Giải pháp sử dụng mã nguồn mở kết hợp AI Vision thu thập dữ liệu trong giả lập giao thông

Mô phỏng giao thông đô thị là công cụ quan trọng trong quy hoạch và quản lý hệ thống giao thông hiện đại. Tuy nhiên, các giải pháp thương mại hiện nay như VISSIM thường đòi hỏi chi phí đầu tư cao, trong khi nhiều bài toán giao thông không nhất thiết cần đến những công cụ phức tạp và đắt đỏ này.

16:18 | 18/04/2025

Giảm thiểu ô nhiễm không khí cần sớm có giải pháp để đạt mục tiêu đề ra Giao thông xanh vì một Việt Nam phát triển bền vững Tích hợp công nghệ tự động hóa vào phương tiện giao thông xanh

Nghiên cứu này đề xuất một giải pháp sử dụng mã nguồn mở SUMO (Simulation of Urban MObility) kết hợp với công nghệ AI Vision để thu thập dữ liệu và mô phỏng giao thông. Giải pháp này không chỉ tiết kiệm chi phí mà còn cung cấp tính linh hoạt cao thông qua việc hỗ trợ đa dạng định dạng dữ liệu không gian và khả năng tích hợp với các công nghệ AI hiện đại. Kết quả thực nghiệm cho thấy giải pháp đề xuất có thể xây dựng bản sao số chính xác của hệ thống giao thông thực tế, hỗ trợ hiệu quả công tác quy hoạch đô thị, thử nghiệm các chiến lược điều khiển giao thông, và quản lý tình huống khẩn cấp. Giải pháp này đại diện cho một hướng tiếp cận tiết kiệm và hiệu quả trong việc phát triển hệ thống giao thông thông minh tại Việt Nam.

Thách thức từ đô thị

Nghị quyết 57-NQ/TW ngày 22/12/2024 của Bộ Chính trị "Về đột phá phát triển khoa học, công nghệ, đổi mới sáng tạo và chuyển đổi số quốc gia"; Quyết định 877/QĐ-TTG Thủ tướng Chính phủ ngày 22/07/2022 yêu cầu 100% các thành phố lớn trực thuộc trung ương triển khai lắp đặt hệ thống quản lý, điều hành giao thông thông minh năm 2025 đặt ra các thách thức và mục tiêu quan trọng nhằm hiện đại hóa hệ thống giao thông đô thị, hướng tới xây dựng các thành phố thông minh, an toàn và bền vững. Trong đó, việc tối ưu hóa quản lý giao thông đô thị được xác định là một trong những nhiệm vụ trọng tâm, góp phần nâng cao chất lượng cuộc sống người dân và thúc đẩy phát triển kinh tế - xã hội.

Thực trạng giao thông đô thị hiện nay đang đối mặt với nhiều thách thức nghiêm trọng. Theo số liệu thống kê, các thành phố lớn trên thế giới đang phải đối mặt với tình trạng tắc nghẽn giao thông ngày càng trầm trọng, gây thiệt hại kinh tế ước tính lên đến hàng tỷ đô la mỗi năm. Tại Hoa Kỳ, ùn tắc giao thông khiến mỗi người lái xe trung bình mất 771 USD hàng năm do thời gian bị lãng phí, tương đương với tổng thiệt hại kinh tế lên đến 74 tỷ USD trên toàn quốc.

Đối với Việt Nam, Hà Nội là một ví dụ điển hình cho những vấn đề giao thông mà các thành phố lớn đang đối mặt. Tính đến tháng 11/2022, tổng số phương tiện giao thông trên địa bàn là 7.784.657 phương tiện, trong đó có 1.056.423 xe ô tô và 6.545.317 xe máy, chưa kể còn khoảng 1,2 triệu phương tiện từ các tỉnh, thành phố khác. Trong khi đó, tỷ lệ diện tích đất dành cho giao thông trên diện tích đất xây dựng đô thị mới đạt khoảng 10,07%, chỉ bằng một nửa so với quy hoạch. Năm 2022, thành phố có 35 điểm ùn tắc, ngành giao thông xử lý được 8 điểm nhưng phát sinh 10 điểm mới, tồn tại 37 điểm ùn tắc.

Giải pháp sử dụng mã nguồn mở kết hợp AI Vision thu thập dữ liệu trong giả lập giao thông

Trong bối cảnh đó, các công cụ mô phỏng và giả lập giao thông đóng vai trò quan trọng trong việc quy hoạch, thiết kế và quản lý hệ thống giao thông. Tuy nhiên, các giải pháp thương mại như VISSIM, mặc dù có độ chính xác và tính năng vượt trội, lại đòi hỏi chi phí bản quyền cao, không phù hợp với nhiều dự án có ngân sách hạn chế hoặc quy mô nhỏ. Hơn nữa, nhiều bài toán giao thông không nhất thiết cần đến những công cụ phức tạp và đắt đỏ này để giải quyết hiệu quả.

Giải quyết cho vấn đề

Để giải quyết những thách thức trên, chúng tôi xin đề xuất giải pháp "Sử dụng mã nguồn mở kết hợp AI Vision thu thập dữ liệu trong giả lập giao thông" với các phương hướng triển khai như sau:

Thứ nhất: Sử dụng SUMO (Simulation of Urban Mobility) làm nền tảng mô phỏng giao thông. SUMO là phần mềm mô phỏng giao thông mã nguồn mở, có khả năng mô phỏng vi mô chuyển động của từng phương tiện trên mạng lưới đường. SUMO được thiết kế theo kiến trúc mô-đun linh hoạt, bao gồm nhiều công cụ hỗ trợ như NETEDIT để tạo và chỉnh sửa mạng lưới, DUAROUTER để tính toán lộ trình, và SUMO-GUI để hiển thị kết quả mô phỏng. Đặc biệt, SUMO hỗ trợ đa dạng các định dạng shape file như ESRI Shapefile, OpenStreetMap, GeoJSON,.. tạo tính linh hoạt cao trong việc nhập và xuất dữ liệu địa lý từ nhiều nguồn khác nhau.

Ảnh mô phỏng từ Sumo

Thứ hai: Tích hợp công nghệ AI VISION để thu thập dữ liệu giao thông thực tế. Hệ thống sử dụng các thuật toán AI Vision tiên tiến để xử lý hình ảnh từ camera giám sát, nhận diện và phân loại phương tiện, đếm lưu lượng, ước tính tốc độ và phát hiện sự cố giao thông. Dữ liệu này được chuyển đổi thành định dạng phù hợp với SUMO thông qua các mô-đun chuyển đổi dữ liệu chuyên dụng, tạo nên một hệ thống "digital twin" phản ánh tình trạng giao thông thực tế gần như theo thời gian thực.

Sumo nhận thông tin từ các cảm biến trên đường

Thứ ba: Xây dựng bản sao số của hệ thống giao thông thực tế. Dựa trên dữ liệu thu thập từ AI Vision và các nguồn khác như bản đồ GIS, dữ liệu cảm biến IoT, hệ thống tạo ra bản sao số chính xác của mạng lưới giao thông. Bản sao số này hoạt động như môi trường thử nghiệm ảo, cho phép các nhà quy hoạch đô thị và kỹ sư giao thông thử nghiệm các phương án mà không làm gián đoạn hoặc ảnh hưởng đến hệ thống giao thông thực. Hệ thống bản sao số có khả năng mô phỏng đa dạng các yếu tố hạ tầng giao thông Việt Nam như đường có làn ưu tiên, BRT, đường giao với đường sắt, cầu vượt, hầm chui, điểm chờ xe buýt, đường đang thi công và các công trình công cộng (bệnh viện, sân vận động, trung tâm thương mại, công sở). Ngoài ra, hệ thống còn tái hiện chính xác các tình huống bất thường thường gặp như tai nạn giao thông, sự kiện thu hút đông người, xe ưu tiên di chuyển và xe buýt đón trả khách. Đặc biệt, mô hình này còn mô phỏng được các hành vi tham gia giao thông đặc trưng của người Việt như xe vượt đèn đỏ, người đi bộ băng qua đường sai quy định, xe đi ngược chiều, xe đi sai làn đường cho phép, đỗ xe (do sự cố hoặc đón trả khách) và hiện tượng xe leo lên vỉa hè, tạo nên một môi trường thử nghiệm ảo toàn diện và sát với thực tế.

Quy trình tạo bản sao số

Thứ tư: Phát triển các công cụ phân tích và tối ưu hóa giao thông. Hệ thống cung cấp các công cụ phân tích dựa trên SUMO để hỗ trợ các quyết định quy hoạch đô thị, đánh giá tác động của các dự án phát triển đối với hệ thống giao thông, và tối ưu hóa phân bổ giao thông trong các khu vực đô thị đông đúc. Các công cụ này có thể mô phỏng nhiều kịch bản phát triển khác nhau, từ đó đánh giá tác động của từng kịch bản đến thời gian di chuyển, mức độ tắc nghẽn, và phát thải khí thải.

Thứ năm: Thử nghiệm các chiến lược điều khiển giao thông thông minh. Thông qua giao diện TraCI (Traffic Control Interface) của SUMO, các thuật toán điều khiển giao thông có thể tương tác với mô phỏng theo thời gian thực, cho phép đánh giá hiệu quả của các chiến lược khác nhau trong môi trường mô phỏng trước khi triển khai trong thực tế. Hệ thống hỗ trợ nhiều chiến lược điều khiển từ cơ bản đến nâng cao, bao gồm điều khiển đèn tín hiệu thích ứng, hệ thống thông tin biến thiên, và các giải pháp giao thông thông minh khác.

Sumo kết hợp với Unity, tạo ra các mô phỏng 3D phục vụ cho quy hoạch

Kết quả thực nghiệm tại ngã tư Vọng, quận Hoàng Mai, Hà Nội - một trong những nút giao phức tạp nhất Thủ đô với nhiều tuyến đường chồng chéo và đa dạng phương tiện - cho thấy giải pháp đề xuất mang lại khả năng mô phỏng chính xác đáng kinh ngạc. Hệ thống SUMO kết hợp AI Vision đã thành công trong việc mô phỏng đặc trưng giao thông hỗn hợp và đôi khi hỗn loạn của Việt Nam, bao gồm cả các tình huống phức tạp như xe máy len lỏi giữa các phương tiện lớn, người đi bộ băng qua đường không theo vạch kẻ, và xe buýt dừng đón trả khách,... Độ chính xác của mô phỏng đạt trên 85% khi so sánh với dữ liệu thực tế thu thập từ camera giám sát. Đặc biệt, chi phí triển khai giải pháp này chỉ bằng khoảng 30% so với việc sử dụng các phần mềm thương mại tương đương, trong khi vẫn đảm bảo khả năng mô phỏng các đặc thù giao thông địa phương mà các phần mềm nước ngoài thường không hỗ trợ tốt. Thành công này đặt nền móng vững chắc cho việc phát triển các giải pháp quản lý giao thông thông minh phù hợp với đặc thù Việt Nam trong tương lai.

Quá trình áp dụng các chiến lược điều khiển giao thông thông minh

Tuy nhiên, chúng tôi cũng nhận thấy một số thách thức cần được giải quyết trong tương lai. Độ chính xác của các mô hình AI Vision trong điều kiện thời tiết khắc nghiệt hoặc ánh sáng kém vẫn còn hạn chế. Việc đồng bộ hóa dữ liệu từ nhiều nguồn khác nhau đòi hỏi các giải pháp kỹ thuật phức tạp. Khi kích thước mạng lưới tăng lên, yêu cầu tính toán cho việc mô phỏng và tối ưu hóa thời gian thực cũng tăng đáng kể.

Hướng phát triển trong tương lai của giải pháp bao gồm việc tích hợp các mô hình học máy tiên tiến để dự đoán mẫu giao thông, phát triển các công cụ trực quan hóa và phân tích dữ liệu nâng cao, mở rộng phạm vi mô phỏng để bao gồm các phương thức giao thông khác như giao thông công cộng, đi bộ và xe đạp, và tích hợp với các hệ thống quản lý đô thị khác để tạo ra các giải pháp thành phố thông minh toàn diện.

Giải pháp sử dụng mã nguồn mở kết hợp AI Vision thu thập dữ liệu trong giả lập giao thông không chỉ là một giải pháp kỹ thuật tiết kiệm chi phí mà còn là một bước tiến quan trọng trong việc xây dựng hạ tầng giao thông thông minh, góp phần hiện thực hóa mục tiêu phát triển đô thị thông minh, bền vững tại Việt Nam. Với việc triển khai giải pháp này, chúng ta có thể kỳ vọng vào một mạng lưới giao thông hiệu quả hơn, an toàn hơn và thân thiện với môi trường hơn, đáp ứng nhu cầu di chuyển ngày càng tăng của người dân trong bối cảnh đô thị hóa nhanh chóng ■

Đào Xuân Trường, Nguyễn Trung Dũng, Nguyễn Đình Tuấn Đạt, Tạ Xuân Kiên

Tổng Công ty Giải pháp Doanh nghiệp Viettel
Email: truongdx14@viettel.com.vn, dungnnt114@viettel.com.vn,
datndt@viettel.com.vn, kientx@viettel.com.vn

Đường dẫn bài viết: https://tudonghoangaynay.vn/giai-phap-su-dung-ma-nguon-mo-ket-hop-ai-vision-thu-thap-du-lieu-trong-gia-lap-giao-thong-12989.htmlIn bài viết