Tổng quan về luận án

Sự phát triển đột phá của cuộc Cách mạng Công nghiệp lần thứ tư, đặc biệt là sự hội tụ giữa Trí tuệ nhân tạo (AI), Internet vạn vật (IoT), Robot học và Công nghệ dữ liệu lớn, đã đưa xe tự hành (Autonomous Vehicles - AV) trở thành một trong những lĩnh vực nghiên cứu đa ngành trọng tâm của Hệ thống thông tin và Kỹ thuật điều khiển hiện đại. Theo phân loại của Hiệp hội Kỹ sư Ô tô Quốc tế (SAE J3016), công nghệ tự hành được phân cấp từ Cấp độ 0 (hoàn toàn thủ công) đến Cấp độ 5 (tự động hóa hoàn toàn trong mọi điều kiện). Mặc dù các hệ thống cấp độ cao đã có những bước thử nghiệm đáng ghi nhận như hệ thống xe tự hành Cấp độ 4 của Toyota tại Làng Olympic Tokyo 2020 hay dịch vụ robotaxi AutoX - Baidu tại Bắc Kinh, việc tiến tới Cấp độ 5 vẫn đối mặt với những rào cản kỹ thuật và xã hội to lớn.

Khoảng trống nghiên cứu (research gap) cốt lõi nằm ở sự thiếu hụt các mô hình điều khiển thời gian thực có khả năng xử lý đồng thời ba yếu tố phức tạp: tính bất định cao của môi trường giao thông động, sự tương thích với động lực học phi tuyến của xe ở vận tốc cao, và việc tích hợp các ràng buộc pháp lý cùng chuẩn mực đạo đức vào thuật toán ra quyết định. Như chuyên gia Sridhar Lakshmanan đã khẳng định: "Một hệ thống tự hành đúng nghĩa phải đáp ứng được hai yếu tố: phải xử lý khối lượng lớn dữ liệu tương tự như một chiếc máy tính và phải thông minh như não người để thích ứng với môi trường mới lẫn cũ". Luận án tiến sĩ của tác giả Quách Hải Thọ với đề tài "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành" đã trực tiếp giải quyết các thách thức này.

Luận án thiết lập 03 câu hỏi nghiên cứu (Research Questions - RQ) và các giả thuyết tương ứng (Hypotheses - H):

  • RQ1: Làm thế nào để tạo ra quỹ đạo chuyển động tối ưu có độ mượt cao và thích ứng với tính bất định của dữ liệu môi trường mà vẫn tối ưu hóa tài nguyên tính toán thời gian thực?
    H1: Phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu (Sampling-based approach) kết hợp bộ lọc phần tử (Particle Filter / Sequential Monte Carlo) sẽ xử lý hiệu quả tính bất định và giảm thiểu xác suất thất bại khi tạo ứng viên quỹ đạo.
  • RQ2: Bằng cách nào có thể mô hình hóa toán học các ràng buộc luật giao thông và hành vi đạo đức của con người vào hệ thống hỗ trợ ra quyết định?
    H2: Mô hình kết hợp Mạng Nơ-ron Mờ (Fuzzy Neural Network - FNN) và Điều khiển dự báo theo mô hình (Model Predictive Control - MPC) cho phép chuyển hóa các quy tắc định tính thành các ràng buộc tối ưu hóa chính xác.
  • RQ3: Cấu trúc điều khiển nào đảm bảo an toàn chuyển động cho xe ở dải vận tốc cao khi thời gian phản ứng khẩn cấp bị giới hạn?
    H3: Kiến trúc điều khiển phân cấp (Hierarchical Control) tích hợp bộ điều khiển theo dõi chuyển động, hỗ trợ can thiệp tối thiểu và mô-đun lập kế hoạch dự phòng (Backup Motion Planning) sẽ triệt tiêu nguy cơ va chạm trong các tình huống nguy cấp.

Khung lý thuyết của luận án được xây dựng vững chắc trên nền tảng Lý thuyết Điều khiển Tối ưu (Optimal Control Theory), Lý thuyết Ước lượng Bayes đệ quy (Recursive Bayesian Estimation), Lý thuyết Tập mờ (Fuzzy Set Theory) và Mô hình Động lực học phi tuyến Fiala Brush. Nghiên cứu mang lại đóng góp đột phá khi thiết kế hoàn chỉnh hệ thống mô-đun hỗ trợ điều khiển, giải quyết bài toán kiểm soát điều hướng ổn định và thiết lập cơ chế phản xạ an toàn thời gian thực.

Literature Review và Positioning

Nghiên cứu về điều khiển chuyển động xe tự hành trong nhiều thập kỷ qua được định hình bởi các dòng nghiên cứu (research streams) chính. Về mặt lập kế hoạch đường đi, các kỹ thuật cổ điển dựa trên đồ thị tìm kiếm như thuật toán Dijkstra (Dijkstra, 1959) và A* (Hart et al., 1968) thể hiện ưu thế về tính toán toàn cục trong không gian rời rạc nhưng gặp hạn chế nghiêm trọng về độ phức tạp khi số chiều trạng thái tăng. Tiếp đó, các giải thuật dựa trên cây ngẫu nhiên như RRT (LaValle, 1998) và đồ thị xác suất PRM (Kavraki et al., 1996) được áp dụng rộng rãi cho không gian liên tục song lại tạo ra quỹ đạo gấp khúc, thiếu độ trơn mượt đối với động lực học xe. Các phương pháp nội suy đường cong như đường cong Clothoid (Frego et al., 2017), đường cong Đa thức (Polynomial curves), đường cong Bézier và Spline (Piazzi et al., 2002) giúp cải thiện độ liên tục của độ cong $\kappa(s)$ nhưng khó tích hợp tối ưu hóa đa mục tiêu với các ràng buộc bất đẳng thức phi tuyến phức tạp.

Trong bức tranh học thuật quốc tế, tồn tại hai luồng quan điểm tranh luận sâu sắc:

  1. Tranh luận giữa Điều khiển dựa trên Mô hình (Model-based Control) và Học sâu từ đầu đến cuối (End-to-End Deep Learning): Các nghiên cứu học sâu (như Bojarski et al., 2016) đề xuất ánh xạ trực tiếp hình ảnh camera thành góc lái. Mặc dù có khả năng thích ứng cao, hướng tiếp cận này bị chỉ trích vì tính chất "hộp đen" (black-box), thiếu khả năng giải thích và không có bảo chứng toán học về độ an toàn. Ngược lại, trường phái điều khiển dự báo mô hình MPC (Falcone et al., 2007; Borrelli et al., 2005) bảo đảm thỏa mãn nghiêm ngặt các ràng buộc vật lý của lốp và xe, nhưng lại đối mặt với rào cản khối lượng tính toán trực tuyến khổng lồ (computational burden).
  2. Tranh luận về việc tích hợp Đạo đức và Pháp lý vào Hệ thống Điều khiển: Các mô hình lý thuyết trước đây chủ yếu dừng lại ở các bài toán triết học (như bài toán xe goòng - Trolley Problem) mà chưa đưa ra được cấu trúc tham số hóa toán học khả thi để máy tính hóa các chuẩn mực hành vi con người trong tình huống nguy cấp.

Luận án định vị nghiên cứu ở điểm giao thoa giữa Lý thuyết Điều khiển Hiện đại và Trí tuệ Nhân tạo Tính toán mềm. Luận án khắc phục triệt để các khoảng trống trên bằng cách so sánh và vượt lên các công trình thực nghiệm quốc tế tiêu biểu: dự án ARGO của VisLab (Broggi et al., 1999) vốn chủ yếu dựa vào bám làn thị giác đơn giản, hay chương trình thử nghiệm xe xuyên lục địa VIAC (Broggi et al., 2010) sử dụng hàm chi phí Clothoid đơn cấp. So với công nghệ trên dòng xe thương mại Honda Legend Hybrid EX Cấp độ 3 (Nhật Bản, 2021) hay xe tự hành giao hàng Nuro (California, 2021), giải pháp của luận án đề xuất một khung phân tích toàn diện hơn về tính tương thích động học lốp phi tuyến và cơ chế dự phòng an toàn đa lớp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng trong việc mở rộng và kết hợp các lý thuyết điều khiển tối ưu và học máy thích nghi:

  1. Mở rộng Lý thuyết Điều khiển Dự báo theo Mô hình (MPC Theory): Kế thừa nền tảng MPC đa biến của Garcia và Morari (1989), luận án đã phát triển cấu trúc điều khiển phân cấp hai cấp độ (Two-Level Hierarchical MPC). Mô hình này giải quyết mâu thuẫn giữa độ dài miền dự báo (Prediction Horizon $N_p$) và thời gian trích mẫu thời gian thực, cho phép cấp 1 xử lý miền dự báo dài với đầy đủ chướng ngại vật, trong khi cấp 2 thực hiện bám quỹ đạo tần số cao ở miền dự báo ngắn.
  2. Tích hợp Động lực học phi tuyến Fiala Brush vào Lý thuyết Điều khiển: Thay vì tuyến tính hóa đơn giản gây mất ổn định ở tốc độ cao, nghiên cứu tích hợp mô hình bánh xe Fiala brush $F_{y[f,r]} = f_{wheel}(\alpha, F_z)$ và mô hình bánh xe nghịch đảo $f_{wheel}^{-1}(F_{yf})$ để biến đổi lực ngang thành góc lái $\delta$ tối ưu, đảm bảo xe hoạt động ổn định ngay cả sát ngưỡng bão hòa ma sát.
  3. Mô hình hóa Đạo đức học Máy bằng Lý thuyết Tập Mờ (Fuzzy Logic & Neuro-Fuzzy Systems): Phát triển mô hình Mạng Nơ-ron Mờ (FNN) tích hợp cấu trúc mạng tiền đề (Antecedent Network) và mạng hệ quả (Consequent Network) theo nguyên lý Takagi-Sugeno-Kang, chuyển hóa các quy tắc ứng xử giao thông và đạo đức người lái thành các hàm thành viên số học có khả năng học thích nghi từ dữ liệu thực nghiệm.

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp chặt chẽ 4 lý thuyết nền tảng: Lý thuyết Điều khiển Tối ưu, Lý thuyết Ước lượng Bayes đệ quy (Sequential Monte Carlo), Lý thuyết Tính toán mềm (Soft Computing) và Động lực học Phương tiện (Vehicle Dynamics).

Phương pháp tiếp cận giải tích này xác định rõ các điều kiện biên (Boundary Conditions):

  • Vận tốc dọc xe $U_x$ nằm trong dải làm việc danh định của bộ điều khiển.
  • Góc trượt ngang thân xe $\beta$ và hệ số ma sát lốp-đường $\mu$ nằm trong vùng kiểm soát độ bão hòa ma sát: $|\alpha_{f,r}| \le \alpha_{max}$.
  • Ràng buộc gia tốc dọc và gia tốc ngang bảo đảm tiêu chuẩn an toàn tiện nghi theo chuẩn quốc tế ISO 2631 ($a_y \le 0.3g$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan Thực chứng luận (Positivism) kết hợp Chủ nghĩa Thực dụng Tính toán (Computational Pragmatism), lấy việc mô hình hóa toán học chính xác và kiểm chứng thực nghiệm mô phỏng số làm phương tiện xác nhận chân lý khoa học. Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp kỹ thuật (mixed computational paradigm) kết hợp giữa mô hình giải tích động lực học vi phân với thuật toán học máy thích nghi.

                              THIẾT KẾ PHƯƠNG PHÁP NGHIÊN CỨU
                              
   Dữ liệu Giao thông           Single-track Bicycle Model     Môi trường MATLAB/Simulink
   & Quy tắc Đạo đức             & Fiala Brush Tire Model        & Kịch bản Giao lộ Đô thị

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý dữ liệu được thiết kế theo các tiêu chuẩn nghiêm ngặt:

  • Kỹ thuật Lấy mẫu Hạt (Sequential Monte Carlo): Khởi tạo tập $\mathcal{N}$ hạt trạng thái $[\mathcal{X}0^i]{i=1}^\mathcal{N}$. Quá trình cập nhật thời gian và cập nhật theo giá trị đo lường được thực hiện thông qua hàm hợp lý xác suất: $$q_i = \frac{p(y_k | x_k^{i-})}{\sum_{j=1}^\mathcal{N} p(y_k | x_k^{j-})}$$ Thuật toán áp dụng bước tái chọn mẫu (Resampling) nhằm loại bỏ triệt để hiện tượng thoái hóa trọng số (weight degeneracy), duy trì tính đa dạng của tập hạt ứng viên quỹ đạo.
  • Mô hình Hóa Động học và Bám Quỹ đạo: Hệ thống phương trình chuyển động của mô hình xe đơn vết (Single-track bicycle model) được xây dựng chuẩn xác: $$\dot{\beta} = \frac{F_{yf}\cos(\delta) + F_{yr}}{m U_x} - r$$ $$\dot{r} = \frac{a F_{yf} - b F_{yr}}{I_{zz}}$$ Trong đó, góc trượt của bánh trước $\alpha_f$ và bánh sau $\alpha_r$ được tính toán qua hệ thức vi phân: $$\alpha_f = \beta + \frac{a r}{U_x} - \delta, \quad \alpha_r = \beta - \frac{b r}{U_x}$$ Độ lệch hướng chuyển động được kiểm soát thông qua mô hình sai số: $\Delta \psi = r - U_x \kappa(s)$.
  • Thiết lập Hàm Tối ưu Hóa Điều khiển Dự báo (MPC): $$\min_u J_{N_c, N_p}(x(k), u(k-1), \Delta u(.)) = \sum_{i=1}^{N_p} |x(k+i) - x_r(k+i)|Q^2 + \sum{j=0}^{N_c-1} |\Delta u(k+j)|_R^2$$ Thỏa mãn hệ ràng buộc trạng thái $x(k+i) \in X$, gia số điều khiển $\Delta u(k+j) \in \Delta U$, và tín hiệu điều khiển $u(k+j) \in U$.
Tham số Động lực học Ký hiệu Đơn vị Ý nghĩa Vật lý trong Mô hình
Khối lượng xe $m$ $\text{kg}$ Tổng khối lượng quán tính của phương tiện
Momen quán tính trục $Z$ $I_{zz}$ $\text{kg}\cdot\text{m}^2$ Quán tính chống lại chuyển động quay thân xe
Khoảng cách trọng tâm - trục trước $a$ ($l_f$) $\text{m}$ Khoảng cách hình học xác định phân bổ tải trọng
Khoảng cách trọng tâm - trục sau $b$ ($l_r$) $\text{m}$ Chiều dài cơ sở phần sau xe
Vận tốc dọc xe $U_x$ $\text{m/s}$ Vận tốc di chuyển theo trục dọc phương tiện
Góc trượt ngang thân xe $\beta$ $\text{rad}$ Góc lệch giữa vectơ vận tốc và trục đối xứng xe
Hệ số xoay thân xe (Yaw rate) $r$ $\text{rad/s}$ Vận tốc góc quay quanh trục thẳng đứng
Lực ngang bánh trước / sau $F_{yf}, F_{yr}$ $\text{N}$ Lực ma sát ngang sinh ra tại vết tiếp xúc lốp

Data và phân tích

Quá trình phân tích thực nghiệm được triển khai trên môi trường mô phỏng toán học độ chính xác cao:

  • Tập Dữ liệu Ra quyết định Đạo đức: Xây dựng tập dữ liệu đa biến bao gồm các tham số trạng thái: vận tốc xe, khoảng cách tới chướng ngại vật, loại đối tượng (người đi bộ, xe đi ngược chiều, dải phân cách cố định) và mức độ rủi ro va chạm.
  • Công cụ và Giải thuật: Sử dụng MATLAB/Simulink kết hợp các công cụ tối ưu hóa Quy hoạch Tuyến tính/Quy hoạch Phi tuyến Bậc hai (Quadratic Programming - QP). Huấn luyện mạng FNN và mạng lan truyền ngược truyền thống BPNN (Back-Propagation Neural Network) để kiểm định đối chuẩn hiệu năng dự báo.

Phát hiện đột phá và implications

Những phát hiện then chốt

Dữ liệu thực nghiệm của luận án mang lại 5 phát hiện cốt lõi với đầy đủ bằng chứng định lượng:

  1. Khả năng Giảm thiểu Độ phức tạp Tính toán của Kỹ thuật Lấy mẫu: Kỹ thuật lấy mẫu ứng viên quỹ đạo kết hợp bộ lọc phần tử giúp rút ngắn thời gian xử lý từ 35% đến 42% so với các giải thuật tối ưu hóa phi tuyến toàn cục, đồng thời duy trì tỷ lệ tìm thấy quỹ đạo khả thi không va chạm đạt trên 98.5% trong môi trường nhiều chướng ngại vật động.
  2. Sự Vượt trội của Mạng Nơ-ron Mờ (FNN) so với BPNN: Trong bài toán hỗ trợ ra quyết định khẩn cấp, mạng FNN đạt sai số tuyệt đối trung bình (MAE) và sai số bình phương trung bình (RMSE) thấp hơn 28.6% so với mạng BPNN truyền thống. Khả năng hội tụ của FNN nhanh hơn và biểu diễn tường minh các quy tắc mờ giúp loại bỏ các hành vi bất thường của mạng nơ-ron truyền thống.
  3. Hiệu năng Vận hành của Kiến trúc MPC Phân cấp: Việc phân tách thành Cấp 1 (Lập kế hoạch dài hạn với thời gian trích mẫu $T_1 = 100\text{ms}$) và Cấp 2 (Bám quỹ đạo với $T_2 = 20\text{ms}$) đã triệt tiêu hoàn toàn hiện tượng quá tải tính toán (computational bottleneck), cho phép hệ thống đáp ứng tần số điều khiển 50 Hz trên các phần cứng máy tính nhúng tiêu chuẩn.
  4. Bảo chứng An toàn từ Cơ chế Can thiệp Tối thiểu (Minimal Intervention): Trong tất cả 50 kịch bản mô phỏng giao cắt phức tạp, cơ chế can thiệp tối thiểu chỉ kích hoạt kiểm soát tự trị khi biên an toàn bị vi phạm, giúp quỹ đạo chuyển động mượt mà, giảm độ giật (jerk) ngang và duy trì tính tự nhiên trong trải nghiệm hành khách.
  5. Hiệu quả Đột phá của Mô-đun Lập kế hoạch Dự phòng: Khi phương tiện di chuyển ở vận tốc cao ($U_x \ge 70\text{ km/h}$), khoảng cách phanh khẩn cấp không còn đủ để dừng xe an toàn, mô-đun dự phòng đã tự động kích hoạt quỹ đạo đánh lái né tránh khẩn cấp (Emergency Evasive Maneuver), duy trì lực ngang lốp trong hình elip ma sát và tránh được va chạm 100% trong các thử nghiệm mô phỏng.
                    SO SÁNH SAI SỐ QUYẾT ĐỊNH ĐIỀU KHIỂN (MAE)
   Mạng BPNN Chuẩn: █ █ █ █ █ █ █ █ █ █ █ █ █ █ █ █ [0.084]
   Mạng FNN Đề Xuất: █ █ █ █ █ █ █ █ █ █ █          [0.060]  (--> Giảm 28.6% sai số)

Implications đa chiều

  • Về mặt Lý thuyết: Cung cấp phương pháp luận mới kết hợp tính toán mờ và động lực học phi tuyến, mở rộng biên giới của lý thuyết điều khiển tối ưu trong các hệ thống tự hành thông minh.
  • Về mặt Phương pháp: Cung cấp một kiến trúc thiết kế mô-đun hóa có tính module cao, dễ dàng tái sử dụng và tích hợp vào các phần mềm điều khiển xe tự hành thực tế.
  • Về mặt Thực tiễn và Chính sách: Là tài liệu kỹ thuật nền tảng để các cơ quan quản lý giao thông tại Việt Nam nghiên cứu xây dựng Tiêu chuẩn Kỹ thuật Quốc gia cho xe tự lái, đồng thời hỗ trợ các doanh nghiệp công nghệ trong nước (như FPT Software, VinFast) hoàn thiện hệ thống ADAS Cấp độ 3 và Cấp độ 4.

Limitations và Future Research

Nghiên cứu thể hiện tính khách quan và khoa học khi thừa nhận 4 hạn chế (limitations) cụ thể:

  1. Môi trường Thực nghiệm: Các kết quả của luận án chủ yếu được xác thực thông qua mô phỏng toán học chuyên sâu trên máy tính; chưa được triển khai trên nền tảng xe vật lý thực tế chạy trên đường giao thông công cộng do các rào cản về cơ sở pháp lý và trang thiết bị phần cứng.
  2. Giả định Vận tốc trong Mô hình MPC: Để bảo đảm tính lồi của bài toán tối ưu hóa bậc hai, mô hình động học giả định vận tốc dọc $U_x$ là hằng số cố định trong mỗi chu kỳ dự báo ngắn, điều này có thể tạo ra sai lệch nhỏ trong các tình huống phanh ngặt kết hợp đánh lái gấp.
  3. Mô phỏng Dữ liệu Cảm biến: Mức độ nhiễu cảm biến (Lidar, Radar, Camera) mới được mô hình hóa theo phân phối Gauss chuẩn, chưa bao hàm hết các hiện tượng mất tín hiệu do thời tiết khắc nghiệt (mưa bão lớn, sương mù dày đặc hoặc tuyết rơi).
  4. Quy mô Kết nối V2X: Các ràng buộc đạo đức và pháp lý mới chỉ xét trên tương tác cục bộ giữa các xe lân cận, chưa xét đến bài toán điều phối mạng lưới giao thông toàn cục diện rộng qua kết nối V2I và V2C.

Các hướng nghiên cứu tiếp theo (Future Research Directions) bao gồm:

  • Mở rộng thuật toán sang Điều khiển Dự báo Mô hình Phi tuyến Không lồi (Nonlinear MPC - NMPC) kiểm soát đồng thời cả vận tốc dọc $U_x$ và góc lái $\delta$.
  • Tích hợp công nghệ Học sâu Tăng cường An toàn (Safe Reinforcement Learning) để tự động tinh chỉnh ma trận trọng số $Q, R$ trong hàm chi phí MPC.
  • Thực nghiệm trên mô hình xe vật lý tỉ lệ thực và tích hợp mạng 5G/6G V2X phục vụ vận hành xe tự hành theo đội hình (Platooning).

Tác động và ảnh hưởng

Luận án mang lại tác động sâu rộng trên nhiều bình diện:

  • Tác động Học thuật: Tạo tiền đề cho các công bố khoa học trên các tạp chí và hội thảo chuyên ngành uy tín thuộc danh mục ISI/Scopus; thúc đẩy hướng nghiên cứu liên ngành giữa Hệ thống thông tin, Cơ điện tử và AI tại Việt Nam.
  • Chuyển đổi Công nghiệp Ô tô: Cung cấp giải pháp thuật toán bản quyền có thể chuyển giao công nghệ cho các dự án phát triển ô tô thông minh nội địa, tối ưu hóa chi phí R&D phần mềm nhúng.
  • Lợi ích Xã hội và Môi trường: Tối ưu hóa quỹ đạo chuyển động giúp giảm thiểu hiện tượng gia tốc đột ngột, tiết kiệm từ 10-15% năng lượng tiêu thụ, đồng thời giảm thiểu tối đa tai nạn giao thông xuất phát từ lỗi chủ quan của con người.
  • Ý nghĩa Quốc tế: Đóng góp giải pháp kỹ thuật cụ thể từ bối cảnh giao thông đặc thù của các nước đang phát triển vào cộng đồng nghiên cứu xe tự hành toàn cầu.

Đối tượng hưởng lợi

Hưởng lợi trực tiếp từ công trình nghiên cứu bao gồm:

  • Nghiên cứu sinh và Giảng viên: Tiếp cận một tài liệu học thuật hoàn chỉnh về mô hình toán học động lực học xe, cấu trúc FNN và thuật toán MPC phân cấp.
  • Kỹ sư R&D trong ngành Công nghiệp Ô tô: Ứng dụng trực tiếp mã nguồn giải thuật và cấu trúc mô-đun vào phát triển các tính năng hỗ trợ lái nâng cao như Tự động giữ làn (LKA), Kiểm soát hành trình thích ứng (ACC) và Phanh khẩn cấp tự động (AEB).
  • Các Nhà hoạch định Chính sách Giao thông: Có cơ sở khoa học để xây dựng hành lang pháp lý, quy chuẩn kiểm định an toàn và quy định trách nhiệm pháp lý đối với phương tiện tự hành.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập Mô hình Ra quyết định Đạo đức và Pháp lý dựa trên Mạng Nơ-ron Mờ (FNN) tích hợp trực tiếp vào hàm tối ưu hóa của hệ thống Điều khiển Dự báo (MPC). Khác với các nghiên cứu trước đây chỉ giải quyết bài toán tránh vật cản thuần túy về mặt hình học, luận án đã toán học hóa các quy chuẩn đạo đức và luật giao thông đường bộ thành các ràng buộc bất đẳng thức mềm và cứng, tạo cơ chế lượng hóa hành vi ứng xử của phương tiện trong tình huống khẩn cấp.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu quốc tế trước đây?

So sánh với các nghiên cứu của Falcone et al. (2007) và Broggi et al. (2010), luận án đã cải tiến phương pháp luận bằng Kiến trúc Điều khiển Dự báo Phân cấp Hai Cấp độ (Two-Level Hierarchical MPC) kết hợp Bộ lọc phần tử Sequential Monte Carlo. Cách tiếp cận này giải quyết triệt để sự đánh đổi giữa thời gian tính toán trực tuyến và độ dài miền dự báo, đồng thời ánh xạ phi tuyến chính xác lực ngang lốp $F_{yf}$ sang góc lái bánh trước $\delta$ qua mô hình Fiala brush nghịch đảo mà không cần tuyến tính hóa thô thiển.

                    SO SÁNH PHƯƠNG PHÁP NGHIÊN CỨU
   Falcone et al. (2007): Single-Level NMPC  ---> Nặng về tính toán trực tuyến
   Broggi et al. (2010): Clothoid Curve      ---> Hạn chế ràng buộc đa mục tiêu
   Luận án Quách Hải Thọ: Two-Level H-MPC    ---> Tối ưu thời gian thực & An toàn đa lớp

3. Phát hiện bất ngờ nhất thu được từ kết quả thực nghiệm là gì?

Phát hiện bất ngờ nhất là trong các kịch bản va chạm khẩn cấp ở vận tốc cao ($U_x \ge 70\text{ km/h}$), chiến lược can thiệp phanh tối đa truyền thống làm tăng tỷ lệ va chạm do hiện tượng trượt lốp mất lái, trong khi Mô-đun Lập kế hoạch Dự phòng né tránh khẩn cấp (Backup Evasive Steering) duy trì góc trượt thân xe $\beta$ trong giới hạn ổn định và giảm thiểu nguy cơ tai nạn xuống mức xấp xỉ 0%.

4. Nghiên cứu có cung cấp giao thức tái lặp (Replication Protocol) không?

Có. Toàn bộ hệ thống phương trình toán học (từ phương trình vi phân mô hình xe đơn vết, mô hình lốp Fiala brush, hệ quy tắc mờ FNN, đến các trọng số ma trận $Q, R$ trong hàm mục tiêu MPC) đều được đặc tả chi tiết trong luận án, cho phép các nhà nghiên cứu độc lập tái lập hoàn toàn trên môi trường MATLAB/Simulink.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm hướng tới việc chuyển dịch từ cấp độ điều khiển cục bộ trên từng phương tiện sang Hệ thống Giao thông Tự hành Hợp tác Toàn diện (Cooperative Autonomous Transportation Systems - CATS), tích hợp trí tuệ nhân tạo biên (Edge AI), mạng nơ-ron đồ thị (GNN) và truyền thông V2X diện rộng để quản lý giao thông đô thị không phát thải và không tai nạn.

Kết luận

  1. Luận án đã giải quyết thành công bài toán lập kế hoạch chuyển động tối ưu trong môi trường bất định bằng kỹ thuật lấy mẫu thích nghi kết hợp bộ lọc phần tử Monte Carlo tuần tự.
  2. Thiết lập thành công mô hình hỗ trợ ra quyết định điều khiển tích hợp chuẩn mực pháp lý và đạo đức người lái thông qua cấu trúc Mạng Nơ-ron Mờ (FNN), đạt độ chính xác vượt trội so với mạng nơ-ron BPNN truyền thống.
  3. Đề xuất hoàn chỉnh hệ thống điều khiển dự báo mô hình phân cấp (Hierarchical MPC), làm chủ bài toán tối ưu hóa thời gian thực và ổn định động lực học lốp phi tuyến Fiala brush.
  4. Xây dựng bộ ba mô-đun an toàn đột phá: Điều khiển theo dõi chuyển động, Hỗ trợ điều khiển can thiệp tối thiểu và Lập kế hoạch chuyển động dự phòng khẩn cấp.
  5. Kiểm chứng tính đúng đắn và hiệu quả của các mô hình thông qua hệ thống kịch bản mô phỏng đa dạng, thiết lập nền tảng khoa học vững chắc cho sự phát triển của công nghệ xe tự hành tại Việt Nam và trên thế giới.