Nghiên cứu thi công thiết bị nhận dạng tình trạng của tài xế và cung cấp thông tin môi trường trong xe

Đồ án nhận dạng tình trạng tài xế và giám sát môi trường xe - ĐH Sư phạm Kỹ thuật TPHCM

• Tác giả: Trần Quang Đạt
• Người hướng dẫn: ThS. Trần Hữu Quy
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật ô tô
• Đề tài: Nghiên cứu thi công thiết bị nhận dạng tình trạng của tài xế và cung cấp thông tin môi trường trong xe
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Nghiên cứu thiết bị nhận dạng tình trạng tài xế và môi trường xe

Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Ô tô tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh tập trung phát triển thiết bị giám sát an toàn toàn diện. Đề tài do sinh viên Trần Quang Đạt thực hiện dưới sự hướng dẫn của ThS. Trần Hữu Quy vào tháng 12 năm 2024. Mục tiêu nghiên cứu hướng đến việc giảm thiểu tai nạn giao thông đường bộ bắt nguồn từ lỗi chủ quan của con người. Thiết bị nhận dạng tình trạng tài xế và môi trường xe kết hợp hai nhiệm vụ trọng tâm trên cùng một nền tảng. Hệ thống thu nhận hình ảnh khuôn mặt người lái để phát hiện kịp thời các biểu hiện mệt mỏi, ngủ gật hoặc xao nhãng. Song song đó, các cảm biến chuyên dụng liên tục đo lường thông số nhiệt độ, độ ẩm và chất lượng không khí trong khoang nội thất. Cấu trúc phần cứng tận dụng sức mạnh tính toán của vi xử lý Raspberry Pi 4 Model B cùng bộ vi điều khiển Arduino. Sự phối hợp này tạo nên giải pháp giám sát thông minh, vận hành ổn định và tiết kiệm chi phí triển khai.

1.1. Bối cảnh nghiên cứu tại Đại học Sư phạm Kỹ thuật TPHCM

Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh là cơ sở đào tạo trọng điểm về kỹ thuật ô tô. Khoa Cơ khí Động lực luôn chú trọng nghiên cứu ứng dụng công nghệ hiện đại vào phương tiện giao thông. Xu hướng ô tô thông minh đòi hỏi sự hiện diện của các hệ thống an toàn chủ động tiên tiến. Đề tài tốt nghiệp của tác giả Trần Quang Đạt xuất phát từ đòi hỏi bức thiết của thực tế giao thông Việt Nam. Số vụ va chạm do tài xế ngủ gật hoặc môi trường thiếu dưỡng khí vẫn ở mức báo động. Đồ án xây dựng mô hình phần cứng thực nghiệm nhằm kiểm chứng khả năng can thiệp sớm của thiết bị điện tử. Kết quả nghiên cứu khẳng định năng lực ứng dụng công nghệ IoT và trí tuệ nhân tạo.

1.2. Mục tiêu kỹ thuật của thiết bị giám sát ô tô tích hợp

Mục tiêu hàng đầu của thiết bị là nhận dạng chính xác trạng thái thể chất của tài xế. Camera kết nối trực tiếp với bộ xử lý trung tâm để quét các điểm đặc trưng trên khuôn mặt. Thuật toán phân tích tỷ lệ nhắm mở mắt và tần suất ngáp để đánh giá cơn buồn ngủ. Bên cạnh đó, thiết bị hướng đến việc kiểm soát chặt chẽ điều kiện môi trường vi mô trong xe. Cảm biến môi trường đo nhiệt độ, độ ẩm và mật độ khí độc hại theo chu kỳ ngắn. Dữ liệu sau đó truyền tải nhanh chóng giữa các khối xử lý mà không gây nghẽn đường truyền. Thiết bị phát chuông cảnh báo bằng âm thanh và hiển thị thông tin trực quan khi phát hiện bất thường. Độ trễ thấp là tiêu chí kỹ thuật then chốt.

II. Phân tích thiết bị nhận dạng tình trạng tài xế và môi trường xe

Tai nạn giao thông thường bắt nguồn từ hai nguyên nhân chính: suy giảm thể lực tài xế và suy thoái môi trường xe. Lái xe đường dài liên tục dẫn đến tình trạng ngủ gật bất chợt. Mất tập trung chỉ trong vài giây cũng đủ gây ra va chạm thảm khốc. Cùng lúc đó, không gian kín trong cabin tiềm ẩn nhiều hiểm họa vô hình. Nhiệt độ tăng cao kết hợp nồng độ khí độc CO hoặc CO2 vượt ngưỡng làm giảm phản xạ của con người. Thiếu dưỡng khí kích thích cơn buồn ngủ xuất hiện nhanh hơn và sâu hơn. Nhiều dòng xe hiện nay vẫn thiếu thiết bị giám sát đồng bộ cả hai yếu tố này. Những cảnh báo rời rạc không đủ để bảo vệ tính mạng hành khách trên suốt chặng đường. Ngoài ra, việc truyền dữ liệu giữa các cụm điều khiển trong xe đòi hỏi băng thông ổn định. Hiện tượng xung đột tín hiệu thường xuyên làm gián đoạn lệnh báo động khẩn cấp. Thiết bị nhận dạng tình trạng tài xế và môi trường xe giải quyết triệt để những nút thắt trên bằng cơ chế phối hợp dữ liệu đa tầng.

2.1. Nguy cơ từ sự mệt mỏi và phân tâm của tài xế

Sự mệt mỏi là kẻ thù thầm lặng của mọi tài xế xe tải và xe khách. Trạng thái buồn ngủ làm tê liệt phản xạ vận động của hệ thần kinh. Tốc độ chớp mắt chậm dần và mí mắt sụp xuống là dấu hiệu nhận biết rõ ràng nhất. Bên cạnh đó, hành vi ngáp liên tục phản ánh tình trạng não bộ thiếu oxy. Thói quen sử dụng điện thoại khi đang điều khiển phương tiện cũng làm phân tán tầm nhìn. Tài xế thường xuyên rời mắt khỏi cung đường phía trước quá ba giây. Khoảng thời gian ngắn này biến chiếc xe thành cỗ máy mất kiểm soát trên cao tốc. Do đó, việc ứng dụng thuật toán học sâu nhận diện khuôn mặt tài xế là giải pháp cấp bách nhằm ngăn ngừa tai nạn từ sớm.

2.2. Ảnh hưởng tiêu cực từ chất lượng không khí trong xe

Khoang xe đóng kín cửa thường tích tụ lượng lớn khí carbonic do quá trình hô hấp. Khi nồng độ khí CO2 vượt mức một nghìn phần triệu, con người bắt đầu cảm thấy uể oải. Hiện tượng đau đầu, giảm tập trung và buồn ngủ xuất hiện không thể cưỡng lại. Nguy hiểm hơn, khí độc carbon monoxide rò rỉ từ hệ thống xả có thể gây ngạt thở đột ngột. Nhiệt độ khoang lái tăng quá cao cũng đẩy nhanh sự suy kiệt sức khỏe của tài xế. Độ ẩm không thích hợp gây khô mắt và cản trở tầm nhìn kính lái. Những nhân tố môi trường này trực tiếp làm suy giảm năng lực điều khiển phương tiện. Việc đo đạc liên tục các chỉ số vi khí hậu đóng vai trò sống còn trong việc đảm bảo an toàn buồng lái.

III. Giải pháp thiết bị nhận dạng tình trạng tài xế và môi trường xe

Đồ án tốt nghiệp của ĐH SPKT TPHCM đưa ra kiến trúc phần cứng phân tầng tối ưu. Bộ xử lý trung tâm sử dụng máy tính nhúng Raspberry Pi 4 Model B trang bị chip BCM2711 lõi tứ. Nền tảng này đảm nhận xử lý hình ảnh camera tốc độ cao và chạy thuật toán nhận diện thị giác máy tính. Bo mạch Arduino Mega 2560 đóng vai trò khối thu thập tín hiệu từ mạng lưới cảm biến môi trường. Để liên kết hai bộ phận, hệ thống ứng dụng mô-đun MCP2515 giao tiếp qua chuẩn mạng CAN bus. Giao thức CAN đảm bảo đường truyền dữ liệu công nghiệp ổn định, chống nhiễu vượt trội trong môi trường rung lắc của ô tô. Chip MCP2515 kết nối với Arduino thông qua giao tiếp SPI tốc độ cao. Dữ liệu cảm biến nhiệt độ, khí gas và trạng thái mắt người lái được gói gọn trong các khung truyền chuẩn CAN. Khi các thông số vượt ngưỡng an toàn, bộ vi điều khiển lập tức kích hoạt còi báo động và màn hình cảnh báo. Thiết kế tích hợp này đem lại tốc độ phản hồi tức thì và độ tin cậy tuyệt đối.

3.1. Ứng dụng Raspberry Pi 4 trong xử lý ảnh khuôn mặt

Bộ vi xử lý Raspberry Pi 4 Model B cung cấp hiệu năng tính toán mạnh mẽ cho hệ thống. Chip Broadcom BCM2711 với bốn nhân Cortex-A72 vận hành ở tần số một phẩy năm gigahertz. Bộ nhớ RAM LPDDR4 dung lượng cao hỗ trợ vận hành mượt mà các mô hình thị giác máy tính. Camera MIPI CSI truyền luồng video thời gian thực về vi xử lý không gặp độ trễ. Thuật toán phân tích tọa độ mắt, miệng và hướng nhìn đầu để xác định mức độ tỉnh táo. Khi tài xế nhắm mắt quá hai giây hoặc ngáp liên tục, phần mềm lập tức gửi tín hiệu cảnh báo. Raspberry Pi 4 chạy hệ điều hành Linux gọn nhẹ, tối ưu hóa tài nguyên phần cứng. Thiết bị duy trì hiệu suất làm việc bền bỉ trong suốt thời gian dài vận hành.

3.2. Giao tiếp mạng CAN bus qua Arduino và MCP2515

Mạng CAN đóng vai trò xương sống truyền thông trong kiến trúc thiết bị giám sát. Chuẩn bus này giúp loại bỏ hệ thống dây dẫn chằng chịt giữa các cụm điều khiển. Vi điều khiển Arduino Mega 2560 thu nhận dữ liệu cảm biến nồng độ khí gas và nhiệt độ. Do Arduino không tích hợp sẵn bộ điều khiển CAN, mô-đun MCP2515 được sử dụng làm cầu nối giao tiếp. Chip MCP2515 trao đổi dữ liệu với Arduino thông qua giao thức SPI ở tốc độ mười megahertz. Dữ liệu môi trường được đóng gói theo khung chuẩn CAN và truyền tới khối xử lý. Mạng CAN có khả năng phân xử quyền ưu tiên tin nhắn và tự động phát hiện lỗi truyền dẫn. Giải pháp đảm bảo tín hiệu cảnh báo không bao giờ bị nghẽn mạch trong các tình huống khẩn cấp.

IV. Đánh giá thiết bị nhận dạng tình trạng tài xế và môi trường xe

Nghiên cứu thi công thiết bị tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh mang lại giá trị thực tiễn rất cao. Thiết bị nhận dạng tình trạng tài xế và môi trường xe vận hành đồng bộ, chính xác và có độ bền cơ học tốt. Các bài kiểm tra thực nghiệm cho thấy hệ thống phát hiện chính xác dấu hiệu buồn ngủ chỉ sau chưa đầy hai giây. Cảm biến môi trường cập nhật dữ liệu liên tục và cảnh báo sớm các luồng khí độc hại. Sự kết hợp giữa bộ xử lý Raspberry Pi 4 và vi điều khiển Arduino tạo nên cấu trúc hoạt động bền bỉ, tiết kiệm năng lượng. Hệ thống hoàn toàn tương thích với các dòng xe du lịch và phương tiện vận tải thương mại hiện nay. Chi phí sản xuất thiết bị ở mức vừa phải, tạo điều kiện thuận lợi cho việc thương mại hóa. Đề tài khẳng định năng lực nghiên cứu xuất sắc của sinh viên ngành Công nghệ Kỹ thuật Ô tô. Hướng phát triển tiếp theo tập trung vào việc thu nhỏ kích thước mạch in và kết nối trực tiếp với hệ thống đám mây.

4.1. Tiềm năng ứng dụng thực tế trên phương tiện giao thông

Thiết bị mở ra cơ hội ứng dụng to lớn trong ngành vận tải đường bộ. Các đội xe khách đường dài và xe tải chở hàng nặng là đối tượng hưởng lợi đầu tiên. Việc lắp đặt thiết bị giúp doanh nghiệp giám sát chặt chẽ kỷ luật lái xe của tài xế. Mức độ mệt mỏi được cảnh báo kịp thời nhằm hạn chế tối đa các vụ tai nạn thảm khốc. Ngoài ra, thiết bị hoàn toàn tương thích với các dòng xe buýt đô thị và taxi công nghệ. Người quản lý có thể truy xuất dữ liệu môi trường để đánh giá sự thoải mái của hành khách. Thiết bị hoạt động độc lập nên dễ dàng lắp đặt thêm trên các phương tiện đời cũ. Chi phí bảo trì thấp là điểm cộng lớn cho việc ứng dụng trên diện rộng.

4.2. Định hướng nâng cấp công nghệ và mở rộng hệ thống

Đề tài tốt nghiệp tại ĐH SPKT TPHCM tạo tiền đề vững chắc cho các nghiên cứu tiếp theo. Định hướng quan trọng là nâng cấp thuật toán thị giác máy tính với mô hình học sâu nhẹ hơn. Điều này giúp tăng tốc độ xử lý khung hình trên các thiết bị nhúng giới hạn phần cứng. Tiếp theo, hệ thống cần tích hợp thêm mô-đun truyền thông 4G hoặc 5G tốc độ cao. Dữ liệu tài xế và môi trường xe sẽ được đồng bộ trực tiếp lên máy chủ đám mây. Trung tâm điều hành có thể giám sát vị trí và thể trạng người lái từ xa theo thời gian thực. Việc bổ sung cảm biến nhịp tim gắn trên vô lăng cũng là giải pháp tăng độ chính xác. Hệ thống hướng đến mục tiêu trở thành trợ lý an toàn toàn diện cho mọi phương tiện.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

An toàn giao thông là yếu tố cốt lõi trong việc bảo vệ tính mạng con người và ổn định kinh tế - xã hội. Trong thực tế vận hành phương tiện, tình trạng tài xế mệt mỏi, ngủ gật và chất lượng môi trường không khí bên trong khoang cabin là hai nguyên nhân lớn ảnh hưởng trực tiếp đến khả năng kiểm soát tay lái. Theo thống kê của Bộ Công an, trong năm 2023, toàn quốc xảy ra 21.880 vụ tai nạn giao thông đường bộ, trong đó khoảng 0,33% (tương đương 72 vụ) bắt nguồn trực tiếp từ việc tài xế mệt mỏi hoặc ngủ gật. Trước đó, số liệu từ Ủy ban An toàn Giao thông Quốc gia năm 2019 ghi nhận mỗi năm có hơn 6.000 người tử vong vì các vụ tai nạn liên quan đến ngủ gật khi lái xe, chiếm xấp xỉ 30% tổng số vụ tai nạn.

Bên cạnh yếu tố sinh lý, vi khí hậu trong khoang xe khép kín tác động mạnh mẽ đến hệ thần kinh của người lái. Khí $\text{CO}_2$, $\text{CO}$ và các hợp chất hữu cơ dễ bay hơi (VOCs) dễ tích tụ nếu không được thông gió hợp lý. Nồng độ $\text{CO}_2$ vượt ngưỡng 1.000 ppm bắt đầu làm suy giảm hiệu suất nhận thức, gây đau đầu, buồn ngủ và giảm phản xạ. Ngoài ra, nhiệt độ quá cao gây căng thẳng hệ thần kinh giao cảm, còn độ ẩm bất thường gây ngột ngạt hoặc kích ứng hô hấp. Các giải pháp truyền thống như dùng caffeine, nghe nhạc, hạ kính xe hay nghỉ ngơi mang tính chủ quan, hiệu quả không đồng đều và không phải lúc nào cũng khả thi trên các cung đường cao tốc dài. Từ thực tiễn đó, việc nghiên cứu một hệ thống giám sát tự động, kết hợp thị giác máy tính và cảm biến IoT trên nền tảng mạng truyền thông trên xe là yêu cầu cấp thiết.

Theo thuyết minh đồ án, các mục tiêu nghiên cứu cụ thể được xác định gồm:

1. Tìm hiểu, thiết kế hệ thống dựa trên việc xử lý thu thập dữ liệu mạng CAN hỗ trợ điều kiện vận hành của hệ thống giám sát tình trạng tài xế.
2. Thiết kế hệ thống cảnh báo tài xế khi xuất hiện dấu hiệu buồn ngủ.
3. Giám sát tình trạng môi trường trong xe (nhiệt độ, độ ẩm, chất lượng không khí) và truyền dữ liệu lên thiết bị di động để người dùng theo dõi từ xa.
4. Đảm bảo cung cấp chính xác thông tin nhiệt độ, độ ẩm và tình trạng môi trường trong xe tới tài xế theo thời gian thực.
5. Góp phần đảm bảo an toàn giao thông và ngăn chặn kịp thời các rủi ro tai nạn.

Đối tượng nghiên cứu của đồ án bao gồm các yếu tố sinh lý biểu hiện sự mệt mỏi của tài xế (trạng thái nhắm mắt, ngáp); các thông số môi trường vật lý trong cabin (nhiệt độ, độ ẩm, nồng độ khí); và các công nghệ IoT, xử lý ảnh cùng phần cứng nhúng (Raspberry Pi 4, cảm biến DHT22, MQ-135, module PCF8591, vi điều khiển Arduino Mega 2560, module CAN MCP2515, nền tảng đám mây ThingSpeak).

Về phạm vi nghiên cứu, do giới hạn về thời gian, nhân lực và kinh phí thực hiện, đề tài giới hạn ở việc thiết kế mô hình hệ thống cảnh báo khi người lái có dấu hiệu buồn ngủ, đồng thời đo lường các chỉ số môi trường cơ bản trong cabin xe và truyền dữ liệu lên giao diện điện thoại thông minh qua Internet.

---

Cơ sở lý thuyết và phương pháp

Đề tài tích hợp cơ sở lý thuyết đa ngành giữa kỹ thuật ô tô, thị giác máy tính và hệ thống nhúng IoT:

1. Cơ sở nhận diện trạng thái mệt mỏi qua khuôn mặt: Đề tài áp dụng các thuật toán trích xuất đặc trưng Histogram of Oriented Gradients (HOG) kết hợp bộ phân loại Support Vector Machine (SVM), cùng mô hình Haar Cascade để định vị vùng khuôn mặt từ luồng video của camera. Để phân tích chi tiết biểu cảm, tác giả khai thác mô hình 68 điểm đặc trưng khuôn mặt (Dlib 68 Facial Landmarks Predictor - tệp shape_predictor_68_face_landmarks.dat). Trạng thái nhắm mắt được lượng hóa qua tỉ lệ khía cạnh mắt (Eye Aspect Ratio - EAR), tính toán khoảng cách Euclidean giữa các cặp điểm mí mắt đối diện so với chiều rộng khóe mắt. Trạng thái ngáp được xác định thông qua khoảng cách môi (Lip Distance), tính bằng độ lệch trung bình trục tung giữa 8 điểm môi trên (tọa độ 50–53 và 61–64) và 8 điểm môi dưới (tọa độ 56–59 và 65–68).
2. Lý thuyết mạng truyền thông trên ô tô (CAN Bus): Giao thức CAN do hãng Robert Bosch phát triển từ năm 1983 và chuẩn hóa theo ISO 11898 (lớp liên kết dữ liệu ISO 11898-1, lớp vật lý tốc độ cao ISO 11898-2). CAN bus truyền dữ liệu vi sai chống nhiễu, sử dụng cơ chế phân xử quyền ưu tiên tin nhắn. Trong đồ án, chuẩn kết nối OBD-II và chuẩn CAN 2.0B (mã định danh 29-bit) được sử dụng làm cơ sở để đọc tín hiệu tốc độ xe trực tiếp từ ECU phục vụ điều kiện logic kích hoạt hệ thống.
3. Cơ sở cảm biến và môi trường: Khảo sát tác động hóa học và vật lý của các khí độc hại ($\text{CO}_2$, CO, VOCs, khói) và dải đo tương ứng của cảm biến điện hóa MQ-135 kết hợp module chuyển đổi tín hiệu tương tự sang số (ADC) 8-bit PCF8591 qua giao tiếp $I^2C$, cùng cảm biến kỹ thuật số DHT22 đo nhiệt độ và độ ẩm.

Phương pháp nghiên cứu thực tế gồm ba nhóm chính:

• Phương pháp lý thuyết: Thu thập, phân tích tài liệu chuyên ngành về an toàn ô tô, chuẩn giao thức mạng CAN, kiến trúc thư viện xử lý ảnh (OpenCV, Dlib, SciPy, NumPy, Imutils) và cơ chế điện toán đám mây của ThingSpeak.
• Phương pháp thực nghiệm: Lắp ráp mô hình phần cứng hoàn chỉnh, cài đặt môi trường nhúng, kết nối phần cứng với cổng chẩn đoán OBD-II của ô tô, đồng thời tiến hành các kịch bản thử nghiệm giả lập hành vi tài xế (nhắm mắt, chớp mắt dồn dập, ngáp) và kích thích nồng độ khí bằng mẫu thử thực tế.
• Phương pháp phân tích dữ liệu: Đọc, trích xuất dữ liệu từ các khung truyền CAN, đo đạc sai số thời gian thực từ các chân tín hiệu GPIO/$I^2C$, phân tích độ trễ đồng bộ và thống kê ngưỡng kích hoạt cảnh báo hiển thị trên ThingSpeak.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo kiến trúc phân tầng tích hợp giữa phần cứng nhúng trên xe, mô-đun phần mềm xử lý cục bộ và dịch vụ đám mây.

Phân tầng hệ thống	Thành phần phần cứng / Công nghệ	Vai trò kỹ thuật chi tiết
Xử lý trung tâm	Raspberry Pi 4 Model B (SoC Broadcom BCM2711, 4 nhân Cortex-A72 @ 1.5GHz, hệ điều hành Linux)	Chạy thuật toán thị giác máy tính, điều phối logic cảnh báo, tiếp nhận dữ liệu từ cảm biến và đẩy dữ liệu lên IoT Cloud.
Thu nhận hình ảnh	Camera Raspberry Pi V2 kết nối qua cổng cáp dẹp MIPI CSI	Thu nhận luồng khung hình khuôn mặt tài xế trong khoang lái thời gian thực.
Giao tiếp CAN mạng xe	Module CAN MCP2515 (giao tiếp SPI) kết hợp Arduino Mega 2560	Đọc khung dữ liệu tốc độ xe từ cổng chẩn đoán OBD-II, giải mã và gửi sang Raspberry Pi 4 qua giao tiếp nối tiếp (UART/Serial).
Cảm biến môi trường	DHT22, MQ-135, IC chuyển đổi ADC 8-bit PCF8591 ($I^2C$)	DHT22 đo nhiệt độ/độ ẩm kết nối trực tiếp GPIO; MQ-135 xuất tín hiệu tương tự qua PCF8591 để Raspberry Pi đọc giá trị nồng độ khí (PPM).
Cảnh báo và hiển thị	Còi/loa âm thanh, màn hình hiển thị LCD/HDMI	Phát chuông/giọng cảnh báo tức thời khi phát hiện buồn ngủ hoặc nồng độ khí độc vượt ngưỡng.
Nền tảng IoT Đám mây	ThingSpeak (MathWorks), giao thức RESTful API / HTTP	Lưu trữ các kênh dữ liệu (Channels/Fields), trực quan hóa đồ thị và đồng bộ hóa trạng thái tới ứng dụng di động của người dùng.

Quy trình xử lý phần mềm được triển khai theo các bước liên hoàn:

• Xử lý ảnh: Mỗi khung hình từ Camera Pi V2 được thư viện OpenCV chuyển đổi sang ảnh xám (Grayscale) nhằm giảm tải tính toán. Bộ phân loại Haar Cascade định vị hộp giới hạn khuôn mặt. Mô hình Dlib 68 landmarks trích xuất tọa độ điểm.
• Công thức EAR: Tính toán bằng thư viện SciPy dựa trên khoảng cách Euclidean giữa các điểm: $$\text{EAR} = \frac{|p_2 - p_6| + |p_3 - p_5|}{2 \cdot |p_1 - p_4|}$$ Trong đó $p_1, p_4$ là khóe mắt trong/ngoài; $p_2, p_3, p_5, p_6$ là các điểm mí trên và mí dưới. Ngưỡng quy định là $\text{EAR} < 0.3$.
• Khoảng cách môi (Lip Distance): $$\text{Lip Distance} = \left| \frac{1}{8}\sum_{i \in \text{Top Lip}} y_i - \frac{1}{8}\sum_{j \in \text{Bottom Lip}} y_j \right|$$ Khi khoảng cách vượt ngưỡng thiết lập, hệ thống ghi nhận một trạng thái mở miệng lớn (ngáp).
• Thu thập cảm biến và CAN: Tín hiệu tốc độ xe từ Arduino Mega 2560 truyền qua UART đóng vai trò biến điều kiện logic (khi xe thực sự lăn bánh thì hệ thống cảnh báo tập trung mới hoạt động). Dữ liệu PPM từ MQ-135 và nhiệt độ/độ ẩm từ DHT22 được đọc định kỳ, hiển thị ra màn hình và truyền qua API Key của kênh ThingSpeak.

---

Nội dung chính theo từng chương

Chương 1. Tổng quan về đề tài

Chương này trình bày tầm quan trọng của an toàn giao thông đường bộ đối với sự phát triển kinh tế - xã hội, viện dẫn số liệu tai nạn giao thông nghiêm trọng do tài xế mệt mỏi, ngủ gật tại Việt Nam (72 vụ năm 2023 và hơn 6.000 ca tử vong năm 2019). Phân tích chi tiết sự suy giảm nhận thức khi nồng độ $\text{CO}_2$ trong khoang lái vượt quá 1.000 ppm, cùng nguy cơ từ các khí độc tích tụ trong xe kín. Xác định 5 mục tiêu nghiên cứu, đối tượng nghiên cứu gồm trạng thái buồn ngủ, môi trường xe và công nghệ IoT, cùng phạm vi giới hạn trong việc thi công mô hình thử nghiệm gửi dữ liệu về điện thoại thông minh. Nêu rõ kết cấu đồ án gồm 5 chương chính.

Chương 2. Cơ sở lý thuyết

Nội dung chương 2 tập trung phân tích các dấu hiệu mệt mỏi sinh lý (ngáp liên tục, mắt đỏ/sưng, chớp mắt chậm, lái chệch làn) và hạn chế của các biện pháp chống buồn ngủ truyền thống. Phân tích cơ chế tác động của nhiệt độ, độ ẩm và các khí $\text{CO}_2$, VOCs lên sức khỏe người lái; nêu nguyên lý hoạt động của cảm biến DHT22 và MQ-135. Trình bày chi tiết lịch sử phát triển của mạng CAN từ năm 1983 tại Robert Bosch GmbH, thông số kỹ thuật CAN 2.0A (11-bit ID), CAN 2.0B (29-bit ID), tiêu chuẩn ISO 11898 và chuẩn cổng OBD-II bắt buộc trên ô tô. Giới thiệu chức năng của vi mạch MCP2515 giao tiếp SPI và giải pháp truyền dữ liệu giữa Arduino Mega 2560 với Raspberry Pi 4 qua giao thức nối tiếp (UART) hoặc $I^2C$. Giới thiệu nền tảng IoT ThingSpeak với kiến trúc kênh, trường dữ liệu (fields), API keys, tính năng React/TalkBack và khả năng nhúng MATLAB. Trình bày cơ sở toán học của thị giác máy tính: thư viện OpenCV, Dlib, SciPy, NumPy, Imutils, kỹ thuật trích xuất đặc trưng HOG/SVM, mô hình 68 facial landmarks, cùng công thức toán học tính EAR và Lip Distance.

Chương 3. Giới thiệu về hệ thống và các thiết bị

Chương 3 đi sâu vào thông số kỹ thuật và sơ đồ kết nối vật lý của từng thành phần phần cứng. Giới thiệu chi tiết thông số kỹ thuật của bộ xử lý Raspberry Pi 4 Model B (SoC BCM2711 64-bit, 4 nhân Cortex-A72 @ 1.5GHz, chuẩn 40 chân GPIO, nguồn USB-C 5V-3A, cổng CSI cho Camera Pi V2). Trình bày sơ đồ chân và chức năng của bo mạch mở rộng GPIO, cảm biến nhiệt độ - độ ẩm DHT22, cảm biến chất lượng không khí MQ-135, module biến đổi ADC 8-bit PCF8591 ($I^2C$), module điều khiển mạng CAN MCP2515 (thạch anh 8MHz/16MHz, giao tiếp SPI), cổng chẩn đoán chuẩn OBD-II và vi điều khiển Arduino Mega 2560. Thiết lập sơ đồ khối kết nối tổng thể và sơ đồ thực tế giữa các thiết bị ngoại vi với bộ xử lý trung tâm.

Chương 4. Thực nghiệm hệ thống trên ô tô

Nội dung chương 4 trình bày toàn bộ quy trình lắp đặt, thuật toán và kết quả thử nghiệm thực tế:

• Lưu đồ thuật toán: Xây dựng lưu đồ tổng quát hệ thống, lưu đồ thuật toán giám sát vùng mắt và lưu đồ giám sát vùng miệng.
• Logic phát hiện buồn ngủ:
  • Trạng thái nhắm mắt: Khi $\text{EAR} < 0.3$, nếu biến đếm nhắm mắt vượt quá 20 lần (chu kỳ khung hình) liên tiếp, hệ thống kích hoạt cảnh báo qua loa và màn hình.
  • Tần suất chớp mắt: Biến đếm ghi nhận số lần chớp mắt, nếu vượt quá 15 lần trong vòng 60 giây, hệ thống phát cảnh báo buồn ngủ; nếu sau 60 giây không vượt ngưỡng 15 lần thì biến đếm được cài đặt lại (reset).
  • Trạng thái ngáp: Tính khoảng cách môi YAWN; khi độ mở miệng vượt ngưỡng định trước, biến đếm số lần ngáp tăng lên. Nếu tài xế ngáp đủ 3 lần trong vòng 60 giây, hệ thống kích hoạt cảnh báo; nếu trong 60 giây không đạt đủ 3 lần ngáp thì biến đếm tự động reset.
• Thực nghiệm cảm biến môi trường:
  • Môi trường bình thường: Ghi nhận nhiệt độ, độ ẩm và nồng độ khí PPM ở điều kiện ổn định, hiển thị trực quan trên giao diện ThingSpeak.
  • Thử nghiệm nhiệt độ cao: Đặt cảm biến DHT22 gần nguồn nhiệt/tản nhiệt, hệ thống ghi nhận sự tăng nhiệt độ tức thời và hiển thị cảnh báo.
  • Thử nghiệm khí độc hại: Sử dụng nguồn khí gas từ bật lửa (hột quẹt) giả lập khí độc hại, giá trị PPM từ cảm biến MQ-135 tăng vọt, hệ thống lập tức phát chuông cảnh báo nồng độ khí vượt ngưỡng; khi không khí thông thoáng trở lại, hệ thống thông báo trạng thái môi trường đã được cải thiện.
• Giao tiếp CAN và IoT: Kết nối mạch MCP2515 với mạng CAN trên cổng OBD-II qua Arduino Mega 2560 để đọc tốc độ xe gửi về Pi 4; thiết lập kênh ThingSpeak với các Widgets, Visualizations hiển thị trên ứng dụng điện thoại di động thông qua các API keys.

Chương 5. Kết luận và hướng phát triển

Đánh giá tổng kết về hiệu suất cảnh báo theo thời gian thực, tính ổn định của phần cứng khi lắp ráp trên ô tô và khả năng mở rộng của hệ thống với các giao thức đám mây trong tương lai.

---

Kết quả và đóng góp

Kết quả thực nghiệm chính

Hạng mục thử nghiệm	Điều kiện / Thông số kích hoạt	Kết quả ghi nhận từ hệ thống
Giám sát nhắm mắt	$\text{EAR} < 0.3$; biến đếm duy trì $> 20$ chu kỳ khung hình liên tiếp	Nhận diện chính xác mắt nhắm, lập tức phát chuông và hiển thị thông báo cảnh báo nguy hiểm.
Tần suất chớp mắt	Số lần chớp mắt vượt ngưỡng 15 lần trong khoảng thời gian 60 giây	Kích hoạt cảnh báo tài xế mất tập trung/mệt mỏi; tự động reset biến đếm sau 60 giây nếu dưới ngưỡng.
Hành vi ngáp	Khoảng cách môi (YAWN) mở lớn; lặp lại đủ 3 lần trong 60 giây	Phát cảnh báo âm thanh yêu cầu tài xế nghỉ ngơi; tự động reset biến đếm sau 60 giây nếu dưới 3 lần.
Cảm biến nhiệt độ DHT22	Tiếp xúc nguồn nhiệt thử nghiệm	Thông số nhiệt độ tăng nhanh trên đồ thị, hệ thống gửi chỉ số tức thời về màn hình và đám mây.
Cảm biến khí MQ-135	Tác động khí gas bật lửa làm nồng độ PPM tăng vọt	Phát tín hiệu cảnh báo khí độc hại vượt ngưỡng; thông báo "môi trường đã được cải thiện" khi thông số giảm về mức an toàn.
Mạng CAN xe hơi	Tín hiệu từ cổng OBD-II qua MCP2515 và Arduino Mega 2560	Trích xuất thành công tốc độ xe làm điều kiện phụ trợ vận hành thuật toán nhận diện.
Đồng bộ ThingSpeak	Gửi dữ liệu qua RESTful API bằng kết nối Wi-Fi/Internet	Trực quan hóa đầy đủ đồ thị nhiệt độ, độ ẩm, PPM và trạng thái trên giao diện web và app điện thoại.

Đề xuất và đóng góp kỹ thuật

• Đóng góp về mặt kỹ thuật: Đồ án đã tích hợp thành công mô hình phần cứng nhúng hoàn chỉnh kết hợp giữa ba khối chức năng: đọc dữ liệu mạng CAN thực tế của xe qua cổng OBD-II, xử lý hình ảnh cục bộ nhận diện buồn ngủ thời gian thực (OpenCV, Dlib 68 landmarks) và giám sát môi trường không khí khoang cabin gửi lên nền tảng IoT ThingSpeak.
• Giải pháp kiến nghị: Tác giả đề xuất sử dụng dữ liệu tốc độ từ mạng CAN làm điều kiện kích hoạt thuật toán phát hiện mệt mỏi nhằm tối ưu hóa tài nguyên xử lý của Raspberry Pi 4 khi xe đang thực sự lưu thông; đồng thời khuyến nghị kết hợp cảnh báo môi trường với điều khiển tự động hệ thống quạt gió/lọc khí trong xe khi nồng độ PPM tăng cao.

---

Hạn chế và hướng nghiên cứu tiếp

Dựa trên nội dung thuyết minh và phạm vi nghiên cứu, đề tài có các hạn chế và hướng mở rộng được xác định như sau:

• Hạn chế kỹ thuật: Tốc độ truyền thông mạng CAN bị giới hạn bởi năng lực phần cứng của vi mạch điều khiển MCP2515 (tối đa 1 Mbps); hệ thống cần lập trình thêm các thuật toán xử lý lỗi đường truyền CAN chuyên sâu như lỗi bit (bit error) hoặc kiểm tra dư thừa tuần hoàn (CRC error). Cảm biến MQ-135 cần thời gian sấy và hiệu chuẩn môi trường để phân tách rõ ràng từng loại khí chuyên biệt ($\text{CO}_2$, CO, VOCs). Thuật toán HOG/SVM và Haar Cascade dễ bị ảnh hưởng nếu điều kiện ánh sáng trong xe thay đổi mạnh hoặc tài xế quay góc mặt quá lớn.
• Hướng phát triển: Tác giả định hướng mở rộng khả năng xử lý của hệ thống bằng cách ứng dụng các mô hình học sâu (Deep Learning/DNN) để tăng độ chính xác phân loại trong các điều kiện môi trường ánh sáng phức tạp; tối ưu hóa thời gian trễ truyền nhận mạng đám mây; và phát triển tính năng điều khiển tự động hạ kính hoặc bật quạt lấy gió ngoài khi chất lượng không khí trong cabin suy giảm.

---

Giá trị tham khảo

Bản thuyết minh đồ án là tài liệu tham khảo thực nghiệm giá trị cho sinh viên và kỹ sư thuộc các chuyên ngành:

• Công nghệ Kỹ thuật Ô tô & Cơ điện tử: Cung cấp phương pháp thực tế để giao tiếp phần cứng với cổng chẩn đoán OBD-II, thiết lập module CAN MCP2515 giao tiếp SPI với vi điều khiển Arduino Mega 2560 nhằm trích xuất thông điệp tốc độ từ bus CAN xe thật.
• Hệ thống Nhúng & Kỹ thuật Máy tính (IoT): Cung cấp mô hình tích hợp cảm biến tương tự/số (DHT22, MQ-135 qua bộ chuyển đổi ADC $I^2C$ PCF8591) với máy tính đơn bo Raspberry Pi 4 Model B, cách thức cấu hình RESTful API, thiết lập kênh, trường dữ liệu và widget hiển thị trên nền tảng ThingSpeak.
• Thị giác Máy tính Ứng dụng: Tham khảo mã nguồn logic toán học thực thi tính toán chỉ số EAR và khoảng cách môi từ 68 điểm đặc trưng khuôn mặt (Dlib) kết hợp thư viện SciPy, cùng cơ chế lập trình đa luồng cảnh báo theo ngưỡng thời gian thực.

---

Câu hỏi thường gặp

1. Chỉ số EAR là gì và được tính toán như thế nào để phát hiện tài xế nhắm mắt?
Chỉ số EAR (Eye Aspect Ratio) là tỉ lệ khía cạnh mắt, được tính toán dựa trên khoảng cách Euclidean giữa 6 tọa độ điểm mốc của mỗi mắt ($p_1$ đến $p_6$) do thư viện Dlib trích xuất. Công thức là khoảng cách giữa 2 cặp mí mắt chia cho 2 lần chiều dài khóe mắt: $$\text{EAR} = \frac{|p_2 - p_6| + |p_3 - p_5|}{2 \cdot |p_1 - p_4|}$$ Hệ thống quy định nếu giá trị EAR nhỏ hơn 0.3 liên tiếp trong 20 chu kỳ khung hình hoặc chớp mắt quá 15 lần trong 60 giây, trạng thái buồn ngủ sẽ được xác nhận.

2. Ngưỡng cảnh báo hành vi ngáp của tài xế được xác lập ra sao trong đồ án?
Khoảng cách môi (Lip Distance / YAWN) được tính bằng độ chênh lệch trung bình tọa độ $y$ của 8 điểm môi trên (điểm 50–53, 61–64) và 8 điểm môi dưới (điểm 56–59, 65–68). Khi khoảng cách này vượt qua ngưỡng mở miệng lớn định trước và lặp lại đủ 3 lần trong vòng 60 giây, hệ thống sẽ kích hoạt chuông cảnh báo. Nếu trong 60 giây không đạt đủ 3 lần ngáp, bộ đếm tự động reset.

3. Tại sao hệ thống cần sử dụng module MCP2515 và Arduino Mega 2560 để kết nối mạng CAN?
Vi điều khiển Raspberry Pi 4 không tích hợp sẵn bộ điều khiển mạng CAN phần cứng. Do đó, module MCP2515 (giao tiếp SPI) đóng vai trò làm bộ điều khiển mạng CAN độc lập kết nối với cổng chẩn đoán OBD-II. Vi điều khiển Arduino Mega 2560 làm nhiệm vụ trung gian đọc, giải mã dữ liệu tốc độ từ MCP2515 và truyền về Raspberry Pi 4 qua giao tiếp nối tiếp UART/Serial nhằm tối ưu hóa tải xử lý cho Pi.

4. Cảm biến chất lượng không khí MQ-135 được ghép nối với Raspberry Pi 4 thông qua module nào?
Cảm biến MQ-135 xuất tín hiệu điện áp tương tự (Analog), trong khi các chân GPIO của Raspberry Pi 4 chỉ đọc tín hiệu số (Digital). Do đó, hệ thống sử dụng module chuyển đổi tín hiệu tương tự sang số (ADC) 8-bit PCF8591 giao tiếp qua giao thức $I^2C$ để Raspberry Pi đọc giá trị nồng độ khí đo được dưới dạng chỉ số PPM.

5. Nền tảng IoT nào được sử dụng để theo dõi dữ liệu từ xa và có chức năng gì?
Hệ thống sử dụng nền tảng đám mây ThingSpeak của MathWorks. Nền tảng này nhận dữ liệu từ Raspberry Pi 4 thông qua giao thức HTTP/RESTful API, lưu trữ vào các trường dữ liệu (Fields) trong Channel và hiển thị trực quan bằng đồ thị, biểu mẫu và widget trên trình duyệt web cũng như ứng dụng di động để người dùng giám sát trạng thái thời gian thực.

---

Kết luận

Đồ án tốt nghiệp của tác giả Trần Quang Đạt (Khoa Cơ khí Động lực, Trường Đại học Sư phạm Kỹ thuật TP.HCM) đã nghiên cứu và thi công thành công mô hình thiết bị giám sát an toàn kết hợp thị giác máy tính, mạng CAN ô tô và công nghệ IoT. Bằng việc kết hợp bộ xử lý trung tâm Raspberry Pi 4, mô hình 68 điểm đặc trưng Dlib, cảm biến môi trường DHT22, MQ-135 và mạch giao tiếp CAN MCP2515, hệ thống đã đưa ra phản hồi cảnh báo tức thời khi tài xế có biểu hiện nhắm mắt, ngáp hoặc khi nồng độ khí trong cabin vượt ngưỡng. Kết quả thử nghiệm thực tế chứng minh tính khả thi của giải pháp nhúng cục bộ kết hợp giám sát từ xa qua đám mây ThingSpeak, tạo cơ sở thực tiễn vững chắc cho các nghiên cứu phát triển hệ thống hỗ trợ lái xe an toàn trên các phương tiện vận tải hiện đại.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về đề tài Chương 2: Cơ sở lý thuyết Chương 3: Giới thiệu về hệ thống và các thiết bị Chương 4: Thực nghiệm hệ thống trên oto Chương 5: Kết luận và hướng phát triển Tài liệu tham khảo Phụ lục 4 CHƯƠNG 2.1 Các vấn đề liên quan đến tài xế buồn ngủ: 2.1 Dấu hiệu và nguyên nhân gây buồn ngủ ở tài xế: Dấu hiệu buồn ngủ: ˗ Ngáp liên tục: Đây là dấu hiệu rõ ràng nhất cho thấy cơ thể đang thiếu ngủ. ˗ Mắt mệt mỏi: Mắt đỏ, sưng hoặc phải dụi mắt thường xuyên. ˗ Kho tập trung: Khả năng tập trung giảm, dê bị phân tâm. ˗ Phản ứng chậm: Phản ứng chậm hơn với các tình huống trên đường.

˗ Lái xe lệch làn: Xe thường xuyên lệch khỏi làn đường hoặc không giữ được hướng đi thẳng. Nguyên nhân gây buồn ngủ: ˗ Thiếu ngủ: Ngủ không đủ giấc là nguyên nhân chính gây buồn ngủ khi lái xe. ˗ Lái xe vào ban đêm: Cơ thể tự nhiên co xu hướng buồn ngủ vào ban đêm. ˗ Lái xe đường dài: Lái xe trong thời gian dài mà không nghỉ ngơi đủ.

˗ Sử dụng thuốc: Một số loại thuốc co thể gây buồn ngủ như thuốc chống dị ứng, thuốc an thần. ˗ Mệt mỏi: Làm việc quá sức hoặc căng thẳng cũng co thể dẫn đến buồn ngủ.2 Các giải pháp hiện tại và hạn chế Giải pháp hiện tại: ˗ Nghỉ ngơi đầy đủ: Đảm bảo ngủ đủ giấc trước khi lái xe, đặc biệt là trước những chuyến đi dài. ˗ Dừng nghỉ thường xuyên: Dừng lại nghỉ ngơi sau mỗi 2 giờ lái xe để thư giãn và tỉnh táo hơn. ˗ Sử dụng caffeine: Uống cà phê hoặc các loại đồ uống chứa caffeine để giữ tỉnh táo.

˗ Mở cửa sổ: Để không khí trong lành vào xe, giúp giảm cảm giác buồn ngủ. ˗ Sử dụng công nghệ hỗ trợ: Các hệ thống cảnh báo buồn ngủ và hỗ trợ lái xe hiện đại co thể giúp tài xế nhận biết khi họ đang mất tập trung. Hạn chế: 5 ˗ Hiệu quả không đồng đều: Các biện pháp như uống cà phê hoặc nghe nhạc co thể không hiệu quả với tất cả mọi người. ˗ Thời gian nghỉ ngơi: Không phải lúc nào cũng co thể dừng lại nghỉ ngơi, đặc biệt là trên các tuyến đường cao tốc hoặc khi đang gấp rút.

˗ Phụ thuộc vào công nghệ: Các hệ thống cảnh báo buồn ngủ co thể không hoạt động chính xác trong mọi tình huống và không thay thế được sự tỉnh táo của tài xế. ˗ Tác dụng phụ của caffeine: Uống quá nhiều caffeine co thể gây ra các vấn đề sức khỏe khác như lo lắng, mất ngủ hoặc tăng nhịp tim. ˗ Chi phí công nghệ: Các hệ thống hỗ trợ lái xe hiện đại thường co chi phí cao, không phải ai cũng co thể trang bị.2 Chất lượng không khí trong xe 2.1 Tác động của nhiệt độ, độ ẩm, và khí độc hại (như CO2, VOCs). Tác động của nhiệt độ: ˗ Sức khỏe con người: Nhiệt độ cao co thể gây ra các vấn đề như say nắng, mất nước và kiệt sức do nhiệt.

Ngược lại, nhiệt độ thấp co thể dẫn đến hạ thân nhiệt và các bệnh liên quan đến lạnh. ˗ Hiệu suất làm việc: Nhiệt độ không phù hợp co thể làm giảm hiệu suất làm việc và khả năng tập trung. ˗ Môi trường: Nhiệt độ cao co thể làm tăng tốc độ bay hơi nước, ảnh hưởng đến hệ sinh thái và nguồn nước. Tác động của độ ẩm: ˗ Sức khỏe con người: Độ ẩm cao co thể gây kho chịu, làm tăng nguy cơ mắc các bệnh về đường hô hấp và da.

Độ ẩm thấp co thể gây khô da, mắt và đường hô hấp. ˗ Môi trường: Độ ẩm cao co thể thúc đẩy sự phát triển của nấm mốc và vi khuẩn, ảnh hưởng đến chất lượng không khí và vật liệu xây dựng. ˗ Tác động của khí độc hại (CO2, VOCs): 6 ˗ CO2: Nồng độ CO2 cao co thể gây ra các triệu chứng như đau đầu, chong mặt, mệt mỏi và trong trường hợp nghiêm trọng, co thể gây ngạt thở. ˗ VOCs: Các hợp chất hữu cơ dê bay hơi (VOCs) co thể gây kích ứng mắt, mũi, họng và da.

Một số VOCs còn co thể gây ung thư và các vấn đề sức khỏe nghiêm trọng khác.2 Vai trò của cảm biến DHT22 và MQ135. Cảm biến DHT22: Đo nhiệt độ và độ ẩm: DHT22 co khả năng đo nhiệt độ và độ ẩm với độ chính xác cao, giúp duy trì môi trường bên trong xe ở mức thoải mái. Ứng dụng trong xe ô tô: Cảm biến này co thể được tích hợp vào hệ thống điều hòa không khí để tự động điều chỉnh nhiệt độ và độ ẩm, đảm bảo không gian bên trong xe luôn thoáng mát và dê chịu. Cảm biến MQ135: Đo chất lượng không khí: MQ135 co khả năng phát hiện nhiều loại khí độc hại như CO2, NH3, NOx, benzen, và khoi.

Điều này rất quan trọng để đảm bảo không khí trong xe luôn sạch và an toàn. Ứng dụng trong xe ô tô: Cảm biến MQ135 co thể được sử dụng để giám sát chất lượng không khí bên trong xe, cảnh báo người lái khi nồng độ các khí độc hại vượt quá mức an toàn. Hệ thống này co thể kích hoạt quạt thông gio hoặc hệ thống lọc không khí để cải thiện chất lượng không khí. Kết hợp DHT22 và MQ135 Tối ưu hoa môi trường trong xe: Khi kết hợp cả hai cảm biến, hệ thống co thể cung cấp dữ liệu toàn diện về nhiệt độ, độ ẩm và chất lượng không khí.

Điều này giúp tối ưu hoa môi trường bên trong xe, đảm bảo sự thoải mái và an toàn cho người sử dụng.3 CAN bus và Arduino Mega 2560: 2.1 Giới thiệu CAN bus và tầm quan trọng trong ô tô. Sự phát triển của xe buýt CAN bắt đầu vào năm 1983 tại Robert Bosch GmbH. Giao thức được chính thức phát hành vào năm 1986 tại hội nghị của Hiệp hội Kỹ sư Ô tô (SAE) ở Detroit, Michigan. Các chip điều khiển CAN đầu tiên được Intel giới thiệu vào năm 1987 7 và ngay sau đo bởi Philips.

Được phát hành vào năm 1991, Mercedes-Benz W140 là chiếc xe sản xuất đầu tiên co hệ thống dây ghep kênh dựa trên CAN. Bosch đã xuất bản một số phiên bản của thông số kỹ thuật CAN. Mới nhất là CAN 2.0, được xuất bản vào năm 1991. Đặc điểm kỹ thuật này co hai phần.

Phần A dành cho định dạng tiêu chuẩn với mã định danh 11 bit và phần B dành cho định dạng mở rộng với mã định danh 29 bit. Thiết bị CAN sử dụng mã định danh 11 bit thường được gọi là CAN 2.0A và thiết bị CAN sử dụng mã định danh 29 bit thường được gọi là CAN 2. Các tiêu chuẩn này được cung cấp miên phí từ Bosch cùng với các thông số kỹ thuật và sách trắng khác. Năm 1993, Tổ chức Tiêu chuẩn hoa Quốc tế (ISO) đã phát hành tiêu chuẩn CAN ISO 11898, sau đo được cấu trúc lại thành hai phần: ISO 11898-1 bao gồm lớp liên kết dữ liệu và ISO 11898-2 bao gồm lớp vật lý CAN cho CAN tốc độ cao.

ISO 11898-3 được phát hành sau đo và bao gồm lớp vật lý CAN cho CAN tốc độ thấp, chịu lỗi. Các tiêu chuẩn lớp vật lý ISO 11898-2 và ISO 11898-3 không phải là một phần của thông số kỹ thuật CAN 2. Năm 2012, Bosch phát hành CAN FD 1.0 hoặc CAN với Tốc độ dữ liệu linh hoạt. Thông số kỹ thuật này sử dụng một định dạng khung khác cho phep độ dài dữ liệu khác nhau cũng như tùy chọn chuyển sang tốc độ bit nhanh hơn sau khi trọng tài được quyết định.

CAN FD tương thích với các mạng CAN 2.0 hiện co để các thiết bị CAN FD mới co thể cùng tồn tại trên cùng một mạng với các thiết bị CAN hiện co, sử dụng cùng một thông số giao tiếp CAN 2. Tính đến năm 2018, Bosch đã tích cực trong việc mở rộng các tiêu chuẩn CAN. CAN BUS là một trong năm giao thức được sử dụng trong tiêu chuẩn chẩn đoán xe trên xe (OBD)-II. Tiêu chuẩn OBD-II là bắt buộc đối với tất cả ô tô và xe tải nhẹ được bán tại Hoa Kỳ kể từ năm 1996.

Tiêu chuẩn EOBD là bắt buộc đối với tất cả các loại xe chạy xăng được bán tại Liên minh Châu Âu từ năm 2001 và tất cả các loại xe chạy bằng động cơ diesel kể từ năm 2004. CAN BUS là một tiêu chuẩn bus xe được thiết kế để cho phep giao tiếp hiệu quả chủ yếu giữa các đơn vị điều khiển điện tử (ECU). Ban đầu được phát triển để giảm độ phức tạp và chi phí của hệ thống dây điện trong ô tô thông qua ghep kênh, giao thức bus CAN đã 8 được áp dụng trong nhiều bối cảnh khác. Giao thức dựa trên chương trình phát song, định hướng tin nhắn này đảm bảo tính toàn vẹn và ưu tiên dữ liệu thông qua một quy trình gọi là trọng tài, cho phep thiết bị co mức độ ưu tiên cao nhất tiếp tục truyền nếu nhiều thiết bị cố gắng gửi dữ liệu đồng thời, trong khi những thiết bị khác lùi lại.

Độ tin cậy của no được tăng cường nhờ tín hiệu vi sai, giúp giảm thiểu nhiêu điện. Các phiên bản phổ biến của giao thức CAN bao gồm CAN 2.0, CAN FD và CAN XL khác nhau về khả năng tốc độ dữ liệu và kích thước tải trọng dữ liệu tối đa. Tổng quan về xe buýt CAN: Mạng khu vực điều khiển (CAN) là tiêu chuẩn bus xe được thiết kế để giao tiếp hiệu quả giữa các bộ điều khiển điện tử (ECU) trên xe, giảm độ phức tạp và chi phí đi dây. + Phát triển và áp dụng: Được phát triển bởi Bosch vào những năm 1980, CAN lần đầu tiên được sử dụng trong Mercedes-Benz W140 năm 1991.

Kể từ đo, no đã trở thành một tiêu chuẩn trong ô tô và các ngành công nghiệp khác. + Phiên bản và tiêu chuẩn: Các phiên bản bao gồm CAN 2.0, CAN FD và CAN XL, mỗi phiên bản cung cấp tốc độ dữ liệu và kích thước tải trọng khác nhau. Các tiêu chuẩn ISO như ISO 11898 xác định các lớp liên kết vật lý và dữ liệu. + Ứng dụng: CAN được sử dụng trong các hệ thống con xe khác nhau, bao gồm điều khiển động cơ, lái xe tự động và chẩn đoán.

No hỗ trợ giao tiếp thời gian thực và ưu tiên thông qua trọng tài.2 Vai trò của MCP2515 trong giao tiếp Arduino mega 2560: MCP2515 là một bộ điều khiển giao tiếp mạng CAN (Controller Area Network) được thiết kế để cung cấp khả năng truyền thông qua chuẩn CAN cho các vi điều khiển không tích hợp sẵn bộ điều khiển CAN.