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.

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.

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.

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.

Dữ liệu đa cảm biến (multi-sensor data) là gì?

Dữ liệu đa cảm biến (tiếng Anh: multi-sensor data) 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.

Bản chất và các đặc tính cơ bản

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.

Dữ liệu đa cảm biến sở hữu bốn đặc tính kỹ thuật quan trọng quyết định phương pháp xử lý:

Tính không đồng nhất về cấu trúc và định dạng: 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.
Tính bổ trợ thông tin: 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.
Tính dư thừa và dự phòng thông tin: 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.
Tính bất đồng bộ không gian và thời gian: 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.

Mô hình phân loại và kiến trúc chuẩn hoá

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.

Mô hình tham chiếu JDL

Theo tổng quan kinh điển của Hall và Llinas (1997), mô hình quy trình JDL do Nhóm Công tác Hợp nhất Dữ liệu (Data Fusion Working Group) 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:

Cấp độ 0 (Tiền xử lý dữ liệu nguồn): 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.
Cấp độ 1 (Tinh chỉnh đối tượng): 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.
Cấp độ 2 (Tinh chỉnh tình huống): 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.
Cấp độ 3 (Đánh giá tác động): 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.
Cấp độ 4 (Tinh chỉnh quy trình): 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.

Phân loại theo mức độ trừu tượng Dasarathy

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:

Dữ liệu vào - Dữ liệu ra (DAI-DAO): 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.
Dữ liệu vào - Đặc trưng ra (DAI-FEO): Trích xuất các vector đặc trưng hình học hoặc thống kê trực tiếp từ dữ liệu đo lường thô của nhiều cảm biến.
Đặc trưng vào - Đặc trưng ra (FEI-FEO): 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.
Đặc trưng vào - Quyết định ra (FEI-DEO): 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.
Quyết định vào - Quyết định ra (DEI-DEO): 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.

Kiến trúc hệ thống thu thập và xử lý

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:

Kiến trúc tập trung (Centralized Architecture): 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.
Kiến trúc phân tán (Distributed Architecture): 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.
Kiến trúc phân cấp lai (Hybrid Architecture): 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.

Nguyên lý toán học và các phương pháp hợp nhất cốt lõi

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.

Suy diễn xác suất Bayes

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:

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)}

Trong công thức trên, đại lượng $x$ biểu diễn vector trạng thái cần ước lượng của đối tượng quan sát, đại lượng $z_1$ đại diện cho dữ liệu quan sát thu nhận từ cảm biến thứ nhất, đại lượng $z_2$ đại diện cho dữ liệu quan sát thu nhận từ cảm biến thứ hai, thành phần $P(x)$ là mật độ xác suất tiên nghiệm của trạng thái, các thành phần $P(z_1 \mid x)$ và $P(z_2 \mid x)$ lần lượt là các hàm hợp lý biểu thị mô hình đo lường của từng cảm biến, và mẫu số $P(z_1, z_2)$ đóng vai trò là thừa số chuẩn hoá tích hợp trên toàn bộ không gian trạng thái.

Bộ lọc Kalman và ước lượng trạng thái tối ưu

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:

\hat{x}_{k} = \hat{x}_{k}^{-} + K_k (z_k - H_k \hat{x}_{k}^{-})

Trong đó, đại lượng $\hat{x}_{k}$ là vector ước lượng trạng thái hậu nghiệm tại bước thời gian $k$ , đại lượng $\hat{x}_{k}^{-}$ là vector ước lượng trạng thái tiên nghiệm được dự báo từ mô hình động lực học của hệ thống, thành phần $z_k$ là vector đo lường tổng hợp từ các cảm biến thành phần tại thời điểm $k$ , ma trận $H_k$ 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 $K_k$ là ma trận độ lợi Kalman được tính toán theo công thức:

K_k = P_k^{-} H_k^T (H_k P_k^{-} H_k^T + R_k)^{-1}

với ma trận $P_k^{-}$ biểu diễn ma trận hiệp phương sai sai số ước lượng tiên nghiệm, và ma trận $R_k$ 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.

Tiến hoá sang mô hình học máy và học sâu

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:

Hợp nhất sớm (Early Fusion): 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.
Hợp nhất muộn (Late Fusion): 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.
Hợp nhất trung gian và mạng lai (Intermediate & Hybrid Fusion): 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 (cross-attention). 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.

Ứng dụng thực tế trong các lĩnh vực then chốt

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.

Xe tự hành và giao thông thông minh

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.

Giám sát công trình hạ tầng và quan trắc môi trường tại Việt Nam

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.

Chẩn đoán y tế và thiết bị đeo theo dõi sức khoẻ

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.

Bảng đối chiếu các cấp độ hợp nhất dữ liệu

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:

Cấp độ hợp nhất	Bản chất dữ liệu đầu vào	Phương pháp xử lý tiêu biểu	Ưu điểm cốt lõi	Nhược điểm và hạn chế
Hợp nhất mức dữ liệu thô (Early Fusion)	Tín hiệu số nguyên thuỷ, ma trận điểm ảnh, đám mây điểm	Lọc phối hợp, ghép điểm ảnh, tích chập đầu vào đa kênh	Bảo toàn trọn vẹn thông tin gốc, nắm bắt tương quan chi tiết giữa các cảm biến	Nhạy cảm cao với sai lệch đồng bộ, đòi hỏi băng thông và tính toán cực lớn
Hợp nhất mức đặc trưng (Intermediate Fusion)	Vector đặc trưng cạnh, kết cấu, toạ độ hình học, đặc trưng sâu	Cơ chế chú ý chéo, mạng nơ-ron đa nhánh, phân tích thành phần chính	Cân bằng tốt giữa độ nén dữ liệu và khả năng khai thác tương quan ngữ nghĩa	Mất mát một phần thông tin ngữ cảnh thô, thiết kế kiến trúc mạng phức tạp
Hợp nhất mức quyết định (Late Fusion)	Xác suất phân loại, nhãn nhận dạng, vector trạng thái cục bộ	Lý thuyết bằng chứng Dempster-Shafer, quy tắc bỏ phiếu, bộ lọc Bayes	Bền vững trước lỗi cục bộ của cảm biến thành phần, băng thông truyền tải rất thấp	Bỏ qua hoàn toàn các tương quan tiềm ẩn ở mức tín hiệu thô giữa các cảm biến

Thách thức kỹ thuật và các vấn đề còn mở

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:

Sai lệch đồng bộ thời gian và không gian

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.

Hiện tượng phép đo ngoài trật tự (Out-of-Sequence Measurements)

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.

Suy giảm chất lượng tín hiệu và xung đột dữ liệu

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.

Giới hạn về tài nguyên tính toán và công suất

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 (SWaP constraints). 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.