Tổng quan về luận án

Nghiên cứu "Về mô hình nhận dạng tư thế võ dựa trên ảnh chiều sâu" của nghiên cứu sinh Nguyễn Tường Thành (chuyên ngành Kỹ thuật Điện tử, Mã số: 9520203, Trường Đại học Bách khoa Hà Nội, 2020) dưới sự hướng dẫn khoa học của TS. Lê Dũng và TS. Phạm Thành Công, đại diện cho một bước tiến tiên phong trong lĩnh vực thị giác máy tính (Computer Vision) ứng dụng vào bảo tồn di sản văn hóa phi vật thể và giáo dục thể chất thông minh. Đặt trong bối cảnh kỹ thuật số hóa thể thao và phục hồi chuyển động 3D (3D Human Pose Estimation), công trình giải quyết bài toán phức tạp về nhận dạng, khôi phục cấu trúc khung xương và tự động hóa đánh giá kỹ thuật quyền thuật cổ truyền Việt Nam thông qua các cảm biến độ sâu thương mại chi phí thấp.

flowchart TD
    A["Dữ liệu cảm biến MS Kinect v1<br>(RGB + Depth Map)"] --> B["Ước lượng khớp 2D<br>(Mạng tích chập CPM / HRNet)"]
    A --> C["Không gian đám mây điểm 3D<br>(Point Cloud Processing)"]
    B --> D["Ánh xạ & Khôi phục khớp 3D<br>(2D-to-3D Lifting & Occlusion Recovery)"]
    C --> D
    D --> E["Trích xuất Vector động học<br>(8 Vector chi & Góc khớp khuỷu/gối)"]
    E --> F["Phân loại thế võ Tấn công / Thủ<br>(Cây quyết định, RDF, LSTM/RNN)"]
    E --> G["Mô hình Chấm điểm tự động<br>(So khớp mẫu chuẩn 36 động tác)"]

Nghiên cứu tập trung vào khoảng trống học thuật trọng yếu: các hệ thống thu nhận chuyển động quang học chuyên dụng (MOCAP) như của Sigal et al. (2010) hay Ionescu et al. (2014) trên bộ cơ sở dữ liệu Human3.6M đòi hỏi kinh phí thiết bị hàng chục nghìn USD và môi trường phòng lab cố định, trong khi các thuật toán trích xuất khung xương tích hợp sẵn trên cảm biến giá rẻ như Microsoft Kinect v1 (Shotton et al., 2012) chịu sự suy giảm chất lượng nghiêm trọng khi đối mặt với các chuyển động võ thuật có tốc độ cao, biên độ góc xoay tứ diện 360 độ và hiện tượng tự che khuất (self-occlusion) phức tạp.

Hệ thống câu hỏi nghiên cứu và giả thuyết khoa học được xác lập rõ ràng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để ước lượng và tái tạo chính xác tọa độ không gian 3D của hệ thống khớp xương người từ luồng dữ liệu 2D kết hợp ảnh chiều sâu của cảm biến quang học đơn (monocular depth sensor) khi các chi thể bị che khuất trong vận động đa hướng?
  • Câu hỏi nghiên cứu 2 (RQ2): Mô hình toán học và giải thuật học máy nào tối ưu hóa được việc tự động nhận diện thế võ (công/thủ) và định lượng sai số kỹ thuật để chấm điểm bài võ chuẩn xác tương đương các võ sư giàu kinh nghiệm?
  • Giả thuyết 1 (H1): Việc kết hợp mô hình học sâu ước lượng 2D hiệu năng cao (như Convolutional Pose Machines) với phép ánh xạ biến đổi tọa độ không gian 3D sẽ giảm thiểu đáng kể sai số vị trí khớp trung bình (MPJPE) so với các giải pháp trích xuất trực tiếp từ SDK phần cứng.
  • Giả thuyết 2 (H2): Sự tích hợp giữa trích xuất đặc trưng góc động học các chi và mạng nơ-ron hồi quy chuỗi thời gian (LSTM/RNN) cho phép nhận dạng chính xác trên 90% các tổ hợp đòn thế võ cổ truyền và phân cấp mức độ chính xác của người học theo thời gian thực.

Khung lý thuyết của luận án thiết lập trên nền tảng kỹ thuật nâng chiều tọa độ (2D-to-3D Lifting), mô hình biểu diễn hình học người (Articulated Kinematic Chains) và mạng nơ-ron tích chập sâu. Luận án xây dựng tập dữ liệu võ thuật cổ truyền độc bản VNMA (VietNam Martial Arts Dataset) thu thập từ các võ sư Trung tâm Võ thuật cổ truyền Bình Định (TP. Quy Nhơn), kiểm thử chéo với tập dữ liệu quốc tế MADS (Martial Arts, Dancing and Sports), chuẩn hóa quy trình đánh giá 36 động tác quyền thuật nền tảng, tạo tiền đề số hóa bài bản phục vụ chương trình đưa võ cổ truyền vào học đường Việt Nam từ năm 2016.

Literature Review và Positioning

Lịch sử nghiên cứu ước lượng tư thế người trong không gian 2D và 3D trải qua hai giai đoạn chuyển dịch mô thức phương pháp luận rõ rệt. Giai đoạn tiền học sâu thống trị bởi các mô hình dựa trên bộ phận biến dạng (Deformable Part Models - DPM) của Felzenszwalb et al. (2008), cấu trúc hình ảnh khớp nối (Pictorial Structures) của Andriluka et al. (2009) và Articulated Part-based Model (APM) của Sun & Savarese (2011). Đối với dữ liệu chiều sâu, công trình mang tính nền tảng của Shotton et al. (2012) tại Microsoft Research đã ứng dụng Rừng quyết định ngẫu nhiên (Random Decision Forests - RDF) phân đoạn từng pixel cơ thể trên ảnh độ sâu để định vị khớp theo thời gian thực. Tuy nhiên, các kỹ thuật trích xuất đặc trưng thủ công như HOG (Dalal & Triggs, 2005) hay biểu đồ bề mặt cục bộ dễ dàng thất bại khi đối diện với các tư thế võ thuật có sự biến dạng hình học cực đoan và che khuất chéo giữa tay và chân.

Nhóm phương pháp Công trình tiêu biểu Đặc trưng kỹ thuật chính Hạn chế cốt lõi trong võ thuật
Trích xuất truyền thống (Handcrafted + RDF/SVM) Shotton et al. (2012), Keskin et al. (2012), Felzenszwalb et al. (2008) Phân đoạn pixel độ sâu theo RDF, mô hình DPM/APM, phân loại SVM Nhạy cảm với nhiễu biên độ sâu; thất bại hoàn toàn khi chi thể bị che lấp >40%.
Hồi quy trực tiếp 3D từ ảnh đơn (End-to-End 3D) Mehta et al. (VNect, 2017), Pavlakos et al. (2017), Tekin et al. (2017) Mạng CNN hồi quy trực tiếp thể tích voxel 3D hoặc tọa độ $(X,Y,Z)$ Đòi hỏi dữ liệu huấn luyện 3D khổng lồ; khái quát hóa kém trên dữ liệu võ thuật phi chuẩn.
Nâng chiều hai giai đoạn (2D-to-3D Lifting) Tome et al. (2017), Martinez et al. (2017), Chen & Ramanan (2017) Dự đoán Heatmap 2D bằng CPM/Hourglass, sau đó ánh xạ tối ưu sang mô hình khung xương 3D Phụ thuộc vào chất lượng 2D ban đầu; dễ sai lệch tỉ lệ khoảng cách chiều sâu ($Z$).
Khung đề xuất của luận án (Hybrid 2D-3D + Depth Cloud) Luận án (Nguyen Tuong Thanh, 2020) Tích hợp CPM/HRNet với đám mây điểm Kinect v1, lọc nhiễu tọa độ thực và bổ khuyết che khuất Tối ưu hóa trên phần cứng phổ thông ($40); tái tạo 100% khớp che khuất trong 36 thế võ.

Trong kỷ nguyên học sâu, cuộc tranh luận khoa học tập trung vào hai khuynh hướng tiếp cận đối nghịch:

  1. Trường phái hồi quy trực tiếp 3D (Direct 3D Regression): Các đại diện như Mehta et al. (2017) với kiến trúc VNect hay Pavlakos et al. (2017) áp dụng mạng CNN sâu để ước lượng trực tiếp tọa độ voxel 3D từ ảnh RGB đơn. Dù duy trì tính liên tục của không gian chuyển động, phương pháp này đòi hỏi năng lực tính toán GPU khổng lồ và thiếu khả năng thích ứng linh hoạt khi môi trường ghi hình thực tế có độ biến động ánh sáng và phông nền phức tạp.
  2. Trường phái hai giai đoạn (Two-stage 2D-to-3D Lifting): Các công trình của Tome et al. (2017), Martinez et al. (2017), Chen & Ramanan (2017) chứng minh rằng việc phân tách bài toán thành bước (1) ước lượng điểm đại diện 2D (Keypoint Detection) có độ chính xác cao nhờ mạng nơ-ron tích chập nhiều tầng (như Convolutional Pose Machines - CPM của Wei et al., 2016 hay Stacked Hourglass của Newell et al., 2016) và bước (2) ánh xạ tọa độ 2D lên không gian 3D bằng mô hình xác suất hoặc tối ưu hóa hình học phi tuyến đem lại hiệu năng vượt trội và tính ổn định cao hơn.

Luận án định vị trọng tâm khoa học vào trường phái hai giai đoạn nhưng thực hiện bước đột phá: tích hợp trực tiếp giá trị bản đồ độ sâu (Depth Map) từ cảm biến Microsoft Kinect v1 ($40 / xấp xỉ 1 triệu VNĐ) để neo giữ tọa độ không gian thực, bù đắp sự thiếu hụt thông tin chiều sâu $(Z)$ vốn là nhược điểm chí tử của ảnh RGB đơn sắc. So sánh trực tiếp với hai bộ dữ liệu quốc tế danh tiếng là Human3.6M (Ionescu et al., 2014) và MADS (Martial Arts, Dancing and Sports Dataset của Zhang et al.), công trình của tác giả khẳng định tính ưu việt khi xử lý các tư thế võ thuật truyền thống vốn chứa đựng mật độ che khuất cao gấp 2,4 lần so với các cử động sinh hoạt hàng ngày thông thường.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp vào lý thuyết thị giác máy tính và cơ sinh học tính toán thông qua việc mở rộng khung lý thuyết tái tạo không gian 3D từ dữ liệu 2D (Lifting from 2D to 3D) của Tome, Russell & Agapito (2017) và Chen & Ramanan (2017). Tác giả đã chứng minh bằng thực nghiệm rằng trong các hệ động học phức tạp có tốc độ dịch chuyển góc lớn (như các đòn chém, đấm, đá quét trong võ thuật), việc bổ sung ràng buộc động học bất biến về chiều dài đoạn chi thể (Kinematic Bone Length Invariance) vào hàm mất mát tối ưu hóa giúp thu hẹp không gian nghiệm khả dĩ, triệt tiêu hiện tượng đảo ngược chiều sâu (depth ambiguity).

Mô hình lý thuyết được chuẩn hóa thông qua hai mệnh đề cốt lõi:

  • Mệnh đề 1 (P1 - Ràng buộc topo cấu trúc): Mọi tư thế võ thuật trong không gian 3D khả dĩ $\mathbf{S}{3D} \in \mathbb{R}^{3 \times N}$ đều là một phép biến đổi afin kết hợp xoay cứng (Rigid Body Transformation) của không gian khớp nền tảng, trong đó ma trận khoảng cách Euclid giữa các cặp khớp liên thuộc $\mathcal{E}{(i,j)} = |\mathbf{p}_i - \mathbf{p}_j|2$ phải thỏa mãn khoảng dung sai sinh học giới hạn $\epsilon{bio} \le 5%$.
  • Mệnh đề 2 (P2 - Tái tạo vùng che khuất xác suất): Điểm đại diện bị che khuất $\mathbf{p}_{occluded}^{(k)}$ trong không gian 3D có thể được khôi phục chính xác thông qua phân phối tiên nghiệm của tư thế (Pose Prior Distribution) kết hợp với thông tin bề mặt đám mây điểm lân cận từ kênh độ sâu theo mô hình Markov ngẫu nhiên.
graph LR
    subgraph "Mô hình Phân tích Đa tầng"
        T1["Tầng Biểu diễn Thị giác<br>(Visual Representation)"] -->|"Bản đồ xác suất Heatmap"| T2["Tầng Hình học Chiều sâu<br>(Depth Geometric Alignment)"]
        T2 -->|"Tọa độ khớp 3D chuẩn hóa"| T3["Tầng Động lực học & Đánh giá<br>(Temporal Kinematics & Scoring)"]
    end

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp thành công ba chiều kích lý thuyết:

  1. Lý thuyết biểu diễn đặc trưng không gian (Spatial Feature Representation): Ứng dụng mạng CPM (Convolutional Pose Machines) và HRNet (High-Resolution Network) bảo toàn độ phân giải cao trong suốt quá trình trích xuất đặc trưng đa quy mô, tạo ra các bản đồ nhiệt xác suất (Confidence Heatmaps) chuẩn xác cho từng điểm khớp nối.
  2. Lý thuyết biến đổi hình học xạ ảnh và đám mây điểm (Projective Geometry & Point Cloud Transformation): Thiết lập mô hình toán học xoay - dịch dữ liệu trong không gian 3D thông qua Quaternion và ma trận Euler, cho phép đồng nhất hệ quy chiếu tọa độ giữa cảm biến Kinect v1 và hệ tọa độ không gian thực thế giới.
  3. Lý thuyết so khớp mẫu chuỗi thời gian phi tuyến (Non-linear Temporal Sequence Alignment): Xây dựng bộ quy tắc định lượng động tác dựa trên 8 véc-tơ chi thể then chốt kết hợp giải thuật Dynamic Time Warping (DTW) và mạng nơ-ron hồi quy chuỗi (LSTM), định nghĩa không gian trạng thái chấm điểm chuẩn hóa cho 36 động tác võ học.

Điều kiện biên của khung phân tích được xác định rõ: khoảng cách vận hành tối ưu của cảm biến Kinect v1 từ 1,2m đến 3,5m; góc mở camera trường nhìn ngang $57^\circ$, dọc $43^\circ$; đối tượng vận động độc lập không bị che chắn bởi vật thể ngoại cảnh cố định.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý nghiên cứu thực chứng (Positivism) kết hợp mô hình kiểm định thực nghiệm định lượng nghiêm ngặt. Thiết kế nghiên cứu phân tầng (Multi-level Architecture) được cấu trúc chặt chẽ qua 3 giai đoạn độc lập nhưng liên kết hữu cơ:

  • Cấp độ 1 (2D Joint Localization): Huấn luyện và tinh chỉnh các mạng tích chập sâu (CPM, Hourglass, HRNet) trên các bộ cơ sở dữ liệu chuẩn quy mô lớn (MSCOCO Keypoints Challenge với hơn 100.000 mẫu, MPII Human Pose, LSP Dataset) để trích xuất 14 đến 17 điểm đại diện 2D trên ảnh màu RGB.
  • Cấp độ 2 (3D Depth Fusion & Occlusion Reconstruction): Chiếu tọa độ 2D sang không gian 3D thông qua ma trận nội suy camera hồng ngoại Kinect; sử dụng thuật toán tối ưu hóa đám mây điểm (Point Cloud Library - PCL) kết hợp mô hình khung xương chuẩn để tái tạo và bù khuyết các điểm khớp bị che lấp.
  • Cấp độ 3 (Temporal Classification & Expert-level Scoring): Trích xuất đặc trưng góc quay động học của các khớp khuỷu tay, khớp gối, cổ tay, cổ chân; huấn luyện các bộ phân loại Cây quyết định (Decision Tree), Rừng ngẫu nhiên (Random Decision Forests - RDF) và mạng nơ-ron LSTM/RNN để nhận dạng thế võ tấn công/phòng thủ và tính điểm kỹ thuật.
sequenceDiagram
    participant Cam as Cảm biến MS Kinect v1
    participant 2D_Net as Mạng CPM / HRNet (2D)
    participant Depth_Proc as Module Chiều sâu & PCL
    participant Recon as Khối Khôi phục Che khuất 3D
    participant Score as Module Chấm điểm & Phân loại

    Cam->>2D_Net: Luồng ảnh màu RGB (30 fps)
    Cam->>Depth_Proc: Luồng ảnh chiều sâu (Depth Map)
    2D_Net->>Recon: Bản đồ Heatmap 2D (14-15 khớp)
    Depth_Proc->>Recon: Dữ liệu đám mây điểm 3D cục bộ
    Recon->>Score: Tọa độ khớp hoàn chỉnh (X, Y, Z)
    Score->>Score: Tính 8 Vector chi thể & Góc biến thiên
    Score-->>Score: So khớp 36 động tác chuẩn (DTW / LSTM)
    Note over Score: Xuất kết quả: Tấn công/Thủ & Điểm số (0-100)

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết lập với độ tin cậy khoa học cao:

  • Thiết bị thu nhận: Cảm biến Microsoft Kinect v1 được hiệu chuẩn tham số camera (Camera Calibration) bằng Bouguet Calibration Toolbox trên nền MATLAB, xác định chính xác tiêu cự $(f_x, f_y)$ và tâm quang học $(c_x, c_y)$ để triệt tiêu độ méo xuyên tâm (radial distortion).
  • Mẫu nghiên cứu: Dữ liệu võ thuật cổ truyền VNMA được ghi hình trực tiếp tại võ đường Nguyễn Thanh Vũ và Trung tâm Võ thuật cổ truyền Bình Định (TP. Quy Nhơn) với sự tham gia của 5 võ sư chuyên nghiệp (Hồ Minh Mộng Hùng, Phạm Đình Khiêm, Phạm Ngọc Dương, Bùi Thị Lành, Nguyễn Quốc Tiễn), ghi lại 36 bài quyền và động tác căn bản.
  • Giao thức gán nhãn Ground Truth: Tác giả tự phát triển công cụ phần mềm chuyên dụng groundtruth.py trên môi trường Python và OpenCV để gán nhãn thủ công từng khung hình cho 14, 15 và 17 điểm khớp xương trong không gian 3D, bảo đảm hệ số đồng thuận đánh giá (Inter-rater reliability) đạt chỉ số Cronbach's $\alpha = 0,94$.
  • Kiểm soát độ tin cậy (Triangulation): Kết hợp kiểm chứng chéo giữa dữ liệu gán nhãn thực tế (Ground Truth), dữ liệu cảm biến chiều sâu gốc, và mô phỏng kiểm tra chéo trên tập dữ liệu MADS quốc tế.

Data và phân tích

Phân tích định lượng dựa trên việc đối chiếu đa biến các chỉ số đo lường chuẩn mực quốc tế:

  • Độ đo sai số vị trí khớp trung bình (Mean Per Joint Position Error - MPJPE): $$\text{MPJPE} = \frac{1}{N}\sum_{i=1}^{N} |\mathbf{p}_i^{\text{est}} - \mathbf{p}_i^{\text{gt}}|_2 \quad (\text{đơn vị: mm})$$
  • Độ chính xác trung bình (Average Precision - AP): Đánh giá tỷ lệ phát hiện chính xác khớp dựa trên ngưỡng Object Keypoint Similarity (OKS) theo chuẩn MSCOCO Challenge.
  • Độ lệch góc trung bình (Average Deviation - AD): $$\text{AD} = \frac{1}{M}\sum_{j=1}^{M} |\theta_j^{\text{est}} - \theta_j^{\text{gt}}| \quad (\text{đơn vị: độ})$$
  • Môi trường triển khai thuật toán: Python 3.7, OpenCV 4.x, Point Cloud Library (PCL), TensorFlow/Keras, Matplotlib phục vụ trực quan hóa 3D real-time trên phần cứng CPU Intel Core i7 kết hợp GPU NVIDIA.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án cung cấp bằng chứng định lượng vững chắc với nhiều phát hiện mang tính đột phá:

gantt
    title So sánh Sai số MPJPE (mm) giữa các giải pháp trên tập dữ liệu VNMA
    dateFormat X
    axisFormat %s
    section Kinect v1 Gốc
    SDK Skeleton Tracking (Thiếu khớp che khuất) : 0, 142
    section 3D Lifting Đơn thuần
    Tome et al. (Huấn luyện trên Human3.6M) : 0, 98
    section Đề xuất của Luận án
    CPM + Depth Cloud Lifting (14 điểm xương) : 0, 64
    VNect CNN cải tiến (15 điểm xương) : 0, 58
  1. Vượt trội về độ chính xác tái tạo 3D: Khung giải pháp kết hợp Convolutional Pose Machines với ánh xạ chiều sâu (CPM + Depth Mapping) đạt mức sai số MPJPE chỉ 64,2 mm trên tập dữ liệu VNMA và 58,6 mm trên tập MADS đối với cấu hình 14 khớp xương, giảm hơn 54,8% sai số so với thuật toán theo dõi khớp mặc định của Microsoft Kinect SDK v1 (trung bình >142 mm khi có che khuất).
  2. Khôi phục hoàn hảo các khớp bị che khuất: Khi võ sinh thực hiện các động tác xoay người đánh chỏ hoặc đá tống sau dẫn đến việc một bên tay/chân bị che lấp hoàn toàn khỏi tầm nhìn quang học (Occlusion rate = 100%), mô hình đề xuất vẫn ước lượng chính xác vị trí 3D của các khớp bị lấp với độ lệch góc (AD) dưới $8,6^\circ$ nhờ mô hình phân tích đám mây điểm kết hợp vector hướng chuyển động lân cận.
  3. Hiệu năng phân loại thế võ công - thủ: Ứng dụng mạng nơ-ron hồi quy LSTM trên chuỗi vector 8 chi thể đạt độ chính xác nhận dạng 94,2% đối với các thế võ tấn công (đấm thẳng, chém tạt, đòn chỏ) và 91,8% đối với các thế võ phòng thủ (đỡ gạt, hạ tấn), vượt trội hơn hẳn so với Cây quyết định đơn lẻ (82,4%) và Rừng ngẫu nhiên RDF (87,6%).
  4. Độ tương thích định lượng trong chấm điểm tự động: Đồ thị phân bố điểm số tự động của 36 động tác võ cổ truyền Việt Nam cho thấy hệ số tương quan đạt $R^2 = 0,91$ so với điểm đánh giá trung bình từ hội đồng 5 võ sư chuyên nghiệp, khẳng định thuật toán đo lường góc khuỷu tay và góc khớp gối phản ánh chính xác chuẩn mực cơ sinh học của đòn thế.

Implications đa chiều

  • Về mặt học thuật: Công trình thiết lập một chuẩn mực phương pháp luận mới trong việc ứng dụng thị giác máy tính chi phí thấp cho phân tích cơ sinh học thể thao tốc độ cao; cung cấp bộ dữ liệu đặc thù VNMA mở đường cho các nghiên cứu tiếp theo về AI trong võ thuật truyền thống Á Đông.
  • Về mặt ứng dụng thực tiễn: Giải pháp cho phép hiện thực hóa hệ thống "Gương võ thuật thông minh" (Smart AI Coach) với giá thành phần cứng cực rẻ (chỉ cần camera độ sâu ~40 USD và máy vi tính văn phòng thông thường), có thể triển khai đại trà tại hàng nghìn trường phổ thông trên toàn quốc phục vụ Quyết định của Bộ GD&ĐT về phổ cập võ cổ truyền học đường.
  • Về mặt bảo tồn văn hóa: Lưu trữ số hóa vĩnh viễn và chuẩn xác dạng vector động học 3D các bài quyền cổ truyền của các đại võ sư Bình Định, ngăn chặn triệt để nguy cơ mai một hoặc tam sao thất bản qua các thế hệ truyền dạy.

Limitations và Future Research

Luận án thừa nhận một cách khách quan các giới hạn kỹ thuật không thể tránh khỏi:

  1. Giới hạn phần cứng cảm biến Kinect v1: Do sử dụng công nghệ ánh sáng cấu trúc (Structured Light), vùng tóc, quần áo tối màu hấp thụ tia hồng ngoại hoặc các góc cạnh cơ thể quá sắc nét dẫn đến hiện tượng khuyết dữ liệu độ sâu cục bộ (như vùng đầu bị mất điểm ảnh chiều sâu).
  2. Khoảng cách và không gian hoạt động: Cảm biến MS Kinect v1 có giới hạn đo hiệu dụng từ 0,8m đến 4,0m; ngoài khoảng cách này, độ nhiễu Gaussian của giá trị độ sâu tăng theo hàm bậc hai, làm suy giảm độ chính xác định vị khớp biên ngoài.
  3. Phạm vi đối tượng nghiên cứu: Mới tập trung đánh giá đơn võ sinh trong môi trường trong nhà (indoor); chưa xử lý tình huống giao đấu đối kháng trực tiếp (sparring) với hai người va chạm và đan cài chi thể phức tạp hoặc các bài quyền có sử dụng binh khí dài (thương, kiếm, đại đao).

Chương trình nghiên cứu 5-10 năm tới mở ra các hướng phát triển:

  • Nâng cấp mô hình lên cảm biến Time-of-Flight (Kinect v2, Azure Kinect) kết hợp mạng Transformer thị giác (Vision Transformers - ViT) và kiến trúc 3D Mesh Recovery (SMPL model).
  • Xây dựng giải thuật nhận dạng và bám bắt quỹ đạo chuyển động đồng thời của võ sinh và binh khí trong không gian 3D.
  • Tích hợp công nghệ thực tế ảo tăng cường (AR/VR) cho phép người học tương tác trực tiếp với hình chiếu 3D Hologram của võ sư chuẩn trong không gian ảo.

Tác động và ảnh hưởng

mindmap
  root((Tác động Toàn diện))
    Giáo dục & Xã hội
      Đưa võ cổ truyền vào trường phổ thông
      Học sinh tự rèn luyện không cần võ sư
      Nâng cao thể chất và tinh thần tự hào dân tộc
    Bảo tồn Di sản
      Số hóa 3D bài quyền võ Bình Định
      Lưu trữ vĩnh viễn cấu trúc vector động học
      Chống biến tướng và mai một truyền khẩu
    Công nghiệp & Công nghệ
      Phần mềm EdTech thể thao thông minh
      Thiết bị AI Coach chi phí siêu rẻ 40 USD
      Ứng dụng trong game & đồ họa 3D điện ảnh
    Khoa học & Học thuật
      Công bố dữ liệu chuẩn VNMA
      Phương pháp luận Lifting 2D-to-3D nâng cao
      Mở rộng sang phục hồi chức năng y tế

Công trình của NCS Nguyễn Tường Thành tạo ra bước nhảy vọt đa lĩnh vực:

  • Tác động học thuật: Mở ra nhánh nghiên cứu chuyên sâu về phân tích chuyển động võ thuật truyền thống trong cộng đồng AI Việt Nam; các bài báo công bố từ luận án trên các kỷ yếu hội nghị và tạp chí chuyên ngành uy tín cung cấp nền tảng trích dẫn vững chắc cho các đề tài tiến sĩ tiếp theo.
  • Chuyển đổi giáo dục và thể thao học đường: Giải quyết bài toán thiếu hụt trầm trọng đội ngũ võ sư trực tiếp đứng lớp tại hàng vạn trường học khi triển khai Đề án giáo dục thể chất quốc gia; cung cấp công cụ tự học, tự chấm điểm khách quan, minh bạch.
  • Giá trị kinh tế - xã hội: Tiết kiệm hàng triệu USD ngân sách nếu so sánh với việc đầu tư các phòng thí nghiệm Motion Capture nhập khẩu đắt đỏ; thúc đẩy phát triển công nghiệp nội dung số và game thể thao thuần Việt.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Chuyên gia AI/CV: Tiếp cận bộ dữ liệu chuẩn VNMA, mã nguồn mở thuật toán biến đổi 3D và các tham số tiền huấn luyện tối ưu hóa cho bài toán bám bắt khớp xương phức tạp.
  • Bộ Giáo dục và Đào tạo, các Trường Phổ thông: Sở hữu công nghệ lõi để xây dựng phần mềm kiểm tra, đánh giá thể chất tự động, chuẩn hóa chương trình giảng dạy võ thuật học đường.
  • Liên đoàn Võ thuật Cổ truyền Việt Nam và các Võ đường: Công cụ đắc lực để chuẩn hóa hệ thống thi lên đai, chấm điểm thi đấu đối kháng và quyền pháp không phụ thuộc vào cảm tính trọng tài.
  • Học sinh, Sinh viên và Người tự luyện võ: Nhận phản hồi thị giác tức thì về góc lệch sai sót của từng thế tấn, đòn tay, ngọn cước để tự chỉnh sửa an toàn, tránh chấn thương khớp.

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 độc đáo nhất là việc mở rộng khung lý thuyết 2D-to-3D Pose Lifting của Tome et al. (2017) bằng cách tích hợp trực tiếp ràng buộc hình học đám mây điểm (Depth Point Cloud) từ cảm biến đơn sắc giá rẻ. Thay vì hồi quy xác suất thuần túy từ ảnh 2D RGB vốn luôn chịu sự bất định chiều sâu, luận án đã thiết lập hàm tối ưu hóa không gian đa biến kết hợp ràng buộc chiều dài đoạn chi bất biến, giải quyết triệt để hiện tượng suy biến không gian khi góc quay cơ thể thay đổi đột ngột.

2. Điểm cải tiến phương pháp luận so với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Shotton et al. (2012) vốn chỉ dựa trên RDF phân đoạn cục bộ trên ảnh độ sâu dễ bị vỡ khung xương khi mất dấu biên, luận án sử dụng mạng nơ-ron tích chập CPM tạo bản đồ nhiệt có độ tin cậy toàn cục. So với kiến trúc VNect của Mehta et al. (2017) đòi hỏi GPU máy trạm đắt tiền và xử lý kém trên ảnh bị che khuất, phương pháp của luận án xử lý tách biệt việc định vị 2D và bổ khuyết che khuất 3D trên đám mây điểm, cho phép vận hành trơn tru ở tốc độ thời gian thực trên phần cứng phổ thông.

3. Phát hiện bất ngờ nhất từ thực nghiệm dữ liệu là gì?

Phát hiện bất ngờ nhất là cảm biến Microsoft Kinect v1 dù có giá thành rất rẻ (~40 USD) và chất lượng ảnh thô chứa nhiều nhiễu hạt, nhưng khi được kết hợp với giải thuật lọc nhiễu không gian và mô hình học sâu 2D phù hợp, sai số định vị MPJPE đạt mức 64,2 mm – tiệm cận với độ chính xác của các hệ thống Kinect v2 đắt tiền hơn nhiều lần trong các tác vụ phân tích võ thuật tĩnh và bán động.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?

Có. Luận án công khai toàn bộ mã nguồn xử lý, thuật toán xoay dịch tọa độ 3D, phần mềm gán nhãn groundtruth.py, cùng các tập dữ liệu thực nghiệm trên hệ thống lưu trữ mở GitHub (https://github.com/PandaThanh/3d_code) và kho dữ liệu Google Drive đi kèm, cho phép cộng đồng khoa học độc lập kiểm chứng và tái lập 100% kết quả.

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

Lộ trình 10 năm tập trung vào 3 trọng tâm: (1) Mở rộng nhận dạng cử động thời gian thực có binh khí (kiếm, côn, đao); (2) Phát triển mô hình bám bắt đa đối tượng trong thi đấu đối kháng trực tiếp (Sparring Interaction); (3) Nhúng toàn bộ mô hình AI vào các vi xử lý biên (Edge AI Chips) tích hợp trực tiếp trên camera thông minh không dây phục vụ giảng dạy thể chất diện rộng.

Kết luận

Luận án tiến sĩ "Về mô hình nhận dạng tư thế võ dựa trên ảnh chiều sâu" của tác giả Nguyễn Tường Thành tạo nên một dấu ấn khoa học xuất sắc với 5 đóng góp cốt lõi:

  1. Xây dựng thành công mô hình kết hợp tối ưu giữa ước lượng điểm đại diện 2D bằng mạng tích chập sâu và ánh xạ khôi phục khung xương 3D trên dữ liệu đám mây điểm chiều sâu.
  2. Giải quyết triệt để bài toán khôi phục đầy đủ tọa độ không gian 3D của các khớp xương người trong tình huống bị che khuất hoàn toàn do vận động xoay tứ diện trong võ thuật.
  3. Thu thập, xây dựng và chuẩn hóa bộ cơ sở dữ liệu võ thuật cổ truyền Việt Nam (VNMA) đầu tiên với đầy đủ nhãn độ sâu và tọa độ không gian ba chiều từ các võ sư Bình Định.
  4. Đề xuất hệ thống thuật toán trích xuất 8 vector chi thể động học, tích hợp mạng LSTM phân loại chuẩn xác thế võ công/thủ đạt tỷ lệ trên 91,8% - 94,2%.
  5. Hiện thực hóa phần mềm chấm điểm tự động 36 động tác quyền thuật chuẩn hóa với hệ số tương quan đạt $R^2 = 0,91$ so với chuyên gia võ học, mở ra kỷ nguyên số hóa thể thao học đường ứng dụng công nghệ cao với chi phí tối thiểu.