Bài viết Mô hình định vị trong nhà sử dụng mạng nơ-ron kép và bộ lọc Kalman đề xuất một phương pháp để giảm lỗi này bằng cách sử dụng phương pháp Mạng Nơ-ron kép để làm tăng độ chính xác định vị. Bên cạnh đó, chúng tôi sử dụng bộ lọc Kalman để làm ổn định tín hiệu RSS nhằm tăng . Tất cả các phép đo và các thí nghiệm đã được thực hiện và lặp lại nhiều lần trong môi trường thực tế trong nhà. Kết quả cho thấy giải pháp đã tăng độ chính xác của kết quả và khả thi để triển khai trên thực tế. Mời các bạn cùng tham khảo!
Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2022) Mơ Hình Định Vị Trong Nhà Sử Dụng Mạng Nơ-ron Kép Và Bộ Lọc Kalman Phạm Đức Thành, Nguyễn Trọng Mạnh, Nguyễn Việt Hưng, Chu Thị Phương Dung, Đinh Thị Thái Mai Khoa Điện tử Viễn thông Đại học Công nghệ, Đại học Quốc gia Hà Nội Email:(19021514, 19021484, 18020606, dungctp, dttmai)@vnu.edu.vn Tóm tắt—Trong báo này, chúng tơi đề xuất phương pháp để giảm lỗi cách sử dụng phương pháp Mạng Nơ-ron kép để làm tăng độ xác định vị Bên cạnh đó, chúng tơi sử dụng lọc Kalman để làm ổn định tín hiệu RSS nhằm tăng Tất phép đo thí nghiệm thực lặp lại nhiều lần môi trường thực tế nhà Kết cho thấy giải pháp tăng độ xác kết khả thi để triển khai thực tế Từ khoá—BLE beacon, Định vị nhà, Mạng Nơ-ron, lọc Kalman I GIỚI THIỆU Những năm gần đây, nhu cầu hệ thống định vị nhà tăng lên nhanh chóng tính ứng dụng chúng Cùng với phát triển nhanh chóng cơng nghệ truyền dẫn không dây với thiết bị thông minh, hệ thống định vị ứng dụng nhiều lĩnh vực đại tương lai như: Robotic(vệ tinh, y tế, quân sự, giáo dục, ) xe tự hành, dị đường, tìm vật thể Tuy nhiên, hệ thống cần điều chỉnh cho hoạt động tốt lĩnh vực khác môi trường khác Hệ thống định vị toàn cầu hay GPS sử dụng rộng rãi môi trường ngồi trời với tín hiệu truyền từ vệ tinh [1] Tuy nhiên, tín hiệu vệ tinh biết khó xuyên qua vật liệu, khiến kết GPS trả có sai số lớn, chí khơng khả dụng di chuyển nhà đường hầm Vì lý này, hệ thống định vị đặc biệt cho mục đích sử dụng nhà thiết kế Các hệ thống định vị nhà phổ biến thường sử dụng cơng nhệ tín hiệu không dây như: WiFi, Bluetooth Low Enegy (BLE) kết hợp kỹ thuật định vị dựa cường độ tín hiệu bên thu (Receiver Signal Strength Indicator-RSSI) Trong báo xây dựng hệ thống định vị nhà dựa kỹ thuật RSS Fingerprinting (RSS FP), sử dụng mạng Nơ-ron kép Ngồi chúng tơi thử nghiệm phương pháp xếp chồng hai Neural Network để giảm độ phức tạp thuật toán đồng thời tăng độ xác Vấn đề việc sử dụng cơng nghệ BLE sử dụng liệu RSS học máy để dự đốn vị trí tín hiệu dễ chịu ảnh hưởng nhiễu đa đường mơi trường nhà có nhiều vật cản từ làm ảnh hưởng trực tiếp đến kết đầu Đã có số nghiên cứu kỹ thuật lọc nhằm cải thiện tín hiệu RSSI Nhóm nghiên cứu [2] đề xuất cải thiện thuật toán địa hoá nhà có cách sử dụng RSSI kết hợp với Link Quality Indicator (LQI) với độ sai số ISBN 978-604-80-7468-5 khoảng cách không gian mở 1m 0.7m khơng gian kín Một đề xuất khác nhóm nghiên cứu [3] sử dụng lọc Kalman với khả tự hiệu chuẩn để cung cấp kết định vị xác theo biến thể RSS Trong báo sử dụng thêm lọc Kalman để làm mịn tín hiệu đầu vào, cải thiện chất lượng sở liệu giúp dự đốn xác Phần cịn lại báo tổ chức sau: Trong phần II chúng tơi trình bày tổng quan hệ thống , phân tích kỹ thuật định nghĩa, thuật tốn sử dụng Phần III, triển khai mô hệ thống Phần IV kết mô phỏng, phân tích kết luận báo phần V II THUẬT TOÁN ĐỀ XUẤT Bluetooth Low Energy (BLE) phương thức truyền tín hiệu phổ biến nghiên cứu vận hành hệ thống định vị nhà với ưu điểm nhỏ gọn, tiết kiệm lương chi phí đầu tư thấp [4] Giao thức iBeacon Apple sản xuất [5] trở thành tiêu chuẩn công nghiệp sử dụng rộng rãi hệ thống định vị nhà Các thiết bị phát sóng sử dụng giao thức iBeacon (gọi chung beacon) hoạt động trạm phát sóng quảng bá, liên tục phát gói tin trạm Đối với hệ thống này, hai thông tin mà ta cần quan tâm ID riêng biệt cho Beacon liệu RSS thu RSS tham số cho biết cường độ tín hiệu nhận từ máy phát khoảng cách, dựa vào liệu ta ước lượng ví trí vật thể [6] Tuy nhiên liệu không ổn định, hệ thống định vị dựa RSS ưu tiên kết hợp với kỹ thuật khơng có phạm vi, điều giúp giảm độ phức tạp tăng độ xác hệ thống Vì báo đề xuất sử dụng phương pháp RSS Fingerprinting (RSS FP) kết hợp với hai mô-đun Neural Network đồng thời dùng lọc Kalman để giảm nhiễu tín hiệu RSS thu Trong giai đoạn ngoại tuyến, liệu RSS thô, không ổn định thu nhập xử lý qua lọc Kalman trước lưu sở liệu Trong giai đoạn trực tuyến, việc định vị thực tế mục tiêu diễn ra, với trợ giúp hai mơ-đun mạng Nơ-ron có khả phân loại Chúng kết nối đồng thời với nhau, đầu mô-đun đầu vào mô-đun thứ hai Mỗi mạng Nơ-ron có nhiệm vụ khác nhau, hoạt động với kích thước lưới khác phân chia đồ Mô-đun 261 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) xác định khu vực mà nút mục tiêu chiếm giữ Sau tìm khu vực này, mơ-đun thứ hai đánh giá vị trí mục tiêu bên nó, cách chi tiết từ đưa vị trí xác nút mục tiêu Tồn q trình hiển thị sơ đồ mơ tả Hình 1: đốn trạng thái hệ thống dựa phép đo trước đó, nói cách khác, dự báo trạng thái ước lượng hiệp phương sai từ thời gian k − đến k x ˆ− xk−1 + Buk−1 k = Aˆ (7) Pk− (8) T = APk−1 A + Q Q hiệp phương sai nhiễu q trình Bước Chính xác ước tính điều chỉnh trạng thái hệ thống dựa đo lường Đầu tiên, thông số ảnh hưởng đến mức độ dự đoán điều chỉnh gọi "độ lợi Kalman" tính tốn Kk = Pk− H T (HPk− H T + R)−1 (9) R hiệp phương sai nhiễu đo Tiếp theo, phép đo zk thực ước tính trạng thái posteriori tính tốn x ˆk = x ˆ− ˆ− k + K(zk − H x k) (10) Phép trừ (zk − H xˆk− ) gọi phần dư phép đo, cho thấy khác biệt số liệu dự đoán số đo thực tế Cuối cùng, hiệp phương sai lỗi hậu nghiệm tính tốn với I ma trận nhận dạng Hình 1: Lưu đồ thuật toán Pk = (I = Kk H)Pk− A Bộ lọc Kalman Trong báo này, sử dụng lọc Kalman để tiền xử lý liệu trước lưu trữ ước lượng Bộ lọc Kalman thuật tốn ước tính tham số hệ thống với mục đích giảm sai số hệ thống, áp sụng phổ biến điều khiển, khử nhiễu cảm biến Ở đây, lọc Kalman dùng để loại bỏ nhiễu môi trường làm mượt thông số RSS nhằm cải thiện độ xác định vị Phương trình trạng thái x số đo z thời điểm k hiển thị bên [7]: xk = Axk−1 + Buk−1 + Wk−1 (1) zk = Hxk + vk (2) (11) B Mạng Nơ-ron Mạng Nơ-ron hệ thống tính tốn bắt chước cấu trúc thần kinh não người, bao gồm nhiều lớp tế bào thần kinh liên kết với [7] Đặc trưng nơ-ron trọng số (Weight) hệ số làm lệch (Bias) Đó thơng số điều làm ảnh hưởng đến đầu nơ-ron, thơng qua q trình huấn luyện, với lần lặp lại chúng cập nhật với mục đích mang tới kết đầu mong muốn, giảm thiểu lỗi [8] Trong đó, wk vk đại diện cho nhiễu trình phép đo, giả sử chúng độc lập, nhiễu trắng, có phân bố xác suất bình thường [7] A ma trận liên hệ trạng thái hai thời điểm liền kề k − k B ma trận liên hệ đầu vào điều khiển u với trạng thái x H ma trận liên hệ trạng thái với đo lường [7] Tại thời điểm k , giá trị tiền nghiệm (không đo lường) giá trị hậu nghiệm (với đo lường) ước lượng trạng thái ký hiệu xˆk− xˆk Tiền nghiệm sai sơ ước tính tính tốn sau: ˆ− e− k = xk − x k (3) ek = xk − x ˆk (4) Hiệp phương sai sai số ước lượng tiền nghiệm hậu nghiệm là: −T (5) Pk− = E[e− k ek ] Hình 2: Mơ hình nơ-ron nhân tạo (6) Đầu nơ-ron với n đầu vào tính công thức: Z= (x1 w1 , x2 w2 , , xn wn , b) (12) Cách hoạt động lọc mơ tả chu kỳ gồm bước, Dự đốn Chính xác [7] Bước dự đoán dự Kết phép tổng đưa qua hàm kích hoạt Nếu giá trị vượt qua ngưỡng nơ-ron kích T Pk = E[e− k ek ] ISBN 978-604-80-7468-5 262 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) hoạt kết đầu trở thành đầu vào nơ-ron Nơ-ron lớp ẩn thứ sử dụng hàm ReLU với công thức: F (x)F = max(0, x) (13) Với lớp ẩn đầu tiên: Wcorrection = Bcorrection = T e ∗ Wlayer2 ∗ ReLU ′ (Z[1] ) ∗ inputT n (e ∗ T Wlayer2 (19) ∗ ReLU ′ (Z[1] ) ∗ inputT ) n (20) Với Z[1] đầu lớp ẩn thứ nhất,và n số trường hợp sở liệu III TRIỂN KHAI HỆ THỐNG Hình 3: Hàm kích hoạt ReLU Hàm kích hoạt thứ hai sử dụng hàm Softmax với công thức: F (x) = exp(x) exp(x) Hệ thống sử dụng thiết bị iBeacon sản xuất Estimote làm nút sở Đối với nút đích, bo mạch Raspberry Pi lựa chọn tối ưu Về bản, máy tính có kích thước thẻ tín dụng tích hợp sẵn Python, ngôn ngữ mà sử dụng để viết mã Mạng thần kinh đồng thời lưu sở liệu RSS FP Bảng I: Thơng số thiết bị thí nghiệm (14) Thiết bị Raspberry Pi 3B v1.2 Estimote Proximity Beacons (Developer Kit) Hình 4: Hàm kích hoạt Softmax Hoạt động huấn luyện Mạng Nơ-ron bao gồm bước Bước Truyền xuôi (Foward propagation), liệu truyền qua lớp tính tốn sau cho kết Tiếp theo, ta tính tốn sai khác kết thu kết biết trước Hiệu kết dự đoán kết thực tế Bước thứ ba truyền ngược (Backward Propagation), liệu truyền từ đầu lại đầu vào Ở bước này, trọng số độ lệch điều chỉnh cho phù hợp dựa vào kết sai khác bước [9] Công thức điều chỉnh trọng số độ lệch sau: Wnew = Wold − α ∗ Wcorrection (15) Bnew= = Bold − α ∗ Bcorrection (16) Hệ số α thông số biểu thị "tốc độ học" mạng, α thường nằm khoảng từ 0.1 đến 0.5 [9] Wcorrection /Bcorrection thông số điều chỉnh trọng số độ lệch, dựa vào sai số bước thứ hai Với lớp ẩn thứ hai Wcorrection = T e ∗ X[1] Bcorrection = ISBN 978-604-80-7468-5 n e n (17) (18) Cấu hình A 1.2GHz 64-bit-quad-core ARMv8 Bluetooth 4.1 Python 3.7.3 64MHz ARM Cortex-M4F BLE 5.0/2.4GHz Transmitting Power: 0dBm Transmitting cycle: 100ms Khu vực thử nghiệm sảnh tầng tịa nhà G2 , trường Đại học Cơng nghệ-Đại học Quốc Gia Hà Nội Tổng diện tích khoảng 51.2m2 Như nói phần tổng quan, hệ thống sử dụng hai mô-đun Mạng Nơ-ron kết hợp với kỹ thuật RSS Fingerprinting Mỗi Mạng Nơ-ron có nhiệm vụ khác nhau, làm việc với kích thước lưới khác chia đồ Mô-đun thứ xác định khu vực mà nút mục tiêu chiếm giữ Sau tìm khu vực mơ-đun thứ hai đánh giá vị trí mục tiêu cách chi tiết Mạng Nơ-ron có hai lớp ẩn Lớp ẩn bao gồm 16 nơ-ron, tương ứng với cặp ID RSS từ nút số nút sở iBeacon Lớp ẩn thứ hai bao gồm nơ-ron bao gồm khu vực nhỏ bên địa điểm thử nghiệm ta thấy hình đây: Mạng Nơ-ron thứ hai xây dựng tương tự, khác lớp ẩn thứ có 40 nơ-ron để ước lượng vị trí cụ thể hơn, vùng số khu vực chia thành 40 ô vuông nhỏ Trong giai đoạn ngoại tuyến, liệu RSS thu nhập, đưa qua lọc Kalman bước tiền xử lý, làm mịn giảm biến đổi RSS gây thay đổi vị trí lấy mẫu người di chuyển bên khu vực Chúng lấy 30 mẫu ô vuông, nhân với 40 ô vương khu vực lặp lại lần khu vực cho sở liệu bao gồm 9600 mẫu Dữ liệu bao gồm nhãn gián vị trí đo, ID Beacon RSS Beacon 263 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thơng tin (REV-ECIT2022) vị trí xác nằm 40 ô vuông khu vực IV KẾT QUẢ Mô-đun Mạng Nơ-ron thứ đào tạo với sở liệu gồm 6600 mẫu kiểm tra 3000 mẫu Tỷ lệ học tập đặt mức 0,3 Sau 10000 lần đào tạo, lần kiểm tra cuối cho kết với độ xác mô-đun đạt 90,3 (a) Mô-đun Mạng Nơ-ron (b) Chia sảnh thành khu vực Hình 5: Tìm tám khu vực mơ-đun Neural Network Hình 8: Độ xác q trình đào tạo NN (mô-đun thứ nhất) Đối với mô-đun Mạng Nơ-ron thứ hai, có phiên khác nhau, chúng tơi đào tạo mơ hình lần cho Trọng số Độ lệch khác nhau, chịu trách nhiệm cho khu vực địa điểm thử nghiệm Chúng đào tạo Trọng số Độ lệch với sở liệu 1000 mẫu Kết đào tạo NN cho lĩnh vực thể sau: (a) Mô-đun Mạng Nơ-ron thứ hai Bảng II: Các tham số đào tạo độ xác Mạng Nơ-ron cho khu vực (b) Chia khu vực thành 40 ô Hình 6: Tìm vị trí chi tiết khu vực Khu vực Trung bình Hình 7: Biểu diễn phần sở liệu Sau xây dựng sở liệu, giai đoạn trực tuyến liệu RSS thu nhập tương tự trình ngoại tuyến đưa qua hai mạng Nơ-ron Mô-đun Mạng Nơ-ron sử dụng sở liệu RSS để "học", trình "học" trả tập hợp hai số trọng số độ lệch kết hợp với liệu RSS để tìm khu vực chứa vị trí cần tìm (1 khu vực gán nhãn từ đến 7) Tương tự với mô-đun Mạng Nơ-ron tiếp theo, ta tập hợp trọng số độ lệch cho khu vực từ đến Dựa vào khu vực dự đốn từ mơ-đun trước đó, ta lựa chọn số trọng số độ lệch cho khu vực riêng lẻ để tìm ISBN 978-604-80-7468-5 Tốc độ học tập 0.3 0.3 0.3 0.25 0.3 0.3 0.3 0.3 Số lần lặp 100,000 90,000 100,000 70,000 50,000 50,000 50,000 60,000 Độ xác 87.9% 93.02% 90.04% 90.05% 91.04% 95.50% 90.05% 93.53% 91.39% Thông số trọng số độ lệch điều chỉnh qua lần lặp, làm cho độ xác mạng tăng dần Các thơng số trọng số độ lệch lưu trữ dạng mảng tệp có phần mở rộng NPY để dễ dàng truy cập cần thiết lần chạy sau Mạng Nơ-ron tìm thấy khu vực có mục tiêu bên trong, Mạng Nơ-ron thứ hai sau chọn tập hợp trọng số độ lệch tương ứng, tải chúng vào mơ hình tiến hành ước tính vị trí Với mục đích thử nghiệm đánh giá, sử dụng sở liệu khác gồm 200 mẫu cho mơ hình tương ứng với khu vực cụ thể tính tốn sai số trung bình dựa khía cạnh khoảng cách Vì lưới nhỏ chia trước thử nghiệm 0,4x0,4m, sai số thấp có khoảng cách 0,4m độ xác số khu vực cao khu vực khác Một trường hợp bất thường với Khu vực 7, 264 Hội nghị Quốc gia lần thứ 25 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2022) Bảng III: Đánh giá độ xác sai số khu vực Khu vực Trung bình Độ xác 87.9% 93.02% 90.04% 90.05% 91.04% 95.50% 90.05% 93.53% 91.39% thứ hai, xem xét khía cạnh phân loại nhãn sai số khoảng cách trung bình khoảng 0,52m, 80% thời gian, sai số dự toán nhỏ 0,6m Trong tương lai, thử nghiệm với nhiều môi trường nhà khác nhau, chẳng hạn phịng hồn tồn tĩnh khơng gian có nhiều chướng ngại vật nhiều điểm NLOS Việc kiểm tra kết hợp phương pháp kỹ thuật định vị khác Mạng Nơ-ron tích chập, KNN, v.v cần xem xét Sai số khoảng cách 0.55 m 0.4 m 0.4 m 0.4 m 0.4 m 0.4 m 0.4 m 0.43 m 0.4425 m TÀI LIỆU độ xác 93,5%, sai số cao 0,03m so với khu vực có độ xác thấp hơn, kết số mẫu bị lỗi sở liệu thử nghiệm khu vực cụ thể này, nhiên, khác biệt khơng q lớn, trường hợp coi chấp nhận Sau kiểm tra toàn hệ thống, sai số trung bình xấp xỉ 0,52m Xem xét lỗi Biểu đồ hàm phân phối tích lũy cho thấy 90% sai số nhỏ 1m sai số nhỏ 0,6m chiếm tỷ lệ 80% Khi khu vực dự đốn đúng, sai số trung bình khoảng 0,4m, tương đương với việc xác định khơng xác ô lân cận Ngược lại, khu vực dự đoán sai từ đầu, sai số tăng lên cao 3m, lỗi chấp nhận được, 98% sai số 3m Hình 9: Đồ thị hàm phân phối tích lũy đánh giá lỗi hệ thống đề xuất V KẾT LUẬN Trong báo này, chúng tơi xây dựng mơ hình hệ thống định vị nhà với công nghệ Bluetooth Low Energy làm phương tiện truyền tín hiệu Đối với nút sở, sử dụng đèn hiệu BLE từ nhà sản xuất Estimote Nút mục tiêu định vị bảng Raspberry Pi Phương pháp định vị lấy dấu vân tay, sử dụng sở liệu 9600 mẫu, xử lý trước lọc Kalman Bên cạnh Lấy dấu vân tay, đề xuất phương pháp xếp chồng đồng thời Mạng Nơ-ron, từ từ thu hẹp lưới đến vị trí cụ thể mục tiêu thông qua định vị bước Kết đạt độ xác 90,3% mơ-đun Mạng Nơ-ron đầu tiên, độ xác trung bình 91,39% mô-đun Mạng Nơ-ron ISBN 978-604-80-7468-5 265 [1] T -M T Dinh, N -S Duong and Q -T Nguyen, "Developing a Novel Real-Time Indoor Positioning System Based on BLE Beacons and Smartphone Sensors," IEEE Sensors Journal, vol 21, no 20, pp 23055-23068, 15 Oct.15, 2021 [2] Sharly Joana Halder, Paritosh Giri & Wooju Kim, "Advanced Smoothing Approach of RSSI and LQI for Indoor Localization System", May 2015 [3] Sangwoo Lee, Bongkwan Cho,Bonhyun Koo, Sanghwan Ryu, Jaehoon Choi & Sunwoo Kim, "Kalman Filter-Based Indoor Position Tracking with Self-Calibration for RSS Variation Mitigation", August 2015 [4] K Townsend, C Cufí, Akiba & R Davidson, “Getting Startedwith Bluetooth Low Energy”, O’Reilly, pp 1-2, 2014 [5] Apple, “Getting Started with iBeacon – Version 1.0”, June 2014 [6] Various Authors, “Handbook of Position Location, Theory, Practice, and Advances”, IEEE Press, John Wiley & Sons, Inc, 2012 [7] G Welch, G Bishop, “An Introduction to the Kalman Filter”, Technical Report, University of North Carolina, Chapel Hill, USA, 2006 [8] H Kinsley, D Kukiela, “Neural Network from scratch in Python”, 2020 [9] Andy Thomas, “An Introduction to Neural Network for beginners”, 2018 ... với I ma trận nhận dạng Hình 1: Lưu đồ thuật toán Pk = (I = Kk H)Pk− A Bộ lọc Kalman Trong báo này, sử dụng lọc Kalman để tiền xử lý liệu trước lưu trữ ước lượng Bộ lọc Kalman thuật tốn ước tính... xác mô- đun đạt 90,3 (a) Mô- đun Mạng Nơ-ron (b) Chia sảnh thành khu vực Hình 5: Tìm tám khu vực mô- đun Neural Network Hình 8: Độ xác q trình đào tạo NN (mô- đun thứ nhất) Đối với mô- đun Mạng Nơ-ron. .. tiêu định vị bảng Raspberry Pi Phương pháp định vị lấy dấu vân tay, tơi sử dụng sở liệu 9600 mẫu, xử lý trước lọc Kalman Bên cạnh Lấy dấu vân tay, đề xuất phương pháp xếp chồng đồng thời Mạng Nơ-ron,