Tổng quan nghiên cứu

Ùn tắc giao thông tại các đô thị hiện đại đang tạo ra áp lực nặng nề lên hạ tầng bãi đỗ xe. Theo thống kê từ tổ chức nghiên cứu giao thông INRIX, trung bình mỗi tài xế tại Mỹ tiêu tốn khoảng 17 giờ mỗi năm chỉ để tìm kiếm vị trí đỗ xe, gây thiệt hại ước tính 345 USD cho mỗi người do lãng phí nhiên liệu, thời gian và phát thải khí nhà kính. Tại các thành phố lớn ở những quốc gia đang phát triển, tốc độ gia tăng phương tiện cá nhân nhanh chóng vượt qua năng lực quy hoạch giao thông tĩnh, khiến việc tìm kiếm chỗ trống trở thành bài toán nan giải.

Nghiên cứu của tác giả Nguyễn Tấn Tài dưới sự hướng dẫn của Phó Giáo sư Tiến sĩ Nguyễn Thanh Bình tại Trường Đại học Bách Khoa - Đại học Quốc gia Thành phố Hồ Chí Minh, thực hiện từ ngày 10/08/2022 đến ngày 15/12/2022, đã tập trung giải quyết triệt để vấn đề này. Mục tiêu trọng tâm của đề tài là xây dựng hệ thống nhận diện trạng thái chỗ đỗ xe dựa trên luồng dữ liệu video và thị giác máy tính thời gian thực. Thay vì phụ thuộc vào các thiết bị cảm biến phần cứng tốn kém như cảm biến siêu âm, cảm biến địa từ hoặc hồng ngoại, nghiên cứu tận dụng mạng lưới camera giám sát sẵn có để phân loại tự động không gian trống và không gian đã có xe đỗ.

Ý nghĩa thực tiễn của công trình thể hiện qua việc giảm thiểu chi phí lắp đặt cảm biến vật lý cho hàng nghìn vị trí đỗ xe, đồng thời tối ưu hóa thời gian điều hướng phương tiện, góp phần trực tiếp vào mục tiêu chuyển đổi số và phát triển giao thông thông minh trong các khu đô thị hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng mạng nơ-ron tích chập (Convolutional Neural Network - CNN) kết hợp với kiến trúc phát hiện vật thể một giai đoạn (one-stage detector) tiên tiến nhất tại thời điểm nghiên cứu là YOLOv7.

Hệ thống lý thuyết cốt lõi bao gồm các thành phần:

  1. Cơ chế mạng tích chập trích xuất đặc trưng: Tích hợp các lớp tích chập với kernel trượt, lớp gộp cực đại (Max Pooling) kích thước 2x2 với bước trượt stride 2 nhằm giảm kích thước không gian mà vẫn giữ trọn vẹn đặc trưng bất biến, cùng các hàm kích hoạt phi tuyến tính như ReLU, Sigmoid và Tanh để xử lý dữ liệu ảnh phức tạp.

  2. Cấu trúc mạng E-ELAN (Extended Efficient Layer Aggregation Networks): Tận dụng cơ chế tích chập nhóm, xáo trộn và hợp nhất kênh để nâng cao năng lực học tập của mạng nơ-ron sâu mà không phá vỡ đường truyền gradient nguyên bản, giúp mô hình đạt tốc độ suy luận từ 30 FPS đến 160 FPS trên phần cứng GPU tiêu chuẩn.

  3. Kỹ thuật tái tham số hóa mô hình (Model Re-parameterization) và cơ chế phân bổ nhãn thứ bậc từ thô đến tinh (Coarse-to-fine Lead Head Guided Label Assigner): Tối ưu hóa quá trình tính toán hàm mất mát giữa nhánh phụ (auxiliary head) và nhánh chính (lead head), gia tăng độ hội tụ và giảm thiểu sai số phân loại.

Các khái niệm then chốt được lượng hóa qua các chỉ số đo lường học máy: Chỉ số tương đồng giao diện trên diện tích hợp (Intersection over Union - IoU), Ma trận nhầm lẫn (Confusion Matrix gồm True Positive, False Positive, False Negative, True Negative), Độ chính xác (Precision), Độ bao phủ (Recall), Điểm F1-Score và Độ chính xác trung bình (Mean Average Precision - mAP).

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được trích xuất từ bộ dữ liệu chuẩn quốc tế PKLot, vốn chứa tổng cộng 12.417 hình ảnh bãi đỗ xe toàn cảnh và 695.899 phân đoạn vị trí đỗ thu thập từ hai trường đại học UFPR và PUCPR tại Brazil dưới nhiều điều kiện thời tiết như nắng gắt, âm u và mưa lớn.

Để phù hợp với giới hạn tính toán của hạ tầng phần cứng thử nghiệm, nghiên cứu áp dụng phương pháp lấy mẫu phân tầng ngẫu nhiên với cỡ mẫu 1.000 hình ảnh tiêu biểu. Tập mẫu được phân chia theo tỷ lệ vàng 7:2:1, tương ứng 700 ảnh cho tập huấn luyện (training set), 200 ảnh cho tập kiểm định (validation set) và 100 ảnh cho tập kiểm thử độc lập (test set). Toàn bộ dữ liệu được chuẩn hóa về độ phân giải 640x640 pixel và gán nhãn thủ công qua nền tảng Roboflow Annotate với hai lớp đối tượng phân biệt: chỗ trống (space-empty) và chỗ đã có xe (space-occupied).

Quá trình huấn luyện diễn ra trên môi trường điện toán đám mây Google Colaboratory tận dụng card đồ họa GPU chuyên dụng. Mô hình nạp trọng số khởi tạo tiền huấn luyện yolov7.pt, chạy qua 55 chu kỳ (epochs) liên tục với kích thước lô (batch size) là 16. Lý do lựa chọn mô hình YOLOv7 thay vì các mô hình hai giai đoạn như Faster R-CNN là nhằm đảm bảo sự cân bằng tối ưu giữa tốc độ xử lý khung hình thời gian thực và độ chính xác phân loại vị trí đỗ xe.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử mô hình trên các tập dữ liệu ảnh tĩnh và video thực tế đã mang lại các kết quả định lượng cụ thể:

  1. Độ chính xác phân loại vượt trội trên ma trận nhầm lẫn: Mô hình đạt tỷ lệ dự đoán đúng cho cả hai lớp chỗ trống (True Positive) và chỗ có xe (True Negative) ở mức 0.99 (tương đương 99%). Tỷ lệ dương tính giả (False Positive) được khống chế ở mức 0.10 (10%) và tỷ lệ âm tính giả (False Negative) chỉ chiếm xấp xỉ 0.01 (1%), chứng minh khả năng phân biệt cực kỳ rõ nét giữa mặt đường trống và xe cộ.

  2. Cân bằng hoàn hảo trên đường cong Precision - Recall và F1-Score: Đường cong quan hệ giữa Precision và Recall cho thấy sự phân tách rạch ròi giữa hai lớp đối tượng mà hầu như không có sự chồng lấn nhầm lẫn. Đồ thị F1-Score chỉ ra rằng tại ngưỡng tin cậy (confidence threshold) 0.8, mô hình duy trì được độ chính xác rất cao mà không làm suy giảm nghiêm trọng độ bao phủ của hệ thống.

  3. Hiệu năng suy luận trên ảnh tĩnh đa góc độ: Thử nghiệm trên 3 góc máy camera khác nhau cho thấy mô hình phát hiện chính xác gần như tuyệt đối các ô đỗ xe, kể cả các vị trí bị khuất một phần bởi phương tiện lân cận, với chỉ số mAP tại ngưỡng IoU 0.5 đạt mức tối ưu.

  4. Sự suy giảm hiệu năng trên luồng video liên tục: Khi chuyển từ ảnh tĩnh sang kiểm thử trên 2 đoạn video thực tế, độ chính xác nhận diện ghi nhận mức sụt giảm khoảng 10% đến 15%. Nguyên nhân chủ yếu xuất phát từ hiện tượng mờ nhòe do chuyển động (motion blur), sự thay đổi góc chiếu sáng của ánh mặt trời và góc quay camera có độ nghiêng lớn gây biến dạng tỷ lệ khung hình ô đỗ.

Thảo luận kết quả

Các kết quả thực nghiệm có thể được tổng hợp và biểu diễn trực quan qua bảng ma trận nhầm lẫn 2x2 cùng biểu đồ biến thiên đường cong Precision-Recall theo ngưỡng IoU từ 0.5 đến 0.95. Đồ thị cho thấy độ dốc của đường Recall chỉ bắt đầu giảm mạnh khi ngưỡng tin cậy vượt qua mốc 0.85, chứng minh vùng hoạt động ổn định của mô hình rất rộng.

Sở dĩ mô hình đạt được tỷ lệ phát hiện chính xác 99% trên ảnh tĩnh là nhờ vào kiến trúc E-ELAN giúp bảo toàn các đặc trưng biên dạng xe và vạch kẻ chu vi ô đỗ. So sánh với các nghiên cứu sử dụng Faster R-CNN trước đây, kiến trúc YOLOv7 trong luận văn này vượt trội hoàn toàn về tốc độ xử lý (đạt trên 30 khung hình mỗi giây so với 5-10 khung hình của mô hình hai giai đoạn), đáp ứng đầy đủ tiêu chuẩn cho các hệ thống giám sát giao thông trực tiếp.

Tuy nhiên, hạn chế về hàm mất mát của YOLO khi xử lý các ô đỗ ở xa với diện tích bounding box quá nhỏ (dưới 32x32 pixel) là yếu tố chính tạo ra một số cảnh báo nhầm lẫn trên video feed. Kết quả này mở ra hướng đi rõ ràng cho việc cải tiến thuật toán trong các giai đoạn phát triển tiếp theo.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và đưa hệ thống nhận diện chỗ đỗ xe bằng video vào ứng dụng thương mại hóa, nghiên cứu đưa ra 4 giải pháp hành động cụ thể:

  1. Mở rộng tập dữ liệu huấn luyện đa miền: Nhóm nghiên cứu và kỹ sư thị giác máy tính cần tiến hành thu thập bổ sung từ 5.000 đến 10.000 khung hình video thực tế tại các bãi đỗ xe ngoài trời và tầng hầm ở Việt Nam trong vòng 3 tháng tới. Mục tiêu là nâng tỷ lệ nhận diện chính xác trên video thực tế từ 85% lên trên 95% dưới mọi điều kiện sương mù, mưa rào và ban đêm.

  2. Tinh chỉnh hàm mất mát cho các đối tượng tỷ lệ nhỏ: Đội ngũ kỹ sư thuật toán AI cần triển khai tái cấu trúc hàm mất mát theo hướng tích hợp CIoU hoặc EIoU kết hợp với cơ chế chú ý không gian (Spatial Attention Mechanism) trong vòng 1 tháng. Mục tiêu kỹ thuật là giảm thiểu 80% sai số định vị đối với các ô đỗ nằm ở góc xa của camera an ninh.

  3. Tối ưu hóa mô hình để triển khai trên thiết bị biên (Edge AI): Bộ phận kỹ thuật phần cứng phối hợp cùng nhóm phát triển phần mềm nhúng mô hình đã lượng tử hóa (TensorRT INT8) lên các vi xử lý chuyên dụng như NVIDIA Jetson Orin Nano trong thời hạn 6 tháng. Mục tiêu vận hành là duy trì tốc độ xử lý ổn định 30 FPS với mức công suất tiêu thụ điện năng dưới 15W trên mỗi camera.

  4. Xây dựng nền tảng ứng dụng hướng dẫn đỗ xe thời gian thực: Doanh nghiệp vận hành bãi đỗ xe và đơn vị phát triển giải pháp phần mềm cần thiết kế giao diện ứng dụng di động hiển thị bản đồ chỗ trống trực tiếp trong 4 tháng. Đích đến thực tiễn là cắt giảm 50% thời gian tìm kiếm chỗ đỗ của tài xế, tương đương việc tiết kiệm khoảng 8.5 giờ và 170 USD chi phí nhiên liệu mỗi năm cho mỗi phương tiện.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

  1. Sinh viên và học viên cao học chuyên ngành Khoa học Máy tính và Trí tuệ Nhân tạo: Tài liệu cung cấp bức tranh toàn cảnh từ lý thuyết mạng nơ-ron tích chập đến kỹ thuật triển khai YOLOv7, là cẩm nang hữu ích để thực hiện các đồ án chuyên ngành và luận văn tốt nghiệp về phân loại đối tượng thời gian thực.

  2. Kỹ sư phát triển hệ thống thị giác máy tính (Computer Vision Engineers): Nắm bắt trọn vẹn quy trình tiền xử lý 1.000 hình ảnh từ tập PKLot, kỹ thuật gán nhãn chuẩn YOLO và chiến lược tinh chỉnh siêu tham số qua 55 chu kỳ huấn luyện nhằm tái ứng dụng cho các bài toán nhận dạng phương tiện khác.

  3. Nhà quản lý bãi đỗ xe và doanh nghiệp giải pháp giao thông thông minh (ITS): Tiếp cận giải pháp công nghệ giúp tiết kiệm đến 70% chi phí đầu tư ban đầu so với việc lắp đặt cảm biến tại từng điểm đỗ, biến hệ thống camera an ninh sẵn có thành trung tâm điều hành thông minh.

  4. Các nhà hoạch định chính sách và cơ quan quy hoạch đô thị: Có thêm cơ sở khoa học và dữ liệu thực chứng để xây dựng các tiêu chuẩn kỹ thuật cho hệ thống giao thông tĩnh thông minh trong các đề án xây dựng thành phố thông minh (Smart City).

Câu hỏi thường gặp

  1. Tại sao nghiên cứu lại lựa chọn giải pháp thị giác máy tính thay vì cảm biến vật lý? Việc lắp đặt cảm biến siêu âm, từ trường hoặc hồng ngoại tại từng vị trí đỗ tiêu tốn hàng nghìn USD chi phí bảo trì và thay thế pin định kỳ. Giải pháp thị giác máy tính tận dụng camera an ninh bao quát hàng trăm vị trí đỗ cùng lúc, giúp tiết kiệm hơn 70% tổng chi phí đầu tư hạ tầng cho ban quản lý.

  2. Độ chính xác của mô hình YOLOv7 trong luận văn đạt mức bao nhiêu? Trên tập dữ liệu kiểm thử gồm 100 hình ảnh chuẩn hóa, mô hình đạt độ chính xác phân loại tuyệt đối với tỷ lệ True Positive và True Negative đều chạm ngưỡng 0.99 (99%). Tỷ lệ dự đoán sai sót âm tính giả được kiểm soát ở mức cực thấp chỉ khoảng 0.01 (1%).

  3. Mô hình xử lý thế nào khi điều kiện ánh sáng và thời tiết thay đổi? Nhờ được huấn luyện trên tập dữ liệu PKLot đa dạng với hơn 12.417 hình ảnh trải dài qua nhiều ngày nắng, râm và mưa bão, mô hình đã học được các đặc trưng bất biến của vạch kẻ và khối phương tiện, duy trì khả năng nhận diện ổn định trong hầu hết điều kiện chiếu sáng tự nhiên.

  4. Lý do hiệu năng nhận diện trên video thực tế lại thấp hơn trên ảnh tĩnh? Đoạn video thực tế có sự thay đổi liên tục về góc quay, độ rung lắc của thiết bị và hiện tượng mờ chuyển động khi xe di chuyển vào ô đỗ. Luận văn chỉ ra rằng việc bổ sung dữ liệu video đa góc vào tập huấn luyện sẽ khắc phục hoàn toàn mức sụt giảm 10% đến 15% này.

  5. Cần chuẩn bị cấu hình phần cứng như thế nào để vận hành mô hình này? Trong giai đoạn nghiên cứu, mô hình được huấn luyện thành công trên môi trường Google Colab GPU miễn phí trong 55 epochs. Khi triển khai thực tế, hệ thống chỉ yêu cầu các máy tính nhúng biên nhỏ gọn như NVIDIA Jetson có GPU tương thích để xử lý luồng video 30 FPS mượt mà.

Kết luận

Luận văn đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật và thực tiễn then chốt:

  • Hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơ-ron tích chập và các thế hệ thuật toán phát hiện vật thể từ R-CNN đến YOLOv7.
  • Xây dựng thành công quy trình xử lý dữ liệu và huấn luyện mô hình nhận diện trạng thái ô đỗ xe với 1.000 mẫu ảnh chuẩn hóa kích thước 640x640 pixel.
  • Đạt hiệu suất phân loại ấn tượng với tỷ lệ nhận diện đúng 99% (TP và TN đạt 0.99) trên tập ảnh kiểm thử độc lập.
  • Xác định chính xác các điểm nghẽn kỹ thuật khi áp dụng mô hình lên luồng dữ liệu video thực tế đa góc nhìn.
  • Đề xuất lộ trình nâng cấp hệ thống rõ ràng trong thời gian 3 đến 6 tháng hướng tới tích hợp hoàn chỉnh trên phần cứng biên và ứng dụng di động.

Để khai thác tối đa tiềm năng của công nghệ thị giác máy tính trong quản lý đô thị, các đơn vị vận hành bãi đỗ xe và doanh nghiệp công nghệ giao thông hãy bắt đầu áp dụng ngay mô hình phát hiện chỗ trống thông minh, góp phần kiến tạo môi trường giao thông hiện đại, tiện ích và bền vững.