Quá trình đô thị hóa và gia tăng phương tiện cơ giới nhanh chóng tại Việt Nam đang tạo ra áp lực ngày càng lớn đối với hệ thống hạ tầng giao thông đường bộ. Tình trạng ùn tắc giao thông tại các đô thị lớn, quá tải trên một số tuyến quốc lộ, tỉnh lộ, các khu vực phát triển đô thị mới đặt ra yêu cầu cấp thiết về quy hoạch đầu tư, nâng cấp và khai thác hạ tầng giao thông dựa trên dữ liệu thực tế.
Trong bối cảnh lưu lượng phương tiện cơ giới ngày càng gia tăng, yêu cầu về dữ liệu giao thông có tính chính xác, liên tục và đa chiều ngày càng trở nên quan trọng đối với công tác quy hoạch, thiết kế, xây dựng, khai thác và bảo trì hạ tầng giao thông đường bộ. Xuất phát từ yêu cầu thực tiễn đó, Phòng Kỹ thuật và Công nghệ đường bộ (Trung tâm kỹ thuật và công nghệ phía Nam) đang nghiên cứu ứng dụng trí tuệ nhân tạo (AI) trong công tác đếm xe tự động và thu thập dữ liệu dòng phương tiện, hướng tới xây dựng phương thức quan trắc giao thông phù hợp với điều kiện giao thông hỗn hợp tại Việt Nam.
Tự động hoá thao tác, nâng cao hiệu quả quản lý
Dữ liệu về lưu lượng, thành phần phương tiện, hướng di chuyển, tốc độ và diễn biến dòng xe theo thời gian, không gian là một trong những nguồn dữ liệu đầu vào quan trọng nhất phục vụ quy hoạch và thiết kế hạ tầng giao thông. Các cơ sở dữ liệu gồm có các thông tin như số lượng phương tiện, loại xe, hướng di chuyển, lưu lượng theo giờ/ngày, tốc độ, mật độ giao thông, tỷ lệ xe tải, xe khách, xe con, xe máy...
Tuy nhiên, phương pháp đếm xe thủ công hiện vẫn phụ thuộc nhiều vào nhân lực và điều kiện khảo sát tại hiện trường. Phương pháp này khó triển khai trên diện rộng, khó duy trì liên tục trong thời gian dài và có thể phát sinh sai số do điều kiện thời tiết, ánh sáng, vị trí quan sát hoặc yếu tố chủ quan của người thực hiện. Trong khi đó, công tác quản lý và quy hoạch giao thông ngày càng đòi hỏi nguồn dữ liệu liên tục, đa chiều và có khả năng cập nhật theo thời gian thực.
Sự phát triển của học sâu (Deep Learning) và thị giác máy tính (Computer Vision) mở ra khả năng tự động hóa quá trình này. Thông qua phân tích dữ liệu hình ảnh, hệ thống AI có thể nhận dạng, phân loại, theo dõi và đếm phương tiện, qua đó chuyển đổi dữ liệu hình ảnh thành dữ liệu giao thông có cấu trúc.
Theo hướng tiếp cận của Trung tâm, mục tiêu của bài toán không chỉ dừng ở việc xác định số lượng phương tiện đi qua một vị trí, mà hướng tới xây dựng hệ thống thu thập dữ liệu giao thông tự động, liên tục và có khả năng mở rộng. Khi được triển khai trên mạng lưới camera, mỗi camera có thể đóng vai trò như một “cảm biến giao thông thông minh”, góp phần hình thành mạng quan trắc và cơ sở dữ liệu phục vụ phát triển hạ tầng giao thông số tại Việt Nam.
Kiến trúc và quy trình công nghệ
Hệ thống đếm xe tự động bằng AI được nghiên cứu theo hướng kết hợp giữa thiết bị thu thập dữ liệu, phần mềm xử lý tích hợp AI và nền tảng lưu trữ – phân tích dữ liệu.
Ở lớp thu thập dữ liệu, hệ thống có thể sử dụng Camera AI giao thông, Camera IP thông thường, có thể nâng cấp sử dụng thêm LiDAR để tăng độ nhận diện phương tiện. Bên cạnh dữ liệu hình ảnh, các cảm biến vật lý như cảm biến trục xe, cảm biến từ trường, cảm biến ống hơi hoặc cảm biến hồng ngoại cũng có thể được tích hợp nhằm hỗ trợ phát hiện phương tiện và hạn chế sai số do điều kiện thời tiết, ánh sáng của môi trường.
Camera thu thập dữ liệu
Ví dụ một số loại cảm biến
Trung tâm hiện đang nghiên cứu ứng dụng phần mềm T-Survey (được phát triển từ năm 2023 bởi Tiến sĩ Đặng Minh Tân – Trường Đại học Giao thông vận tải và đang trong quá trình hoàn thiện) để phục vụ xử lý dữ liệu đếm xe tự động bằng AI.
Phần mềm đếm xe tự động bằng AI
Về mặt thuật toán, hệ thống giải quyết đồng thời hai bài toán cốt lõi của thị giác máy tính:
- Nhận dạng đối tượng (Object Detection): Phát hiện vị trí và phân loại đối tượng trong từng khung hình.
AI nhận dạng đối tượng
- Theo dõi/truy vết đối tượng (Object Tracking): Gán ID cố định cho từng phương tiện và theo dõi quỹ đạo chuyển động của nó qua các khung hình liên tiếp để tránh đếm trùng.
AI theo dõi và truy vết đối tượng
Quy trình nghiên cứu được triển khai theo chuỗi xử lý gồm 5 bước chính:
(1) Thu thập dữ liệu (Data collecting): Xây dựng tập dữ liệu video và hình ảnh từ camera giao thông, khảo sát thực tế, các dự án và nguồn dữ liệu phù hợp, với nhiều điều kiện thời tiết và ánh sáng.
Ví dụ về việc thu thập dữ liệu
(2) Tiền xử lý và Dán nhãn (Data labeling): Áp dụng cơ chế AI in the loop kết hợp dán nhãn thủ công và tự động hóa để chuẩn hóa dữ liệu đầu vào. Hệ thống đã xây dựng bộ dữ liệu với hơn 200.000 nhãn phân loại chuẩn xác theo các quy chuẩn Bộ GTVT hiện hành (nay là Bộ Xây dựng).
Mô tả quy trình dán nhãn
(3) Huấn luyện mô hình (Model training): Sử dụng các mạng nơ-ron sâu (Pretrained models) cập nhật trọng số để tạo ra các "bộ não AI" có khả năng dự báo chính xác cao đối với dòng xe hỗn hợp phức tạp.
(4) Thiết lập vùng nhận dạng và cảm biến ảo (Virtual Sensors): Trên phần mềm (như Tramon), kỹ sư vẽ các khung vùng nhận dạng và các tuyến cảm biến đếm ảo cắt ngang mặt đường hoặc tại các nhánh nút giao. Khi phương tiện có ID cắt qua vạch cảm biến, hệ thống sẽ đếm và ghi nhận hướng di chuyển.
(5) Trích xuất và phân tích kết quả (Output): Dữ liệu đếm được tự động lưu trữ dưới dạng file .csv, tích hợp công cụ tự động vẽ biểu đồ phân loại phương tiện (15 nhóm phương tiện), biểu đồ lưu lượng theo thời gian thực (real-time).
Quy trình huấn luyện mô hình
Những thách thức kỹ thuật trong điều kiện giao thông Việt Nam
Một trong những vấn đề lớn đối với bài toán đếm xe bằng AI là thành phần dòng xe hỗn loạn tại Việt Nam. Với tỷ lệ xe máy cao (70-80%), phương tiện di chuyển đan xen, không đi theo làn đường cố định, bài toán nhận dạng và truy vết được nhận định có độ phức tạp cao. Bên cạnh đó, hệ thống sử dụng camera làm nguồn dữ liệu đầu vào còn chịu ảnh hưởng bởi ánh sáng, thời tiết, sự rung lắc của camera và thay đổi góc nhìn. Các yếu tố này có thể làm suy giảm chất lượng hình ảnh và ảnh hưởng đến kết quả nhận dạng.
Đối với phân loại xe tải theo số trục và tải trọng, dữ liệu hình ảnh từ camera đơn thuần còn có những hạn chế nhất định. Hướng nghiên cứu được đặt ra là kết hợp thêm các loại cảm biến chuyên dụng hoặc công nghệ LiDAR để nhận diện phương tiện ba chiều, từ đó xác định được trục và tải trọng xe. Ngoài ra có thể đối chiếu biến số xe mà AI thu nhận với dữ liệu đăng kiểm để xác định loại xe.
| Phân loại xe | Hình vẽ minh họa | Phân loại xe | Hình vẽ minh họa |
| Xe tải (2 trục, 4 bánh; có tải trọng dưới 2 tấn) | Xe tải (2 trục, 6 bánh; có tải trọng từ 10 tấn đến dưới 18 tấn) | ||
| Xe tải (2 trục, 4 bánh; có tải trọng từ 2 tấn đến dưới 4 tấn | Xe tải (3 trục; có tải trọng từ 4 tấn đến dưới 10 tấn) | ||
| Xe tải (2 trục, 6 bánh; có tải trọng từ 2 tấn đến dưới 4 tấn) | Xe tải ( ≥ 3 trục; có tải trọng từ 10 tấn đến dưới 18 tấn) | ||
| Xe tải (2 trục, 6 bánh; có tải trọng từ 4 tấn đến dưới 10 tấn) | Xe tải (≥ 3 trục; có tải trọng lớn hơn 18 tấn) |
Bảng phân loại xe tải (8 loại) theo Quyết định 543/QĐ-BGTVT
Tiềm năng ứng dụng trong xây dựng và quản lý hạ tầng đường bộ
Việc tự động hóa công tác đếm xe và thu thập dữ liệu dòng phương tiện có thể tạo ra nguồn dữ liệu đầu vào phục vụ nhiều bài toán kỹ thuật trong lĩnh vực đường bộ.
Về phục vụ thiết kế và xây dựng công trình giao thông, dữ liệu lưu lượng phương tiện có thể phục vụ xác định lưu lượng xe trung bình ngày đêm (AADT), quy đổi ra xe con tiêu chuẩn (PCU); lựa chọn quy mô số làn xe, năng lực thông hành, thiết kế nút giao và các điểm kết nối; tính toán tải trọng khai thác.
Về tối ưu hoá tổ chức và điều khiển giao thông, dữ liệu thu thập liên tục có thể hỗ trợ đánh giá mức độ phục vụ (Level of Service - LOS) của đoạn đường và nút giao; tính toán chu kỳ đèn tín hiệu giao thông linh hoạt (Adaptive Traffic Signal control); phân luồng và điều hướng giao thông thời gian thực, cho phép tận dụng làn khẩn cấp hoặc điều chỉnh tốc độ giới hạn để làm tăng khả năng thông hành, giảm ùn tắc.
Đối với lập kế hoạch bảo trì và quản lý thu phí (Toll collection), các dữ liệu phương tiện có tiềm năng phục vụ giám sát, đối soát lưu lượng phương tiện tại các trạm thu phí; riêng dữ liệu lưu lượng xe tải trọng nặng có thể hỗ trợ đánh giá tốc độ suy giảm chất lượng mặt đường.
Trạm thu phí tại Việt Nam
Xa hơn, dữ liệu về quỹ đạo, tốc độ và hành vi phương tiện có thể được khai thác cho các bài toán nhằm nâng cao an toàn giao thông và giám sát vi phạm, như nhận diện đi ngược chiều, đi sai làn, vượt đèn đỏ, dừng đỗ trái phép hoặc xác định các “điểm đen” có nguy cơ xung đột giao thông cao để cải tạo kịp thời.
Vi phạm giao thông được xác định bằng AI
Hướng tới xây dựng cơ sở dữ liệu giao thông dùng chung
Từ kết quả nghiên cứu, Trung tâm Kỹ thuật và Công nghệ đường bộ phía Nam (S-RETC) định hướng xây dựng dữ liệu đếm xe theo cấu trúc thống nhất gồm Thời gian – Vị trí – Hướng – Làn – Loại phương tiện – Tải trọng – Số lượng – Tốc độ. Đây là tiền đề để từng bước hình thành cơ sở dữ liệu giao thông dùng chung, phục vụ công tác xây dựng, quản lý và phát triển hạ tầng giao thông đường bộ.
Ngoài ra, S-RETC cũng có kiến nghị thêm về việc chuyển đổi cơ chế đầu tư từ “Mua camera” sang “Mua dịch vụ dữ liệu giao thông”. Theo đó, cơ quan quản lý có thể đặt hàng dịch vụ cung cấp dữ liệu tại các điểm quan trắc trong một khoảng thời gian xác định, trong khi đơn vị cung cấp sẽ phải chịu trách nhiệm đầu tư, vận hành và bảo trì hệ thống. Cách tiếp cận này hướng trọng tâm đầu tư của Cơ quan quản lý nhà nước vào chất lượng, tính liên tục và khả năng khai thác của dữ liệu thay vì chỉ trả tiền cho thiết bị.
Trung tâm cũng đề xuất nghiên cứu thí điểm đếm xe tự động bằng AI trên các tuyến cao tốc có các trạm TMC do Trung tâm đang quản lý, vận hành. Qua đó đối chiếu dữ liệu giữa hệ thống AI và dữ liệu hiện có, đánh giá mức độ phù hợp trước khi xem xét mở rộng phạm vi ứng dụng.
Kết luận
Nghiên cứu ứng dụng AI trong đếm xe tự động đang mở ra hướng tiếp cận mới đối với công tác khảo sát và thu thập dữ liệu giao thông đường bộ. Giá trị của công nghệ không chỉ nằm ở việc thay thế phương thức đếm xe thủ công, mà quan trọng hơn là tự động hóa quá trình hình thành dữ liệu giao thông có cấu trúc, liên tục và có khả năng tích hợp với các hệ thống quản lý hạ tầng.
Việc tiếp tục hoàn thiện mô hình AI, mở rộng dữ liệu huấn luyện, kết hợp đa dạng nguồn cảm biến và kiểm chứng trong điều kiện giao thông thực tế sẽ là cơ sở quan trọng để đánh giá khả năng ứng dụng, từng bước làm chủ công nghệ và phục vụ quá trình chuyển đổi số trong quản lý, khai thác và phát triển hạ tầng giao thông đường bộ.
