Recent advancements in transportation and technology highlight the need for accurate road surface classification in autonomous vehicles and navigation systems. Traditional methods using cameras and Lidar sensors face limitations in real-time performance and cost. Our research suggests that inertial sensors, coupled with machine learning, can achieve over 90% accuracy in real-time classification of asphalt, dirt, and cobblestone surfaces, offering a low-cost and readily available alternative. This paper proposes evaluating the classification performance using fundamental machine learning models on publicly available datasets for these three road surface types.Trong những năm gần đây, với sự phát triển của hạ tầng giao thông và lĩnhvực khoa học công nghệ thì việc nhận diện tình trạng mặt đường đang có nhiều ýnghĩa quan trọng đối với các hệ thống xe tự hành hoặc bài toán dẫn đường tự động. Trong các bài toán phân loại mặt đường thì có các hệ thống sử dụng camera,hệ cảm biến Lidar, tuy nhiên các hệ thống này triển khai thì thường khó thực hiệnđược phân loại trong thời gian thực, đồng thời cũng tốn kém về mặt chi phí. Chúngtôi nhận thấy sử dụng cảm biến quán tính và các thuật toán học máy sẽ mang lạihiệu năng cao trong thời gian thực và chi phí cho hệ thống cũng thấp hơn nhiềuso với các hệ thống khác. Trong bài báo này, chúng tôi đề xuất lựa chọn bộ dữ liệutối ưu để đánh giá hiệu năng phân loại 3 loại mặt đường là đường nhựa, đườngđất và đường đá trên một số mô hình học máy cơ bản trên bộ dữ liệu công khai.Kết quả cho thấy độ chính xác đạt được trên 90% khi phân loại đường nhựa, đườngđất, đường đá.