Mọi thành phố lớn hiện nay đều vận hành dựa trên video. Các giao lộ giao thông, sân ga tàu điện ngầm, công viên công cộng và các khu mua sắm đều cung cấp những thước phim liên tục vào các phòng điều khiển đô thị. Khối lượng dữ liệu thô thật đáng kinh ngạc. Nếu không có sự diễn giải, những khung hình đó chỉ là những tệp tin đắt đỏ tiêu tốn không gian máy chủ. Học sâu (Deep learning) đã thay đổi hoàn toàn bài toán này. Nó mang lại cho các hệ thống đô thị khả năng quan sát, thấu hiểu và phản ứng với các sự kiện khi chúng đang diễn ra, biến những bản ghi thụ động thành cơ sở hạ tầng chủ động.
Từ Điểm ảnh đến Quyết định
Thị giác máy tính truyền thống dựa vào các quy tắc được thiết lập thủ công. Các kỹ sư lập trình hệ thống để tìm kiếm các hình dạng, màu sắc hoặc mô hình chuyển động cụ thể. Những phương pháp này hoạt động hiệu quả trong các phòng thí nghiệm được kiểm soát, nhưng các thành phố thì rất hỗn loạn. Bóng đổ thay đổi. Mưa làm mờ ống kính. Người đi bộ tụ tập dưới những chiếc ô trông chẳng giống chút nào với các sơ đồ huấn luyện. Các hệ thống dựa trên quy tắc liên tục thất bại, khiến các điều hành viên bị ngập trong các cảnh báo giả.
Học sâu tiếp cận vấn đề theo cách khác. Các mạng thần kinh tích chập (Convolutional neural networks) và các thế hệ kế cận của chúng học các đặc trưng trực tiếp từ dữ liệu. Thay vì bảo máy tính một chiếc xe đạp trông như thế nào, các kỹ sư cung cấp cho nó hàng triệu ví dụ đã được dán nhãn cho đến khi mô hình tự xây dựng được khái niệm nội tại về một chiếc xe đạp. Kết quả là một hệ thống có thể xử lý các biến số trong thế giới thực mà không bị lỗi. Một camera hướng xuống một đại lộ đông đúc có thể phân biệt được một chiếc xe tải giao hàng với một chiếc xe buýt ngay cả vào lúc chạng vạng, trong sương mù nhẹ, hoặc khi các phương tiện chồng lấp lên nhau một phần. Quan trọng hơn, mô hình xuất ra các điểm số tin cậy (confidence scores) và siêu dữ liệu (metadata) có cấu trúc thay vì các điểm ảnh thô, điều này có nghĩa là các phần mềm hạ nguồn có thể kích hoạt cảnh báo, cập nhật bảng điều khiển hoặc truyền trực tiếp vào phần cứng điều khiển giao thông.
Quản lý Giao thông và Kiểm soát Lưu lượng
Giao thông đô thị là một trong những thành tựu rõ rệt nhất của phân tích video. Đèn giao thông hẹn giờ cố định được thiết kế từ nhiều thập kỷ trước cho các mô hình giờ cao điểm có thể dự đoán được. Chúng không thể thích ứng khi một buổi hòa nhạc kết thúc sớm hai tiếng khiến đám đông đổ ra đường, hoặc khi một vụ va chạm nhẹ làm tắc nghẽn làn giữa.
Các hệ thống học sâu được lắp đặt tại các giao lộ có thể đếm phương tiện theo loại, đo chiều dài hàng đợi tại đèn đỏ và ước tính thời gian chờ. Các kỹ sư thành phố không chỉ thấy rằng một con đường đang đông đúc, mà còn biết tại sao nó đông. Sự ùn tắc là do lưu lượng xe đi xuyên qua, các lượt rẽ trái không có tín hiệu ưu tiên, hay do người đi bộ băng qua đường trái đèn? Các camera tích hợp suy luận tại chỗ (onboard inference) có thể điều chỉnh chu kỳ tín hiệu trong thời gian thực để ưu tiên hướng thực sự đang chịu tải. Một số hệ thống gắn cờ các sự cố ngay lập tức—phát hiện tài xế đi ngược chiều, xe bị chết máy hoặc chướng ngại vật trên đường—thường nhanh hơn cả một điều hành viên đang quét qua một bức tường màn hình có thể phản ứng.
Những công cụ này cũng tích hợp với quy hoạch đô thị rộng lớn hơn. Bằng cách phân tích video trong nhiều tuần, các thành phố có thể xác định các điểm nghẽn mãn tính, báo hiệu nhu cầu về các làn rẽ mới hoặc điều chỉnh giới hạn tốc độ, thay thế việc phỏng đoán bằng các hành vi quan sát được.
An toàn Công cộng và Giám sát
Các ứng dụng an toàn vượt xa việc phát hiện chuyển động đơn thuần. Phân tích hiện đại có thể phát hiện các mô hình báo trước tai nạn hoặc tội phạm. Một chiếc ba lô bị bỏ lại không người trông coi trên sân ga tàu điện trong hơn một khoảng thời gian xác định sẽ kích hoạt thông báo. Khói hoặc sự tán loạn đột ngột của đám đông có thể nhìn thấy qua các camera ven sông có thể là dấu hiệu của một tình huống khẩn cấp trước khi có bất kỳ ai gọi báo.
Cải tiến then chốt nằm ở tính chọn lọc. Các hệ thống cũ thường báo động sai với mọi con sóc hay cành cây đung đưa. Các mô hình học sâu lọc bỏ các chuyển động không liên quan và gắn cờ các hành vi thực sự bất thường. Một cuộc ẩu đả nổ ra tại quảng trường tạo ra một dấu hiệu động học (kinetic signature) đặc thù, khác với một nhóm bạn đang đùa nghịch hay một nghệ sĩ đường phố đang biểu diễn xiếc. Nhân viên an ninh có thể tập trung sự chú ý vào một vài sự kiện đã được xác minh thay vì phải chạy theo hàng trăm cảnh báo sai lệch trong suốt ca làm việc.
Giám sát Đám đông và Phân tích Mật độ
Các cuộc tụ tập đông người mang lại những rủi ro đặc thù. Lối thoát sân vận động, khu vực lễ hội và các đầu mối giao thông trong các kỳ nghỉ có thể trở nên nguy hiểm khi mật độ vượt quá ngưỡng an toàn. Các hệ thống học sâu thực hiện đếm đám đông và ước tính mật độ bằng cách phân tích sự phân bổ không gian của con người trong một cảnh quay.
Các công cụ này tạo ra các bản đồ nhiệt cho thấy nơi đám đông trở nên dày đặc trong thời gian thực. Các nhà tổ chức sự kiện và cảnh sát có thể mở các lối thoát phụ, điều hướng lưu lượng người đi bộ hoặc tạm dừng việc đón khách trước khi một tình trạng chen lấn nguy hiểm hình thành. Trong những giai đoạn bình thường hơn, cùng một công nghệ này sẽ đo lường lưu lượng người đi bộ qua các hành lang bán lẻ hoặc tầng lửng trung chuyển, giúp các kiến trúc sư và nhà quy hoạch thành phố hiểu được cách mọi người thực sự di chuyển qua các không gian chung. Tương tự, việc ước tính độ dài hàng đợi tại các sân bay và cơ quan chính phủ cho phép nhân viên mở thêm các quầy dịch vụ trước khi các hàng dài trở nên mất kiểm soát.
Phát hiện và Theo dõi Đối tượng trong Môi trường Đô thị
Các thành phố luôn đầy rẫy những thành phần chuyển động: người đi bộ, người đi xe đạp, xe scooter, thú cưng, robot giao hàng và các loại phương tiện với đủ mọi kích cỡ. Các hệ thống học sâu không chỉ đơn thuần phát hiện các đối tượng này trong một khung hình duy nhất; chúng còn theo dõi chúng theo thời gian và qua các mạng lưới camera.
Theo dõi đa đối tượng (multi-object tracking) gán các định danh nhất quán cho các thực thể khi chúng đi qua một cảnh. Một người đi bộ bước ra sau một chiếc xe tải đang đỗ không hề biến mất khỏi sự nhận biết của hệ thống; mô hình sẽ dự đoán quỹ đạo và nhận diện lại mục tiêu khi họ xuất hiện trở lại. Khi được mở rộng qua một mạng lưới camera có trường nhìn chồng lấn, khả năng tái định danh cá nhân (person re-identification) cho phép thành phố theo dõi một cá nhân dễ bị tổn thương hoặc tìm kiếm một đứa trẻ bị lạc mà không cần dựa vào một người vận hành duy nhất phải rà soát thủ công hàng giờ dữ liệu video.
Những khả năng này cũng làm nền tảng cho hậu cần và thực thi pháp luật. Nhận dạng biển số xe tự động đã trở nên phổ biến, nhưng các hệ thống tái định danh phương tiện mới hơn có thể theo dõi hành trình của một chiếc xe cụ thể mà không cần đọc biển số, bằng cách sử dụng các đặc điểm nhận dạng như nhãn dán cản xe, giá nóc hoặc hoa văn bánh xe. Đối với lực lượng hành pháp, điều này rất mạnh mẽ, nhưng nó cũng đặt ra những câu hỏi chính đáng về phạm vi và sự giám sát mà các nhà quản lý thành phố phải giải quyết thông qua các chính sách nghiêm ngặt.
Thách thức về Cơ sở Hạ tầng
Triển khai các hệ thống này ở quy mô thành phố không chỉ là một vấn đề về phần mềm. Hàng nghìn camera truyền phát video độ phân giải cao tạo ra hàng petabyte dữ liệu. Việc gửi mọi thứ lên một đám mây trung tâm để phân tích là rất tốn kém và chậm chạp. Băng thông mạng sẽ trở thành yếu tố hạn chế trước cả năng lực tính toán.
Các thành phố đang ứng phó bằng tính toán biên (edge computing). Các camera thông minh hiện đại bao gồm các bộ tăng tốc suy luận chuyên dụng để chạy các mô hình tại chỗ và chỉ truyền các cảnh báo, số lượng hoặc siêu dữ liệu đã nén về trụ sở chính. Điều này giúp giảm chi phí băng thông và cắt giảm độ trễ từ vài giây xuống còn vài mili giây, điều này cực kỳ quan trọng khi điều chỉnh tín hiệu giao thông hoặc dừng một đoàn tàu.
Bảo trì là một trở ngại khác. Camera ngoài trời thường tích tụ bụi bẩn, băng giá và mạng nhện. Một mô hình được huấn luyện trên các hình ảnh nguyên bản sẽ bị suy giảm hiệu suất khi ống kính bị bẩn. Việc triển khai đáng tin cậy đòi hỏi phải có hệ thống giám sát tình trạng hoạt động tự động và lịch trình bảo trì thực địa. Các bản cập nhật firmware, việc huấn luyện lại mô hình với dữ liệu địa phương và các bản vá bảo mật sẽ làm tăng chi phí vận hành liên tục mà các đội ngũ thu mua thường đánh giá thấp trong các dự án thí điểm.
Quyền riêng tư và Yếu tố Con người
Không có cuộc thảo luận nào về phân tích video đô thị mà có thể bỏ qua quyền riêng tư. Chính những mô hình đếm người đi bộ cũng có thể nhận dạng khuôn mặt. Chính việc theo dõi giúp tìm thấy một người bị lạc cũng có thể theo dõi một người biểu tình. Các thành phố áp dụng những công cụ này phải thiết lập các giới hạn lưu trữ dữ liệu rõ ràng, hạn chế nhận dạng khuôn mặt trong các tình huống được định nghĩa hẹp dưới sự điều chỉnh của lệnh tòa án hoặc sự đồng ý, và công bố các báo cáo minh bạch về vị trí camera cũng như khả năng của hệ thống.
Các kỹ thuật ẩn danh sẽ giúp ích. Các mô hình có thể được cấu hình để làm mờ khuôn mặt và biển số xe theo mặc định, chỉ trích xuất siêu dữ liệu hành vi cần thiết cho việc quản lý giao thông hoặc an toàn. Việc xử lý dữ liệu cục bộ tại biên thay vì lưu trữ hàng tuần dữ liệu thô trong một máy chủ trung tâm sẽ hạn chế rủi ro giám sát hàng loạt và vi phạm dữ liệu.
Để tìm hiểu sâu hơn về các thuật toán và ứng dụng được khảo sát ở đây, toàn văn bài nghiên cứu có sẵn tại source paper on Dev.to. Nếu bạn muốn thảo luận về những ý tưởng này với những người khác đang làm việc trong lĩnh vực AI đô thị và thị giác máy tính, hãy tham gia cuộc trò chuyện tại GyaanSetu Telegram community.
Công việc thực sự bắt đầu sau khi mô hình được huấn luyện
Học sâu đã đưa phân tích video từ một thử nghiệm khoa học trở thành một thực tế vận hành. Camera trong các thành phố thông minh không còn chỉ để ghi hình; chúng còn có khả năng diễn giải, đo lường và phản hồi. Công nghệ hiện đã cho phép quản lý lưu lượng giao thông, ngăn ngừa các thảm họa đám đông và đẩy nhanh phản ứng khẩn cấp bằng cách tận dụng chính những video vốn đã được ghi lại.
Nhưng phần cứng và các thuật toán chỉ là một phần của công việc. Một thành phố triển khai các công cụ này mà không có kế hoạch bảo trì, không có kiến trúc mạng tôn trọng giới hạn băng thông và không có các rào chắn bảo vệ quyền riêng tư sẽ tạo ra một thất bại tốn kém hoặc một bộ máy giám sát xâm phạm đời tư. Sự khác biệt nằm ở các chi tiết triển khai. Học sâu cung cấp đôi mắt; nhưng các nhà quy hoạch và kỹ sư thành phố mới là những người đưa ra sự phán đoán.