[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%AF%20li%E1%BB%87u%20%C4%91a%20c%E1%BA%A3m%20bi%E1%BA%BFn{\"limit\":5}":3,"_public_topic_byId_d%E1%BB%AF%20li%E1%BB%87u%20%C4%91a%20c%E1%BA%A3m%20bi%E1%BA%BFn":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":20,"discipline":21,"references":22,"faqs":62,"createUser":75,"publishUser":79,"keywords":80,"keywordCount":76,"enrichTopicLink":81,"status":82,"createTime":83,"updateTime":84,"publishTime":85,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":86,"wikidataId":10,"relateTopics":87},"dữ liệu đa cảm biến","Dữ liệu đa cảm biến (multi-sensor data) là gì?","Dữ liệu đa cảm biến là gì? Cấu trúc, mô hình JDL, nguyên lý hợp nhất dữ liệu cùng ứng dụng thực tiễn trong xe tự hành, quan trắc và đo lường.","\u003Cp>\u003Cstrong>Dữ liệu đa cảm biến\u003C\u002Fstrong> (tiếng Anh: \u003Cem>multi-sensor data\u003C\u002Fem>) là tập hợp các tín hiệu hoặc dòng dữ liệu số được thu nhận đồng thời hoặc phối hợp từ hai hay nhiều cảm biến vật lý khác nhau nhằm đo lường, theo dõi và phản ánh các khía cạnh trạng thái của cùng một đối tượng hoặc môi trường quan trắc. Khái niệm này đóng vai trò nền tảng trong các hệ thống điều khiển tự động, robot di động, thiết bị tự hành, quan trắc môi trường và công nghiệp thông minh, nơi thông tin từ một thiết bị đo đơn lẻ không đủ độ tin cậy hoặc phạm vi bao quát. Mục từ này trình bày bản chất vật lý và cấu trúc của dữ liệu đa cảm biến, các mô hình kiến trúc chuẩn hoá, nguyên lý hợp nhất dữ liệu, ứng dụng thực tiễn cùng những thách thức kỹ thuật cốt lõi trong xử lý đồng bộ thời gian thực.\u003C\u002Fp>\n\n\u003Ch2>Bản chất và các đặc tính cơ bản\u003C\u002Fh2>\n\u003Cp>Trong thực tế vật lý, mỗi loại cảm biến chỉ có khả năng tương tác và thu nhận một dải tín hiệu hoặc phổ năng lượng nhất định. Chẳng hạn, cảm biến quang học ghi nhận thông tin bức xạ ánh sáng khả kiến dưới dạng ma trận điểm ảnh; cảm biến sóng vô tuyến ghi nhận độ dịch tần số và thời gian phản xạ sóng để xác định khoảng cách cùng vận tốc tương đối; cảm biến quán tính đo lường gia tốc tuyến tính và vận tốc góc; trong khi các cảm biến môi trường đo nồng độ hoá học, áp suất hoặc nhiệt độ. Dữ liệu đa cảm biến xuất hiện khi hệ thống tích hợp các luồng quan trắc này lại với nhau để khắc phục giới hạn vật lý nội tại của từng cảm biến riêng lẻ.\u003C\u002Fp>\n\n\u003Cp>Dữ liệu đa cảm biến sở hữu bốn đặc tính kỹ thuật quan trọng quyết định phương pháp xử lý:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Tính không đồng nhất về cấu trúc và định dạng:\u003C\u002Fstrong> Các luồng dữ liệu thu nhận từ các cảm biến khác nhau thường có cấu trúc biểu diễn không tương đồng. Dữ liệu có thể là dạng điểm ảnh hai chiều từ camera, đám mây điểm ba chiều rời rạc từ thiết bị quét laser, chuỗi tín hiệu thời gian một chiều từ cảm biến rung động hoặc vector số liệu đo lường định kỳ từ cảm biến nhiệt độ. Sự khác biệt này đòi hỏi các bước tiền xử lý và chuẩn hoá không gian biểu diễn phức tạp trước khi thực hiện tích hợp.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tính bổ trợ thông tin:\u003C\u002Fstrong> Mỗi cảm biến cung cấp thông tin về các thuộc tính vật lý khác nhau của đối tượng quan sát mà cảm biến khác không thể đo được. Việc kết hợp dữ liệu bổ trợ cho phép hệ thống xây dựng bức tranh toàn diện và đa chiều về đối tượng trong không gian làm việc.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tính dư thừa và dự phòng thông tin:\u003C\u002Fstrong> Nhiều cảm biến có thể cùng đo lường một tham số trạng thái hoặc cùng quan sát một vùng không gian chồng lấn. Tính dư thừa này không phải là sự lãng phí mà là cơ sở để triệt tiêu nhiễu đo lường ngẫu nhiên, tăng cường độ chính xác ước lượng và duy trì sự an toàn của toàn hệ thống khi một cảm biến bị che khuất hoặc gặp lỗi kỹ thuật.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Tính bất đồng bộ không gian và thời gian:\u003C\u002Fstrong> Các cảm biến vật lý hoạt động với xung nhịp đồng hồ nội vi độc lập và chu kỳ lấy mẫu khác biệt. Ngoài ra, mỗi cảm biến được đặt tại một vị trí cơ học riêng biệt trên khung gầm hoặc vỏ thiết bị, dẫn đến hệ quy chiếu toạ độ không gian bị lệch nhau.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Mô hình phân loại và kiến trúc chuẩn hoá\u003C\u002Fh2>\n\u003Cp>Để hệ thống hoá các quy trình xử lý dữ liệu đa cảm biến phức tạp, cộng đồng nghiên cứu quốc tế đã đề xuất các mô hình kiến trúc tham chiếu tiêu chuẩn, trong đó tiêu biểu nhất là mô hình JDL và mô hình trừu tượng hoá luồng dữ liệu Dasarathy.\u003C\u002Fp>\n\n\u003Ch3>Mô hình tham chiếu JDL\u003C\u002Fh3>\n\u003Cp>Theo tổng quan kinh điển của Hall và Llinas (1997), mô hình quy trình JDL do Nhóm Công tác Hợp nhất Dữ liệu (\u003Cem>Data Fusion Working Group\u003C\u002Fem>) xây dựng năm 1986 là khung lý thuyết được công nhận rộng rãi nhất trong việc phân cấp quá trình xử lý dữ liệu đa cảm biến. Mô hình này chia quy trình xử lý thành các cấp độ từ thấp đến cao:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Cấp độ 0 (Tiền xử lý dữ liệu nguồn):\u003C\u002Fstrong> Thực hiện chuẩn hoá tín hiệu, lọc dải thông, nén dữ liệu, hiệu chỉnh sai lệch hệ thống và phân bổ dữ liệu thô vào các cụm quan sát ban đầu trước khi nhận dạng đối tượng.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Cấp độ 1 (Tinh chỉnh đối tượng):\u003C\u002Fstrong> Liên kết các phép đo từ nhiều cảm biến để ước lượng vị trí, quỹ đạo chuyển động, vận tốc và định danh các thuộc tính vật lý của từng đối tượng cụ thể trong môi trường quan sát.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Cấp độ 2 (Tinh chỉnh tình huống):\u003C\u002Fstrong> Phân tích mối quan hệ không gian, thời gian và chức năng giữa các đối tượng đã được định danh nhằm xây dựng bức tranh toàn cảnh về bối cảnh môi trường xung quanh.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Cấp độ 3 (Đánh giá tác động):\u003C\u002Fstrong> Dự báo xu hướng tiến triển của tình huống, ước lượng các nguy cơ tiềm tàng, cơ hội hoặc tác động đối kháng có thể xảy ra trong tương lai gần.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Cấp độ 4 (Tinh chỉnh quy trình):\u003C\u002Fstrong> Đánh giá hiệu năng của toàn bộ hệ thống xử lý dữ liệu và thực hiện quản lý ngược, điều phối tài nguyên thu thập, góc quét hoặc chế độ đo của các cảm biến thành phần nhằm tối ưu hoá chất lượng thông tin thu nhận.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch3>Phân loại theo mức độ trừu tượng Dasarathy\u003C\u002Fh3>\n\u003Cp>Theo khảo sát của Castanedo (2013), phân loại Dasarathy tiếp cận việc xử lý dữ liệu cảm biến dựa trên bản chất dữ liệu đầu vào và kết quả đầu ra của từng khối chức năng, chia thành năm nhóm chuyển đổi cơ bản:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Dữ liệu vào - Dữ liệu ra (DAI-DAO):\u003C\u002Fstrong> Cả đầu vào và đầu ra đều là dữ liệu thô. Quá trình này thường bao gồm việc ghép ảnh quang phổ hoặc lọc nhiễu kết hợp ở mức tín hiệu.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Dữ liệu vào - Đặc trưng ra (DAI-FEO):\u003C\u002Fstrong> Trích xuất các vector đặc trưng hình học hoặc thống kê trực tiếp từ dữ liệu đo lường thô của nhiều cảm biến.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Đặc trưng vào - Đặc trưng ra (FEI-FEO):\u003C\u002Fstrong> Kết hợp hoặc chọn lọc các không gian đặc trưng từ các cảm biến khác nhau để tạo ra một vector đặc trưng hợp nhất có lực phân tách cao hơn.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Đặc trưng vào - Quyết định ra (FEI-DEO):\u003C\u002Fstrong> Đưa các vector đặc trưng từ các nguồn cảm biến vào các bộ phân loại hoặc mô hình suy luận nhằm đưa ra quyết định nhận dạng cụ thể.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Quyết định vào - Quyết định ra (DEI-DEO):\u003C\u002Fstrong> Kết hợp các quyết định nhận định sơ bộ độc lập từ từng cảm biến thông qua các quy tắc bỏ phiếu hoặc lý thuyết bằng chứng để đạt được phán quyết tối hậu.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Kiến trúc hệ thống thu thập và xử lý\u003C\u002Fh2>\n\u003Cp>Tuỳ thuộc vào yêu cầu về băng thông đường truyền, độ trễ thời gian thực và khả năng chịu lỗi phần cứng, các hệ thống dữ liệu đa cảm biến được thiết kế theo ba cấu trúc kiến trúc chính:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Kiến trúc tập trung (Centralized Architecture):\u003C\u002Fstrong> Toàn bộ dữ liệu thô từ tất cả các cảm biến được truyền nguyên vẹn qua đường truyền tốc độ cao về bộ xử lý trung tâm. Bộ xử lý trung tâm trực tiếp thực hiện các thuật toán hợp nhất trên dữ liệu gốc. Kiến trúc này bảo toàn tối đa thông tin chi tiết và cho độ chính xác ước lượng cao nhất về mặt lý thuyết, nhưng đòi hỏi băng thông truyền dẫn rất lớn và năng lực tính toán cực cao tại một nút duy nhất, đồng thời dễ gặp sự cố nghẽn cổ chai.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Kiến trúc phân tán (Distributed Architecture):\u003C\u002Fstrong> Mỗi cảm biến được tích hợp một bộ xử lý cục bộ riêng để lọc tín hiệu, trích xuất đặc trưng hoặc đưa ra ước lượng trạng thái độc lập. Trung tâm điều khiển chỉ nhận các vector đặc trưng hoặc quyết định cục bộ để tổng hợp lại. Ưu điểm nổi bật là giảm tải băng thông mạng, tăng khả năng mở rộng quy mô và nâng cao độ bền vững của hệ thống khi một nút cảm biến bị hỏng, tuy nhiên có thể làm mất mát các tương quan chéo tiềm ẩn giữa các tín hiệu thô.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Kiến trúc phân cấp lai (Hybrid Architecture):\u003C\u002Fstrong> Kết hợp linh hoạt giữa xử lý tập trung cho các cảm biến có tính kết hợp chặt chẽ và xử lý phân tán cho các cụm cảm biến hoạt động ở các cấp độ trừu tượng khác nhau, cân bằng giữa độ chính xác và tài nguyên tính toán.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Nguyên lý toán học và các phương pháp hợp nhất cốt lõi\u003C\u002Fh2>\n\u003Cp>Việc chuyển đổi dữ liệu đa cảm biến thành tri thức hành động dựa trên nền tảng xác suất thống kê và lý thuyết ước lượng trạng thái tối ưu. Hai phương pháp toán học nền tảng được áp dụng phổ biến nhất là suy diễn Bayes và các biến thể của bộ lọc Kalman.\u003C\u002Fp>\n\n\u003Ch3>Suy diễn xác suất Bayes\u003C\u002Fh3>\n\u003Cp>Khi các cảm biến hoạt động độc lập có điều kiện theo trạng thái thực tế của môi trường quan sát, quy tắc Bayes cung cấp cơ sở chặt chẽ để cập nhật phân phối xác suất của biến trạng thái khi nhận thêm các luồng quan trắc mới:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">P(x \\mid z_1, z_2) = \\frac{P(z_1 \\mid x) P(z_2 \\mid x) P(x)}{P(z_1, z_2)}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong công thức trên, đại lượng \u003Cscript type=\"math\u002Ftex\">x\u003C\u002Fscript> biểu diễn vector trạng thái cần ước lượng của đối tượng quan sát, đại lượng \u003Cscript type=\"math\u002Ftex\">z_1\u003C\u002Fscript> đại diện cho dữ liệu quan sát thu nhận từ cảm biến thứ nhất, đại lượng \u003Cscript type=\"math\u002Ftex\">z_2\u003C\u002Fscript> đại diện cho dữ liệu quan sát thu nhận từ cảm biến thứ hai, thành phần \u003Cscript type=\"math\u002Ftex\">P(x)\u003C\u002Fscript> là mật độ xác suất tiên nghiệm của trạng thái, các thành phần \u003Cscript type=\"math\u002Ftex\">P(z_1 \\mid x)\u003C\u002Fscript> và \u003Cscript type=\"math\u002Ftex\">P(z_2 \\mid x)\u003C\u002Fscript> lần lượt là các hàm hợp lý biểu thị mô hình đo lường của từng cảm biến, và mẫu số \u003Cscript type=\"math\u002Ftex\">P(z_1, z_2)\u003C\u002Fscript> đóng vai trò là thừa số chuẩn hoá tích hợp trên toàn bộ không gian trạng thái.\u003C\u002Fp>\n\n\u003Ch3>Bộ lọc Kalman và ước lượng trạng thái tối ưu\u003C\u002Fh3>\n\u003Cp>Đối với các hệ thống động lực học tuyến tính chịu ảnh hưởng bởi nhiễu Gauss trắng, bộ lọc Kalman là bộ ước lượng tuyến tính không thiên lệch có phương sai sai số nhỏ nhất. Khi tích hợp dữ liệu từ nhiều cảm biến, bước cập nhật trạng thái đo lường được mô tả qua phương trình sai phân:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">\\hat{x}_{k} = \\hat{x}_{k}^{-} + K_k (z_k - H_k \\hat{x}_{k}^{-})\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>Trong đó, đại lượng \u003Cscript type=\"math\u002Ftex\">\\hat{x}_{k}\u003C\u002Fscript> là vector ước lượng trạng thái hậu nghiệm tại bước thời gian \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript>, đại lượng \u003Cscript type=\"math\u002Ftex\">\\hat{x}_{k}^{-}\u003C\u002Fscript> là vector ước lượng trạng thái tiên nghiệm được dự báo từ mô hình động lực học của hệ thống, thành phần \u003Cscript type=\"math\u002Ftex\">z_k\u003C\u002Fscript> là vector đo lường tổng hợp từ các cảm biến thành phần tại thời điểm \u003Cscript type=\"math\u002Ftex\">k\u003C\u002Fscript>, ma trận \u003Cscript type=\"math\u002Ftex\">H_k\u003C\u002Fscript> là ma trận mô hình quan sát phản ánh mối quan hệ giữa biến trạng thái nội vi và tín hiệu đo lường đầu ra, và đại lượng \u003Cscript type=\"math\u002Ftex\">K_k\u003C\u002Fscript> là ma trận độ lợi Kalman được tính toán theo công thức:\u003C\u002Fp>\n\u003Cp>\u003Cscript type=\"math\u002Ftex; mode=display\">K_k = P_k^{-} H_k^T (H_k P_k^{-} H_k^T + R_k)^{-1}\u003C\u002Fscript>\u003C\u002Fp>\n\u003Cp>với ma trận \u003Cscript type=\"math\u002Ftex\">P_k^{-}\u003C\u002Fscript> biểu diễn ma trận hiệp phương sai sai số ước lượng tiên nghiệm, và ma trận \u003Cscript type=\"math\u002Ftex\">R_k\u003C\u002Fscript> biểu diễn ma trận hiệp phương sai của nhiễu đo lường tổng hợp từ mạng lưới các cảm biến đo. Khi mức độ nhiễu đo lường của một cảm biến tăng lên, phần tử tương ứng trong ma trận hiệp phương sai nhiễu tăng, làm giảm độ lợi Kalman và tự động hạ thấp trọng số ảnh hưởng của cảm biến đó trong kết quả ước lượng cuối cùng.\u003C\u002Fp>\n\n\u003Ch3>Tiến hoá sang mô hình học máy và học sâu\u003C\u002Fh3>\n\u003Cp>Theo tổng quan toàn diện của Meng và cộng sự (2020), các phương pháp thống kê cổ điển gặp nhiều rào cản khi xử lý dữ liệu phi cấu trúc phức tạp với mối quan hệ phi tuyến cao. Sự phát triển của học máy và học sâu đã mang lại bước chuyển biến căn bản trong phân tích dữ liệu đa cảm biến thông qua ba mô thức chính:\u003C\u002Fp>\n\u003Cul>\n    \u003Cli>\u003Cstrong>Hợp nhất sớm (Early Fusion):\u003C\u002Fstrong> Kết hợp trực tiếp các không gian dữ liệu hoặc đặc trưng tầng thấp từ nhiều cảm biến thành một vector duy nhất trước khi đưa qua mô hình huấn luyện sâu. Cách tiếp cận này tận dụng được mối tương quan chéo giữa các đặc trưng nguyên thuỷ nhưng đòi hỏi dữ liệu phải được đồng bộ hoá tuyệt đối.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Hợp nhất muộn (Late Fusion):\u003C\u002Fstrong> Xây dựng các mạng nơ-ron riêng biệt cho từng loại dữ liệu cảm biến để tạo ra các dự báo phân loại hoặc định vị độc lập, sau đó kết hợp các phân phối xác suất đầu ra bằng các lớp học máy tăng cường hoặc cơ chế trọng số tối ưu. Mô thức này có tính module hoá cao và ít bị ảnh hưởng bởi lỗi của từng nhánh cảm biến riêng rẽ.\u003C\u002Fli>\n    \u003Cli>\u003Cstrong>Hợp nhất trung gian và mạng lai (Intermediate & Hybrid Fusion):\u003C\u002Fstrong> Sử dụng các nhánh mạng trích xuất đặc trưng sâu song song, sau đó kết nối và tương tác các biểu diễn đặc trưng ở các tầng ẩn trung gian thông qua các mô-đun chú ý chéo (\u003Cem>cross-attention\u003C\u002Fem>). Cách tiếp cận này cho phép các luồng thông tin cảm biến khác nhau tự động học cách hỗ trợ lẫn nhau trong không gian biểu diễn ẩn.\u003C\u002Fli>\n\u003C\u002Ful>\n\n\u003Ch2>Ứng dụng thực tế trong các lĩnh vực then chốt\u003C\u002Fh2>\n\u003Cp>Khả năng khai thác đồng thời các nguồn dữ liệu cảm biến đa dạng đã trở thành động lực phát triển cho nhiều ngành công nghệ mũi nhọn hiện đại.\u003C\u002Fp>\n\n\u003Ch3>Xe tự hành và giao thông thông minh\u003C\u002Fh3>\n\u003Cp>Theo khảo sát của Fayyad và cộng sự (2020), các phương tiện tự hành bắt buộc phải tích hợp nhiều cảm biến bổ trợ và cạnh tranh như camera quang học, thiết bị quét laser, radar sóng milimet và hệ thống định vị vệ tinh kết hợp đo quán tính để vượt qua giới hạn của từng thiết bị. Camera cung cấp độ phân giải màu sắc và ngữ nghĩa biển báo chi tiết nhưng dễ bị suy giảm chức năng trong sương mù dày hoặc bóng tối; thiết bị quét laser đo đạc khoảng cách và tái tạo hình học không gian ba chiều chính xác nhưng có giá thành cao và hoạt động kém khi mưa bão; trong khi radar xuyên qua được các điều kiện thời tiết xấu để xác định vận tốc tức thời nhưng độ phân giải góc thấp. Xiang và cộng sự (2023) nhấn mạnh rằng việc kết hợp dữ liệu đa cảm biến theo các kiến trúc đối xứng và bất đối xứng là điều kiện tiên quyết để đảm bảo tính an toàn vận hành ở cấp độ tự hành cao.\u003C\u002Fp>\n\n\u003Ch3>Giám sát công trình hạ tầng và quan trắc môi trường tại Việt Nam\u003C\u002Fh3>\n\u003Cp>Tại Việt Nam, dữ liệu đa cảm biến được ứng dụng ngày càng sâu rộng trong quan trắc an toàn công trình giao thông và cảnh báo thiên tai. Trên các công trình cầu dây văng và hầm đường bộ trọng điểm, các hệ thống giám sát cấu trúc tích hợp đồng thời dữ liệu từ cảm biến biến dạng sợi quang, cảm biến gia tốc đo độ rung kết cấu, cảm biến đo độ nghiêng và trạm khí tượng đo gió cục bộ. Việc tích hợp các luồng dữ liệu này giúp kỹ sư phân biệt được biến dạng do nhiệt độ môi trường gây ra với các tổn thương cơ học nguy hiểm của kết cấu bê tông cốt thép. Trong công tác quan trắc tài nguyên nước tại lưu vực sông Mekong và sông Hồng, dữ liệu quan trắc tự động về mực nước, độ mặn, độ đục và lưu lượng dòng chảy được thu thập liên tục qua mạng viễn thông không dây để phục vụ dự báo xâm nhập mặn và xả lũ hồ chứa.\u003C\u002Fp>\n\n\u003Ch3>Chẩn đoán y tế và thiết bị đeo theo dõi sức khoẻ\u003C\u002Fh3>\n\u003Cp>Trong y học hiện đại, việc theo dõi bệnh nhân tại các phòng hồi sức cấp cứu đòi hỏi sự kết hợp đồng thời của dữ liệu đa cảm biến sinh học bao gồm điện tâm đồ, độ bão hoà oxy trong máu, huyết áp động mạch xâm lấn, thân nhiệt và nhịp thở. Trên các thiết bị đeo thông minh cá nhân, cảm biến quang phổ đo thể tích máu kết hợp cùng cảm biến gia tốc ba trục và cảm biến nhiệt độ da cho phép thuật toán phát hiện sớm các rối loạn nhịp tim hoặc cảnh báo đột quỵ khi người dùng đang vận động.\u003C\u002Fp>\n\n\u003Ch2>Bảng đối chiếu các cấp độ hợp nhất dữ liệu\u003C\u002Fh2>\n\u003Cp>Bảng sau đây so sánh các phương thức tiếp cận chính trong việc xử lý và tích hợp dữ liệu đa cảm biến dựa trên cấp độ trừu tượng hoá thông tin:\u003C\u002Fp>\n\n\u003Ctable>\n    \u003Cthead>\n        \u003Ctr>\n            \u003Cth>Cấp độ hợp nhất\u003C\u002Fth>\n            \u003Cth>Bản chất dữ liệu đầu vào\u003C\u002Fth>\n            \u003Cth>Phương pháp xử lý tiêu biểu\u003C\u002Fth>\n            \u003Cth>Ưu điểm cốt lõi\u003C\u002Fth>\n            \u003Cth>Nhược điểm và hạn chế\u003C\u002Fth>\n        \u003C\u002Ftr>\n    \u003C\u002Fthead>\n    \u003Ctbody>\n        \u003Ctr>\n            \u003Ctd>Hợp nhất mức dữ liệu thô (Early Fusion)\u003C\u002Ftd>\n            \u003Ctd>Tín hiệu số nguyên thuỷ, ma trận điểm ảnh, đám mây điểm\u003C\u002Ftd>\n            \u003Ctd>Lọc phối hợp, ghép điểm ảnh, tích chập đầu vào đa kênh\u003C\u002Ftd>\n            \u003Ctd>Bảo toàn trọn vẹn thông tin gốc, nắm bắt tương quan chi tiết giữa các cảm biến\u003C\u002Ftd>\n            \u003Ctd>Nhạy cảm cao với sai lệch đồng bộ, đòi hỏi băng thông và tính toán cực lớn\u003C\u002Ftd>\n        \u003C\u002Ftr>\n        \u003Ctr>\n            \u003Ctd>Hợp nhất mức đặc trưng (Intermediate Fusion)\u003C\u002Ftd>\n            \u003Ctd>Vector đặc trưng cạnh, kết cấu, toạ độ hình học, đặc trưng sâu\u003C\u002Ftd>\n            \u003Ctd>Cơ chế chú ý chéo, mạng nơ-ron đa nhánh, phân tích thành phần chính\u003C\u002Ftd>\n            \u003Ctd>Cân bằng tốt giữa độ nén dữ liệu và khả năng khai thác tương quan ngữ nghĩa\u003C\u002Ftd>\n            \u003Ctd>Mất mát một phần thông tin ngữ cảnh thô, thiết kế kiến trúc mạng phức tạp\u003C\u002Ftd>\n        \u003C\u002Ftr>\n        \u003Ctr>\n            \u003Ctd>Hợp nhất mức quyết định (Late Fusion)\u003C\u002Ftd>\n            \u003Ctd>Xác suất phân loại, nhãn nhận dạng, vector trạng thái cục bộ\u003C\u002Ftd>\n            \u003Ctd>Lý thuyết bằng chứng Dempster-Shafer, quy tắc bỏ phiếu, bộ lọc Bayes\u003C\u002Ftd>\n            \u003Ctd>Bền vững trước lỗi cục bộ của cảm biến thành phần, băng thông truyền tải rất thấp\u003C\u002Ftd>\n            \u003Ctd>Bỏ qua hoàn toàn các tương quan tiềm ẩn ở mức tín hiệu thô giữa các cảm biến\u003C\u002Ftd>\n        \u003C\u002Ftr>\n    \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Thách thức kỹ thuật và các vấn đề còn mở\u003C\u002Fh2>\n\u003Cp>Mặc dù mang lại lợi thế vượt trội về độ phong phú thông tin, việc vận hành các hệ thống dữ liệu đa cảm biến trong thực tế đối mặt với bốn rào cản kỹ thuật nghiêm ngặt:\u003C\u002Fp>\n\n\u003Ch3>Sai lệch đồng bộ thời gian và không gian\u003C\u002Fh3>\n\u003Cp>Mỗi cảm biến có tần số lấy mẫu và chu kỳ quét riêng biệt. Nếu không có cơ chế khoá pha thời gian hoặc ngoại suy tem thời gian chính xác, việc ghép nối hai phép đo thực hiện ở hai thời điểm lệch nhau sẽ tạo ra đối tượng ảo hoặc ước lượng sai vận tốc di chuyển. Tương tự, sự rung lắc cơ học, biến dạng nhiệt hoặc va chạm trong quá trình vận hành lâu dài làm trôi các tham số hiệu chuẩn ngoài giữa các cảm biến, dẫn đến sai lệch khi chiếu không gian ba chiều từ toạ độ cảm biến này sang toạ độ cảm biến khác.\u003C\u002Fp>\n\n\u003Ch3>Hiện tượng phép đo ngoài trật tự (Out-of-Sequence Measurements)\u003C\u002Fh3>\n\u003Cp>Trong các kiến trúc xử lý phân tán hoặc truyền thông qua mạng vô tuyến, độ trễ truyền dẫn gói tin và thời gian tính toán tại các bộ xử lý cục bộ có sự biến thiên lớn. Điều này dẫn đến tình huống các phép đo được thực hiện ở thời điểm sớm hơn lại đến trung tâm xử lý muộn hơn các phép đo ở thời điểm muộn hơn. Hiện tượng này phá vỡ giả định chuỗi thời gian đơn điệu trong các thuật toán đệ quy chuẩn như bộ lọc Kalman, đòi hỏi các thuật toán cập nhật ngược dòng thời gian phức tạp để tránh làm suy giảm chất lượng ước lượng quỹ đạo.\u003C\u002Fp>\n\n\u003Ch3>Suy giảm chất lượng tín hiệu và xung đột dữ liệu\u003C\u002Fh3>\n\u003Cp>Hợp nhất mù quáng dữ liệu từ một cảm biến đang bị suy giảm chức năng nghiêm trọng với dữ liệu từ các cảm biến bình thường có thể làm cho kết quả chung kém hơn so với việc chỉ sử dụng một cảm biến tốt. Khi xảy ra xung đột gay gắt giữa hai nguồn dữ liệu đo lường, việc phân định nguồn tin cậy đòi hỏi các thuật toán tự đánh giá độ không chắc chắn và cơ chế phát hiện cô lập lỗi cảm biến theo thời gian thực.\u003C\u002Fp>\n\n\u003Ch3>Giới hạn về tài nguyên tính toán và công suất\u003C\u002Fh3>\n\u003Cp>Việc thu thập và xử lý các luồng dữ liệu đa cảm biến có băng thông lớn đặt ra thách thức nặng nề đối với các hệ thống nhúng có giới hạn nghiêm ngặt về kích thước, trọng lượng và năng lượng tiêu thụ (\u003Cem>SWaP constraints\u003C\u002Fem>). Xu hướng nghiên cứu tính đến năm 2023 (theo Xiang và cộng sự) tập trung vào việc phát triển các kiến trúc tính toán phỏng thần kinh tại biên và các mô hình học sâu rút gọn nhằm thực hiện hợp nhất thích ứng ngay tại nút cảm biến với độ trễ tính bằng mili-giây.\u003C\u002Fp>\n","multi-sensor data",[19],"multisensor data","Dữ liệu đa cảm biến là tập hợp các tín hiệu và thông tin số được thu thập đồng thời từ nhiều cảm biến khác nhau để đo lường và theo dõi toàn diện trạng thái của đối tượng hoặc môi trường.","ENGINEERING_TECHNOLOGY",[23,31,39,47,54],{"citationText":24,"title":25,"authors":26,"source":27,"year":28,"doi":29,"url":30},"Hall, D. L., & Llinas, J. (1997). An introduction to multisensor data fusion. Proceedings of the IEEE, 85(1), 6-23.","An introduction to multisensor data fusion","Hall, Llinas","Proceedings of the IEEE",1997,"10.1109\u002F5.554205","https:\u002F\u002Fdoi.org\u002F10.1109\u002F5.554205",{"citationText":32,"title":33,"authors":34,"source":35,"year":36,"doi":37,"url":38},"Castanedo, F. (2013). A Review of Data Fusion Techniques. The Scientific World Journal, 2013, 704504.","A Review of Data Fusion Techniques","Castanedo","The Scientific World Journal",2013,"10.1155\u002F2013\u002F704504","https:\u002F\u002Fdoi.org\u002F10.1155\u002F2013\u002F704504",{"citationText":40,"title":41,"authors":42,"source":43,"year":44,"doi":45,"url":46},"Meng, T., Jing, X., Yan, Z., & Pedrycz, W. (2020). A survey on machine learning for data fusion. Information Fusion, 57, 115-129.","A survey on machine learning for data fusion","Meng, Jing, Yan, Pedrycz","Information Fusion",2020,"10.1016\u002Fj.inffus.2019.12.001","https:\u002F\u002Fdoi.org\u002F10.1016\u002Fj.inffus.2019.12.001",{"citationText":48,"title":49,"authors":50,"source":51,"year":44,"doi":52,"url":53},"Fayyad, J., Jaradat, M. A., Gruyer, D., & Najjaran, H. (2020). Deep Learning Sensor Fusion for Autonomous Vehicle Perception and Localization: A Review. Sensors, 20(15), 4220.","Deep Learning Sensor Fusion for Autonomous Vehicle Perception and Localization: A Review","Fayyad, Jaradat, Gruyer, Najjaran","Sensors","10.3390\u002Fs20154220","https:\u002F\u002Fdoi.org\u002F10.3390\u002Fs20154220",{"citationText":55,"title":56,"authors":57,"source":58,"year":59,"doi":60,"url":61},"Xiang, C., Feng, C., Xie, X., Shi, B., Lu, H., Lv, Y., Yang, Z., & Niu, Z. (2023). Multi-Sensor Fusion and Cooperative Perception for Autonomous Driving: A Review. IEEE Intelligent Transportation Systems Magazine, 15(5), 36-58.","Multi-Sensor Fusion and Cooperative Perception for Autonomous Driving: A Review","Xiang, Feng, Xie, Shi, Lu, Lv, Yang, Niu","IEEE Intelligent Transportation Systems Magazine",2023,"10.1109\u002Fmits.2023.3283864","https:\u002F\u002Fdoi.org\u002F10.1109\u002Fmits.2023.3283864",[63,66,69,72],{"question":64,"answer":65},"Dữ liệu đa cảm biến khác gì so với dữ liệu từ một cảm biến đơn lẻ?","Dữ liệu đa cảm biến cung cấp thông tin đa chiều và bổ trợ về nhiều thuộc tính vật lý khác nhau của cùng một đối tượng. Việc kết hợp này giúp triệt tiêu nhiễu đo lường, loại bỏ điểm mù và nâng cao độ tin cậy vượt trội so với giới hạn vật lý của một thiết bị đo đơn lẻ.",{"question":67,"answer":68},"Mô hình JDL phân cấp xử lý dữ liệu đa cảm biến như thế nào?","Mô hình JDL do Data Fusion Working Group đề xuất năm 1986 phân chia quy trình thành 5 cấp độ từ cấp 0 đến cấp 4, bao gồm tiền xử lý dữ liệu nguồn, tinh chỉnh đối tượng, tinh chỉnh tình huống, đánh giá tác động và quản lý điều phối quy trình cảm biến.",{"question":70,"answer":71},"Các cấp độ hợp nhất dữ liệu đa cảm biến chính là gì?","Quá trình hợp nhất thường được chia thành ba cấp độ gồm hợp nhất sớm ở mức dữ liệu thô, hợp nhất trung gian ở mức vector đặc trưng và hợp nhất muộn ở mức phán quyết hoặc xác suất quyết định độc lập của từng cảm biến.",{"question":73,"answer":74},"Những thách thức kỹ thuật lớn nhất khi xử lý dữ liệu đa cảm biến là gì?","Các thách thức cốt lõi bao gồm sai lệch đồng bộ thời gian và căn chỉnh hệ toạ độ không gian giữa các thiết bị, hiện tượng dữ liệu đến ngoài trật tự do độ trễ mạng, xung đột tín hiệu khi cảm biến suy giảm chất lượng và ràng buộc tài nguyên tính toán thời gian thực.",{"id":76,"researcherId":10,"name":77,"imageUrl":78},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":76,"researcherId":10,"name":77,"imageUrl":78},[13],false,"PUBLISHED","2025-12-01T11:21:02.489+00:00","2026-10-07T16:27:11.317+00:00","2026-10-07T16:27:11.290+00:00",0,[88,98,103,108,113,118,123,128,133,138],{"id":89,"title":90,"term":91,"englishTitle":92,"definition":93,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"thuật toán heuristic","Thuật toán heuristic là gì? Phân loại, nguyên lý và ứng dụng","Thuật toán heuristic","heuristic algorithm","Thuật toán heuristic (heuristic algorithm, hay phương pháp phỏng đoán) là kỹ thuật giải quyết bài toán được thiết kế nhằm tìm kiếm lời giải đủ tốt và chấp nhận được trong khoảng thời gian tính toán thực tế cho các bài toán tối ưu hóa phức tạp, đánh đổi tính tối ưu tuyệt đối để lấy tốc độ thực thi.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":99,"title":100,"term":99,"englishTitle":101,"definition":102,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"hỏa hoạn","Hỏa hoạn là gì? Các bài báo nghiên cứu khoa học liên quan","fire","Hỏa hoạn là sự cố cháy lớn ngoài tầm kiểm soát do phản ứng hóa học tỏa nhiệt nhanh giữa chất cháy và chất oxy hóa (thường là oxy trong không khí), gây thiệt hại nghiêm trọng về người, tài sản và môi trường.",{"id":104,"title":105,"term":104,"englishTitle":106,"definition":107,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"hệ thống hỗ trợ quyết định","Hệ thống hỗ trợ quyết định là gì? Các nghiên cứu khoa học","decision support system","Hệ thống hỗ trợ quyết định (Decision Support System - DSS) là hệ thống thông tin tích hợp dữ liệu, mô hình phân tích và giao diện tương tác nhằm hỗ trợ con người giải quyết các bài toán ra quyết định phức tạp và bán cấu trúc.",{"id":109,"title":110,"term":109,"englishTitle":111,"definition":112,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"tổn thất công suất","Tổn thất công suất là gì? Nguyên nhân, công thức và giải pháp","power loss","Tổn thất công suất là hiện tượng tiêu hao năng lượng điện dưới dạng nhiệt hoặc từ trường trong các phần tử của hệ thống điện như dây dẫn, máy biến áp và thiết bị truyền tải trong quá trình vận hành.",{"id":114,"title":115,"term":114,"englishTitle":116,"definition":117,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"khí động học","Khí động học: Khái niệm, nguyên lý và ứng dụng","Aerodynamics","Khí động học là một thuật ngữ và phạm trù học thuật then chốt trong lĩnh vực engineering technology, phản ánh các nguyên lý, cơ chế và phương pháp luận chuyên sâu đã được chuẩn hóa trong nghiên cứu và ứng dụng thực tiễn.",{"id":119,"title":120,"term":119,"englishTitle":121,"definition":122,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"trao đổi nhiệt","Trao đổi nhiệt là gì? Các nghiên cứu khoa học liên quan","heat transfer","Trao đổi nhiệt là quá trình truyền năng lượng nhiệt giữa các vật thể hoặc hệ thống vật lý có sự chênh lệch nhiệt độ qua ba cơ chế dẫn nhiệt, đối lưu và bức xạ cho đến khi đạt trạng thái cân bằng nhiệt.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"ứng suất nhiệt","Ứng suất nhiệt là gì? Các bài nghiên cứu khoa học liên quan","ung suat nhiet","khái niệm và đối tượng nghiên cứu cơ bản trong khoa học kỹ thuật và công nghệ, phản ánh các đặc trưng bản chất, cơ chế vận hành và các quy luật tương tác hệ thống trong thực tiễn.",{"id":129,"title":130,"term":129,"englishTitle":131,"definition":132,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"lực kéo","Lực kéo là gì? Bản chất cơ học, công thức và ứng xử vật liệu","tensile force","Lực kéo (tensile force) là lực tác dụng có xu hướng làm giãn dài hoặc kéo dãn một vật thể dọc theo trục tác dụng, gây ra trạng thái ứng suất kéo và biến dạng kéo trong vật liệu.",{"id":134,"title":135,"term":134,"englishTitle":136,"definition":137,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"np khó","NP-khó là gì? Độ phức tạp, định lý Cook và giải pháp","NP-hard","NP-khó là lớp các bài toán tính toán mà mọi bài toán trong lớp NP đều có thể quy dẫn thời gian đa thức về chúng, bao gồm cả các bài toán tối ưu hóa.",{"id":139,"title":140,"term":139,"englishTitle":141,"definition":142,"discipline":21,"disciplineCode":94,"disciplineLabel":95,"disciplineColor":96,"disciplineIcon":97},"pendubot","Pendubot là gì? Cấu tạo, động học và điều khiển con lắc ngược","Pendubot","Pendubot là một hệ thống cơ điện tử gồm con lắc ngược hai khâu chuyển động phẳng thiếu cơ cấu chấp hành, đóng vai trò là mô hình chuẩn mực trong nghiên cứu điều khiển phi tuyến."]