Hàng năm, hàng triệu tai nạn giao thông xảy ra trên toàn thế giới, phần lớn xuất phát từ sai sót của người lái xe như mất tập trung, phân bổ sự chú ý không hợp lý hoặc nhận thức sai lệch tình huống giao thông. Sự bùng nổ của các thiết bị hỗ trợ trên xe như điện thoại di động, hệ thống dẫn đường và máy tính cá nhân càng gia tăng nguy cơ xao nhãng. Một cảnh báo an toàn phát ra không đúng lúc có thể gây khó chịu và khiến người lái lờ đi các cảnh báo nguy hiểm thực sự sau đó. Do đó, mục tiêu tối thượng của các hệ thống xe thông minh (intelligent vehicle systems) là không chỉ phản ứng thụ động với hành vi cơ học mà phải có khả năng dự đoán hoặc nhận diện chính xác ý định của người lái xe (driver's intentions) trước khi hành động được thực thi.
Cơ chế thần kinh thị giác và nguyên lý mô hình hóa cử động mắt
Cử động mắt không thuần túy là phản xạ vận động nhãn cầu để thu nhận hình ảnh tại hoàng điểm, mà là đầu ra vận động phức hợp của nhiều quá trình nhận thức thần kinh cấp cao. Nghiên cứu kinh điển của Yarbus (1967) hay Stark và Ellis (1981) đã chứng minh rằng mẫu cố định thị giác (fixation pattern) biến đổi sâu sắc tùy thuộc vào mục tiêu nhận thức và mô hình tâm trí của quan sát viên.
Để giải mã chuỗi định hướng ánh nhìn, các nhà nghiên cứu áp dụng Chuỗi Markov (Markov Chain). Trong mô hình Markov bậc 0, xác suất cố định ánh nhìn vào một vùng không phụ thuộc vào vị trí trước đó. Tuy nhiên, ở mô hình Markov bậc 1, vị trí cố định hiện tại phụ thuộc trực tiếp vào vị trí cố định ngay trước đó, phản ánh một chuỗi quan sát có tính quy luật hay đường quét thị giác (scanpath). Khi nâng cấp lên Mô hình Markov ẩn động (Hidden Markov Dynamic Model - HMDM), trạng thái tâm trí ẩn bên trong của người lái (như ý định chuyển làn, vượt xe) được liên kết với chuỗi hành vi quan sát được (như góc đánh lái, gia tốc, và cử động mắt sang gương chiếu hậu hay vùng chuyển tiếp của đường).
Dữ liệu thực nghiệm và đặc tính dịch chuyển điểm nhìn khi lái xe
Để đánh giá tính khả thi, các thử nghiệm trên trình mô phỏng lái xe Nissan CBR đã so sánh mô hình cố định ánh nhìn của tài xế với các dữ liệu thực địa từ nghiên cứu của Olson và cộng sự (1989). Không gian thị giác được chia thành các vùng chiến lược: vùng xem trước gần (1s), trung bình (1-2s), xa (>2s), điểm tiếp tuyến đường cong (tangent point), lề đường trái/phải và xe phía trước.
Bảng dưới đây tóm tắt so sánh xác suất cố định ánh nhìn bậc 0 (M0) giữa mô phỏng và thực tế:
| Vùng quan sát thị giác | Không có xe trước (Mô phỏng - Liu) | Không có xe trước (Thực tế - Olson) | Có xe chạy phía trước (Mô phỏng - Liu) | Có xe chạy phía trước (Thực tế - Olson) |
|---|---|---|---|---|
| Mặt đường phía trước (Road ahead) | 0.31 | 0.24 | 0.17 | 0.18 |
| Trường nhìn xa (Far field) | 0.37 | 0.25 | 0.35 | 0.02 |
| Lề đường bên trái (Left of road) | 0.18 | 0.15 | 0.09 | 0.14 |
| Lề đường bên phải (Right of road) | 0.12 | 0.16 | 0.04 | 0.14 |
| Xe chạy phía trước (Lead car) | -- | -- | 0.34 | 0.37 |
Phân tích bậc 1 chứng minh rằng các mẫu cố định ánh nhìn mang tính cộng tính (additive). Khi xuất hiện xe phía trước, mô hình chuyển tiếp giữa các vùng không bị xóa bỏ hoàn toàn mà bổ sung thêm chuỗi dịch chuyển ánh nhìn qua lại giữa xe phía trước và vùng xem trước xa.
Góc nhìn lâm sàng và phân tích chuyên sâu về tính ứng dụng
Sự kết hợp giữa dữ liệu hành vi nhãn cầu và thuật toán Viterbi trong HMDM mở ra khả năng dự đoán hành động lái xe trước 2 đến 3 giây khi điều khiển xe vào cua hoặc chuyển làn.
"Thay vì chờ đợi thao tác cơ học như đánh lái hay nhấn ga vốn xuất hiện muộn, cử động nhãn cầu hoạt động như một tín hiệu báo trước sinh lý học thần kinh, cung cấp cho bộ não nhân tạo của xe ô tô khung cửa sổ vàng để đưa ra hỗ trợ tối ưu."
Tuy nhiên, thách thức lớn nằm ở việc hiệu chỉnh hệ thống theo thời gian thực dưới sự thay đổi của điều kiện môi trường như lái xe ban đêm, sương mù hay mưa lớn. Khi đêm xuống, tầm nhìn bị thu hẹp khiến các điểm cố định tập trung dày đặc hơn ở khoảng không phía trước, đòi hỏi mô hình Markov phải linh hoạt điều chỉnh hệ số nhân hằng số (gain factor) hoặc tự học theo từng cá thể lái xe.
Thực hành và định hướng ứng dụng lâm sàng nhãn khoa
Dựa trên các phát hiện từ công trình này, bác sĩ và nhà nghiên cứu thị giác cần lưu ý những điểm mấu chốt:
- Hiểu rõ bản chất đường quét thị giác (Scanpath): Chuỗi chuyển động mắt phản ánh quy trình xử lý nhận thức nối tiếp (serial cognitive processing) kết hợp song song, không đơn thuần là hành vi thu nhận thị giác thụ động.
- Đánh giá chức năng thị giác trong lái xe: Thị lực trung tâm (foveal vision) quyết định việc nhận dạng chi tiết, nhưng chiến lược đảo mắt (saccadic strategy) và khả năng bao quát thị trường ngoại vi mới là yếu tố cốt lõi giúp duy trì vị trí làn đường và phát hiện nguy cơ.
- Ứng dụng trong chẩn đoán nhãn khoa lâm sàng: Sự biến đổi hoặc mất tính nhịp điệu trong chuỗi Markovian của cử động mắt có thể là dấu hiệu sớm của tổn thương thần kinh nhãn khoa, sa sút trí tuệ hoặc suy giảm chức năng thị giác hai mắt khi lái xe.
- Phát triển công nghệ tương tác người - máy (HCI): Định hướng xây dựng các giao diện theo dõi ánh nhìn không xâm nhập (unobtrusive eye-tracking) nhằm cải thiện an toàn giao thông cho những bệnh nhân có hạn chế về vận động hoặc thị giác.
Tài liệu tham khảo:
Andrew Liu (1998). What the Driver's Eye Tells the Car's Brain. In: G. Underwood (Ed.), Eye Guidance in Reading and Scene Perception, Elsevier Science Ltd, pp. 431–452.