Tên đề tài: Nghiên cứu và phát triển hệ thống điều khiển giao thông thích nghi dựa trên trí tuệ nhân tạo và tính toán biên (Edge Computing).

I. MỞ ĐẦU

1.1. Lý do chọn đề tài

• Tình trạng ùn tắc giao thông tại các đô thị lớn đang gây thiệt hại kinh tế và ô nhiễm môi trường.

• Các hệ thống đèn tín hiệu truyền thống (chu kỳ cố định) không còn đáp ứng được sự biến động thực tế của lưu lượng xe.

• Hệ thống tập trung (Cloud-based) thường gặp vấn đề về độ trễ truyền tải và băng thông khi xử lý hàng nghìn camera cùng lúc.

• Edge Computing nổi lên như một giải pháp tối ưu để xử lý dữ liệu ngay tại nút giao, đảm bảo tính thời gian thực.

1.2. Mục tiêu nghiên cứu

• Xây dựng mô hình AI nhận diện và đo lường mật độ giao thông theo thời gian thực với độ chính xác cao.

• Thiết kế thuật toán điều khiển đèn tín hiệu thích nghi (Adaptive Control) dựa trên dữ liệu thu thập được.

• Triển khai thực nghiệm mô hình trên các thiết bị nhúng hiệu năng cao (Edge devices).

1.3. Đối tượng và phạm vi nghiên cứu

• Đối tượng: Các thuật toán Computer Vision (YOLO, MobileNet), thuật toán tối ưu hóa thời gian đèn, thiết bị xử lý biên (Nvidia Jetson, Raspberry Pi).

• Phạm vi: Tập trung vào các nút giao thông trọng điểm hoặc mô hình giả lập thực tế tại đô thị.

II. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU

• Trong nước: Các hệ thống hiện nay chủ yếu dùng cảm biến vòng từ hoặc camera quan sát thủ công; một số đô thị thông minh bắt đầu áp dụng AI nhưng vẫn phụ thuộc vào server trung tâm.

• Quốc tế: Xu hướng chuyển dịch từ xử lý tập trung sang xử lý phân tán tại biên; ứng dụng học tăng cường (Reinforcement Learning) để tối ưu luồng xe.

III. NỘI DUNG VÀ PHƯƠNG PHÁP NGHIÊN CỨU

3.1. Thiết kế kiến trúc hệ thống

Hệ thống gồm 3 lớp chính:

1. Lớp cảm biến (Perception Layer): Camera độ phân giải cao thu thập luồng video từ các hướng của nút giao.

2. Lớp tính toán biên (Edge Layer): Sử dụng các module AI để phân tích số lượng phương tiện, loại phương tiện (xe máy, ô tô, xe buýt) và tốc độ trung bình.

3. Lớp điều khiển (Control Layer): Bộ điều khiển đèn giao thông nhận lệnh từ lớp biên để thay đổi thời gian đèn xanh/đỏ.

3.2. Phát triển mô hình AI nhận diện phương tiện

• Lựa chọn kiến trúc mạng nơ-ron phù hợp (ví dụ: YOLOv8-tiny hoặc YOLOv10-n) để đảm bảo tốc độ FPS cao trên thiết bị nhúng.

• Dataset: Sử dụng tập dữ liệu giao thông thực tế tại Việt Nam (đặc thù nhiều xe máy) để huấn luyện lại (Fine-tuning) mô hình.

3.3. Xây dựng thuật toán điều khiển thích nghi

• Thuật toán đề xuất: Học tăng cường (Deep Q-Learning) hoặc Logic mờ (Fuzzy Logic).

• Cơ chế: Dựa trên "chiều dài hàng đợi" (queue length) và "thời gian chờ" để ra quyết định kéo dài hoặc rút ngắn pha đèn xanh cho từng làn đường.

3.4. Phương pháp nghiên cứu

• Mô phỏng: Sử dụng phần mềm mô phỏng giao thông (SUMO hoặc PTV Vissim) để kiểm chứng thuật toán trước khi triển khai phần cứng.

• Thực nghiệm: Lắp đặt mô hình thực tế tại một giao lộ giả lập hoặc khu vực nội bộ để đánh giá sai số giữa mô hình và thực tế.

IV. KẾ HOẠCH TRIỂN KHAI (DỰ KIẾN 12 THÁNG)

1. Tháng 1-2: Thu thập dữ liệu, khảo sát hiện trạng và lựa chọn linh kiện phần cứng.

2. Tháng 3-5: Huấn luyện mô hình AI và tối ưu hóa để chạy trên thiết bị biên.

3. Tháng 6-8: Phát triển thuật toán điều khiển và tích hợp hệ thống.

4. Tháng 9-10: Chạy mô phỏng, tinh chỉnh thông số và thử nghiệm thực tế.

5. Tháng 11-12: Phân tích dữ liệu, viết báo cáo tổng kết và công bố kết quả.

V. SẢN PHẨM DỰ KIẾN

• Sản phẩm cứng: 01 Hệ thống điều khiển tại biên tích hợp Camera và bộ xử lý (Prototype).

• Sản phẩm mềm: Ứng dụng giám sát lưu lượng giao thông trên Web/Mobile; Mã nguồn chương trình xử lý AI.

• Công bố khoa học: 01-02 bài báo đăng trên tạp chí chuyên ngành (Scopus/Web of Science hoặc tạp chí uy tín trong nước).

• Đào tạo: Hỗ trợ 01-02 sinh viên làm đồ án tốt nghiệp liên quan.

VI. KẾT LUẬN VÀ KIẾN NGHỊ

• Đề tài mang tính cấp thiết, giải quyết trực diện vấn đề hạ tầng đô thị.

• Khả năng mở rộng: Có thể kết nối nhiều nút giao biên thành một mạng lưới giao thông thông minh liên thông toàn thành phố.