Khoa Hệ thống Thông tin chúc mừng nhóm sinh viên lớp HTTT2022.2 với bài báo “LSTM-MLS: A hybrid framework for object trajectory prediction in autonomous vehicles” đã được chấp nhận đăng tại Hội nghị Khoa học Quốc tế ISCMI 2025 (The 12th International Conference on Soft Computing & Machine Intelligence).
ISCMI 2025 được tổ chức bởi Hội nghị Quốc tế Ấn Độ về Trí tuệ Tính toán (IICCI), với sự bảo trợ kỹ thuật từ IEEE Brazil Council và IEEE Rio de Janeiro Section. Sự kiện sẽ diễn ra tại thành phố Rio de Janeiro, Brazil, từ ngày 21 đến 23 tháng 11 năm 2025.
Mục tiêu của ISCMI 2025 là công bố những nghiên cứu và kết quả mới nhất trong lĩnh vực Tính toán mềm (Soft Computing) và Trí tuệ máy (Machine Intelligence).
Hội nghị cũng là cơ hội để các nhà nghiên cứu, học giả và doanh nghiệp trao đổi ý tưởng, mở rộng hợp tác nghiên cứu và kết nối toàn cầu trong môi trường học thuật quốc tế.
Link hội nghị: https://www.iscmi.us
Tên bài báo: LSTM-MLS: A hybrid framework for object trajectory prediction in autonomous vehicles
Nhóm sinh viên thực hiện:
- 22521681 – Trần Danh Vinh – Lớp HTTT2022.2
- 22521577 – Ngô Nhựt Trường – Lớp HTTT2022.2
Giảng viên hướng dẫn:
- ThS. Nguyễn Hồ Duy Trí – Giảng viên hướng dẫn
- ThS. Nguyễn Hồ Duy Tri – Đồng hướng dẫn
Tóm tắt nghiên cứu (Abstract): Accurate prediction of surrounding object trajectories is a crucial element in autonomous driving systems, as it directly influences both safety and decision-making processes. Conventional deep learning methods often depend on fixed-lag architectures, which restrict their adaptability to the dynamic and heterogeneous conditions of real-world traffic environments.
To overcome these limitations, we introduce LSTM-MLS, a hybrid framework that combines Long Short-Term Memory (LSTM) networks with a Multi-Level Lag Scheme (MLS). This approach dynamically captures temporal dependencies across multiple lag intervals, allowing for more flexible and robust modeling of motion dynamics from heterogeneous sensor inputs such as LiDAR, radar, and cameras.
Experimental evaluations show that LSTM-MLS significantly reduces prediction errors and enhances real-time performance compared to conventional LSTM-based models. From an academic standpoint, this work contributes a novel strategy for trajectory forecasting by strengthening temporal representation learning. In practical applications, the proposed framework offers a scalable and efficient solution for real-time trajectory prediction, thereby improving the safety, responsiveness, and reliability of autonomous vehicles operating in complex traffic environments.
Chúc mừng nhóm sinh viên và các giảng viên hướng dẫn đã đạt được thành tích nghiên cứu xuất sắc, góp phần khẳng định năng lực học tập, nghiên cứu và sáng tạo của sinh viên Khoa Hệ thống Thông tin – Trường Đại học Công nghệ Thông tin, ĐHQG-HCM
Xem thêm thông tin tại: https://httt.uit.edu.vn/chuc-mung-nhom-sinh-vien.../
Thông tin chi tiết: https://www.facebook.com/share/p/1AvKoUgWd4/
