Nghiên cứu, phát triển kỹ thuật định vị trong nhà sử dụng tín hiệu wi fi

Information Criterion Cumulative Distribution Function Characteristic Function Channel Impulse Response Dead Reckoning Deterministic RSSI Fingerprinting based IPT Expectation Maximizati

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

-VŨ TRUNG KIÊN

NGHIÊN CỨU, PHÁT TRIỂN KỸ THUẬT ĐỊNH VỊ TRONG

NHÀ SỬ DỤNG TÍN HIỆU Wi-Fi

LUẬN ÁN TIẾN SĨ KỸ THUẬT

Chuyên ngành: KỸ THUẬT ĐIỆN TỬ

Người hướng dẫn khoa học: GS.TS LÊ HÙNG LÂN

HÀ NỘI-2019

LỜI CAM ĐOANTôi xin cam đoan các kết quả trình bày trong luận án là công trình nghiên cứu của tôi dưới sự hướng dẫn của các cán bộ hướng dẫn Các

số liệu, kết quả trình bày trong luận án là hoàn toàn trung thực và chưa được công bố trong bất kỳ công trình nào trước đây Các kết quả sử dụng tham khảo đều đã được trích dẫn đầy đủ theo đúng quy định.

Hà Nội, ngày tháng năm

2019 Tác giả

Vũ Trung Kiên

giả đã nhận được nhiều sự giúp đỡ và đóng góp quý báu.

Đầu tiên, tác giả xin bày tỏ lòng biết ơn sâu sắc tới GS.TS Lê Hùng Lân đã tận tình hướng dẫn và giúp đỡ tác giả trong quá trình nghiên cứu.

Tác giả xin chân thành cảm ơn Viện Ứng dụng Công nghệ - Bộ Khoa học và Công nghệ đã tạo điều kiện thuận lợi để tác giả hoàn thành nhiệm vụ Tác giả cũng xin cảm ơn Trường Đại học Công nghiệp Hà Nội, là đơn vị chủ quản, đã tạo điều kiện cho phép tác giả

có thể tham gia nghiên cứu trong các năm làm nghiên cứu sinh.

Tác giả cũng xin bày tỏ lòng cảm ơn sâu sắc đến TS Hoàng Mạnh

Kha, người luôn đồng hành cùng tác giả trong thời gian nghiên cứu; xin chân

thành cảm ơn TS Lê Văn Thái và các anh chị em đồng nghiệp thuộc khoa Điện tử, trường Đại học Công nghiệp Hà Nội đã luôn tạo mọi điều kiện giúp tác giả hoàn thành luận án.

Cuối cùng, tác giả xin bày tỏ lòng cảm ơn chân thành đến gia đình, bạn bè, các đồng chí, đồng nghiệp đã luôn động viên, giúp đỡ tác giả vượt

qua mọi khó khăn để đạt được những kết quả nghiên cứu như ngày hôm nay.

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

DANH MỤC HÌNH VẼ iv

DANH MỤC BẢNG BIỀU, LƯỢC ĐỒ vi

DANH MỤC CÁC TỪ VIẾT TẮT vii

DANH MỤC CÁC KÝ HIỆU CHÍNH x

MỞ ĐẦU 1

1 Tính cấp thiết của đề tài 1

2 Đối tượng và phạm vi nghiên cứu 5

3 Mục tiêu nghiên cứu 5

4 Phương pháp nghiên cứu 6

5 Bố cục của luận án 6

CHƯƠNG 1 TỔNG QUAN VỀ KỸ THUẬT ĐỊNH VỊ TRONG NHÀ SỬ DỤNG TÍN HIỆU Wi-Fi 8

1.1 Các kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi 8

1.1.1 Kỹ thuật định vị tiệm cận 8

1.1.2 Kỹ thuật định vị sử dụng ToA 9

1.1.3 Kỹ thuật định vị sử dụng TDoA 10

1.1.4 Kỹ thuật định vị sử dụng AoA 11

1.1.5 Kỹ thuật định vị sử dụng kết hợp AoA và ToA 12

1.1.6 Kỹ thuật định vị sử dụng RSSI và mô hình suy hao đường truyền 14 1.1.7 Kỹ thuật định vị dựa trên dấu vân tay RSSI 15

1.1.7.1 RSSIF-IPT sử dụng phương pháp tất định 15

1.1.7.2 RSSIF-IPT sử dụng phương pháp xác suất 17

1.1.8 Đánh giá các kỹ thuật định vị 21

1.2 Đặt vấn đề nghiên cứu 27 1.3 Kết luận chương 1 33 CHƯƠNG 2 ƯỚC LƯỢNG THAM SỐ CỦA MÔ HÌNH MÔ TẢ PHÂN BỐ

Wi-Fi RSSI 35 2.1 Đặt vấn đề 35 2.2 Giới thiệu thuật toán EM 39

2.3 Ước lượng các tham số của GMM khi một phần dữ liệu không quan sát

được do censoring 41

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

được do dropping. 44

2.5 Ước lượng các tham số của GMM khi một phần dữ liệu không quan sát

được do censoring và dropping 46 2.6 Đánh giá sai số của các tham số trong GMM ước lượng được bằng thuật toán EM 52 2.7 Kết luận chương 2 56 CHƯƠNG 3 ƯỚC LƯỢNG SỐ THÀNH PHẦN GAUSS TRONG MÔ HÌNH MÔ TẢ PHÂN BỐ Wi-Fi RSSI 57 3.1 Đặt vấn đề 57 3.2 Các phương pháp ước lượng số thành phần Gauss trong GMM

60 3.2.1 Ước lượng số thành phần Gauss trong GMM bằng phương pháp

PF 60 3.2.2 Ước lượng số thành phần Gauss trong GMM bằng phương pháp

CF 62 3.3 Ước lượng số thành phần Gauss trong GMM khi một phần dữ liệu không quan sát được do censoring và dropping 63 3.4 Đánh giá các thuật toán ước lượng số thành phần Gauss trong GMM

68

3.5 Kết luận chương 3 77

CHƯƠNG 4 XÂY DỰNG THUẬT TOÁN ĐỊNH VỊ VÀ CÁC KẾT QUẢ

THỰC NGHIỆM IPS 78

4.1 Đặt vấn đề 78

4.2 Thuật toán định vị dựa trên phương pháp MaP 79

4.3 Các kết quả thực nghiệm IPS 82

4.3.1 Sai số định vị 82

4.3.1.1 Thực nghiệm IPS trên dữ liệu mô phỏng 83

4.3.1.2 Thực nghiệm IPS trên dữ liệu thực 86

4.3.2 Mức độ phức tạp của thuật toán định vị 90

4.4 Kết luận chương 4 92

KẾT LUẬN 93

A Các kết quả chính của luận án 93

B Các đóng góp mới của luận án 93

C Hướng phát triển của luận án 94

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ 96 PHỤ LỤC PL1

DANH MỤC HÌNH VẼ

Hình 1.1 Mô tả kỹ thuật định vị tiệm cận 8

Hình 1.2 Mô tả ToA-IPT 9

Hình 1.3 Mô tả TDoA-IPT. 11

Hình 1.4 Mô tả AoA-IPT 12

Hình 1.5 Mô tả kỹ thuật định vị sử dụng kết hợp AoA và ToA 13

Hình 1.6 Mô tả RSSIF-IPT 15

Hình 1.7 Mô tả D-RSSIF-IPT 17

Hình 1.8 Biểu đồ tần suất của Wi-Fi RSSI thu thập được tại các vị trí khác nhau trong điều kiện tĩnh 29

Hình 1.9 Biểu đồ tần suất của Wi-Fi RSSI được thu thập trong các điều kiện động khác nhau 31

Hình 1.10 Biểu đồ tần suất của Wi-Fi RSSI thể hiện các vấn đề censoring, dropping và đa thành phần Gauss 31

Hình 2.2 Mô tả hiện tượng dropping 37

Hình 2.3 Tương quan giữa số lượng mẫu dữ liệu (N) và MSE của các tham số trong GMM được ước lượng bởi EM-CD-GMM 56

Hình 3.1 Biểu đồ tần suất của Wi-Fi RSSI thu thập từ một AP 59

Hình 3.2 Thuật toán ước lượng số thành phần Gauss trong GMM bằng phương pháp PF 61

Hình 3.3 Thuật toán ước lượng số thành phần Gauss trong GMM bằng phương pháp CF 63

Hình 3.4 Thuật toán EM-CD-GMM-PF BIC-CD 67

Hình 3.5 Biểu đồ tần suất của tập dữ liệu mô phỏng được tạo bằng hàm ngẫu nhiên với J=2 76 Hình 3.6 Tương quan giữa số mẫu dữ liệu và xác suất ước lượng đúng số thành phần Gauss khi c 92dBm và

Hình 4.1 Mặt bằng mô phỏng được tạo trên Matlab 83 Hình 4.2 CDF của sai số định vị sau 1000 lần thực nghiệm với dữ liệu mô phỏng 86 Hình 4.3 Mặt bằng của khu vực thực nghiệm IPS 87 Hình 4.4 Giao diện của phần mềm thu thập Wi-Fi RSSI 87 Hình 4.5 Nội dung các file *.xml chứa Wi-Fi RSSI thu thập từ các AP khác nhau 88 Hình 4.6 Tổng hợp dữ liệu thu thập được trong giai đoạn huấn luyện

88

Hình 4.7 CDF của sai số định vị sau 100 lần thực nghiệm với dữ liệu thực 89

Hình 4.8 CDF của sai số định vị tương ứng với bốn thực nghiệm

91

26 Bảng 2.1 KLD của các thuật toán EM sau 1000 lần thực nghiệm 54 Bảng 2.2 KLD của các thuật toán EM sau 1000 lần thực nghiệm 54 Bảng 3.1 Các bộ tham số được sử dụng tạo tập dữ liệu mô phỏng

68 Bảng 3.2 Thống kê xác suất ước lượng đúng, lệch một và lệch từ hai thành phần Gauss trở lên của các thuật toán. 70 Bảng 3.2 (tiếp) 71 Bảng 3.3 Thống kê số lần ước lượng số thành phần Gauss khi c

Bảng 4.2 Giá trị trung bình và phương sai của sai số định vị sau 100 lần thực

nghiệm với dữ liệu thực 89

Information Criterion Cumulative

Distribution Function Characteristic Function

Channel Impulse Response Dead Reckoning

Deterministic RSSI Fingerprinting based IPT

Expectation Maximization EM algorithm for parameter estimation of Gaussian distribution in the

presence of Censored and Dropped data

EM algorithm for parameter estimation of the GMM in the presence of Censored and Dropped mixture data Model selection and parameter estimation algorithm utilizing EM-CD- GMM and PF

Nghĩa tiếng Việt Không gian hai chiều

Không gian ba chiều Tiêu chuẩn thông tin Akaike Tiêu chuẩn thông tin Akaike 3

Góc tới (của tín hiệu Wi-Fi) Điểm truy cập (Wi-Fi)

Tiêu chuẩn thông tin Bayes

Hàm phân phối tích lũy Hàm đặc trưng

Đáp ứng xung của kênh truyền

Kỹ thuật định vị dự đoán Kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI sử dụng phương pháp tất định

Cực đại kỳ vọng Thuật toán EM ước lượng các tham số của phân phối

Gauss khi một phần dữ liệu

không quan sát được do

censoring và dropping Thuật toán EM ước lượng các tham số của GMM khi một phần dữ liệu không

quan sát được do censoring

và dropping

Thuật toán ước lượng các tham số và số thành phần Gauss trong GMM sử dụng

BIC-CD

Nghĩa tiếng Anh

EM algorithm for parameter estimation of Gaussian distribution in the presence

of Censored data The EM algorithm for parameter estimation of the GMM in the presence

of Censored mixture data The EM algorithm for parameter estimation of the GMM in the presence

of Dropped mixture data Model selection and parameter estimation algorithm utilizing EM-

Model selection and

parameter estimation algorithm utilizing EM-

Model selection and

parameter estimation algorithm utilizing EM- GMM and SWRLCF Gaussian Mixture Model Indoor Positioning System Indoor Positioning Technique Kullback Leibler

Divergence K-Nearest Neighbors Likelihood Function Log-Likelihood Function Light of Sight

Least Squares Maximum a Posteriori

Nghĩa tiếng Việt Thuật toán EM ước lượng các tham số của phân phối Gauss khi một phần dữ liệu không quan sát được do censoring Thuật toán EM ước lượng các tham số của GMM khi một phần dữ liệu không quan sát được do

censoring Thuật toán EM ước lượng các tham số của GMM khi một phần dữ liệu không quan sát được

do dropping Thuật toán ước lượng các tham số và

số thành phần Gauss sử dụng EM-GMM và PF AIC

Thuật toán ước lượng các tham số và số thành phần Gauss sử dụng EM-GMM và PF BIC

Thuật toán ước lượng các tham số và số thành phần Gauss sử dụng EM-GMM và SWRLCF

Mô hình hỗn hợp Gauss Hệ thống định vị trong nhà

Kỹ thuật định vị trong nhà Khoảng cách

Kullback Leibler

K láng giềng gần nhất Hàm hợp lý Logarit của hàm hợp lý Trực thị Bình phương cực tiểu Cực đại xác suất hậu nghiệm

Path Loss Model

Probabilistic RSSI Fingerprinting based IPT

Reference Point Received Signal Strength Indication RSSI Fingerprinting based IPT

Sum of Weighted Real parts of all Log-

Characteristic Functions Time Difference of Arrival Time of Arrival

Time and Space Attributes

of Received Signal

Wireless Local Area Network

Nghĩa tiếng Việt Hợp lý cực đại Sai số toàn phương trung bình

Đối tượng (được định vị) Không trực thị

Hàm mật độ xác suất Hàm phạt Hàm phạt của AIC Hàm phạt của BIC Hàm phạt trong BIC mở rộng cho trường hợp một phần dữ liệu không quan sát được do

censoring và dropping

Mô hình suy hao đường truyền

Kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI sử dụng phương pháp xác suất Điểm tham chiếu

Chỉ số cường độ tín hiệu nhận được

Kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI Tổng có trọng số của các phần thực trong logarit của hàm đặc trưng Chênh lệch về thời gian tới Thời gian tới Thuộc tính về không gian và thời gian của tín hiệu nhận được Mạng nội bộ không dây

Tổng của một phép toán Tích của một phép toán Tương đương (biểu thức) Xấp xỉ

Hàm tương đương Ước lượng được (tham số) Phép chuyển vị ma trận Phép nghịch đảo ma trận Đạo hàm, ví dụ dy n

Đạo hàm riêng Logarit tự nhiên Logarit thập phân Xác suất

Xác suất có điều kiện Hàm mật độ xác suất (PDF)

Hàm mật độ xác suất có điều kiện (Conditional PDF) PDF của phân phối Gauss

Hàm Kronecker Delta Hàm phụ (auxiliary function), biểu diễn

kỳ vọng Hàm lỗi (error function)

Các hàm, chi tiết như trong mục 2.3 và 2.5.

Các tích phân (chi tiết như trong phụ lục 1, 2, 3)

Sai số toàn phương trung bình Hàm phạt của BIC hoặc AIC hoặc

AIC3 Hàm phạt của BIC Hàm phạt của BIC mở rộng cho trường hợp một

số mẫu dữ liệu không quan sát được do dropping Hàm phạt của BIC mở rộng cho trường hợp một

số mẫu dữ liệu không quan sát được do censoring

Hàm phạt của BIC mở rộng cho trường hợp một số mẫu

dữ liệu không quan sát được do censoring và dropping

Xác suất số thành phần Gauss ước lượng Jˆ

Số thành phần Gauss tối đa sử dụng để tính các hàm phạt trong BIC

Số thành phần Gauss trong GMM ước lượng được Trọng số của thành phần Gauss thứ j trong GMM Xác xuất xảy ra dropping

Tập dữ liệu đầy đủ, không quan sát được Các mẫu dữ liệu trong tập y

Tập dữ liệu không đầy đủ, quan

sát được Các mẫu dữ liệu trong tập x

Tập các biến nhị phân biểu thị khi xảy ra dropping (d n =1) hoặc không xảy ra dropping (d n =0)

Các biến trong tập d Tập các biến nhị phân biểu thị khi xảy ra censoring ( z n

1 ) hoặc không xảy ra censoring ( z n 0 )

Các biến trong tập z Tập các biến nhị phân biểu thị khi các mẫu dữ liệu quan sát được ( v n 0 ) hoặc không quan sát được (

v n 1 ) do censoring hoặc dropping hoặc cả hai

Số mẫu dữ liệu thu thập được tại một RP từ một AP

Số lượng tham số trong GMM được sử dụng mô

tả phân bố của một tập dữ liệu

Số điểm truy cập Wi-Fi (AP) Số điểm tham chiếu

(RP) Ngưỡng hội tụ của SWRLCF Ngưỡng hội tụ của thuật toán EM Vị trí của RP thứ q

Vị trí của OB (ước lượng được)

Số láng giềng gần nhất Trung bình của sai số định vị

Phương sai của sai số định vị Trung bình thời gian máy tích thực hiện thuật toán định vị Trung bình KLD

Độ lệch chuẩn của KLD

MỞ ĐẦU

1 Tính cấp thiết của đề tài

Từ thời nguyên thủy, nhu cầu về định vị và dẫn đường đã xuất hiện trong lĩnh vực hàng hải Khi đó, con người dựa vào việc quan sát các vì sao, hướng gió, dòng hải lưu để định hướng khi đi biển Sau này khi khoa học phát triển, các hệ thống định vị dựa trên vệ tinh ra đời cũng là thời điểm đánh dấu một bước phát triển đột phá trong lĩnh vực định vị và dẫn đường Các hệ thống định vị toàn cầu như: GPS (Global Positioning System) của

Mỹ, GLONASS (Global Navigation Satellite System) của Nga, Galileo của châu Âu, hay BDS (BeiDou Navigation Satellite System) của Trung Quốc đã

và đang mang lại rất nhiều lợi ích trong các mặt của đời sống xã hội Ở môi trường ngoài trời, các hệ thống định vị dựa trên vệ tinh có thể định vị với sai

số chỉ vài mét Tuy nhiên, trong đô thị hay trong tòa nhà, độ chính xác của các hệ thống định vị này giảm đi rất nhiều.

Ở các khu vực trong nhà có diện tích rất lớn như trung tâm thương mại, nhà ga, sân bay, việc tìm một địa điểm hoặc di chuyển tới một địa điểm nào đó trong các khu vực này là rất khó khăn nếu như không có dịch vụ định vị hoặc dẫn đường Mặt khác theo kết quả khảo sát năm 2016 của Sithole.G và nhóm tác giả [46], trung bình hàng ngày mỗi người dành 80% đến 90% thời gian để làm việc, sinh hoạt ở môi trường trong nhà; 70% điện thoại di động và 80% dữ liệu được sử dụng và truyền/nhận trong môi trường trong nhà Đây chính là các lý do vì sao trong những năm gần đây,

hệ thống định vị trong nhà (IPS: Indoor Positioning System) rất được quan tâm nghiên cứu, phát triển.

Công nghệ định vị trong nhà đã có những bước phát triển rất nhanh Ban đầu từ hệ thống RADAR được giới thiệu bởi Microsoft Research Asia [6]

năm 2000 Năm 2005, hệ thống Horus được xây dựng bởi đại học Maryland [58] Những hệ thống được phát triển trong những năm gần đây (2015) có thể kể đến như: hệ thống LIFS của đại học Tsinghua [53]; hệ thống WHERE@UM của đại học Minho [41] Theo thời gian, các hệ thống được phát triển sau có độ chính xác cao hơn, giá thành thấp hơn và nhiều kỹ thuật tiên tiến hơn được áp dụng so với các hệ thống được phát triển trước.

IPS có thể hoạt động trong trong không gian hai chiều (2D: 2 Dimension) và trong không gian ba chiều (3D: 2 Dimension) Hệ thống định vị 3D có giá thành cao hơn hệ thống định vị 2D do phải bổ sung các thiết bị phục

vụ định vị [54] Mặt khác đa số các nhu cầu về định vị trong nhà chỉ cần thực hiện trong không gian hai chiều, bởi vậy công nghệ định vị trong không gian hai chiều được quan tâm nghiên cứu phát triển nhiều hơn [46, 54].

IPS có thể định vị đối tượng bằng cách tham chiếu tới tín hiệu, vị trí của các thiết bị trong hạ tầng mạng có sẵn, ví dụ mạng nội bộ không dây (WLAN: Wireless Local Area Network), hoặc quán tính của đối tượng cần định vị (OB: Object) được xác định bằng các cảm biến, ví dụ con quay hồi chuyển, gia tốc

kế Sử dụng cảm biến trên chính đối tượng cần định vị, còn gọi là công nghệ định vị dự đoán (DR: Dead Reckoning), có độ chính xác cao trong khoảng thời gian ngắn Tuy nhiên khi OB di chuyển xa, di chuyển trong một khoảng thời gian dài, sai số định vị được tích lũy, bởi vậy DR được dùng như một kỹ thuật

hỗ trợ nhằm cải thiện độ chính xác trong IPS [20, 40].

IPS có thể sử dụng camera, bức xạ hồng ngoại (Infrared Radiation), sóng siêu âm (Ultrasound), nhận dạng qua tần số vô tuyến (Radio Frequency Identification), công nghệ mạng không dây băng rộng (Ultra Wideband) hoặc các tín hiệu vô tuyến có sẵn để định vị [17] Ngoài ra, trong vài năm gần đây, một hướng nghiên cứu khác cũng được đề cập, đó là công nghệ định vị dựa trên đáp ứng xung của kênh truyền (CIR: Channel Impulse Response) [11,

59] Đây là một công nghệ định vị mới, tuy nhiên cần bổ sung phần cứng cho các thiết bị thu, phát tín hiệu vô tuyến Trong số các công nghệ định vị, công nghệ định vị sử dụng sóng vô tuyến được sử dụng rộng rãi nhất [17] Các tín hiệu vô tuyến được sử dụng phổ biến trong IPS bao gồm: Zigbee [39], Bluetooth [36] và Wi-Fi [56] Trong số này, tín hiệu Wi-Fi trong WLAN được quan tâm hơn cả bởi các lý do: WLAN có sẵn ở hầu hết các khu vực trong nhà; điện thoại thông minh, máy tính là đại đa số các thiết bị di động hoạt động trong môi trường trong nhà đều được trang bị bộ thu phát Wi-Fi,

vì vậy việc triển khai IPS sẽ dễ dàng và ít tốn kém hơn [23].

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

gian của tín hiệu nhận 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) Để thu thập được TSARS phục vụ định vị thường phải bổ sung thêm phần cứng, ví dụ như ăng ten dải trên thiết bị thu (OB) để xác định AoA, thiết bị đồng bộ để xác định ToA, điều này làm cho giá thành của hệ thống tăng lên [20, 23] Mặt khác TSARS sẽ bị sai số khi trạm phát, ví dụ các điểm truy cập Wi-Fi (AP: Access Point) và trạm thu không trực thị (NLoS: Non-Light of Sight) với nhau [56] Vì những lý do này, các kỹ thuật định vị trong WLAN sử dụng TSARS ít được triển khai trong môi trường trong nhà [17].

được (RSSI: Received Signal Strength Indication) Các kỹ thuật này có thể thực hiện định vị cho đại đa số các thiết bị di động hoạt động trong WLAN, ví dụ điện thoại thông minh, máy tính bảng, máy tính xách tay , mà không cần bổ sung phần cứng cho IPS do các thiết bị này đều có thể thu thập được RSSI.

Ngoài ra các kỹ thuật này không yêu cầu trực thị (LoS: Light of Sight) giữa AP và OB [17, 56], bởi vậy rất phù hợp với môi trường trong nhà Theo thống kê trong bài báo khảo sát về định vị trong nhà [17], có tới 94,42% các công trình nghiên cứu về IPS sử dụng kỹ thuật định vị dựa trên RSSI Nhóm các kỹ thuật định vị sử dụng Wi-Fi RSSI bao gồm:

+ Kỹ thuật định vị tiệm cận (Promixity) Đây là kỹ thuật định

vị đơn giản nhất, được giới thiệu sớm nhất nhưng có sai số lớn.

+ Kỹ thuật định vị sử dụng RSSI và mô hình suy hao đường truyền (PLM: Path Loss Model) Khi thu thập được RSSI từ tối thiểu ba AP có tọa độ biết trước, khoảng cách từ OB tới ba AP này có thể ước lượng thông qua PLM [5], từ

đó tính ra vị trí của OB Việc tính khoảng cách thông qua RSSI và PLM bị sai số khi môi trường xung quanh thay đổi (cửa đóng/mở, người đi lại ) dẫn tới các hệ

số trong PLM không thể xác định trước [37] Bởi vậy kỹ thuật định vị này chỉ phù hợp với môi trường tĩnh [5].

+ Kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI [54]

(RSSIF-IPT: Received Signal Strength Indication Fingerprinting based Indoor Positioning Technique) RSSIF-IPT bao gồm 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 một hoặc một số RP Nếu thu thập một số lượng đủ lớn các mẫu dữ liệu (là các giá trị RSSI) ở nhiều thời điểm, trong nhiều hoàn cảnh khác nhau, cơ sở dữ liệu của IPS sử dụng RSSIF-IPT có thể phản ánh được sự biến đổi của RSSI do hiện tượng đa đường, do môi trường xung quanh thay đổi gây ra, qua đó hạn chế được sai số định vị [20] Tuy mất nhiều thời gian cho việc thu thập RSSI để xây dựng cơ sở

dữ liệu nhưng bù lại, IPS sử dụng RSSIF-IPT có sai số chỉ

từ 1,6m đến 5m [38]; có giá thành thấp; có thể triển khai được ở hầu hết các khu vực trong nhà [9] Bởi vậy, có tới 94,12% bài báo nghiên cứu về RSSIF-IPT trong số các bài báo nghiên cứu về IPS [17].

Xuất phát từ những thực tế nêu trên, luận án tập trung nghiên cứu kỹ thuật định vị trong nhà dựa trên dấu vân tay RSSI

sử dụng tín hiệu Wi-Fi trong WLAN.

2 Đối tượng và phạm vi nghiên cứu

Nghiên cứu kỹ thuật định vị cho đối tượng tĩnh trong không gian hai 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

- 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.

+ Thực nghiệm IPS với các kỹ thuật đã nghiên cứu, phát triển nhằm kiểm nghiệm, so sánh với IPS sử dụng các kỹ thuật khác.

4 Phương pháp nghiên cứu

Phương pháp thống kê (toán) để xác định xu hướng diễn biến của tập dữ liệu (là các phép đo 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.

phân tích các vấn đề đã được giải quyết và chưa được giải quyết, luận án đưa

ra định hướng nghiên.

Chương 2 Ước lượng tham số của mô hình mô tả phân bố Wi-Fi

RSSI: Nghiên cứu đề xuất các mô hình mô tả phân bố của dữ liệu (là các phép

đo Wi-Fi RSSI) tương ứng với các trường hợp một phần dữ liệu không quan sát được; nghiên cứu xây dựng các thuật toán ước lượng các tham số trong các mô hình mô tả phân bố của Wi-Fi RSSI; đánh giá, so sánh sai số của các

tham số ước lượng được bằng các thuật toán đã xây dựng với sai số của các

tham số ước lượng được bằng các thuật toán EM khác đã công bố.

Chương 3 Ước lượng số thành phần Gauss trong mô hình mô tả phân bố Wi-Fi RSSI: Nghiên cứu xây dựng thuật toán ước lượng số thành phần Gauss trong mô hình mô tả phân bố của Wi-Fi RSSI, qua đó giảm thiểu số lượng tham số cần lưu trong cơ sở dữ liệu, tạo tiền đề giảm số phép tính trong thuật toán định vị nhằm tối ưu thời gian định vị; đánh giá, so sánh sai số của số thành phần Gauss được ước lượng bằng thuật toán đã xây dựng với một số phương pháp khác đã được công bố.

Chương 4 Xây dựng thuật toán định vị và các kết quả thực nghiệm IPS: Nghiên cứu xây dựng thuật toán định vị trong trường hợp một phần dữ liệu do OB thu thập trong giai đoạn định vị trực tuyến không quan sát được;

thực nghiệm IPS được áp dụng các thuật toán đã xây dựng và so sánh với IPS

áp dụng các đề xuất trong các nghiên cứu khác đã công bố gần đây.

CHƯƠNG 1 TỔNG QUAN VỀ KỸ THUẬT ĐỊNH VỊ TRONG

NHÀ SỬ DỤNG TÍN HIỆU Wi-FiChương 1 bao gồm các nội dung: Các kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi, ưu điểm, nhược điểm của từng kỹ thuật; các nghiên cứu về RSSIF-IPT, những vấn đề đã được giải quyết và chưa được giải quyết, qua đó, luận án đưa ra định hướng nghiên cứu.

1.1 Các kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi

1.1.1 Kỹ thuật định vị tiệm cận

Kỹ thuật định vị tiệm cận (proximity) [27, 51] còn gọi là kỹ thuật định vị dựa trên vị trí của AP trong WLAN có cường độ tín hiệu nhận được lớn nhất.

Hình 1.1 mô tả kỹ thuật định vị tiệm cận với ba AP và đối

tượng (OB) cần định vị Khi OB

Hình 1.1 Mô tả kỹ thuật định vị tiệm

cận

OB sẽ là vị trí của AP tương ứng với RSSI lớn nhất mà OB thu thập được.

1.1.2 Kỹ thuật định vị sử dụng ToA

Kỹ thuật định vị sử dụng thông tin ToA của tín hiệu Wi-Fi

(ToA-IPT: ToA based Indoor Positioning Technique) dựa trên thời gian lan

truyền của sóng vô tuyến từ tối thiểu ba AP có vị trí xác định tới OB

hoặc ngượi lại, từ OB tới tối thiểu ba AP, từ đó tính ra khoảng cách từ

OB tới các AP và ước lượng ra vị trí của OB [12, 52].

Hình 1.2 mô tả ToA-IPT với ba AP.

AP 2

t 1 , t 2 và t 3 lần lượt là thời gian lan

Gọi

AP 1 truyền của sóng vô tuyến từ OB tới AP 1 ,

OB

AP 2 và AP 3 ; v là vận tốc lan truyền của

AP 3

sóng vô tuyến Khi đó r 1 = vt 1 , r 2 = vt 2 và

r 3 = vt 3 sẽ là khoảng cách từ OB tới AP 1 , Hình 1.2 Mô tả ToA-IPT

AP 2 và AP 3

Một cách tổng quát, giả thiết OB ở tọa độ ( x , y) có N AP AP

khả dụng AP thứ i (i 1 N ) có tọa độ ( x i , y i ) Gọi r i là khoảng

AX=B.

Trong công thức (1.3):

Trên thực tế, ToA ước lượng được thường có sai số dẫn

tới khoảng cách ước lượng được không phải là độ dài đoạn

thẳng nối giữa OB và AP [18], nghĩa là AX B hay B AX 0 Để khắc

phục vấn đề này, phương pháp bình phương cực tiểu (LS: Least

Squares) [34] được sử dụng để ước lượng vị trí của OB:

Kỹ thuật định vị sử dụng TDOA (TDoA-IPT: TDoA based Indoor

Positioning Technique) dựa vào chênh lệch về thời gian lan truyền của

tín hiệu vô tuyến từ AP tới OB hoặc ngược lại, qua đó tính ra chênh lệch

khoảng cách từ OB tới từng cặp AP và ước lượng vị trí của OB thông qua

vị trí của các cặp AP [2, 44] Hình 1.3 mô tả TDoA-IPT với cặp (AP 1 , AP 2 )

và cặp (AP 1 , AP 3 ) Vị trí của OB là vị trí giao nhau của hai đường hyperbol

có phương trình lần lượt là r 2 r 1 và r 3 r 1 , với là một hằng số.

Chênh lệch giữa khoảng cách từ OB tới AP thứ i và khoảng cách từ

OB tới AP thứ j được xác định bằng công thức (1.5):

Công thức (1.6) có thể viết lại dưới dạng ma trận: