Đánh giá các giải thuật khớp mẫu cho định vị trong nhà bằng WLAN

Nghiên cứu này đã thiết kế một phần mềm có thể thu thập dữ liệu WLAN từ các AP (Access Point). Sau đó sử dụng các bộ dữ liệu này để ước lượng vị trí của người dùng thông qua các giải thuật khớp mẫu. Có 3 giải thuật được đánh giá trong bài viết này: k-nearest Neighbors (k-NN), ηk-NN và Artificial Neural Network (ANN).

TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(77).2014 ĐÁNH GIÁ CÁC GIẢI THUẬT KHỚP MẪU CHO ĐỊNH VỊ TRONG NHÀ BẰNG WLAN EVALUATION OF PATTERN MATCHING ALGORITHMS FOR INDOOR LOCALIZATION VIA WLAN Nguyễn Minh Hoàng1,2, Phan Minh Nhật2, Lê Tỷ Khánh2 Trường Đại học Kinh tế - Luật, Đại học Quốc gia Thành phố Hồ Chí Minh Trường Đại học Bách khoa Thành phố Hồ Chí Minh Tóm tắt - Nghiên cứu thiết kế phần mềm thu thập liệu WLAN từ AP (Access Point) Sau sử dụng liệu để ước lượng vị trí người dùng thơng qua giải thuật khớp mẫu Có giải thuật đánh giá viết này: k-nearest Neighbors (k-NN), ηk-NN Artificial Neural Network (ANN) Nghiên cứu khảo sát hai khu vực: khu vực với diện tích nhỏ với vật thể ảnh hưởng khu vực có diện tích gấp 14 lần với nhiều yếu tố ảnh hưởng đến cường độ tín hiệu WLAN thu Ảnh hưởng thông số số lượng mẫu, hệ số k, số perceptron lớp ẩn ANN, số lượng AP, số lần quét điểm kích thước khu vực khảo sát đánh giá Từ chọn thông số tối ưu cho phần mềm định vị Abstract - This study develops a software tool that can collect WLAN database from APs (Access Points) and use this database for estimating the location of user via pattern matching algorithms There are major pattern matching algorithms in this study: knearest Neighbors (k-NN), ηk-NN and Artificial Neural Network (ANN) Practical experiments use test beds: test bed has small area and not a noisy environment, test bed has an area 14 times bigger than test bed1 and the environment is impacted by many noise sources for WLAN signal The impact of factors like the number of samples, k, the number of perceptrons in the hidden layer of ANN and the size of testing environment are evaluated Thereby, we can choose the best value for parameters to achieve the best accuracy Từ khóa - hệ thống định vị nhà; ANN; k-nearest neighbors; WLAN; MANET (mobile ad-hoc network) Key words - indoor location system; artificial neural network; knearest neighbors; wireless LAN; MANET (mobile ad-hoc network) Giới thiệu Định vị nhà nhu cầu người sử dụng thiết bị di động GPS gặp phải nhiều sai số môi trường bên tịa nhà Người dùng khơng thể biết tầng phịng Với kỹ thuật định vị nhà, công ty phần mềm phát triển ứng dụng giúp xác định vị trí người dùng thiết bị di động vị trí người khác, dẫn đường bên tòa nhà lớn trung tâm mua sắm, sân bay, thư viện,…, hỗ trợ tình khẩn cấp,… Có nhiều kỹ thuật sử dụng cho định vị nhà: kỹ thuật GPS nhà, định vị dựa UWB, định vị dựa WLAN, Trong số đó, định vị dựa WLAN kỹ thuật trội chi phí thấp, dễ triển khai, không cần thiết bị chuyên dụng Người dùng với thiết bị smart phone, tablet, laptop cài đặt phần mềm để xác định vị trí mà khơng cần thêm thiết bị chuyên dụng Về quy trình định vị chia làm giai đoạn: Giai đoạn (offline) thu thập liệu bao gồm "fingerprint" hay gọi mẫu vị trí tương ứng điểm khảo sát, Giai đoạn (real time) thu thập "fingerprint" thời gian thực sau dùng giải thuật khớp mẫu kết hợp với liệu giai đoạn để ước lượng vị trí Mỗi "fingerprint" có dạng sau: (RSS1=-20, RSS2=-30, RSS3=-55,…,x=15,y=20) RSSi cường độ đo APi tọa độ (x,y) Tuy nhiên, kỹ thuật bị ảnh hưởng nhiễu đa đường đến độ xác nhà nghiên cứu cần tìm phương pháp để cải tiến cách định vị Nhiều cơng trình nghiên cứu [1],[2],[3],[4],[5],[6] đưa để đạt mục tiêu này: • Tìm phương pháp lai tạo phương pháp khớp mẫu • Đề xuất mơ hình truyền sóng để xác định hàm cường độ tín hiệu theo khoảng cách • Lọc liệu mẫu để làm giảm ảnh hưởng nhiễu • Tìm phương pháp khớp mẫu để cải tiến độ xác Location Info AP1 Database Receiver  AP2 Fingerprint info AP3 Hình Giai đoạn (off-line) thu thập mẫu cho liệu Database AP1 Receiver AP2 Fingerprint info Estimated location Pattern Matching Algorithm AP3 Hình Giai đoạn (real time) ước lượng vị trí cho người dùng từ liệu mẫu sở liệu Nghiên cứu tập trung vào việc phát triển phần mềm mẫu hệ điều hành Window dùng cho định vị nhà với kỹ thuật định dựa WLAN Ba giải thuật khớp mẫu sử dụng: k-nearest neighbors (k-NN), ηknearest neighbors (ηk-NN) Multi-Layer-Perceptron (MLP) ANN ANN phân tích cơng cụ trí tuệ Nguyễn Minh Hồng, Phan Minh Nhật , Lê Tỷ Khánh nhân tạo Matlab Dựa liệu thực tế môi trường khảo sát, viết đánh giá ảnh hưởng nhân tố: số lần quét mẫu, hệ số k, số lượng perceptrons lớp ẩn kích thước vùng khảo sát lên độ xác ước lượng Bài viết cung cấp đề xuất số liệu tối ưu cho phần mềm việc định vị Các cơng trình liên quan Hầu hết tất nghiên cứu cho việc định vị nhà gần tập trung vào việc tìm giải thuật khớp mẫu tối ưu Dưới giải thuật đề xuất: • Centroid [8]: Một phương pháp cho định vị Trong giai đoạn offline, vị trí AP ước lượng trung bình cộng vị trí khảo sát có thơng tin AP Bộ sở liệu cuối lưu vị trí AP Trong giai đoạn real-time, vị trí người dùng ước lượng trung bình cộng vị trí AP quét Phương pháp không sử dụng nghiên cứu Với số phương pháp khác tọa độ AP khơng cần thiết • RADAR [1]: Phương pháp dựa cường độ AP mạng WLAN Nghiên cứu sử dụng giải thuật khớp mẫu để ước lượng vị trí nearest neighbors (NN) pattern matching algorithm Bài viết đánh giá ảnh hưởng số lượng mẫu liệu, hệ số k, hướng thiết bị khảo sát Độ xác trung bình đưa phương pháp khoảng từ 2-3m • Ekahau [9]: Phương pháp có giai đoạn Đó là: huấn luyện định vị Một phần mềm triển khai sử dụng giải thuật chuyên dụng cấp sáng chế để ước lượng vị trí Phương pháp cho có khả đạt độ xác từ 1-2m điều kiện tối ưu • Bộ lọc Kalman filter multiple observers [6]: Bài báo đề xuất phương pháp Phương pháp sử dụng lọc Kalman để loại bỏ nhiễu cho RSS (Cường độ tín hiệu thu được), cịn phương pháp thứ hai không sử dụng RSS thu từ thiết bị di động mà sử dụng RSS thu AP Cả phương pháp cải tiến độ xác từ 2.5m 80% số mẫu đến độ xác 2.5m 90% số mẫu Tuy nhiên, phương pháp lọc Kalman có ưu điểm việc triển khai dễ dàng • ηk-Nearest Neighbor Algorithm (ηk -NN) [2]: Phương pháp dựa giải thuật k-NN chuẩn hóa liệu Các liệu mẫu bao gồm RSS thông số chất lượng tín hiệu chuẩn hóa Phương pháp tập trung vào việc xác định vị trí phịng thay tọa độ người dùng Phương pháp cho thấy kết khả quan việc ước lượng vị trí với độ cải tiến 12.82% so với phương pháp k-NN • Artificial neural network-ANN [3, 5]: Những nghiên cứu sử dụng ANN to ước lượng vị trí người dùng từ thơng số RSS AP Nghiên cứu [5] sử dụng MLP ANN với 18 neuron ẩn, perceptron ngõ vào, perceptron ngõ Kết độ xác trung bình đạt 1.79m Nghiên cứu thứ sử dụng mơ hình MLP cho perceptron ngõ vào có thêm cải tiến việc lọc san RSS, sử dụng giải thuật huấn luyện Levenberg-Marquardt sử dụng perceptron ngõ Ưu điểm việc sử dụng ANN giảm thời gian cho việc ước lượng vị trí người dùng khơng địi hỏi phải so sánh với tất mẫu sở liệu khơng địi hỏi phần mềm người dùng phải lưu liệu lớn • ANN-Kalman filter [4]: Nghiên cứu sử dụng Generalized Regression Neural Network (GRNN) thay MLP Ngồi ra, lọc Kalman áp dụng cho ngõ mạng neuron để giảm lỗi Kết cho thấy GRNN tốt MLP k-NN Sai số trung bình khoảng 2.68m Ngồi cịn có nhiều phương pháp khác sử dụng lọc Bayesian, Particle filtering, Self-Organizing Map - Artificial Neural Network (SOM-ANN) Các giải thuật khớp mẫu dùng cho ước lượng vị trí 3.1 Giải thuật K-Nearest Neighbors Giải thuật K-NN mô tả bên dưới: Bước 1: Đo mẫu RSS thời gian thực AP (RSS1 , RSS2 , … , RSSn ) vị trí ta cần ước lượng tọa độ Bước 2: Lựa chọn mẫu tương đồng sở liệu có AP tồn RSS Tính tốn khoảng cách Euclid mẫu với mẫu thu bước (Trong trường hợp khơng tìm mẫu dư liệu trùng khớp AP tồn RSS, loại bỏ thơng tin RSS cua AP có cường độ thấp lặp lại việc tìm mẫu tương đồng) Khoảng cách Euclid mẫu thời gian thực mẫu sở liệu tính sau: d = √ ∑ni=1(RSSi − RSSi′ )2 (1) Trong RSSi RSS AP thứ i mẫu thời gian thực RSSi′ RSS AP thứ i mẫu tương đồng sở liệu n số AP thu mẫu Bước 3: Lựa chọn tối đa k mẫu sở liệu có khoảng cách Euclid bé (Số lượng mẫu tìm nhỏ k) Bước 4: Tọa độ người dùng tính trung bình tọa độ mẫu bước 3.2 ηk-Nearest Neighbors [2] Giải thuật dựa k-NN Khác biệt mẫu liệu thu chuẩn hóa Cách chuẩn hóa tính sau: Cho RSS1(x), RSS2(x)… RSSn(x) RSS APs mẫu Bước 1: Tính tốn trung bình ̅̅̅̅̅(xj ) = RSS ∑n i=1 RSSi (xj ) n (2) Trong xj mẫu thứ j mẫu, xj có dạng ̅̅̅̅̅(xj ) (RSS1=-20, RSS2=-30, RSS3=-55,…,x=15,y=20), RSS trung bình cường độ mẫu xj , RSSi (xj ) RSS AP thứ i mẫu xj TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(77).2014 Bước 2: Tính tốn độ lệch chuẩn ̅̅̅̅̅̅ ∑n i=1(RSSi (xj )−RSS(xj )) σ(xj ) = √ (3) n−1 Trong σ(xj ) độ lệch chuẩn xj Bước 3: Tính tốn liệu chuẩn hóa η((ai (xj )) = ̅̅̅̅̅̅(xj ) RSSi (xj )−RSS (4) σ(xj ) Trong η((ai (xj )) liệu RSS chuẩn hóa AP thứ i mẫu xj 3.3 MLP Feed-forward ANN Cấu trúc MLP feed-forward ANN sử dụng viết sau: Lớp ngõ vào bao gồm RSS n AP lựa chọn, lớp ẩn với perceptron sử dụng hàm kích hoạt tansig, ngõ bao gồm có perceptron sử dụng hàm kích hoạt tansig cho việc tính tốn tọa độ x,y thiết bị di động Hình rõ cấu trúc ANN Input layer Hidden layer Output layer f RSS1 x f f RSS2 RSSn y Hình Khu vực kích thước lớn 18m x 44.1m, AP, số lượng điểm khảo sát 468 Phân tích kết 5.1 Hệ số K (trong K Nearest Neighbors) Trong thực tế, có vài mẫu sơ liệu có khoảng cách Euclid xấp xỉ với mẫu đo thời gian thực Đó lý cần sử dụng vị trí nhiều điểm lân cận gần thay điểm gần Khu vực khảo sát sử dụng phân tích Trung bình lỗi theo đơn vị mét tính k tăng từ đến 10 Như hình 8, trung bình lỗi giảm k tăng có giá trị nhỏ (1-4) Khi k có giá trị lớn độ xác khơng khơng cải thiện mà cịn xấu f f Hình MLP ANN Môi trường kiểm tra 4.1 Phần mềm quy hoạch định vị Nghiên cứu thu thập liệu từ khu vực nghiên cứu Những thông số thơng dụng vùng khảo sát (Hình 6,7): • Hai liệu cho vùng khảo sát: Một cho giai đoạn thời gian thực dùng để đánh giá độ xác • Mỗi điểm sở liệu bao gồm 20 mẫu Giá trị mẫu dùng để ước lượng tính giá trị trung bình mẫu Hình 6,7 có mơ tả số điểm khảo sát khu vực khảo sát • Hướng thu giữ cố định tất mẫu Hình Khu vực kích thước nhỏ 6.8m x 8.1m, AP, số lượng điểm khảo sát 138 Hình Trung bình lỗi ước lượng vị trí (m) theo hệ số k Thực nghiệm cho thấy chọn k lớn, việc tính tốn nhiều thời gian Chúng tơi đề nghị hệ số k nên chọn từ đến 5.2 Số lượng quét mẫu giai đoạn thời gian thực Hình Trung bình lỗi ước lượng vị trí (m) theo số lần qt Nguyễn Minh Hồng, Phan Minh Nhật , Lê Tỷ Khánh Số lượng quét mẫu thời gian thực ảnh hưởng đến thời gian quét ứng dụng Sau quét liệu lấy trung bình cộng Dữ liệu đo đạc thông kê cho thấy số mẫu quét tăng lên độ xác cải thiện số mẫu lớn độ xác khơng thay đổi nhiều Trong hình 9, giải thuật k-NN với 10 lần quét độ xác tốt 19.2% so với mẫu 17.3% tốt so với ηk-NN Chúng đề nghị nên sử dụng khoảng 10 mẫu đủ 5.3 Số lượng perceptron lớp ẩn ANN Số lượng perceptron lớp ẩn ANN cần lựa chọn xác để đạt độ xác tối ưu trình huấn luyện Các kết thực nghiệm cho thấy trung bình lỗi ước lượng vị trí thay đổi ngẫu nhiên theo số perceptron Trong hình 10 11, số lượng perceptron cần từ 4-14 để đạt trung bình lỗi định vị tối ưu Quá trình huấn luyện khơng đạt độ hội tụ mong muốn số trường hợp trình tự động bị dừng lại quy tắc "dừng sớm" cơng cụ trí tuệ nhân tạo Trong q trình huấn luyện phần mềm, chúng tơi đề xuất nên cân nhắc để thử tất số perceptron lớp ẩn từ đến 14 để tìm giá trị tốt Số perceptron nên lựa chọn nhỏ tốt để giảm khối lượng tính tốn cho giải thuật trí tuệ nhân tạo nhiều tốt định vị trí phịng người dùng khảo sát chúng tôi, kết không mong đợi định vị tọa độ xác Có thể phương pháp thích hợp cho việc xác định vị trí phịng thay tọa độ Ngồi khảo sát không đề cập đến thông số chất lượng tín hiệu Những lý ảnh hưởng đến độ xác phân tích Hình 12 Trung bình lỗi ước lượng vị trí theo số AP khu vực Hình 13 Trung bình lỗi ước lượng vị trí theo số AP khu vực Hình 10 Trung bình lỗi ước lượng vị trí theo số perceptron lớp ẩn khu vực với AP Hình 11 Trung bình lỗi ước lượng vị trí theo số perceptron lớp ẩn khu vực với AP 5.4 Số AP Phần tập trung vào ảnh hưởng số AP Bên cạnh đó, ba giải thuật đưa so sánh để tìm giải pháp tốt Chúng tơi kiểm tra khu vực, với k=4 10 lần quét Kết hình 12 13 cho thấy trung bình lỗi định vị giảm số AP tăng Chúng đề nghị sử dụng nhiều số AP tốt Khi số AP tăng từ đến 5, cải tiến định vị không tăng nhiều Trong giải thuật sử dụng, quan sát thấy ηk-NN có độ xác thấp Như [2], tác giả phương pháp ηk-NN tốt cho việc xác Hình 12 13 ANN k-NN có độ xác xấp xỉ Tuy nhiên, ANN cho kết ước lượng tốt Hơn nữa, sử dụng ANN, phần mềm xác định vị trí thời gian thực không cần phải lưu trữ lượng lớn sở liệu nhiều tầng nhiều tòa nhà Đối với người dùng, số lượng tính tốn cho ANN nhỏ k-NN khơng địi hỏi việc so sánh với mẫu có sẵn sở liệu Mặc dù ANN địi hỏi q trình huấn luyện phức tạp nhiên trình huấn luyện để tìm hệ số perceptron tính toán trước phần mềm chuyên dụng lúc quy hoạch Phần mềm người dùng cần lưu hệ số mà thơi Ưu điểm giúp giảm thời lượng tính tốn cho người dùng Khu vực với kích thước lớn có độ xác thấp khu vực Khu vực thực môt khu vực có nhiều nhân viên làm việc, cửa đóng mở liên tục, máy tính/màn hình/máy chủ AP từ tầng khác nguồn nhiễu lớn ảnh hưởng đến độ xác ước lượng khu vực Kết luận Bài viết trình bày ảnh hưởng thông số giải thuật (k-NN, ηk-NN, ANN) độ xác hệ thống định vị Chúng đề nghị nên lựa chọn thông số sau: k neareast neighbor từ đến 4, số lần quét cho mẫu khoảng 10 lần, cần thử tất perceptron ẩn từ đến 14 để tìm giá trị tốt nhất, lựa chọn nhiều TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ, ĐẠI HỌC ĐÀ NẴNG - SỐ 4(77).2014 AP tốt Kích thước khu vực cần khảo sát nguồn nhiễu ảnh hưởng lớn đến độ xác ước lượng Chúng quan sát thấy với khu vực (1) nhỏ, độ xác tối đa đạt cao 1.48m với k-NN Với khu vực (2) lớn, thấy độ xác tốt đạt 3.79m với kNN 3.98m với ANN Để giảm thiểu sai số này, cần phải tìm giải pháp để làm giảm ảnh hưởng nhiễu, ví dụ sử dụng lọc Kalman Bài nghiên cứu cịn so sánh độ xác ước lượng ba giải thuật khớp mẫu Kết cho thấy ηk-NN cho kết xác thấp ANN k-NN có độ xác xấp xỉ ANN khơng địi hỏi phải lưu trữ liệu lớn để so sánh giảm thiểu lớn khối lượng tính tốn nhớ Trong việc phát triển phần mềm, người ta ln hướng đến giải pháp địi hỏi nhớ khối lượng tính tốn giải thuật ANN lựa chọn tốt trường hợp TÀI LIỆU THAM KHẢO [1] P Bahl and V Padmanabhan, "Radar: An in-building RF-based user location and tracking system," INFOCOM 2000 Nineteenth Annual Joint Conference of the IEEE Computer and Communications Societies Proceedings IEEE, pp 775-784 vol.2, 2000 [2] T Mantoro and C Johnson, "ηk-Nearest Neighbour algorithm for Estimation of Symbolic User Location in Pervasive Computing Environments," the IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM), pp 472474, 13-16 Jun 2005 [3] M Stella, M Russo and D Begusic, "Location Determination in Indoor Environment based on RSS Fingerprinting and Artificial Neural Network," Telecommunications, 2007 ConTel 2007 9th International Conference on, pp 301-306, 13-15 Jun 2007 [4] S Outemzabet and C Nerguizian, " Accuracy enhancement of an indoor ANN-based fingerprinting location system using Kalman filtering," Personal, Indoor and Mobile Radio Communications, 2008 PIMRC 2008 IEEE 19th International Symposium on, pp 15, 15-18 Sep 2008 [5] U Ahmad, A Gavrilov, U Nasir, M Iqbal, S J Cho and S Lee, " Inbuilding Localization using Neural Networks," Engineering of Intelligent Systems, 2006 IEEE International Conference on, pp 1-6, 2006 [6] R Kumar, A Varsha and A Yogesh, "Improving the Accuracy of Wireless LAN based Location Determination Systems using Kalman Filter and Multiple Observers," in WCNC 2006, Las Vegas, 2006 [7] Ekahau, "Ekahau," Inc: Ekahau Positioning Engine2, August 2009 [Online] Available: http://www.ekahau.com/ [Accessed Oct 2012] [8] Y C Cheng, Y Chawathe, A LaMarca and J Krumm, "Accuracy Characterization for Metropolitan-Scale Wi-Fi Localization," IRS-TR05-003, Intel Research, Proceeding of MobiSys, pp 233-245, 2005 [9] M K Hiam and R K Vineet, "Evaluation of position tracking technologies for user localization in indoor," Automation in Construction 18, p 444–457, 27 Oct 2009 (BBT nhận bài: 31/03/2014, phản biện xong: 09/05/2014) ... định vị Các cơng trình liên quan Hầu hết tất nghiên cứu cho việc định vị nhà gần tập trung vào việc tìm giải thuật khớp mẫu tối ưu Dưới giải thuật đề xuất: • Centroid [8]: Một phương pháp cho định. .. (SOM-ANN) Các giải thuật khớp mẫu dùng cho ước lượng vị trí 3.1 Giải thuật K-Nearest Neighbors Giải thuật K-NN mô tả bên dưới: Bước 1: Đo mẫu RSS thời gian thực AP (RSS1 , RSS2 , … , RSSn ) vị trí... quét Kết hình 12 13 cho thấy trung bình lỗi định vị giảm số AP tăng Chúng đề nghị sử dụng nhiều số AP tốt Khi số AP tăng từ đến 5, cải tiến định vị không tăng nhiều Trong giải thuật sử dụng, chúng