Tổng quan về luận án

Luận án "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành" của Quách Hải Thọ, thuộc chuyên ngành Hệ thống Thông tin, tập trung giải quyết những thách thức cấp bách trong việc đưa xe tự hành (AVs) từ các cấp độ tự động hóa thấp lên cấp độ 5 hoàn toàn tự chủ. Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 và sự bùng nổ của công nghệ cảm biến, IoT, robotic, dữ liệu lớn và trí tuệ nhân tạo, xe tự hành đã trở thành lĩnh vực nghiên cứu đa ngành với tiềm năng thay đổi sâu sắc giao thông và đời sống xã hội. Tuy nhiên, để đạt được mục tiêu vận hành an toàn và hiệu quả trong môi trường phức tạp, nhiều vấn đề tồn tại, đặc biệt là các bài toán liên quan đến lập kế hoạch chuyển động tối ưu, xử lý tính bất định của dữ liệu môi trường, và các yếu tố pháp lý, đạo đức trong quá trình ra quyết định.

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Nghiên cứu này ra đời trong bối cảnh toàn cầu đang chứng kiến sự phát triển mạnh mẽ của công nghệ xe tự hành. Các hệ thống xe tự hành cấp độ 4 đã được triển khai thương mại ở một số nơi như Toyota vận hành xung quanh Làng Olympic Tokyo 2020, hệ thống giao hàng của Nuro ở California năm 2021, và AutoX - Baidu ở Bắc Kinh. Honda cũng đã cho thuê phiên bản giới hạn 100 chiếc sedan Legend Hybrid EX với công nghệ lái xe tự động cấp độ 3 được chính phủ Nhật Bản chứng nhận. Dù vậy, như luận án đã chỉ ra, "để đạt đến mức độ tự động hoá cấp độ 5 là tự hành hoàn toàn... thì còn rất nhiều vấn đề cần phải nghiên cứu giải quyết." Tính tiên phong của luận án nằm ở việc tích hợp một cách có hệ thống các yếu tố an toàn, pháp lý và đạo đức vào các mô-đun điều khiển, đặc biệt là trong việc tạo ra quỹ đạo chuyển động tối ưu và đảm bảo khả năng phản ứng trong các tình huống khẩn cấp phức tạp.

Research gap SPECIFIC với citations từ literature

Luận án xác định nhiều khoảng trống nghiên cứu cụ thể mà các công trình trước đây chưa giải quyết triệt để. Một trong những khoảng trống chính là việc tạo ra quỹ đạo chuyển động tối ưu không chỉ "trơn và mịn, tạo được sự thoải mái và đạt hiệu suất năng lượng tốt" mà còn phải "đáp ứng được các hạn chế phát sinh trong quá trình hoạt động của xe như các quy định về luật giao thông đường bộ, các yếu tố môi trường bên ngoài và những tình huống đa dạng, phức tạp mà chúng ta thường gặp trong điều kiện môi trường giao thông." Nhiều nghiên cứu về lập kế hoạch chuyển động đã được thực hiện, nhưng luận án chỉ ra rằng "một khó khăn gặp phải đối với các giải pháp lập kế hoạch chuyển động dựa trên mẫu là làm thế nào lấy mẫu các ứng viên trong không gian quỹ đạo một cách hiệu quả" và "tối ưu của quỹ đạo kết quả dựa trên mẫu không cho phép ứng dụng thời gian thực."

Một khoảng trống quan trọng khác là việc xử lý các vấn đề pháp lý và đạo đức. Luận án nhấn mạnh rằng "những thách thức gặp phải và là nhiệm vụ đang được các nhà nghiên cứu quan tâm trong lĩnh vực xe tự hành là tạo ra quỹ đạo chuyển động tối ưu... đồng thời phải đáp ứng được các hạn chế phát sinh trong quá trình hoạt động của xe như... những vấn đề về pháp lý và đạo đức trong quá trình tham gia giao thông." Các nghiên cứu trước đây "khi áp dụng vào bài toán ra quyết định hành vi lái xe đã không thành công bởi các yếu tố đạo đức và pháp lý trong các tình huống khẩn cấp và vẫn còn ở giai đoạn lý thuyết." Câu hỏi hóc búa như "khi đối diện với tai nạn không thể tránh khỏi, câu hỏi đặt ra là xe tự hành sẽ ưu tiên bảo vệ an toàn cho người trên xe hay cho những người khác ngoài xe" vẫn chưa có lời giải thỏa đáng.

Về mặt điều khiển theo dõi, luận án ghi nhận rằng các mô hình xe tuyến tính truyền thống "gặp phải khó khăn khi góc lái và góc trượt ngang bánh xe lớn hơn 5o thì mô hình này hoạt động không chính xác," và các phương pháp xấp xỉ phi tuyến trước đây "vẫn không đạt được độ chính xác khi khoảng cách dự báo lớn." Ngoài ra, việc lập kế hoạch dự phòng cho các tình huống khẩn cấp ở tốc độ cao, nơi "thời gian xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp," cũng là một thách thức chưa được giải quyết triệt để, đặc biệt khi có "xung đột khi xác định quỹ đạo được lập theo kế hoạch giữa các đối tượng tham gia giao thông khác nhau."

Research questions và hypotheses (đánh số cụ thể)

Luận án giải quyết các câu hỏi nghiên cứu chính thông qua việc phát triển các mô-đun cụ thể:

  1. Làm thế nào để thiết kế một mô-đun lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu có khả năng tạo ra quỹ đạo tối ưu, đồng thời cải thiện hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường?
  2. Làm thế nào để tích hợp các ràng buộc pháp lý (luật giao thông đường bộ) và các yếu tố đạo đức (đặc tính hành vi người lái xe) vào mô hình ra quyết định và thiết lập quỹ đạo chuyển động cho xe tự hành, đặc biệt trong các tình huống khẩn cấp?
  3. Làm thế nào để phát triển một tập hợp các mô-đun hỗ trợ điều khiển an toàn (điều khiển theo dõi chuyển động, hỗ trợ điều khiển chuyển động, lập kế hoạch chuyển động dự phòng) nhằm nâng cao độ chính xác, ổn định và khả năng phản ứng của xe tự hành trong các điều kiện giao thông phức tạp và tốc độ cao?

Các giả thuyết của luận án có thể được phát biểu như sau: H1: Phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu, khi kết hợp với bộ lọc phần tử để xử lý tính bất định trong dữ liệu môi trường, có thể cải thiện đáng kể hiệu quả tính toán và chất lượng quỹ đạo tối ưu cho xe tự hành. H2: Việc xây dựng mô-đun ra quyết định dựa trên mạng nơ-ron mờ (FNN) và thiết lập quỹ đạo chuyển động với ràng buộc là các mệnh đề logic chuyển đổi từ luật giao thông và đặc tính đạo đức người lái xe có thể giải quyết hiệu quả bài toán pháp lý và đạo đức cho xe tự hành trong các tình huống khẩn cấp. H3: Một hệ thống mô-đun hỗ trợ điều khiển an toàn phân cấp, bao gồm mô-đun điều khiển theo dõi chuyển động với mô hình xe và bánh xe phi tuyến được tuyến tính hóa, mô-đun hỗ trợ điều khiển với can thiệp tối thiểu và ràng buộc không va chạm, cùng mô-đun lập kế hoạch dự phòng thích ứng, sẽ nâng cao đáng kể tính năng an toàn và ổn định cho xe tự hành trong môi trường phức tạp và ở vận tốc cao.

Theoretical framework với tên theories cụ thể

Khung lý thuyết của luận án được xây dựng dựa trên sự tích hợp và mở rộng của nhiều lý thuyết và phương pháp tiên tiến trong lĩnh vực điều khiển tự động và trí tuệ nhân tạo. Các lý thuyết cốt lõi bao gồm:

  • Lý thuyết Điều khiển dự báo bằng mô hình (Model Predictive Control - MPC): Được sử dụng rộng rãi để "thiết lập quỹ đạo chuyển động" và "kiểm soát điều hướng." MPC cung cấp một khung làm việc mạnh mẽ để giải quyết các bài toán tối ưu hóa có ràng buộc, đặc biệt phù hợp với hệ thống đa biến và động học phức tạp của xe tự hành. Luận án áp dụng MPC trong cấu trúc điều khiển phân cấp và để giải quyết bài toán tối ưu phi tuyến.
  • Phương pháp Monte Carlo và Bộ lọc phần tử (Particle Filter / Sequential Monte Carlo - SMC): Đây là nền tảng để "xử lý tính bất định trong dữ liệu môi trường." Bộ lọc phần tử, dựa trên phương pháp Monte Carlo, ước lượng mật độ hậu nghiệm của mô hình không gian trạng thái bằng cách sử dụng tập lớn các mẫu dữ liệu, đặc biệt hiệu quả cho các hệ thống phi tuyến và nhiễu phức tạp.
  • Mạng nơ-ron mờ (Fuzzy Neural Network - FNN): Một sự kết hợp giữa logic mờ và mạng nơ-ron nhân tạo, được sử dụng để xây dựng "mô-đun hỗ trợ ra quyết định điều khiển" giải quyết các vấn đề đạo đức. FNN kế thừa khả năng học thích nghi của mạng nơ-ron và khả năng suy diễn không chắc chắn, phi tuyến của logic mờ, giúp mô hình hóa đặc tính hành vi của người lái xe một cách hiệu quả.
  • Lý thuyết Điều khiển Tối ưu (Optimal Control Theory): Là cơ sở để xác định các quỹ đạo chuyển động "tối ưu" và thiết lập "hàm mục tiêu" với các "ràng buộc" (ví dụ: luật giao thông, tránh chướng ngại vật) trong các mô-đun lập kế hoạch và điều khiển.
  • Mô hình động học xe (Vehicle Dynamics Modeling): Đặc biệt là việc sử dụng "mô hình bánh xe Fiala brush" và các phương trình động học mô tả lực ngang bánh xe (phương trình 1.2), góc trượt bánh xe (phương trình 1.6), và mối quan hệ giữa góc lái bánh trước và lực ngang phía trước (phương trình 1.7) để đảm bảo mô phỏng và điều khiển xe chính xác.
  • Lý thuyết xác suất và thống kê: Đặc biệt là "Luật số lớn" và "Định lý giới hạn trung tâm" làm nền tảng cho phương pháp Monte Carlo và việc ước lượng sai số trong quá trình mô phỏng.

Đóng góp đột phá với quantified impact

Luận án đưa ra nhiều đóng góp đột phá với tiềm năng tác động đáng kể:

  1. Mô-đun lập kế hoạch chuyển động lấy mẫu nâng cao: Đề xuất giải pháp lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu kết hợp với bộ lọc phần tử để tạo quỹ đạo tối ưu, không chỉ "cải thiện hiệu quả tính toán" mà còn "xử lý tính bất định trong dữ liệu môi trường." Điều này vượt qua hạn chế về hiệu suất thời gian thực của các phương pháp lấy mẫu truyền thống, có khả năng giảm thời gian xử lý quỹ đạo và tăng tỉ lệ thành công trong các tình huống phức tạp.
  2. Hệ thống ra quyết định pháp lý và đạo đức tích hợp (FNN-based): Xây dựng mô-đun hỗ trợ ra quyết định điều khiển và thiết lập quỹ đạo chuyển động với ràng buộc là các luật giao thông đường bộ và các yếu tố đạo đức của người lái xe, sử dụng mô hình FNN. Đây là một bước đột phá quan trọng trong việc đưa các vấn đề đạo đức và pháp lý còn mang tính lý thuyết vào một mô hình tính toán cụ thể, giúp xe tự hành có thể đưa ra các quyết định có trách nhiệm trong các tình huống khẩn cấp, góp phần giảm thiểu tranh cãi về trách nhiệm pháp lý.
  3. Khung điều khiển an toàn phân cấp với can thiệp tối thiểu: Phát triển một tập mô-đun hỗ trợ điều khiển an toàn gồm mô-đun hỗ trợ điều khiển chuyển động (với mục tiêu "can thiệp tối thiểu" và "đảm bảo an toàn" thông qua ràng buộc không va chạm), mô-đun điều khiển theo dõi chuyển động, và mô-đun lập kế hoạch chuyển động dự phòng. Điều này cho phép xe tự hành hoạt động hiệu quả, ổn định ở tốc độ cao và chủ động phản ứng với các chướng ngại vật di chuyển bằng cách tính toán "thao tác khẩn cấp thích ứng," nâng cao đáng kể tính năng an toàn trong các môi trường giao thông phức tạp.
  4. Tuyến tính hóa mô hình xe phi tuyến cho điều khiển theo dõi chính xác: Đề xuất giải pháp "tuyến tính mô hình xe và bánh xe phi tuyến theo sơ đồ mô hình điều khiển dự báo (MPC)," sử dụng độ lệch hướng giữa vector vận tốc xe và hướng chuyển động của xe làm trạng thái tham chiếu điều khiển. Điều này giải quyết vấn đề độ chính xác của các mô hình tuyến tính truyền thống ở tốc độ cao và góc lái lớn, cải thiện độ chính xác và ổn định của quá trình điều khiển theo dõi.

Scope (sample size, timeframe) và significance

Phạm vi của luận án tập trung vào việc thiết kế và phát triển các mô-đun phần mềm cốt lõi cho hệ thống hỗ trợ điều khiển xe tự hành, bao gồm lập kế hoạch chuyển động, ra quyết định điều khiển (có yếu tố pháp lý/đạo đức), và các giải pháp điều khiển an toàn. Nghiên cứu được thực hiện thông qua "nghiên cứu lý thuyết kết hợp với thực nghiệm, mô phỏng và đánh giá" các giải pháp đề xuất. Mặc dù luận án không cung cấp con số cụ thể về cỡ mẫu thực nghiệm hay khung thời gian thu thập dữ liệu, nó nhấn mạnh việc "mô phỏng thực nghiệm" (ví dụ, trên các "kịch bản di chuyển trên đường thẳng" và "đường cong" như Hình 2.17, 2.18, và các "tình huống khẩn cấp" như Hình 3.1) để đánh giá hiệu quả. Các bảng so sánh như "So sánh thời gian xử lý và tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo" (Bảng 2.2) và "So sánh kết quả dự báo của FNN và BPNN" (Bảng 3.5) cho thấy việc đánh giá hiệu suất được thực hiện một cách định lượng dựa trên các kịch bản mô phỏng.

Ý nghĩa của luận án là vô cùng quan trọng trong việc thúc đẩy công nghệ xe tự hành tại Việt Nam và trên thế giới. Nó không chỉ cung cấp "tiền đề để phát triển hệ thống mô-đun trên xe tự hành" nhằm cải thiện hiệu suất và tính năng an toàn, mà còn trực tiếp giải quyết các rào cản lớn nhất đối với việc triển khai rộng rãi AVs: khả năng vận hành an toàn trong điều kiện môi trường bất định, tuân thủ pháp luật và đạo đức. Các giải pháp đề xuất có khả năng giảm thiểu tai nạn giao thông, nâng cao sự thoải mái cho hành khách và tối ưu hóa hiệu suất năng lượng, mở đường cho sự chấp nhận và ứng dụng rộng rãi của xe tự hành trong tương lai.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã khảo sát toàn diện các dòng nghiên cứu chính trong lĩnh vực điều khiển xe tự hành, từ các kỹ thuật lập kế hoạch chuyển động đến các phương pháp điều khiển tiên tiến và những thách thức mới nổi về pháp lý, đạo đức.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu về xe tự hành đã phát triển mạnh mẽ kể từ ý tưởng ban đầu về xe thông minh vào năm 1939 tại hội chợ thế giới New York của GM's Futurama. Các dòng nghiên cứu chính có thể được tổng hợp như sau:

  1. Lập kế hoạch chuyển động (Motion Planning): Luận án đã đánh giá các kỹ thuật lập kế hoạch chuyển động dựa trên đồ thị tìm kiếm (như Thuật toán Dijkstra của [55] và A* của [5]), dựa trên mẫu (như Cây RRT của [56]), dựa trên đường cong nội suy (như đường cong thẳng/tròn của [29], Clothoid của [59], đa thức của [6], Bezier của [64], Spline của [52]), và phương pháp tối ưu ([35]). Các nghiên cứu ban đầu như dự án ARGO từ VisLab [6] đã sử dụng các kỹ thuật dựa trên thị giác và điều chỉnh Spline đa thức. Chương trình Darpa PerceptOR [4] cũng góp phần phát triển kỹ thuật điều hướng tự động. Đặc biệt, nghiên cứu của Audi liên hợp với Stanford đã trình diễn khả năng kiểm soát xe đạt hiệu suất cao khi sử dụng kỹ thuật đường cong Clothoid.
  2. Điều khiển xe tự hành (Vehicle Control): Một dòng nghiên cứu lớn là về Điều khiển dự báo bằng mô hình (Model Predictive Control - MPC), được xác định là phương pháp điều khiển hiện đại với khả năng giải quyết các bài toán trong hệ thống đa biến có ràng buộc và động học phức tạp. Tuy nhiên, luận án cũng chỉ ra nhược điểm của MPC là "đòi hỏi năng lực tính của thiết bị điều khiển và giải thuật tối ưu phải thích hợp" khi giải bài toán tối ưu trực tuyến. Các nghiên cứu về kiểm soát điều hướng cũng đã sử dụng các mô hình xe và bánh xe phi tuyến ở tốc độ cao [21], nhưng gặp phải trở ngại về "hiệu quả tính toán tối ưu [10]" hoặc độ chính xác thấp ở góc lái lớn [53]. Nghiên cứu của [23] giới thiệu phương pháp tuyến tính xấp xỉ affine nhưng "vẫn không đạt được độ chính xác khi khoảng cách dự báo lớn."
  3. Hệ thống ra quyết định và nhận thức môi trường: Các mô-đun nhận thức môi trường sử dụng đa dạng cảm biến như radar, Lidar, camera để thu nhận dữ liệu. Trong việc ra quyết định hành vi điều hướng, nhiều phương pháp đã được nghiên cứu như mạng nơ-ron [39], mô hình cây quyết định [11], hồi quy vector hỗ trợ [65], lý thuyết tập mờ [12], hệ chuyên gia và mạng Petri. Mạng nơ-ron được công nhận về ưu điểm "tính toán song song, lưu trữ thông tin phân tán, học thích nghi, khả năng kháng lỗi."
  4. Pháp lý và đạo đức trong xe tự hành: Đây là chủ đề mới nổi nhưng cấp thiết. Luận án chỉ ra rằng "rất ít tài liệu pháp lý dành cho xe tự hành và thậm chí còn ít phán xét trách nhiệm của xe tự hành trong các vụ tai nạn giao thông." Các nghiên cứu liên quan bao gồm Bandana và cộng sự [13] áp dụng luật điều khiển mờ để chuyển đổi quy tắc giao thông, Sarah và cộng sự [58] sử dụng mô hình dự báo với yếu tố đạo đức, và Goodall [24] đề xuất chiến lược 3 giai đoạn để chuẩn hóa hành vi ra quyết định có yếu tố đạo đức. Tuy nhiên, luận án nhấn mạnh rằng các nghiên cứu này "vẫn còn ở giai đoạn lý thuyết" và chưa giải quyết thành công các tình huống khẩn cấp phức tạp.

Contradictions/debates với ít nhất 2 opposing views

Luận án làm nổi bật một số mâu thuẫn và tranh luận chính trong lĩnh vực:

  • Hiệu quả và Tính kịp thời của Lập kế hoạch chuyển động: Các phương pháp lập kế hoạch dựa trên mẫu được đánh giá là "rộng rãi cho các không gian đường có cấu trúc và quỹ đạo tối ưu sẽ được xác định từ tập các quỹ đạo ứng cử," tuy nhiên lại gặp khó khăn trong việc lấy mẫu hiệu quả và "tối ưu của quỹ đạo kết quả dựa trên mẫu không cho phép ứng dụng thời gian thực." Ngược lại, phương pháp Điều khiển dự báo bằng mô hình (MPC) "có thể đáp ứng được yêu cầu triển khai thời gian thực" nhưng lại đòi hỏi "khối lượng tính toán lớn" và "mô hình dự báo phải thật chính xác." Đây là sự đối lập giữa độ chính xác tiềm năng (sampling-based) và khả năng ứng dụng thời gian thực (MPC).
  • Xử lý Pháp lý và Đạo đức: Một bên là sự cần thiết phải "phán đoán những gì đối tượng sẽ làm và đưa ra những phản ứng phù hợp" dựa trên dữ liệu, và bên kia là yêu cầu "cần phải tự trả lời được các câu hỏi về an toàn, pháp lý và đạo đức trước khi huấn luyện xe tự hành làm theo." Điều này tạo ra một cuộc tranh luận giữa cách tiếp cận dựa trên dữ liệu (AI, học máy) và cách tiếp cận dựa trên quy tắc/giá trị (lý thuyết đạo đức, pháp luật), đặc biệt là trong các tình huống "hy sinh" không thể tránh khỏi. Luận án ghi nhận rằng "rất ít nghiên cứu tập trung đến" việc xử lý các vấn đề này trong tình huống khẩn cấp, cho thấy một khoảng trống lớn.

Positioning trong literature với specific gap identified

Luận án tự định vị mình là cầu nối các khoảng trống trong việc giải quyết đồng thời hiệu quả tính toán, tính bất định, và các yếu tố phi kỹ thuật như pháp lý và đạo đức trong hoạt động của xe tự hành. Cụ thể, nó giải quyết:

  • Khoảng trống 1: Tối ưu hóa lập kế hoạch chuyển động trong điều kiện bất định: Luận án đề xuất "giải pháp lập kế hoạch chuyển động bằng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu... với mục tiêu không chỉ cải thiệu hiệu quả tính toán mà còn xử lý tính bất định trong dữ liệu môi trường," sử dụng bộ lọc phần tử. Điều này vượt qua hạn chế về việc lấy mẫu hiệu quả và tối ưu hóa toàn cục của các phương pháp dựa trên mẫu truyền thống.
  • Khoảng trống 2: Mô hình hóa các yếu tố pháp lý và đạo đức: Luận án tiên phong trong việc "xây dựng mô-đun giải quyết bài toán hỗ trợ ra quyết định điều khiển cho xe tự hành với tập ràng buộc là các quy định về luật giao thông đường bộ và đạo đức của người lái xe," đặc biệt thông qua việc chuyển đổi các quy tắc này thành "mệnh đề logic" và sử dụng FNN để mô hình hóa hành vi người lái.
  • Khoảng trống 3: Điều khiển theo dõi và an toàn ở tốc độ cao: Luận án khắc phục nhược điểm của các mô hình tuyến tính bằng cách "tuyến tính mô hình xe và bánh xe phi tuyến theo sơ đồ mô hình điều khiển dự báo (MPC)," đồng thời phát triển các mô-đun hỗ trợ điều khiển với "can thiệp tối thiểu" và "lập kế hoạch chuyển động dự phòng" để giải quyết các tình huống nguy hiểm ở vận tốc lớn.

How this advances field với concrete contributions

Nghiên cứu này thúc đẩy lĩnh vực xe tự hành bằng cách cung cấp một khung làm việc tích hợp và các giải pháp mô-đun cụ thể:

  • Nó nâng cao khả năng lập kế hoạch chuyển động bằng cách kết hợp kỹ thuật lấy mẫu với xử lý bất định, cải thiện độ tin cậy và hiệu quả hoạt động của AVs.
  • Nó đưa ra một phương pháp cụ thể để tích hợp các yếu tố pháp lý và đạo đức, vốn là rào cản lớn đối với việc triển khai AVs trên thực tế, từ đó tạo ra một nền tảng cho các hệ thống ra quyết định có trách nhiệm hơn.
  • Nó cải thiện tính năng an toàn cho xe tự hành thông qua các mô-đun điều khiển theo dõi chính xác hơn ở tốc độ cao và khả năng lập kế hoạch dự phòng chủ động cho các tình huống khẩn cấp, góp phần giảm thiểu tai nạn giao thông.

So sánh với ÍT NHẤT 2 international studies

Luận án có thể được so sánh với các nghiên cứu quốc tế sau:

  1. Dự án ARGO (VisLab, [6]) và VIAC (VisLab Intercontinental Autonomous Challenge, [20]): Các dự án này tập trung vào lập kế hoạch chuyển động dựa trên thị giác và kỹ thuật đường cong (ví dụ, Clothoid [59]). Luận án này vượt xa các cách tiếp cận đó bằng cách không chỉ tối ưu hóa đường đi về mặt hình học mà còn tích hợp "tính bất định trong dữ liệu môi trường" thông qua bộ lọc phần tử và xử lý các ràng buộc phức tạp từ luật giao thông, vốn không phải là trọng tâm chính của ARGO hay VIAC. Hơn nữa, luận án đưa ra một cấu trúc điều khiển phân cấp dựa trên MPC, cho phép quản lý hiệu quả hơn các ràng buộc động học và môi trường so với các hệ thống chỉ ánh xạ trực tiếp các tình huống đến điều khiển chuyển động.
  2. Nghiên cứu của Goodall [24] về quyết định đạo đức: Goodall đề xuất một chiến lược gồm 3 giai đoạn để chuẩn hóa hành vi ra quyết định có yếu tố đạo đức trong xe tự hành, kết hợp với mạng nơ-ron trong mô hình học máy. Luận án này tiếp tục phát triển ý tưởng đó bằng cách cụ thể hóa việc "lấy đặc tính hành vi của người lái xe làm nòng cốt" để xây dựng mô hình học máy sử dụng "mô hình kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)." Điều này cung cấp một giải pháp kỹ thuật rõ ràng hơn và được chứng minh bằng mô phỏng để giải quyết các tình huống khó xử về đạo đức, vốn là điểm yếu của các nghiên cứu trước đây thường "vẫn còn ở giai đoạn lý thuyết."

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ giải quyết các vấn đề kỹ thuật mà còn mở rộng và thách thức các lý thuyết hiện có, đồng thời giới thiệu một khung phân tích và mô hình khái niệm độc đáo.

Đóng góp cho lý thuyết

Luận án mở rộng và thách thức một số lý thuyết cụ thể:

  • Mở rộng lý thuyết Điều khiển dự báo bằng mô hình (MPC): Luận án đã mở rộng MPC bằng cách áp dụng nó trong một cấu trúc điều khiển phân cấp (Hình 1.10) để quản lý hiệu quả "miền dự báo dài" cho lập kế hoạch chuyển động và "miền dự báo ngắn hơn" cho điều khiển theo dõi. Quan trọng hơn, nó đã đưa ra giải pháp "tuyến tính mô hình xe và bánh xe phi tuyến theo sơ đồ mô hình điều khiển dự báo (MPC)" để cải thiện độ chính xác và ổn định ở vận tốc cao, một điểm yếu của các ứng dụng MPC truyền thống với mô hình tuyến tính hoặc xấp xỉ affine. Việc chuyển đổi các "luật giao thông đường bộ" thành "mệnh đề logic" để xây dựng "tập ràng buộc" trong MPC cũng là một đóng góp đáng kể.
  • Mở rộng lý thuyết mạng nơ-ron và hệ thống mờ: Luận án mở rộng ứng dụng của mạng nơ-ron bằng cách tích hợp nó với logic mờ để tạo ra "mô hình kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)" cho việc ra quyết định điều khiển có yếu tố đạo đức. FNN được chọn vì "các tham số trong FNN có ý nghĩa vật lý rõ ràng và có thể được thừa nhận theo kinh nghiệm của con người nên tốc độ hội tụ của bài toán được cải thiện đáng kể," đồng thời có khả năng học thích nghi. Điều này cung cấp một cách tiếp cận có hệ thống để mô hình hóa các quy tắc định tính và các yếu tố con người phức tạp trong quá trình ra quyết định của AV, vượt ra ngoài các ứng dụng truyền thống của mạng nơ-ron thuần túy.
  • Thách thức các phương pháp lập kế hoạch chuyển động dựa trên mẫu: Luận án thách thức giả định về hiệu quả thời gian thực của các phương pháp dựa trên mẫu bằng cách chỉ ra rằng chúng "đòi hỏi phải có một lượng tài nguyên đủ lớn nhằm có được một số lượng lớn các ứng viên để tìm được quỹ đạo tối ưu toàn cục," dẫn đến việc "không cho phép ứng dụng thời gian thực." Để khắc phục, luận án đề xuất một phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu mới "với mục tiêu cải thiệu hiệu quả tính toán và xử lý tính bất định trong dữ liệu môi trường," có khả năng tạo ra quỹ đạo tối ưu nhanh chóng hơn.

Khung phân tích độc đáo

Luận án giới thiệu một khung phân tích độc đáo thông qua việc tích hợp đa lý thuyết và phát triển các mô-đun cụ thể.

  • Integration của theories: Nghiên cứu tích hợp một cách độc đáo các lý thuyết chính: Model Predictive Control (MPC) để tối ưu hóa điều khiển và lập kế hoạch, Particle Filter (dựa trên Monte Carlo) để xử lý tính bất định của môi trường, và Fuzzy Neural Network (FNN) để mô hình hóa hành vi ra quyết định đạo đức/pháp lý. Sự kết hợp này cho phép một cách tiếp cận toàn diện, giải quyết cả khía cạnh kỹ thuật (tối ưu hóa quỹ đạo, điều khiển ổn định) và phi kỹ thuật (tuân thủ quy tắc, đạo đức) trong một hệ thống thống nhất.
  • Novel analytical approach với justification: Cách tiếp cận phân tích độc đáo nằm ở việc chuyển đổi các "quy định về luật giao thông đường bộ" thành "mệnh đề logic" và "tập ràng buộc" cho MPC, cũng như việc "lấy đặc tính hành vi của người lái xe làm nòng cốt" để huấn luyện mô hình FNN. Điều này biện minh cho khả năng của xe tự hành không chỉ tuân thủ các quy tắc định lượng mà còn nắm bắt được những sắc thái định tính của hành vi lái xe an toàn và có đạo đức. Việc sử dụng "độ lệch hướng giữa vector vận tốc xe và hướng chuyển động của xe làm trạng thái tham chiếu điều khiển" trong mô-đun theo dõi chuyển động là một cách tiếp cận mới để nâng cao độ chính xác khi tuyến tính hóa mô hình phi tuyến.
  • Conceptual contributions với definitions: Luận án định nghĩa lại các yêu cầu về an toàn cho xe tự hành thông qua các mục tiêu "can thiệp tối thiểu" và "đảm bảo an toàn" (không va chạm thông qua ràng buộc tối ưu) cho mô-đun hỗ trợ điều khiển chuyển động. Nó cũng giới thiệu khái niệm về "kế hoạch chuyển động dự phòng" như một chiến lược phản ứng chủ động trong các tình huống khẩn cấp ở tốc độ cao, tính toán "thao tác khẩn cấp thích ứng" dựa trên dự đoán hành vi của các đối tượng khác.
  • Boundary conditions explicitly stated: Luận án thừa nhận các điều kiện biên của các giải pháp. Ví dụ, mô-đun hỗ trợ điều khiển chuyển động "chỉ được thực hiện trong những tình huống mà kịch bản chuyển động của xe phức tạp có khả năng xảy ra va chạm với các yếu tố cảnh báo thực tế," ngụ ý rằng can thiệp chỉ diễn ra khi cần thiết nhất. Đối với mô-đun lập kế hoạch chuyển động dự phòng, nó được thiết kế cho "những trường hợp tham gia giao thông với vận tốc lớn thì thời gian xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp nhằm tránh các chướng ngại vật," xác định rõ ràng bối cảnh ứng dụng của nó.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến, kết hợp giữa lý thuyết và thực nghiệm, mô phỏng để phát triển và đánh giá các giải pháp.

Thiết kế nghiên cứu

  • Research philosophy: Triết lý nghiên cứu của luận án có thể được mô tả là hậu thực chứng (post-positivism). Nghiên cứu tìm cách giải thích và dự đoán hành vi của xe tự hành bằng cách phát triển các mô hình toán học và thuật toán có thể được kiểm chứng bằng thực nghiệm và mô phỏng. Mặc dù công nhận sự phức tạp và "tính bất định trong dữ liệu môi trường," nghiên cứu vẫn hướng tới việc xây dựng các giải pháp tối ưu hóa và điều khiển khách quan để cải thiện hiệu suất và an toàn. Mục tiêu là tạo ra tri thức có thể ứng dụng và đo lường được trong một thế giới tồn tại độc lập với quan sát viên.
  • Mixed methods với SPECIFIC combination rationale: Luận án sử dụng "phương pháp nghiên cứu lý thuyết kết hợp với thực nghiệm, mô phỏng và đánh giá." Lý thuyết cung cấp nền tảng để xây dựng các mô hình toán học và thuật toán (ví dụ: MPC, Particle Filter, FNN). Mô phỏng được sử dụng để kiểm tra, đánh giá hiệu quả và tính khả thi của các giải pháp đề xuất trong nhiều kịch bản khác nhau (ví dụ: "mô phỏng kịch bản di chuyển trên đường thẳng," "mô phỏng tình huống khẩn cấp"). Kết quả mô phỏng sau đó được phân tích để "đánh giá tính hiệu quả của giải pháp đề xuất," tạo ra một chu trình lặp lại của phát triển và cải tiến.
  • Multi-level design với levels clearly defined: Thiết kế điều khiển của luận án là đa cấp, đặc biệt cho mô-đun lập kế hoạch chuyển động. Nó được "xây dựng theo hình thức phân cấp (hình 1.10) trên cơ sở điều khiển mô hình dự báo."
    • Cấp thứ nhất (Cấp lập kế hoạch chuyển động): Có nhiệm vụ "tính toán các quỹ đạo khả thi với các ràng buộc," sử dụng "miền dự báo dài" và "xem xét nhiều đối tượng trên đường."
    • Cấp thứ hai (Cấp điều khiển theo dõi chuyển động): Sử dụng "bộ điều khiển MPC khác để theo dõi các quỹ đạo tham chiếu được tạo ra ở cấp độ thứ 1" và "không xem xét đến các chướng ngại vật hay các đối tượng khác," sử dụng "miền dự báo ngắn hơn." Thiết kế này cho phép phân tách và tối ưu hóa các tác vụ lập kế hoạch chiến lược và điều khiển chiến thuật, cải thiện hiệu suất tính toán.
  • Sample size và selection criteria EXACT: Luận án không cung cấp thông tin cụ thể về cỡ mẫu thực nghiệm hay tiêu chí lựa chọn mẫu dữ liệu thực tế cho huấn luyện/đánh giá. Tuy nhiên, các phần "Mô phỏng thực nghiệm" trong mỗi chương cho thấy các kịch bản thử nghiệm được xây dựng để đánh giá các mô-đun. Ví dụ, Bảng 2.2 so sánh "thời gian xử lý và tỷ lệ thất bại với số lượng ứng cử viên quỹ đạo," và Bảng 3.4, 3.5 liên quan đến "thống kê dữ liệu thực nghiệm" và "kết quả huấn luyện của mạng FNN và mạng BPNN," ngụ ý rằng một tập dữ liệu (có thể là mô phỏng hoặc tổng hợp từ các tình huống lái xe) đã được sử dụng. Đối với mô hình FNN, "lấy đặc tính hành vi của người lái xe làm nòng cốt," cho thấy dữ liệu có thể được thu thập hoặc mô hình hóa dựa trên quan sát hành vi người lái.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria: Đối với mô-đun lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu, chiến lược lấy mẫu tập trung vào việc tạo ra "tập các ứng viên quỹ đạo" để tìm ra quỹ đạo tối ưu. Mặc dù không có tiêu chí bao gồm/loại trừ rõ ràng cho việc lựa chọn dữ liệu ban đầu, việc sử dụng "bộ lọc phần tử" (Particle filter) cho thấy một quy trình lấy mẫu và tái chọn mẫu nghiêm ngặt để "ngăn sự tập trung xác suất rơi vào một vài phần tử và quản lý hiệu quả một số lượng giới hạn các phần tử để xác định các trạng thái được chính xác."
  • Data collection protocols với instruments described: Dữ liệu cho nghiên cứu chủ yếu đến từ các "hệ thống cảm biến" (radar, Lidar, camera) để thu nhận "thông tin môi trường như vạch kẻ làn đường, biên đường, tín hiệu đèn giao thông, các loại chướng ngại vật." Vị trí của xe được xác định thông qua "hệ thống định vị như GPS, camera, bản đồ 3D từ thiết bị Lidar hoặc là sự kết hợp giữa nhiều thiết bị cảm biến." Đối với mô-đun ra quyết định đạo đức, dữ liệu có thể liên quan đến "đặc tính hành vi của người lái xe," được sử dụng để xây dựng mô hình học máy.
  • Triangulation (data/method/investigator/theory): Mặc dù từ "triangulation" không được sử dụng trực tiếp trong ngữ cảnh phương pháp luận, luận án thể hiện sự tích hợp dữ liệu và phương pháp:
    • Data Triangulation: Sự kết hợp dữ liệu từ "nhiều thiết bị cảm biến" (GPS, camera, Lidar) để xác định vị trí và nhận thức môi trường.
    • Methodological Triangulation: Việc kết hợp nhiều phương pháp (MPC, Particle Filter, FNN, mô hình động học xe) để giải quyết các khía cạnh khác nhau của cùng một bài toán điều khiển xe tự hành.
    • Theoretical Triangulation: Áp dụng và mở rộng nhiều lý thuyết điều khiển và AI để xây dựng một khung giải pháp toàn diện.
  • Validity (construct/internal/external) và reliability (α values): Luận án tập trung vào việc "mô phỏng thực nghiệm" để đánh giá tính hiệu quả, ngụ ý các nỗ lực để đảm bảo tính hợp lệ.
    • Construct Validity: Các mô-đun được xây dựng dựa trên các khái niệm lý thuyết rõ ràng (ví dụ: tối ưu hóa quỹ đạo, xử lý bất định, quyết định đạo đức) và các biến số được định nghĩa chặt chẽ (ví dụ: lực ngang bánh xe 𝐹𝑦, góc trượt bánh xe 𝛼, độ lệch hướng ∆𝜓).
    • Internal Validity: Việc sử dụng các kịch bản mô phỏng được kiểm soát giúp giảm thiểu các yếu tố gây nhiễu và cho phép đánh giá trực tiếp tác động của các giải pháp đề xuất.
    • External Validity: Mục tiêu của luận án là "có thể làm tiền đề để phát triển hệ thống mô-đun trên xe tự hành, nhằm cải thiện hiệu suất, cải thiện tính năng an toàn trong quá trình hoạt động của xe tự hành trong thực tế," cho thấy mong muốn về khả năng tổng quát hóa của các giải pháp.
    • Reliability: Mặc dù không có giá trị α (ví dụ, Cronbach's alpha) được báo cáo, việc sử dụng các "mô phỏng thực nghiệm" và "bảng so sánh thời gian xử lý và tỷ lệ thất bại" (Bảng 2.2), "kết quả dự báo" (Bảng 3.5), và "kết quả mô phỏng của 3 bộ điều khiển" (Bảng 4.2) ngụ ý rằng các thử nghiệm được thực hiện một cách lặp lại và có thể tái tạo để đánh giá sự ổn định của các giải pháp.

Data và phân tích

  • Sample characteristics với demographics/statistics: Luận án không cung cấp thông tin chi tiết về đặc điểm của mẫu dữ liệu huấn luyện hoặc thử nghiệm (ví dụ: demographics của người lái xe nếu có, hoặc thống kê về các loại chướng ngại vật/tình huống giao thông). Tuy nhiên, nó đề cập đến "thống kê dữ liệu thực nghiệm" (Hình 3.4) cho mô-đun ra quyết định, cho thấy dữ liệu được sử dụng có thể bao gồm các tình huống lái xe cụ thể.
  • Advanced techniques (SEM/multilevel/QCA etc.) với software: Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:
    • Tối ưu hóa phi tuyến (Nonlinear Optimization): Là cốt lõi của phương pháp MPC để giải quyết bài toán "tìm nghiệm 𝑢𝑘 sao cho hàm mục tiêu đạt giá trị nhỏ nhất." Luận án cũng đề cập đến việc "đưa bài toán về vấn đề tối ưu tuyến tính bậc 2 là giải pháp hiệu quả để cải thiện hiệu quả tính toán."
    • Mô hình hóa dựa trên học máy (Machine Learning Modeling): Đặc biệt là việc sử dụng "mô hình kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)" cho mô-đun ra quyết định. Nó cũng so sánh hiệu suất với "mạng BPNN" (Bảng 3.5).
    • Phân tích bộ lọc phần tử (Particle Filter Analysis): Thực hiện ước lượng trạng thái trong các hệ thống phi tuyến và có nhiễu, bao gồm các bước "khởi tạo, cập nhật thời gian, cập nhật theo giá trị đo lường, xác định trạng thái, tái chọn mẫu."
    • Phân tích động học xe (Vehicle Dynamics Analysis): Dựa trên "mô hình động học của xe (hình 1.5)" với các phương trình chuyển động và lực ngang bánh xe (phương trình 1.2, 1.6, 1.7). Luận án không đề cập đến phần mềm cụ thể nào được sử dụng (ví dụ: MATLAB, Python, Simulink, ROS) để thực hiện các mô phỏng và phân tích.
  • Robustness checks với alternative specifications: Luận án không mô tả các kiểm tra mạnh mẽ cụ thể (robustness checks) hoặc các cấu hình thay thế được thử nghiệm. Tuy nhiên, việc so sánh hiệu suất của FNN với BPNN (Bảng 3.5) và "kết quả mô phỏng của 3 bộ điều khiển" (Bảng 4.2) cho thấy các đánh giá so sánh đã được thực hiện để kiểm tra hiệu quả của các giải pháp đề xuất so với các phương pháp khác.
  • Effect sizes và confidence intervals reported: Luận án không báo cáo kích thước hiệu ứng (effect sizes) hoặc khoảng tin cậy (confidence intervals) một cách tường minh trong phần tóm tắt. Thay vào đó, nó trình bày "thời gian xử lý và tỷ lệ thất bại" (Bảng 2.2), "giá trị đầu ra" (Bảng 3.4) và "lỗi của mạng FNN và mạng BPNN" (Hình 3.6), cho thấy sự tập trung vào các chỉ số hiệu suất trực tiếp từ mô phỏng.

Phát hiện đột phá và implications

Các phát hiện của luận án không chỉ giải quyết những thách thức kỹ thuật mà còn mở ra những hướng đi mới trong việc phát triển hệ thống xe tự hành thông minh và có trách nhiệm.

Những phát hiện then chốt

  1. Hiệu suất tối ưu của lập kế hoạch chuyển động dựa trên mẫu với xử lý bất định: Luận án đã phát triển thành công mô-đun lập kế hoạch chuyển động sử dụng phương pháp tiếp cận dựa trên kỹ thuật lấy mẫu, có khả năng "tạo ra quỹ đạo tối ưu từ tập các ứng viên quỹ đạo" đồng thời "cải thiện hiệu quả tính toán mà còn xử lý tính bất định trong dữ liệu môi trường." Kết quả mô phỏng (ví dụ, được trình bày trong Chương 2 với Bảng 2.2 "So sánh thời gian xử lý và tỷ lệ thất bại") cho thấy sự vượt trội về mặt hiệu suất so với các phương pháp lập kế hoạch dựa trên mẫu truyền thống, đặc biệt trong các kịch bản di chuyển phức tạp trên đường thẳng và đường cong (Hình 2.17, 2.18).
  2. Mô hình FNN hiệu quả cho ra quyết định đạo đức/pháp lý: Phát hiện đột phá là việc xây dựng thành công mô-đun hỗ trợ ra quyết định điều khiển sử dụng "mô hình kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)" để tích hợp các yếu tố pháp lý và đạo đức. "Kết quả huấn luyện của mạng FNN và mạng BPNN" (Hình 3.5) và "kết quả so sánh lỗi của mạng FNN và mạng BPNN" (Hình 3.6) cho thấy FNN có "tốc độ hội tụ của bài toán được cải thiện đáng kể" và đạt hiệu suất dự báo chính xác hơn, đặc biệt quan trọng trong các tình huống khẩn cấp cần đưa ra quyết định "hy sinh" (ví dụ, Hình 3.1 mô phỏng tình huống khẩn cấp khi tham gia giao thông).
  3. Điều khiển theo dõi chính xác với mô hình phi tuyến tuyến tính hóa: Luận án đã chứng minh rằng việc "tuyến tính mô hình xe và bánh xe phi tuyến theo sơ đồ mô hình điều khiển dự báo (MPC)" có thể đạt được hiệu suất điều khiển theo dõi chính xác và ổn định, đặc biệt khi xe "hoạt động ở tốc độ cao" và với "góc lái lớn," nơi các mô hình tuyến tính truyền thống thường thất bại (Hình 4.7, 4.10). Phát hiện này khắc phục hạn chế về độ chính xác của các nghiên cứu trước đây (ví dụ, [53] với giới hạn 5 độ góc trượt).
  4. Chiến lược lập kế hoạch dự phòng chủ động: Phát triển mô-đun lập kế hoạch chuyển động dự phòng hiệu quả trong các tình huống "vận tốc lớn thì thời gian xử lý còn lại quá ngắn để thực hiện thao tác phanh khẩn cấp." Mô-đun này xây dựng "đường đi tối ưu dựa trên các đánh giá khả năng di chuyển của các đối tượng tham gia giao thông khác" và tính toán "thao tác khẩn cấp thích ứng" (Hình 4.13, 4.16), đảm bảo an toàn cho xe tự hành ngay cả trong các kịch bản khó đoán (Hình 4.17, 4.18, 4.20).
  5. Cấu trúc điều khiển phân cấp tối ưu: Việc triển khai thành công cấu trúc điều khiển phân cấp (Hình 1.10) dựa trên MPC cho lập kế hoạch và điều khiển theo dõi đã chứng minh rằng việc phân tách các tác vụ này có thể "đảm bảo hiệu quả trong việc tính toán đến hiệu suất hoạt động và đảm bảo tối ưu quỹ đạo tạo ra."

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Nghiên cứu này đóng góp trực tiếp vào việc mở rộng và tinh chỉnh Lý thuyết Điều khiển dự báo bằng mô hình (MPC) thông qua việc tuyến tính hóa các mô hình phi tuyến của xe và bánh xe để đạt hiệu suất cao hơn. Nó cũng làm phong phú Lý thuyết Mạng nơ-ron và Hệ thống mờ bằng cách chứng minh hiệu quả của FNN trong việc mô hình hóa các quyết định đạo đức và pháp lý phức tạp, một lĩnh vực mới nổi. Ngoài ra, nó cải tiến các Phương pháp Lập kế hoạch chuyển động dựa trên mẫu bằng cách tích hợp xử lý bất định và tối ưu hóa hiệu quả tính toán.
  • Methodological innovations applicable to other contexts: Các đổi mới phương pháp luận, như cách tiếp cận phân cấp MPC để quản lý các chân trời dự báo khác nhau và việc chuyển đổi các quy định pháp lý thành ràng buộc logic cho bài toán tối ưu, có thể được áp dụng rộng rãi cho các hệ thống tự động khác đối mặt với các ràng buộc đa dạng và điều kiện môi trường bất định (ví dụ: robot công nghiệp, hệ thống điều khiển giao thông thông minh, máy bay không người lái).
  • Practical applications với specific recommendations: Luận án cung cấp các giải pháp mô-đun cụ thể có thể làm "tiền đề để phát triển hệ thống mô-đun trên xe tự hành" trong thực tế. Khuyến nghị bao gồm việc tích hợp các mô-đun lập kế hoạch chuyển động nâng cao, hệ thống ra quyết định pháp lý/đạo đức và các cơ chế điều khiển an toàn dự phòng vào các nguyên mẫu xe tự hành hiện có để cải thiện hiệu suất và độ an toàn. Đặc biệt, việc sử dụng FNN cung cấp một lộ trình rõ ràng để các nhà sản xuất xe tự hành có thể đưa yếu tố đạo đức vào phần mềm điều khiển.
  • Policy recommendations với implementation pathway: Với việc tích hợp các yếu tố pháp lý và đạo đức, luận án cung cấp cơ sở bằng chứng để xây dựng các quy định và tiêu chuẩn rõ ràng hơn cho xe tự hành. Các nhà hoạch định chính sách có thể sử dụng các kết quả này để: (1) xây dựng các bộ luật giao thông cụ thể cho AVs, chuyển đổi thành các "mệnh đề logic" cho hệ thống điều khiển; (2) thiết lập các tiêu chuẩn đạo đức và trách nhiệm giải trình cho các quyết định của AVs trong tình huống khẩn cấp; và (3) phát triển các quy trình chứng nhận an toàn cho các hệ thống điều khiển AVs có khả năng xử lý bất định và các tình huống phức tạp. Điều này giúp đẩy nhanh quá trình chấp thuận và triển khai AVs trên các con đường công cộng.
  • Generalizability conditions clearly specified: Các giải pháp được thiết kế để hoạt động trong "môi trường phức tạp với các chướng ngại vật, với các quy định về luật giao thông và các vấn đề về đạo đức." Tuy nhiên, luận án cũng thừa nhận rằng hiệu suất của xe tự hành có thể bị ảnh hưởng bởi "điều kiện bất lợi về thời tiết" và "hệ thống đường giao thông" chưa hoàn hảo, cũng như "hệ thống GPS chưa hoàn hảo." Do đó, khả năng tổng quát hóa của các giải pháp sẽ phụ thuộc vào việc nâng cấp cơ sở hạ tầng giao thông và cải thiện độ tin cậy của cảm biến và định vị trong các điều kiện khắc nghiệt. Việc "lấy đặc tính hành vi của người lái xe làm nòng cốt" cũng ngụ ý rằng mô hình đạo đức có thể cần được tinh chỉnh cho các nền văn hóa hoặc khu vực địa lý khác nhau với các quy tắc và ưu tiên đạo đức khác nhau.

Limitations và Future Research

Luận án đã đạt được những tiến bộ đáng kể, nhưng cũng thẳng thắn nhìn nhận những giới hạn và mở ra các hướng nghiên cứu trong tương lai.

3-4 specific limitations acknowledged

  1. Phụ thuộc vào dữ liệu môi trường và độ chính xác của cảm biến: Mặc dù luận án xử lý tính bất định trong dữ liệu môi trường thông qua bộ lọc phần tử, nhưng hiệu suất tổng thể của hệ thống vẫn phụ thuộc vào chất lượng và độ tin cậy của dữ liệu thu được từ cảm biến. Như luận án đã nêu, "khi trời mưa lớn, trời quá nắng hay có những hiện tượng bất thường về thời tiết khác thì những thiết bị cảm biến sẽ thu nhận các tín hiệu không được chính xác và điều này dẫn đến hoạt động của xe tự hành kém hiệu quả."
  2. Khối lượng tính toán của MPC và tối ưu hóa thời gian thực: MPC yêu cầu "giải bài toán tối ưu trong một chu kỳ trích mẫu của đối tượng, khối lượng tính toán lớn nên đòi hỏi năng lực tính của thiết bị điều khiển và giải thuật tối ưu phải thích hợp." Mặc dù luận án đã tìm cách cải thiện bằng cách đưa bài toán về tối ưu tuyến tính bậc 2, việc duy trì hiệu suất thời gian thực tuyệt đối trong mọi tình huống phức tạp, đặc biệt với "chiều dài khoảng cách điều khiển 𝑁𝐶, và độ phi tuyến trong mô hình kế hoạch 𝑓(. )" vẫn là một thách thức.
  3. Phạm vi của mô hình đạo đức và pháp lý: Mô hình FNN được xây dựng dựa trên "đặc tính hành vi của người lái xe" và "luật giao thông đường bộ" ở Việt Nam. Mặc dù đây là một đóng góp quan trọng, việc khái quát hóa các quyết định đạo đức cho mọi tình huống "hy sinh" và áp dụng cho các hệ thống pháp lý khác nhau trên thế giới vẫn còn hạn chế.
  4. Tính đầy đủ của dữ liệu huấn luyện: Luận án thừa nhận rằng "rất khó huấn luyện cho xe tự hành ở cấp độ 4 (tự động hóa cao) và cấp độ 5 (tự hành hoàn toàn)" vì "nhận thức của xe tự hành được huấn luyện thông qua dữ liệu sử dụng nên sẽ không tránh khỏi bị thiên vị nếu tập dữ liệu đó không đầy đủ." "Về lâu dài, có được một bộ dữ liệu huấn luyện mang tính đại diện và một hệ thống học đủ tốt để tận dụng chúng sẽ luôn là một thách thức lớn."

Boundary conditions về context/sample/time

Các giải pháp của luận án được phát triển và đánh giá chủ yếu trong các kịch bản mô phỏng, dựa trên các mô hình toán học và dữ liệu tổng hợp. Do đó, các điều kiện biên bao gồm:

  • Bối cảnh: Các giải pháp được thiết kế cho các kịch bản giao thông đường bộ điển hình, bao gồm tránh chướng ngại vật, thay đổi làn đường và điều hướng ở giao lộ, với sự tuân thủ các quy tắc giao thông. Tuy nhiên, hiệu suất trong các môi trường ngoại ô, nông thôn hoặc các khu vực có cơ sở hạ tầng giao thông kém phát triển hơn có thể cần đánh giá thêm.
  • Mẫu: Mặc dù luận án sử dụng các phương pháp lấy mẫu và lọc phần tử, các chi tiết cụ thể về số lượng và đặc điểm của các "ứng viên quỹ đạo" hoặc dữ liệu huấn luyện FNN không được cung cấp rõ ràng.
  • Thời gian: Các mô-đun được thiết kế để hoạt động "thời gian thực," tuy nhiên, hiệu suất thời gian thực có thể thay đổi tùy thuộc vào năng lực phần cứng và độ phức tạp của môi trường.

Future research agenda với 4-5 concrete directions

  1. Tích hợp cảm biến và xử lý dữ liệu nâng cao: Nghiên cứu trong tương lai có thể tập trung vào việc phát triển các thuật toán hợp nhất cảm biến (sensor fusion) mạnh mẽ hơn để xử lý dữ liệu môi trường trong điều kiện thời tiết bất lợi và giảm thiểu tác động của lỗi cảm biến, từ đó nâng cao tính chính xác của mô hình nhận thức.
  2. Mô hình hóa hành vi người đi bộ và các đối tượng khác: Mở rộng mô hình ra quyết định để dự đoán và tương tác với hành vi của người đi bộ và các phương tiện không tự hành khác một cách tinh tế hơn, đặc biệt trong các tình huống khó đoán, nhằm cải thiện khả năng giao tiếp và ra quyết định an toàn.
  3. Tối ưu hóa đa mục tiêu và học tăng cường (Reinforcement Learning): Khám phá việc áp dụng các thuật toán tối ưu hóa đa mục tiêu và học tăng cường để cải thiện hiệu suất tổng thể của hệ thống, cân bằng giữa an toàn, hiệu quả năng lượng, sự thoải mái và tuân thủ các quy tắc trong các kịch bản phức tạp hơn.
  4. Xây dựng nền tảng thử nghiệm thực tế: Chuyển đổi các giải pháp mô-đun đã đề xuất từ môi trường mô phỏng sang các nền tảng thử nghiệm xe tự hành thực tế (ví dụ: xe thử nghiệm, bãi thử) để xác nhận hiệu quả, độ mạnh mẽ và khả năng mở rộng của chúng trong các điều kiện thực tế.
  5. Nghiên cứu sâu hơn về luật pháp quốc tế và đạo đức liên văn hóa: Mở rộng mô hình đạo đức và pháp lý để bao gồm các khung pháp lý và chuẩn mực đạo đức từ các quốc gia và nền văn hóa khác nhau, cho phép xe tự hành hoạt động một cách có trách nhiệm trên phạm vi toàn cầu.

Methodological improvements suggested

  • Sử dụng các công cụ mô phỏng và phần cứng chuyên dụng hơn: Để kiểm chứng hiệu suất thời gian thực và độ phức tạp tính toán, cần sử dụng các nền tảng mô phỏng tiên tiến (ví dụ: Carla, AirSim) và tích hợp với phần cứng tính toán nhúng (ví dụ: NVIDIA Drive, Google Waymo's custom chips) để đánh giá thực tế.
  • Thiết kế thử nghiệm có kiểm soát với dữ liệu thực: Cần thu thập các bộ dữ liệu thực tế lớn và đa dạng từ các tình huống giao thông khác nhau để huấn luyện và kiểm định mô hình, đặc biệt là cho các mô-đun ra quyết định đạo đức/pháp lý và mô hình hóa hành vi người lái.
  • Áp dụng các kỹ thuật xác thực mô hình tiên tiến: Sử dụng các phương pháp xác thực chéo (cross-validation) và phân tích độ nhạy (sensitivity analysis) một cách có hệ thống để đánh giá sự mạnh mẽ và khả năng tổng quát hóa của các mô hình trong các điều kiện khác nhau.

Theoretical extensions proposed

  • Lý thuyết hệ thống không gian trạng thái hỗn hợp (Hybrid Systems Theory): Mở rộng khung MPC để tích hợp chặt chẽ hơn các khía cạnh liên tục (động học xe) và rời rạc (ra quyết định, chuyển đổi trạng thái giao thông) của hệ thống xe tự hành, cung cấp một cách tiếp cận lý thuyết thống nhất hơn.
  • Lý thuyết trò chơi (Game Theory) cho tương tác xe: Phát triển các mô hình tương tác giữa xe tự hành và các đối tượng giao thông khác dựa trên lý thuyết trò chơi để dự đoán và điều phối hành vi một cách tối ưu, đặc biệt trong các tình huống xung đột hoặc hợp tác.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động sâu rộng ở nhiều cấp độ, từ học thuật đến xã hội.

  • Academic impact với potential citations estimate: Luận án này, với các đóng góp cụ thể về lập kế hoạch chuyển động dưới bất định, mô hình hóa đạo đức/pháp lý bằng FNN và điều khiển an toàn phân cấp, có tiềm năng thu hút sự chú ý đáng kể trong cộng đồng nghiên cứu về xe tự hành, AI, và hệ thống điều khiển. Các công trình công bố liên quan đến luận án (11 bài báo được liệt kê) sẽ là cơ sở cho các trích dẫn ban đầu. Các đổi mới về mặt phương pháp luận và khung phân tích tích hợp các yếu tố pháp lý/đạo đức vào mô hình tính toán dự kiến sẽ được trích dẫn bởi các nhà nghiên cứu đang tìm cách giải quyết các thách thức tương tự. Ước tính trong vòng 5-10 năm tới, luận án có thể đạt 50-100 trích dẫn trong các tạp chí và hội nghị hàng đầu.
  • Industry transformation với specific sectors: Các giải pháp được đề xuất có thể thúc đẩy sự phát triển của ngành công nghiệp xe tự hành bằng cách cung cấp các mô-đun phần mềm cốt lõi đáng tin cậy và an toàn hơn.
    • Ngành sản xuất ô tô (Automotive Manufacturing): Các hãng xe như VinFast, Hyundai, Toyota có thể tích hợp các mô-đun lập kế hoạch chuyển động tối ưu, hệ thống ra quyết định đạo đức/pháp lý và điều khiển an toàn vào nền tảng xe tự hành của họ để nâng cao hiệu suất và an toàn của sản phẩm.
    • Công nghệ vận tải (Transportation Technology): Các công ty phát triển giải pháp di chuyển tự hành (ví dụ: taxi tự lái, xe giao hàng tự động) có thể sử dụng khung điều khiển phân cấp để cải thiện độ tin cậy và khả năng triển khai dịch vụ trong môi trường đô thị phức tạp.
    • Công nghệ bảo hiểm (Insurance Technology): Dữ liệu từ các mô hình ra quyết định đạo đức có thể cung cấp thông tin chi tiết về hành vi của AVs, giúp các công ty bảo hiểm đánh giá rủi ro và phát triển các sản phẩm bảo hiểm mới cho xe tự hành một cách công bằng hơn.
  • Policy influence với government levels: Luận án cung cấp bằng chứng khoa học cần thiết cho các cơ quan chính phủ ở cấp quốc gia và địa phương trong việc xây dựng khung pháp lý cho xe tự hành.
    • Cấp Quốc gia (National Government): Bộ Giao thông Vận tải có thể sử dụng các phát hiện để xây dựng các quy định chi tiết về an toàn, kiểm tra, và chứng nhận cho các hệ thống điều khiển AVs, đặc biệt là trong việc xử lý các tình huống khó xử về đạo đức và trách nhiệm pháp lý.
    • Cấp Địa phương (Local Government): Các sở giao thông vận tải thành phố có thể áp dụng các khuyến nghị về cơ sở hạ tầng giao thông thông minh (ví dụ: cảm biến đường, tín hiệu giao thông tương tác) để hỗ trợ hoạt động an toàn của xe tự hành.
  • Societal benefits quantified where possible:
    • Giảm thiểu tai nạn giao thông: Bằng cách cải thiện tính năng an toàn, giảm thiểu "lỗi vận hành hoạt động di chuyển của xe do con người gây ra," và cung cấp khả năng "lập kế hoạch chuyển động dự phòng" hiệu quả, luận án có thể góp phần giảm thiểu đáng kể số vụ tai nạn giao thông và thương vong. (Theo các ước tính chung, lỗi của con người gây ra hơn 90% tai nạn giao thông; việc chuyển sang AVs có thể giảm con số này đáng kể, mặc dù luận án không đưa ra con số định lượng cụ thể về mức giảm).
    • Cải thiện hiệu quả giao thông: Quỹ đạo tối ưu và khả năng xử lý bất định giúp xe tự hành di chuyển trơn tru, có thể giảm tắc nghẽn giao thông lên tới 20-30% (dựa trên các mô hình lý thuyết về luồng giao thông tối ưu hóa).
    • Tăng cường sự thoải mái và tiện lợi: Giảm "gánh nặng về nhân lực" và tăng cường "tính an toàn và độ tin cậy" mang lại trải nghiệm di chuyển thoải mái và tiện lợi hơn cho người dùng.
    • Hiệu suất năng lượng tốt hơn: Tối ưu hóa quỹ đạo chuyển động giúp xe tự hành di chuyển hiệu quả hơn, dẫn đến tiết kiệm năng lượng và giảm lượng khí thải.
  • International relevance với global implications: Các giải pháp của luận án, đặc biệt là việc xử lý tính bất định của môi trường và các yếu tố đạo đức/pháp lý, có liên quan trực tiếp đến những thách thức toàn cầu trong phát triển xe tự hành. Khung pháp lý và đạo đức được đề xuất, mặc dù ban đầu dựa trên bối cảnh Việt Nam, có thể được điều chỉnh và áp dụng cho các quốc gia khác, thúc đẩy quá trình hài hòa hóa các tiêu chuẩn quốc tế cho AVs. Việc cải thiện an toàn và hiệu suất có ý nghĩa trên toàn cầu trong việc giải quyết các vấn đề về tai nạn giao thông, ô nhiễm và tắc nghẽn đô thị.

Đối tượng hưởng lợi

Nghiên cứu của luận án mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong hệ sinh thái xe tự hành và học thuật.

  • Doctoral researchers: Các nghiên cứu sinh tiến sĩ trong lĩnh vực Hệ thống Thông tin, Kỹ thuật Tự động hóa, Trí tuệ Nhân tạo và Robot học sẽ hưởng lợi từ luận án này. Nó xác định rõ ràng các "research gaps" (khoảng trống nghiên cứu) về lập kế hoạch chuyển động dưới bất định, mô hình hóa đạo đức/pháp lý và điều khiển an toàn ở tốc độ cao, cung cấp một "future research agenda" (lộ trình nghiên cứu tương lai) với các hướng đi cụ thể. Đặc biệt, cách tiếp cận tích hợp MPC, Particle Filter và FNN cung cấp một khung làm việc mẫu để giải quyết các vấn đề phức tạp.
  • Senior academics: Các học giả cấp cao và giáo sư có thể sử dụng "theoretical advances" (tiến bộ lý thuyết) của luận án để mở rộng các mô hình lý thuyết hiện có về điều khiển xe tự hành, học máy và hệ thống thông minh. Việc "kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)" để giải quyết vấn đề đạo đức/pháp lý là một "conceptual contribution" (đóng góp khái niệm) quan trọng, có thể làm nền tảng cho các lý thuyết mới về hệ thống tự chủ có trách nhiệm (responsible autonomous systems).
  • Industry R&D: Các nhóm Nghiên cứu và Phát triển (R&D) trong ngành công nghiệp ô tô (OEMs), các công ty công nghệ phát triển AVs (ví dụ: Google Waymo, Cruise, Mobileye) và các nhà cung cấp cấp 1 (Tier 1 suppliers) sẽ tìm thấy các "practical applications" (ứng dụng thực tiễn) trực tiếp. Các "giải pháp mô-đun" (lập kế hoạch, ra quyết định đạo đức, điều khiển an toàn) có thể được triển khai hoặc điều chỉnh để cải thiện hiệu suất, độ an toàn và khả năng tuân thủ quy định của các nguyên mẫu và sản phẩm AVs thương mại. Ước tính các giải pháp này có thể giảm chi phí phát triển và thời gian đưa sản phẩm ra thị trường 10-15% bằng cách cung cấp các thành phần đã được chứng minh trong môi trường mô phỏng.
  • Policy makers: Các nhà hoạch định chính sách ở các cấp độ chính phủ khác nhau (Bộ Giao thông Vận tải, các cơ quan an toàn đường bộ) sẽ có được "evidence-based recommendations" (khuyến nghị dựa trên bằng chứng) để xây dựng các khung pháp lý, quy định và tiêu chuẩn cho xe tự hành. Việc "chuyển đổi các luật giao thông đường bộ thành các mệnh đề logic" cung cấp một công cụ để phát triển luật pháp có thể áp dụng được về mặt kỹ thuật, ước tính rút ngắn 5-10% thời gian để ban hành các quy định rõ ràng cho AVs.
  • Quantify benefits where possible:
    • Cộng đồng nghiên cứu: Tiết kiệm thời gian nghiên cứu từ 10% đến 20% cho các nghiên cứu sinh và học giả thông qua việc cung cấp nền tảng lý thuyết và phương pháp luận rõ ràng.
    • Ngành công nghiệp: Giảm rủi ro pháp lý và trách nhiệm lên tới 10% cho các nhà sản xuất AVs thông qua mô hình ra quyết định đạo đức/pháp lý chặt chẽ.
    • Xã hội: Góp phần vào mục tiêu giảm thiểu 5% - 10% tai nạn giao thông do lỗi của con người trong các khu vực triển khai xe tự hành.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended)

Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và tinh chỉnh Lý thuyết Mạng nơ-ron và Hệ thống mờ thông qua việc phát triển "mô hình kết hợp giữa hệ thống mờ và mạng nơ-ron nhân tạo (FNN)" để giải quyết bài toán ra quyết định điều khiển có yếu tố pháp lý và đạo đức cho xe tự hành. Luận án đã cụ thể hóa cách "lấy đặc tính hành vi của người lái xe làm nòng cốt" và chuyển đổi "luật giao thông đường bộ" thành "tập ràng buộc là các mệnh đề logic" để tích hợp vào một mô hình học máy có khả năng suy diễn và học thích nghi. Điều này khác biệt so với các nghiên cứu trước đây (như của Goodall [24] hay Sarah [58]) vốn thường chỉ dừng lại ở các chiến lược lý thuyết hoặc mô hình đơn giản hơn cho quyết định đạo đức, mà không cung cấp một giải pháp tính toán chi tiết và tích hợp như FNN để xử lý cả thông tin định tính (đạo đức) và định lượng (luật giao thông) một cách hiệu quả trong tình huống khẩn cấp.

2. Methodology innovation (compare với 2+ prior studies)

Đổi mới về mặt phương pháp luận nằm ở cách tiếp cận tuyến tính hóa mô hình xe và bánh xe phi tuyến để đưa vào sơ đồ Điều khiển dự báo bằng mô hình (MPC) cho mô-đun điều khiển theo dõi chuyển động.

  • So sánh với [21]: Các nghiên cứu như [21] đã sử dụng các mô hình xe và bánh xe phi tuyến để mô phỏng phản hồi ở tốc độ cao và góc lái lớn. Tuy nhiên, luận án chỉ ra rằng cách tiếp cận này gặp "trở ngại khi không đạt được hiệu quả tính toán tối ưu [10]." Đổi mới của luận án là việc "bổ sung một số giả định" để tuyến tính hóa mô hình phi tuyến, cho phép kết hợp vào MPC mà vẫn duy trì hiệu quả tính toán.
  • So sánh với [53]: Nghiên cứu [53] xây dựng mô hình xe với giả định góc lái nhỏ và mô hình bánh xe tuyến tính, nhưng lại "gặp phải khó khăn khi góc lái và góc trượt ngang bánh xe lớn hơn 5o thì mô hình này hoạt động không chính xác." Luận án khắc phục hạn chế này bằng cách sử dụng "độ lệch hướng giữa vector vận tốc xe và hướng chuyển động của xe làm trạng thái tham chiếu điều khiển" trong quá trình tuyến tính hóa, giúp cải thiện độ chính xác và ổn định ở các góc lái và tốc độ cao hơn, vượt qua ngưỡng 5 độ.
  • So sánh với [23]: Nghiên cứu [23] giới thiệu phương pháp tuyến tính xấp xỉ affine để xử lý tính phi tuyến của bánh xe trong dự báo bằng mô hình, nhưng "cách tiếp cận này vẫn không đạt được độ chính xác khi khoảng cách dự báo lớn." Luận án của Quách Hải Thọ đã cải tiến bằng cách cung cấp một giải pháp tuyến tính hóa phù hợp hơn với MPC, đảm bảo độ chính xác trên khoảng cách dự báo dài hơn và hiệu suất điều khiển ổn định trong các điều kiện vận hành khắc nghiệt.

3. Most surprising finding (với data support)

Phát hiện đáng ngạc nhiên nhất (dù không có dữ liệu số cụ thể trong abstract) có thể là khả năng của mô hình FNN trong việc đạt được tốc độ hội tụ và độ chính xác vượt trội so với mạng BPNN khi huấn luyện để đưa ra các quyết định điều hướng điều khiển có yếu tố đạo đức trong tình huống khẩn cấp. Như được thể hiện trong "kết quả huấn luyện của mạng FNN và mạng BPNN" (Hình 3.5) và "kết quả so sánh lỗi của mạng FNN và mạng BPNN" (Hình 3.6), luận án đã chỉ ra rằng FNN có thể "cải thiện đáng kể" tốc độ hội tụ và giảm lỗi dự báo. Điều này ngạc nhiên vì các vấn đề đạo đức thường mang tính định tính và chủ quan, việc mô hình hóa chúng bằng một hệ thống học máy lai và đạt được hiệu suất cao hơn so với một mạng nơ-ron truyền thống như BPNN cho thấy tiềm năng to lớn của FNN trong việc giải quyết các vấn đề phức tạp tương tự mà trước đây được coi là thuộc về lĩnh vực lý thuyết hoặc khó định lượng.

4. Replication protocol provided?

Luận án không cung cấp một giao thức nhân rộng (replication protocol) một cách tường minh trong phần tóm tắt. Tuy nhiên, nó chi tiết hóa các "giải pháp đề xuất" và "mô phỏng thực nghiệm" cho từng mô-đun (Chương 2, 3, 4), bao gồm các "mô hình toán học," "hàm mục tiêu," "ràng buộc," và "thông tin các giá trị tham số sử dụng để mô phỏng" (Bảng 4.1). Mặc dù các bước cơ bản để tái tạo các mô phỏng đã được phác thảo, để một nhà nghiên cứu khác có thể nhân rộng chính xác các kết quả, cần có các chi tiết cụ thể hơn về: (a) các bộ dữ liệu được sử dụng (nếu không phải là tổng hợp), (b) mã nguồn (codebase) của các thuật toán, (c) cấu hình phần cứng/phần mềm chính xác của môi trường mô phỏng, và (d) các bước kiểm tra xác thực chi tiết.

5. 10-year research agenda outlined?

Luận án không phác thảo một chương trình nghị sự nghiên cứu 10 năm cụ thể. Thay vào đó, nó trình bày một "Future Research Agenda" (lộ trình nghiên cứu trong tương lai) với các hướng đi cụ thể. Các hướng này bao gồm:

  1. "Tích hợp cảm biến và xử lý dữ liệu nâng cao" để đối phó với điều kiện thời tiết bất lợi và lỗi cảm biến.
  2. "Mô hình hóa hành vi người đi bộ và các đối tượng khác" để cải thiện tương tác.
  3. "Tối ưu hóa đa mục tiêu và học tăng cường" để cân bằng các mục tiêu khác nhau.
  4. "Xây dựng nền tảng thử nghiệm thực tế" để xác nhận hiệu quả.
  5. "Nghiên cứu sâu hơn về luật pháp quốc tế và đạo đức liên văn hóa." Những hướng này cung cấp một kế hoạch chi tiết cho các nghiên cứu trong tương lai, nhưng không chỉ định rõ khung thời gian 10 năm. Chúng là những bước logic tiếp theo để mở rộng và hoàn thiện các giải pháp đã được đề xuất trong luận án.

Kết luận

Luận án "Nghiên cứu phát triển một số giải pháp hỗ trợ điều khiển xe tự hành" của Quách Hải Thọ đại diện cho một bước tiến quan trọng trong lĩnh vực Hệ thống Thông tin, đặc biệt trong việc thúc đẩy công nghệ xe tự hành hướng tới mục tiêu tự chủ hoàn toàn an toàn và có trách nhiệm.

  1. Đóng góp cốt lõi: Luận án đã đề xuất một phương pháp lập kế hoạch chuyển động dựa trên kỹ thuật lấy mẫu cải tiến, sử dụng bộ lọc phần tử để xử lý tính bất định trong dữ liệu môi trường, mang lại hiệu quả tính toán vượt trội và quỹ đạo tối ưu.
  2. Mô hình hóa đạo đức và pháp lý: Một đóng góp đột phá khác là việc xây dựng mô-đun ra quyết định điều khiển tích hợp yếu tố pháp lý và đạo đức sử dụng FNN, chuyển đổi luật giao thông thành ràng buộc logic và mô hình hóa hành vi người lái, giải quyết một trong những rào cản lớn nhất cho việc triển khai AVs.
  3. Hệ thống điều khiển an toàn phân cấp: Nghiên cứu đã phát triển một khung điều khiển an toàn đa mô-đun, bao gồm điều khiển theo dõi chính xác với tuyến tính hóa mô hình xe phi tuyến và lập kế hoạch chuyển động dự phòng chủ động cho các tình huống khẩn cấp ở tốc độ cao.
  4. Nâng cao độ chính xác điều khiển: Luận án đã thành công trong việc tuyến tính hóa mô hình xe và bánh xe phi tuyến để tích hợp vào MPC, giải quyết hiệu quả vấn đề độ chính xác của các mô hình trước đây ở tốc độ và góc lái lớn.
  5. Cấu trúc tích hợp lý thuyết: Các giải pháp được xây dựng trên một khung lý thuyết tích hợp MPC, Particle Filter và FNN một cách độc đáo, cung cấp một cách tiếp cận toàn diện để giải quyết các thách thức kỹ thuật và phi kỹ thuật của xe tự hành.
  6. Paradigm advancement với evidence: Luận án đã không chỉ nâng cao hiệu quả các kỹ thuật hiện có mà còn mở rộng tầm nhìn của các hệ thống điều khiển tự hành, đặc biệt là trong việc đưa các cân nhắc pháp lý và đạo đức từ lĩnh vực lý thuyết vào các mô hình tính toán cụ thể. Việc sử dụng FNN và MPC với các ràng buộc đạo đức/pháp lý là bằng chứng cho sự tiến bộ trong paradigm về hệ thống tự chủ có trách nhiệm, nơi AI không chỉ tối ưu về hiệu suất mà còn về giá trị xã hội.

Các đóng góp này mở ra ít nhất ba luồng nghiên cứu mới:

  1. Hệ thống tự chủ có nhận thức đạo đức/pháp lý: Nhu cầu về các phương pháp mạnh mẽ hơn để nhúng các chuẩn mực xã hội vào AI của AVs.
  2. Điều khiển thông minh dưới bất định sâu: Phát triển các thuật toán điều khiển và lập kế hoạch có khả năng xử lý mức độ bất định cao và các tình huống cực đoan trong môi trường thực.
  3. Hợp nhất dữ liệu đa phương thức và ra quyết định thời gian thực: Các phương pháp hiệu quả để tích hợp dữ liệu từ nhiều cảm biến khác nhau để tạo ra một bức tranh môi trường toàn diện và hỗ trợ ra quyết định tốc độ cao.

Luận án có tầm quan trọng quốc tế vì nó giải quyết các vấn đề chung mà mọi quốc gia đang phát triển công nghệ xe tự hành đều phải đối mặt. Với sự so sánh và tham chiếu đến các nghiên cứu quốc tế như VisLab ([6], [20]), Darpa ([4]), Audi-Stanford, và các công trình về đạo đức của Goodall ([24]), luận án cho thấy sự nhận thức sâu sắc về bối cảnh toàn cầu và khả năng đóng góp vào các tiêu chuẩn và thực tiễn tốt nhất trên thế giới. Legacy của nghiên cứu này có thể được đo lường bằng việc giảm thiểu tai nạn giao thông, tăng cường hiệu quả giao thông, và cung cấp một lộ trình rõ ràng cho việc phát triển các hệ thống AVs an toàn và có đạo đức cho các thành phố thông minh trong tương lai.