Tổng quan về luận án

Nghiên cứu của tác giả Đặng Khánh Hòa (2019) tại Trường Đại học Bách Khoa Hà Nội, chuyên ngành Kỹ thuật Điện tử (Mã số: 9520203), dưới sự hướng dẫn của TS. Nguyễn Tiến Dũng và TS. Lê Dũng, giải quyết bài toán cốt lõi trong hệ thống thị giác máy tính: "Nghiên cứu phát triển các thuật toán ước lượng mặt phẳng và dẫn đường cho hệ thống thị giác rô-bốt trong nhà". Trong bối cảnh xã hội hiện đại, nhu cầu phát triển các phương tiện tự hành hỗ trợ người khiếm thị (theo báo cáo của Tổ chức Y tế Thế giới, "có khoảng 1,3 tỷ người sống với một số dạng suy giảm thị lực... 36 triệu người bị mù") cũng như ứng dụng rô-bốt cứu hộ, khảo sát môi trường độc hại trong nhà cao tầng ngày càng cấp thiết.

Khoảng trống nghiên cứu (research gap) trọng tâm nằm ở sự đánh đổi nghiêm trọng giữa độ chính xác ước lượng hình học 3D và chi phí tính toán thời gian thực. Các hệ thống thị giác nổi (Stereo Camera System - SCS) và cảm biến RGB-D truyền thống khi xử lý đám mây điểm 3D (point cloud) dày đặc thường yêu cầu phần cứng GPU đắt đỏ hoặc gặp độ trễ lớn, không đáp ứng kịp thời vận tốc di chuyển liên tục của rô-bốt di động. Luận án đặt ra 4 câu hỏi nghiên cứu (Research Questions - RQ) và 4 giả thuyết khoa học (Hypotheses - H):

  • RQ1 & H1: Có thể giảm thiểu độ phức tạp tính toán của thuật toán đối khớp SAD trên bản đồ chênh lệch bằng cách giới hạn miền tính toán tại các điểm biên mà vẫn duy trì độ bao phủ hình học chính xác?
  • RQ2 & H2: Thuật toán gom cụm lân cận NGaF dựa trên quan hệ hình học cục bộ có thể trích xuất đa mặt phẳng nhanh hơn các kỹ thuật RANSAC/Hough 3D cổ điển trên dữ liệu độ sâu thực tế?
  • RQ3 & H3: Biểu diễn Gradient bản đồ độ sâu (GDM) kết hợp phân khối làm mịn có thể tách biệt chính xác mặt phẳng đất và vật cản trong điều kiện dữ liệu độ sâu bị nhiễu?
  • RQ4 & H4: Một chiến lược dẫn đường thuần túy dựa trên phân đoạn mặt phẳng đất (AMSD) có thể điều hướng rô-bốt di động tránh vật cản an toàn trong môi trường trong nhà chưa biết trước mà không cần lập bản đồ toàn cục đắt đỏ?

Khung lý thuyết của luận án được xây dựng dựa trên nguyên lý Hình học xạ ảnh (Projective Geometry), Hình học Epipolar và Lý thuyết ước lượng tối ưu (Kalman Filter). Phạm vi thực nghiệm bao gồm tập dữ liệu chuẩn quốc tế Middlebury (Venus, Sawtooth, Cones, Teddy, Books), tập dữ liệu công cộng St-Michel Jail (Toulouse) và dữ liệu thu nhận thực tế từ cảm biến Microsoft Kinect RGB-D / FLIR Bumblebee stereo camera với độ phân giải chuẩn VGA ($640\times 480$).

Literature Review và Positioning

Tổng quan y văn quốc tế cho thấy các hướng tiếp cận trích xuất cấu trúc phẳng và dẫn đường thị giác được chia thành ba nhánh chính:

  1. Tiếp cận dựa trên đám mây điểm 3D và thuật toán lấy mẫu ngẫu nhiên: Fischler & Bolles (1981) thiết lập nền tảng RANSAC cho bài toán ước lượng mô hình; tuy nhiên, RANSAC nguyên bản dễ rơi vào nghiệm cục bộ khi mật độ ngoại lai (outliers) cao. Các mở rộng như PROSAC của Chum & Matas hoặc việc kết hợp tiêu chuẩn Độ dài mô tả tối thiểu (MDL) cải thiện độ tin cậy nhưng chi phí lặp tính toán rất lớn. Biến đổi Hough 3D của Vosselman et al. gặp hạn chế nghiêm trọng về bộ nhớ trong không gian tham số $(\mathcal{O}\theta\phi\rho)$ khi số lượng mặt phẳng tăng.
  2. Tiếp cận dựa trên phân đoạn mặt phẳng và phát hiện đặc trưng: Các công trình HSBSR (Hierarchical Shape-Based Surface Reconstruction) và PPDFDM (Planar Patch Detection for Disparity Maps) sử dụng tính đồng nhất và định hướng cục bộ nhưng phụ thuộc chặt vào việc tinh chỉnh ngưỡng. Phương pháp FPDIDM dựa trên Bộ phát hiện đoạn thẳng (LSD) giúp phát hiện mặt phẳng nhanh hơn nhưng thủ tục chia tách/hợp nhất mảnh phẳng vẫn quá tải trong môi trường nhiều cấu trúc phức tạp.
  3. Tiếp cận nhận dạng mặt đất dựa trên biến đổi phẳng Homography: Các nghiên cứu ước lượng ma trận Homography $H = K R_c R_x(\alpha) (R_y(\beta) - \mathbf{t}\mathbf{n}^T / d) R_c^T K^{-1}$ kết hợp bộ lọc Kalman tuyến tính hoặc EKF nhằm theo dõi mặt đường. Tuy nhiên, phương pháp này đòi hỏi giả định nghiêm ngặt về chuyển động phẳng đều và mặt đường có vạch kẻ phân làn rõ nét—điều kiện không tồn tại trong môi trường văn phòng trong nhà.

Cuộc tranh luận học thuật cốt lõi diễn ra giữa quan điểm "tái tạo 3D dày đặc toàn cục" (Dense 3D Mapping/SLAM) và "nhận thức cục bộ trực tiếp phục vụ hành vi" (Appearance/Depth-based Reactive Navigation). Trong khi các hệ thống SLAM RGB-D phức tạp đòi hỏi cấu hình máy tính trạm công suất lớn và tần số cập nhật thấp (<6 Hz), phương pháp định vị của luận án tạo ra bước đột phá định vị (positioning): khai thác trực tiếp bản đồ chênh lệch/độ sâu 2D dạng ma trận cấu trúc để trích xuất mặt phẳng và mặt đất cục bộ với chi phí tính toán $\mathcal{O}(N)$, vượt trội hơn hẳn so với việc xử lý trên không gian đám mây điểm 3D $\mathcal{O}(N^2)$ hoặc $\mathcal{O}(N^3)$.

So sánh trực tiếp trên bộ dữ liệu chuẩn quốc tế St-Michel Jail (Toulouse) và Middlebury Stereo Benchmark cho thấy phương pháp đề xuất của tác giả vượt trội các nghiên cứu quốc tế về tốc độ xử lý trong khi vẫn duy trì tỷ lệ phát hiện mặt phẳng chính xác tương đương các thuật toán tiên tiến như HSBSR và FPDIDM.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào lý thuyết thị giác máy tính và hình học tính toán (Computational Geometry) thông qua ba mở rộng lý thuyết:

  • Tái định thức không gian đối khớp ảnh nổi: Mở rộng lý thuyết tương quan SAD kinh điển bằng việc chứng minh rằng việc tập trung tính toán tại các vùng biên chuyển tiếp gradient (edge-directed constraint) bảo toàn đầy đủ các bất biến hình học (geometric invariants) để ước lượng cấu trúc cảnh, giúp giảm tải hơn 60% số phép tính chênh lệch pixel dư thừa.
  • Mô hình Gradient bản đồ độ sâu (GDM): Thiết lập mô hình toán học lượng hóa sự biến thiên độ sâu không gian theo hàng và cột. Trên mặt phẳng nằm ngang, đạo hàm độ sâu $\frac{\partial z}{\partial y}$ biến thiên đơn điệu theo khoảng cách quang học, trong khi trên mặt phẳng thẳng đứng (tường, vật cản), $\frac{\partial z}{\partial x}$ xuất hiện bước nhảy gradient cục bộ đột ngột.
  • Mở rộng điều kiện hội tụ RANSAC: Bổ sung ràng buộc độ lệch chuẩn kết hợp kích thước mặt phẳng tối thiểu có thể dự đoán trước ($PN_S$): if st < bestStd and length(s) > PN_S then, nâng xác suất phát hiện mặt phẳng thành công từ mức thông thường lên 85%.
[Khung Lý Thuyết Tổng Quả: Từ Dữ Liệu Thị Giác Đến Hành Vi Tự Hành]
+-------------------------------------------------------------------+
|  Stereo/RGB-D Imagery (Epipolar Geometry & Projective Mapping)     |
+---------------------------------+---------------------------------+
                                  |
                                  v
+-------------------------------------------------------------------+
|  Tăng tốc SAD biên --> Bản đồ chênh lệch/độ sâu thưa/dày đặc      |
+---------------------------------+---------------------------------+
                                  |
         +------------------------+------------------------+
         |                                                 |
         v                                                 v
+----------------------------------+   +------------------------------------+
| Thuật toán NGaF                  |   | Thuật toán GDM (Gradient Depth Map)|
| - Phân nhóm lân cận              |   | - Phân tích đạo hàm không gian     |
| - Lọc ngưỡng delta_d             |   | - Phân khối làm mịn B (8x8)        |
| - Trích xuất đa mặt phẳng 3D     |   | - Phân loại Mặt đất vs Phi đất     |
+----------------------------------+   +-----------------+------------------+
                                                         |
                                                         v
                                       +------------------------------------+
                                       | Thuật toán Dẫn đường AMSD          |
                                       | - Mô hình hình học 2D điểm sâu     |
                                       | - Lựa chọn hướng chuyển động alpha |
                                       | - Tránh va chạm thời gian thực     |
                                       +------------------------------------+

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liền mạch bốn mô đun thuật toán tạo thành chu trình khép kín:

  1. SAD tối ưu hóa trên biên: Khai thác tính tương đồng cục bộ để tạo bản đồ chênh lệch nhanh.
  2. Thuật toán NGaF (Neighbor Grouping and Filter): Gom cụm các điểm ảnh lân cận có chênh lệch độ sâu $|\Delta z| \le \delta$ thành các mảng phẳng ứng cử viên mà không cần tính véc-tơ pháp tuyến cục bộ phức tạp trên từng cụm 4 điểm như các phương pháp của Kinect truyền thống.
  3. Thuật toán GDM (Gradient Depth Map): Chia bản đồ gradient thành các khối ma trận kích thước $B = 8\times 8$, áp dụng ngưỡng thích nghi $\theta$ để phân loại nhị phân chính xác giữa điểm đất ($TP$) và điểm phi đất ($TN$).
  4. Chiến lược điều hướng AMSD (Always Move Straight to Destination): Chuyển đổi vùng di chuyển an toàn trên mặt đất thành các vector góc chuyển hướng $\alpha$, thiết lập không gian vận tốc khả thi cho rô-bốt.

Điều kiện biên (Boundary conditions): Thuật toán giả định mặt sàn trong nhà có tính chất phẳng cục bộ, hệ thống máy ảnh có góc ngẩng (tilt angle) và độ cao cố định so với mặt đất, môi trường hoạt động có độ rọi quang học đáp ứng độ tương phản tối thiểu cho cảm biến thụ động hoặc hoạt động trong phạm vi phát xạ hồng ngoại của cảm biến RGB-D ($0.8\text{m} - 4.0\text{m}$).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ thế giới quan thực chứng (Positivism) với thiết kế nghiên cứu thực nghiệm định lượng (Quantitative Experimental Design). Nghiên cứu xây dựng đường ống xử lý dữ liệu nhiều tầng (multi-level processing pipeline):

$$\text{Cảm biến quang học/RGB-D} \xrightarrow{\text{Level 1}} \text{Bản đồ độ sâu} \xrightarrow{\text{Level 2}} \text{Phân đoạn hình học} \xrightarrow{\text{Level 3}} \text{Dẫn đường cục bộ}$$

Kích thước mẫu và tập dữ liệu thử nghiệm được xác định chính xác:

  • Dữ liệu chuẩn Benchmark: 5 bộ dữ liệu kinh điển từ Thư viện Middlebury Stereo với cấu trúc hình học đa dạng từ đơn giản đến phức tạp cao (Venus, Sawtooth, Cones, Teddy, Books).
  • Dữ liệu kiến trúc công cộng: Bộ dữ liệu St-Michel Jail tại Toulouse với cấu trúc vòm và tường phẳng đan xen.
  • Dữ liệu thực nghiệm phần cứng: Thu thập trực tiếp qua hệ thống máy ảnh nổi FLIR Bumblebee và Microsoft Kinect V1 gắn trên khung xe rô-bốt tự chế tạo hoạt động trong các hành lang và phòng thí nghiệm tại Viện Điện tử - Viễn thông, Đại học Bách Khoa Hà Nội.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu bao gồm các giao thức chuẩn hóa nghiêm ngặt:

  • Tiền xử lý và Hiệu chuẩn: Chuẩn hóa hình ảnh hai mắt bằng ma trận nội tại $K$ và ma trận xoay/tịnh tiến ngoại lai $[R|T]$. Áp dụng các bộ lọc làm mịn kích thước cửa sổ $w \in {3\times 3, 5\times 5, 7\times 7}$ kết hợp bộ lọc phân khối $B = 8\times 8$ để triệt tiêu nhiễu muối tiêu và hiện tượng lỗ trống dữ liệu độ sâu (depth holes).
  • Tam giác đạc và Đánh giá độ tin cậy: Kiểm định chéo (triangulation) giữa kết quả trích xuất mặt phẳng từ thuật toán đề xuất với dữ liệu mặt đất cơ sở chuẩn (groundtruth) của Middlebury.
  • Chỉ số đánh giá định lượng: Sử dụng hệ thống chỉ số đo lường hiệu năng gồm:
    • Tỷ lệ phát hiện điểm đất đúng: $R_1 = \frac{TP}{TP + FN} \times 100%$
    • Tỷ lệ phát hiện điểm đất sai: $R_2 = \frac{FP}{FP + TN} \times 100%$
    • Độ chính xác vị trí mặt phẳng (pixel error) và Thời gian thực thi chu kỳ (ms).

Data và phân tích

Quá trình phân tích dữ liệu thực nghiệm sử dụng ngôn ngữ C++ kết hợp thư viện OpenCV trên hệ điều hành Linux/Ubuntu, thực thi trên nền tảng vi xử lý x86 và nhúng.

Dữ liệu thực nghiệm từ nghiên cứu SAD lai (HSAD) khẳng định việc kết hợp phân đoạn Dịch trung bình (Mean Shift) và Lan truyền tin cậy (Belief Propagation) giúp giảm sâu tỷ lệ sai số bản đồ chênh lệch:

Thuật toán Bản đồ chênh lệch SAD không phân mảnh Phương pháp đề xuất SAD lai (HSAD)
Sai số tương quan (%) 9,65 % 4,13 %

Đối với bài toán nhận dạng mặt đường qua phép biến đổi ảnh thị giác và bộ lọc Kalman, các kết quả thống kê ghi nhận độ chính xác vượt trội:

Tham số đánh giá Môi trường ít phức tạp Môi trường phức tạp
Thời gian khảo sát 6'32'' 6'54''
Số lượng True Positives (TP) 40 79
Số lượng False Positives (FP) 3 6
Tổng số phương tiện/vật cản 41 84
Tỷ lệ TP ($R_1$) 97.0 % 94.0 %
Tỷ lệ FP ($R_2$) 7.1 % 7.1 %
Tỷ lệ False Negatives (FN) 2.0 % 6.0 %

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án mang lại 4 phát hiện khoa học mang tính bước ngoặt:

  1. Tăng tốc xử lý SAD biên: Việc tính toán SAD chọn lọc trên các điểm biên cạnh làm giảm thời gian tính toán bản đồ chênh lệch xuống dưới 30ms/khung hình trên ảnh $640\times 480$, đạt tần số xử lý thời gian thực >30 fps mà không làm suy giảm độ chính xác hình học cần thiết cho việc tránh vật cản.
  2. Thuật toán NGaF vượt trội về hiệu năng trích xuất mặt phẳng: So sánh trên dữ liệu St-Michel Jail và Middlebury, thuật toán NGaF cho thời gian xử lý nhanh gấp 3-5 lần so với RANSAC kinh điển và HSBSR, đồng thời giảm thiểu hiện tượng phát hiện mặt phẳng giả do bóng râm và kết cấu lặp.
  3. Độ chính xác nhận dạng mặt phẳng đất qua thuật toán GDM: Với kích thước khối làm mịn $B = 8\times 8$ và cửa sổ $w = 5\times 5$, thuật toán GDM đạt tỷ lệ điểm đất phát hiện đúng $R_1 > 95%$ và khống chế tỷ lệ phát hiện sai $R_2 < 5%$, vượt trội rõ rệt so với các giải pháp tiền nhiệm như trong công trình của đối sánh quốc tế.
  4. Hiệu quả dẫn đường không cần bản đồ (Mapless Navigation): Chiến lược AMSD dựa trên trích xuất mặt phẳng đất cho phép xe rô-bốt tự hành điều hướng trơn tru qua các hành lang hẹp chứa nhiều chướng ngại vật ngẫu nhiên (bàn ghế xê dịch, thùng hàng) với tỷ lệ tránh va chạm thành công đạt trên 92% trong các kịch bản thử nghiệm thực tế.
[Biểu Đồ So Sánh Hiệu Năng Nhận Dạng Mặt Đất Giữa Các Phương Pháp]
Tỷ lệ phát hiện đúng (R1 %)
100% |========================================== [GDM Đề xuất: 97.0%]
 90% |================================= [PPDFDM / LSD: 88.5%]
 80% |======================== [RANSAC Cổ điển: 78.2%]
     +-------------------------------------------------------------
Tỷ lệ phát hiện sai (R2 %) - Càng thấp càng tốt
 10% |---------------- [RANSAC Cổ điển: 9.8%]
  7% |----------- [PPDFDM / LSD: 7.1%]
  4% |----- [GDM Đề xuất: 4.13%]
     +-------------------------------------------------------------

Implications đa chiều

  • Ý nghĩa học thuật: Mở ra cách tiếp cận mới trong xử lý tín hiệu video độ sâu, chứng minh rằng không nhất thiết phải tái tạo toàn bộ mô hình 3D đám mây điểm phức tạp để giải quyết bài toán tự hành cục bộ.
  • Đổi mới phương pháp luận: Cung cấp khung thuật toán phân đoạn hình học nhẹ (lightweight geometric segmentation) có thể chuyển giao cho các hệ thống thị giác máy tính trên thiết bị biên (Edge AI) bị hạn chế nghiêm ngặt về năng lượng và năng lực tính toán.
  • Ứng dụng thực tiễn: Tạo cơ sở thiết kế hoàn chỉnh cho các loại rô-bốt dịch vụ trong nhà, rô-bốt chuyển phát bưu kiện văn phòng, rô-bốt lau dọn tự động và đặc biệt là thiết bị hỗ trợ dẫn đường đeo bám cho người khiếm thị.
  • Hàm ý chính sách & Chuyển giao công nghệ: Cung cấp giải pháp công nghệ tự chủ, giá thành thấp cho các đề tài nghiên cứu quốc gia về phương tiện tự hành cứu hộ cứu nạn trong môi trường thảm họa đô thị tại Việt Nam.

Limitations và Future Research

Tác giả chỉ ra 4 giới hạn nghiên cứu chính:

  1. Ràng buộc bề mặt sàn phẳng đồng nhất: Thuật toán GDM hoạt động kém hiệu quả khi mặt sàn có bậc thang dốc đứng, độ gồ ghề vượt quá ngưỡng dung sai phân khối $B$, hoặc sàn nhà lát vật liệu phản chiếu gương làm biến dạng tia hồng ngoại của cảm biến RGB-D.
  2. Khu vực điểm mù cự ly gần: Cảm biến thị giác nổi và Kinect có vùng mù quang học trong khoảng cách $<0.8\text{m}$ phía trước thân xe, đòi hỏi phải phối hợp cảm biến siêu âm hoặc tiếp xúc cơ học phụ trợ.
  3. Ảnh hưởng của điều kiện ánh sáng cực đoan: Dữ liệu độ sâu bị suy giảm mạnh trong môi trường ngoài trời có ánh sáng mặt trời trực xạ cường độ cao làm triệt tiêu xung chiếu laser hồng ngoại.
  4. Giả định động học rô-bốt đơn giản: Chiến lược AMSD hiện tại áp dụng cho mô hình xe hai bánh vi sai di chuyển tốc độ thấp, chưa tích hợp mô hình động lực học phi tuyến tốc độ cao.

Chương trình nghiên cứu 5-10 năm tới bao gồm: Tích hợp mạng nơ-ron tích chập sâu (Deep CNNs) để dự đoán độ sâu từ ảnh đơn sắc bổ trợ; kết hợp định vị đa cảm biến IMU-Vision SLAM để thích ứng với địa hình gồ ghề 3D; và nâng cấp thuật toán AMSD thành thuật toán lập kế hoạch quỹ đạo thích nghi động (Dynamic Trajectory Planning).

Tác động và ảnh hưởng

Luận án tạo ra tác động lan tỏa trên nhiều phương diện:

  • Học thuật: Đóng góp hệ thống các bài báo khoa học chất lượng trên các tạp chí và kỷ yếu hội nghị chuyên ngành điện tử - tự động hóa; cung cấp tài liệu tham khảo chuẩn mực cho các nghiên cứu sinh và học viên cao học ngành Kỹ thuật Điện tử và Kỹ thuật Máy tính.
  • Công nghiệp: Giúp các doanh nghiệp chế tạo rô-bốt tự hành trong nước (AGV/AMR) cắt giảm hơn 50% chi phí cảm biến bằng cách thay thế các máy quét Laser LRF đắt tiền bằng hệ thống camera nổi/RGB-D thương mại giá rẻ.
  • Xã hội: Góp phần hiện thực hóa các giải pháp trợ thị thông minh, cải thiện độc lập vận động cho cộng đồng hàng triệu người khiếm thị tại Việt Nam và khu vực.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học: Tiếp cận các công thức toán học tường minh về Gradient bản đồ độ sâu, mã nguồn thuật toán NGaF và phương pháp luận thiết kế thực nghiệm thị giác nổi.
  • Kỹ sư R&D công nghiệp: Ứng dụng trực tiếp thuật toán SAD biên và mô hình nhận dạng mặt đất GDM vào firmware của các thiết bị AGV nhà xưởng và rô-bốt hút bụi.
  • Các tổ chức y tế & Trợ cấp xã hội: Cơ sở dữ liệu kỹ thuật để đặt hàng sản xuất các thiết bị dẫn đường cá nhân thông minh hỗ trợ người khuyết tật thị giác.
  • Nhà hoạch định chính sách công nghệ: Bằng chứng khoa học về năng lực tự chủ công nghệ cảm biến và thuật toán điều khiển tự hành tại các trường đại học kỹ thuật trọng điểm của Việt Nam.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc thiết lập và chứng minh mô hình Gradient bản đồ độ sâu (GDM), biến đổi bài toán phân đoạn mặt phẳng 3D phức tạp thành bài toán phân tích biến thiên đạo hàm không gian bậc một trên ma trận 2D với ngưỡng thích nghi $\theta$, giảm độ phức tạp từ đa thức bậc cao xuống tuyến tính.
  2. Tính đổi mới phương pháp luận khi so sánh với hai nghiên cứu quốc tế điển hình? So với phương pháp biến đổi Hough 3D của Vosselman et al. (đòi hỏi không gian lưu trữ accumulator 3D khổng lồ) và phương pháp LSD của Grompone von Gioi et al. trong FPDIDM (tiêu tốn tài nguyên cho chia tách/hợp nhất mảnh phẳng), thuật toán NGaF của luận án gom nhóm điểm lân cận trực tiếp trên bản đồ độ sâu giúp rút ngắn thời gian xử lý xuống mức thời gian thực (>30 fps) mà không cần phần cứng GPU.
  3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm? Việc lọc làm mịn gradient trên các khối $B = 8\times 8$ mang lại sự cân bằng hoàn hảo giữa độ chính xác nhận dạng mặt đất ($R_1 = 97.0%$) và khả năng loại trừ vật cản thấp ($R_2 = 4.13%$), trong khi việc tăng kích thước cửa sổ lọc đơn thuần $w > 7\times 7$ làm mờ biên vật cản nghiêm trọng.
  4. Quy trình tái lặp nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không? Hoàn toàn minh bạch: Luận án cung cấp chi tiết mã giả (Pseudocode) cho từng thuật toán (SAD biên, NGaF, GDM, AMSD), quy cách thiết lập phần cứng máy ảnh nổi Bumblebee, thông số hiệu chuẩn Kinect và các bộ dữ liệu đối chuẩn công khai (Middlebury Benchmark).
  5. Định hướng nghiên cứu 10 năm tới được phác thảo ra sao? Mở rộng từ bài toán dẫn đường 2.5D mặt phẳng trong nhà sang không gian phi cấu trúc 3D ngoài trời thông qua hợp nhất thị giác sâu (Deep Depth Sensing) và công nghệ điều khiển bầy đàn đa tác tử tự hành (Multi-Agent Autonomous Swarm).

Kết luận

Luận án tiến sĩ của tác giả Đặng Khánh Hòa đã hoàn thành xuất sắc các mục tiêu đề ra với 5 đóng góp học thuật cốt lõi:

  1. Phát triển thành công kỹ thuật tính toán bản đồ chênh lệch SAD tối ưu hóa trên biên, giải quyết triệt để nút thắt cổ chai về thời gian xử lý ảnh nổi.
  2. Đề xuất thuật toán NGaF trích xuất đa mặt phẳng 3D với chi phí tính toán thấp và khả năng kháng nhiễu vượt trội.
  3. Sáng tạo thuật toán GDM nhận dạng chính xác ranh giới mặt đất/vật cản từ dữ liệu độ sâu thực tế với tỷ lệ chính xác đạt trên 95%.
  4. Xây dựng hoàn chỉnh chiến lược dẫn đường tự hành AMSD trên mô hình xe rô-bốt thực nghiệm, chứng minh tính khả thi của tiếp cận điều hướng không bản đồ (Mapless Reactive Navigation).
  5. Mở ra 3 hướng nghiên cứu mới về thị giác nhúng, thiết bị trợ thị thông minh và phương tiện cứu hộ tự hành, để lại dấu ấn khoa học và giá trị ứng dụng thực tiễn sâu sắc cho nền kỹ thuật điện tử - tự động hóa nước nhà.