Cơ hội và thử thách trong duy trì tuổi thọ pin xe điện

Tại Hội nghị Quốc tế về trí tuệ nhân tạo và bán dẫn (AISC 2025) diễn ra vào ngày 13/3, GS. Hồ Phạm Minh Nhật - Đại học Texas tại Austin (Mỹ) - đã có những chia sẻ về cơ hội và thử thách trong cách duy trì tuổi thọ pin xe điện, cũng như việc tạo sinh dữ liệu chất lượng cao cho xe tự hành nhằm tăng cường tính an toàn.

Thách thức với tuổi thọ pin xe điện

Chia sẻ về cơ hội và thử thách trong cách duy trì tuổi thọ pin xe điện, theo GS. Minh Nhật, pin lithium là một trong những sáng kiến đổi mới sáng tạo quan trọng cho xe điện đang được áp dụng ở nhiều công ty và các công ty này cũng đang tập trung phát triển những biện pháp để có thể quản lý hiệu quả tình trạng của pin.

GS. Hồ Phạm Minh Nhật, Đại học Texas tại Austin (Mỹ) phát biểu ở AISC 2025. Ảnh: Thanh Tuấn

“Chúng ta thường thấy có tình trạng thoái hóa pin và phải bảo trì pin thường xuyên sau một thời gian sử dụng, do đó tình trạng của pin sẽ xuống cấp. Câu hỏi đặt ra làm thế nào để quản lý tuổi thọ của pin? Chúng ta cần lưu ý đến các yếu tố như là chu kỳ sạc xả, nhiệt độ của pin. Ví dụ trong thời tiết nóng, thời tiết lạnh, hiệu suất của pin sẽ khác nhau. Ngoài ra, chúng ta cũng cần quan tâm tới thói quen sạc xe và các hành vi lái xe”, GS. Đại học Texas cho biết.

Theo GS. Minh Nhật, một trong những vấn đề chính trong quản lý tình trạng của pin xe điện là làm thế nào để có thể đưa ra dự đoán về chu kỳ sạc xả của pin, khi mà pin đã hoạt động đến mức công suất nhất định. Để giải quyết vấn đề này chúng ta phải tìm cách để tối ưu hóa quá trình sử dụng pin cũng như lập lịch cho quá trình bảo trì pin.

“Đây là điều quan trọng đối với cả khách hàng và ngành xe điện. Nếu làm như vậy, chúng ta có thể tăng cường độ an toàn cũng như độ tin cậy với xe điện. Đồng thời, qua đó có thể xác định được thoái hóa pin là bình thường hay bất thường”, GS. Minh Nhật chỉ ra.

Ngoài ra, GS. Minh Nhật cho hay, có sử dụng các thuật toán để có thể xác định và phân tích chuỗi dữ liệu, cũng như đưa ra các dự đoán, dự báo dựa trên dữ liệu theo chuỗi thời gian. Mặc dù, đã sử dụng những mô hình hiện đại nhất, tuy nhiên cũng phải cân nhắc đến vấn đề về tính chính xác khi đưa ra dự báo về tuổi thọ còn lại của pin.

“Có khá nhiều yếu tố có thể ảnh hưởng đến tuổi thọ của pin như nhiệt độ, môi trường hay chu kỳ sạc xả… Do đó, cần phải tìm ra đúng cách để đưa ra dự báo về tuổi thọ hữu dụng của pin trước khi đến ngưỡng pin có thể ngừng hoạt động”, GS. Minh Nhật nhấn mạnh.

“Một trong các giải pháp hiện nay chúng tôi đang áp dụng đó là mô hình kết hợp nhiều chuyên gia để đưa ra dự đoán về tuổi thọ còn lại của pin, cũng như nắm bắt các thông tin nhiệt độ, môi trường… Đồng thời, đưa ra những kịch bản xấu nhất để có thể hiểu rõ được ngưỡng ngừng hoạt động của pin là bao nhiêu”, GS. Đại học Texas nêu rõ.

Tương lai của xe tự hành

Thông tin thêm về việc tạo sinh dữ liệu chất lượng cao cho xe tự hành nhằm tăng cường tính an toàn, GS. Minh Nhật cho biết, thông thường chúng ta thấy xe tự hành phải thu thập rất nhiều dữ liệu để huấn luyện trí tuệ nhân tạo (AI) ở trong xe tự hành.

Hiện nay, những công ty như là Tesla, GM hoặc Toyota cũng muốn tìm ra những cách thức để có thể tạo sinh dữ liệu này tự động, tuy nhiên rất đắt đỏ để thu thập dữ liệu. Việc xây dựng và phát triển xe tự hành đòi hỏi rất nhiều dữ liệu chất lượng cao. Nguồn dữ liệu đó có thể đến từ rất nhiều hình ảnh khác nhau hay dữ liệu từ camera.

GS. Hồ Phạm Minh Nhật tại hội thảo chuyên đề “Sự hội tụ của bán dẫn và trí tuệ nhân tạo: Yếu tố đột phá tạo ra chu kỳ cơ hội mới” diễn ra vào ngày 13/3. Ảnh: Thanh Tuấn

Tuy nhiên, hiệu suất của các hình ảnh này không thực sự cao. Khi kết hợp các dữ liệu trong mô hình chúng tôi có thể nâng cao hiệu suất của việc phát hiện ra các chuyển động bất thường.

“Chúng tôi sử dụng dữ liệu chất lượng để nâng cao khả năng dự đoán và lên kế hoạch di chuyển của xe tự hành. Tuy nhiên, thách thức lớn đối với việc sử dụng dữ liệu thực đa cảm biến đó là rất khó để thu thập. Ngoài ra, lắp nhiều cảm biến rất đắt đỏ và cần nhiều nhân lực để thu thập được dữ liệu”, GS. Minh Nhật lưu ý.

Chia sẻ thêm về quá trình tổng hợp dữ liệu trong thế giới thực áp dụng cho xe tự hành, GS. Đại học Texas cho rằng, nếu chúng ta có thể tạo sinh được những dữ liệu có chất lượng cao. Ví dụ, dữ liệu điểm đám mây có thể giúp cho việc huấn luyện các mô hình AI. Vì như vậy, sẽ có dữ liệu nhiều hơn, qua đó tăng được hiệu suất mô hình và có thể tạo sinh ra dữ liệu chất lượng càng cao càng hữu ích.

“Có thể kể đến các điều kiện thời tiết, điều kiện ánh sáng khác nhau, trời tuyết, trời tối hay điều kiện ánh sáng kém... Nếu như không có dữ liệu tốt phục vụ cho quá trình huấn luyện AI, mô hình đó cũng không thể nào phát hiện ra được vật thể lạ hoặc những vật cản ở trên đường”, GS. Minh Nhật nhấn mạnh.