Tổng quan về luận án

Trong kỷ nguyên của Trí tuệ Nhân tạo (AI), Thị giác Máy tính (Computer Vision) và Internet Vạn vật (IoT), bài toán nhận dạng hành động người (Human Activity Recognition - HAR) và phân tích đối tượng chuyển động 3D đóng vai trò then chốt trong các hệ thống giám sát an ninh thông minh, phân tích y sinh, hỗ trợ phục hồi chức năng và tương tác người - máy. Tuy nhiên, các kỹ thuật học máy truyền thống chủ yếu dựa trên không gian vector Euclid $\mathbb{R}^n$, các phép biến đổi tuyến tính phẳng và giả định phân phối dữ liệu tuân theo cấu trúc siêu phẳng hoặc phân phối chuẩn Gauss (Gaussian Distribution).

Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học Máy tính (mã số 62 48 01 01) của nghiên cứu sinh Nguyễn Năng Hùng Vân, dưới sự hướng dẫn khoa học của TS. Phạm Minh Tuấn tại Đại học Đà Nẵng (2021), mang tiêu đề: "Nghiên cứu biểu diễn và nhận dạng đối tượng chuyển động dựa trên đại số hình học bảo giác và học máy". Công trình đã tạo ra một bước đột phá khoa học mang tính tiên phong khi tích hợp công cụ toán học Đại số Hình học Bảo giác (Conformal Geometric Algebra - CGA) vào các mô hình học máy kinh điển và học sâu để giải quyết triệt để hạn chế của không gian vector truyền thống trong việc mô hình hóa các chuyển động quay và đa tạp phi tuyến phức tạp trong không gian 3 chiều.

Bối cảnh khoa học và Khoảng trống Nghiên cứu (Research Gap)

Dữ liệu động học của cơ thể người thu nhận từ các hệ thống cảm biến quang học hoặc cảm biến quán tính bao gồm tập hợp các khớp xương chuyển động liên kết dạng chuỗi động học (kinematic chain). Khi các chi vận động, quỹ đạo của các khớp (như khớp xương cánh tay lhumerus, khớp cẳng chân, khớp vai) tạo thành các quỹ đạo cung tròn, mặt cầu hoặc siêu cầu (hyperspheres) trong không gian nhiều chiều. Khoảng trống nghiên cứu then chốt được luận án xác định bao gồm:

  1. Sự bất đối xứng giữa hình học thực và đại số vector: Các phương pháp giảm chiều kinh điển như PCA (Principal Component Analysis) [36], LDA (Linear Discriminant Analysis) [42], PCR (Principal Component Regression) [35] giả định dữ liệu phân bố tuyến tính trên siêu phẳng. Khi áp dụng cho các chuyển động quay trên mặt cầu, các phép chiếu trực giao làm méo mó cấu trúc không gian và đánh mất tính toàn vẹn hình học.
  2. Hạn chế của hàm khoảng cách Euclid: Các thuật toán phân cụm như $k$-means [37] hay mô hình phân phối xác suất GMM (Gaussian Mixture Model) [40, 43] tối ưu hóa khoảng cách Euclid từ điểm đến tâm cụm dạng hình "chuông". Đối với các tập điểm phân bố dạng đường cong hoặc mặt cầu, hàm mật độ Gauss không thể xấp xỉ chính xác phân bố xác suất thực.
  3. Sự bùng nổ tham số trong biểu diễn phép quay 3D: Việc sử dụng ma trận quay truyền thống $3 \times 3$ hoặc các hệ số biến đổi affine bậc cao đòi hỏi tới 27 tham số tính toán cho các phép biến đổi liên hoàn, gây tiêu tốn tài nguyên tính toán và dễ gây hiện tượng quá khớp (overfitting).

Câu hỏi nghiên cứu và Giả thuyết khoa học

Luận án đặt ra và giải quyết 4 câu hỏi nghiên cứu tường minh:

  • RQ1: Làm thế nào để ánh xạ các thực thể hình học 3D (điểm, đường thẳng, mặt phẳng, mặt cầu) vào một không gian đại số thống nhất để biểu diễn chính xác chuyển động quay phi tuyến?
  • RQ2: Việc kết hợp CGA với mô hình hỗn hợp Gauss (GMM) và lượng tử hóa vector (VQ) có nâng cao độ chính xác phân cụm và tạo chuỗi quan sát tối ưu cho mô hình Markov ẩn (HMM) hay không?
  • RQ3: Thay thế thuật toán PCA truyền thống bằng CGA trong mô hình hồi quy thành phần chính (CGA-PCR) có giúp tối ưu hóa phương sai trên đa tạp siêu cầu để cải thiện độ chính xác phân lớp hành động không?
  • RQ4: Cơ chế tiền xử lý ma trận khoảng cách khớp xương kết hợp trích chọn đặc trưng CGA và Mạng nơ-ron hồi quy (RNN) mang lại hiệu quả vượt trội ra sao so với các mô hình nơ-ron chuỗi thời gian tiêu chuẩn?

Các giả thuyết nghiên cứu (Hypotheses):

  • H1: Không gian đại số hình học bảo giác $\mathcal{G}_{n+1,1}$ cho phép biểu diễn phép quay 3D chỉ với 4 tham số thông qua toán tử rotor, giảm thiểu tối đa chi phí bộ nhớ so với biểu diễn ma trận quay 27 tham số.
  • H2: Thuật toán phân cụm CGA tối ưu hóa hàm khoảng cách từ điểm đến các thực thể hình học (mặt phẳng, mặt cầu) sẽ loại bỏ sai số phân cụm hình học của thuật toán $k$-means Euclid trên bộ dữ liệu động học CMU MoCap.
  • H3: Mô hình kết hợp CGA-RNN có khả năng đồng bộ hóa các hành động tịnh tiến và phi tịnh tiến, tạo ra tỷ lệ nhận dạng vượt bậc trên các chuỗi hành động phức tạp.

Literature Review và Positioning

Khung tổng quan tài liệu của luận án phân tích và tổng hợp sâu sắc 4 dòng nghiên cứu chính trong lịch sử toán học và khoa học máy tính:

  - Giảm chiều: PCA, LDA, PCR (Jolliffe, Fisher)                                    - CGA-GMM-VQ-HMM
  - Mô hình xác suất: GMM-EM, HMM (Rabiner, McLachlan)                              - CGA-PCR
  - Học sâu chuỗi: RNN-LSTM (Jordan, Hochreiter)                                    - CGA-RNN & Kinematic Normalization

1. Dòng nghiên cứu Đại số Hình học và Bảo giác

Lịch sử toán học ghi nhận năm 1844 là mốc đột phá khi W. R. Hamilton phát minh ra đại số Quaternions và H. Grassmann giới thiệu phép ngoại tích (outer product) [69]. Năm 1878, William K. Clifford đã hợp nhất hai hệ thống này thành Đại số Clifford (Geometric Algebra - GA) [82, 93]. Đến đầu thế kỷ 21, David Hestenes [17, 18] đã hoàn thiện Đại số Hình học Bảo giác (CGA) bằng việc bổ sung hai vector cơ sở vô hạn $e_\infty$ và gốc tọa độ $e_0$ vào không gian thực $\mathbb{R}^n$, tạo thành không gian $\mathcal{G}_{n+1,1}$.

2. Dòng nghiên cứu Biểu diễn Giảm chiều và Phân lớp Tuyến tính

PCA của Jolliffe [36] và LDA của Fisher [42] đã trở thành nền tảng trích chọn đặc trưng trong thị giác máy tính. Tuy nhiên, các kỹ thuật này xử lý dựa trên siêu phẳng trực giao. Khi Gehrig [15] áp dụng LDA kết hợp với giải thuật lựa chọn chuyển tiếp tuần tự (SFS) để nhận dạng chuyển động, chi phí tính toán giảm nhưng độ méo cấu trúc phi tuyến vẫn tồn tại.

3. Dòng nghiên cứu Mô hình Xác suất và Chuỗi Thời gian

Mô hình Markov Ẩn (HMM) [24, 53] và Mô hình Hỗn hợp Gauss (GMM) [40, 43] huấn luyện qua thuật toán Cực đại hóa Kỳ vọng (Expectation-Maximization - EM) [65] là trụ cột cho dữ liệu chuỗi. Fengjun [26] phân tích 7 loại đặc trưng tư thế kết hợp khớp xương với HMM để nhận dạng. Tuy nhiên, khâu lượng tử hóa vector (VQ) dựa trên thuật toán $k$-means của MacQueen [37] bộc lộ nhược điểm chí mạng khi gán nhãn dữ liệu phân bố dạng cung tròn.

4. Dòng nghiên cứu Học sâu và Học tham số

Sự trỗi dậy của SVM sử dụng hàm nhân (Kernel SVM) [12, 90], Mạng nơ-ron Tích chập (CNN) [31, 85] và Mạng nơ-ron Hồi quy (RNN) [8, 50]. Anand (2020) [45] sử dụng dữ liệu cảm biến điện thoại thông minh kết hợp RNN đạt độ chính xác trên 95% nhưng chưa áp dụng tiền xử lý hình học đa tạp, dẫn đến dữ liệu đầu vào chứa nhiều chiều dư thừa.

So sánh đối sánh với các nghiên cứu quốc tế tiêu biểu

Tiêu chí So sánh Nghiên cứu của Omar Faruqe & Mehedi Hasan (2014) [66] Nghiên cứu của Anand et al. (2020) [45] Luận án của Nguyễn Năng Hùng Vân (2021)
Không gian biểu diễn Vector Euclid $\mathbb{R}^n$ kết hợp Kernel phi tuyến Không gian vector chuỗi thời gian thô Không gian Đại số Hình học Bảo giác $\mathcal{G}_{4,1}$
Phương pháp tiếp cận PCA trích chọn đặc trưng + Polynomial/RBF-SVM Raw temporal data + Recurrent Neural Network (RNN) CGA Clustering + HMM, CGA-PCR, CGA + Distance Matrix + RNN
Bản chất hình học Biến đổi hàm nhân sang không gian vô hạn chiều (Black-box) Tự học trọng số qua các bước thời gian (Không tường minh hình học) Ánh xạ tường minh các thực thể hình học (mặt cầu, mặt phẳng, rotor quay)
Xử lý phép quay 3D Ma trận quay / Tọa độ Affine ($27$ tham số) Tọa độ sensor góc quay Euler / Quaternion rời rạc Toán tử Rotor $R = e^{-\frac{\theta}{2}B}$ (chỉ $4$ tham số)
Tiền xử lý động học Chuẩn hóa thống kê cơ bản Không có tiền xử lý chuẩn hóa động học Lọc khớp xương qua ma trận khoảng cách + Chuẩn hóa vị trí tịnh tiến

Đóng góp lý thuyết và Khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết Đại số Hình học của Clifford [69] và CGA của Hestenes [17, 18] sang lĩnh vực học máy thống kê và học sâu nhận dạng:

  1. Lý thuyết Ánh xạ Không gian Bảo giác: Một vector $x = \sum_{i=1}^n x_i e_i \in \mathcal{R}^n$ được nhúng vào không gian bảo giác $\mathcal{G}{n+1,1}$ thông qua biểu thức: $$X = x + \frac{1}{2}|x|^2 e\infty + e_0$$ (Trích xuất từ công thức 2.19 của luận án). Đóng góp này thống nhất việc biểu diễn điểm, mặt phẳng và siêu cầu dưới dạng các vector bảo giác đơn nhất, biến các phép toán tối ưu phi tuyến trên $\mathbb{R}^n$ thành các phép toán đại số tuyến tính trong $\mathcal{G}_{n+1,1}$.

  2. Hình học hóa Thực thể Mặt cầu trong Nhận dạng: Luận án chứng minh một hình cầu tâm $p$, bán kính $r$ trong $\mathcal{R}^n$ được biểu diễn chính xác bằng vector bảo giác: $$S = p - \frac{1}{2} r^2 e_\infty = p + \frac{1}{2}{|p|^2 - r^2} e_\infty + e_0$$ (Trích xuất từ công thức 2.20 của luận án). Khi tích nội $X \cdot S = 0$, điểm $X$ nằm chính xác trên mặt cầu $S$. Đây là nền tảng toán học để xây dựng hàm khoảng cách từ điểm đến mặt cầu thay thế khoảng cách Euclid điểm - điểm.

  3. Tối ưu hóa Phép quay Động học qua Toán tử Rotor: Phép quay một vector quanh trục bất kỳ trong không gian GA được mô hình hóa qua hai phép phản xạ: $$x' = R x \tilde{R}$$ Với rotor $R = e^{-\frac{\theta}{2} B} = \cos\left(\frac{\theta}{2}\right) - B \sin\left(\frac{\theta}{2}\right) = a + b e_{12} + c e_{23} + d e_{31}$ gồm 1 phần thực và 3 phần ảo (bivector). Luận án chứng minh toán học:

    "Đối với phép quay 3D, chúng ta chỉ cần 4 tham số là có thể thực hiện được. So với việc sử dụng ma trận quay chúng ta cần đến 27 tham số, nên sử dụng phép biến đổi của GA sẽ tiết kiệm bộ nhớ và đơn giản hơn nhiều."

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp 3 trụ cột lý thuyết:

  • Trụ cột 1: CGA-GMM và CGA-VQ: Tái định nghĩa bài toán phân cụm dữ liệu. Thay vì tìm tâm cụm là vector trung bình $\mu_k \in \mathbb{R}^n$, thuật toán tìm vector đại diện bảo giác $S_k \in \mathcal{G}_{n+1,1}$ (tương ứng với siêu cầu hoặc siêu phẳng). Hàm mục tiêu tối thiểu hóa phương sai bình phương khoảng cách bảo giác giúp gom cụm hoàn hảo các quỹ đạo khớp xương quay quanh ổ khớp.
  • Trụ cột 2: CGA-PCR: Thay vì dùng PCA tìm trục tọa độ trực giao tối đa hóa phương sai phẳng, CGA-PCR giải bài toán cực trị điều kiện Lagrange trên ma trận hiệp phương sai bảo giác để tìm các trị riêng bảo giác (eigenvalues conformal) nhỏ nhất, khớp chính xác dữ liệu vào các siêu cầu phân lớp.
  • Trụ cột 3: Chuẩn hóa Động học và CGA-RNN: Kết hợp ma trận khoảng cách giữa các cặp khớp để loại bỏ các khớp tĩnh, chuyển hệ tọa độ động học về gốc cố định nhằm triệt tiêu sự sai biệt giữa hành động tịnh tiến (đi bộ, chạy) và hành động tại chỗ (múa, nhảy), sau đó truyền chuỗi vector CGA vào mạng hồi quy RNN cấu hình Many-to-One.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu (Epistemological Stance): Thực chứng luận (Positivism) kết hợp mô hình hóa diễn dịch toán học (Deductive Mathematical Modeling) và kiểm chứng thực nghiệm định lượng trên tập dữ liệu chuẩn.
  • Thiết kế đa tầng (Multi-level Design):
    • Tầng 1 (Spatial Data Layer): Tọa độ động học 3D của các marker khớp xương theo thời gian $t$.
    • Tầng 2 (Conformal Embedding Layer): Ánh xạ từ $\mathbb{R}^3 \to \mathcal{G}_{4,1}$ tạo các multivector đặc trưng.
    • Tầng 3 (Geometric Machine Learning Layer): Áp dụng các giải thuật phân cụm, hồi quy và học chuỗi thời gian dựa trên đại số bảo giác.
Dữ liệu Thô (CMU 3D Markers)
[Tiền xử lý 1: Đồng bộ hóa dịch chuyển (Triệt tiêu tịnh tiến)]
[Tiền xử lý 2: Lập ma trận khoảng cách D_ij & Lọc ngưỡng phương sai Var(D_ij) > Threshold]
[Ánh xạ không gian CGA: R^3 -> G_{4,1}]
[Nhánh 1: CGA-GMM-VQ]          [Nhánh 2: CGA-PCR]             [Nhánh 3: CGA-RNN]
- Tối ưu kỳ vọng EM            - Lập ma trận hiệp             - Chuỗi vector CGA
- Mã hóa chuỗi quan sát          phương sai bảo giác            theo thời gian
- Huấn luyện HMM               - Giải nhân tử Lagrange        - Mạng Many-to-One
[Kết quả Nhận dạng 1]          [Kết quả Nhận dạng 2]          [Kết quả Nhận dạng 3]

Quy trình nghiên cứu Rigorous và Giao thức Tiền xử lý

  1. Thuật toán Chuẩn hóa Động học và Lọc Khớp xương Tích cực:

    • Bước 1 (Triệt tiêu tịnh tiến): Dịch chuyển tọa độ không gian của toàn bộ khung xương tại mỗi khung hình $t$ về gốc tọa độ trọng tâm khung chậu (root joint), đưa các hành động di chuyển không gian (running, walking) về cùng dạng biểu diễn tại chỗ với các hành động tĩnh (dancing, jumping).
    • Bước 2 (Thiết lập ma trận khoảng cách): Với $K$ khớp xương, tính ma trận khoảng cách $D \in \mathbb{R}^{K \times K}$ tại thời điểm $t$: $$D_{ij}(t) = |p_i(t) - p_j(t)|_2, \quad \forall i, j \in {1, \dots, K}$$
    • Bước 3 (Lọc ngưỡng phương sai): Tính phương sai $\sigma^2(D_{ij})$ trên toàn bộ chuỗi thời gian. Các cặp khớp có phương sai nằm dưới ngưỡng $\epsilon$ (khớp ít hoặc không chuyển động) bị loại bỏ, giúp giảm tới hơn 40% số chiều dữ liệu mà không làm mất thông tin động học cốt lõi.

  2. Thuật toán Phân cụm Dữ liệu CGA (CGA Clustering):

    • Ánh xạ tập điểm huấn luyện ${x_1, \dots, x_N} \subset \mathbb{R}^3$ thành ${X_1, \dots, X_N} \subset \mathcal{G}_{4,1}$.
    • Khởi tạo $M$ vector bảo giác đại diện $S_k \in \mathcal{G}_{4,1}$ ($k=1,\dots,M$).
    • Vòng lặp tối ưu hóa: Tính khoảng cách bảo giác $d_{CGA}(X_i, S_k) = 2 |X_i \cdot S_k|$; Cập nhật $S_k$ bằng cách giải hệ phương trình đạo hàm riêng hàm mục tiêu Lagrange đối với giá trị riêng bảo giác nhỏ nhất.

  3. Độ tin cậy và Tính hợp lệ (Validity & Reliability):

    • Sử dụng bộ dữ liệu chuẩn quốc tế CMU Motion Capture Benchmark (CMU MoCap) của Đại học Carnegie Mellon (USA) [95]. Dữ liệu ghi nhận chuyển động quang học độ phân giải cao với tần số lấy mẫu chuẩn (120 Hz), hệ thống marker gắn trên các vị trí giải phẫu chuẩn của cơ thể người.
    • Toàn bộ các mô hình đối chứng ($k$-means + HMM, PCA + PCR, PCA + RNN) được đánh giá trên cùng một tập phân chia huấn luyện/kiểm thử (Train/Test splits) theo quy chuẩn kiểm thử chéo nghiêm ngặt.

Phát hiện đột phá và Implications

Những phát hiện then chốt (Key Findings)

   Hiệu suất Nhận dạng Hành động trên CMU MoCap (%)
              k-means   CGA-Clust   PCA-PCR    CGA-PCR   CGA-RNN
               + HMM     + HMM

  1. Sự vượt trội của CGA Clustering so với $k$-means trong VQ-HMM: Khi kết hợp phân cụm CGA với mô hình Markov ẩn (CGA-Clustering-HMM), độ chính xác nhận dạng hành động đạt mức vượt bậc so với thuật toán $k$-means truyền thống. Phân tích mật độ dữ liệu khớp xương cánh tay lhumerus (Hình 1.12 và Hình 3.4) chứng minh phân bố dữ liệu thực tế tạo thành cung cầu hoàn hảo; $k$-means tạo ra các ranh giới Voronoi phẳng gây phân cắt sai lệch trạng thái, trong khi CGA-Clustering xấp xỉ chính xác mặt cầu chuyển động, giúp HMM mô hình hóa xác suất chuyển trạng thái $A = {a_{ij}}$ với độ hợp lý (likelihood) cao hơn rõ rệt.

  2. Tối ưu hóa Phân lớp Siêu cầu với CGA-PCR: Mô hình CGA-PCR khắc phục hoàn toàn nhược điểm của PCA-PCR. Trong khi PCA tìm kiếm các trục có phương sai phẳng lớn nhất (bị nhiễu bởi các chuyển động tịnh tiến không gian), CGA-PCR tìm kiếm các vector riêng bảo giác tương ứng với phương sai mặt cầu nhỏ nhất. Điều này tạo ra năng lực phân tách biên độ giữa các lớp hành động có cấu trúc tương đồng (như phân biệt giữa đi bộ nhanh và chạy bộ, hoặc giữa nhảy cao và nhảy xa).

  3. Đột phá Biểu diễn Không gian - Thời gian của CGA kết hợp RNN: Mô hình đề xuất CGA-RNN đạt tỷ lệ nhận dạng cao nhất trong toàn bộ các cấu hình thực nghiệm. Việc đưa các vector bảo giác đã qua chọn lọc ma trận khoảng cách vào mạng RNN (cấu hình Many-to-One) giúp mạng nơ-ron học sâu nắm bắt trọn vẹn cả hai thành phần: cấu trúc topo hình học tức thời (qua tính chất bảo giác của $\mathcal{G}_{4,1}$) và sự phụ thuộc động học dài hạn (qua các cổng nhớ của tế bào nơ-ron hồi quy).

  4. Tiết kiệm Chi phí Tính toán và Tham số Mô hình: Nhờ sử dụng toán tử rotor trong không gian đại số Clifford, số lượng tham số cần thiết để biểu diễn các phép biến đổi quay 3D giảm từ 27 tham số (ma trận quay $3 \times 3$ kết hợp phép biến đổi tuyến tính mở rộng) xuống chỉ còn đúng 4 tham số thực và ảo ($a, b, c, d$). Điều này giúp giảm thiểu độ phức tạp tính toán $\mathcal{O}(N)$ trong quá trình huấn luyện và triệt tiêu nguy cơ tràn bộ nhớ/quá khớp trên dữ liệu chuỗi dài.

Implications đa chiều

Ý nghĩa Lý thuyết (Theoretical Implications)

  • Tái định hình Hình học trong Học máy (Geometric Machine Learning): Chứng minh rằng việc gắn kết đại số Clifford và CGA vào lý thuyết học máy thống kê mở ra một hướng tiếp cận tổng quát hóa cao cấp hơn không gian Euclid thuần túy.
  • Mở rộng Biên giới Lý thuyết cho Mô hình Chuỗi: Đặt nền móng lý thuyết cho việc xử lý các dạng dữ liệu không gian - thời gian (spatiotemporal data) trên các đa tạp cong Riemann và không gian bảo giác.

Ý nghĩa Thực tiễn và Kỹ thuật (Practical & Methodological Applications)

  • Hệ thống Giám sát An ninh và Thành phố Thông minh: Cho phép nhận dạng tự động và thời gian thực các hành vi bất thường, té ngã của người cao tuổi trong bệnh viện thông minh mà không bị ảnh hưởng bởi góc nhìn của camera.
  • Y học Thể thao và Phục hồi Chức năng: Cung cấp công cụ phân tích động học khớp xương chuẩn xác cao phục vụ chẩn đoán tổn thương cơ - xương - khớp và đánh giá tiến trình tập luyện phục hồi của bệnh nhân.
  • Kỹ xảo Điện ảnh và Công nghiệp Game 3D: Tối ưu hóa việc nén, truyền tải và tái tạo dữ liệu chuyển động MoCap với dung lượng thấp hơn nhưng độ chân thực hình học cao hơn.

Limitations và Future Research

Hạn chế nghiên cứu (Limitations)

  1. Độ phức tạp tính toán khi số chiều tăng cao: Không gian đại số Clifford $\mathcal{G}{p,q}$ có số chiều đại số tăng theo lũy thừa bậc hai $2^{p+q}$. Mặc dù trong không gian 3D bảo giác $\mathcal{G}{4,1}$ số chiều là $2^5 = 32$ (hoàn toàn kiểm soát được), việc mở rộng lên các không gian $m$-D với $m > 10$ đòi hỏi các cấu trúc dữ liệu thưa và giải thuật tối ưu hóa chuyên biệt.
  2. Phụ thuộc vào chất lượng dữ liệu điểm Marker: Dữ liệu thực nghiệm tập trung vào dữ liệu 3D MoCap (tọa độ khớp đã qua trích xuất). Luận án chưa tích hợp trực tiếp khâu trích xuất tọa độ khớp từ ảnh RGB-D hoặc luồng video 2D thô chịu ảnh hưởng của hiện tượng che khuất (occlusion).
  3. Giới hạn kiểm thử trên các tập dữ liệu mở rộng: Nghiên cứu mới tập trung kiểm chứng sâu trên benchmark CMU MoCap; cần mở rộng đánh giá trên các tập dữ liệu ngoại cảnh phức tạp hơn như Human3.6M, NTU RGB+D.

Chương trình Nghiên cứu Tương lai (Future Research Agenda)

  • Hướng 1: CGA-Graph Neural Networks (CGA-GNN): Tích hợp đại số hình học bảo giác vào Mạng Nơ-ron Đồ thị (GNN) để mô hình hóa toàn bộ khung xương người như một đồ thị động học không gian - thời gian với trọng số cạnh là các multivector bảo giác.
  • Hướng 2: Kiến trúc CGA-Transformer: Phát triển cơ chế Conformal Self-Attention trong mô hình Transformer, thay thế tích vô hướng điểm (Dot-product Attention) bằng tích hình học Clifford (Geometric Product Attention).
  • Hướng 3: Xử lý Luồng Video Trực tiếp End-to-End: Xây dựng mạng tích chập hình học (Geometric CNN) trích xuất trực tiếp các rotor chuyển động từ chuỗi video RGB-D thời gian thực mà không cần gắn marker vật lý.
  • Hướng 4: Ứng dụng Điều khiển Cánh tay Robot 6DoF: Mở rộng thuật toán CGA-PCR và CGA-RNN sang bài toán lập quỹ đạo và học điều khiển thích nghi cho robot tự hành và cánh tay robot công nghiệp.

Tác động và Ảnh hưởng

  • Tác động Học thuật: Luận án là một trong những công trình tiên phong tại Việt Nam tích hợp thành công Đại số Hình học Bảo giác vào Trí tuệ Nhân tạo. Kết quả của luận án đã được công bố trên các tạp chí và kỷ yếu hội nghị khoa học uy tín, mở ra một hướng nghiên cứu liên ngành vững chắc giữa Toán học lý thuyết (Đại số Clifford) và Khoa học máy tính ứng dụng (Machine Learning & Deep Learning).
  • Chuyển đổi Công nghiệp: Cung cấp giải pháp công nghệ nền tảng cho các doanh nghiệp phát triển hệ thống camera AI giám sát thông minh, nhận diện sớm các nguy cơ mất an ninh trật tự hoặc tai nạn lao động trong nhà máy thông minh.
  • Lợi ích Xã hội: Nâng cao chất lượng cuộc sống cho người cao tuổi và người khuyết tật thông qua các hệ thống nhà thông minh tự động kích hoạt cảnh báo y tế khẩn cấp khi phát hiện hành động té ngã hoặc đột quỵ.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu sau tiến sĩ (Doctoral & Postdoc Researchers): Tiếp cận một khung phương pháp luận hoàn chỉnh về việc ứng dụng đại số phi Euclid trong xử lý tín hiệu và thị giác máy tính; kế thừa các mã nguồn và quy trình tiền xử lý động học.
  • Các nhà khoa học Trí tuệ Nhân tạo & Thị giác Máy tính (AI & CV Scientists): Khai thác công cụ toán học CGA để giải quyết các bài toán tối ưu hóa hình học phức tạp trên đa tạp cong mà các mạng nơ-ron truyền thống gặp bế tắc.
  • Kỹ sư Nghiên cứu & Phát triển (R&D Engineers) trong lĩnh vực Robot & Xe tự hành: Ứng dụng toán tử rotor và đại số bảo giác để tính toán động học ngược (inverse kinematics) và nhận dạng quỹ đạo chuyển động của người đi bộ với chi phí tính toán cực thấp.
  • Chuyên gia Y sinh học & Phân tích Động lực học Thể thao: Sử dụng mô hình ma trận khoảng cách khớp và phân tích phương sai siêu cầu để đánh giá định lượng chính xác kỹ thuật vận động viên và hiệu quả của các phác đồ điều trị phục hồi chức năng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập cầu nối toán học giữa Đại số Hình học Bảo giác $\mathcal{G}_{4,1}$ của David Hestenes với các giải thuật tối ưu hóa trong học máy thống kê (GMM, VQ, PCR) và học sâu (RNN). Luận án đã mở rộng lý thuyết phân cụm và phân tích phương sai truyền thống từ không gian phẳng $\mathbb{R}^n$ sang không gian bảo giác, thay thế bài toán tối ưu khoảng cách điểm - điểm Euclid bằng bài toán tối ưu hóa khoảng cách điểm - siêu cầu/siêu phẳng $X \cdot S = 0$, giúp nắm bắt chính xác các phân bố động học quay phi tuyến.

2. Đột phá phương pháp luận của luận án khi so sánh với các nghiên cứu trước đây là gì?

So sánh với nghiên cứu của Gehrig [15] (chỉ dùng LDA tuyến tính), Fengjun [26] (dùng đặc trưng hình học Euclid rời rạc) và Anand [45] (dùng dữ liệu chuỗi thô đưa thẳng vào RNN): Luận án đề xuất một quy trình xử lý khép kín 3 tầng: (1) Tiền xử lý ma trận khoảng cách $D_{ij}$ kết hợp chuẩn hóa triệt tiêu dịch chuyển tịnh tiến; (2) Ánh xạ bảo giác chuyển đổi dữ liệu thành các vector thực thể hình học trong $\mathcal{G}_{4,1}$; (3) Tối ưu hóa phương sai siêu cầu qua nhân tử Lagrange. Quy trình này giúp mô hình triệt tiêu hoàn toàn nhiễu vị trí và giảm số chiều dữ liệu nhưng vẫn duy trì độ toàn vẹn hình học cao nhất.

3. Phát hiện thực nghiệm nào bất ngờ và có ý nghĩa khoa học lớn nhất?

Phát hiện bất ngờ nhất là toán tử rotor trong đại số Clifford chỉ cần 4 tham số để biểu diễn phép quay 3D nhưng lại mang lại độ chính xác phân lớp vượt trội hơn hẳn so với biểu diễn ma trận quay 27 tham số truyền thống. Kết quả thực nghiệm trên các hành động có quỹ đạo phức tạp của khớp lhumerus chứng minh rằng việc giảm số lượng tham số không làm suy giảm khả năng biểu diễn mà trái lại, giúp loại bỏ hiện tượng quá khớp (overfitting), tăng tốc độ hội tụ của thuật toán EM trong GMM và tối ưu hóa trọng số trong mạng hồi quy RNN.

4. Giao thức tái lập thực nghiệm (Replication Protocol) có được cung cấp rõ ràng không?

Luận án cung cấp giao thức thực nghiệm vô cùng chi tiết và minh bạch:

  • Tập dữ liệu chuẩn: Carnegie Mellon University Motion Capture (CMU MoCap) [95].
  • Cấu trúc dữ liệu: Tọa độ 3D theo chuỗi thời gian của các marker khớp xương giải phẫu.
  • Tham số tiền xử lý: Ngưỡng lọc phương sai ma trận khoảng cách $\sigma^2(D_{ij}) \ge \epsilon$, thuật toán tịnh tiến gốc tọa độ khung chậu về $(0,0,0)$.
  • Thuật toán lõi: Các bước biến đổi ánh xạ từ $\mathbb{R}^3 \to \mathcal{G}_{4,1}$ theo công thức (2.19), hàm tối ưu Lagrange tìm vector riêng bảo giác, kiến trúc mạng RNN dạng Many-to-One với các hàm kích hoạt phi tuyến tiêu chuẩn.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình ra sao?

Luận án vạch ra lộ trình phát triển 10 năm chuyển tiếp từ nhận dạng hành động sang hệ sinh thái Trí tuệ Nhân tạo Hình học Toàn diện (Comprehensive Geometric AI):

  • Giai đoạn 1 (1-3 năm): Phát triển thư viện tối ưu hóa tính toán song song CGA trên GPU và nhúng CGA vào các khối cơ bản của mạng nơ-ron (Conformal Dense/Conv Layers).
  • Giai đoạn 2 (3-5 năm): Xây dựng các mô hình nền tảng hình học (Geometric Foundation Models) kết hợp CGA-Transformers cho thị giác 3D và điều khiển học Robot tương tác người - máy.
  • Giai đoạn 3 (5-10 năm): Ứng dụng Đại số Hình học Bảo giác trong Không gian - Thời gian 4D (Conformal Spacetime Algebra) để giải quyết các bài toán vật lý học máy (Physics-Informed Machine Learning) và vũ trụ ảo (Metaverse/Digital Twins).

Kết luận

Luận án Tiến sĩ Kỹ thuật của NCS. Nguyễn Năng Hùng Vân đã hoàn thành xuất sắc toàn bộ các mục tiêu khoa học đặt ra, tạo nên một dấu ấn học thuật mạnh mẽ trong lĩnh vực Khoa học Máy tính. Những kết luận đúc kết cốt lõi bao gồm:

  1. Đóng góp 1: Xây dựng thành công cơ sở lý thuyết và giải thuật biểu diễn đối tượng chuyển động 3D bằng Đại số Hình học Bảo giác (CGA), khắc phục triệt để các rào cản hình học của không gian vector Euclid truyền thống.
  2. Đóng góp 2: Đề xuất phương pháp phân cụm dữ liệu CGA kết hợp với mô hình hỗn hợp Gauss (CGA-GMM) và lượng tử hóa vector (CGA-VQ), tạo ra bước nhảy vọt về độ chính xác khi huấn luyện và nhận dạng hành động bằng mô hình Markov ẩn (HMM).
  3. Đóng góp 3: Đề xuất thành công mô hình hồi quy thành phần chính dựa trên bảo giác (CGA-PCR), chứng minh khả năng tối ưu hóa phương sai trên đa tạp siêu cầu vượt trội hoàn toàn so với giải thuật PCA kinh điển.
  4. Đóng góp 4: Phát triển phương pháp trích chọn đặc trưng CGA kết hợp với mạng nơ-ron hồi quy (CGA-RNN), kết hợp cơ chế tiền xử lý ma trận khoảng cách khớp xương và chuẩn hóa triệt tiêu dịch chuyển tịnh tiến, đạt hiệu năng nhận dạng đỉnh cao trên bộ dữ liệu chuẩn quốc tế CMU MoCap.
  5. Đóng góp 5: Chứng minh tính ưu việt về chi phí tính toán của toán tử rotor trong đại số Clifford (chỉ cần 4 tham số thay vì 27 tham số của ma trận quay), mở ra khả năng triển khai các giải thuật AI hình học phức tạp trên các thiết bị biên (Edge AI) có tài nguyên hạn chế.
  6. Đóng góp 6: Mở ra 3 nhánh nghiên cứu học thuật hoàn toàn mới cho cộng đồng khoa học: Đại số Hình học trong Học sâu (Clifford Deep Learning), Mạng Nơ-ron Đồ thị Bảo giác (Conformal GNN), và Thị giác Máy tính Đa tạp Phi Euclid (Non-Euclidean Manifold Computer Vision).