CHƢƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG HÀNH VI
1.4 Một số nghiên cứu liên quan
Trong bài tốn nhận dạng hành vi giao thơng sử dụng cảm biến thu được từ điện thoại của người điều khiển phương tiện. Cĩ nhiều yếu tố ảnh hưởng đến hành vi của người điều khiển phương tiện nên cần xác định, lựa chọn các yếu tố cần thiết phù hợp với yêu cầu của bài tốn nhằm đưa ra giải pháp hiệu quả trong từng điều kiện, hồn cảnh cụ thể.
Vì vậy, một số nghiên cứu về lĩnh vực này đã lựa chọn, thực hiện nhận dạng hành động, hành vi giao thơng với các thơng tin, dữ liệu đầu vào khác nhau như: Sử dụng số lượng các cảm biến khác nhau, vị trí thiết bị cố định hoặc cĩ thể thay đổi. Sử dụng các kỹ thuật giảm nhiễu, tiền xử lý dữ liệu khác nhau. Các kỹ thuật, mơ hình nhận dạng, phát hiện hành vi khác nhau trong điều kiện hồn cảnh cụ thể.
Sự kết hợp các loại tín hiệu như tín hiệu hình ảnh, GPS với một số tín hiệu khác được tích hợp trong điện thoại làm dữ liệu đầu vào cho các hệ thống nhận dạng đã thu được những kết quả khả quan. Tuy nhiên, chỉ sử dụng cảm biến gia tốc sẽ ít tiêu tốn năng lượng. Hơn nữa, cảm biến này được gắn kèm ở hầu hết ở các chủng loại điện thoại hoặc các thiết bị cá nhân khác. Hướng tiếp cận này đã và đang nhận được sự quan tâm của cộng đồng nghiên cứu trong thời kỳ phát triển của cuộc cách mạng cơng nghiệp 4.0. Các nghiên cứu liên quan đến nhận dạng hành động, hành vi giao thơng sử dụng cảm biến điện thoại được thể hiện ở một số cơng bố sau: Hệ thống phân tích, hỗ trợ giám sát tai nạn giao thơng dựa vào ba trục cảm biến gia tốc và tọa độ GPS kết hợp với cảm biến hình ảnh thu được từ điện thoại thơng minh của tác giả Goregaonkar, Roma [16] và cộng sự đã phân tích, phát hiện các sự kiện giao thơng rồi mơ phỏng trên hệ thống bản đồ của đơ thị cũng như cung cấp một số dịch vụ khác qua hệ thống máy chủ. Dữ liệu cảm biến và các loại dữ liệu khác được gửi từ điện thoại về máy chủ để phân tích, tính tốn thực hiện yêu cầu
bài tốn, sau đĩ cung cấp kết quả, thơng tin đến các đối tượng yêu cầu bằng bởi dịch vụ của máy chủ.
Trong nghiên cứu của mình, tác giả Johnson, Derick A [17] và cộng sự đã xác định các kiểu lái xe dựa trên các hành vi được xác định từ dữ liệu cảm biến của điện thoại thơng minh; trong đĩ tọa độ GPS được sử dụng như là một thành phần kết hợp với các cảm biến của điện thoại nhằm đưa ra những thơng tin về các hành vi của người lái xe. Việc kết hợp sử dụng GPS là một trong những yếu tố gây tiêu hao năng lượng của thiết bị di động.
Cũng sử dụng cảm biến tọa độ, hệ thống hỗ trợ lái xe an tồn của Liu, Zhenyu [13] đã dựa trên cảm biến của điện thoại kết hợp với GPS, trong đĩ GPS được sử dụng kết hợp phát hiện trạng thái của hệ thống đồng thời xác định vị trí của các đối tượng trong bản đồ mơ phỏng.
Với trường hợp vị trí điện thoại cố định trên phương tiện hoặc hướng phương tiện di chuyển, các hành vi cĩ thể xác định dựa trên mẫu dữ liệu tín hiệu của các trục tương ứng. Do đĩ, cĩ thể sử dụng kỹ thuật so khớp, đánh giá hành vi dựa vào ngưỡng thay đổi cho trước hoặc sử dụng phương pháp phân lớp để phát hiện, nhận dạng hành vi giao thơng.
Khi điện thoại thay đổi vị trí trong hành trình giao thơng dẫn đến các trục tọa độ của thiết bị khơng cố định so với hướng chuyển động của phương tiện. Việc lấy mẫu dữ liệu của các hành vi khơng thể dựa vào từng trục tọa độ riêng biệt dẫn đến nhu cầu cần một phương pháp phân tích để làm rõ tính chất, mức độ của hành động, hành vi trên chuỗi dữ liệu thu được. Một trong các phương pháp thường được áp dụng cho trường hợp này là sử dụng các thuộc tính đặc trưng. Trên mỗi đoạn dữ liệu tín hiệu, sử dụng tập thuộc tính đặc trưng này để biến đổi, trích xuất dữ liệu cảm biến thành dữ liệu đặc trưng với mong muốn áp dụng các kỹ thuật khác nhau trên dữ liệu mới - dữ liệu đặc trưng nhằm nhận dạng hành động, hành vi giao thơng.
Dựa trên các mẫu dữ liệu tín hiệu của hành vi đã được thu thập và tiền xử lý, hai phương pháp phổ biến thường được sử dụng nhận dạng hành động, hành vi giao thơng đĩ là so khớp với dữ liệu mẫu và phương pháp phân lớp dữ liệu để tìm ra các
hành động, hành vi theo yêu cầu của bài tốn. Tùy vào từng yêu cầu, điều kiện cụ thể sẽ lựa chọn, áp dụng những phương pháp hợp lý để thu được kết quả khả quan bởi các phương pháp đánh giá kết quả khác nhau.
Phương pháp nhận dạng hành vi bất thường sử dụng cảm biến điện thoại thơng minh được đề xuất trong nghiên cứu [18] của tác giả Ali, Aya Hamdy và các cộng sự thu thập 8 mẫu hành động là rẽ trái, rẽ phải, sang làn bên trái, sang làn bên phải và rẽ trái bất thường, rẽ phải bất thường, sang làn bên trái bất thường, sang làn bên phải bất thường làm dữ liệu mẫu hành vi cho hệ thống nhận dạng. Tác giả sử dụng hai kỹ thuật để phát hiện hành vi đĩ là kỹ thuật phân lớp bởi thuật tốn k-NN và kỹ thuật so khớp sử dụng DTW. Thực nghiệm được tiến hành trên phương tiện ơ tơ, thu thập dữ liệu trong thành phố. Thiết bị thu cảm biến gắn cố định vào phương tiện trong quá trình thực nghiệm. Kỹ thuật lọc thơng thấp được áp dụng khi tiền xử lý dữ liệu giúp hệ thống cĩ dữ liệu giảm nhiễu, ổn định, hiệu quả trong việc đốn nhận. Kết quả nhận dạng đối với k-NN đánh giá trên độ đo chính xác là 98.67%; với kỹ thuật DTW, độ chính xác là 96.75%. Kết quả nghiên cứu cho thấy, kỹ thuật phân lớp trong trường hợp này cho thấy kết quả tốt hơn kỹ thuật DTW. Nghiên cứu đã cho thấy, nhận dạng hành vi sử dụng cảm biến dựa trên phương pháp phân lớp cho kết quả cao hơn.
Trong nghiên cứu [19] của tác giả Li Liu và các cộng sự dùng cảm biến gia tốc sử dụng kỹ thuật trích xuất dữ liệu đặc trưng từ dữ liệu cảm biến thu được trong trường hợp vị trí điện thoại thu dữ liệu được xác định trước. Tác giả đã xây dựng kỹ thuật nhận dạng 18 hành động dựa trên từ điển các mẫu tín hiệu “shapelet dictionary”; đồng thời so sánh với các thuật tốn phân lớp khác nhau như: J48, LR, ANN, NB, k-NN, DT và SVM. Thực nghiệm sử dụng cơng cụ Weka, áp dụng đánh giá kết quả bởi kỹ thuật kiểm chứng chéo - CV10 trên tập dữ liệu huấn luyện thu được. Kết quả độ chính xác trung bình của các hành động cao nhất của phương pháp đề xuất là 96.54%; thuật tốn phân lớp cho kết quả độ chính xác cao nhất đối với ANN là 96.44%; thấp nhất đối với DT 62.46%. Tuy nhiên, giới hạn của nghiên cứu là vấn đề thời gian phát hiện khi số lượng mẫu lớn, tăng nhanh cũng như thực
hiện với vị trí điện thoại cố định sẽ khơng được thân thiện khi ứng dụng vào thực tiễn. Nghiên cứu cũng cho thấy, độ chính xác được đánh giá bởi phương pháp kiểm chứng chéo 10 – fold dựa trên các bộ phân lớp thực hiện bởi Weka là khả thi và tin cậy được.
Nhận dạng, phát hiện các hành vi an tồn hay khơng an tồn sử dụng cảm biến gia tốc của điện thoại trong nghiên cứu [20] được Vavouranakis và các cộng sự thực hiện. Tác giả kết hợp cảm biến gia tốc, con quay hồi chuyển và từ kế để xác định giá trị thay đổi trên các trục và các gĩc xoay của dữ liệu cảm biến gia tốc. Kỹ thuật cửa sổ phân đoạn dữ liệu cảm biến thành các cửa sổ dữ liệu cĩ kích thước 2 giây được sử dụng để tính tốn sự thay đổi của đại lượng cần được tính tốn. Qua đĩ, đánh giá, xác định các hành vi bằng phương pháp so các giá trị này với ngưỡng giá trị được chọn trước nhằm đánh giá các hành vi đĩ an tồn hay khơng an tồn. Thực nghiệm nhận dạng 12 hành vi là: tăng tốc nhanh, tăng tốc an tồn, giảm tốc đột ngột, giảm tốc an tồn; rẽ trái, rẽ phải an tồn, rẽ trái, rẽ phải khơng an tồn, sang đường bên trái, bên phải an tồn và khơng an tồn.
Phương pháp sử dụng ngưỡng giá trị thay đổi của các gĩc xoay phù hợp với thực tiễn. Tuy nhiên, xác định được các ngưỡng giá trị thay đổi của các hành vi xảy ra trong một thời gian ngắn là một sự khĩ khăn, bởi mỗi cá nhân, mỗi điều kiện, hồn cảnh thực nghiệm cĩ sự khác nhau và dữ liệu cảm biến gia tốc của điện thoại thường cĩ nhiều nhiễu, khĩ xác định chính xác. Việc lựa chọn ngưỡng phù hợp cũng phụ thuộc vào các yếu tố các biệt, gây nhiễu, cần được khảo sát chi tiết, lựa chọn chính xác trong từng điều kiện cụ thể.
Các hành vi lái xe khơng bình thường được nhận dạng bằng tín hiệu cảm biến của điện thoại gắn cố định trên phương tiện được tác giả Yu, Jiadi cùng cộng sự nghiên cứu trong nghiên cứu [15] nhằm phát hiện 6 hành vi lái xe bất thường. Phương pháp thu thập và trích xuất dữ liệu bởi 152 thuộc tính gồm 16 thuộc tính gốc và 136 thuộc tính dẫn xuất. Các hành vi bất thường sử dụng trong thực nghiệm là rẽ trái và rẽ phải liên tục (weaving), chuyển hướng đột ngột (swerving), trượt võng (slidelipping), quay đầu đột ngột (Fast U- turn), rẽ với gĩc rộng, và phanh đột
ngột. Tập dữ liệu trích xuất được sử dụng để xây dựng mơ hình đốn nhận các hành vi bất thường dựa trên hai thuật tốn là véc tơ tựa và mạng nơ ron. Kết quả độ chính xác trung bình phát hiện các hành vi bất thường với véc tơ tựa là 95.36% và với mạng nơ ron là 96.88%.
Các hành động rẽ trái, rẽ phải, quay đầu; rẽ trái bất ngờ, rẽ phải bất ngờ, quay đầu bất ngờ, sang làn đường bên trái, sang làn đường bên phải dựa vào các cảm biến gia tốc, con quay hồi chuyển và từ kế cùng GPS đã được tác giả Derick A. Johnson và cộng sự với nghiên cứu thực hiện trong nghiên cứu [5]. Hệ thống nhận dạng các kiểu lái xe này cĩ tên là “MIROAD” sử dụng điện thoại thơng minh gắn cố định ở chính giữa của ơ tơ để nhận dạng các kiểu hành động. Dữ liệu cảm biến được thu với tần số 25Hz và GPS được sử dụng cho việc tính tốn tốc độ của phương tiện. Nghiên cứu khảo sát dựa trên các tập dữ liệu với các dữ liệu cảm biến khác nhau đĩ là tập dữ liệu biến gia tốc thơ; tập dữ liệu cĩ giá trị cảm biến gia tốc đã được xử lý chuyển hướng được tính từ ma trận chuyển bởi sự kết hợp với dữ liệu con quay hồi chuyển và từ kế; tập mẫu dữ liệu của các hành động được thu thập làm cơ sở đốn nhận các hành động bằng kỹ thuật so khớp (DTW). Kết quả của nghiên cứu cho thấy, nếu chỉ sử dụng một mình dữ liệu cảm biên gia tốc sẽ thấp hơn (độ chính xác 23% với cảm biến gia tốc, 46% với con quay hồi chuyển khi nhận dạng hành vi quay đầu) so với kết hợp với kết hợp cả ba loại dữ liệu cảm biến với nhau (độ chính xác 77% khi nhận dạng hành vi quay đầu). Tác giả đã đưa ra các khái niệm về các hành động cơ bản của người lái xe trên mỗi phương tiện để từ đĩ xây dựng nên cách đánh giá kiểu dạng lái xe; và cho thấy kỹ thuật so khớp DTW cĩ kết quả khả quan trong nhận dạng các hành động. Tuy nhiên, nghiên cứu vẫn cần phải cố định điện thoại thơng minh.
Một số nghiên cứu nhận dạng các hành vi lái xe nguy hiểm dựa trên điện thoại cĩ thể thay đổi vị trí khi phương tiện đang di chuyển như nghiên cứu [21] của tác giả Li, Fu và các cộng sự. Tuy nhiên, điện thoại vẫn đặt nằm ngang ở các vị trí khác nhau trên xe taxi ở Bắc Kinh, Trung Quốc khi thu thập dữ liệu cảm biến gia tốc và con quan hồi chuyển nhằm phát hiện 4 mẫu dạng hành vi lái xe nguy hiểm.
Phương pháp tính các gĩc xoay của hệ tọa độ phương tiện so với hệ tọa độ của trái đất được áp dụng, từ đĩ cĩ thể xác định độ lớn của gĩc xoay khi phương tiện rẽ trái và rẽ phải, kết hợp với tốc độ của phương tiện để xác định hành vi nguy hiểm. Kết quả của nghiên cứu khi phát hiện các hành vi bất thường chính xác đến 90%. Nghiên cứu chỉ thực hiện trên phương tiện ơ tơ trong mơi trường cụ thể cĩ độ ổn định nhất định khi thực nghiệm.
Qua một số nghiên cứu trên cho thấy, các bài tốn phát hiện, nhận dạng hành động, hành vi giao thơng phụ thuộc và chịu tác động lớn từ việc xác định, thu thập các mẫu dữ liệu tín hiệu cảm biến, sự thay đổi vị trí gây nhiễu dẫn đến sự sai lệch khi lấy dữ liệu mẫu. Kỹ thuật giảm nhiễu của dữ liệu tín hiệu thơ thường được tiến hành theo hai phương pháp cơ bản là sử dụng một đại lượng được biến đổi từ giá trị trên cả ba trục tọa độ, giá trị này ít chịu ảnh hưởng do các trục tọa độ thay đổi khi phương tiện di chuyển. Phương pháp tiếp theo là sử dụng các kỹ thuật chuyển trục nhằm giảm nhiễu dữ liệu như trong nghiên cứu [14] của tác giả Jing Chen và các cộng sự đã sử dụng các cảm biến của điện thoại thơng minh để xác định một số hành vi khi người tham gia giao thơng điều khiển phương tiện cĩ hành vi nguy hiểm như đi nhanh, thay đổi hướng lái xe bất thường và thay đổi tốc độ bất thường với kết quả trung bình về độ đo chính xác (Precision) là 93.95% và độ đo hồi tưởng (Recall) là 90.54%. Tác giả cố định điện thoại trên mặt phẳng nằm ngang với tần số 1Hz và dữ liệu được biến đổi hệ tọa độ theo hệ tọa độ của trái đất và sử dụng lọc dữ liệu sử dụng hàm lọc trước khi sử dụng nhằm giảm nhiễu dữ liệu.
Trong phương pháp biến đổi dữ liệu cảm biến thơ thành dữ liệu đặc trưng dựa trên kỹ thuật phân đoạn chuỗi tín hiệu thành các cửa sổ dữ liệu được đề cập ở một số nghiên cứu nhận dạng các hành động, hành vi cả khi vị trí điện thoại cố định hoặc khơng cố định. Dựa trên dữ liệu đặc trưng thu được làm cơ sở phân tích, đánh giá, xây dựng hệ thống nhận dạng hành vi, từ đĩ đưa ra các kết luận về các loại hành động, hành vi giao thơng.
Vấn đề gặp phải của hướng tiếp cận này đĩ là lựa chọn được kích thước cửa sổ và chồng dữ liệu phù hợp, chứa đầy đủ thơng tin về một hành động, hành vi. Dựa
vào các tập thuộc tính để biến đổi thành các giá trị đặc trưng đại diện cho tính chất của các hành động, hành vi đĩ. Một số nghiên cứu đã khảo sát và đưa ra tập thuộc tính dựa trên các miền khác nhau đĩ là miền thời gian, miền tần số. Như trong nghiên cứu [22] của tác giả Pham Cuong và cộng sự phát hiện các hoạt động của người điều khiển phương tiện dựa theo hướng tiếp cận sử dụng trích xuất đặc trưng trên các cửa sổ dữ liệu cảm biến điện thoại thơng minh. Thực nghiệm tiến hành trên 12 đối tượng để điện thoại thơng minh trong túi, phát hiện 07 hoạt động đi bộ, chạy, đi xe đạp, dừng, đi ơ tơ, lái xe và hành động khác. Vị trí của điện thoại được xác định nên tập thuộc tính đề xuất là các giá trị về thống kê, năng lượng và cĩ 2 tham số Hjorth – Mobility và Hjorth Complexity tham gia vào trích xuất các đặc trưng qua đĩ xây dựng tập dữ liệu huấn luyện cho hệ thống nhận dạng bởi phương pháp