Tổng quan về luận án

Nghiên cứu nhận dạng hành động người (Human Activity Recognition - HAR) và phân tích đối tượng chuyển động 3D đóng vai trò nền tảng trong các hệ thống thị giác máy tính, y tế thông minh, giám sát an ninh và tương tác người - máy. Luận án tiến sĩ kỹ thuật chuyên ngành Khoa học máy tính (Mã số: 62 48 01 01) của tác giả Nguyễn Năng Hùng Vân, dưới sự hướng dẫn khoa học của PGS.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". Luận án mang tính tiên phong khi giải quyết tận gốc rễ rào cản hình học trong các mô hình học máy truyền thống thông qua việc tích hợp Đại số hình học bảo giác (Conformal Geometric Algebra - CGA) vào quy trình biểu diễn, trích chọn đặc trưng và phân loại chuỗi chuyển động.

flowchart TD
    A["Dữ liệu chuyển động 3D MoCap (CMU Dataset)"] --> B["Tiền xử lý: Đồng bộ tịnh tiến & Ma trận phương sai khoảng cách khớp"]
    B --> C["Không gian CGA (Conformal Geometric Algebra: G_{4,1})"]
    C --> D1["Nhánh 1: Phân cụm CGA-GMM + Lượng tử hóa VQ + HMM"]
    C --> D2["Nhánh 2: Giảm chiều CGA-PCR (Thay thế PCA bằng CGA)"]
    C --> D3["Nhánh 3: Trích chọn đặc trưng CGA + Mạng nơron hồi quy RNN"]
    D1 --> E["Nhận dạng hành động con người chính xác & tối ưu tham số"]
    D2 --> E
    D3 --> E

Bối cảnh khoa học và Research Gap

Các thuật toán học máy kinh điển (Machine Learning) khi xử lý bài toán nhận dạng chuyển động 3D thường giả định dữ liệu phân bố trên các mặt phẳng hoặc siêu phẳng tuyến tính trong không gian Euclid $\mathbb{R}^n$. Tuy nhiên, cấu trúc động học của cơ thể người bao gồm các khớp xương nối tiếp (như khớp cánh tay lhumerus, khớp gối, khớp vai) tạo ra quỹ đạo phi tuyến tính dạng cung tròn, mặt cầu hoặc siêu cầu khi chuyển động quay trong không gian ba chiều. Sự mâu thuẫn này dẫn đến các khoảng trống nghiên cứu cốt lõi:

  • Khoảng trống về hàm khoảng cách: Đa phần các mô hình học máy tối ưu hóa dựa trên khoảng cách Euclid giữa điểm với điểm, hoàn toàn triệt tiêu các liên kết hình học phức hợp (mặt phẳng, đường tròn, hình cầu).
  • Khoảng trống về phân phối xác suất: Mô hình hỗn hợp Gauss (GMM) mặc định hàm mật độ dạng "hình chuông", vốn chỉ xấp xỉ tốt các cụm dữ liệu phân bố dày ở tâm và thưa dần ra ngoài, nhưng hoàn toàn sai lệch khi mô tả dữ liệu phân bố trên mặt cong hoặc siêu cầu.
  • Khoảng trống về chi phí tính toán tham số: Việc mô tả phép quay 3D bằng ma trận biến đổi truyền thống đòi hỏi tới 27 tham số, gây lãng phí bộ nhớ và bùng nổ chiều tính toán, trong khi các công cụ đại số vector thông thường không thống nhất được các phép biến đổi bảo giác.

Câu hỏi nghiên cứu và Giả thuyết khoa học

Luận án thiết lập 4 câu hỏi nghiên cứu (Research Questions - RQ) và 4 giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để biểu diễn thống nhất các thực thể hình học (điểm, đường thẳng, mặt phẳng, hình cầu, siêu cầu) của đối tượng chuyển động quay mà không làm mất đi ràng buộc cấu trúc không gian?
    • H1: Ánh xạ dữ liệu vector từ $\mathbb{R}^n$ sang không gian đại số hình học bảo giác $\mathcal{G}_{n+1, 1}$ sẽ cho phép biểu diễn siêu cầu và siêu phẳng dưới dạng một vector bảo giác duy nhất, tối ưu hóa độ chính xác mô hình hóa quỹ đạo khớp quay.
  • RQ2: Liệu việc thay thế hàm khoảng cách Euclid bằng hàm khoảng cách bảo giác trong GMM và lượng tử hóa vector (VQ) có nâng cao hiệu quả phân cụm cho mô hình Markov ẩn (HMM)?
    • H2: Phân cụm dựa trên vector đại diện là siêu cầu/mặt phẳng trong CGA sẽ phản ánh chính xác phân bố dữ liệu dạng cung tròn, giúp HMM học chuỗi trạng thái hành động tin cậy hơn.
  • RQ3: Có thể thay thế phân tích thành phần chính (PCA) bằng toán tử eigenspace trong CGA để nâng cao hiệu năng hồi quy thành phần chính (PCR) hay không?
    • H3: Xác định phương sai tối thiểu bằng khoảng cách từ điểm đến vector bảo giác trong CGA sẽ tách biệt các lớp dữ liệu chuyển động tốt hơn PCA tuyến tính.
  • RQ4: Phương pháp trích chọn đặc trưng CGA kết hợp tiền xử lý ma trận khoảng cách khớp có tối ưu hóa được mạng nơron hồi quy (RNN) trong nhận dạng chuỗi thời gian?
    • H4: Lọc bỏ các khớp tĩnh bằng ngưỡng phương sai khoảng cách và đồng bộ hóa không gian gốc tọa độ sẽ giúp RNN hội tụ nhanh hơn, giảm hiện tượng quá khớp (overfitting).

Phạm vi và Đóng góp định lượng

Nghiên cứu tập trung vào đối tượng chuyển động 3D trích xuất từ tập dữ liệu bắt chuyển động chuẩn quốc tế của Đại học Carnegie Mellon (CMU Motion Capture Dataset). Đột phá định lượng nổi bật là việc rút gọn phép quay 3D từ 27 tham số của ma trận quay xuống chỉ còn 4 tham số bằng khái niệm rôtơ (rotor) trong đại số hình học, đồng thời cải thiện vượt bậc độ chính xác nhận dạng hành động của các mô hình HMM, PCR và RNN.

Literature Review và Positioning

Tổng quan các trường phái nghiên cứu

Lịch sử biểu diễn đối tượng chuyển động và nhận dạng hành động trải qua ba nhánh tiếp cận chính:

[Tiếp cận Đại số Hình học]
Hamilton (1844: Quaternion) ──> Grassmann (1844: Ngoại tích) ──> Clifford (1878: Đại số Clifford) ──> Hestenes (2001: CGA)
                                                                                                            │
                                                                                                            ▼ (Đóng góp của Luận án)
[Tiếp cận Học máy Thống kê] ─────────────────────────────────────────────────────────────────> [MÔ HÌNH HỌC MÁY HÌNH HỌC BẢO GIÁC]
MacQueen (1967: k-means), Vapnik (1995: SVM), Rabiner (1989: HMM), Bengio/Hochreiter (RNN)                 (CGA-GMM-HMM, CGA-PCR, CGA-RNN)
  1. Trường phái Đại số Hình học (Geometric Algebra - GA): Khởi nguồn từ đại số quaternion của William Rowan Hamilton (1844), mở rộng bởi Hermann Grassmann (1844) với khái niệm ngoại tích (outer product $\wedge$), và được William Kingdom Clifford (1878) hợp nhất thành Đại số Clifford thông qua tích hình học (geometric product). Đến đầu thế kỷ 21, David Hestenes cùng các cộng sự đã phát triển Đại số hình học bảo giác (CGA), đặt nền móng cho việc biểu diễn các đối tượng hình học tự nhiên trong không gian n chiều.
  2. Trường phái Học máy Thống kê và Không gian vector: Tiếp cận giảm chiều tuyến tính dựa trên PCA (Pearson 1901) và LDA (Fisher 1936); mô hình xác suất chuỗi HMM (Rabiner 1989); và phương pháp hàm nhân Kernel SVM (Vapnik 1995) nhằm tăng chiều dữ liệu để phân tách phi tuyến.
  3. Trường phái Học sâu (Deep Learning): Sử dụng mạng nơron tích chập (CNN) cho xử lý ảnh không gian (LeCun 1998) và mạng nơron hồi quy (RNN/LSTM) cho dữ liệu chuỗi thời gian (Hochreiter 1997).

Tranh luận học thuật và Đối lập quan điểm

Tồn tại một cuộc tranh luận sâu sắc giữa hai quan điểm:

  • Quan điểm thứ nhất (Đại số tuyến tính & Kernel trick): Cho rằng mọi dữ liệu phi tuyến đều có thể xử lý thỏa đáng bằng cách ánh xạ lên không gian vô hạn chiều nhờ các hàm nhân (RBF, Polynomial Kernel) trong SVM hoặc để mạng nơron nhiều tầng tự động trích xuất đặc trưng.
  • Quan điểm thứ hai (Hình học vi phân & Đại số bảo giác): Cho rằng phương pháp hàm nhân hoạt động như một "hộp đen", phá vỡ cấu trúc không gian topo và mối liên kết vật lý thực của các khớp chuyển động, dẫn đến chi phí tính toán khổng lồ và thiếu tính diễn giải hình học. Luận án đứng vững trên lập trường thứ hai, khẳng định rằng việc nhúng cấu trúc hình học bảo giác trực tiếp vào không gian biểu diễn sẽ giải quyết được bản chất phi tuyến mà không làm bùng nổ số chiều.

So sánh với các nghiên cứu quốc tế điển hình

  • So với nghiên cứu của Gehrig (2003): Gehrig sử dụng kết hợp phân tích biệt thức tuyến tính (LDA) và thuật toán chọn tiến tuần tự (Sequential Forward Selection - SFS) để giảm chiều. Phương pháp này thuần túy tuyến tính, chỉ chiếu dữ liệu lên các trục phân tách phẳng, dẫn đến hiện tượng chồng lấn dữ liệu khi các khớp chuyển động xoay quanh ổ khớp cầu.
  • So với nghiên cứu của Fengjun (2008): Fengjun phân tích 7 loại đặc trưng tư thế kết hợp khớp xương và nhận dạng bằng HMM. Hạn chế là việc phân cụm vector quan sát sử dụng k-means cổ điển dựa trên khoảng cách Euclid, làm mất độ cong của quỹ đạo chuyển động.
  • So với nghiên cứu của Anand và cộng sự (2020): Anand thu thập dữ liệu cảm biến gia tốc từ điện thoại thông minh và huấn luyện trực tiếp bằng RNN, đạt độ chính xác trên 95% ở một số tác vụ đơn giản. Tuy nhiên, nghiên cứu của Anand sử dụng dữ liệu chuỗi thô chưa qua đồng bộ hóa không gian và chưa có tiền xử lý loại bỏ nhiễu động học, khiến mô hình dễ bị mất ổn định trước các hành động phức tạp.
  • So với Faruqe & Hasan (2014) và Chathuramali & Rodrigo (2012): Các tác giả kết hợp PCA/SVM để nhận dạng nhưng gặp giới hạn cứng về tham số nhân và giả định siêu phẳng phân cách, không thích ứng linh hoạt với chuyển động quay 3D.
+-----------------------------+---------------------------+----------------------------+-----------------------------+
| Tiêu chí so sánh            | Gehrig (2003) / Fengjun   | Anand et al. (2020)        | Luận án (Nguyễn N. H. Vân)  |
+-----------------------------+---------------------------+----------------------------+-----------------------------+
| Cơ sở biểu diễn không gian  | Euclid R^n (Tuyến tính)   | Dữ liệu chuỗi cảm biến thô | Không gian bảo giác G_{4,1} |
| Thực thể trung tâm phân cụm | Điểm đơn lẻ               | Không phân cụm (End-to-end)| Siêu cầu, siêu phẳng, điểm  |
| Tham số quay 3D             | Ma trận quay (27 tham số) | Không tối ưu hóa rôtơ      | Rôtơ CGA (4 tham số)        |
| Tính toàn vẹn hình học      | Bị phân mảnh theo trục    | Phụ thuộc trọng số ẩn      | Bảo toàn nguyên vẹn topo    |
+-----------------------------+---------------------------+----------------------------+-----------------------------+

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng lý thuyết Đại số Clifford và Đại số hình học bảo giác vào lĩnh vực Học máy thống kê và Học sâu thông qua 3 mệnh đề lý thuyết cốt lõi:

  • Mệnh đề 1 (Đồng nhất hóa thực thể hình học): Trong không gian bảo giác $\mathcal{G}{n+1, 1}$, mọi thực thể hình học từ điểm, đường thẳng, mặt phẳng đến hình cầu đều được biểu diễn đồng nhất dưới dạng một vector bảo giác (conformal vector). Một điểm $x \in \mathbb{R}^n$ được nhúng vào $\mathcal{G}{n+1, 1}$ qua phép ánh xạ: $$X = x + \frac{1}{2}|x|^2 e_\infty + e_0$$ trong đó $e_0$ là gốc tọa độ và $e_\infty$ biểu diễn điểm ở vô cực, thỏa mãn $e_0^2 = e_\infty^2 = 0$ và $e_0 \cdot e_\infty = -1$.
  • Mệnh đề 2 (Mặt cầu là vector bảo giác): Một mặt cầu $S$ có tâm $c \in \mathbb{R}^n$, bán kính $r$ được định nghĩa hoàn chỉnh bằng: $$S = c + \frac{1}{2}(|c|^2 - r^2)e_\infty + e_0$$ Khi bán kính $r = 0$, mặt cầu $S$ suy biến chính xác thành vector điểm $X$. Nội tích giữa điểm $X$ và mặt cầu $S$ tỷ lệ thuận với bình phương khoảng cách Euclid từ điểm đến mặt cầu: $X \cdot S = -\frac{1}{2} d^2(x, S)$. Khi $X \cdot S = 0$, điểm $X$ nằm chính xác trên mặt cầu.
  • Mệnh đề 3 (Toán tử Rôtơ tối ưu hóa bậc tự do): Tích hình học $ab = a \cdot b + a \wedge b$ kết hợp nội tích giao hoán và ngoại tích phản giao hoán ($a \wedge b = -b \wedge a$). Phép quay một vector quanh trục bất kỳ trong không gian 3D được thực hiện qua toán tử rôtơ $R = e^{-\frac{\theta}{2} B} = \alpha + \beta_1 e_{12} + \beta_2 e_{23} + \beta_3 e_{31}$, biến đổi vector $x$ thành $x' = R x R^{\dagger}$ với $R^{\dagger}$ là đảo ngược của $R$. Quá trình này chỉ yêu cầu duy nhất 4 tham số thực và ảo thay vì 27 tham số ma trận truyền thống.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng ba lý thuyết nền tảng:

  1. Đại số hình học bảo giác $\mathcal{G}_{4,1}$: Đóng vai trò lớp biểu diễn nền tảng, biến đổi toàn bộ tọa độ 3D của các marker khớp xương thành các vector bảo giác mang đầy đủ thuộc tính vị trí và hướng quay.
  2. Mô hình tối ưu hóa thống kê (CGA-GMM & CGA-PCR): Thiết lập hàm mục tiêu tối thiểu hóa phương sai khoảng cách từ tập điểm đến các siêu cầu riêng (conformal eigenvectors) thông qua phương pháp nhân tử Lagrange: $$\mathcal{L}(S, \lambda) = \sum_{i=1}^N (X_i \cdot S)^2 - \lambda (S^2 - \text{const})$$
  3. Mô hình chuỗi thời gian (HMM & RNN): Tiếp nhận các vector đặc trưng bảo giác đã được lượng tử hóa hoặc giảm chiều để mô hình hóa sự biến thiên động học theo thời gian.

Điều kiện biên: Khung phân tích phát huy hiệu năng tối đa trên các hệ thống chuyển động đa khớp có liên kết quay (khớp xương người, cánh tay robot) và yêu cầu dữ liệu đầu vào có độ phân giải không gian 3D xác định.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Triết lý nghiên cứu: Thực chứng định lượng (Positivism) kết hợp với Hiện thực tính toán thuật toán (Computational Realism). Nghiên cứu xây dựng mô hình toán học chặt chẽ, phát triển thuật toán và kiểm chứng định lượng trên tập dữ liệu chuẩn.
  • Thiết kế đa mức (Multi-level Design):
    • Mức 1 (Kinematic Preprocessing Level): Tiền xử lý dữ liệu động học khớp.
    • Mức 2 (Conformal Invariant Mapping Level): Ánh xạ không gian bảo giác và lượng tử hóa vector.
    • Mức 3 (Temporal Classification Level): Huấn luyện mô hình xác suất chuỗi và mạng nơron sâu.

Quy trình nghiên cứu Rigorous

Quy trình xử lý dữ liệu và huấn luyện trải qua 4 giai đoạn chuẩn hóa:

[Dữ liệu 3D Marker thô]
         │
         ▼
[Giai đoạn 1: Tiền xử lý động học]
  ├── Đồng bộ hóa tịnh tiến về gốc tọa độ chung (Zero-centering)
  └── Lọc khớp tĩnh qua Ma trận phương sai khoảng cách (D_{K×K} ≥ ngưỡng τ)
         │
         ▼
[Giai đoạn 2: Ánh xạ không gian bảo giác CGA]
  └── Biến đổi tọa độ Euclid sang vector bảo giác X_i ∈ G_{4,1}
         │
         ▼
[Giai đoạn 3: Trích chọn đặc trưng & Phân cụm bảo giác]
  ├── Nhánh A: CGA-Clustering (Tối ưu siêu cầu) ──> Lượng tử hóa VQ
  ├── Nhánh B: CGA-PCR (Eigenspace Lagrange)
  └── Nhánh C: CGA-Feature Selection
         │
         ▼
[Giai đoạn 4: Huấn luyện & Nhận dạng phân loại]
  ├── HMM (Baum-Welch / Viterbi decoding)
  ├── PCR Classifier
  └── Many-to-One RNN (Backpropagation Through Time)
  1. Giai đoạn 1 - Tiền xử lý động học:
    • Đồng bộ hóa không gian: Loại bỏ thành phần dịch chuyển tịnh tiến giữa các hành động di chuyển (chạy, đi bộ) và hành động tại chỗ (nhảy, múa) bằng cách chuẩn hóa gốc tọa độ khớp gốc (root/hip marker) về tọa độ $(0, 0, 0)$.
    • Lọc lựa chọn khớp động: Xây dựng ma trận khoảng cách $D \in \mathbb{R}^{K \times K}$ giữa $K$ khớp xương theo thời gian: $D_{ij}(t) = |p_i(t) - p_j(t)|$. Tính phương sai $\sigma^2(D_{ij})$. Các cặp khớp có phương sai lớn hơn ngưỡng $\tau$ được giữ lại; các khớp có phương sai tiệm cận 0 (ít di chuyển) bị loại bỏ, giúp giảm tới 40-50% số chiều dữ liệu dư thừa.
  2. Giai đoạn 2 - Ánh xạ CGA: Chuyển đổi toàn bộ tọa độ vector 3 chiều sang không gian 5 chiều $\mathcal{G}_{4,1}$.
  3. Giai đoạn 3 - Phân cụm & Trích chọn đặc trưng CGA: Sử dụng thuật toán tối ưu hóa siêu cầu để tìm các tâm cụm đại diện cho quỹ đạo chuyển động.
  4. Giai đoạn 4 - Huấn luyện nhận dạng: Cung cấp chuỗi chỉ số lượng tử hóa cho HMM (sử dụng thuật toán Baum-Welch và giải mã Viterbi) hoặc cấp vector đặc trưng CGA cho mạng RNN nhiều-đến-một (many-to-one RNN).

Data và phân tích

  • Tập dữ liệu thực nghiệm: Sử dụng CMU Motion Capture Benchmark. Dữ liệu ghi nhận từ hệ thống nhiều camera quang học chuyên dụng ghi lại tọa độ 3D của các marker gắn trên cơ thể người thực hiện đa dạng hành động: đi bộ (walking), chạy (running), nhảy (jumping), múa (dancing), vung tay.
  • Kỹ thuật tính toán & Phần mềm: Mô phỏng và triển khai thuật toán trên nền tảng MATLAB và Python, sử dụng các thư viện đại số hình học (như Clifford/Gaalop) kết hợp các framework học máy. Thuật toán EM (Expectation Maximization) được điều chỉnh lại bước E và M để cập nhật tâm cụm siêu cầu trong không gian bảo giác.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Cơ chế phân cụm CGA khắc phục hoàn toàn sự méo dạng của phân phối Gauss: Trong khi GMM truyền thống thất bại khi mô hình hóa dữ liệu khớp cánh tay trái (lhumerus) phân bố dạng vòng cung cong trên mặt cầu, phương pháp phân cụm CGA kết hợp hàm mật độ xác suất đã bao bọc chính xác quỹ đạo chuyển động dạng cung tròn với sai số hình học tiệm cận 0.
  2. Tiết kiệm 85.2% chi phí tham số biểu diễn phép quay 3D: Luận án chứng minh toán học và thực nghiệm rằng việc sử dụng rôtơ trong đại số hình học chỉ tiêu tốn 4 tham số so với 27 tham số của ma trận quay nhiều chiều thông thường, giúp giải phóng áp lực bộ nhớ và tăng tốc độ xử lý trong các bài toán thời gian thực.
  3. Mô hình CGA-HMM vượt trội so với k-means HMM: Phương pháp lượng tử hóa vector (VQ) dựa trên phân cụm CGA giúp mô hình HMM đạt độ chính xác nhận dạng vượt trội so với phân cụm k-means truyền thống.
  4. CGA-PCR phân tách lớp tối ưu hơn PCA-PCR: Bằng cách tìm phương sai nhỏ nhất thông qua khoảng cách từ điểm đến vector bảo giác, CGA-PCR trích xuất được các thành phần riêng mang thông tin topo phi tuyến, giúp bộ phân loại tuyến tính phân tách rành mạch các hành động có quỹ đạo phức tạp.
  5. Mô hình CGA-RNN đạt hiệu năng tối ưu trên dữ liệu chuỗi: Khi kết hợp phương pháp tiền xử lý ma trận khoảng cách khớp và trích chọn đặc trưng CGA với mạng nơron hồi quy nhiều-đến-một, độ chính xác nhận dạng hành động đạt mức cao ổn định, vượt trội so với mô hình PCA-RNN trên cùng tập dữ liệu CMU.

Trích dẫn nguyên văn và bằng chứng thực nghiệm từ văn bản luận án

Trích dẫn 1 (Trang 32):
"Tích hình học của 2 vectơ trong không gian chính là tổng của nội tích và ngoại tích: $ab = a \cdot b + a \wedge b$"
Ý nghĩa: Đây là nền tảng toán học cho phép hợp nhất phép đo khoảng cách vô hướng và phép đo định hướng mặt phẳng trong một toán tử duy nhất.

Trích dẫn 2 (Trang 36):
"Như vậy, 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."
Ý nghĩa: Minh chứng định lượng cho hiệu quả tính toán vượt trội của đại số hình học trong biểu diễn chuyển động quay đa khớp.

Trích dẫn 3 (Trang 37):
"Theo đề xuất của Hestenes [17], một vectơ trong không gian thực $x = \sum x_i e_i \in \mathcal{R}^n$ có thể biểu diễn bởi một tập điểm $X \in \mathcal{G}{n+1,1}$ trên không gian CGA như sau: $X = x + \frac{1}{2}|x|^2 e\infty + e_0$"
Ý nghĩa: Công thức chuyển đổi không gian cốt lõi làm tiền đề cho toàn bộ các đề xuất phân cụm và trích chọn đặc trưng trong luận án.

Implications đa chiều

  • Về mặt học thuật: Mở ra hướng tiếp cận mới - "Geometric Machine Learning" (Học máy hình học), chứng minh rằng việc kết hợp đại số trừu tượng với các thuật toán thống kê xác suất và học sâu là hoàn toàn khả thi và đem lại hiệu quả đột phá.
  • Về mặt phương pháp luận: Cung cấp một pipeline hoàn chỉnh từ tiền xử lý chuẩn hóa động học, chuyển đổi không gian CGA đến phân loại chuỗi thời gian, có thể áp dụng nguyên vẹn cho các bài toán phân tích dáng đi, phân tích chuyển động trong cơ sinh học và điều khiển robot.
  • Về mặt ứng dụng thực tiễn: Cung cấp giải pháp kỹ thuật lõi cho các hệ thống giám sát y tế thông minh (phát hiện té ngã ở người cao tuổi, phục hồi chức năng), hệ thống camera an ninh tự động nhận diện hành vi bất thường, và công nghệ thực tế ảo/hoạt hình 3D.

Limitations và Future Research

Hạn chế nghiên cứu

  • Rào cản phần cứng tính toán đại số đa vector: Các bộ vi xử lý và card đồ họa hiện đại (GPU) được tối ưu hóa cho đại số ma trận tuyến tính thông thường; việc tính toán tích hình học và các toán tử Clifford chưa được hỗ trợ trực tiếp ở cấp độ phần cứng (hardware-accelerated instructions).
  • Phụ thuộc vào chất lượng dữ liệu marker 3D: Mô hình đạt độ chính xác cao nhất khi dữ liệu đầu vào là tọa độ 3D chuẩn từ hệ thống MoCap. Khi áp dụng vào video RGB đơn kênh thông thường, sai số từ bước ước lượng khung xương 3D (3D pose estimation) có thể ảnh hưởng đến chất lượng biểu diễn CGA.
  • Quy mô tập dữ liệu: Thực nghiệm chủ yếu tập trung vào các hành động đơn lẻ của một người trên tập dữ liệu CMU, chưa mở rộng ra kịch bản tương tác phức tạp giữa nhiều người (multi-person interactions).

Hướng nghiên cứu tương lai

  1. Phát triển Geometric Deep Learning thuần nhất: Xây dựng các tầng nơron tích chập và tầng nơron hồi quy thực hiện trực tiếp các phép toán tích hình học trên cấu trúc Clifford (Clifford Neural Networks).
  2. Tích hợp cơ chế Attention / Transformer: Kết hợp biểu diễn bảo giác CGA với kiến trúc không gian - thời gian Transformer (Conformal Spatio-Temporal Graph Transformer) để mô hình hóa mối quan hệ tầm xa giữa các khớp xương.
  3. Tự động hóa ngưỡng lựa chọn khớp: Ứng dụng kỹ thuật học tăng cường (Reinforcement Learning) để tự động điều chỉnh ngưỡng phương sai $\tau$ trong ma trận khoảng cách khớp theo từng loại hành động cụ thể.
  4. Ứng dụng trong y tế và tương tác thời gian thực: Triển khai hệ thống cảnh báo sớm đột quỵ và té ngã trên các thiết bị tính toán biên (Edge AI) với camera chiều sâu (RGB-D).

Tác động và ảnh hưởng

                               ┌────────────────────────────────────────────────────────┐
                               │   LUẬN ÁN TIẾN SĨ KỸ THUẬT (NGUYỄN NĂNG HÙNG VÂN)       │
                               │        Đại số hình học bảo giác (CGA) & Học máy         │
                               └──────────────────────────┬─────────────────────────────┘
                                                          │
         ┌────────────────────────────────────────────────┼────────────────────────────────────────────────┐
         │                                                │                                                │
         ▼                                                ▼                                                ▼
┌─────────────────────────────────┐      ┌─────────────────────────────────┐      ┌─────────────────────────────────┐
│     ẢNH HƯỞNG HỌC THUẬT         │      │     CHUYỂN ĐỔI CÔNG NGHIỆP      │      │       LỢI ÍCH XÃ HỘI & Y TẾ     │
├─────────────────────────────────┤      ├─────────────────────────────────┤      ├─────────────────────────────────┤
│ • Mở đường Geometric AI tại VN  │      │ • Hoạt hình 3D & Game CGI       │      │ • Giám sát bệnh nhân tự động    │
│ • Tiết kiệm 85.2% tham số quay  │      │ • Điều khiển cánh tay Robot     │      │ • Cảnh báo té ngã người già     │
│ • Tiềm năng trích dẫn quốc tế cao│     │ • Tối ưu hóa camera an ninh AI  │      │ • Hỗ trợ phục hồi chức năng     │
└─────────────────────────────────┘      └─────────────────────────────────┘      └─────────────────────────────────┘
  • Ảnh hưởng 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 Học máy hiện đại, tạo tiền đề cho nhiều đề tài nghiên cứu chuyên sâu về xử lý tín hiệu đa chiều và thị giác máy tính hình học.
  • Chuyển đổi công nghiệp & Công nghệ: Cung cấp giải pháp tối ưu hóa dữ liệu chuyển động cho ngành công nghiệp sản xuất game, hoạt hình 3D và kỹ xảo điện ảnh; hỗ trợ điều khiển chính xác góc quay của các khớp nối robot công nghiệp trong sản xuất thông minh.
  • Lợi ích kinh tế - xã hội: Giảm thiểu chi phí đầu tư hạ tầng phần cứng cho các hệ thống giám sát AI thông minh nhờ thuật toán rút gọn tham số; nâng cao chất lượng chăm sóc sức khỏe cộng đồng qua các giải pháp y tế số không xâm lấn.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu thị giác máy tính: Tiếp cận một khung phương pháp luận hoàn chỉnh về ứng dụng đại số Clifford/CGA để giải quyết các bài toán biểu diễn phi tuyến tính khó trong không gian 3D/4D.
  • Giảng viên & Nhà toán học ứng dụng: Sử dụng luận án như một tài liệu tham khảo học thuật giá trị cao về sự giao thoa giữa toán học thuần túy (Đại số Clifford, Hình học bảo giác) và khoa học máy tính thực nghiệm (Machine Learning, Deep Learning).
  • Kỹ sư R&D Robotics & Xe tự hành: Ứng dụng mô hình rôtơ 4 tham số và tối ưu hóa siêu cầu để biểu diễn động học cánh tay robot, định vị không gian và tránh vật cản với chi phí tính toán cực thấp.
  • Nhà phát triển hệ thống Y tế thông minh & Smart City: Triển khai các thuật toán nhận dạng hành vi có độ tin cậy cao vào hệ thống camera giám sát bệnh viện, viện dưỡng lão và không gian công cộng thông minh.

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 mở rộng lý thuyết Đại số hình học bảo giác của David Hestenes vào bài toán phân cụm xác suất GMM và tối ưu hóa phương sai hồi quy PCR. Bằng cách định nghĩa lại tâm cụm là một vector bảo giác đại diện cho một siêu cầu hoặc siêu phẳng trong $\mathcal{G}_{4,1}$, luận án đã giải quyết triệt để sự bất tương thích cố hữu giữa hàm mật độ Gauss "hình chuông" của GMM và dữ liệu phân bố dạng cung tròn của các khớp quay 3D.

2. Sự đổi mới về mặt phương pháp luận so với các nghiên cứu quốc tế trước đây?

So với phương pháp giảm chiều LDA-SFS tuyến tính của Gehrig (2003) hay phân cụm k-means phẳng của Fengjun (2008), luận án đã thực hiện một bước nhảy vọt về phương pháp luận: chuyển từ tối ưu hóa khoảng cách điểm - điểm sang tối ưu hóa khoảng cách điểm - thực thể hình học (mặt phẳng, mặt cầu). So với mô hình học sâu RNN thuần túy của Anand (2020), luận án đã thiết lập quy trình tiền xử lý chuẩn hóa không gian và lọc ma trận khoảng cách khớp có căn cứ động học rõ ràng, giúp mạng nơron đạt độ chính xác cao hơn mà không cần tăng kích thước mô hình.

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

Phát hiện ấn tượng nhất là mật độ phân bố dữ liệu của khớp cánh tay trái (lhumerus) trong không gian 3D: dữ liệu hoàn toàn không tuân theo phân phối chuẩn đa biến thông thường mà tạo thành một dải cong nằm trên mặt cầu bao quanh ổ khớp vai. Điều này giải thích tại sao các mô hình học máy truyền thống luôn gặp sai số nhận dạng lớn ở các hành động vung tay phức tạp, và chứng minh sự vượt trội tất yếu của việc sử dụng siêu cầu CGA làm thực thể gom cụm.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) rõ ràng không?

Có. Luận án cung cấp chi tiết:

  • Hệ thống công thức toán học tường minh từ phép biến đổi tọa độ sang CGA, định nghĩa toán tử rôtơ, đến hàm mục tiêu Lagrange cho bài toán tối ưu siêu cầu.
  • Quy trình từng bước xây dựng ma trận khoảng cách khớp $D$, công thức tính phương sai để chọn lọc khớp động.
  • Mô tả chi tiết cấu hình thực nghiệm trên bộ dữ liệu chuẩn CMU Motion Capture, bao gồm các tham số trạng thái của mô hình HMM và cấu trúc mạng hồi quy RNN many-to-one.

5. Chương trình nghị sự nghiên cứu 10 năm (10-year Research Agenda) được định hình như thế nào?

Chương trình nghiên cứu dài hạn hướng tới:

  1. Xây dựng thư viện tính toán song song chuẩn hóa cho Đại số hình học trên GPU/TPU.
  2. Thiết kế kiến trúc Clifford Deep Transformer cho bài toán hiểu video 3D đa góc nhìn.
  3. Mở rộng mô hình nhận dạng từ cấp độ cá nhân sang nhận dạng tương tác nhóm phức tạp trong thời gian thực.

Kết luận

Luận án "Nghiên cứu biểu diễn và nhận dạng đối tượng chuyển động dựa trên đại số hình học bảo giác và học máy" của NCS. Nguyễn Năng Hùng Vân đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Hệ thống hóa và đề xuất thành công mô hình biểu diễn đối tượng chuyển động 3D trong không gian đại số hình học bảo giác $\mathcal{G}_{4,1}$, bảo toàn nguyên vẹn mối liên kết hình học và cấu trúc topo của đối tượng.
  2. Đề xuất phương pháp phân cụm dữ liệu CGA kết hợp với mô hình Markov ẩn (HMM), khắc phục nhược điểm của phân cụm k-means và phân phối Gauss trên các quỹ đạo chuyển động cong.
  3. Đề xuất giải pháp CGA-PCR thay thế phân tích thành phần chính PCA truyền thống, tối ưu hóa việc tìm phương sai tối thiểu trên các siêu cầu riêng để nâng cao độ chính xác phân loại.
  4. Phát triển phương pháp trích chọn đặc trưng CGA kết hợp mạng nơron hồi quy (RNN) cùng quy trình tiền xử lý ma trận khoảng cách khớp xương, giảm đáng kể số chiều dữ liệu dư thừa và loại bỏ hiện tượng quá khớp.
  5. Kiểm chứng thực nghiệm toàn diện trên bộ dữ liệu chuẩn quốc tế CMU MoCap, chứng minh tính ưu việt vượt trội của các phương pháp đề xuất về cả độ chính xác nhận dạng và hiệu quả sử dụng tham số tính toán.

Công trình đã tạo nên một bước tiến quan trọng trong việc ứng dụng toán học trừu tượng vào trí tuệ nhân tạo hiện đại, mở ra những hướng nghiên cứu đầy triển vọng cho lĩnh vực thị giác máy tính hình học và phân tích chuyển động thông minh trên phạm vi quốc tế.