Luận án TS: Giải pháp nhận dạng mặt đường giao thông sử dụng cảm biến quán tính và học máy

BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGÔ VĂN CÔNG NGHIÊN CỨU GIẢI PHÁP NHẬN DẠNG MẶT ĐƯỜNG GIAO THÔNG SỬ DỤNG CẢM BIẾN QUÁN TÍNH VÀ MÔ HÌNH HỌC MÁY LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN, ĐIỆN TỬ VÀ VIỄN THÔNG Hà Nội - 2026 BỘ GIÁO DỤC VIỆN HÀN LÂM KHOA HỌC VÀ ĐÀO TẠO VÀ CÔNG NGHỆ VIỆT NAM HỌC VIỆN KHOA HỌC VÀ CÔNG NGHỆ NGÔ VĂN CÔNG NGHIÊN CỨU GIẢI PHÁP NHẬN DẠNG MẶT ĐƯỜNG GIAO THÔNG SỬ DỤNG CẢM BIẾN QUÁN TÍNH VÀ MÔ HÌNH HỌC MÁY LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN, ĐIỆN TỬ VÀ VIỄN THÔNG Ngành: Kỹ thuật Điều khiển và Tự động hóa Mã số: 9 52 02 16 Xác nhận của Học viện Người hướng dẫn 1 Người hướng dẫn 2 Khoa học và Công nghệ (Ký, ghi rõ họ tên) (Ký, ghi rõ họ tên) GS. Trần Đức Tân TS. Trần Đức Nghĩa Hà Nội - 2026 i LỜI CAM ĐOAN Tôi xin cam đoan luận án: "Nghiên cứu giải pháp nhận dạng mặt đường giao thông sử dụng cảm biến quán tính và mô hình học máy" là công trình nghiên cứu của chính mình dưới sự hướng dẫn khoa học của tập thể hướng dẫn. Luận án sử dụng thông tin trích dẫn từ nhiều nguồn tham khảo khác nhau và các thông tin trích dẫn được ghi rõ nguồn gốc.

Các kết quả nghiên cứu của tôi được công bố chung với các tác giả khác đã được sự nhất trí của đồng tác giả khi đưa vào luận án. Các số liệu, kết quả được trình bày trong luận án là hoàn toàn trung thực và chưa từng được công bố trong bất kỳ một công trình nào khác ngoài các công trình công bố của tác giả. Luận án được hoàn thành trong thời gian tôi làm nghiên cứu sinh tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Hà Nội, ngày tháng năm 2026 Tác giả luận án Ngô Văn Công ii LỜI CẢM ƠN Luận án tiến sĩ được thực hiện tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam (Viện HL KH&CN Việt Nam), dưới sự hướng dẫn khoa học tận tình của GS.

Trần Đức Tân và TS. Trần Đức Nghĩa. Tác giả xin bày tỏ lòng biết ơn chân thành và sự kính trọng sâu sắc đối với các thầy trong Tập thể hướng dẫn khoa học, những người không chỉ truyền đạt nhiều kiến thức quý báu, kinh nghiệm nghiên cứu khoa học mà còn khuyến khích, động viên tác giả vượt qua những khó khăn trong chuyên môn và cuộc sống. Sự chuyên nghiệp, nghiêm túc trong nghiên cứu và những định hướng đúng đắn của các thầy là tiền đề quan trọng giúp tác giả có được những kết quả trình bày trong luận án này.

Tác giả xin trân trọng cảm ơn Ban lãnh đạo Viện Công nghệ Thông tin, Ban Giám đốc Học viện Khoa học và Công nghệ, Phòng Đào tạo, các Phòng Ban chức năng của Học viện và đặc biệt các nhà giáo, nhà khoa học tại Viện Hàn Lâm KH&CN Việt Nam đã quan tâm giúp đỡ, tạo mọi điều kiện thuận lợi về cơ sở vật chất, nguồn học liệu và các thủ tục hành chính cho tác giả trong quá trình học tập, nghiên cứu và hoàn thành luận án này. Tác giả xin chân thành cảm ơn tới Lãnh đạo Ủy ban Tiêu chuẩn Đo lường Chất lượng Quốc gia, Lãnh đạo Ban Đo lường và các đồng nghiệp cùng công tác đã động viên, tạo điều kiện cho tác giả trong quá trình thực hiện và hoàn thành luận án này. Đặc biệt tác giả xin bày tỏ lòng biết ơn sâu sắc tới Bố, Mẹ, và các thành viên trong gia đình, những người đã luôn động viên và truyền cảm hứng cho tác giả trong suốt quá trình nghiên cứu Hà Nội, ngày tháng năm 2026 Tác giả luận án Ngô Văn Công iii MỤC LỤC LỜI CAM ĐOAN. ii Danh mục các từ viết tắt.

v Danh mục các bảng. vii Danh mục hình vẽ. viii MỞ ĐẦU. TỔNG QUAN BÀI TOÁN PHÂN LOẠI MẶT ĐƯỜNG.

Tổng quan các nghiên cứu liên quan. Tiếp cận dựa trên ngưỡng. Tiếp cận dựa trên trích xuất đặc trưng và học máy. Tiếp cận dựa trên học sâu.

Trích xuất đặc trưng. Đặc trưng miền thời gian. Đặc trưng miền tần số. Đặc trưng miền thời gian – tần số kết hợp.

Trích chọn đặc trưng. Phương pháp lọc. Phương pháp bao. Phương pháp lai.

Mô hình học máy. Nhóm chỉ số đánh giá. Kết luận Chương 1. THUẬT TOÁN TRÍCH CHỌN ĐẶC TRƯNG LAI KẾT HỢP HỌC MÁY.

Bộ dữ liệu. Tiền xử lý dữ liệu. Mô hình học sâu LSTM. Mô hình học máy với bộ đặc trưng tối ưu.

Sử dụng bộ đặc trưng thống kê trên miền thời gian. Đề xuất kết hợp các thuật toán lai lọc-bao và học máy. Kết quả thực nghiệm và đánh giá. Kết luận Chương 2.

77 CHƯƠNG 3: XÂY DỰNG THIẾT BỊ GIÁM SÁT MẶT ĐƯỜNG. Mô hình hệ thống giám sát. Thiết bị thu thập dữ liệu và giám sát mặt đường. Cấu hình thiết bị phần cứng.

Môi trường thí nghiệm. Thu thập dữ liệu. Xây dựng tập dữ liệu. Trích xuất đặc trưng.

Trích chọn đặc trưng. Mô hình học máy phân loại mặt đường. Kết quả thực nghiệm và đánh giá. 108 DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ.

110 v Danh mục các từ viết tắt Viết tắt Tiếng anh Diễn giải ADAS Advanced Driver Hệ thống hỗ trợ người Assistance Systems lái tiên tiến gồm nhiều công nghệ để giúp lái xe an toàn ANN Artificial neural network Mạng trí tuệ nhân tạo Convolutional Neural Mạng nơ-ron tích chập CNN Network Chỉ một phương pháp làm đường bằng cách trộn đá dăm, xi măng và CKDVC Chất kết dính vô cơ nước rồi lu lèn chặt để tạo thành một lớp nền đường chắc chắn, có khả năng chịu lực cao Continuous Wavelet Biến đổi wavelet CWT Transform DL Deep learning Học sâu Discrete Wavelet biến đổi wavelet rời rạc DWT Transform DFT Discrete Fourier Biến đổi Fourier rời rạc Transform Deep Feedforward Mạng nơ-ron truyền DFN Networks thẳng sâu FT Fourier Transform Biến đổi Fourier FFT Fast Fourier Transform Biến đổi Fourier nhanh Mô hình hỗn hợp GMM Gaussian Mixture Model Gaussian GPS Global Positioning Hệ thống Định vị Toàn System cầu Mô hình học máy tăng GBM Gradient Boosting cường độ dốc KNN K-Nearest Neighbor Mô hình K-lân cận Long-Short Term Bộ nhớ dài-ngắn hạn LSTM Memory vi LiDAR Light Detection and Một công nghệ sử dụng Ranging ánh sáng laser để đo khoảng cách và tạo ra bản đồ 3D của môi trường xung quanh ML Machine learning Học máy Mạng nơ-ron nhiều lớp MLP Multilayer Perceptron truyền thẳng PSD Power Spectral Density Mật độ phổ công suất Pavement Condition Chỉ số tình trạng mặt PCI Index đường theo tiêu chuẩn ASTM ITS Intelligent Hệ thống giao thông Transportation Systems thông minh RMS Root mean square Giá trị hiệu dụng trung bình Receiver Operating Đường cong ROC ROC Characteristic Mô hình học máy Rừng RF Random Forest ngẫu nhiên eXtreme Gradient Mô hình học máy tăng XGBoost Boosting cường độ dốc cực đại Recurrent Neural Mạng nơ-ron hồi quy RNN Networks Short-Time Fourier Biến đổi Fourier thời STFT Transform gian ngắn vii Danh mục các bảng Bảng 1. Bảng xếp hạng theo chỉ số PCI [36]. Bảng minh họa về mức độ hư hỏng của mặt đường bê tông xi măng [36]. Phân loại tình trạng mặt đường theo chỉ số IRI [39].

Tổng quan về ưu điểm và hạn chế của 3 nhóm thiết bị. Tổng quan về một số nghiên cứu liên quan. Các đặc trưng miền thời gian được trích xuất từ dữ liệu cảm biến quán tính trên các phép đo thống kê, nhằm phục vụ cho việc phát hiện và phân loại bất thường mặt đường. Một số tham số được sử dụng trong đánh giá hiệu năng phân loại thường dùng trong bài toán phân loại mặt đường sử dụng phương pháp học máy.

Cấu hình phần cứng [9]. Số lượng mẫu dữ liệu. Số mẫu dữ liệu sau khi làm sạch. Dữ liệu sau khi thực hiện chia cửa sổ không chồng lấn.

Dữ liệu sau khi thực hiện chia cửa sổ chồng lần 30%. Dữ liệu sau khi thực hiện chia cửa sổ chồng lấn 50%. Dữ liệu sau khi thực hiện chia cửa sổ chồng lấn 70%. Các biến thể của mô hình LSTM được sử dụng.

Các đặc trưng miền thời gian được trích xuất. Kết quả thử nghiệm trong giai đoạn lọc. Độ chính xác phân loại sử dụng LSTM. Kết quả phân loại mặt đường với số lượng cảm biến khác nhau.

Hiệu năng phân loại của các thuật toán học máy khi sử dụng thuật toán trích chọn đặc trưng. Các tham số đánh giá mô hình học máy khi sử dụng 30 đặc trưng. Các ma trận nhầm lẫn. Cấu hình cài đặt thiết bị.

Giải thích về nhãn dữ liệu. Dữ liệu cảm biến trên mặt đường nhựa chất lượng khá. Dữ liệu cảm biến trên mặt đường nhựa chất lượng trung bình. Dữ liệu cảm biến trên mặt đường chất lượng kém.

Số lượng quan sát cho từng loại mặt đường. Số lượng quan sát cho từng loại mặt đường từ tập dữ liệu kiểm tra. Giá trị đặc trưng đại diện được trích xuất. Độ chính xác của 3 mô hình học máy.

Các chỉ số đánh giá hiệu năng. 106 viii Danh mục hình vẽ Hình 1. Một số hình ảnh các loại mặt đường ở Việt Nam. Một số bất thường thường gặp trên mặt đường ở Việt Nam (nguồn: internet).

Tổng quan về tiếp cận các phương pháp phát hiện, phân loại mặt đường sử dụng cảm biến quán tính. Các phương pháp đặt ngưỡng do Mednis và cộng sự đề xuất [15]. Ngưỡng và cửa sổ trượt theo Zheng và cộng sự đề xuất [49]. Sóng rung động khi xe đi qua gờ giảm tốc với tốc độ 20 km/giờ.

Mẫu xe là Toyota Camry 2013, và gờ giảm tốc cao 3,5 cm trong nghiên cứu của Zheng và cộng sự [50]. Phương pháp chung áp dụng các kỹ thuật học máy sử dụng cho nhiệm vụ phân loại. Sơ đồ thực hiện được đề xuất trong [33]. Phát hiện ổ gà sử dụng dữ liệu trục Z và X trong nghiên cứu [55].

Tổng quan về các kỹ thuật chung về xử lý dữ liệu cho trích xuất đặc trưng trong phân loại, phát hiện bất thường trên mặt đường. Phương pháp bao [86]. Ma trận nhầm lẫn trong bài toán phân loại mặt đường với 2 nhãn. Thiết bị được lắp đặt trên xe chạy thu thập trên ba nhãn mặt đường [9].

Sơ đồ khối thực hiện. Giá trị của gia tốc trên trục X, Y, Z theo thời gian của cảm biến gắn ở trong xe.