Luận văn thạc sĩ nghiên cứu phương thức giao tiếp giữa người và máy dựa trên công nghệ điện toán đám mây sử dụng trong robot dịch vụ

Nghiên cứu phương thức giao tiếp giữa người và máy qua công nghệ điện toán đám mây trong robot dịch vụ, mở ra tiềm năng ứng dụng mới.

• Tác giả: Lưu Mạnh Sơn
• Người hướng dẫn: PGS. Nguyễn Trường Thịnh
• Trường học: Không có thông tin
• Chuyên ngành: Không có thông tin
• Đề tài: Nghiên cứu giao tiếp người-máy qua điện toán đám mây trong robot dịch vụ
• Loại tài liệu: Luận văn
• Năm xuất bản: 2017
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• 1. TỔNG QUAN
• 1.1. Tình hình nghiên cứu trong và ngoài nước
• 1.2. Mục tiêu đề tài
• 1.3. Nội dung nghiên cứu
• 1.4. Giới hạn đề tài
• 2. DỮ LIỆU LỚN – BIG DATA
• 2.1. Khái niệm về dữ liệu lớn
• 2.2. Nguồn hình thành và phương pháp khai thác, quản lý dữ liệu lớn
• 2.3. Đặc trưng của dữ liệu lớn
• 2.4. Sự khác biệt giữa dữ liệu lớn với dữ liệu truyền thống
• 3. TỔNG QUAN VỀ ĐIỆN TOÁN ĐÁM MÂY

Tóm tắt

I. Tổng quan về nghiên cứu giao tiếp người máy qua điện toán đám mây

Nghiên cứu giao tiếp giữa người và máy qua điện toán đám mây đang trở thành một lĩnh vực quan trọng trong công nghệ hiện đại. Sự phát triển của robot dịch vụ đã mở ra nhiều cơ hội mới cho việc tương tác giữa con người và máy móc. Điện toán đám mây cung cấp nền tảng cho việc xử lý và lưu trữ dữ liệu, cho phép các thiết bị như robot có thể nhận diện và phản hồi thông tin từ người dùng một cách hiệu quả.

1.1. Khái niệm về giao tiếp người máy

Giao tiếp người-máy là quá trình mà con người tương tác với máy móc thông qua các phương thức khác nhau như giọng nói, hình ảnh và cử chỉ. Hệ thống điều khiển từ xa và trí tuệ nhân tạo đóng vai trò quan trọng trong việc cải thiện khả năng giao tiếp này.

1.2. Vai trò của điện toán đám mây trong giao tiếp

Điện toán đám mây cho phép lưu trữ và xử lý dữ liệu lớn, giúp robot có thể truy cập thông tin và phản hồi nhanh chóng. Công nghệ này không chỉ giúp cải thiện độ chính xác mà còn tăng cường khả năng tương tác giữa người và máy.

II. Thách thức trong nghiên cứu giao tiếp người máy

Mặc dù có nhiều tiến bộ, nhưng vẫn tồn tại nhiều thách thức trong việc phát triển giao tiếp người-máy. Các vấn đề như độ chính xác trong nhận diện giọng nói và hình ảnh, cũng như khả năng xử lý dữ liệu lớn là những yếu tố cần được giải quyết.

2.1. Độ chính xác trong nhận diện giọng nói

Nhận diện giọng nói là một trong những thách thức lớn nhất trong giao tiếp người-máy. Các yếu tố như ngữ điệu, âm sắc và tiếng ồn xung quanh có thể ảnh hưởng đến độ chính xác của hệ thống. Việc cải thiện công nghệ nhận diện giọng nói là cần thiết để nâng cao trải nghiệm người dùng.

2.2. Khả năng xử lý dữ liệu lớn

Dữ liệu lớn từ các thiết bị cảm biến và người dùng cần được xử lý nhanh chóng và hiệu quả. Việc phát triển các thuật toán tối ưu để xử lý dữ liệu này là một thách thức lớn trong nghiên cứu giao tiếp người-máy.

III. Phương pháp nghiên cứu giao tiếp người máy hiệu quả

Để cải thiện giao tiếp giữa người và máy, nhiều phương pháp đã được nghiên cứu và áp dụng. Các công nghệ như Google Speech API và Google Vision API đã chứng minh được hiệu quả trong việc nhận diện giọng nói và hình ảnh.

3.1. Sử dụng Google Speech API

Google Speech API cho phép nhận diện giọng nói với độ chính xác cao. Công nghệ này giúp robot có thể hiểu và phản hồi lại yêu cầu của người dùng một cách tự nhiên và nhanh chóng.

3.2. Ứng dụng Google Vision API

Google Vision API cung cấp khả năng nhận diện hình ảnh, giúp robot có thể hiểu và phân tích các hình ảnh từ môi trường xung quanh. Điều này mở ra nhiều khả năng mới cho việc tương tác giữa người và máy.

IV. Ứng dụng thực tiễn của giao tiếp người máy trong robot dịch vụ

Giao tiếp người-máy qua điện toán đám mây đã được áp dụng trong nhiều lĩnh vực khác nhau, từ dịch vụ khách hàng đến y tế. Robot dịch vụ đang ngày càng trở nên phổ biến và hữu ích trong cuộc sống hàng ngày.

4.1. Robot dịch vụ trong ngành khách sạn

Robot dịch vụ trong ngành khách sạn giúp nâng cao trải nghiệm của khách hàng bằng cách cung cấp thông tin và hỗ trợ trong việc đặt phòng, gọi món ăn, và nhiều dịch vụ khác.

4.2. Ứng dụng trong y tế

Robot dịch vụ trong y tế có thể hỗ trợ bác sĩ trong việc chăm sóc bệnh nhân, từ việc theo dõi tình trạng sức khỏe đến việc cung cấp thông tin cần thiết cho bệnh nhân.

V. Kết luận và tương lai của giao tiếp người máy

Giao tiếp người-máy qua điện toán đám mây đang mở ra nhiều cơ hội mới cho sự phát triển của công nghệ. Tương lai của robot dịch vụ hứa hẹn sẽ mang lại nhiều giá trị cho con người, từ việc cải thiện chất lượng cuộc sống đến việc tối ưu hóa quy trình làm việc.

5.1. Xu hướng phát triển công nghệ

Công nghệ giao tiếp người-máy sẽ tiếp tục phát triển với sự hỗ trợ của trí tuệ nhân tạo và điện toán đám mây. Điều này sẽ giúp robot ngày càng thông minh và nhạy bén hơn trong việc tương tác với con người.

5.2. Tác động đến xã hội

Sự phát triển của robot dịch vụ sẽ có tác động lớn đến xã hội, từ việc tạo ra nhiều cơ hội việc làm mới đến việc thay đổi cách thức mà con người tương tác với công nghệ.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của kỷ nguyên dữ liệu lớn và điện toán máy chủ ảo đang định hình lại toàn diện phương thức tương tác giữa con người và công nghệ. Theo báo cáo từ các tập đoàn công nghệ hàng đầu, mỗi giây hệ thống thương mại điện tử toàn cầu xử lý tới 72.9 triệu lượt truy vấn và kho dữ liệu số đã vượt ngưỡng hàng triệu petabyte, mở ra tiềm năng ứng dụng trí tuệ nhân tạo khổng lồ. Đồng thời, thị trường ghi nhận hơn 1.8 triệu ấn bản điện tử cùng hàng trăm triệu thiết bị thông minh tích hợp công nghệ tương tác giọng nói, chứng minh xu hướng tự động hóa đang thâm nhập sâu rộng vào đời sống.

Tuy nhiên, việc triển khai các thuật toán trí tuệ nhân tạo nhận dạng giọng nói và thị giác máy tính trực tiếp trên các hệ thống nhúng cục bộ gặp rào cản rất lớn về năng lực xử lý, dung lượng bộ nhớ và độ trễ phản hồi. Đề tài luận văn thạc sĩ tập trung giải quyết bài toán cốt lõi: Nghiên cứu và xây dựng phương thức giao tiếp đa phương thức giữa người và máy dựa trên nền tảng điện toán đám mây của Google, ứng dụng cụ thể trên robot dịch vụ và robot chỉ đường. Mục tiêu trọng tâm là tích hợp thành công Google Speech API và Google Vision API lên phần cứng máy tính nhúng, giúp hệ thống tiếp nhận khẩu lệnh âm thanh và dữ liệu hình ảnh thời gian thực để đưa ra phản hồi điều hướng chính xác.

Nghiên cứu được triển khai thực nghiệm toàn diện tại Thành phố Hồ Chí Minh, tập trung vào mô hình robot hỗ trợ tìm đường và phục vụ khách hàng. Đóng góp nổi bật của đề tài là giảm tải hơn 70% dung lượng tính toán cho phần cứng nhúng, đồng thời tận dụng khả năng nhận diện trên 110 ngôn ngữ và biến thể từ hạ tầng máy chủ ảo, tối ưu hóa thời gian phản hồi giao tiếp ở mức mili giây, tạo nền tảng vững chắc cho việc phát triển các dòng robot dịch vụ thông minh trong tương lai.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên ba trụ cột lý thuyết chuyên sâu: lý thuyết nhận dạng giọng nói thống kê, thị giác máy tính xử lý ảnh số và kiến trúc điện toán đám mây phục vụ dữ liệu lớn.

Trong lý thuyết nhận dạng tiếng nói, tín hiệu âm thanh thu nhận từ giọng nói con người được mô hình hóa qua các đặc trưng âm học biến thiên theo thời gian. Nghiên cứu áp dụng kỹ thuật trích xuất hệ số tần số Mel (Mel-Frequency Cepstral Coefficients - MFCC), chia nhỏ tín hiệu thành các khung có độ dài từ 5 đến 15 mili giây để tính toán phổ năng lượng dựa trên cảm nhận phi tuyến tính của thính giác người. Quá trình nhận dạng kết hợp mô hình chuỗi Markov ẩn (Hidden Markov Model - HMM) với mạng thần kinh nhân tạo (ANN) và hàm phân bố xác suất Gaussian đa biến, cho phép phân lớp âm vị chính xác và hạn chế tối đa các lỗi chèn do nhiễu môi trường.

Về thị giác máy tính, nghiên cứu khai thác mô hình camera lỗ kim (Pinhole) để thiết lập mối quan hệ hình học không gian giữa tọa độ thế giới thực ba chiều và mặt phẳng ảnh hai chiều thông qua 5 thông số nội và 6 thông số ngoại. Kỹ thuật tiền xử lý ảnh số sử dụng mặt nạ cuộn Gaussian kích thước 3x3 và 5x5 để làm mượt, kết hợp thuật toán Sobel và bộ lọc Canny 5 bước để phát hiện biên cạnh dựa trên độ lớn và hướng của vectơ Gradient. Các khái niệm cốt lõi bao gồm cấu trúc ảnh số nhị phân, thang màu mức xám 8-bit tương ứng 256 giá trị cường độ và không gian màu RGB 24-bit với 16.8 triệu màu sắc.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp thực nghiệm kết hợp phân tích định lượng trên hệ thống phần cứng và phần mềm thực tế.

Nguồn dữ liệu thực nghiệm bao gồm 150 mẫu khẩu lệnh âm thanh được thu thập trực tiếp qua micro với bộ chuyển đổi tương tự - số ADC độ phân giải 16-bit ở tần số lấy mẫu 16 kHz, cùng 100 mẫu hình ảnh chữ viết, biển báo và bản đồ địa điểm thu nhận từ camera kỹ thuật số. Phương pháp chọn mẫu là chọn mẫu có chủ đích kết hợp phân tầng theo các mức độ nhiễu môi trường khác nhau, từ không gian yên tĩnh 30 dB đến môi trường quán ăn ồn ào 65 dB, và các điều kiện chiếu sáng từ 200 lux đến 800 lux.

Lý do lựa chọn phương pháp phân tích định lượng đối sánh là nhằm đo lường chính xác các chỉ số hiệu năng gồm: tỷ lệ nhận dạng chính xác, thời gian trễ truyền thông mạng TCP/IP và mức tiêu thụ tài nguyên vi xử lý. Toàn bộ thuật toán điều khiển, thu nhận tín hiệu và đóng gói yêu cầu gửi đến các giao diện lập trình ứng dụng REST API của Google được lập trình bằng ngôn ngữ Python trên nền hệ điều hành Linux nhân Ubuntu. Tiến độ nghiên cứu được thực hiện xuyên suốt trong 6 tháng, từ khâu khảo sát lý thuyết, thiết kế phần cứng nhúng đến lập trình tích hợp và kiểm thử thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình đo đạc và thử nghiệm hệ thống giao tiếp người - máy trên mạch nhúng đã mang lại các kết quả định lượng cụ thể:

Thứ nhất, độ chính xác nhận dạng giọng nói tiếng Việt thông qua Google Speech API đạt tỷ lệ ấn tượng 92.4% trong môi trường tiêu chuẩn và duy trì ở mức 85.6% trong môi trường có tiếng ồn hỗn hợp, cao hơn khoảng 25% so với việc chạy các mô hình nhận dạng ngoại tuyến cục bộ trên phần cứng nhúng.

Thứ hai, khả năng nhận diện hình ảnh và trích xuất ký tự văn bản qua Google Vision API đạt độ chính xác trung bình 94.5% đối với các biển hiệu chỉ đường và văn bản in, đồng thời hệ thống nhận dạng chính xác các địa điểm trên bản đồ Google Maps để vạch lộ trình di chuyển cho robot.

Thứ ba, thời gian phản hồi toàn trình từ lúc kết thúc thu âm/chụp ảnh, truyền dữ liệu qua Internet, xử lý trên đám mây đến khi robot nhận kết quả văn bản dao động ổn định trong khoảng 350 đến 650 mili giây trên đường truyền mạng thông dụng.

Thứ tư, hiệu quả tối ưu hóa phần cứng được ghi nhận rõ rệt khi mức độ chiếm dụng bộ nhớ RAM và vi xử lý của mạch nhúng giảm hơn 70% so với cấu hình tự xử lý thuật toán phân lớp nơ-ron cục bộ, giúp thiết bị hoạt động ổn định và không xảy ra hiện tượng quá nhiệt trong suốt 24 giờ thử nghiệm liên tục.

Thảo luận kết quả

Nguyên nhân chính dẫn đến độ chính xác vượt trội của hệ thống là nhờ Google Speech API và Vision API được vận hành trên hạ tầng máy chủ ảo cực mạnh, tích hợp các mô hình học sâu tiên tiến nhất được huấn luyện từ hàng tỷ tập dữ liệu đa dạng trên toàn cầu. Khả năng tự động lọc nhiễu nền của thuật toán đám mây giúp tín hiệu âm thanh thu ở tần số 16 kHz được giải mã chính xác mà không đòi hỏi các mạch lọc phần cứng đắt tiền.

Khi so sánh với các nghiên cứu nhận dạng truyền thống sử dụng mô hình HMM độc lập trên vi điều khiển, hệ thống dựa trên đám mây giải quyết triệt để vấn đề phụ thuộc vào người nói và giới hạn từ vựng. Trong thực tế nghiên cứu, toàn bộ các phát hiện này được trực quan hóa qua biểu đồ cột so sánh độ chính xác tương đối theo từng mức cường độ âm thanh từ 30 dB đến 65 dB, bảng ma trận nhầm lẫn phân tích lỗi nhận dạng âm vị, và đồ thị hàm phân bố thời gian trễ đáp ứng của gói tin mạng. Kết quả chứng minh rằng giải pháp kết hợp giữa phần cứng nhúng nhỏ gọn và sức mạnh tính toán đám mây là hướng đi tối ưu cho robot dịch vụ.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm mô hình, bốn giải pháp trọng tâm được đề xuất nhằm nâng cao hiệu năng và hoàn thiện hệ thống:

Nâng cấp hạ tầng truyền thông không dây: Chuyển đổi mô-đun kết nối mạng của mạch nhúng sang chuẩn Wi-Fi băng tần kép 5 GHz hoặc tích hợp mô-đun dữ liệu di động 4G/5G, đặt mục tiêu giảm độ trễ truyền dữ liệu xuống dưới 200 mili giây. Giải pháp này do nhóm kỹ sư phần cứng cơ điện tử đảm nhiệm triển khai trong thời hạn 3 tháng.

Xây dựng bộ đệm và thuật toán tiền xử lý âm thanh cục bộ: Ứng dụng thuật toán lọc nhiễu thích nghi và phân đoạn tiếng nói dựa trên mức năng lượng khung thời gian 10 mili giây bằng ngôn ngữ C/Python trực tiếp trên Linux trước khi truyền gói tin lên API, nhằm tăng độ chính xác nhận dạng trong môi trường ồn ào thêm khoảng 5%. Nhiệm vụ này do kỹ sư phần mềm hệ thống thực hiện trong vòng 2 tháng.

Chuẩn hóa quy trình hiệu chuẩn thị giác máy tính: Áp dụng quy trình hiệu chuẩn camera tự động bằng bàn cờ mẫu để xác định chính xác 11 thông số nội và ngoại của thấu kính quang học, bù trừ độ méo hình học trước khi gửi ảnh đến Google Vision API, nâng tỷ lệ nhận diện vật thể và ký tự lên mức 98%. Kỹ sư thị giác máy tính sẽ chủ trì thực hiện trong thời gian 4 tháng.

Tích hợp giao diện điều khiển đa phương thức hoàn chỉnh: Hoàn thiện màn hình tương tác cảm ứng gắn trên robot kết hợp phản hồi giọng nói hai chiều qua hệ thống chuyển văn bản thành giọng nói (Text-To-Speech), triển khai thử nghiệm trên 10 mô hình robot phục vụ tại các nhà hàng và trung tâm thương mại. Hoạt động này do nhóm phát triển sản phẩm tiến hành trong lộ trình 6 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và giải pháp kỹ thuật của luận văn mang lại giá trị thực tiễn sâu sắc cho bốn nhóm đối tượng chính:

Kỹ sư Cơ điện tử và Chế tạo Robot: Tiếp cận phương pháp thiết kế tổng thể kiến trúc Cloud Robotics, cách phân bổ tải tính toán giữa phần cứng nhúng và máy chủ ảo để chế tạo các dòng robot phục vụ, robot lễ tân và robot vận chuyển hàng tự động với chi phí linh kiện tối ưu.

Lập trình viên Hệ thống nhúng và IoT: Tham khảo tài liệu kỹ thuật chi tiết về cấu hình hệ điều hành Linux/Ubuntu, kỹ thuật lập trình Python điều khiển ngoại vi camera, microphone, và quy trình bảo mật khi kết nối các dịch vụ Google Cloud qua mạng Internet.

Học viên cao học và Nhà nghiên cứu Trí tuệ nhân tạo: Sử dụng công trình như một tài liệu học thuật hoàn chỉnh tổng hợp nền tảng toán học của xử lý tín hiệu âm thanh (MFCC, chuỗi Markov ẩn HMM, phân bố Gaussian) và các thuật toán xử lý ảnh kinh điển (Sobel, Canny, biến đổi tọa độ không gian).

Doanh nghiệp phát triển giải pháp Tự động hóa Dịch vụ: Nắm bắt mô hình ứng dụng thực tế để thương mại hóa các trạm thông tin tự động, thiết bị chỉ đường thông minh trong bệnh viện, sân bay và nhà hàng, giúp tiết kiệm hơn 70% chi phí đầu tư phần cứng chuyên dụng.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn giải pháp điện toán đám mây thay vì xử lý nhận dạng trực tiếp trên mạch nhúng?

Việc xử lý các thuật toán học sâu nhận dạng giọng nói và hình ảnh đòi hỏi năng lực tính toán cực lớn mà các vi xử lý nhúng thông thường không thể đáp ứng. Ứng dụng điện toán đám mây giúp cắt giảm hơn 70% tải tính toán cục bộ, tận dụng kho dữ liệu khổng lồ từ Google để nhận dạng hơn 110 ngôn ngữ với độ chính xác cao trên 92%.

Đặc trưng MFCC đóng vai trò kỹ thuật gì trong quá trình nhận dạng tiếng nói?

Hệ số MFCC chuyển đổi tín hiệu giọng nói từ miền thời gian sang miền tần số phi tuyến tính mô phỏng chính xác cơ chế cảm thụ âm thanh của tai người. Kỹ thuật này chia nhỏ âm thanh thành các khung 5 đến 15 mili giây để trích xuất vectơ đặc trưng ổn định, giảm thiểu ảnh hưởng của tần số cơ bản và ngữ điệu từng người nói.

Độ trễ mạng Internet có ảnh hưởng tiêu cực đến khả năng tương tác của robot không?

Trong các thử nghiệm thực tế với đường truyền băng thông tiêu chuẩn, tổng thời gian phản hồi dao động từ 350 đến 650 mili giây. Khoảng thời gian này hoàn toàn đáp ứng được tiêu chuẩn giao tiếp tự nhiên trong thời gian thực giữa người và máy, không gây cảm giác gián đoạn hay khó chịu cho người sử dụng robot dịch vụ.

Tại sao cần thực hiện quá trình hiệu chuẩn camera trong hệ thống thị giác của robot?

Mỗi ống kính camera đều có độ méo quang học và sai lệch quang tâm nhất định. Quá trình hiệu chuẩn giúp xác định chính xác 5 thông số nội và 6 thông số ngoại của mô hình Pinhole, biến đổi chuẩn xác tọa độ điểm ảnh hai chiều về không gian thực ba chiều, nâng độ chính xác nhận diện vị trí vật thể lên trên 94%.

Hệ điều hành Linux đóng góp ưu thế gì cho việc xây dựng hệ thống nhúng giao tiếp?

Linux là hệ điều hành mã nguồn mở có tính ổn định rất cao, hỗ trợ quản lý bộ nhớ linh hoạt và tích hợp sẵn các giao thức mạng chuẩn TCP/IP. Nền tảng này cho phép lập trình viên tối ưu hóa phần cứng mạch nhúng, dễ dàng biên dịch thư viện Python và quản lý đa nhiệm mượt mà khi tương tác với các dịch vụ đám mây.

Kết luận

Luận văn đã giải quyết thành công bài toán giao tiếp người - máy đa phương thức trên mạch nhúng thông qua các kết quả then chốt:

• Làm chủ kiến trúc tích hợp giữa phần cứng nhúng chạy hệ điều hành Linux với hạ tầng điện toán đám mây của Google.
• Đạt độ chính xác nhận dạng giọng nói trên 92% qua Google Speech API và trích xuất hình ảnh trên 94% qua Google Vision API.
• Tối ưu hóa thời gian đáp ứng giao tiếp toàn trình ở mức 350 đến 650 mili giây, đảm bảo khả năng tương tác thời gian thực mượt mà.
• Giảm tải hơn 70% dung lượng tính toán và tiêu thụ tài nguyên phần cứng so với các hệ thống xử lý độc lập truyền thống.
• Xây dựng hoàn chỉnh mô hình thực nghiệm robot dịch vụ chỉ đường có khả năng tương tác linh hoạt bằng cả khẩu lệnh và hình ảnh.

Kế hoạch phát triển tiếp theo tập trung vào việc hoàn thiện mô-đun tự hành và thương mại hóa sản phẩm robot dịch vụ trong vòng 6 tháng tới. Hãy liên hệ và tham khảo chi tiết toàn văn tài liệu luận văn để ứng dụng ngay kiến trúc Cloud Robotics tiên tiến vào các dự án công nghệ của bạn.

Trích đoạn nội dung tài liệu

LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của tôi. Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác Tp. Hồ Chí Minh, ngày … tháng … năm 2017 (Ký tên và ghi rõ họ tên) LƯU MẠNH SƠN ii LỜI CẢM ƠN Để hoàn thành được luận văn này, tôi xin chân thành cảm ơn sự hướng dẫn tận tình của Thầy PGS. Nguyễn Trường Thịnh đã góp ý, hỗ trợ tôi trong suốt quá trình thực hiện.

Xin cảm ơn gia đình và những người bạn luôn động viên, ủng hộ tôi. Xin chân thành cảm ơn. Lưu Mạnh Sơn iii TÓM TẮT Ngày nay sự phát triển của công nghệ, các thiết bị ngày càng thông minh hơn, giúp người dùng dễ dàng giao tiếp và điều khiển các thiết bị xung quanh. Số lượng các thiết bị nhận dạng giọng nói, hình ảnh ngày càng tăng, điển hình như tivi thông minh, máy tính cá nhân, đặc biệt là tất cả các điện thoại di động đều có hỗ trợ nhận diện và điều khiển bằng giọng nói.

Ngoài các ứng dụng trong các thiết bị gia dụng, giáo dục thì còn được ứng dụng trong các thủ thuật phẫu thuật, vì vậy độ chính xác và tốc độ trở nên rất quan trọng. Trong luận văn này nhằm mục đích giới thiệu về phương thức giao tiếp giữa người và máy sử dụng điện toán đám mây của Google. Cụ thể là dùng Google Speech API để nhận dạng âm thanh, Google Vision API để nhận dạng hình ảnh. Một vấn đề mới mà luận văn nghiên cứu là xây dựng giao diện, phương thức giao tiếp người dùng và trên mạch máy tính nhúng.

iv MỤC LỤC LÝ LỊCH KHOA HỌC. I LỜI CAM ĐOAN. II LỜI CẢM ƠN. IV MỤC LỤC.

V DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU. VII DANH SÁCH CÁC HÌNH .1 Giao tiếp giữa người và máy.2 Dữ liệu lớn – Big Data .1 Khái niệm về dữ liệu lớn .2 Nguồn hình thành và phương pháp khai thác, quản lý dữ liệu lớn .3 Đặc trưng của dữ liệu lớn .4 Sự khác biệt giữa dữ liệu lớn với dữ liệu truyền thống .3 Tổng quan về điện toán đám mây .4 Nhận dạng giọng nói .2 Hệ thống phát âm của con người .3 Biểu diễn tiếng nói - đặc trưng tiếng nói .4 Trích chọn đặc trưng .5 Phương pháp nhận dạng tiếng nói .6 Các mô hình nhận dạng .7 Mô hình Hidden Markov Model .8 Nhận dạng tiếng nói với mô hình Markov ẩn .9 Sự phân bố Gaussion .5 Công cụ nhận dạng giọng nói của google - Google Speech API .6 Xử lý ảnh số.1 Giới thiệu về ảnh số .2 Một số kiểu ảnh số thường gặp .3 Giới thiệu về xử lý ảnh số .5 Các ứng dụng cơ bản của công nghệ xử lý ảnh số .7 Nhận diện hình ảnh của Google .1 Nguyên lý hoạt động của hệ thống .2 Phương thức hoạt động của bộ xử lý trung tâm.3 Bộ xử lý nhúng .4 Sơ đồ tổng quát hệ thống.6 Hệ điều hành nhân Linux .1 Quá trình thử nghiệm giao tiếp với điện toán đám mây .2 Giao diện người dùng .58 vi DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU Chữ viết tắt Giải thích Client Máy trạm Server Máy chủ URL Uniform Resource Locator API Application programming interface HSV Hue – Saturation – Value RGB Red – Green – Blue App Application ID identification GPS Global Positioning System TTS Text To Speech NLP Natural Language Processing TCP Transmission Control Protocol vii DANH SÁCH CÁC HÌNH Hình 2-6: Hình cắt ngang của ống âm thanh.13 Hình 2-1: Các bước rút trích đặc trưng MFCC từ tín hiệu âm thanh.15 Hình 2-2: Chi tiết bước trích chọn MFCC.15 Hình 2-3: MFCC chuẩn .16 Hình 2-4: MFCC đã biến đổi .