Tìm hiểu và ứng dụng trí tuệ nhân tạo trong phát hiện và cảnh báo vật thể phía trước xe

Đồ án ứng dụng AI phát hiện và cảnh báo vật thể trước xe - ĐH Sư phạm Kỹ thuật TP.HCM 2025

• Tác giả: Phan Thành Đạt
• Người hướng dẫn: ThS. Nguyễn Quang Trãi
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật ô tô
• Đề tài: Tìm hiểu và ứng dụng trí tuệ nhân tạo trong phát hiện và cảnh báo vật thể phía trước xe
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về ứng dụng AI phát hiện vật thể trước xe

Ngành công nghiệp ô tô đang chuyển mình mạnh mẽ nhờ trí tuệ nhân tạo. Hệ thống phát hiện và cảnh báo vật thể phía trước xe là một trong những ứng dụng nổi bật nhất của xu hướng này. Tại Trường Đại học Sư phạm Kỹ thuật TP.HCM (HCMUTE), sinh viên Phan Thành Đạt và Nguyễn Thuận Phát thuộc Khoa Cơ khí Động lực đã thực hiện đồ án tốt nghiệp về chủ đề này dưới sự hướng dẫn của ThS. Nguyễn Quang Trãi vào tháng 01/2025. Đồ án hướng đến việc tích hợp các thuật toán học sâu vào hệ thống camera gắn trên xe, giúp nhận diện chướng ngại vật, người đi bộ, phương tiện khác và các vật thể nguy hiểm trong thời gian thực. Hệ thống hoạt động hiệu quả trong nhiều điều kiện ánh sáng khác nhau, bao gồm ban đêm và thời tiết xấu, nhờ kết hợp camera thông thường với cảm biến hồng ngoại và công nghệ ảnh nhiệt. Kết quả nghiên cứu có giá trị thực tiễn cao, đặt nền móng cho việc phát triển phương tiện tự lái thế hệ mới tại Việt Nam.

1.1. Bối cảnh nghiên cứu tại ĐH SPKT TP.HCM

Trường Đại học Sư phạm Kỹ thuật TP.HCM là một trong những cơ sở đào tạo kỹ thuật hàng đầu tại Việt Nam. Khoa Cơ khí Động lực đã xây dựng chương trình đào tạo kết hợp giữa lý thuyết và thực hành, đặc biệt chú trọng công nghệ ô tô hiện đại. Đồ án tốt nghiệp về AI phát hiện vật thể phía trước xe ra đời trong bối cảnh ngành ô tô trong nước đang chuyển đổi số mạnh mẽ. Đây là minh chứng rõ ràng cho việc nhà trường đã tạo điều kiện để sinh viên tiếp cận và nghiên cứu các công nghệ tiên tiến nhất, đóng góp thiết thực vào sự phát triển của ngành giao thông thông minh tại Việt Nam.

1.2. Tầm quan trọng của hệ thống cảnh báo an toàn xe

Tai nạn giao thông gây thiệt hại nghiêm trọng về người và tài sản mỗi năm tại Việt Nam. Phần lớn nguyên nhân xuất phát từ việc tài xế không phát hiện kịp thời vật thể trên đường. Hệ thống AI phát hiện và cảnh báo vật thể phía trước xe giải quyết trực tiếp vấn đề này. Hệ thống xử lý hình ảnh từ camera, phân tích dữ liệu trong mili-giây và phát tín hiệu cảnh báo trước khi nguy hiểm xảy ra. Việc nghiên cứu và ứng dụng công nghệ này không chỉ nâng cao an toàn giao thông mà còn mở ra hướng phát triển xe tự hành, xe thông minh phù hợp với nhu cầu tương lai của thị trường Việt Nam.

II. Phân tích thách thức khi phát hiện vật thể trước xe bằng AI

Phát hiện vật thể trong môi trường giao thông thực tế là bài toán phức tạp. Điều kiện ánh sáng thay đổi liên tục theo thời gian và thời tiết. Camera thông thường hoạt động kém hiệu quả vào ban đêm hoặc trong sương mù dày đặc. Khi tốc độ xe tăng cao, thời gian phản ứng của hệ thống phải rút ngắn xuống mức mili-giây. Đây là áp lực lớn về mặt tính toán và xử lý dữ liệu. Bên cạnh đó, các vật thể trên đường rất đa dạng: người đi bộ, xe máy, xe tải, vật cản tĩnh hoặc động. Mỗi loại có hình dạng, kích thước và hành vi khác nhau. Thuật toán AI phải nhận diện chính xác tất cả trong cùng một khung hình. Tại môi trường đô thị Việt Nam, mật độ giao thông cao và các phương tiện di chuyển không có quy luật rõ ràng làm tăng thêm độ khó. Giao thoa giữa các vật thể chồng lên nhau trong khung hình cũng gây nhầm lẫn cho mô hình học máy. Giải quyết những thách thức này đòi hỏi cách tiếp cận đa lớp, kết hợp nhiều cảm biến và thuật toán tiên tiến.

2.1. Hạn chế của camera trong điều kiện ánh sáng yếu

Camera truyền thống gặp khó khăn nghiêm trọng khi hoạt động trong điều kiện thiếu sáng. Ban đêm, hình ảnh thu được thường nhiễu, mất nét và thiếu chi tiết cần thiết để nhận diện vật thể. Công nghệ khuếch đại ánh sáng yếu analog giúp khắc phục một phần, cho phép quan sát bằng mắt thường ở khoảng cách xa. Tuy nhiên, công nghệ này chưa đáp ứng đủ yêu cầu độ chính xác cho hệ thống AI. Công nghệ ảnh nhiệt và cảm biến hồng ngoại là giải pháp bổ sung quan trọng, giúp phát hiện vật thể tỏa nhiệt ngay cả trong bóng tối hoàn toàn hoặc điều kiện sương mù dày đặc mà camera thông thường không thể xử lý được.

2.2. Yêu cầu xử lý thời gian thực và độ trễ hệ thống

Hệ thống cảnh báo vật thể trước xe phải hoạt động trong thời gian thực để có giá trị thực tiễn. Độ trễ xử lý dữ liệu lớn hơn 100 mili-giây có thể khiến cảnh báo đến quá muộn, không còn tác dụng phòng ngừa. Điều này đặt ra yêu cầu cao về phần cứng tính toán, đặc biệt là GPU hoặc các chip AI chuyên dụng. Thuật toán YOLO (You Only Look Once) được áp dụng trong nhiều hệ thống nhờ khả năng xử lý ảnh chỉ qua một lần duyệt mạng nơ-ron, giảm đáng kể thời gian suy luận. Việc cân bằng giữa độ chính xác và tốc độ xử lý là thách thức then chốt trong thiết kế hệ thống AI cho xe ô tô.

III. Giải pháp AI và phương pháp triển khai hệ thống cảnh báo

Giải pháp được triển khai trong đồ án tốt nghiệp tại HCMUTE kết hợp nhiều lớp công nghệ. Camera thông thường được sử dụng làm nguồn dữ liệu chính, bổ sung bởi cảm biến hồng ngoại và module ảnh nhiệt để đảm bảo hoạt động trong mọi điều kiện ánh sáng. Dữ liệu hình ảnh được đưa vào mô hình học sâu đã huấn luyện sẵn trên tập dữ liệu lớn về giao thông đô thị. Mô hình phân loại và xác định vị trí từng vật thể trong khung hình với độ chính xác cao. Khi phát hiện vật thể trong vùng nguy hiểm, hệ thống lập tức phát tín hiệu cảnh báo âm thanh và hình ảnh đến tài xế. Giao tiếp giữa các module xử lý được thực hiện qua giao thức CAN Bus, chuẩn giao tiếp phổ biến nhất trong ngành ô tô hiện đại. Kiến trúc này đảm bảo độ tin cậy và khả năng tích hợp với các hệ thống điện tử ô tô hiện có. Mô hình được tối ưu hóa để chạy trên phần cứng nhúng, phù hợp với không gian và nguồn điện hạn chế của phương tiện giao thông thực tế.

3.1. Ứng dụng mạng nơ ron sâu và thuật toán YOLO

Mạng nơ-ron tích chập (CNN) là nền tảng của hầu hết các hệ thống nhận diện hình ảnh hiện đại. Thuật toán YOLO nổi bật nhờ kiến trúc xử lý toàn bộ ảnh chỉ trong một lần suy luận duy nhất. Điều này giúp tốc độ phát hiện vật thể đạt từ 30 đến 60 khung hình mỗi giây trên phần cứng phù hợp. Mô hình được huấn luyện trên tập dữ liệu chứa hàng trăm nghìn ảnh giao thông thực tế, bao gồm cả điều kiện ngày, đêm và thời tiết xấu. Sau quá trình huấn luyện, mô hình nhận diện được nhiều loại vật thể như người đi bộ, xe máy, xe tải và vật cản cố định với độ chính xác đạt yêu cầu thực tiễn.

3.2. Giao thức CAN Bus trong tích hợp hệ thống ô tô

CAN Bus (Controller Area Network) là giao thức giao tiếp tiêu chuẩn trong ngành ô tô, cho phép các module điện tử trao đổi dữ liệu với nhau qua đường truyền chung. Hệ thống AI phát hiện vật thể được kết nối vào mạng CAN Bus của xe để truyền tín hiệu cảnh báo đến bộ điều khiển trung tâm và màn hình hiển thị cho tài xế. CAN Bus hỗ trợ hai định dạng khung dữ liệu: chuẩn 11-bit và mở rộng 29-bit, đảm bảo khả năng tương thích với nhiều thế hệ xe khác nhau. Việc sử dụng CAN Bus giúp hệ thống AI tích hợp liền mạch vào kiến trúc điện tử ô tô hiện đại mà không cần thay đổi cơ sở hạ tầng sẵn có.

IV. Kết quả ứng dụng thực tiễn và hướng phát triển tiếp theo

Đồ án tốt nghiệp của sinh viên HCMUTE đã cho thấy tính khả thi rõ ràng của việc tích hợp AI vào hệ thống cảnh báo an toàn xe. Hệ thống hoạt động ổn định trong điều kiện thực nghiệm, phát hiện được các vật thể phổ biến trên đường với tỷ lệ chính xác đáp ứng yêu cầu kỹ thuật. Kết quả này mở ra nhiều hướng ứng dụng thực tiễn. Trước mắt, công nghệ có thể tích hợp vào hệ thống hỗ trợ lái xe nâng cao (ADAS) trên các phương tiện thương mại và xe khách. Về lâu dài, đây là bước đệm quan trọng cho việc phát triển xe tự hành tại thị trường Việt Nam. Các hướng cải tiến tiếp theo bao gồm nâng cấp dữ liệu huấn luyện với nhiều tình huống giao thông đặc thù của Việt Nam hơn, tối ưu hóa thuật toán cho phần cứng nhúng chi phí thấp và mở rộng khả năng phát hiện vật thể ở khoảng cách xa hơn. Nghiên cứu này khẳng định vai trò của các trường đại học kỹ thuật trong việc thúc đẩy đổi mới sáng tạo công nghệ ô tô tại Việt Nam.

4.1. Ứng dụng trong hệ thống ADAS và xe thương mại

Hệ thống hỗ trợ lái xe nâng cao (ADAS) đang được trang bị ngày càng phổ biến trên các xe ô tô hiện đại. Công nghệ AI phát hiện vật thể là thành phần cốt lõi của ADAS, bao gồm các chức năng như cảnh báo va chạm phía trước, hỗ trợ phanh khẩn cấp và cảnh báo người đi bộ. Nghiên cứu tại HCMUTE cung cấp nền tảng kỹ thuật để ứng dụng các tính năng này vào xe thương mại, xe khách và xe tải hoạt động ở Việt Nam. Việc triển khai rộng rãi sẽ góp phần giảm đáng kể số vụ tai nạn giao thông nghiêm trọng, đặc biệt trên các tuyến quốc lộ và đường cao tốc có tốc độ lưu thông cao.

4.2. Định hướng phát triển xe tự lái tại Việt Nam

Xe tự lái đòi hỏi hệ thống nhận thức môi trường hoàn chỉnh và đáng tin cậy tuyệt đối. Đồ án tốt nghiệp về AI phát hiện vật thể tại HCMUTE là bước khởi đầu thiết thực trong hành trình nghiên cứu xe tự hành tại Việt Nam. Hướng phát triển tiếp theo cần mở rộng dữ liệu huấn luyện với các tình huống giao thông đặc thù như ngã tư đông đúc, xe máy chen lấn và người đi bộ băng đường không đúng nơi quy định. Đồng thời, việc kết hợp thêm cảm biến radar và LiDAR sẽ nâng cao đáng kể độ chính xác và phạm vi phát hiện, đưa hệ thống tiến gần hơn đến tiêu chuẩn xe tự lái cấp độ cao theo phân loại SAE International.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Ngành công nghiệp ô tô hiện đại đang chứng kiến sự kết hợp sâu rộng với trí tuệ nhân tạo nhằm nâng cao mức độ an toàn cho người lái thông qua các hệ thống hỗ trợ lái xe nâng cao (ADAS). Tại Việt Nam cũng như trên thế giới, điều kiện giao thông phức tạp đòi hỏi người điều khiển phương tiện phải liên tục quan sát, phán đoán và xử lý nhanh chóng các tình huống bất ngờ. Tuy nhiên, khi lưu thông vào ban đêm hoặc trong điều kiện thời tiết bất lợi (mưa lớn, sương mù), tầm nhìn của người lái bị suy giảm nghiêm trọng. Đèn pha truyền thống chỉ có cự ly chiếu sáng giới hạn khoảng 55 mét, trong khi nhiều tuyến đường nông thôn hoặc ngoại thành chưa được trang bị hệ thống chiếu sáng công cộng đồng bộ. Hiện tượng chói lóa từ đèn pha của các phương tiện chạy ngược chiều cùng với sự xuất hiện đột ngột của người đi bộ, động vật hoặc chướng ngại vật làm gia tăng đáng kể rủi ro va chạm.

Thống kê thực tế phản ánh rõ mức độ nghiêm trọng của vấn đề tai nạn giao thông vào ban đêm:

• Tại Mỹ: Theo đánh giá của Ủy ban An toàn giao thông quốc gia Mỹ (NHTSA), tỷ lệ tai nạn vào ban đêm cao gấp 3 lần ban ngày; vào năm 2018, trong tổng số 33.335 vụ tai nạn gây tử vong, có hơn 51% số vụ xảy ra vào ban đêm.
• Tại Việt Nam: Theo số liệu của Bộ Công an công bố ngày 31/12/2024, toàn quốc trong năm 2024 đã xảy ra 21.532 vụ tai nạn giao thông, làm 9.954 người tử vong và 16.000 người bị thương. Đáng chú ý, dù lưu lượng phương tiện tham gia giao thông vào ban đêm ít hơn khoảng 60% so với ban ngày, số lượng vụ va chạm nghiêm trọng vẫn chiếm tỷ trọng lớn do tầm nhìn bị che khuất.

Về tình hình nghiên cứu:

• Trong nước: Các nghiên cứu hỗ trợ tầm nhìn ban đêm chủ yếu tập trung vào các thiết bị camera hành trình thương mại sử dụng cảm biến ánh sáng yếu Starlight hoặc hồng ngoại (IR) do các đơn vị như Vietmap, Xiaomi, 70mai cung cấp. Ở cấp độ tích hợp sâu trên xe, các doanh nghiệp công nghệ lớn như VinAI và nhà sản xuất ô tô VinFast đã và đang nghiên cứu, thử nghiệm các tính năng an toàn hỗ trợ lái xe, song tính năng hỗ trợ tầm nhìn ban đêm chuyên biệt vẫn đang trong giai đoạn tiếp tục hoàn thiện.
• Ngoài nước: Các hãng xe phân khúc hạng sang đã trang bị hệ thống nhìn đêm thương mại từ sớm, tiêu biểu như Cadillac Deville (năm 2000 - sử dụng hệ thống do Raytheon phát triển), Honda Legend (năm 2004 - hệ thống Intelligent Night Vision nhận diện người đi bộ), BMW 7 Series (từ năm 2005 đến các bản nâng cấp 2008, 2013 với tính năng Dynamic Light Spot và nhận diện động vật), Audi A8 (năm 2010 - Night Vision Assistant) và Mercedes-Benz (Night View Assist).

Xuất phát từ yêu cầu thực tiễn đó, đề tài "Tìm hiểu và ứng dụng trí tuệ nhân tạo trong phát hiện và cảnh báo vật thể phía trước xe" được thực hiện tại Khoa Cơ khí Động lực, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh bởi hai sinh viên Phan Thành Đạt và Nguyễn Thuận Phát, dưới sự hướng dẫn của ThS. Nguyễn Quang Trãi.

Mục tiêu nghiên cứu của đề tài được xác định gồm 4 nhiệm vụ cụ thể:

1. Ứng dụng trí tuệ nhân tạo trong việc phát hiện vật thể.
2. Theo dõi đối tượng và cảnh báo trong trường hợp khoảng cách dưới mức an toàn cho phép.
3. Thiết kế giao diện hiển thị bằng thư viện Kivy.
4. Xây dựng hệ thống có khả năng vận hành thời gian thực.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Ngôn ngữ lập trình Python, mô hình nhận diện và phát hiện vật thể YOLO11, cùng kỹ thuật thiết kế giao diện hiển thị đồ họa.
• Phạm vi nghiên cứu: Tập trung vào kiến thức xử lý ảnh số và các công cụ bổ trợ trên hệ điều hành Ubuntu (OpenCV, NumPy, PyTorch); khảo sát nguyên lý các hệ thống nhìn đêm (Night Vision), chuẩn giao tiếp mạng nội bộ ô tô (CAN bus, chuẩn chẩn đoán OBD-II); thu nhận dữ liệu hình ảnh trực tiếp từ webcam gắn phía trước xe để xử lý, hiển thị và cảnh báo vật thể tức thời.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết liên ngành bao gồm ba nhóm kiến thức kỹ thuật:

1. Lý thuyết công nghệ hỗ trợ tầm nhìn ban đêm (Night Vision):

• Hệ thống thụ động (Passive Night Vision): Hoạt động dựa trên nguyên lý thu nhận bức xạ nhiệt tự nhiên phát ra từ vật thể bằng camera ảnh nhiệt ma trận cảm biến CMOS hồng ngoại nhiệt (dải phổ từ 0,5 đến 9 $\mu$m, kết hợp thấu kính Germanium). Hệ thống có cự ly quan sát lên tới 300 mét, nhận diện vượt trội đối với các vật thể sống (người, động vật) trong bóng tối hoặc xuyên qua sương mù, nhưng chất lượng hình ảnh là ảnh xám đảo ngược và kém hiệu quả khi phân biệt các vật vô tri có nhiệt độ xấp xỉ môi trường. Thiết bị sử dụng hai loại đầu dò: đầu dò photon (độ nhạy cao, cần làm lạnh bằng nitơ lỏng) và đầu dò nhiệt (phù hợp trang bị dân dụng).
• Hệ thống chủ động (Active Night Vision): Sử dụng nguồn chiếu sáng hồng ngoại gần (NIR, bước sóng 0,75 - 1,4 $\mu$m) kết hợp camera cảm biến để ghi nhận tia phản xạ từ bề mặt vật thể. Cự ly quan sát đạt từ 150 đến 250 mét, độ phân giải hình ảnh cao, thể hiện rõ các vật thể vô tri giác, nhưng hiệu quả suy giảm khi gặp mưa to hoặc sương mù dày hạt (do kích thước hạt sương mù từ 10 - 15 $\mu$m làm tán xạ chùm sáng).
• Công nghệ khuếch đại ánh sáng yếu analog: Sử dụng ống tăng cường hình ảnh; photon ánh sáng yếu đi vào tấm photocathode chuyển hóa thành electron, sau đó được nhân hàng nghìn lần qua tấm vi kênh (microchannel plate - MCP) dưới điện trường cao áp, trước khi đập vào màn huỳnh quang lân quang để tái tạo lại hình ảnh sắc nét màu xanh lục.

2. Lý thuyết mạng truyền thông trên ô tô và chuẩn chẩn đoán OBD-II:

• Mạng CAN (Controller Area Network): Được phát triển bởi Robert Bosch GmbH vào đầu thập niên 1980 và Intel chế tạo vi mạch đầu tiên năm 1987, chuẩn hóa quốc tế theo ISO 11898 và ISO 11519. CAN là bus nối tiếp đa chủ (multi-master), truyền tín hiệu vi sai qua cặp dây xoắn CAN_H và CAN_L nhằm triệt tiêu nhiễu điện từ, hai đầu bus gắn trở kháng kết thúc 120 $\Omega$. Bus hoạt động theo cơ chế phân xử bit AND-wire: mức trội (dominant, logic 0) chiếm ưu thế so với mức lặn (recessive, logic 1). Mức điện áp trên dây CAN_H ở trạng thái trội là +3,5V, CAN_L là +1,5V (độ lệch áp >0,9V); ở trạng thái lặn cả hai dây duy trì mức +2,5V (độ lệch áp <0,5V).
• Cấu trúc khung truyền: Khung dữ liệu tiêu chuẩn (CAN 2.0A) có trường định danh 11 bit (hỗ trợ 2.048 định danh thông điệp khác nhau, mã ID càng nhỏ quyền ưu tiên càng cao), trường điều khiển (gồm bit phân loại IDE=0, bit r0, trường độ dài DLC từ 0-8 byte), trường dữ liệu (0-64 bit), trường kiểm tra CRC (15 bit chuỗi CRC và 1 bit phân cách), trường ACK (2 bit gồm ACK slot và ACK delimiter), và trường kết thúc EOF (7 bit lặn). Khung dữ liệu mở rộng (CAN 2.0B) mở rộng trường định danh lên 29 bit. Khung yêu cầu (Remote Frame) dùng bit RTR ở mức lặn để yêu cầu truyền dữ liệu mà không mang theo trường Data.
• Chuẩn OBD-II: Hệ thống chẩn đoán trên xe, giao tiếp thông qua các mã định danh tham số (PID), sử dụng mã ID thông điệp yêu cầu 7DF và mã ID thông điệp phản hồi từ ECU là 7E8.

3. Lý thuyết học sâu và thị giác máy tính:

• Mạng nơ-ron tích chập (CNN): Bao gồm các tầng tích chập (Convolutional Layer) trích xuất đặc trưng không gian, các tầng gộp (Max Pooling, Average Pooling) giảm số chiều dữ liệu, và tầng liên kết đầy đủ (Fully Connected Layer) phân loại đặc trưng. Nghiên cứu cũng khảo sát các cấu trúc cải tiến như Grouped Convolution, Channel Shuffle và Depthwise Separable Convolution giúp giảm thiểu khối lượng tham số tính toán.
• Mô hình phát hiện vật thể (Object Detection): Phân tích sự tiến hóa từ các mô hình hai giai đoạn (two-stage: R-CNN, Fast R-CNN, Faster R-CNN) đến các mô hình một giai đoạn (one-stage: họ mô hình YOLO). Trọng tâm nghiên cứu là kiến trúc YOLO11 tối ưu hóa số lượng tham số, trích xuất đặc trưng đa quy mô cho phép nhận diện vật thể nhanh chóng.
• Công nghệ giao diện: Thư viện Kivy trên nền Python hỗ trợ phân tách logic và hiển thị thông qua ngôn ngữ định dạng KV, hỗ trợ tương tác trực quan thời gian thực.

Phương pháp nghiên cứu thực tế được triển khai đồng bộ qua ba phương pháp:

• Phương pháp phân tích và tổng hợp tài liệu: Thu thập, đối chiếu tài liệu kỹ thuật về các giao thức mạng ô tô (CAN, LIN, FlexRay, MOST), hệ thống Night Vision của các hãng xe, các kiến trúc mô hình học sâu từ bài báo trong và ngoài nước.
• Phương pháp thực nghiệm kết hợp thu thập số liệu: Xây dựng hệ thống phần cứng, nạp phần mềm lên máy tính nhúng, lắp đặt lên xe ô tô và tiến hành ghi hình thực tế để thu nhận dữ liệu độ trễ, khả năng xử lý khung hình.
• Phương pháp định lượng: Thống kê số liệu khung hình, phân tích ma trận nhầm lẫn (Confusion Matrix: TP, FP, TN, FN) phục vụ việc đánh giá độ chính xác của mô hình học sâu.

Nguồn dữ liệu: Dữ liệu hình ảnh luồng video trực tiếp thu nhận từ camera Logitech C270 đặt trong xe, kết hợp tập dữ liệu hình ảnh vật thể đường bộ dùng để đánh giá mô hình YOLO11.

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc phần cứng và phần mềm nhúng chuyên biệt, tích hợp trực tiếp lên xe ô tô:

Khối chức năng	Phần cứng / Linh kiện sử dụng	Công nghệ / Giao thức phần mềm	Nhiệm vụ kỹ thuật chính
Xử lý trung tâm & AI	Máy tính nhúng NVIDIA Jetson Nano	Ubuntu OS, Python, PyTorch, CUDA, cuDNN, YOLO11	Xử lý luồng hình ảnh, nhận diện và bám vết vật thể thời gian thực
Thu nhận hình ảnh	Webcam Logitech C270	Thư viện OpenCV (Video Capture API)	Thu nhận tín hiệu quang học phía trước kính lái xe
Giao tiếp & Ngoại vi	Vi điều khiển STM32	Trình biên dịch C/C++, Thư viện HAL, CAN Filters	Xử lý gói tin CAN/OBD-II, giao tiếp tín hiệu cảnh báo phần cứng
Giao diện hiển thị	Màn hình hiển thị trung tâm	Thư viện Kivy, ngôn ngữ KV	Trình chiếu video nhận diện, hiển thị khung bao và cảnh báo an toàn
Mạng truyền thông xe	Đường bus CAN (CAN_H, CAN_L), cổng OBD-II	Chuẩn CAN 2.0A/B, ISO 11898, PID OBD-II (ID 7DF, ID 7E8)	Đọc thông số vận hành của xe, phân tích khung dữ liệu
Mạch nguồn & Bảo vệ	Module giảm áp XL4015, MOSFET IRFZ44N, Opto PC814	Mạch in phần cứng chuyên dụng	Hạ áp từ 12V xuống 5V, đóng cắt dòng và cách ly xung điện áp

Thiết kế phần cứng:

• Mạch nguồn: Hệ thống điện trên ô tô (12V từ ắc-quy) được hạ áp và ổn định hóa thông qua module giảm áp xung XL4015 nhằm cung cấp nguồn 5V ổn định cho Jetson Nano và STM32. Mạch kết hợp tầng công tắc điện tử sử dụng MOSFET công suất kênh N IRFZ44N và mạch cách ly quang sử dụng IC PC814 nhằm ngăn chặn xung điện áp ngược, chống nhiễu từ hệ thống đánh lửa và máy phát của ô tô.
• Kết cấu cơ khí: Thiết kế và gia công hộp đựng chuyên dụng cùng nắp đậy bảo vệ toàn bộ các bo mạch điều khiển, giúp cố định thiết bị chắc chắn trên xe và giảm thiểu rung động khi xe di chuyển.

Thiết kế phần mềm:

• Trên máy tính nhúng Jetson Nano: Thiết lập môi trường Linux Ubuntu; cài đặt nền tảng tính toán song song NVIDIA CUDA và thư viện tăng tốc mạng nơ-ron sâu cuDNN để khai thác sức mạnh phần cứng GPU; cấu hình framework PyTorch và thư viện OpenCV; nạp mô hình nhận diện vật thể YOLO11; xây dựng giao diện hiển thị người dùng bằng thư viện Kivy.
• Trên vi điều khiển STM32: Cấu hình bộ thu phát CAN nội tại, thiết lập bộ lọc chấp nhận định dạng thông điệp CAN (lọc thông điệp yêu cầu chẩn đoán ID 7DF và thông điệp phản hồi ID 7E8), phân tích các byte dữ liệu để giải mã tốc độ xe và các tham số vận hành liên quan.

Nội dung chính theo từng chương

Chương 1. TỔNG QUAN ĐỀ TÀI

Chương 1 phân tích tính cấp thiết của an toàn giao thông đường bộ, chỉ rõ nguyên nhân chính dẫn đến các vụ tai nạn ban đêm là do hạn chế tầm nhìn của người lái. Tác giả đối chiếu thực trạng nghiên cứu trong nước (chủ yếu là camera hành trình Vietmap, Xiaomi; các nghiên cứu tích hợp của VinFast, VinAI) với các công nghệ Night Vision đã thương mại hóa trên thế giới (Cadillac Deville 2000, Honda Legend 2004, BMW 7 Series 2005-2013, Audi A8 2010). Chương này xác lập 4 mục tiêu nghiên cứu cụ thể, phạm vi nghiên cứu xoay quanh hệ điều hành Ubuntu, ngôn ngữ Python, các thư viện OpenCV, Kivy và mô hình YOLO11, đồng thời xác định phương pháp phân tích tài liệu kết hợp thực nghiệm định lượng.

Chương 2. CƠ SỞ LÝ THUYẾT

Chương 2 trình bày toàn diện 4 trụ cột lý thuyết của hệ thống:

1. Hệ thống hỗ trợ tầm nhìn ban đêm: Khảo sát nguyên lý hoạt động, ưu nhược điểm của công nghệ nhìn đêm chủ động (NIR 0,75 - 1,4 $\mu$m, cự ly 150-250m) và thụ động (FIR 0,5 - 9 $\mu$m, cự ly 300m); cơ chế khuếch đại ánh sáng yếu analog qua ống photocathode và tấm vi kênh MCP; nguyên lý cảm biến ảnh nhiệt; phân tích cấu hình hệ thống trên các dòng xe BMW, Mercedes-Benz, Audi, Cadillac và Honda.
2. Hệ thống mạng truyền thông trên ô tô: Giới thiệu các chuẩn CAN, LIN, MOST, FlexRay; phân tích chuyên sâu mạng CAN (lịch sử Bosch/Intel, tiêu chuẩn ISO 11898/11519, trở kháng đường truyền 120 $\Omega$); cơ chế điện áp vi sai CAN_H (+3,5V dominant) và CAN_L (+1,5V dominant); chi tiết cấu trúc khung dữ liệu CAN tiêu chuẩn 2.0A (11 bit ID), khung dữ liệu mở rộng 2.0B (29 bit ID), khung yêu cầu (Remote frame); tổng quan cổng kết nối và các chế độ chẩn đoán của giao thức OBD-II.
3. Trí tuệ nhân tạo và bài toán thị giác máy tính: Cấu trúc cơ bản của mạng CNN (Convolution, Max/Average Pooling, Fully Connected Layer, Grouped Convolution, Channel Shuffle, Depthwise Separable Convolution); quá trình phát triển của các mô hình phát hiện đối tượng (R-CNN, Fast R-CNN, Faster R-CNN, YOLO); phân tích kiến trúc và ưu thế của mô hình YOLO11; quy trình làm việc với PyTorch.
4. Giao diện hiển thị: Giới thiệu thư viện Kivy, ngôn ngữ KV và các đặc tính xây dựng giao diện đa nền tảng.

Chương 3. THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG

Chương 3 chi tiết hóa quá trình chế tạo hệ thống gồm hai mảng phần cứng và phần mềm:

• Thiết kế phần cứng: Lựa chọn vi điều khiển STM32, máy tính nhúng NVIDIA Jetson Nano, webcam Logitech C270; thiết kế mạch nguồn sử dụng IC giảm áp XL4015, tầng đệm công suất dùng MOSFET IRFZ44N và cách ly tín hiệu qua opto PC814; thiết kế mô hình hộp đựng và nắp đậy bảo vệ thiết bị.
• Thiết kế phần mềm: Cài đặt hệ điều hành, cấu hình CUDA, cuDNN trên Jetson Nano; lập trình chương trình nhận diện vật thể bằng Python/OpenCV kết hợp mô hình YOLO11; xây dựng giao diện tương tác người dùng bằng Kivy; lập trình thuật toán điều khiển trên STM32 để cấu hình bộ lọc ID mạng CAN (lọc thông điệp ID 7DF và ID 7E8), thiết lập các mảng dữ liệu gửi/nhận và tính toán tham số theo PID của chuẩn OBD-II.

Chương 4. KẾT QUẢ THỰC NGHIỆM

Chương 4 ghi nhận kết quả triển khai hệ thống trong môi trường vận hành thực tế:

• Bố trí thiết lập hệ thống trên xe ô tô: Gắn camera Logitech C270 phía trước kính lái, kết nối cụm xử lý Jetson Nano và màn hình giao diện trong khoang lái.
• Kiểm thử mô hình YOLO11: Đánh giá khả năng phát hiện vật thể (phương tiện, người đi bộ) từ luồng hình ảnh thời gian thực; kiểm tra tính ổn định của giao diện Kivy khi hiển thị khung nhận diện; kiểm tra khả năng bắt gói tin OBD-II/CAN và phản hồi tín hiệu cảnh báo khoảng cách an toàn cho người lái.

Chương 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 5 đúc kết toàn bộ quá trình thực hiện đồ án, khẳng định hệ thống đã hoàn thành các mục tiêu ban đầu về phát hiện vật thể và hiển thị cảnh báo thời gian thực; đồng thời thẳng thắn chỉ ra các giới hạn kỹ thuật còn tồn tại và đề xuất các giải pháp nâng cấp trong tương lai.

Kết quả và đóng góp

Kết quả đạt được:

• Chế tạo thành công thiết bị phần cứng tích hợp hoàn chỉnh gồm máy tính nhúng Jetson Nano, vi điều khiển STM32, webcam Logitech C270, mạch hạ áp XL4015 và mạch bảo vệ cách ly PC814, được bố trí gọn gàng trong hộp bảo vệ trên xe.
• Triển khai thành công mô hình học sâu YOLO11 trên máy tính nhúng Jetson Nano có hỗ trợ tăng tốc phần cứng bằng CUDA và cuDNN, thực hiện nhận diện vật thể phía trước xe trên luồng video thời gian thực.
• Thiết kế giao diện đồ họa trực quan bằng thư viện Kivy, hiển thị hình ảnh từ camera kèm khung nhận diện và phát tín hiệu cảnh báo khi phát hiện vật thể vi phạm ngưỡng an toàn.
• Lập trình cấu hình thành công vi điều khiển STM32 để giao tiếp, bắt và xử lý các thông điệp mạng CAN chuẩn 2.0A/B, thiết lập bộ lọc ID chẩn đoán OBD-II (ID 7DF, ID 7E8) để phục vụ thu thập dữ liệu vận hành.

Giải pháp và đề xuất của tác giả:

• Đề xuất giải pháp kết hợp giữa máy tính nhúng hiệu năng cao (xử lý thị giác AI) và vi điều khiển chuyên dụng (xử lý mạng giao tiếp CAN) nhằm phân tách tải tính toán, đảm bảo tính thời gian thực cho hệ thống cảnh báo trên xe.
• Tận dụng chuẩn truyền thông OBD-II có sẵn trên ô tô để đồng bộ thông tin vận hành mà không cần can thiệp sâu làm thay đổi cấu trúc cơ khí hoặc hệ thống dây điện nguyên bản của xe.

Đóng góp của đồ án:

• Ứng dụng thành công phiên bản mô hình thị giác máy tính YOLO11 vào bài toán nhận diện vật thể giao thông trên phần cứng nhúng di động.
• Cung cấp tài liệu thiết kế chi tiết từ sơ đồ nguyên lý mạch nguồn bảo vệ trên ô tô, quy trình thiết lập môi trường tăng tốc đồ họa (CUDA/cuDNN), đến phương pháp cấu hình bộ lọc khung truyền CAN trên vi điều khiển STM32.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài:

• Thiết bị thu hình chỉ sử dụng webcam phổ thông (Logitech C270), chưa tích hợp camera hồng ngoại hoặc camera ảnh nhiệt chuyên dụng, do đó khả năng nhận diện ban đêm phụ thuộc nhiều vào vùng chiếu sáng của đèn đầu xe.
• Khả năng nhận diện trong điều kiện thời tiết khắc nghiệt (mưa to, sương mù dày đặc) chưa được kiểm thử toàn diện do giới hạn về địa điểm và thời gian thực nghiệm.
• Phần cứng Jetson Nano bị giới hạn về bộ nhớ và công suất tính toán khi phải đồng thời xử lý mô hình AI nặng cùng với giao diện đồ họa Kivy ở độ phân giải cao.

Hướng phát triển:

• Nâng cấp cảm biến thu nhận hình ảnh sang camera hồng ngoại hoặc camera cảm biến nhiệt chuyên dụng nhằm mở rộng tầm nhìn đêm lên 150 - 300 mét độc lập với nguồn sáng đèn pha.
• Tối ưu hóa mô hình học sâu YOLO11 thông qua các kỹ thuật nén mô hình, lượng tử hóa (Quantization) hoặc chuyển đổi sang định dạng TensorRT để nâng cao tốc độ xử lý khung hình (FPS) trên phần cứng nhúng.
• Tích hợp sâu hơn vào hệ thống điều khiển trung tâm (ECU) của xe qua mạng CAN để phát lệnh can thiệp chủ động vào hệ thống phanh hoặc hệ thống đèn chiếu sáng thông minh khi phát hiện nguy cơ va chạm khẩn cấp.

Giá trị tham khảo

Tài liệu đồ án là nguồn tư liệu học thuật và kỹ thuật thực hành phù hợp cho:

• Sinh viên và học viên chuyên ngành Công nghệ Kỹ thuật Ô tô, Kỹ thuật Cơ điện tử, Kỹ thuật Điều khiển và Tự động hóa: Tham khảo cách thức xây dựng hệ thống ADAS thu nhỏ, phương pháp tích hợp máy tính nhúng trên ô tô.
• Sinh viên ngành Công nghệ Thông tin và Kỹ thuật Máy tính: Tham khảo quy trình triển khai mô hình học sâu (YOLO11) trên thiết bị nhúng Jetson Nano kết hợp CUDA/cuDNN và xây dựng giao diện Kivy.
• Các phần nội dung có giá trị tham khảo chuyên môn cao:
  • Mục 2.2 và 2.3 của Chương 2: Cung cấp tổng quan hệ thống hóa rất chuẩn xác về chuẩn mạng CAN (cơ chế phân xử bit, cách tính mức điện áp vi sai trên CAN_H và CAN_L, cấu trúc chi tiết từng trường của khung CAN 2.0A, 2.0B) và giao thức chẩn đoán OBD-II.
  • Chương 3: Cung cấp sơ đồ thiết kế mạch nguồn hạ áp XL4015 kết hợp tầng cách ly quang PC814 và đóng cắt MOSFET IRFZ44N – giải pháp thiết thực cho các dự án chế tạo thiết bị điện tử gắn ngoài trên ô tô.

Câu hỏi thường gặp

1. Đồ án sử dụng mô hình học sâu nào để nhận diện vật thể và được triển khai trên nền tảng phần cứng nào?
Tác giả sử dụng mô hình YOLO11 được tối ưu hóa trên nền tảng máy tính nhúng NVIDIA Jetson Nano, kết hợp cùng hệ điều hành Ubuntu, framework PyTorch và các thư viện hỗ trợ tăng tốc phần cứng GPU gồm NVIDIA CUDA và cuDNN.

2. Điểm khác biệt cốt lõi giữa hệ thống nhìn đêm chủ động và thụ động trên ô tô theo phân tích của tác giả là gì?
Hệ thống chủ động sử dụng đèn phát tia hồng ngoại gần (bước sóng 0,75 - 1,4 $\mu$m) chiếu sáng con đường và thu nhận ánh sáng phản xạ bằng camera cảm biến, cự ly đạt 150 - 250m, hình ảnh rõ nét nhưng dễ bị tán xạ bởi mưa tuyết. Hệ thống thụ động không phát tia sáng mà sử dụng camera nhiệt thu nhận bức xạ nhiệt tự nhiên của vật thể (dải phổ 0,5 - 9 $\mu$m), cự ly quan sát xa hơn (lên đến 300m), phát hiện người và động vật rất hiệu quả nhưng hình ảnh hiển thị dạng xám nhiệt và khó phát hiện vật vô tri có nhiệt độ bằng môi trường.

3. Mức logic trên đường truyền bus CAN được xác định như thế nào qua điện áp vi sai giữa CAN_H và CAN_L?
Trạng thái bus CAN được xác định qua hiệu điện thế $V_{diff} = V_{CAN_H} - V_{CAN_L}$. Trạng thái trội (dominant - logic 0) xuất hiện khi $V_{CAN_H}$ đạt khoảng +3,5V và $V_{CAN_L}$ giảm xuống khoảng +1,5V (độ chênh lệch lớn hơn 0,9V). Trạng thái lặn (recessive - logic 1) xuất hiện khi cả hai dây cùng duy trì điện áp khoảng +2,5V (độ chênh lệch nhỏ hơn 0,5V). Vùng chênh lệch từ 0,5V đến 0,9V là vùng không xác định mức logic.

4. Khung truyền dữ liệu CAN 2.0A tiêu chuẩn bao gồm những trường dữ liệu nào và trường định danh có bao nhiêu bit?
Khung dữ liệu CAN 2.0A tiêu chuẩn bao gồm 7 trường: Bắt đầu khung (SOF - 1 bit logic 0), Trường định danh (Arbitration Field - 11 bit ID kèm bit RTR), Trường điều khiển (Control Field - 6 bit gồm IDE, r0, DLC), Trường dữ liệu (Data Field - từ 0 đến 8 byte), Trường kiểm tra (CRC Field - 15 bit mã CRC và 1 bit phân cách), Trường báo nhận (ACK Field - 1 bit ACK slot và 1 bit phân cách), và Trường kết thúc khung (EOF - 7 bit lặn).

5. Mạch cấp nguồn của hệ thống được thiết kế bằng các linh kiện nào để chống nhiễu và bảo vệ mạch điều khiển trên ô tô?
Mạch cấp nguồn sử dụng module xung hạ áp XL4015 để chuyển đổi điện áp 12V từ ắc-quy xuống 5V ổn định cho Jetson Nano và STM32, kết hợp transistor công suất MOSFET IRFZ44N để điều khiển đóng ngắt dòng điện và optocoupler PC814 để thực hiện cách ly quang, ngăn chặn các xung điện áp cao và nhiễu từ hệ thống điện động lực của ô tô truyền vào bo mạch điều khiển.

Kết luận

Đồ án tốt nghiệp "Tìm hiểu và ứng dụng trí tuệ nhân tạo trong phát hiện và cảnh báo vật thể phía trước xe" của sinh viên Phan Thành Đạt và Nguyễn Thuận Phát đã xây dựng thành công một giải pháp kỹ thuật tích hợp hoàn chỉnh giữa phần cứng nhúng và phần mềm thị giác máy tính. Nghiên cứu kết hợp máy tính nhúng NVIDIA Jetson Nano vận hành mô hình nhận diện tiên tiến YOLO11, thư viện giao diện Kivy và vi điều khiển STM32 xử lý mạng truyền thông CAN/OBD-II trên xe. Kết quả thực nghiệm khẳng định tính khả thi của hệ thống trong việc nhận diện và cảnh báo an toàn thời gian thực, đồng thời cung cấp tài liệu kỹ thuật có giá trị thực tiễn cao cho việc nghiên cứu và phát triển các hệ thống hỗ trợ lái xe trong ngành công nghệ kỹ thuật ô tô.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN ĐỀ TÀI Chương 2: CƠ SỞ LÝ THUYẾT Chương 3: THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG 4 Chương 4: KẾT QUẢ THỰC NGHIỆM Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5 CHƯƠNG 2. Hệ thống hỗ trợ tầm nhìn ban đêm 2.1 Tổng quan về hệ thống Việc lái xe vào ban đêm luôn có nguy cơ gây ra những vụ tại nạn tiềm ẩn như các phương tiện khác, động vật đi lạc, người đi bộ,. mặc dù đèn đường, đèn pha và các nguồn sáng khác giúp chiếu sáng đường tuy nhiên người lái chỉ có thể quan sát ở một số vị trí nhất định mà không có cái nhìn toàn diện như ban ngày. Các khu vực xung quanh bị hạn chế tầm nhìn và chỉ nhìn thấy rõ phía trước nhờ đèn đầu, khi đi vào những tuyến đường không có đèn đường thì nguy hiểm càng lớn, đặc biệt hơn đối với điều kiện thời tiết khắc nghiệt như mưa to, sương mù, bão tuyết thì tầm nhìn và khả năng phán đoán của người lái càng hạn chế hơn.

Nhằm đảm bảo khả năng vận hành tốt của người lái trong các điều kiện ban đêm hoặc thời tiết xấu thì các hãng đã nghiên cứu và phát triển hệ thống quan sát ban đêm nhằm giúp người lái tăng tầm nhìn trong các điều kiện thiếu sáng, tăng cường nhận thức tình huống để họ có thể nhìn thấy các vật thể, động vật và người từ đó tăng khả năng phán đoán và xử lý tình huống để tránh tai nạn. Hệ thống hỗ trợ tầm nhìn ban đêm trên ô tô sử dụng đèn hồng ngoại, camera nhiệt và màn hình hiển thị thông tin để giúp người lái xe biết được những gì nằm ngoài đèn pha của xe. Hệ thống được chia làm hai loại là chủ động và bị động. Nhìn ban đêm thụ động sử dụng camera nhiệt để phát hiện năng lượng nhiệt từ động vật, người và vật thể trên đường.

Trong khi đó, nhìn ban đêm chủ động sử dụng ánh sáng hồng ngoại và công nghệ tăng cường hình ảnh để chiếu cảnh sáng hơn. Cả hai loại đều có ưu và nhược điểm riêng. Hệ thống nhìn đêm thụ động có phạm vi quan sát xa hơn là 300 mét nhưng hiển thị hình ảnh đơn giản hơn so với hệ thống nhìn đêm chủ động. Vì hệ thống nhìn đêm thụ động “nhìn thấy” nhiệt, nên hệ thống thụ động khó phát hiện các vật thể vô tri vô giác, chẳng hạn như đá hoặc rào chắn, có thể có cùng nhiệt độ với đường và môi trường xung quanh.

Ngoài ra, hệ thống thụ động trở nên kém tin cậy hơn ở những vùng có khí hậu ấm hơn. Hệ thống nhìn ban đêm chủ động tạo ra hình ảnh có độ phân giải cao nhưng có phạm vi quan sát ngắn hơn là 250 mét. Trong điều kiện thời tiết khắc nghiệt như tuyết, mưa hoặc sương mù, các hệ thống này khó phân biệt mưa hoặc tuyết với môi trường xung quanh hơn. Hầu hết đèn pha truyền thống chỉ có thể chiếu sáng các 6 vật thể cách xe khoảng 55 mét.

Với phạm vi quan sát từ 250 đến 300 mét, hệ thống nhìn ban đêm trên ô tô giúp bạn có nhiều thời gian hơn để quan sát và phản ứng với những gì phía trước để bạn có thể tránh va chạm và tử vong. Hệ thống quan sát ban đêm (Night Vision) hay còn gọi là hệ thống hỗ trợ tầm nhìn ban đêm được ra mắt dầu tiên trên thế giới vào năm 2000 trên chiếc Cadillac Deville. Công nghệ này được phát triển dựa trên sự kết hợp các thiết bị quan sát ban đêm như camera hồng ngoại, camera nhiệt, LIDAR, RADAR và một số thiết bị khác để nhận diện và làm nổi bật vật thể [5]. Bộ vi xử lý dựa trên dữ liệu được gửi từ các tín hiệu đầu vào và hiển thị hình ảnh trên màn hình điện tử đồng thời đưa ra những cảnh báo hỗ trợ người lái trong những tình huống nguy hiểm, hạn chế va chạm.

Hệ thống này là một trong những công nghệ hiện đại được trang bị giúp người lái mở rộng phạm vi quan sát trong điều kiện thiếu sáng. Hơn hai thập kỷ sau, nhà sản xuất thiết bị điện tử Nhật Bản Kyocera tuyên bố công nghệ nhìn ban đêm đầu tiên trên thế giới dành cho ô tô: đèn pha laser có thể phát ra cả ánh sáng trắng (RGB) và ánh sáng gần hồng ngoại (NIR) trên cùng một trục quang học. Phân loại Hệ thống hỗ trợ tầm nhìn ban đêm bao gồm 2 loại là hệ thống chủ động hỗ trợ tầm nhìn ban đêm và hệ thống thụ động hỗ trợ tầm nhìn ban đêm được phân biệt dựa theo công nghệ camera mà hệ thống sử dụng, đều có chức năng phát hiện vật thể và cảnh báo cho người lái xử lý tình huống. Hệ thống chủ động hỗ trợ tầm nhìn ban đêm Hệ thống chủ động hổ trợ tầm nhìn ban đêm sử dụng công nghệ camera hồng ngoại, hệ thống phát hiện vật thể thông qua việc chiếu sáng vật thể bằng camera hồng ngoại.Hệ thống chủ động sử dụng nguồn sáng hồng ngoại tích hợp trong xe để chiếu sáng con đường phía trước bằng ánh sáng mà con người không nhìn thấy được.

Có hai loại hệ thống chủ động: có cổng (gated) và không có cổng. Hệ thống có cổng sử dụng nguồn sáng xung và camera đồng bộ cho phép phạm vi xa (250m) và hiệu suất cao trong mưa và tuyết. [5] Ngoài ra, hệ thống này còn được tích hợp đèn hồng ngoại cho phép chiếu sáng với khoảng cách xa. Hồng ngoại gần (với ánh sáng mà mắt thường có thể thấy được) có bước sóng là 0,75–1,4 micromet (µm).

Bước sóng hồng ngoại xa từ 15 µm đến 1 mm. Trong khi kích 7 thước hạt sương mù thường từ 10 đến 15 micron và phạm vi có kích thước từ 1 đến 100 micron, lớn hơn nhiều so với bước sóng. Do vậy, chúng có khả năng đi xuyên qua các hạt sương mù và mang đến tầm nhìn tốt hơn cho người lái. Bên cạnh đó, chính các tia phản xạ từ bề mặt của vật thể kết hợp với camera cảm biến sẽ xác định vật cản.

Sau đó hệ thống truyền đến bộ phận điều khiển và phát tín hiệu cảnh báo người lái. Khi di chuyển ban đêm, hệ thống đèn trên xe kết hợp với camera hồng ngoại gần có khả năng đọc biển số xe ở khoảng cách xa đến 1,2 km. Ưu điểm: hình ảnh có độ phân giải cao hơn, hình ảnh vật thể vô tri vô giác sắc nét hơn, hoạt động tốt hơn trong điều kiện ấm hơn, cảm biến nhỏ hơn có thể gắn vào gương chiếu hậu. Nhược điểm: không hoạt động tốt trong sương mù hoặc mưa, độ tương phản thấp hơn đối với động vật, phạm vi ngắn hơn 150–200 mét hoặc 500–650 feet.

Hệ thống thụ động hỗ trợ tầm nhìn ban đêm Hệ thống nhìn đêm thụ động không sử dụng nguồn sáng hồng ngoại, thay vào đó, chúng thu bức xạ nhiệt do vật thể phát ra bằng camera nhiệt. Vì camera nhiệt có thể "nhìn thấy" nhiệt nên chúng dễ dàng phân biệt được sự khác nhau giữa vật ấm, như người, và một số vật thể khác.Hệ thống hỗ trợ tầm nhìn ban đêm thụ động thu bức xạ nhiệt phát ra từ nhiều đối tượng bằng camera nhiệt độ thay vì sử dụng nguồn sáng hồng ngoại như hệ thống chủ động. Dữ liệu từ camera nhiệt được sử dụng trong các hệ thống thụ động được xử lý và hiển thị trên màn hình với dạng hình ảnh đen trắng đảo ngược cung cấp cho người lái xe góc nhìn nâng cao về đường. Do phụ thuộc vào phát xạ nhiệt, các hệ thống thụ động có xu hướng hoạt động rất tốt với con người, động vật và các phương tiện khác, vì tất cả chúng đều phát ra rất nhiều bức xạ nhiệt.

Nhược điểm của các hệ thống thụ động là chúng gặp khó khăn trong việc phát hiện các vật thể vô tri có nhiệt độ gần bằng nhiệt độ môi trường xung quanh. Bên cạnh đó, camera nhiệt thụ động dùng ma trận cảm biến CMOS hồng ngoại nhiệt. Đây là cảm biến trong dải phổ 0,5 - 9 μm (micromet) có khả năng xuyên qua các hạt sương mù và sử dụng thấu kính germanium được làm lạnh bằng nitơ lỏng hoặc trong chân không. Do đó, hệ thống thụ động cho phép hỗ trợ tầm nhìn với khoảng cách xa hơn lên tới 300m.

Phạm vi nhìn ban đêm thụ động có xu hướng cao hơn phạm vi nhìn ban đêm chủ động. Điều này là do công suất hạn chế của các nguồn sáng được sử dụng bởi các hệ thống chủ động. Tuy nhiên, chất lượng hình ảnh do 8 camera nhiệt tạo ra có xu hướng kém hơn khi so sánh với các hệ thống chủ động. Chúng cũng không hoạt động tốt trong thời tiết ấm áp vì nhiệt độ môi trường tăng sẽ tự nhiên khiến các vật thể mát mẻ thông thường, như mặt đường, nóng lên vào ban ngày và sau đó tỏa nhiệt sau khi mặt trời lặn.

Các công nghệ nhìn đêm Night Vision [6] 2. Công nghệ khuếch đại ánh sáng yếu analog Đây cũng là loại công nghệ được sử dụng phổ biến nhất trong phim ảnh. Khi binh lính đeo kính sử dụng công nghệ nhìn đêm, họ nhìn thấy hình ảnh trước mắt chuyển sang màu xanh lục. Nguyên lý hoạt động của công nghệ khuếch đại ánh sáng chủ yếu là thu thập và khuếch đại các tia hồng ngoại và ánh sáng (đỏ, cam, vàng, xanh, trắng) trong phạm vi nhìn thấy được của mắt thường.

Đầu tiên, ống nhòm chuyên dụng sẽ được sử dụng để thu ánh sáng hồng ngoại và cận hồng ngoại. Sau đó, chúng sẽ chạm vào ống tăng cường hình ảnh có chứa tế bào quang điện (PC). PC là một tấm kính được phủ một lớp cảm quang có tác dụng chuyển đổi photon thành electron. Các electron tiếp tục đi qua lớp vi kênh với sự hỗ trợ của điện trường cao áp, va chạm và tạo ra hàng nghìn electron thứ cấp.

Quá trình này lặp lại cho đến khi, sau khi rời khỏi tấm vi kênh, các electron mặt đối mặt với màn hình huỳnh quang. Lúc này, các electron sẽ được chuyển đổi trở lại thành photon dưới tác động của lớp lân quang. Mỗi photon chạm vào màn hình cực âm, một quá trình được nhân lên nhiều lần, tạo ra "sự nâng cao độ sáng". Vì có nhiều photon phát ra hơn là photon đi vào nên hình ảnh thu được sẽ rõ hơn.

Người sử dụng các thiết bị có công nghệ nhìn đêm phóng đại sẽ có thể quan sát hình ảnh thông qua một thị kính đưa hình ảnh của các mục tiêu cực xa đến trước mắt, cho phép quan sát bằng mắt thường. Sơ đồ nguyên lý khuếch đại ánh sáng yếu analog 2. Công nghệ ảnh nhiệt Một bước phát triển khác trong công nghệ nhìn đêm là chụp ảnh nhiệt.