Tính toán di động và cảm biến: chiếc hộp cảm biến trong túi bạn
Điện thoại là hộp cảm biến có sóng và pin nhỏ: đếm bước từ tín hiệu nhiễu, tự định vị, tiết kiệm pin, ứng dụng theo ngữ cảnh, riêng tư vị trí — và học từ đâu.
Ban biên tập OpenER
Cập nhật 18/11/2026 · 20 phút đọc · CC BY 4.0
Sáng nay bạn đặt xe máy đi làm. Bạn chưa nói mình đứng ở đâu, ứng dụng đã ghim đúng đầu ngõ; vài giây sau một tài xế cách mấy trăm mét nhận cuốc, và bạn nhìn chấm xe của anh ấy bò dần tới trên bản đồ. Tối về, điện thoại báo hôm nay bạn đi hơn năm nghìn bước, dù cả ngày nó chỉ nằm trong túi quần — và nhắc rằng một ứng dụng nào đó đã ngốn pin khi chạy nền.
Chiếc điện thoại không chỉ là một máy tính nhỏ. Nó là một hộp cảm biến — đo gia tốc, độ xoay, từ trường, áp suất, ánh sáng, âm thanh, tín hiệu vệ tinh — có thêm sóng vô tuyến để nói chuyện với thế giới, và tất cả sống nhờ một cục pin mỏng phải trụ qua một ngày. Tính toán di động và cảm biến (mobile and sensor computing) là môn học về việc viết phần mềm cho chiếc hộp ấy: biến những con số nhiễu thành "bạn vừa bước một bước", "bạn đang đứng ở đầu ngõ", mà không làm cạn pin và không để lộ cuộc sống của người dùng.
Trước khi máy tính đi theo người
Ba mươi năm trước, máy tính là một cái hộp nằm yên trên bàn. Nó biết đúng những gì người ta gõ vào; nó không biết trời sáng hay tối, mình đang ở Hà Nội hay Cần Thơ. Muốn biết đường thì mở bản đồ giấy; muốn đếm bước thì mua một máy đếm bước kẹp vào thắt lưng.
Con đường tới chiếc điện thoại hôm nay đi qua từng bước:
- Một ý tưởng: máy tính lẫn vào đồ vật. Năm 1991, Mark Weiser, trưởng phòng thí nghiệm khoa học máy tính ở Xerox PARC, viết bài "The Computer for the 21st Century" trên tạp chí Scientific American. Ông cho rằng máy tính tốt nhất là máy ta không còn để ý tới, và hình dung mỗi căn phòng có hàng trăm máy nhỏ nối với nhau — tính toán khắp nơi (ubiquitous computing).
- Máy tính bỏ túi, nhưng không có giác quan. Apple Newton (1993) rồi PalmPilot (1996) là những thiết bị số hỗ trợ cá nhân (personal digital assistant — PDA): lịch, danh bạ, ghi chú viết bằng bút. Chúng đi theo người, nhưng không cảm nhận được gì về thế giới quanh mình.
- Định vị cho mọi người. Tín hiệu GPS dành cho dân sự từng bị quân đội Mỹ cố ý làm sai lệch (selective availability). Tháng 5/2000, Mỹ tắt chế độ đó; sai số của máy thu dân sự giảm khoảng mười lần, từ cỡ trăm mét xuống cỡ chục mét, mở đường cho máy dẫn đường rồi chip GPS trong điện thoại.
- Mạng cảm biến (sensor network). Cuối thập niên 1990, dự án Smart Dust ở UC Berkeley mơ về những nút cảm biến tí hon, rẻ, tự nói chuyện với nhau không cần dây. Năm 2002, nhóm của Berkeley và Intel đặt 32 nút cảm biến trong và quanh hang của một loài chim biển trên đảo Great Duck (Mỹ), đo nhiệt độ và độ ẩm mà không cần người tới gần làm chim bỏ tổ.
- Điện thoại thông minh. Tháng 1/2007, Apple giới thiệu iPhone: gia tốc kế để tự xoay màn hình, cảm biến tiệm cận để tắt màn hình khi áp vào tai — nhưng chưa có GPS. Bước ngoặt thật đến năm 2008: tháng 7, App Store mở cửa với khoảng 500 ứng dụng; tháng 10, chiếc điện thoại Android đầu tiên (HTC Dream) lên kệ, có GPS, gia tốc kế và la bàn. Từ đây, bất kỳ lập trình viên nào cũng đọc được cảm biến. Vài năm sau, cảm biến tràn ra cổ tay: vòng đếm bước, đồng hồ thông minh.
Đặt cạnh nhau:
Trước điện thoại cảm biến | Có điện thoại cảm biến | |
|---|---|---|
Đi đường ở nơi lạ | Bản đồ giấy, hỏi người bên đường | Chấm xanh trên bản đồ, chỉ đường từng ngã rẽ |
Gọi xe | Ra đầu ngõ tìm xe ôm, mặc cả | Ứng dụng tìm tài xế gần nhất, giá biết trước |
Đo vận động | Mua máy đếm bước riêng | Điện thoại trong túi tự đếm, cả khi màn hình tắt |
Đo môi trường ở nơi xa | Người đi đo, ghi sổ, mỗi tháng một lần | Nút cảm biến gửi số liệu liên tục |
Ai biết hôm qua bạn ở đâu | Gần như không ai | Điện thoại, ứng dụng, nhà mạng — từng giờ |
Ngày nay vẫn có một chỗ điện thoại gần như "mù": trong nhà. Vào trung tâm thương mại nhiều tầng hay xuống hầm gửi xe, chấm xanh nhảy lung tung hoặc đứng im: tín hiệu từ vệ tinh GPS cách mặt đất khoảng 20.000 km tới nơi đã rất yếu, qua mấy lớp bê tông thì gần như mất hẳn. Chưa có hệ thống chung nào cho định vị trong nhà như GPS ngoài trời; mỗi nơi tự làm bằng Wi-Fi, trạm phát Bluetooth nhỏ (beacon), áp kế để đoán tầng. Vì vậy người gọi xe ở tòa nhà lớn vẫn phải nhắn: "anh ơi, em đứng ở cổng số 2".
Môn này trả lời câu hỏi gì
Môn này hỏi: làm sao viết phần mềm cho một chiếc máy đi theo người — cảm nhận thế giới qua những cảm biến nhiễu, nối mạng qua sóng lúc mạnh lúc yếu, sống bằng một cục pin nhỏ — mà vẫn hữu ích, không làm cạn pin và không phản bội người dùng?
Câu hỏi đó tách thành năm việc: cảm nhận, định vị, tiết kiệm năng lượng, hiểu ngữ cảnh và giữ riêng tư. Các khóa lập trình di động dạy bạn dựng ứng dụng trên Android hay iOS; năm ý dưới đây là những gì nằm bên dưới các lời gọi API — lý do một ứng dụng "chạy được" vẫn đếm sai, định vị sai hay ngốn pin.
Năm ý tưởng cốt lõi
1. Một hộp cảm biến: từ con số nhiễu tới "một bước chân"
Một chiếc điện thoại thông minh hôm nay thường có:
- Gia tốc kế (accelerometer): đo gia tốc theo ba trục, kể cả phần do trọng lực — máy nằm yên trên bàn vẫn đọc ra khoảng 9,8 m/s².
- Con quay hồi chuyển (gyroscope): đo tốc độ xoay. Từ kế (magnetometer): đo từ trường, dùng làm la bàn.
- Áp kế (barometer) — có ở nhiều máy, nhất là máy cao cấp: đo áp suất không khí, đủ nhạy để thấy bạn vừa lên một tầng lầu.
- Cảm biến tiệm cận, ánh sáng, micro, camera, máy thu GPS; cả Wi-Fi, Bluetooth, sóng di động cũng là cảm biến, vì cường độ tín hiệu cho biết ta ở gần trạm phát nào.
Gia tốc kế và con quay là những cỗ máy cơ học tí hon khắc trên silicon (MEMS — micro-electro-mechanical systems): một khối nhỏ treo trên lò xo mảnh, lệch đi khi máy tăng tốc. Chúng rẻ, ít tốn điện, nhưng luôn nhiễu: máy để yên, con số vẫn rung rinh. Cảm biến được đọc đều đặn nhiều lần mỗi giây; đọc nhanh tới đâu là đủ thì bài Vật lý đã giải thích ở phần lấy mẫu.
Thử làm một máy đếm bước. Mỗi bước chân làm độ lớn gia tốc nhô lên rồi tụt xuống quanh mức 9,8. Đoạn code dưới đây tự tạo một tín hiệu như vậy — 3 giây đứng chờ đèn đỏ, rồi 10 giây đi bộ với nhịp 1,8 bước mỗi giây, tức 18 bước, cộng nhiễu ngẫu nhiên — rồi đếm các đỉnh theo ba cách:
import math, random
random.seed(2026)
fs = 50 # 50 mẫu mỗi giây
nhip = 1.8 # 1,8 bước mỗi giây: đi bộ thong thả
a = [] # độ lớn gia tốc (m/s²) đọc từ cảm biến
for k in range(13 * fs): # 3 giây đứng chờ đèn, rồi 10 giây đi bộ
t = k / fs
buoc = 2.5 * math.sin(2 * math.pi * nhip * t) if t >= 3 else 0
a.append(9.8 + buoc + random.gauss(0, 1.0)) # trọng lực + nhịp bước + nhiễu
def lam_muot(x, w=9): # trung bình trượt: mỗi mẫu thay bằng trung bình 9 mẫu quanh nó
h = w // 2
return [sum(x[max(0, i - h):i + h + 1]) / len(x[max(0, i - h):i + h + 1]) for i in range(len(x))]
def dem_dinh(x, nguong, cach=1): # đỉnh: cao hơn ngưỡng, cao hơn hai bên, cách đỉnh trước ≥ cach mẫu
dem, cuoi = 0, -cach
for i in range(1, len(x) - 1):
if x[i] > nguong and x[i - 1] <= x[i] > x[i + 1] and i - cuoi >= cach:
dem, cuoi = dem + 1, i
return dem
print("số bước thật:", round(nhip * 10))
print("đếm trên tín hiệu thô: ", dem_dinh(a, 10.8))
print("làm mượt rồi đếm: ", dem_dinh(lam_muot(a), 10.8))
print("thêm quy tắc cách ≥ 0,3 s:", dem_dinh(lam_muot(a), 10.8, cach=int(0.3 * fs)))số bước thật: 18
đếm trên tín hiệu thô: 99
làm mượt rồi đếm: 23
thêm quy tắc cách ≥ 0,3 s: 18Đếm thẳng trên tín hiệu thô ra 99 "bước": gợn nhiễu nào nhô quá ngưỡng cũng bị tính, kể cả lúc đứng chờ đèn. Trung bình trượt (moving average) gọt bớt các gợn nhỏ, còn 23. Thêm một hiểu biết về cơ thể người — không ai bước hai bước cách nhau chưa tới 0,3 giây — thì ra đúng 18. Bài học của cả môn nằm gọn ở đây: dữ liệu cảm biến chỉ có nghĩa khi đi cùng một mô hình về thế giới thật. Máy đếm bước thật còn phải phân biệt đi bộ với ngồi xe máy qua ổ gà.
Các cảm biến còn bù cho nhau. Con quay đo độ xoay rất mượt nhưng cộng dồn lâu thì trôi dần; gia tốc kế nhiễu nhưng luôn biết hướng trọng lực. Trộn hai thứ — hợp nhất cảm biến (sensor fusion), chẳng hạn bằng bộ lọc Kalman (Kalman filter) — cho ra hướng cầm máy vừa mượt vừa không trôi; trò chơi nghiêng máy để lái xe hay ứng dụng thực tế tăng cường đều dựa vào đó.
2. Biết mình ở đâu: đo khoảng cách rồi giải hình học
Điện thoại tự định vị theo một nguyên tắc chung: đo khoảng cách tới vài điểm đã biết vị trí, rồi tìm điểm duy nhất khớp với tất cả. Biết mình cách điểm A 39 mét thì mình nằm đâu đó trên một đường tròn quanh A; thêm điểm B, còn hai giao điểm; thêm điểm C, còn một. Cách tính này gọi là định vị bằng ba khoảng cách (trilateration).
Giả sử trên một tầng của trung tâm thương mại có ba điểm phát Wi-Fi đã biết tọa độ, và điện thoại ước lượng được khoảng cách tới từng điểm:
import math
tram = [(0, 0), (60, 0), (0, 40)] # ba điểm phát Wi-Fi trên một tầng, vị trí đã biết (mét)
def dinh_vi(tram, d):
(x1, y1), (x2, y2), (x3, y3) = tram
r1, r2, r3 = d
# trừ phương trình đường tròn 1 khỏi đường tròn 2 và 3: còn hai phương trình bậc nhất
a, b, c = 2 * (x2 - x1), 2 * (y2 - y1), r1**2 - r2**2 + x2**2 - x1**2 + y2**2 - y1**2
e, f, g = 2 * (x3 - x1), 2 * (y3 - y1), r1**2 - r3**2 + x3**2 - x1**2 + y3**2 - y1**2
det = a * f - b * e
return round((c * f - b * g) / det, 1), round((a * g - c * e) / det, 1)
that = (35, 18) # chỗ bạn đứng thật — máy không biết
d = [math.dist(that, t) for t in tram]
print("khoảng cách đo được:", [round(x, 1) for x in d])
print("vị trí tính ra: ", dinh_vi(tram, d))
print("khi đo lệch 2–3 m: ", dinh_vi(tram, [d[0] + 3, d[1] - 2, d[2] + 2]))khoảng cách đo được: [39.4, 30.8, 41.3]
vị trí tính ra: (35.0, 18.0)
khi đo lệch 2–3 m: (38.0, 18.9)Phép tính gọn đến bất ngờ: ba phương trình đường tròn, trừ cho nhau, còn hai phương trình bậc nhất. Cái khó nằm ở đo khoảng cách. Sóng Wi-Fi yếu đi theo khoảng cách, nhưng cũng yếu đi khi có người đứng chắn hay một bức tường, nên khoảng cách lệch vài mét là chuyện thường — và vị trí lệch theo. Hệ thống thật dùng nhiều điểm phát hơn và chọn vị trí khớp tốt nhất bằng bình phương tối thiểu (least squares), hoặc so cường độ sóng với một bản đồ vân tay sóng (fingerprint) đo sẵn ở từng góc nhà.
GPS cũng làm như vậy trong không gian ba chiều: khoảng cách tới mỗi vệ tinh suy ra từ thời gian tín hiệu bay. Đồng hồ trong điện thoại không đủ chính xác, nên độ lệch đồng hồ thành ẩn số thứ tư — vì thế cần ít nhất bốn vệ tinh. Chuyện đồng hồ vệ tinh phải hiệu chỉnh theo thuyết tương đối thì bài Vật lý đã kể.
Điện thoại thật trộn nhiều nguồn: GPS ngoài trời, Wi-Fi và trạm phát sóng trong phố, cộng số bước và hướng la bàn để "đi mò" qua đoạn hầm. Vòng tròn mờ quanh chấm xanh là cách ứng dụng nói thật: "bạn ở đâu đó trong vòng này".
3. Năng lượng: luật chơi lớn nhất
Trên máy bàn, phần mềm chậm thì người dùng chờ. Trên điện thoại, phần mềm tốn điện thì người dùng hết pin giữa ngày — và pin tiến bộ chậm hơn chip nhiều.
Món tốn điện nhất thường không phải tính toán, mà là màn hình và sóng vô tuyến. Gửi xong một gói tin, sóng di động không tắt ngay mà còn ở công suất cao thêm một lúc — cái đuôi (tail) — phòng khi có gói tiếp theo. Một đo đạc trên mạng 4G LTE năm 2012 ghi được cái đuôi dài khoảng 11,6 giây, ở mức trên 1 W. Nghĩa là gửi 100 byte hay 10 KB tốn gần như nhau; số lần đánh thức sóng mới là thứ đắt.
Tính thử cho một ứng dụng cứ định kỳ gửi một gói nhỏ lên máy chủ, với số làm tròn: mỗi lần đánh thức tốn khoảng 1 W trong 10 giây.
pin_wh = 4000 * 3.85 / 1000 # pin 4.000 mAh ở 3,85 V: khoảng 15,4 Wh
moi_lan = 1.0 * 10 # mỗi lần đánh thức sóng di động: ~1 W trong ~10 giây = 10 J
for chu_ky in (30, 300, 1800): # gửi một gói nhỏ mỗi 30 giây, 5 phút, 30 phút
so_lan = 24 * 3600 // chu_ky
wh = so_lan * moi_lan / 3600 # 3.600 J = 1 Wh
print(f"mỗi {chu_ky:>4} giây: {so_lan:4} lần/ngày → {wh:5.2f} Wh, {wh / pin_wh:4.0%} pin")mỗi 30 giây: 2880 lần/ngày → 8.00 Wh, 52% pin
mỗi 300 giây: 288 lần/ngày → 0.80 Wh, 5% pin
mỗi 1800 giây: 48 lần/ngày → 0.13 Wh, 1% pinMột ứng dụng "hỏi thăm" máy chủ mỗi 30 giây có thể một mình ăn nửa cục pin mỗi ngày. Cách chữa là gom việc (batching) — dồn nhiều gói, nhiều ứng dụng vào cùng một lần thức — và thay việc hỏi thăm bằng thông báo đẩy (push notification): cả máy giữ một kết nối chung, máy chủ có tin mới thì mới gọi.
Hệ điều hành di động ép mọi ứng dụng theo luật này. Từ Android 6.0 (2015), chế độ Doze hoãn các việc chạy nền khi máy nằm yên lâu, rồi cho tất cả chạy chung trong những "cửa sổ bảo trì" ngắn. Hệ điều hành còn có thể tắt hẳn một ứng dụng chạy nền để giữ pin và bộ nhớ — vì vậy mọi khóa lập trình di động đều dạy kỹ vòng đời ứng dụng (app lifecycle): lưu trạng thái đúng lúc, vì không biết lúc nào mình bị tắt. Phần cứng cũng góp sức: năm 2013, iPhone 5s có chip phụ M7 chuyên gom dữ liệu chuyển động trong khi chip chính ngủ, và Android 4.4 thêm cảm biến đếm bước bằng phần cứng. Máy đếm bước ở ý 1 mà chạy suốt ngày trên chip chính sẽ là một ứng dụng ngốn pin.
4. Ứng dụng biết ngữ cảnh: tài xế nào gần nhất?
Ngữ cảnh (context) là những gì quanh một lần dùng máy: ở đâu, lúc nào, đang làm gì, ở gần ai. Một ứng dụng biết ngữ cảnh (context-aware application) đổi hành vi theo đó: nhắc mua sữa khi bạn đi ngang siêu thị, tắt thông báo khi bạn đang lái xe. Nhiều việc hệ điều hành làm hộ với giá rẻ: ứng dụng khai báo một vùng (hàng rào địa lý — geofence), hệ điều hành theo dõi bằng Wi-Fi và trạm phát sóng — rẻ hơn GPS nhiều — và chỉ đánh thức ứng dụng khi bạn bước vào vùng đó.
Ví dụ quen nhất ở Việt Nam là ứng dụng gọi xe và giao đồ ăn: khách bấm đặt, hệ thống phải tìm ngay các tài xế gần nhất trong hàng chục nghìn chiếc xe khắp thành phố. Xét từng tài xế một cho mỗi cuốc xe là quá chậm. Cách đơn giản là chia bản đồ thành lưới ô, cất tài xế theo ô — đúng tinh thần của bảng băm trong bài Cấu trúc dữ liệu và giải thuật — rồi chỉ xét ô của khách và các ô bên cạnh:
import math, random
from collections import defaultdict
random.seed(30)
tai_xe = [(random.uniform(0, 20), random.uniform(0, 20)) for _ in range(20_000)] # tọa độ km trong một vùng 20 × 20 km
luoi = defaultdict(list) # chia bản đồ thành ô 1 km × 1 km
for i, (x, y) in enumerate(tai_xe):
luoi[(int(x), int(y))].append(i)
def gan_nhat(x, y): # chỉ xét ô của khách và 8 ô bao quanh
ox, oy = int(x), int(y)
ung_vien = [i for dx in (-1, 0, 1) for dy in (-1, 0, 1) for i in luoi[(ox + dx, oy + dy)]]
return min(ung_vien, key=lambda i: math.dist((x, y), tai_xe[i])), len(ung_vien)
khach = (7.3, 12.6)
i, so_xet = gan_nhat(*khach)
print("tài xế gần nhất:", i, "cách", round(math.dist(khach, tai_xe[i]), 2), "km")
print("số tài xế phải xét:", so_xet, "trên", len(tai_xe))
print("khớp với cách xét tất cả:", i == min(range(len(tai_xe)), key=lambda j: math.dist(khach, tai_xe[j])))tài xế gần nhất: 998 cách 0.07 km
số tài xế phải xét: 456 trên 20000
khớp với cách xét tất cả: TrueChỉ phải xét khoảng 450 tài xế thay vì 20.000, mà vẫn ra đúng người gần nhất. Hệ thống thật phức tạp hơn nhiều: chín ô quanh khách trống thì mở rộng thêm một vòng; "gần" phải tính theo thời gian chạy trên đường thật, có đường một chiều và giờ tan tầm, chứ không theo đường chim bay — chỗ đó cần thuật toán tìm đường trong bài Thiết kế và phân tích thuật toán. Vị trí GPS của tài xế còn nhảy qua lại vài mét, nên phải làm mượt và khớp vào bản đồ đường (map matching) trước khi vẽ chấm xe trên màn hình của khách.
5. Vị trí là dữ liệu nhạy cảm nhất
Một chuỗi điểm vị trí theo thời gian kể về bạn nhiều hơn bạn nghĩ: chỗ bạn ngủ đêm là nhà, chỗ bạn ngồi từ 8 giờ sáng tới 5 giờ chiều là chỗ làm, rồi phòng khám nào, nhà ai bạn hay ghé.
Gỡ tên và số điện thoại khỏi dữ liệu có đủ để giấu người không? Năm 2013, Yves-Alexandre de Montjoye và các cộng sự phân tích 15 tháng dữ liệu của một nhà mạng châu Âu, gồm khoảng 1,5 triệu người. Dữ liệu đã bỏ tên, bỏ số điện thoại; vị trí chỉ thô tới mức "đang nối với trạm phát nào", theo từng giờ. Vậy mà với 95% số người, chỉ cần biết bốn điểm — bốn lần người đó ở đâu, vào giờ nào — là lọc ra được đúng một chuỗi dữ liệu duy nhất khớp cả bốn; với hơn một nửa, hai điểm đã đủ. Lý do dễ hiểu: hàng nghìn người ngủ ở phường bạn, hàng nghìn người làm ở tòa nhà của bạn, nhưng ngủ ở đúng phường đó và làm ở đúng tòa nhà đó thì chẳng còn mấy người.
Vì vậy người làm ứng dụng di động phải coi vị trí như dữ liệu y tế:
- Xin đúng quyền, đúng lúc — "chỉ khi đang dùng ứng dụng" thay cho "luôn luôn", theo nguyên tắc đặc quyền tối thiểu trong bài An toàn máy tính. Từ iOS 14 (2020) và Android 12 (2021), người dùng còn có thể chỉ cho ứng dụng biết vị trí gần đúng.
- Xử lý trên máy khi được, thay vì gửi dữ liệu thô lên máy chủ.
- Chọn cảm biến ít lộ nhất cho việc cần làm. Năm 2020, ứng dụng truy vết tiếp xúc Bluezone ở Việt Nam dùng Bluetooth để ghi lại những điện thoại từng ở gần nhau, không dùng GPS: bài toán là "ai đã ở gần ai", không phải "ai đã ở đâu".
Tính toán di động nằm ở đâu trong chồng tầng
Trong bài Từ electron đến ứng dụng, mỗi môn thường nằm ở một tầng. Môn này thì xuyên qua gần hết chồng tầng, vì chiếc điện thoại là cả chồng tầng thu nhỏ:
- Dưới cùng: cảm biến MEMS, ăng-ten, pin — chuyện của vật lý và điện tử.
- Phần cứng nhỏ: chip phụ đọc cảm biến khi chip chính ngủ — họ hàng của vi điều khiển trong bài Hệ thống nhúng.
- Hệ điều hành: quyết định ứng dụng nào được thức, được đọc cảm biến nào, bị tắt lúc nào — xem bài Hệ điều hành.
- Mạng: Wi-Fi, 4G, 5G, Bluetooth ở dưới; HTTP và API ở trên — bài Mạng máy tính và Ứng dụng web.
- Trên cùng: ứng dụng và cách con người chạm, vuốt, nhìn — bài Tương tác người–máy.
Đưa lên
Những dữ kiện có nghĩa về người dùng và thế giới quanh họ — vị trí kèm bán kính sai số, số bước, "đang đi bộ", "vừa tới chỗ làm" — để ứng dụng đổi hành vi theo ngữ cảnh.
Giấu đi
Chip cảm biến nào, vị trí lấy từ vệ tinh hay Wi-Fi, sóng đang thức hay ngủ, và hàng nghìn con số nhiễu mỗi giây đã được lọc để ra một dòng "bạn đã đi 18 bước".
Học trước và học sau
· 7 mônLập trình
Programming
Viết chương trình có cấu trúc, quen lập trình hướng đối tượng — để học Kotlin hay Swift không bị cú pháp làm chậm. Nên học trước.
Tương tác người–máy
Human-Computer Interaction
Thiết kế cho màn hình nhỏ và người dùng đang vội. Hướng dẫn chủ đề xếp môn này vào phần nên học trước.
Hệ điều hành
Operating Systems
Tiến trình, lập lịch, quyền truy cập — vì sao ứng dụng di động bị tạm dừng, bị tắt và phải xin quyền.
Mạng máy tính
Computer Networks
Độ trễ, mất kết nối — chuyện ứng dụng gặp mỗi khi người dùng bước vào thang máy.
Hệ thống nhúng
Embedded Systems
Xuống một tầng: vi điều khiển, đọc cảm biến trực tiếp, sống bằng pin nhiều tháng.
Học máy
Machine Learning
Nhận ra hoạt động từ dữ liệu cảm biến — đi bộ, ngồi xe, té ngã — khi luật viết tay như ở ý 1 không còn đủ.
An toàn máy tính
Computer Security
Quyền truy cập và bảo vệ dữ liệu cá nhân — nặng ký nhất khi dữ liệu là vị trí người dùng.
Ứng dụng thật và nghề nghiệp
- Lập trình viên Android, iOS hay đa nền tảng: việc phổ biến nhất của môn này — ứng dụng ngân hàng, mua sắm, gọi xe, giao đồ ăn.
- Bản đồ và dịch vụ vị trí: định vị, dẫn đường, khớp bản đồ, định vị trong nhà ở sân bay, bệnh viện.
- Sức khỏe và thể thao: đếm bước, theo dõi giấc ngủ, phát hiện té ngã trên đồng hồ và vòng đeo tay.
- Internet vạn vật (IoT) và cảm biến môi trường: đo mực nước, độ ẩm đất, chất lượng không khí; nhà thông minh điều khiển qua điện thoại.
- Thực tế tăng cường: camera cộng con quay và gia tốc kế để đặt vật ảo lên bàn thật.
- Hiệu năng, năng lượng và quyền riêng tư: đo và giảm mức tốn pin; thiết kế cách thu thập, lưu dữ liệu vị trí và sức khỏe sao cho đúng luật và đáng tin.
Học xong làm được gì, bắt đầu từ đâu
Sau môn này bạn có thể:
- viết và chạy trên điện thoại thật một ứng dụng hoàn chỉnh, xin quyền cảm biến và vị trí đúng cách;
- đọc dữ liệu cảm biến, lọc nhiễu và rút ra một sự kiện có nghĩa như "một bước", "máy vừa bị lật";
- giải thích vì sao định vị trong nhà kém chính xác, và chọn nguồn định vị hợp với độ chính xác cần;
- ước lượng ứng dụng tốn bao nhiêu pin, và giảm bằng cách gom việc, chọn đúng tần suất đọc cảm biến;
- dùng dữ liệu vị trí mà không biến người dùng thành một chuỗi điểm dễ nhận ra.
Nên biết trước: lập trình vững, quen lập trình hướng đối tượng (chủ đề Programming); một chút thiết kế giao diện (chủ đề Human-Computer Interaction).
Bắt đầu trên OpenER: trang chủ đề Mobile and Sensor Computing có các khóa học đã chọn lọc, và hướng dẫn học đi qua sáu bước, từ vòng đời ứng dụng tới cảm biến, tối ưu pin và một dự án tổng hợp. Khóa chính là Stanford CS193p Developing Apps for iOS, có video bài giảng công khai và bài tập làm ứng dụng iOS thật (cần máy Mac để chạy Xcode). Không có Mac thì chọn khóa Android của Đại học Maryland trên Coursera, cùng sách Android Programming: The Big Nerd Ranch Guide; muốn một mã nguồn cho cả hai nền tảng thì có CS50 Mobile của Harvard, dù khóa này đã ngừng từ năm 2020 và chỉ còn để lưu trữ. Lời khuyên: chọn một nền tảng, làm xong một ứng dụng chạy trên điện thoại thật, có dùng ít nhất một cảm biến. Thử viết lại máy đếm bước ở ý 1 bằng gia tốc kế thật, bỏ máy vào túi đi một vòng, rồi so với ứng dụng sức khỏe có sẵn — bạn sẽ học được nhiều hơn mọi trình giả lập.
Tài liệu tham khảo
- Mark Weiser — "The Computer for the 21st Century", Scientific American 265(3), tháng 9/1991.
- Yves-Alexandre de Montjoye, César A. Hidalgo, Michel Verleysen, Vincent D. Blondel — "Unique in the Crowd: The privacy bounds of human mobility", Scientific Reports 3, 1376 (2013).
- Alan Mainwaring, Joseph Polastre, Robert Szewczyk, David Culler, John Anderson — "Wireless Sensor Networks for Habitat Monitoring", WSNA 2002.
- Junxian Huang và cộng sự — "A Close Examination of Performance and Power Characteristics of 4G LTE Networks", MobiSys 2012.
- Stanford CS193p Developing Apps for iOS — cs193p.stanford.edu.
- Harvard CS50 Mobile App Development with React Native — cs50.harvard.edu/mobile.
- Bryan Sills, Brian Gardner, Kristin Marsicano, Chris Stewart — Android Programming: The Big Nerd Ranch Guide, bản 5, 2022.
- Android Developers — tài liệu chính thức về cảm biến, vị trí, Doze và App Standby (developer.android.com).
- Apple Developer — tài liệu chính thức về Core Motion và Core Location (developer.apple.com).