Xem mẫu
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Mô Hình Định Vị Trong Nhà Sử Dụng
BLE iBeacon Và Mạng Nơ-Ron Nhân Tạo
Nguyễn Việt Hưng, Nguyễn Thành Phúc, Lê Tất Thắng, Đinh Thị Thái Mai
Khoa Điện tử viễn thông
Đại học Công nghệ, Đại học Quốc gia Hà Nội
Email: {18020606, 18021007, 18021155, dttmai}@vnu.edu.vn
Abstract— Trong thời gian gần đây, sự phát triển của Do đặc điểm kỹ thuật của RSS FP, các thuật toán
tự động hóa, robot tự hành, IoT,… kéo theo yêu cầu về học máy thường được sử dụng để phân tích cơ sở dữ
định vị vị trí trong nhà tăng vọt. Các hệ thống định liệu vị trí RSS và đưa ra kết quả dự đoán. Đã có rất
vị trong nhà phải đáp ứng được các tiêu chí về giá thành, nhiều cá nhân, các nhóm nghiên cứu ứng dụng các kỹ
năng lượng tiêu thụ, cũng như khả năng triển khai trên
các thiết bị nhỏ, di động. Trong bài báo này, chúng tôi đề
thuật học máy khác nhau vào RSS FP như K-nearest
xuất mô hình hệ thống định vị trong nhà dựa trên neighbors, K-mean, Neural Network,... Các kỹ thuật
công nghệ Bluetooth Low Energy (BLE) và mạng Nơ-ron học máy có đặc điểm riêng, tạo ra sai số ước lượng vị
nhân tạo, triển khai hoạt động trên thiết bị BLE iBeacon, trí đích khác nhau. Vì vậy, cần có sự kết hợp các phương
cùng với mạch Raspberry Pi 3. Hệ thống sẽ sử dụng pháp khác để giảm sai số khi đo RSS, giảm lưu lượng
phương pháp Fingerprinting để xây dựng một cơ sở dữ thông tin,... nhằm tăng tốc độ tính toán, giảm chi phí và
liệu từ cường độ tín hiệu đo được từ các iBeacon, và xử lý tăng sự chính xác.
qua một mạng Nơ-ron nhân tạo để dự đoán vị trí của Vấn đề của RSS FP cũng như các phương pháp định
Raspberry Pi 3. Thử nghiệm thực tế cho thấy kết quả định vị khác là giá trị đầu vào (RSS) thu được trong giai đoạn
vị vị trí thực tế đạt sai số trung bình là 1.16m.
trực tuyến có ảnh hưởng trực tiếp đến kết quả tính toán,
Keywords- Định vị trong nhà, BLE, iBeacon, và cơ sở dữ liệu của RSS FP là lớn nhưng không phải
Neural network, Raspberry Pi, Fingerprinting. tất cả dữ liệu thu được trong quá trình thực nghiệm đều
hữu ích trong quá trình huấn luyện và suy luận cho các
mô hình học máy. Nhóm nghiên cứu trong [1] xây dựng
I. GIỚI THIỆU hệ thống định vị dựa trên Important Access Point (IAP),
Ngày nay, nhu cầu về dịch vụ định vị ngày càng tăng, kết hợp thuật toán học máy K-nearest neighbors, với độ
được ứng dụng trong rất nhiều lĩnh vực hiện tại và cả chính xác thử nghiệm là 85%. Một đề xuất khác sử dụng
trong tương lai như: Robotic (vệ sinh, chăm sóc y tế,..), kỹ thuật Fingerprinting dựa trên mạng WLAN. Trong
xe tự hành, dò tìm đường, tìm vật thể... Mỗi lĩnh vực cần giai đoạn ngoại tuyến, các khu vực định vị được phân
hệ thống định vị phù hợp theo môi trường ứng dụng. Với nhóm bằng lọc fuzzy C-mean, chọn ra các điểm truy cập
môi trường ngoài trời, có một số kỹ thuật định vị phổ hữu ích nhằm giảm kích thước của cơ sở dữ liệu FP.
biến: Định vị toàn cầu GPS, kỹ thuật định vị Trong giai đoạn trực tuyến, giải thuật Neural Network
sử dụng tế bào Cell trong mạng di động,...Tuy nhiên, được chọn để ước lượng vị trí, kết hợp thuật toán “Ước
với môi trường trong nhà, hầm mỏ, đường hầm,…, tính lượng khoảng cách mờ tương đối” (Relative Distance
chất của vật liệu và không gian gây ảnh hưởng lớn Fuzzy Localization). Thời gian tính toán và độ chính
tới các kỹ thuật nêu trên, tạo ra nhiều vấn đề về độ xác đã được cải thiện đáng kể [2]. Nhóm tác giả trong
chính xác, tin cậy trong kết quả ước lượng vị trí. [3] đưa ra phương pháp định vị dự đoán vị trí dựa trên
Do đó, yêu cầu về phát triển các kỹ thuật định vị dành tính xác suất của vị trí ước lượng sử dụng phương pháp
riêng cho môi trường trong nhà được đặt ra. Các hệ bản địa hóa Markov, sử dụng dữ liệu thống kê của “dấu
thống định vị trong nhà phổ biến nhất thường sử dụng vân tay” vị trí, để dự đoán vị trí có khả năng xảy ra nhất.
công nghệ tín hiệu không dây như: Wi-Fi, Bluetooth Trong cùng môi trường trong nhà, để xử lý trường hợp
Low Energy (BLE) và kết hợp kỹ thuật định vị dựa trên không gian môi trường thay đổi theo thời gian, có ngoại
cường độ tín hiệu bên thu (Receiver Signal Strength vật di chuyển, nhóm nghiên cứu [4] đề xuất một thuật
Indicator - RSSI). toán mới về việc điều chỉnh dữ liệu RSS FP. Các phép
Trong bài báo này, chúng tôi đề xuất hệ thống đo về RSS FP ngoại tuyến theo thời gian và không gian
định vị trong nhà dựa trên nền tảng kỹ thuật được thực hiện liên tục. Cơ sở dữ liệu vị trí RSS cũng
RSS Fingerprinting (RSS FP), kết hợp với Neural được cập nhật mà không phải là cố định. Nhóm tác giả
Network, sử dụng giao thức iBeacon Bluetooth Low trong [5] đề xuất thay vì định vị trí tại thời điểm mà định
Energy (BLE), triển khai trên mạch Raspberry Pi 3 và vị quỹ đạo và mối tương quan giữa các phép đo RSS
Estimote iBeacon. nhận được một quỹ đạo trong giai đoạn ngoại tuyến,
ISBN 978-604-80-5958-3 163
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
sử dụng bộ lọc trung bình gán trọng số cho RSS FP và Chúng tôi đã thấy được Bluetooth là một lựa chọn
dùng giải thuật Recurrent Neural Networks (RNN) để rất tốt, nhưng lựa chọn phù hợp hơn nữa với các hệ
ước tính vị trí. Kết quả thu được rất ấn tượng, sai số thống định vị trong nhà là Bluetooth Low Energy
khoảng 0.75m, và cho thấy độ chính xác hơn thật toán (BLE). BLE được xây dựng dựa trên nền tảng của
KNN 30%. Bluetooth 4.0, với mục tiêu là một phiên bản nhỏ gọn
Trong bài báo này, chúng tôi đề xuất một hệ thống và tối ưu hơn Bluetooth thuần để sử dụng trong các thiết
định vị sử dụng Estimote BLE beacon và Raspberry Pi bị di động. BLE hướng tới sự tiết kiệm năng lượng tiêu
lần lượt với vai trò là nút nguồn và nút đích. Kỹ thuật thụ tối đa, thiết bị có thể hoạt động trong một thời gian
chính được sử dụng là RSS FP. Thuật toán chính được rất dài, có thể lên đến hàng năm mà chỉ dựa trên nguồn
sử dụng để khớp giữa hai giai đoạn ngoại tuyến và trực năng lượng là một viên pin cúc áo [11]. Apple là một
tuyến là mạng Nơ-ron nhân tạo. trong những nhà sản xuất tiên phong về BLE, với
Phần còn lại của bài báo được tổ chức như sau: giao thức iBeacon đã trở thành tiêu chuẩn công nghiệp,
Trong phần II chúng tôi trình bày tổng quan định nghĩa, được sử dụng nhiều nhất trong các hệ thống định vị
phân tích về các kỹ thuật, thuật toán được sử dụng. trong nhà.
Trong phần III, chúng tôi nêu lên mô hình hệ thống và Các thiết bị phát sóng sử dụng giao thức iBeacon
triển khai mô phỏng. Phần IV là các kết quả mô phỏng (gọi chung là thiết bị iBeacon). Chúng hoạt động như
và phân tích lý thuyết. Cuối cùng, chúng tôi kết luận bài một trạm phát quảng bá thông thường, liên tục phát đi
báo trong phần V. các gói tin mỗi 100ms. Gói tin phát đi bao gồm ID riêng
biệt cho mỗi iBeacon và dữ liệu RSS.
II. TỔNG QUAN THUẬT TOÁN
Các kỹ thuật định vị vị trí trong nhà thường sử dụng
phương thức truyền tín hiệu không dây như Bluetooth,
Wi-Fi, Ultra Wideband (UWB),…. Hình 1. Gói tin phát đi từ iBeacon (Nguồn: bleesk.com)
Wi-Fi là công nghệ mạng truyền thông dùng trong
Giá trị Major và Minor dùng để xác định và phân biệt
mạng LAN không dây. Tần số thường thấy là 2.4 GHz
các iBeacon. Giá trị TX Power chính là RSS đo được từ
hoặc 5.8 GHz [6]. Wi-Fi truyền dựa trên sóng điện từ,
iBeacon ở khoảng cách tham chiếu [12].
mức độ tiêu thụ năng lượng vừa phải. Tuy nhiên tín hiệu
Đối với hệ thống này, chúng tôi chỉ quan tâm tới
có thể bị nhiễu do ảnh hưởng từ các thiết bị điện gia
địa chỉ MAC và RSS thu được từ mỗi beacon. Địa chỉ
dụng như lò vi sóng, điện thoại di động,…, hoặc thiết bị
MAC được dùng để phân biệt giữa các beacon với nhau
Bluetooth. Một tính chất của Wi-Fi là dễ bị hấp thụ bởi
và phân biệt các khu vực định vị vị trí.
vật liệu xây dựng, đặc biệt là thạch cao [7].
Ultrawide band (UWB) là giao thức truyền không
dây trong khoảng cách ngắn. UWB có tần số rất cao,
băng thông rộng [8]. Do các đặc tính riêng, tín hiệu
UWB không bị nhiễu bởi tác động bên ngoài, mức độ Hình 2. Địa chỉ MAC và RSS trung bình từ 5 beacon
tiêu thụ năng lượng thấp, nhưng UWB chưa thể được
triển khai rộng rãi trên các thiết bị thương mại do những Với định vị dùng RSS, các giá trị thu được được tính
yêu cầu đặc biệt về phần cứng, và tiềm năng ứng dụng toán trực tiếp và chuyển đồi thành khoảng cách để ước
thực tế còn giới hạn [9]. lượng từ vị trí vật thể đích đến các điểm mốc phát sóng.
Bluetooth là công nghệ truyền dẫn không dây trong Kỹ thuật này thuộc lớp các kỹ thuật định vị tam giác.
khoảng cách 10m đến 15m, băng tần 2.45 GHz. Điểm Để định vị trong không gian 2 chiều, cần tối thiểu 3
đáng chú ý của Bluetooth là sử dụng một băng tần chưa iBeacon, đóng vai trò nút cơ sở phát tín hiệu tới vật thể
được cấp phép, điều này cho phép các hệ thống dùng cần xác định [13].
Bluetooth có thể tự do được phát triển mà không tốn Một phương pháp phổ biến hơn cả là RSS
thêm phụ phí về đăng ký bản quyền [10]. Bluetooth Fingerprinting (RSS FP). Kỹ thuật Fingerprinting gồm
được tạo ra để hỗ trợ những kết nối không dây tiêu thụ 2 giai đoạn. Giai đoạn ngoại tuyến (Offline phase),
năng lượng thấp. Một tính chất đặc biệt nữa là thiết bị đây là giai đoạn thu thập dữ liệu. Các iBeacon được gắn
phát có thể điều khiển công suất phát tín hiệu để tối ưu, ở một vị trí cố định, sau đó sẽ tiến hành lấy mẫu tín hiệu
làm cho mức độ tiết kiệm năng lượng tăng hơn nữa [10]. RSS nhiều lần ở các vị trí khác nhau. Với mỗi lần đo,
Tuy nhiên Bluetooth cũng chịu ảnh hưởng của nhiễu và hệ thống lấy 10 mẫu tín hiệu trong vòng 1 giây và tính
hiệu ứng đa đường, điều này cần phải lưu ý, do môi ra giá trị RSS trung bình. Dữ liệu này sẽ được lưu trữ
trường trong nhà có nhiều vật cản [10]. trong một cơ sở dữ liệu để xây dựng mô hình không gian
Qua sự so sánh về ba kỹ thuật truyền dẫn không dây và phục vụ xác định vị trí. Trong giai đoạn trực tuyến
trên, có thể thấy Bluetooth là một lựa chọn phù hợp (Online phase), RSS đo được sẽ dùng để so sánh với dữ
với các hệ thống định vị trong nhà, do các ưu điểm về liệu lưu trong cơ sở, sử dụng mạng Nơ-ron nhân tạo để
chi phí, khoảng cách hoạt động, tiết kiệm năng lượng. dự đoán ra vị trí của vật thể [14] .
ISBN 978-604-80-5958-3 164
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Đầu ra của một nơ-ron với n đầu vào:
Z = ∑(x1w1, x2w2, …, xnwn, b) (1)
Kết quả của phép tổng được đưa qua một hàm kích
hoạt. Nếu nó vượt qua một giá trị ngưỡng nào đó thì
dữ liệu có thể được đi qua (Nơ-ron được kích hoạt) và
trở thành đầu vào của nơ-ron kế tiếp.
Nơ-ron ở lớp ẩn thứ nhất sử dụng hàm kích hoạt
Rectified Linear (ReLU).
Công thức của hàm ReLu được biểu diễn bởi:
F(x) = max(0, x) (2)
Hình 3. Lưu đồ hệ thống
Hệ thống chúng tôi đề xuất bao gồm mạch Raspberry
Pi 3 đóng vai trò là vật đích cần định vị, thu nhận tín hiệu
từ 5 iBeacon. Trong giai đoạn ngoại tuyến, RSS trung
bình nhận được sẽ được gắn nhãn và lưu trong một cơ
sở dữ liệu. Trong giai đoạn trực tuyến, mạng Nơ-ron
nhân tạo là phương thức được chọn để ước tính vị trí.
RSS thu được trong giai đoạn này được so sánh với dữ
liệu trong cơ sở dữ liệu, từ đó đưa ra kết quả vị trí gần
đúng nhất. Kết quả này sau đó được trả về tới mạch
Raspberry Pi 3 để hiển thị. Hình 6. Hàm kích hoạt ReLU
Neural Network (NN) là một nhánh trong học máy.
Mô hình mạng NN là một hệ thống tính toán được xây Lớp ẩn thứ hai dùng hàm kích hoạt Softmax:
exp(𝑥)
dựng mô phỏng theo nơ-ron thần kinh sinh học trong cơ F(x) = (3)
∑exp(𝑥)
thể con người, bao gồm nhiều lớp ẩn chứa nhiều
nơ-ron, đầu ra mỗi nơ-ron trong lớp trước là đầu vào của
tất cả các nơ-ron ở lớp sau [15].
Hình 7. Hàm kích hoạt Softmax
Hình 4. Mô hình mạng Nơ-ron nhân tạo trong hệ thống
Hàm Softmax thường được dùng ở những lớp ẩn đầu
Chúng tôi xây dựng mạng Nơ-ron nhân tạo trong ra, tạo cho NN khả năng “phân loại”. Đầu ra của hàm
hệ thống gồm 2 lớp ẩn. Lớp ẩn thứ nhất có 10 nơ-ron, Softmax nằm trong khoảng [0, 1], biểu thị cho xác suất,
tương ứng với các giá trị nhãn iBeacon (iBeacon được hay “độ tự tin” khi xếp một kết quả dự đoán vào các lớp
đánh nhãn phân biệt từ địa chỉ MAC) và RSS nhận được kết quả [15].
từ 5 iBeacon. Lớp ẩn thứ 2 có 72 nơ-ron, cho 72 giá trị Hoạt động huấn luyện của mạng NN gồm 3 bước.
đầu ra, tương ứng với 72 vị trí định vị trên khu vực Bước thứ nhất là truyền xuôi (Forward propagation),
thử nghiệm. dữ liệu đầu vào được truyền và tính toán qua các lớp và
Đặc trưng của một nơ-ron là các trọng số (Weight) đưa ra kết quả. Bước thứ 2 là tính toán sự sai khác giữa
với các đầu vào riêng biệt, và hệ số làm lệch (Bias). kết quả vừa tính được với kết quả chính xác biết trước.
Các thông số này được điều chỉnh nhiều lần qua hoạt Sự sai khác được tính theo hiệu của kết quả dự đoán và
động huấn luyện mạng [15]. kết quả thực tế. Bước thứ ba là truyền ngược (Backward
propagation), dữ liệu được truyền từ đầu ra qua các lớp
tới đầu vào. Trong quá trình này các hệ số Weight và
Bias được điều chỉnh, dựa trên giá trị sai khác ở tính
được ở Bước 2. Ba bước này được lặp lại nhiều lần
để đưa ra Weight và Bias sao cho sự sai khác kết quả
Hình 5. Mô hình một nơ-ron nhân tạo (Nguồn: nnfs.com) mạng đưa ra so với kết quả chính xác là nhỏ nhất.
ISBN 978-604-80-5958-3 165
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Weight (W) và Bias (B) được điều chỉnh theo
công thức:
Wnew = Wold - α * Wcorrection (4)
Bnew = Bold - α * Bcorrection (5)
Hệ số α (learning rate) là hệ số biểu thị “tốc độ học” của
mạng, ảnh hưởng tới mức độ thay đổi các thông số trong
mỗi chu kỳ điều chỉnh, α thường được chọn trong
khoảng 0.1 - 0.5 [15].
Wcorrection là thông số điều chỉnh Weight và Bias, phụ
thuộc vào sự sai khác (error – e) tính được từ Bước 2.
Với lớp ẩn thứ hai:
𝒆 ∗ 𝒁[𝟏] 𝑻
Wcorrection = (6) Hình 9. Estimote iBeacon gắn cố định ở các vị trí
𝑛
∑𝒆 cách mặt đất tối thiểu 1 m.
Bcorrection = (7)
𝑛
Công thức trên được xây dựng khi truyền ngược giá trị Khu vực thử nghiệm là sảnh tầng 1 tòa nhà G2,
qua hàm Softmax, là đạo hàm của hàm Softmax [15]. Trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội
Tương tự với lớp ẩn thứ nhất, khi truyền ngược qua với diện tích 14.4m x 3.2m, 5 iBeacon được gắn trên
hàm ReLU: các vị trí cố định ở các độ cao khác nhau, khoảng cách
𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 𝑻 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] ) ∗ 𝒊𝒏𝒑𝒖𝒕𝑻 tối thiểu giữa các iBeacon là 2m như minh họa trong
Wcorrection = (8) Hình 10. Khu vực thử nghiệm được chia ra thành 72 các
𝑛
𝑻
∑(𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] ))
phân vùng, kích thước 0.8m x 0.8 m, đánh nhãn từ 0
Bcorrection = (9) đến 71. Vị trí điểm đo ở chính giữa các phân vùng,
𝑛 hướng đo không đổi trong suốt quá trình thử nghiệm.
Với Z[1] là đầu ra của lớp ẩn thứ nhất và n là số lượng
các trường hợp trong cơ sở dữ liệu.
III. MÔ HÌNH HỆ THỐNG VÀ TRIỂN KHAI
Hệ thống của chúng tôi sử dụng 5 thiết bị iBeacon
sản xuất bởi Estimote, cơ sở dữ liệu RSS FP và mạng
Neural Network được triển khai trên một mạch
Raspberry Pi 3, đóng vai trò là thiết bị cần định vị.
Thiết bị Thông số
Raspberry Pi 3B v1.2 A 1.2GHz 64-bit quad-
core ARMv8.
Bluetooth 4.1
Python 3.7.3 Hình 10. Mô phỏng khu vực thử nghiệm với các điểm màu
Estimote Proximity 64MHz ARM Cortex- tím là vị trí gắn iBeacon và lưới các phân vùng được đánh
nhãn từ 0 – 71.
beacons (Developer Kit) M4F, BLE 5.0/2.4GHz.
Công suất phát: 0 dBm Trong giai đoạn ngoại tuyến, với mỗi phân vùng,
Quãng phát: 100ms chúng tôi tiến hành thu 90 mẫu dữ liệu RSS từ các
Bảng 1: Thông số thiết bị trong thí nghiệm
iBeacon, và biểu diễn trong cơ sở dữ liệu dưới dạng:
Vị trí i: [i, (Beacon1, RSS1,…, Beacon5, RSS5)]
Hình 8. Hình ảnh thực tế trong quá trình thí nghiệm,
mạch Raspberry Pi 3 được cố định trên giá 3 chân và được
điều khiển bằng một máy tính khác thông qua giao thức SSH. Bảng 2. Biểu diễn một phần cơ sở dữ liệu RSS
ISBN 978-604-80-5958-3 166
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
Sau khi xây dựng được cơ sở dữ liệu với 6480 mẫu Thông số Weight và Bias được điều chỉnh qua các
vị trí ngẫu nhiên, mạng NN được huấn luyện bằng cơ lần lặp, làm cho độ chính xác của mạng tăng dần.
sở dữ liệu này. Ở giai đoạn trực tuyến, mạch Raspberry Sau 1000 lần lặp huấn luyện, độ chính xác bão hòa và
Pi 3 được đặt ở một vị trí bất kỳ trong số các phân vùng hệ thống đạt được độ chính xác về mặt so sánh các nhãn
ở giai đoạn ngoại tuyến và tiến hành xác định vị trí. vị trí là 56%. Tức là số lần hệ thống xác định chính xác
Mạch được gắn trên giá ba chân, hướng đo luôn được phân vùng mạch đang được đặt trong đó chiếm hơn
giữ cố định. Các giá trị RSS đo được sẽ được so sánh 50%, các trường hợp còn lại đa số là hệ thống dự đoán
với dữ liệu có trước để đưa ra dự đoán vị trí gần đúng mạch đang được đặt ở các phân vùng lân cận với
nhất. phân vùng chính xác đã biết trước, với khoảng cách từ
0.8m cho đến 1.12m. Trong giai đoạn trực tuyến,
chúng tôi thực hiện 720 phép thử, với 10 mẫu thử trên
mỗi phân vùng và đo khoảng cách sai lệch thực tế.
Hình 11. Vị trí tiến hành đo RSS ở chính giữa mỗi
phân vùng kích thước 0.8m x 0.8m.
IV. KẾT QUẢ
Mạng NN sau khi được đào tạo bởi cơ sở dữ liệu với
6480 mẫu thử, quá trình huấn luyện được lặp 10000 lần, Bảng 3. Biểu diễn dữ liệu phép thử và sai số khoảng cách
learning rate 0.5. thực tế trong giai đoạn trực tuyến
Từ sai số khoảng cách thực tế của mỗi phép thử, chúng
tôi xây dựng hàm phân bố tích lũy và biểu đồ hộp thống
kê sai số theo khoảng cách trong không gian 2 chiều.
Từ Hình 15 và Hình 16, ta có thể thấy được sai số dưới
2m của hệ thống chiếm tới 80%. Sai số khoảng cách
trung bình thực tế của hệ thống trong khoảng xấp xỉ
1.16m, do không gian thử nghiệm không phải là một
môi trường tĩnh hoàn toàn, hệ thống chịu ảnh hưởng
từ nhiễu khi có người di chuyển trong khu vực trong
Hình 12. Huấn luyện mạng Nơ-ron nhân tạo quá trình đo tín hiệu và từ các thiết bị điện khác.
Hình 13. Độ chính xác huấn luyện NN theo nhãn vị trí Hình 14. Đánh giá độ chính xác theo khoảng cách hai chiều
ISBN 978-604-80-5958-3 167
- Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)
TÀI LIỆU THAM KHẢO
[1] P. Jiang, Y. Zhang, W. Fu, H. Liu, X. Su, “Indoor mobile
localization based on Wi-Fi fingerprint's important access
point”, International Jounal of Distributed Sensor Networks,
vol 11, issue 4, April 2015.
[2] L. J.H., Tian, J.B., Fei, F., Wang, Z.X. Wang, H.J, “Indoor
localization based on subarea division with fuzzy C-means”.
Int. J. Distrib. Sens. Net, vol 12, 2016.
[3] Eduaro Navarro, Benjamin Peuker, Michael Quan, “Wi-Fi
Localization using RSS Fingerprinting”, Computer Engineering
Department, California Polytechnic State University, 2010.
[4] W. Xiaoyang, T. Wenyuan, O. Chung-Minh, et al, “On the
dynamic RSS feedbacks of Indoor Fingerprinting databases
for Localization reliability improvement [J]. Sensors 16 (8)”,
pp. 1278-1294, 2016.
[5] Minh Tu Hoang, Brosnan Yuen, Xiaodai Dong, Tao Lu, Robert
Westendorp, and Kishore Reddy, “Recurrent Neural Networks
For Accurate RSSI Indoor Localization”, IEEE Internet of
Things Journal, Vol. 6, Issue: 6, pp. 10639-10651, Dec. 2019.
[6] [Online]http://www.cisco.com/c/en/us/products/wireless
Hình 15. Biểu đồ hộp thống kê sai số /what-is-wifi.html
của mạng Nơ-ron nhân tạo [7] [Online]https://www.netspotapp.com/what-is-wifi.html
[8] [Online]https://sirinsoftware.com/blog/uwb-technology-
V. KẾT LUẬN review-modules-characteristic-usage-perspectives/
Trong bài báo này, chúng tôi đề xuất và khảo sát hiệu [9] [Online]https://insights.samsung.com/2021/01/25/what-is-
ultra-wideband-and-how-does-it-work-2/
năng của mô hình định vị vị trí trong nhà sử dụng
[10] Daan Schreerens, “Practical Indoor Localization using
Bluetooth Low Energy, kỹ thuật RSS Fingerpriting và Bluetooth”, Master Thesis, pp. 23-24, January 2012.
mạng Nơ-ron nhân tạo. Hệ thống được triển khai trên [11] K. Townsend, C. Cufí, Akiba & R. Davidson, “Getting Started
mạch Raspberry Pi 3 và Estimote iBeacon. Kết quả thử with Bluetooth Low Energy”, O’Reilly, pp. 1-2, 2014.
nghệm cho thấy sai số trung bình của hệ thống nằm trong [12] C. Gilchrist, “Learning iBeacon”, Packt Publishing, pp. 7–9,
khoảng 1.16m, với những trường hợp sai số dưới 2m 2014.
chiếm tới 80%. Trong tương lai, chúng tôi sẽ tiếp tục [13] Various authors, “Handbook of position location”, IEEE Press,
2012.
nghiên cứu và cải thiện về độ chính xác của mạng
[14] S. Xia, Y. Liu, G. Yuan, M. Zhu, Z. Wang, “Indoor
Nơ-ron nhân tạo, sử dụng các thuật toán, bộ lọc cao cấp Fingerprinting Positioning Based on Wi-Fi: An Overview”,
hơn để tói ưu hệ thống, điều chỉnh cách thức xây dựng International Journal of Geo-Information, 2017.
cơ sở dữ liệu, cũng như mở rộng thử nghiệm các phương [15] H. Kinsley, D. Kukiela, “Neural Networks from Scratch in
thức truyền sóng khác. Python”, 2020.
ISBN 978-604-80-5958-3 168
nguon tai.lieu . vn
