B)/4. Vị trí bướm ga (0x11) và mức nhiên liệu (0x2F) được quy đổi theo tỷ lệ phần trăm chuẩn xác. Dữ liệu sau xử lý được đồng bộ hóa trước khi truyền về trung tâm.

IV. Kết luận và ứng dụng thực tiễn hệ thống phân tích PID ô tô

Luận văn thạc sĩ kỹ thuật ô tô tại IUH đã hoàn thành xuất sắc mục tiêu nghiên cứu đề ra. Hệ thống chứng minh khả năng đọc và phân tích dữ liệu PID với độ trễ thấp và độ chính xác cao. Việc loại bỏ các tầng giao tiếp trung gian mang lại hiệu quả vượt trội trong giám sát thời gian thực. Hệ thống mở rộng phạm vi ứng dụng từ thiết bị chẩn đoán cầm tay sang giải pháp quản lý phương tiện từ xa qua mạng di động 4G. Các doanh nghiệp vận tải có thể ứng dụng thiết bị để quản trị đội xe và đánh giá hành vi người lái. Nền tảng này hỗ trợ xây dựng quy trình bảo dưỡng phòng ngừa, giảm thiểu rủi ro hư hỏng động cơ đột ngột. Kết quả thử nghiệm trên phương tiện thực tế khẳng định tính khả thi và độ tin cậy của mô hình. Đề tài cung cấp nền tảng vững chắc cho các nghiên cứu chuyên sâu tiếp theo về xe thông minh và kết nối vạn vật trong ngành ô tô.

4.1. Khả năng ứng dụng trong quản lý đội xe và giám sát vận hành

Hệ thống cung cấp giải pháp chuyển đổi số toàn diện cho các đơn vị quản lý vận tải. Dữ liệu PID thu thập liên tục cho phép theo dõi mức tiêu hao nhiên liệu và quãng đường thực tế. Doanh nghiệp dễ dàng nhận biết thói quen tăng ga đột ngột hoặc phanh gấp của lái xe. Thông tin này hỗ trợ công tác đào tạo nhân viên nhằm nâng cao tính an toàn và tiết kiệm chi phí nhiên liệu. Hệ thống cảnh báo tự động gửi thông báo khi nhiệt độ nước làm mát tăng quá ngưỡng an toàn. Nhờ đó, phương tiện được bảo vệ tối đa, tránh các sự cố hư hỏng nghiêm trọng trên đường dài.

4.2. Hướng phát triển tích hợp trí tuệ nhân tạo và điện toán đám mây

Đề tài mở ra tiềm năng lớn để mở rộng tích hợp các công nghệ thông minh trong tương lai. Cơ sở dữ liệu PID thời gian thực có thể kết hợp với các mô hình máy học (Machine Learning). Thuật toán AI trên đám mây sẽ phân tích chuỗi dữ liệu lịch sử để chẩn đoán hư hỏng tiềm ẩn. Các thuật toán này dự đoán chính xác tuổi thọ còn lại của các chi tiết cơ khí và cảm biến. Bên cạnh đó, việc nâng cấp giao thức truyền dữ liệu MQTT hoặc WebSockets sẽ tăng tốc độ đồng bộ. Hệ thống hướng tới xây dựng một hệ sinh thái xe kết nối thông minh (Connected Vehicle) hoàn chỉnh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TỔNG QUAN 1.1 Tổng quan lĩnh vực nghiên cứu Lĩnh vực chẩn đoán ô tô, đặc biệt là OBD-II (On-Board Diagnostics II), đã phát triển mạnh mẽ kể từ khi được Cơ quan Bảo vệ Môi trường Mỹ (EPA) giới thiệu vào năm 1996 để giám sát khí thải. SAE International trong "SAE J1979" chuẩn hóa PID và CAN frame [1], tạo nền tảng cho giám sát thời gian thực. Tại Việt Nam, sự phổ biến của OBD-II bắt đầu từ những năm 2000 với các dòng xe như Toyota, Honda, và Ford, với hơn 2 triệu xe đăng ký (Tổng cục Thống kê, 2023), tạo thị trường tiềm năng cho công nghệ này. Nghiên cứu OBD-II không chỉ giới hạn ở ô tô mà còn liên quan đến điện tử nhúng, xử lý tín hiệu, và mạng viễn thông.

Hệ thống của tôi tích hợp STM32 (vi điều khiển), CAN transceiver, module 4G LTE, và module GPS, nằm ở giao điểm các lĩnh vực này. Statista dự báo thị trường IoT ô tô đạt hơn 200 tỷ USD vào 2025 [7] nhờ 4G LTE và GPS, khẳng định xu hướng giám sát từ xa mà đề tài hướng tới. Nghiên cứu này phát triển giải pháp chi phí thấp, thời gian thực, tận dụng thế mạnh 4G LTE và GPS để đồng bộ dữ liệu với định vị, phù hợp điều kiện Việt Nam và hỗ trợ ô tô thông minh.2 Thực trạng và nhu cầu thực tiễn 1.1 Thực trạng: Các công cụ OBD-II hiện tại tại Việt Nam như Torque Pro (dùng ELM327 qua Bluetooth) và pyOBD (dùng USB) chỉ hỗ trợ giám sát cục bộ, không tận dụng được 4G LTE hay GPS [8, 9]. Torque Pro có độ trễ 100-200 ms, không truyền dữ liệu từ xa, và không tích hợp vị trí GPS trực tiếp vào PID.

pyOBD yêu cầu PC, không phù hợp cho giám sát di động. Các giải pháp cao cấp từ Bosch/Delphi tuy hỗ trợ 4G trên một số dòng, nhưng giá cao và không phổ biến tại Việt Nam. Trong khi đó, nhu cầu giám sát từ xa ngày càng cấp thiết. Doanh nghiệp vận tải như Mai Linh hay Giao Hàng Nhanh cần theo dõi đội xe (vị trí, trạng thái động cơ) để tối ưu hóa vận hành, tiết kiệm nhiên liệu.

Chủ xe cá nhân muốn kiểm tra xe từ xa qua điện thoại (ví dụ: khi tài xế chạy ở Đà Lạt, chủ xe ở TP. GPS thời gian thực bổ sung dữ liệu vị trí, giúp phát hiện hành vi lái xe bất thường (tốc độ cao, lộ trình sai).2 Nhu cầu thực tiễn: Việc phát triển một hệ thống giám sát và chẩn đoán xe dựa trên kiến trúc nhúng, sử dụng STM32 và công nghệ truyền thông 4G LTE, là một giải pháp cấp thiết nhằm đáp ứng nhu cầu thực tiễn đa dạng từ người dùng cá nhân, doanh nghiệp vận tải, đến các trung tâm dịch vụ kỹ thuật, đặc biệt trong bối cảnh hạ tầng công nghệ tại Việt Nam. Đối với chủ xe cá nhân, nhu cầu cốt lõi là sự minh bạch và an toàn tài sản thông qua một hệ thống đơn giản và chi phí hợp lý. Hệ thống sử dụng STM32 và module 4G LTE cho phép theo dõi tình trạng xe từ xa, cung cấp khả năng phát hiện sớm các vấn đề nghiêm trọng như nhiệt độ nước làm mát vượt ngưỡng 100 độ C.

Việc phát hiện sớm này là cơ chế bảo vệ quan trọng nhằm tránh hỏng hóc lớn của động cơ, vốn có thể gây ra chi phí sửa chữa thâm hụt tài chính đáng kể (thường dao động từ 20 đến 50 triệu VND). Ngoài ra, việc tích hợp module GPS còn bổ sung khả năng định vị thời gian thực, nâng cao tính an toàn và khả năng phục hồi tài sản trong trường hợp khẩn cấp. Đối với doanh nghiệp vận tải, nhu cầu tập trung vào tối ưu hóa hoạt động và giảm chi phí vận hành.000 xe tải và taxi được quản lý bởi Tổng cục Đường bộ Việt Nam tính đến năm 2023, nhu cầu giám sát đội xe qua 4G LTE là rất lớn. Hệ thống cung cấp dữ liệu chẩn đoán PID liên tục, cho phép doanh nghiệp triển khai chiến lược bảo trì dự đoán, thay vì bảo trì theo lịch trình.

Theo các báo cáo công nghiệp, việc tối ưu hóa này có thể dẫn đến mức tiết kiệm nhiên liệu từ 5-10%, một con số có ý nghĩa quyết định đến lợi nhuận của doanh nghiệp. Về phía dịch vụ kỹ thuật, việc truy cập vào dữ liệu PID thời gian thực giúp chuẩn hóa và rút ngắn quy trình chẩn đoán lỗi. Thay vì phải thực hiện các bước kiểm tra thủ công mất thời gian, kỹ thuật viên có thể giảm đáng kể thời gian chẩn đoán (thường từ 30 đến 60 phút mỗi xe), qua đó nâng cao hiệu suất hoạt động và cải thiện trải nghiệm khách hàng thông qua dịch vụ nhanh chóng, chính xác hơn. Cuối cùng, trong bối cảnh phát triển công nghiệp 4.0 tại Việt Nam, việc xây dựng giải pháp nội địa sử dụng các linh kiện phổ biến như STM32 và module 4G LTE/GPS là một bước đi chiến lược nhằm giảm sự phụ thuộc vào các giải pháp nhập khẩu đắt đỏ.

Với mạng 4G đã phủ sóng 95% dân số, hệ thống đề xuất tận dụng triệt để cơ sở hạ tầng viễn thông sẵn có để đảm bảo khả năng giám sát từ xa ổn định và liên tục, góp phần hỗ trợ mục tiêu phát triển công nghiệp điện tử và hệ thống nhúng trong nước.3 Các nghiên cứu hiện có 1.1 Các nghiên cứu ngoài nước Giải pháp thương mại Torque Pro [8] là một trong những ứng dụng phổ biến nhất về chẩn đoán xe, được thiết kế để khai thác các thông số PID và mã lỗi từ bộ điều khiển điện tử (ECU) thông qua một kiến trúc cầu nối. Tuy nhiên, kiến trúc hệ thống của nó bộc lộ những hạn chế căn bản về hiệu năng truyền thông và tính thời gian thực, trở thành luận cứ chính để đề tài này tìm kiếm giải pháp tối ưu hơn. Về mặt cấu tạo, nghiên cứu [8] hoạt động dựa trên một kiến trúc cầu nối dữ liệu nhiều tầng. Nó yêu cầu sử dụng bộ chuyển đổi tiêu chuẩn ELM327 làm thiết bị giao tiếp trung gian.

Về nguyên lý, chip ELM327 không phải là bộ điều khiển CAN chuyên dụng mà là một vi điều khiển được lập trình để thực hiện giao tiếp chuyển đổi: nó nhận lệnh ở định dạng ASCII qua giao thức nối tiếp UART, sau đó chuyển đổi và gửi qua CAN/OBD-II và ngược lại. Quá trình xử lý dịch mã và chuyển đổi nhiều tầng này đã tạo ra một độ trễ xử lý. Hơn nữa, việc sử dụng giao tiếp Bluetooth để truyền dữ liệu từ ELM327 đến thiết bị di động đã bổ sung thêm một độ trễ truyền tải, do bản chất của việc truyền gói dữ liệu trong chuẩn Bluetooth. Hệ quả về mặt học thuật và kỹ thuật là sự giảm sút nghiêm trọng của tần suất lấy mẫu và độ phân giải thời gian của dữ liệu thu thập được.

Mặc dù giải pháp này mang lại tính thực dụng cao cho chẩn đoán tĩnh hoặc tại chỗ, nó không thể cung cấp dữ liệu với độ chính xác thời gian cần thiết cho các ứng dụng phân tích động học của động cơ hoặc xây dụng các mô hình dự đoán đòi hỏi đầu vào có tần suất cao. Do đó, Torque Pro về cơ bản chỉ lại một công cụ giám sát cục bộ và không thể là nền tảng cho giải pháp giám sát thời gian thực từ xa qua mạng di động. Nếu nghiên cứu [8] đại diện cho hạn chế về mặt hiệu năng truyền thông không dây thì pyOBD [9] lại là một ví dụ điển hienhf về hạn chế kiến trúc nền tảng trong các nghiên cứu chẩn đoán mã nguồn mở. Nghiên cứu [9] mang lại ưu điểm là tính linh hoạt cao và khả năng tuỳ chỉnh giao thức ở cấp độ phần mềm, cho phép dễ dàng thay đổi các lệnh gửi đi và cách xử lý dữ liệu.

Tuy nhiên, nguyên lý hoạt động của nghiên cứu [9] lại đòi hỏi một kiến trúc xử lý khá nặng. Cụ thể, nghiên cứu [9] yêu cầu một máy tính cá nhân để chạy và thực hiện các tính toán, đồng thời duy trì kết nối vật lý qua cổng USB với ELM327. Nghiên cứu [9] cho thấy sự phụ thuộc vào máy tính cá nhân không thể sử dụng làm một thiết bị/hệ thống độc lập và thiếu tính di động và truyền thông tin từ xa vì phải kết nối vật lý qua cổng USB. 3 Trong bối cảnh giám sát đội xe, giải pháp cần phải gọn nhẹ, lắp đặt cố định trên xe và hoạt động tự chủ, không cần can thiệp của một máy tính ngoài.

Nghiên cứu “Combining a Universal OBD-II Module with Deep Learning to Develop an Eco-Driving Analysis System” [2] cho thấy hướng tiếp cận phân tích chuyên sâu về dữ liệu, tập trung vào việc dự đoán mức tiêu thụ nhiên liệu bằng cách ứng dụng mô hình học sâu lên dữ liệu PID thu thập từ hệ thống OBD-II. Nghiên cứu này có ưu điểm nổi bật vì đã chứng minh thành công rằng các thuật toán học sâu có thể mô hình hoá mối quan hệ phức tạp giữa nhiều thông số của động cơ và hiệu suất sử dụng nhiên liệu, đạt được độ chính xác khá đáng kể. Điều này khẳng định giá trị chẩn đoán sớm của các thông số như tốc độ vòng tua (RPM), lưu lượng không khí, vị trí bướm ga, thúc đẩy việc sử dụng dữ liệu xe hơi không chỉ để chẩn đoán mà còn cho mục đích phân tích vận hành phức tạp khác. Tuy nhiên, chính sự tập trung vào chiều sâu phân tích đã dẫn đến một số hạn chế về kiến trúc hệ thống và tính thời gian thực.

Về mặt cấu tạo và nguyên lý hoạt động, nghiên cứu [2] này sử dụng một kiến trúc ghi dữ liệu cục bộ. Dữ liệu PID thường được thu thập thông qua các thiết bị ngoại vi, sau đó lưu trữ tạm thời trên bộ nhớ cục bộ. Nguyên tắc này buộc quá trình xử lý và dự đoán phải được thực hiện ngoại tuyến trên các nền tảng tính toán, do mô hình học sâu đòi hỏi tài nguyên tính toán lớn cho quá trình suy luận trên một tập dữ liệu đã được tiền xử lý. Sự phụ thuộc vào hậu xử lý này tạo ra một hạn chế lớn về luồng thời gian, vì nó kéo dài độ trễ đầu cuối của thông tin.

Điều này khiến hệ thống không thể hoạt động trong một chu trình thời gian thực, cụ thể rằng hệ thống không thể cung cấp phản hồi tức thì hoặc cảnh báo chủ động về việc tối ưu nhiên liệu trong khi xe đang vận hành. Do đó, nghiên cứu chỉ dừng lại ở mức độ phân tích chẩn đoán, vốn chỉ hữu ích cho việc đánh giá sau hành trình.