Nghiên cứu, phát triển kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi tt

Các vấn đề được nghiên cứu bao gồm: Đặc điểm của Wi-Fi RSSI; mô hình xác suất mô tả phân bố của Wi-Fi RSSI; thuật toán ước lượng các tham số, tối ưu hóa các tham số của mô hình được sử d

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ KHOA HỌC VÀ CÔNG NGHỆ

VIỆN ỨNG DỤNG CÔNG NGHỆ

VŨ TRUNG KIÊN

NGHIÊN CỨU, PHÁT TRIỂN KỸ THUẬT ĐỊNH VỊ

TRONG NHÀ SỬ DỤNG TÍN HIỆU Wi-Fi

tãm t¾t luËn ¸n tiÕn sÜ kü thuËt

HÀ NỘI - 2019

Công trình được hoàn thành tại:

Người hướng dẫn khoa học: GS TS Lê Hùng Lân

Phản biện 1: PGS.TS Thái Quang Vinh

Phản biện 2: PGS.TS Hà Hải Nam

Phản biện 3: PGS.TS Hoàng Văn Phúc

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án Tiến sĩ cấp Viện họp tại Viện Ứng dụng Công nghệ vào hồi giờ ngày tháng năm 20

Có thể tìm hiểu luận án tại:

Thư viện Viện Ứng dụng Công nghệ

Thư viện quốc gia

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ [CT1] Hoang Manh Kha, Duong Thi Hang, Vu Trung Kien, Trinh Anh

Vu (2017), Enhancing WiFi based Indoor Positioning by Modeling measurement Data with GMM, IEEE International Conference on Advanced Technologies for Communications, IEEE, Quy Nhon, Vietnam, pp 325-328

[CT2] Vu, T.K., Hoang, M.K., and Le, H.L (2018), "WLAN

Fingerprinting based Indoor Positioning in the Precence of Dropped Mixture Data", Journal of Military Science and Technology 57A(3), pp 25-34

https://drive.google.com/file/d/1jv2U3tmJq1vUEez6nt6Cq8DzJWEWZu6-/view

[CT3] Vu, Trung Kien and Le, Hung Lan (2018), "Gaussian Mixture

Modeling for Wi-Fi Fingerprinting based Indoor Positioning in the Presence of Censored Data", Vietnam Journal of Science, Technology and Engineering 61(1), pp 3-8,

DOI: https://doi.org/10.31276/VJSTE.61(1).03-08

[CT4](ISI-Q2) Vu, Trung Kien, Hoang, Manh Kha, and Le, Hung Lan

(2019), "An EM algorithm for GMM parameter estimation in the presence of censored and dropped data with potential application for indoor positioning", ICT Express, 5(2), pp 120-123,

DOI: 10.1016/j.icte.2018.08.001

Bài báo đã được chấp nhận:

[CT5](ISI-Q3) Vu, Trung Kien, Hoang, Manh Kha, and Le, Hung Lan

(2019), “Performance Enhancement of Wi-Fi Fingerprinting based IPS by Accurate Parameter Estimation of Censored and Dropped Data”, Radioengineering, ISSN: 1805-9600 Submission: 06/04/2019, Reviews Opened: 27/05/2019, Accepted: 03/09/2019

GIỚI THIỆU LUẬN ÁN 1.Tính cấp thiết của đề tài

Các hệ thống định vị dựa trên vệ tinh điển hình như GPS (Global Positioning System) của Mỹ có thể định vị chính xác các đối tượng ở môi trường ngoài trời Tuy nhiên ở môi trường trong nhà, do tín hiệu từ

vệ tinh không được truyền thẳng tới thiết bị được định vị nên độ chính xác của các hệ thống này giảm đi rất nhiều Mặt khác, ngày càng xuất hiện nhiều các nhu cầu định vị trong nhà, ví dụ như định vị cho người sử dụng điện thoại thông minh di chuyển trong nhà ga, sân bay, trung tâm thương mại; định vị cho hàng hóa trong kho; định vị cho ô tô trong bãi

đỗ xe Vì những lý do này, trong những năm gần đây, hệ thống định vị trong nhà (IPS: Indoor Positioning System) rất được quan tâm nghiên cứu, phát triển

Trong số các công nghệ định vị trong nhà hiện nay, công nghệ định vị dựa trên tín hiệu Wi-Fi trong mạng nội bộ không dây (WLAN: Wireless Local Area Network) được sử dụng phổ biến nhất do hầu hết các khu vực trong nhà đều có sẵn WLAN, hầu hết các thiết bị di động như điện thoại, máy tính đều được trang bị các bộ thu phát tín hiệu Wi-Fi

Xuất phát từ những thực tế trên, tác giả đã chọn đề tài “Nghiên cứu, phát triển kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi”, trong đó đi sâu vào nghiên cứu kỹ thuật định vị dựa trên “dấu vân tay” RSSI (RSSIF-IPT: Received Signal Strength Indication Fingerprinting based Indoor Positioning Technique)

2 Đối tượng và phạm vi nghiên cứu

Nghiên cứu kỹ thuật định vị cho đối tượng tĩnh trong không gian 2 chiều ở môi trường trong nhà Kỹ thuật định vị được tập trung nghiên cứu là RSSIF-IPT, sử dụng tín hiệu Wi-Fi trong WLAN Các vấn đề được nghiên cứu bao gồm: Đặc điểm của Wi-Fi RSSI; mô hình xác suất

mô tả phân bố của Wi-Fi RSSI; thuật toán ước lượng các tham số, tối ưu hóa các tham số của mô hình được sử dụng mô tả phân bố của Wi-Fi RSSI; thuật toán định vị trực tuyến

3 Mục tiêu nghiên cứu của đề tài

- Mục tiêu chung: Nghiên cứu phát triển kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI sử dụng tín hiệu Wi-Fi trong WLAN nhằm giảm thiểu sai số định vị, tối ưu thời gian định vị

4 Phương pháp nghiên cứu

Phương pháp thống kê (toán) để xác định xu hướng diễn biến của tập

dữ liệu (Wi-Fi RSSI) thu thập được từ đó đề xuất mô hình toán học mô

tả phân bố của dữ liệu; phương pháp giải tích để tính toán các tham số của mô hình và vị trí của đối tượng cần định vị; phương pháp Monte Carlo để đánh giá sai số của các tham số mô hình; cuối cùng, các phương pháp thực nghiệm trên cả dữ liệu mô phỏng và dữ liệu thực tế để kiểm chứng hiệu quả của các đề xuất khi áp dụng cho IPS

5 Các đóng góp mới của luận án

- Đề xuất 03 thuật toán ước lượng các tham số của mô hình mô tả phân bố của Wi-Fi RSSI (mô hình hỗn hợp Gauss - GMM) tương ứng với các 03 trường hợp không quan sát được một phần dữ liệu [CT2-CT4]

- Đề xuất thuật toán ước lượng số thành phần Gauss trong GMM mở rộng [CT5]

- Đề xuất thuật toán định vị trong trường hợp không quan sát được một phần dữ liệu (Wi-Fi RSSI) do đối tượng được định vị (OB: Object) thu thập trong giai đoạn định vị trực tuyến [CT5]

6 Bố cục luận án

Bố cục của luận án gồm bốn chương, phần mở đầu, kết luận, danh mục các công trình, bài báo khoa học đã được công bố, tài liệu tham

khảo và phụ lục Chương 1: Tổng quan về kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi Chương 2: Ước lượng tham số của mô hình mô tả phân bố Wi-Fi RSSI Chương 3: Ước lượng số thành phần Gauss trong

mô hình mô tả phân bố Wi-Fi RSSI Chương 4: Xây dựng thuật toán định vị và các kết quả thực nghiệm IPS

CHƯƠNG 1 TỔNG QUAN VỀ KỸ THUẬT ĐỊNH VỊ TRONG

NHÀ SỬ DỤNG TÍN HIỆU Wi-Fi 1.1 Các kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi

Các kỹ thuật định vị sử dụng tín hiệu Wi-Fi trong WLAN có thể chia thành hai nhóm chính:

- Nhóm các kỹ thuật định vị dựa trên thuộc tính về không gian và thời gian của tín hiệu thu được (TSARS: Time and Space Attributes of Received Signal) TSARS có thể là thời gian tới (ToA: Time of Arrival), chênh lệch về thời gian tới (TDoA: Time Difference of Arrival) hoặc góc tới (AoA: Angle of Arrival)

- Nhóm các kỹ thuật định vị sử dụng chỉ số cường độ tín hiệu nhận được (RSSI: Received Signal Strength Indication) Nhóm này bao gồm:

Kỹ thuật định vị tiệm cận; kỹ thuật định vị sử dụng mô hình suy hao đường truyền và RSSIF-IPT

RSSIF-IPT gồm hai giai đoạn: giai đoạn huấn luyện ngoại tuyến và định vị trực tuyến Ở giai đoạn huấn luyện, RSSI được thu thập tại các điểm tham chiếu (RP: Reference Point) có vị trí xác định để xây dựng cơ

sở dữ liệu Ở giai đoạn định vị trực tuyến, RSSI do OB thu thập được so sánh với cơ sở dữ liệu, từ đó ước lượng ra vị trí của OB thông qua vị trí của 1 hoặc một số RP Trong số các kỹ thuật định vị, RSSIF-IPT có nhiều ưu điểm nhất

RSSIF-IPT có thể sử dụng phương pháp tất định (D-RSSIF-IPT: Deterministic RSSIF-IPT) hoặc phương pháp xác suất (P-RSSIF-IPT: Probabilistic RSSIF-IPT) So với D-RSSIF-IPT, P-RSSIF-IPT có sai số định vị thấp hơn do cơ sở dữ liệu của phương pháp này thể hiện được sự

biến đổi của RSSI P-RSSIF-IPT có thể sử dụng mô hình không tham số (ví dụ biểu đồ tần suất) hoặc mô hình có tham số (ví dụ phân phối Gauss, GMM) để mô tả phân bố của Wi-Fi RSSI P-RSSIF-IPT dùng

mô hình có tham số cho ra kết quả định vị tốt hơn, cơ sở dữ liệu cần lưu

ít tham số hơn so với P-RSSIF-IPT dùng mô hình không có tham số 1.2 Đặt vấn đề đã nghiên cứu

Phân bố của Wi-Fi RSSI có thể tuân theo phân phối Gauss hoặc bao gồm nhiều thành phần Gauss khi được thu thập trong điều kiện môi trường xung quanh thay đổi (cửa đóng/mở, người đi lại) Vì vậy so với phân phối Gauss, GMM mô tả phân bố của Wi-Fi RSSI chính xác hơn Tuy nhiên trên thực tế một số mẫu dữ liệu có thể không quan sát được

do một trong hai nguyên nhân sau:

- Thiết bị thu thập Wi-Fi RSSI không đo được các giá trị nhỏ hơn ngưỡng thu, khi đó sẽ trả về giá trị bằng với ngưỡng thu (thông thường

là – 100dBm với các điện thoại thông minh) Hiện tượng này được gọi tắt là “censoring”

- Đôi khi tín hiệu Wi-Fi đột ngột bị mất do AP ngừng hoạt động, khi

đó thiết bị thu thập Wi-Fi RSSI cũng trả về giá trị bằng với ngưỡng thu Hiện tượng này được gọi tắt là “dropping”

Từ kết quả khảo sát Wi-Fi RSSI từ kết quả nghiên cứu trong các công trình đã công bố, tập dữ liệu (Wi-Fi RSSI) thu thập tại một RP, từ một

AP có đặc điểm tương ứng với một trong số tám trường hợp sau:

(1) Dữ liệu có phân bố tuân theo phân phối Gauss, quan sát được toàn

(5) Dữ liệu có phân bố gồm đa thành phần Gauss, quan sát được toàn

Hình 1.10 Biểu đồ tần suất của Wi-Fi RSSI thể hiện các vấn đề

censoring, dropping và đa thành phần Gauss Các tác giả trong các bài báo khác nhau đã giải quyết được tập dữ liệu

có các đặc điểm như các trường hợp (1)-(5) Tuy nhiên chưa có nghiên cứu nào giải quyết được tập dữ liệu có các đặc điểm như các trường hợp (6)-(8) Vì lý do này, luận án tập trung nghiên cứu, đề xuất giải pháp phát triển RSSIF-IPT để giải quyết đồng thời các vấn đề censoring, dropping và đa thành phần Gauss (các trường hợp (6)-(8)) và vẫn đảm bảo đúng khi dữ liệu có các đặc điểm như các trường hợp (1)-(5) 1.3 Kết luận chương 1

Trong chương này, luận án trình bày các kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi Chương 1 cũng tổng hợp và phân tích các công trình nghiên cứu về RSSIF-IPT Trên cơ sở nghiên cứu các vấn đề đã và chưa được giải quyết đối với RSSIF-IPT, luận án đề ra định hướng nghiên cứu

CHƯƠNG 2 ƯỚC LƯỢNG THAM SỐ CỦA MÔ HÌNH MÔ TẢ

PHÂN BỐ Wi-Fi RSSI 2.1 Đặt vấn đề

Trong thực tế, tập dữ liệu bao gồm các phép đo chỉ số cường độ tín hiệu nhận được của tín hiệu Wi-Fi (Wi-Fi RSSI) thu thập tại 1 điểm tham chiếu (RP) từ 1 điểm truy cập (AP) có phân bố tuân theo GMM với

từ 1 đến J thành phần Gauss (J là một số hữu hạn) Gọi yn là giá trị RSSI thu thập được ở lần thứ n từ một AP tại một RP (yn,n  1 N), N

là số lần thu thập Do các lần thu thập là độc lập với nhau nên các ynđộc lập với nhau Nếu coi yn là các biến ngẫu nhiên có phân bố tuân theo GMM khi đó hàm mật mật độ xác suất (PDF: Probability Density Function) sẽ là:

trường hợp, thiết bị thu thập Wi-Fi RSSI chỉ thu thập được tập dữ liệu không đầy đủ ( ) x với:

khi =0 khi =1

2.2 Giới thiệu thuật toán EM

Thuật toán EM được sử dụng giải bài toán tìm hợp lý cực đại (ML: Maximum Likelihood) hoặc cực đại xác suất hậu nghiệm (MaP: Maximum a Posteriori) của một mô hình thống kê có các biến ẩn (unobservable variables) bằng cách thực hiện liên tiếp các vòng lặp, mỗi vòng lặp gồm 2 bước:

- Bước E (E-step): Tính giá trị kỳ vọng (expected value) của hàm hợp

trường hợp khác Khi đó, kỳ vọng của logarit hàm hợp lý cho trước bởi tập dữ liệu quan sát được ( ) x và các tham số ở lần lặp thứ (k) được xác định như sau:

Hàm Q ;Θ Θ( ) k  được tính cho trường hợp xn yn và trường hợpxn  c

, kết quả như sau:

( ) ( ) 1

( ( )

1 0)

0

Iβ

j J

k k

j j j

Các tham số ước lượng được ở lần lặp thứ ( 1) k+ được xác định bằng cách lần lượt lấy đạo hàm riêng của Q ;Θ Θ( ) k  trong công thức (2.19) theo  j, j, wj và gán bằng 0, kết quả như sau:

         

         

( ) ( ) ( )

( ) ( 1)

( ) ( ) ( )

1

1 ) 1

j k

k j

(2.27)

2.4 Ước lượng các tham số của GMM khi một phần dữ liệu không quan sát được do dropping

Thuật toán EM ước lượng các tham số của GMM khi một phần dữ liệu không quan sát được do dropping (EM-D-GMM) [CT2]:

Bước E:

( ) 1

) (

j

k j

(2.31)

2 ( ( )

( 1) 2

( )

) 1

n j k





(2.52) Trong công thức (2.52): v nn(   1 N ) là các biến nhị phân thể hiện các mẫu dữ liệu quan sát được hoặc không quan sát được (vn  0 khi yn  c

và dn 0, khi đó xn  yn; vn  1 khi yn  c hoặc dn  1, khi đó x cn );

( ) ( ) ( )

0 1

( ) ( )

( ) ( ) ( ) ( )

0 1

( ) ( 1)

j k

n n

xx

x

vv

ΘΘ

(2.54)

vN

Từ các công thức (2.53) - (2.56) có thể nhận thấy:

- Nếu vn  0 (dữ liệu thu thập được đầy đủ), (2.52)- (2.55) rút gọn về các công thức của thuật toán EM ước lượng tham số trong GMM (EM-GMM, trường hợp 5);

- Nếu J 1, (2.52)- (2.56) rút gọn về các công thức của thuật toán EM ước lượng tham số của phân phối Gauss khi một phần dữ liệu không quan sát được do censoring và dropping (EM-CD-G, các trường hợp (1)-(4));

Từ các lập luận trên có thể kết luận: EM-CD-GMM [CT4] ngoài việc giải quyết được đồng thời cả 3 vấn đề, bao gồm đa thành phần Gauss trong phân bố của Wi-Fi RSSI, censoring và dropping (các trường hợp (5)-(8), mục 1.2) còn hoàn toàn đúng với khi dữ liệu có phân bố tuân theo phân phối Gauss (các trường hợp (1)-(4), mục 1.2)

2.6 Đánh giá sai số của các tham số trong GMM ước lượng được bằng các thuật toán EM

Trong mục này, thuật toán EM-CD-GMM sẽ được kiểm nghiệm và so sánh với các thuật toán EM khác đã được công bố trên tập dữ liệu mô phỏng, thông qua khoảng cách Kullback Leibler (KLD: Kullback Leibler Divergence) Sau 1000 lần thực nghiệm, giá trị trung bình KLD

( KLD) của các thuật toán được thể hiện như bảng 2.1 và độ lệch chuẩn (

KLD) được thể hiện như bảng 2.2 (khi c= – 90dBm)

Bảng 2.1 KLD của các thuật toán EM sau 1000 lần thực nghiệm

có sai số lớn hơn do coi phân bố của dữ liệu tuân theo phân phối Gauss

- Với các trường hợp khác, KLDvà KLDcủa EM-CD-GMM luôn nhỏ nhất Bởi vậy EM-CD-GMM là thuật toán có thể ước lượng chính xác nhất mô hình mô tả phân bố của Wi-Fi RSSI khi tập dữ liệu thu thập được có phân bố gồm đa thành phần Gauss, một phần không quan sát được do censoring và dropping

so với EM-GMM và EM-CD-G

CHƯƠNG 3 ƯỚC LƯỢNG SỐ THÀNH PHẦN GAUSS TRONG

MÔ HÌNH MÔ TẢ PHÂN BỐ Wi-Fi RSSI 3.1 Đặt vấn đề

Trên thực tế, Wi-Fi RSSI thu thập tại từng RP khác nhau từ mỗi AP khác nhau có phân bố khác nhau, có thể gồm một hoặc nhiều thành phần Gauss Nếu sử dụng GMM với J thành phần Gauss, số tham số của GMM sẽ là NPs=3J-1 Điều này có nghĩa là số lượng tham số cần lưu trong cơ sở dữ liệu và số phép toán của thuật toán định vị tỉ lệ thuận với

số thành phần Gauss được sử dụng mô tả phân bố của Wi-Fi RSSI Vì vậy cần có một giải pháp ước lượng số thành phần Gauss trong GMM

mô tả phân bố của Wi-Fi RSSI nhằm tối ưu cơ sở dữ liệu và làm giảm mức độ phức tạp của các phép tính trong thuật toán định vị của IPS

3.2 Các phương pháp ước lượng số thành phần Gauss trong GMM 3.2.1 Ước lượng số thành phần Gauss trong GMM bằng phương

pháp hàm phạt (PF: Penalty Function)

Gọi x là tập dữ liệu quan sát được, có phân bố tuân theo GMM; N là

số mẫu dữ liệu trong tập x; Θˆ Jlà bộ tham số của GMM với J thành phần Gauss mô tả phân bố của x; NPslà số tham số trong GMM;

3.2.2 Ước lượng số thành phần Gauss trong GMM bằng phương

pháp hàm đặc trưng (CF: Characteristic Function)

Phương pháp CF sử dụng sự hội tụ của tổng có trọng số của các phần thực trong logarit của hàm đặc trưng (SWRLCF: Sum of Weighted Real