Thuật toán tích hợp dữ liệu đa cảm biến giúp máy móc nhận biết chính xác hơn

 Hợp nhất dữ liệu đa cảm biến bằng thuật toán

Hãy tưởng tượng một bông hoa trước mặt: Có thể nhìn thấy, chạm vào và cảm nhận mùi hương, con người được trang bị cảm biến để lập bản đồ 3D bông hoa này trong tâm thức cùng với những dữ liệu liên quan đến tính chất sự vật.

Nhưng nếu chỉ có thể nhìn thấy hoặc chỉ ngửi thấy thì sao? Điều gì sẽ xảy ra nếu bạn chỉ có quyền truy cập vào một trong nhiều tính chất tạo thành khái niệm vật lý của một bông hoa?

Các hệ thống cảm biến thông thường hiện không có khả năng cảm nhận các vật thể sống, một tổ hợp thu thập thông tin thường chỉ sở hữu một cảm biến duy nhất (hoặc một nhóm cảm biến) để theo dõi đối tượng quan tâm. Khi nghiên cứu nhu cầu ngày càng tăng đối với các hệ thống thu thập thông tin hiệu suất cao, bất kỳ cảm biến đơn nào cũng có giới hạn về độ chính xác, chi tiết và nhạy cảm.

Giải pháp then chốt cho vấn đề này là tăng số lượng các loại cảm biến, hình thành một hệ thống đa cảm biến (Multi-sensors systems).

Các hệ thống đa cảm biến có thể cung cấp nhiều phương pháp để nghiên cứu, kiểm soát và giám sát một đối tượng, chẳng hạn như một bông hoa, giúp nắm bắt chính xác tình trạng của đối tượng theo thời gian thực.

Xét trên góc độ vật lý, việc kết nối các cảm biến khác nhau vào một hệ thống thông minh duy nhất không phức tạp. Nhưng thách thức chính là mối quan hệ tổ chức các thông tin đơn lẻ giữa các cảm biến. Sự liên kết dữ liệu phải được tối ưu hóa để khai thác sử dụng triệt để những thông tin không đồng nhất nhận được. Mỗi loại cảm biến có những điểm mạnh và điểm yếu riêng, trong quá trình thu thập dữ liệu, các cảm biến khác nhau thu nhận các loại dữ liệu, khác nhau về tốc độ lấy thông tin, định dạng dữ liệu và nền tàng cơ sở vật lý của dữ liệu.

Khoa học cần một cơ chế để khắc phục những khác biệt này, kết hợp các điểm mạnh của cảm biến, đồng thời triệt tiêu những điểm yếu. Ví dụ: có hai cảm biến khác nhau trong một hệ thống đưa ra các kết luận, hệ thống đưa ra 2 kết quả đối lập (tích cực và tiêu cực), người dùng nên tiếp nhận thông tin nào? Kết quả nào có thể có giá trị trọng lượng hơn?

Trong một nghiên cứu được công bố trên Hệ thống thông minh tiên tiến, các nhà nghiên cứu từ Trường Kỹ sư Kỹ thuật James Watt thuộc Đại học Glasgow, Anh đưa ra đề xuất một cơ chế hợp nhất dữ liệu đa cảm biến bằng thuật toán máy vectơ hỗ trợ phân cấp (HSVM), hợp nhất kết quả các loại dữ liệu khác nhau.

HSVM gồm nhiều lớp phân loại SVM các phiên bản sửa đổi, tiếp nhận các dữ liệu thông tin từ những cảm biến khác nhau. Kết quả và độ tin cậy của từng lớp được chuyển tải đến lớp sau, hợp nhất dữ liệu từ các cảm biến khác nhau (theo video giải thích).

Thuật toán máy vectơ hỗ trợ phân cấp (HSVM), hợp nhất kết quả các loại dữ liệu khác nhau. Video Advanced Science News

Ý tưởng này được minh chứng bằng một thí nghiệm tích hợp những cảm biến không tiếp xúc (rada) và cảm biến áp suất đeo linh hoạt vào một hệ thống nhận dạng cử chỉ mới, thu thập kết quả từ 15 người tham gia thử nghiệm.

Hệ thống các lớp SVM tiếp nhận dữ liệu từ các cảm biến độc lập khác nhau

Hợp nhất dữ liệu, độ chính xác đạt hơn 90%

Thí nghiệm cho thấy cả hai cảm biến đều có thể độc lập nhận dạng được cử chỉ của bàn tay, nhưng khi kết hợp dữ liệu từ các cảm biến áp suất (ghi nhận những chuyển động tinh tế của gân, cơ quanh cổ tay) và cảm biến rada không tiếp xúc (nhận được sự thay đổi của ngón tay chuyển động), độ chính xác của hệ thống nhận dạng cử chỉ gia tăng đáng kể.

Hoạt động độc lập, các cảm biến áp suất và rada lần lượt cho độ chính xác khoảng 69% và 77%. Nhưng khi sử dụng ý tưởng hợp nhất dữ liệu, độ chính xác hệ thống đa cảm biến nhận dạng cử chỉ đạt hơn 90%.

Một trong những khó khăn đối với cơ cấu tổ chức thông minh của hệ thống thử nghiệm này là đối với bất kỳ chuỗi cử chỉ tự nhiên nào của con người, dữ liệu cảm biến áp suất sẽ chỉ có ý nghĩa trong trạng thái tĩnh (ngón tay ở một vị trí nhất định), trong khi dữ liệu rada có ý nghĩa ở trạng thái động ( chuyển đổi giữa các trạng thái tĩnh được nắm bắt bởi hiệu ứng Doppler).

Những khác biệt tự nhiên này dẫn đến sự không tương thích giữa các dữ liệu nhận được đồng thời, ngoài ra còn có một thách thức khác là kết hợp các tính năng đặc trưng được trích xuất từ cả hai cảm biến tại một thời điểm bất kỳ. So những thuật toán hợp nhất dữ liệu các cảm biến khác nhau, như phần mềm bỏ phiếu, HSVM thể hiện một lợi thế tuyệt vời trong tình huống nhận biết khó khăn từ các nguồn độc lập khác nhau với cấu trúc dữ liệu, do thông tin hữu ích được trích xuất từ nhiều lớp và tích hợp lại.

Với những ưu điểm đặc biệt này, thuật toán HSVM có thể là một nền tảng đầy triển vọng cho việc thu nhận, tổ chức dữ liệu từ những hệ thống đa cảm biến phức tạp, đây cũng là một thuật toán có hiệu quả cao trong việc phát triển trí tuệ nhân tạo tự học hỏi, cho phép những robot tương lai nhanh chóng nhận biết vật thể cụ thể trong quá trình hoạt động.