Giới thiệu dự án

Trong bối cảnh giao thông đô thị tại Việt Nam diễn biến phức tạp với mật độ phương tiện hỗn hợp cao, tai nạn giao thông đường bộ vẫn là một thách thức nghiêm trọng đối với an toàn xã hội. Theo thống kê của Ủy ban An toàn Giao thông Quốc gia, hơn 70% các vụ va chạm giao thông xuất phát từ việc người điều khiển phương tiện thiếu tập trung, phản xạ chậm hoặc bị che khuất tầm nhìn. Trong khi các dòng xe cao cấp hiện đại được tích hợp các gói an toàn chủ động ADAS (Advanced Driver Assistance Systems) đắt tiền như Toyota Safety Sense hay Honda Sensing, phần lớn các phương tiện phổ thông và xe đời cũ đang lưu thông đều thiếu vắng hệ thống cảnh báo sớm (Pre-Collision System - PCS).

Vấn đề cốt lõi đặt ra là: Làm thế nào để phát triển một hệ thống cảnh báo tiền va chạm thông minh, có độ chính xác cao, xử lý thời gian thực (Real-time Processing) trên nền tảng máy tính nhúng biên (Edge Computing) với chi phí thấp, dễ dàng tích hợp và lắp đặt trên các dòng xe phổ thông như Toyota Vios?

Đồ án tốt nghiệp chuyên ngành Công nghệ Kỹ thuật Ô tô tại Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện đề tài "Nghiên cứu thiết kế và chế tạo hệ thống cảnh báo va chạm sớm trên xe" nhằm giải quyết trực tiếp bài toán trên.

Mục tiêu cụ thể của dự án:

  1. Nghiên cứu tổng quan các mô hình mạng nơ-ron thị giác máy tính hiện đại (CNN, R-CNN, YOLO, SSD MobileNet) tối ưu cho nhận dạng vật thể giao thông.
  2. Xây dựng thuật toán xác định vùng cảnh báo va chạm động (Dynamic Warning Zone) dựa trên bounding box và tọa độ trọng tâm của chướng ngại vật.
  3. Thiết kế, tích hợp phần cứng hoàn chỉnh gồm bo mạch máy tính nhúng NVIDIA Jetson Nano, camera Raspberry Pi v2, mô-đun nguồn UPS, màn hình hiển thị LCD 7 inch và hệ thống loa cảnh báo.
  4. Chế tạo nguyên mẫu, thử nghiệm thực địa trên mô hình xe tự chế và lắp đặt kiểm chứng trực tiếp trên xe thương mại Toyota Vios 2009 trong các kịch bản thực tế.

Giải pháp lựa chọn mô hình SSD MobileNet v2 kết hợp nền tảng NVIDIA Jetson Nano Developer Kit B01. Lựa chọn này cân bằng hoàn hảo giữa độ trễ xử lý (Inference Latency) và độ chính xác phân loại (mAP), đáp ứng tiêu chuẩn tính toán thời gian thực mà không đòi hỏi hệ thống máy chủ GPU cồng kềnh.

Phạm vi nghiên cứu tập trung vào việc thu nhận tín hiệu hình ảnh phía trước đầu xe qua camera góc rộng, phát hiện chướng ngại vật (xe ô tô, người đi bộ, xe máy, chướng ngại tĩnh), ước lượng không gian cảnh báo và phát tín hiệu cảnh báo bằng âm thanh kết hợp hình ảnh trực quan cho tài xế trước khi va chạm xảy ra.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các giải pháp cảnh báo và phòng ngừa va chạm hiện nay trên thế giới và trong nước phân hóa thành nhiều phân khúc công nghệ:

Tiêu chí Mobileye 630 Series Waymo Driver / Tesla Vision Giải pháp nhúng SSD MobileNet (Đề tài)
Cảm biến chính Camera thông minh đơn sắc + CAN bus LiDAR 360° + Radar + Camera đa tầng Camera RGB Raspberry Pi v2 8MP (IMX219)
Nền tảng xử lý Chip chuyên dụng EyeQ Máy chủ công nghiệp đa GPU NVIDIA Jetson Nano 128-core Maxwell GPU
Khả năng can thiệp Cảnh báo âm thanh/hình ảnh/rung vô lăng Can thiệp trực tiếp hệ thống lái & phanh Cảnh báo hình ảnh (LCD 7") & âm thanh (Speaker)
Chi phí triển khai $800 - $1,500 (Rất cao) Hàng chục nghìn USD (Xe tự hành) < $200 (Tối ưu cho xe phổ thông)
Khả năng tùy biến Đóng kín (Proprietary) Đóng kín (Proprietary) Mã nguồn mở Python/OpenCV, dễ mở rộng

Yêu cầu kỹ thuật hệ thống theo mô hình phân loại MoSCoW:

  • Must have (Bắt buộc): Nhận diện chính xác chướng ngại vật (ô tô, người) với độ trễ < 100ms; phát âm thanh cảnh báo khi chướng ngại vật xâm phạm vùng an toàn; hoạt động ổn định trên nguồn điện 5V của xe thông qua UPS.
  • Should have (Nên có): Giao diện LCD 7 inch hiển thị bounding box thời gian thực; tự động khởi động cùng hệ thống điện của xe; thuật toán lọc nhiễu khung hình.
  • Could have (Có thể có): Ghi log lịch sử cảnh báo; tích hợp nhận diện biển báo giao thông (Traffic Sign Recognition) bằng Keras/CNN.
  • Won't have (Chưa thực hiện): Can thiệp trực tiếp vào cơ cấu chấp hành phanh khẩn cấp (AEB) qua giao thức CAN bus; hoạt động trong điều kiện mưa bão cực đoan hoặc sương mù dày đặc do giới hạn của cảm biến quang học đơn luồng.

Thiết kế hệ thống

Kiến trúc phần cứng và luồng xử lý dữ liệu được thiết kế theo cấu trúc module hóa phân tầng:

[ Raspberry Pi Camera v2 (CSI-2) ] 
               │ (300x300 Frame Stream)
               ▼
[ NVIDIA Jetson Nano Developer Kit ]
   ├── Input Preprocessing (Color space conversion, Normalization)
   ├── SSD MobileNet v2 Feature Extractor (Base Network + Extra Layers)
   ├── Non-Maximum Suppression (NMS) & Bounding Box Regression
   └── Collision Logic Engine (Class Zone Overlap Detection)
               │
       ┌───────┴────────┐
       ▼                ▼
[ LCD 7-inch Display ] [ Mini USB Speaker ]
 (Visual Overlay BBox)   (Acoustic Warning Alert)

Technology Stack chi tiết:

  • Hệ điều hành & SDK: Ubuntu 18.04 LTS nền tảng ARM64, NVIDIA JetPack 4.6 (CUDA 10.2, cuDNN 8.2, TensorRT 8.0).
  • Ngôn ngữ & Thư viện lõi: Python 3.6.9, OpenCV 4.5.1 (build with GStreamer & CUDA acceleration), NumPy 1.19.4.
  • Deep Learning Framework: TensorFlow 2.4.1 / Keras 2.4.3, MobileNetV2-SSD pre-trained weights trên tập dữ liệu COCO/PASCAL VOC.
  • Phần cứng: Bo mạch NVIDIA Jetson Nano B01 (Quad-core ARM A57 @ 1.43 GHz, GPU 128 nhân kiến trúc NVIDIA Maxwell, 4GB 64-bit LPDDR4), Camera Sony IMX219 8MP góc mở 160 độ, Mạch nguồn UPS 5V/4A chống sụt áp khi khởi động động cơ xe.

Methodology

Quy trình phát triển dự án kết hợp phương pháp luận Waterfall trong thiết kế phần cứng và Agile/Scrum trong tối ưu thuật toán phần mềm.

Kế hoạch thực hiện dự án (21/02/2022 – 10/07/2022):

  • Giai đoạn 1 (Tuần 1 - Tuần 4): Khảo sát tài liệu, nghiên cứu lý thuyết thị giác máy tính, phân tích kiến trúc SSD, YOLOv3/v4 và CNN. Lựa chọn linh kiện phần cứng.
  • Giai đoạn 2 (Tuần 5 - Tuần 10): Xây dựng thuật toán nhận dạng trên Python/OpenCV; huấn luyện và chuyển đổi model SSD MobileNet v2; thiết kế thuật toán logic cảnh báo va chạm (Class Zone).
  • Giai đoạn 3 (Tuần 11 - Tuần 15): Tích hợp phần cứng lên mô hình xe tự chế thử nghiệm; fix lỗi tràn bộ nhớ (Out-Of-Memory) và tối ưu FPS.
  • Giai đoạn 4 (Tuần 16 - Tuần 20): Lắp đặt hoàn chỉnh lên xe thương mại Toyota Vios 2009, chạy thử nghiệm thực địa theo 4 kịch bản, đánh giá tham số và hoàn thiện báo cáo thuyết minh.

Ma trận quản trị rủi ro (Risk Assessment & Mitigation):

  • Rủi ro sụt áp bo mạch: Điện áp ắc-quy ô tô biến thiên khi đề nổ máy làm tắt đột ngột Jetson Nano $\rightarrow$ Giải pháp: Sử dụng mạch quản lý nguồn Uninterruptible Power Supply (UPS) kết hợp pin Li-ion đệm.
  • Rủi ro nghẽn cổ chai xử lý (Latency bottleneck): Tốc độ xử lý ảnh chậm gây cảnh báo trễ $\rightarrow$ Giải pháp: Tối ưu kích thước đầu vào tensor $300 \times 300$, tinh gọn mạng trích xuất đặc trưng bằng kỹ thuật Depthwise Separable Convolution.

Implementation và kết quả

Development process

Trọng tâm thuật toán của hệ thống là sự kết hợp giữa mô hình nhận dạng SSD MobileNet v2 và thuật toán hình học xác định vùng va chạm không gian thực.

Mạng MobileNet v2 đóng vai trò bộ trích xuất đặc trưng (Feature Extractor), sử dụng các khối tích chập tách biệt chiều sâu (Depthwise Separable Convolution) kết hợp với Inverted Residual Block và Linear Bottleneck. Cấu trúc này giảm tải đến 85% khối lượng tính toán phép nhân-cộng (MACs) so với tích chập tiêu chuẩn $3 \times 3$, cho phép Jetson Nano chạy suy luận mượt mà.

Mô hình SSD MultiBox tận dụng các Feature Maps đa tỷ lệ (từ $38 \times 38$, $19 \times 19$, $10 \times 10$, $5 \times 5$, $3 \times 3$ đến $1 \times 1$) để sản sinh ra tổng cộng 8,732 default bounding boxes trên mỗi khung hình, đảm bảo khả năng phát hiện vật thể ở cả cự ly gần lẫn tầm xa:

$$\text{Total Boxes} = (38^2 \times 4) + (19^2 \times 6) + (10^2 \times 6) + (5^2 \times 6) + (3^2 \times 4) + (1^2 \times 4) = 8,732$$

Thuật toán cảnh báo sớm được hiện thực hóa qua lớp logic Zone trong mã nguồn Python. Khi tâm của Bounding Box chướng ngại vật rơi vào vùng nguy hiểm (Warning Polygon) được cấu hình trước kính lái, hàm kích hoạt âm thanh cảnh báo sẽ phát tín hiệu tức thời.

import cv2
import numpy as np

class Zone:
    """Lớp quản lý vùng cảnh báo an toàn phía trước đầu xe."""
    def __init__(self, p1, p2):
        # p1: Tọa độ góc trên bên trái (x1, y1), p2: Tọa độ góc dưới bên phải (x2, y2)
        self.x1, self.y1 = p1
        self.x2, self.y2 = p2

    def getCenterPoint(self, box):
        """Tính toán tọa độ điểm trọng tâm của Bounding Box đối tượng."""
        startX, startY, endX, endY = box
        centerX = int((startX + endX) / 2.0)
        centerY = int((startY + endY) / 2.0)
        return (centerX, centerY)

    def isOverlap(self, box):
        """Kiểm tra xem đối tượng có nằm trong vùng nguy hiểm hay không."""
        cX, cY = self.getCenterPoint(box)
        if (self.x1 <= cX <= self.x2) and (self.y1 <= cY <= self.y2):
            return True
        return False

def process_collision_warning(frame, detections, warning_zone, min_confidence=0.5):
    h, w = frame.shape[:2]
    is_alert = False

    for i in range(detections.shape[2]):
        confidence = detections[0, 0, i, 2]
        if confidence > min_confidence:
            class_id = int(detections[0, 0, i, 1])
            # Lọc các lớp vật thể giao thông chính (xe hơi, người đi bộ, xe máy)
            if class_id in [1, 2, 7]: 
                box = detections[0, 0, i, 3:7] * np.array([w, h, w, h])
                box_coords = box.astype("int")
                
                # Vẽ Bounding Box đối tượng
                cv2.rectangle(frame, (box_coords[0], box_coords[1]), 
                              (box_coords[2], box_coords[3]), (0, 255, 0), 2)
                
                # Kiểm tra va chạm với vùng quy định
                if warning_zone.isOverlap(box_coords):
                    is_alert = True
                    cv2.rectangle(frame, (box_coords[0], box_coords[1]), 
                                  (box_coords[2], box_coords[3]), (0, 0, 255), 3)

    return frame, is_alert

Testing và validation

Quá trình kiểm thử được triển khai trên 2 giai đoạn: Thử nghiệm kỹ thuật trên mô hình tĩnh / xe tự chế và Thử nghiệm thực địa trên ô tô Toyota Vios 2009 trong các điều kiện đường sá đô thị TP.HCM.

Bộ chỉ số Benchmark hiệu năng nhận dạng:

  • Độ chính xác trung bình (mAP): Đạt 74.3% trên tập dữ liệu kiểm chuẩn PASCAL VOC.
  • Tốc độ xử lý khung hình (Frame Rate): Đạt trung bình 18 - 24 FPS trực tiếp trên bo mạch nhúng NVIDIA Jetson Nano với ảnh đầu vào $300 \times 300$, tiệm cận hoàn toàn ngưỡng thời gian thực (Real-time threshold $\ge 20$ FPS).
  • Thời gian đáp ứng trễ (End-to-End Latency): $\sim 48\text{ms}$ từ thời điểm camera thu nhận frame đến khi loa phát âm thanh cảnh báo.
+-------------------------------------------------------------------------+
|                  BENCHMARK SO SÁNH TRÊN THIẾT BỊ NHÚNG                  |
+--------------------------+---------------------+------------------------+
| Kiến trúc mô hình        | Tốc độ (FPS)        | Độ chính xác (mAP %)   |
+--------------------------+---------------------+------------------------+
| Faster R-CNN (ResNet-50) | 2.1 FPS (Quá chậm)  | 79.8%                  |
| YOLOv3-Full (Darknet53)  | 4.3 FPS (Nghẽn GPU) | 76.5%                  |
| YOLOv4-Tiny              | 16.5 FPS            | 69.2%                  |
| MobileNet-SSD v2 (Đề tài)| 21.4 FPS (Tối ưu)   | 74.3%                  |
+--------------------------+---------------------+------------------------+

Kết quả kiểm thử thực nghiệm trên 4 kịch bản vận hành thực tế:

  • Kịch bản 1 (Xe cùng chiều giảm tốc đột ngột): Hệ thống nhận diện chuẩn xác xe phía trước ở cự ly 15m, kích hoạt còi báo động khi khoảng cách thu hẹp dưới 6m (độ chính xác 96.2%).
  • Kịch bản 2 (Người đi bộ cắt ngang đầu xe): Phát hiện chính xác người đi bộ từ khoảng cách 10m, đưa ra cảnh báo trước va chạm 1.8 giây, đủ thời gian cho lái xe đạp phanh hoàn toàn.
  • Kịch bản 3 (Xe máy tạt đầu / lấn làn): Bounding box theo dõi liên tục quỹ đạo chuyển động; cảnh báo chính xác khi tâm xe máy lọt vào Warning Zone.
  • Kịch bản 4 (Phương tiện di chuyển ban đêm có đèn đường): Độ chính xác nhận dạng đạt 82.5%; hạn chế phát sinh khi gặp ánh đèn pha ngược chiều gây chói quang học.

Kết quả đạt được

Hệ thống đã hoàn thiện 100% các mục tiêu đề ra ban đầu, tạo ra một sản phẩm phần cứng - phần mềm đồng bộ có thể gắn độc lập trên kính lái ô tô.

Hạng mục cam kết Kế hoạch ban đầu Kết quả thực tế đạt được Đánh giá
Mô hình nhận dạng Phân loại được xe, người Nhận diện chính xác 20 lớp đối tượng VOC Vượt chỉ tiêu
Tốc độ xử lý Đạt thời gian thực (>15 FPS) Đạt trung bình 21.4 FPS trên Jetson Nano Đạt xuất sắc
Giao tiếp cảnh báo Loa buzzer đơn giản LCD 7" GUI trực quan + Loa USB âm lượng lớn Vượt chỉ tiêu
Thực nghiệm xe thật Xe thử nghiệm quy mô nhỏ Lắp đặt và test thành công trên Toyota Vios 2009 Đạt 100%

Đổi mới và đóng góp

  1. Làm chủ công nghệ Edge AI trên phương tiện giao thông: Tích hợp thành công mô hình học sâu SSD MobileNet v2 lên phần cứng nhúng biên công suất thấp (NVIDIA Jetson Nano tiêu thụ chỉ 5W-10W), chứng minh tính khả thi của việc thương mại hóa thiết bị hỗ trợ lái xe an toàn nội địa giá rẻ.
  2. Thuật toán phân vùng cảnh báo động thích ứng (Dynamic Warning Zone Logic): Thay vì chỉ phát hiện vật thể thụ động, giải pháp xây dựng liên kết giữa tâm Bounding Box và hình học không gian vùng nguy hiểm, loại bỏ hoàn toàn các cảnh báo giả (False Positive) từ các phương tiện di chuyển ở làn đường ngược chiều hoặc vỉa hè.
  3. Hiệu quả kinh tế vượt trội: Chi phí chế tạo hệ thống hoàn chỉnh chỉ rơi vào khoảng 3.500.000 VNĐ - 4.500.000 VNĐ, tiết kiệm hơn 85% chi phí so với việc trang bị các bộ phụ kiện ngoại nhập như Mobileye 630 (giá từ 20 đến 35 triệu đồng), tạo điều kiện phổ cập tính năng an toàn cho hàng triệu xe ô tô phổ thông đời cũ tại Việt Nam.

Ứng dụng thực tế và triển khai

Hệ thống có khả năng ứng dụng rộng rãi và lắp đặt nhanh chóng (Plug & Play) trên nhiều đối tượng phương tiện:

  • Xe hơi phổ thông, xe dịch vụ (Grab, Taxi): Bổ sung tính năng cảnh báo va chạm sớm mà nhà sản xuất đã cắt giảm để hạ giá thành.
  • Xe tải nhẹ và xe chở khách liên tỉnh: Hỗ trợ tài xế duy trì sự tập trung, chống ngủ gật và cảnh báo chướng ngại vật trong các chuyến hành trình dài.
  • Xe tự hành nghiên cứu / Robot vận chuyển nội bộ: Làm module thị giác phát hiện vật cản độc lập trong các khuôn viên trường đại học, nhà máy công nghiệp.
HƯỚNG DẪN TRIỂN KHAI LẮP ĐẶT TRÊN XE:
1. Gắn cụm Camera Raspberry Pi v2 ngay sau gương chiếu hậu trung tâm, hướng góc nhìn thẳng theo trục dọc thân xe.
2. Cố định hộp vi xử lý Jetson Nano + Mạch UPS vào khu vực cốp phụ hoặc dưới bảng taplo.
3. Đặt màn hình LCD 7 inch tại góc chữ A hoặc giữa taplo, kết nối cổng HDMI và cấp nguồn USB.
4. Cắm jack nguồn 12V trên xe (tẩu sạc Cigar Lighter) vào mạch sạc UPS.
5. Khởi động xe -> Hệ điều hành Linux tự động boot script chạy chương trình nhận dạng `main_detector.py`.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Điều kiện thời tiết xấu: Do hệ thống chỉ sử dụng camera quang học đơn luồng (Monocular Vision), khả năng nhận dạng bị suy giảm từ 15-25% khi di chuyển trong trời mưa to, sương mù dày đặc hoặc ban đêm không có đèn đường.
  • Hiện tượng trượt khung hình (Frame Drop) khi quá nhiệt: Khi Jetson Nano vận hành liên tục dưới trời nắng gắt, nhiệt độ chip vượt ngưỡng 70°C dẫn đến hiện tượng Thermal Throttling làm giảm nhẹ FPS.
  • Chưa can thiệp hệ thống phanh: Hệ thống mới dừng lại ở mức cảnh báo thụ động (Passive Warning), chưa thể tự động tác động lực phanh (Active Braking) do chưa liên kết với hộp điều khiển phanh ABS/ESP qua mạng CAN Bus.

Hướng phát triển

  • Tối ưu hóa TensorRT: Chuyển đổi mô hình SSD MobileNet sang định dạng FP16 / INT8 TensorRT engine nhằm nâng tốc độ xử lý lên 35 - 40 FPS.
  • Tích hợp cảm biến phụ trợ (Sensor Fusion): Bổ sung cảm biến Radar sóng milimet (mmWave Radar) tầm ngắn hoặc cảm biến siêu âm phía trước cản xe để hoạt động tin cậy trong mọi điều kiện thời tiết.
  • Mở rộng tính năng ADAS: Bổ sung module nhận diện lệch làn đường (Lane Departure Warning - LDWS) và nhận diện biển báo tốc độ (Traffic Sign Recognition) bằng Keras CNN đã được nghiên cứu mở rộng trong đề tài.
  • Giao tiếp CAN Bus: Kết nối vi điều khiển STM32/Arduino với cổng OBD-II để đọc vận tốc tức thời của xe, từ đó tự động co giãn kích thước vùng Warning Zone theo vận tốc thực tế (Dynamic Speed-adaptive Safety Zone).

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Ô tô, Cơ điện tử, CNTT: Nguồn tài liệu tham khảo thực chiến toàn diện từ lý thuyết Deep Learning (CNN, MobileNet, SSD, YOLO) đến kỹ thuật triển khai nhúng trên bo mạch NVIDIA Jetson Nano.
  • Lập trình viên & Kỹ sư Computer Vision: Tham khảo cấu trúc code xử lý luồng camera GStreamer, giải thuật lọc Bounding Box và mô hình phát hiện va chạm không gian hình học.
  • Doanh nghiệp & Xưởng độ xe (Car Tuning / Retrofit): Cơ sở nghiên cứu khả thi để thương mại hóa các bộ kit an toàn chủ động giá bình dân cho các dòng xe hạng A, B tại thị trường Đông Nam Á.
  • Nhà nghiên cứu học thuật: Cung cấp số liệu đo đạc thực nghiệm, so sánh độ trễ và độ chính xác của các mô hình phát hiện vật thể trên môi trường điện toán biên thực tế.

Câu hỏi thường gặp

1. Cấu hình tối thiểu để triển khai phần mềm này là gì?

Hệ thống yêu cầu bo mạch máy tính nhúng có nhân xử lý GPU tương thích CUDA như NVIDIA Jetson Nano (4GB), Jetson Xavier NX hoặc Raspberry Pi 4 (nếu sử dụng mô hình TFLite lượng tử hóa). Camera chuẩn CSI-2 hoặc USB Webcam độ phân giải từ 720p trở lên, nguồn cấp ổn định tối thiểu 5V/3A.

2. Tại sao đề tài chọn SSD MobileNet v2 thay vì các phiên bản YOLO mới hơn?

Mặc dù YOLO (như YOLOv3/v4) có độ chính xác cao đối với vật thể phức tạp, nhưng kích thước mô hình và lượng tham số quá lớn khiến GPU 128-core của Jetson Nano bị quá tải (chỉ đạt 4-8 FPS). SSD MobileNet v2 sử dụng kiến trúc Depthwise Separable Convolution giúp giảm thiểu tối đa phép tính, đạt tốc độ >20 FPS ổn định, phù hợp tiêu chuẩn phản xạ an toàn của xe ô tô.

3. Hệ thống có gây tiêu hao ắc-quy của xe không?

Không. Công suất tiêu thụ tối đa của toàn bộ hệ thống (Jetson Nano + Màn hình LCD + Camera) chỉ dao động từ 8W đến 15W (tương đương với một camera hành trình thông thường). Mạch nguồn UPS thông minh sẽ tự ngắt sạc khi tắt khóa điện xe, đảm bảo không làm cạn ắc-quy.

4. Hệ thống có bị báo động giả liên tục khi đi trong phố đông đúc không?

Không. Thuật toán Class Zone được thiết kế có ngưỡng hình học thông minh và bộ đệm thời gian (Confidence Threshold $\ge 0.5$, Intersection filter). Hệ thống chỉ phát cảnh báo âm thanh khi chướng ngại vật thực sự xâm phạm vào hành lang chuyển động trực tiếp phía trước mũi xe, bỏ qua các phương tiện di chuyển song song ở làn bên cạnh.

5. Chi phí tự lắp ráp và chế tạo một bộ sản phẩm là bao nhiêu?

Tổng chi phí linh kiện phần cứng tự chế tạo dao động khoảng 3.800.000 – 4.200.000 VNĐ (Bao gồm Jetson Nano B01: ~2.5tr, Module Camera IMX219: ~400k, Màn hình LCD 7": ~800k, Mạch nguồn UPS & phụ kiện: ~400k), thấp hơn rất nhiều so với các hệ thống thương mại trên thị trường.

Kết luận

Đề tài "Nghiên cứu thiết kế và chế tạo hệ thống cảnh báo va chạm sớm trên xe" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết thành công bài toán tích hợp công nghệ trí tuệ nhân tạo thị giác máy tính vào lĩnh vực kỹ thuật ô tô thực tế. Bằng việc kết hợp hài hòa giữa thuật toán học sâu SSD MobileNet v2 và năng lực tính toán của máy tính nhúng NVIDIA Jetson Nano, hệ thống đạt độ chính xác 74.3% mAP cùng tốc độ xử lý 21.4 FPS, đáp ứng hoàn hảo yêu cầu cảnh báo va chạm thời gian thực.

Kết quả thử nghiệm trực tiếp trên xe Toyota Vios 2009 khẳng định tính khả thi, độ tin cậy và tiềm năng thương mại hóa to lớn của giải pháp. Đề tài không chỉ đóng góp một giải pháp an toàn giao thông thiết thực, chi phí thấp cho cộng đồng mà còn là tài liệu tham khảo kỹ thuật giá trị cho sinh viên, kỹ sư đang theo đuổi lĩnh vực xe tự hành và hệ thống hỗ trợ lái xe thông minh (ADAS) tại Việt Nam.