Bài toán (Problem) Khoang xe trở thành “vùng mù” sau khi tài xế rời đi: Trẻ em, vật nuôi hoặc tài sản có thể bị bỏ quên mà chủ xe không nhận biết kịp thời. Rủi ro cần cách xử lý khác nhau: Con người và vật nuôi có thể gặp nguy hiểm do nhiệt độ tăng nhanh; tài sản cần được cảnh báo nhưng không nên kích hoạt quy trình khẩn cấp giống con người. Thiếu bằng chứng trực quan: Cảnh báo không kèm hình ảnh xác minh dễ gây báo động giả, mất niềm tin và khiến người dùng bỏ qua cảnh báo sau này. Giải pháp hiện có còn phân mảnh: Nhiều thiết bị chỉ phát hiện chuyển động hoặc trẻ em, chưa bảo vệ đồng thời con người, vật nuôi và tài sản trên xe đang sử dụng.

Giải pháp kỹ thuật (Solution & Architecture) Quét đúng thời điểm: CabinSentinel chỉ bắt đầu nhận diện khi xe đã tắt máy, cửa đóng và xe được khóa — trạng thái VACATED. Nhận diện hai tầng Edge–Cloud: Camera trên xe gửi hình ảnh cho mô hình nhẹ tại thiết bị Edge để phát hiện nhanh; Backend kiểm chứng lại bằng mô hình lớn hơn trước khi quyết định cảnh báo. Xác minh bằng ROI: Các đối tượng có độ tin cậy trung bình, đặc biệt là laptop, được cắt vùng quan tâm và nhận diện lại để giảm nhầm lẫn từ toàn cảnh. Bảo vệ quyền riêng tư: Khuôn mặt trong ảnh cảnh báo được làm mờ theo vùng đầu thực tế trước khi hiển thị hoặc gửi tới người nhận. State Machine theo mức rủi ro: Hệ thống phân loại con người, vật nuôi và tài sản, sau đó xử lý theo các mức L1–L4 bằng thông báo ứng dụng, SMS, cuộc gọi và cảnh báo quản trị. Webapp giám sát tập trung: Chủ xe có thể theo dõi trạng thái xe, xem bằng chứng, xác nhận an toàn, xử lý cảnh báo và tra cứu lịch sử sự kiện.

Tính khả thi & Độ tin cậy (Feasibility) Model nhẹ phù hợp thiết bị Edge: yolo26n_merged đạt Recall LIFE 0,8151 và Precision LIFE 0,9444, với khoảng 56 false positive trên gần 1.000 detection. Tốc độ xử lý nhanh: Độ trễ p95 khoảng 37 ms, nhanh hơn khoảng 3,3 lần so với YOLOv8s và vượt yêu cầu tối thiểu 2 FPS của contract. Đánh giá có kiểm soát: Hệ thống được kiểm tra qua 7 nhóm benchmark gồm kích thước, tốc độ, độ chính xác, mAP, lượng tử hóa, scorecard và golden test. Bộ kiểm thử khó bị thay đổi: Golden test được cố định bằng checksum SHA-256, giúp phát hiện việc chỉnh sửa dữ liệu đánh giá. Kiểm tra khả năng khái quát: Model được đánh giá trên mẫu xe i3 chưa xuất hiện trong dữ liệu huấn luyện. Dữ liệu cabin chuyên biệt: Sử dụng SVIRO của DFKI — bộ ảnh dựng 3D khoang ghế sau trên 11 mẫu xe — để bổ sung các tình huống chiếm chỗ đa dạng.

Giá trị khác biệt (Competitive Advantage) Một hệ thống, ba nhóm bảo vệ: Đồng thời nhận diện con người, vật nuôi và tài sản bị bỏ quên. Không chỉ phát hiện — còn xác minh và quyết định: Kết hợp Edge AI, Cloud AI và State Machine thay vì cảnh báo trực tiếp từ một detection đơn lẻ. Phản ứng đúng theo rủi ro: Mỗi nhóm đối tượng có chính sách leo thang riêng, hạn chế báo động quá mức. Bằng chứng hình ảnh đã ẩn danh: Hỗ trợ người dùng kiểm chứng sự việc mà vẫn bảo vệ danh tính. Phù hợp xe đang lưu hành: Có thể triển khai như một thiết bị bổ sung, không phụ thuộc hoàn toàn vào phần cứng tích hợp sẵn từ hãng xe.