Trang 1 NGUYỄN VĂN NAMTRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI--- NGUYỄN VĂN NAM NGÀNH KỸ THUẬT ĐIỀUKHIỂN VÀ TỰ ĐỘNG HÓAĐỊNH VỊ ĐA NGƯỜI DÙNG SỬ DỤNG CẢM BIẾN KHÔNG DÂY VÀ CẢM BIẾN QUÁN TÍNH TRÊN
Lý do chọn đề 10 tài 2 M ục tiêu và nộ i dung nghiên c u 11ứ CHƯƠNG 1 : T NG QUAN V NH V TRONG NHÀ 12ỔỀ ĐỊỊ Giới thiệ u chung
Ngày nay, dịch vụ dựa trên vị trí (LBS) đã trở nên phổ biến và không thể thiếu trong kinh tế xã hội Dịch vụ này cung cấp cho con người nhiều tiện ích, chẳng hạn như tìm đường, tìm chỗ mua sắm, hỗ trợ đỗ xe trong nhà, theo dõi người và tài sản cá nhân, cũng như tìm vị trí của mình trong các tòa nhà lớn như trung tâm thương mại, bệnh viện, trường đại học và viện bảo tàng.
Cùng với sự phát triển của kinh tế xã hội, nhiều công trình hạ tầng được xây dựng, dẫn đến sự gia tăng nhu cầu sử dụng các hệ thống định vị cho các dịch vụ dựa trên vị trí Hiện nay, đã có nhiều hệ thống định vị được nghiên cứu và triển khai, nổi bật là hệ thống định vị toàn cầu như GPS, GLONASS và BeiDou GPS đã được áp dụng thành công trong các môi trường ngoài trời và có ảnh hưởng lớn đến cuộc sống hàng ngày thông qua các ứng dụng như chỉ đường, lập bản đồ và tìm đường Tuy nhiên, khả năng hoạt động của GPS và các hệ thống định vị vệ tinh tương đương trong môi trường trong nhà bị hạn chế và không đủ chính xác cho nhiều nhiệm vụ xác định vị trí Do đó, trong những năm gần đây, các giải pháp và công nghệ chuyên dụng cho hệ thống định vị trong nhà đã trở thành xu hướng mới.
Hiện nay, điện thoại thông minh và Internet đã trở nên phổ biến trên toàn thế giới, đặc biệt là sự bùng nổ về số lượng của điện thoại thông minh Hệ thống mạng không dây cho phép con người truy cập Internet mọi lúc, mọi nơi Việc truy cập Internet dễ dàng đã giúp mọi người thu thập và chia sẻ thông tin một cách thuận tiện Sự phát triển mạnh mẽ của các thông tin dựa trên truy cập Internet đã tạo ra nhiều cơ hội mới cho người dùng.
Để có thể sử dụng thông tin một cách hiệu quả, cần xác định vị trí và nhu cầu thực tế của bản thân Việc này giúp chuyển hóa các dữ liệu thành thông tin hữu ích, phục vụ cho mục đích cá nhân.
Chúng tôi đã chọn đề tài “Định vị đa người dùng sử dụng cảm biến không dây và cảm biến quán tính trên điện thoại thông minh” nhằm nghiên cứu và xây dựng một hệ thống nhạy bén áp dụng trong các tòa nhà Mục tiêu là cải thiện khả năng định vị và quản lý không gian, mang lại hiệu quả cao trong việc sử dụng công nghệ hiện đại.
Mục tiêu chính của nghiên cứu là xây dựng hệ thống định vị trong nhà sử dụng các cảm biến có sẵn trên điện thoại thông minh, bao gồm cảm biến không dây và cảm biến quán tính Nghiên cứu sẽ hướng tới việc tối ưu hóa công nghệ này nhằm cải thiện khả năng định vị trong môi trường nội thất.
- Nghiên c u t ng quan và tìm hi u lý thuy t v các thứ ổ ể ế ề ống định v nói chung, ị các hệ ống đị th nh v ị trên điện tho i nói riêng ạ
- Đề xu t cấ ấu trúc mô hình và phương thức hoạt động c a h ủ ệthống nh v đị ị trong nhà dựa trên điện tho i thông minh ạ
- Xây d ng ph n m m thu th p thông tin t các c m bi n ph c v bài toán ự ầ ề ậ ừ ả ế ụ ụ định v ị như cảm bi n quán tính, ế Wi Fi-
- Xây d ng gi i thuự ả ậ ịt đ nh v nh kị ờ ết hợp và x ử lý thông tin đa cảm bi n ế
- Thử nghiệm và đánh giácác kết quả thu được.
CHƯƠNG 1 : T NG QUAN V NH V TRONG NHÀ Ổ Ề ĐỊ Ị
Hệ thống định vị trong nhà (IPS) là công nghệ xác định vị trí của các đối tượng trong môi trường nội thất như trung tâm thương mại, văn phòng, tòa nhà cao tầng hay bệnh viện Hiện nay, nhiều ứng dụng thực tiễn của IPS đã được triển khai, bao gồm việc phát hiện vị trí của các sản phẩm trong kho, theo dõi nhân viên y tế hoặc thiết bị trong bệnh viện, cũng như giúp người dùng xác định vị trí của mình trong các trung tâm thương mại và tòa nhà lớn để dễ dàng tìm đường và tìm kiếm các công cụ và thiết bị cần thiết.
Hệ thống định vị trong nhà chủ yếu nhằm xác định vị trí của người sử dụng trong môi trường nội thất Có nhiều công nghệ khác nhau có thể cung cấp thông tin hữu ích cho việc xác định vị trí, với độ chính xác thay đổi từ vài chục cm đến vài mét hoặc độ chính xác theo phòng Khi thiết kế các hệ thống định vị, các yếu tố như độ ổn định, khả năng triển khai, chi phí quản lý, và sự thân thiện với người sử dụng đều đóng vai trò quan trọng.
Ngày nay, việc phát triển cơ sở hạ tầng trong môi trường trong nhà nhận được sự quan tâm lớn từ cộng đồng nghiên cứu và ngành công nghiệp.
2 Các công ngh và k thuệ ỹ ật định v ị
Ngày nay, có rất nhiều nguồn thông tin được sử dụng cho mục đích định vị và thu thập thông tin Các công nghệ này có mặt trong nhiều loại thiết bị khác nhau như camera, cảm biến, và điện thoại thông minh Nói chung, mỗi công nghệ đều đi kèm với một bộ các thông số khác nhau.
Các công nghệ định vị hiện nay sử dụng nhiều phương pháp khác nhau để trích xuất vị trí của người dùng, bao gồm công nghệ không dây, công nghệ dựa trên cảm biến và công nghệ dựa trên quang học Mỗi phương pháp này có đặc điểm riêng, phù hợp với các yêu cầu khác nhau trong việc cập nhật thông tin và bảo vệ dữ liệu Việc phân loại các công nghệ này giúp xác định cách thức hoạt động và ứng dụng của chúng trong hệ thống định vị.
- Công nghệ không dây: GPS, Wi Fi, Bluetooth…-
- Công ngh d a trên c m bi n quán tínhệ ự ả ế : c m bi n gia t c, c m bi n con ả ế ố ả ế quay h i chuy n và c m bi n t ồ ể ả ế ừ trường
- Công ngh d a trên quang h c: camera trong nhà, camera cệ ự ọ ủa điện thoại thông minh
Ngoài ra, còn có các cảm biến biến khác như cảm biến ánh sáng và microphone, có thể được sử dụng để xác định vị trí của người dùng Tuy nhiên, chúng không phổ biến như ba nhóm cảm biến chính Vì vậy, trong phần tiếp theo, tôi xin giới thiệu những công nghệ cảm biến phổ biến nhất.
2.1.1 Công ngh không dây ệ a H ệthống định v toàn c u ị ầ
Hệ thống định vị toàn cầu là một công nghệ phổ biến và nổi bật trong ngành công nghiệp hiện đại Đặc điểm nổi bật của hệ thống định vị toàn cầu là phạm vi phủ sóng rộng rãi trên toàn thế giới, với cơ sở hạ tầng và tín hiệu hoàn toàn phổ biến.
Hiện nay, trên thế giới có hai hệ thống định vị toàn cầu phổ biến là A-GPS và GLONASS, được áp dụng rộng rãi trên các thiết bị điện thoại thông minh A-GPS là hệ thống định vị dựa trên 24 vệ tinh nhân tạo, cung cấp độ chính xác cao trong việc xác định vị trí.
GLONASS là hệ thống định vị toàn cầu được phát triển bởi Nga, với 24 vệ tinh nhân tạo Ngoài GLONASS, hiện nay còn có một số hệ thống GPS khác như Bắc Đẩu của Trung Quốc, Galileo của châu Âu, và các nước đối tác, tuy nhiên chúng chưa được phổ biến rộng rãi.
Các công ngh và k thu ệ ỹ ậ ị t đ nh v 12 ị 1 Công nghệ ử ụ s d ng
Thuậ t toán Random Forest (RF)
Mô hình rừng ngẫu nhiên (RF) dựa trên việc xây dựng một danh sách cây quyết định, trong đó mỗi cây sẽ phân chia không gian đặc trưng thành các không gian con ngẫu nhiên Mỗi không gian con chứa các mẫu tương tự nhau và có đặc điểm giống mục tiêu nhất Nghiên cứu của Lin và Jeon cho thấy mô hình RF có hiệu quả cao trong việc phân loại và dự đoán.
Trang 38 được ch ng minh là m t mô hình KNN khi có tr ng s phù h pứ ộ ọ ố ợ Để hu n luy n cây ấ ệ quyết định chu n, d u hu n luyẩ ữliệ ấ ện S được chia ra t trên xu ng b ng mừ ố ằ ột cặp tính năng và giá trị cho đến khi m t s ộ ố tiêu chí được đáp ứng Tiêu chí có th dể ựa vào độ sâu c a cây ủ để xác định nút lá B ng 2-1 ba m u hu n luy n trên d u thô RSS ả là ẫ ấ ệ ữliệ
Cây quyết định có thể được xây dựng như hình 2-5, trong đó quá trình xây dựng diễn ra khi mỗi lá chứa một mẫu Bên cạnh đó, còn có các cây quyết định khác với các tiêu chí phân chia nút khác nhau, giúp phân chia các mẫu một cách hiệu quả.
B ng 2-1: B d u vả ộ ữliệ ớ ặi đ c tính thô RSS của 3 điểm truy c p ậ
Hình 2-5 M t cây quy: ộ ế ịt đ nh v i hai nút n i b và ba nút ớ ộ ộ lá
V i t p d ớ ậ ữliệu hu n luy n, có m t s ấ ệ ộ ố phương pháp để xây d ng m t cây quyự ộ ết định như ID3 [30] ho c CART [31] Mô hình RF có th kh c ph c vặ ể ắ ụ ấn đề overfitting
Trang 39 b ng cách xây d ng m t b cây quyằ ự ộ ộ ết định Phương pháp đóng gói và tập h p các ợ tính năng ngẫu nhiên được s dử ụng để ả gi m mối tương quan giữa mỗi cây trong r ng ừ
K t qu c a mô hình RF là trung bình c a t t c ế ả ủ ủ ấ ả các tiên đoán của mỗi cây quyết định trong rừng cây
2 Phần m m thu thề ập dữliệu ngữ ảnh ngườ c i dùng
2.1 Thiết kếphần m m thu thề ập dữ u trên Android liệ Để ph c v cho nhi m v nh v , m t ph n m m thu th p d li u ng c nh ụ ụ ệ ụ đị ị ộ ầ ề ậ ữ ệ ữ ả người dùng được thi t k v i vai trò trung gian giế ế ớ là ữa người dùng và môi trường
Việc cải thiện khả năng thu nhận các tín hiệu Wi-Fi và Bluetooth thông qua các cảm biến như cảm biến gia tốc, cảm biến con quay hồi chuyển, và cảm biến từ trường giúp cung cấp dữ liệu chính xác về môi trường xung quanh Điều này hỗ trợ cho hệ thống định vị và nâng cao hiệu quả hoạt động của các ứng dụng công nghệ.
Hình 2-6: Nhiệm vụ ủ ứ c a ng d ng thu th p d li u ng cụ ậ ữ ệ ữ ảnh người dùng
Phần mềm thu thập dữ liệu người dùng được thiết kế chuyên biệt cho các thiết bị Android di động như điện thoại thông minh và máy tính bảng Để đáp ứng nhu cầu của người dùng, phần mềm này cần phải đảm bảo tính hiệu quả và bảo mật trong việc xử lý thông tin cá nhân.
- Chương trình cầ ốn t n ít tài nguyên do chạy trên các thi t b ế ị di động v i ph n ớ ầ c ng không m nh và chuyên bi t ứ ạ ệ
- Có kh ả năng chạy ng m (background) khi thi t b ầ ế ị di động trong tr ng thái ạ khoá (lock)
- Có khả năng lưu trữ các thông tin d ữliệu đã thu thập được
2.2 Xây dựng và cài đặt
D a trên nh ng yêu cự ữ ầu đặt ra bên trên, một chương trình ch y trên ạ thiết b ị Android đã được thiết kế và cài đặt theo thi t k ế ế dưới đây
Hình 2-7: Thiết kế ủa chương trình thu thậ c p d u ng cữliệ ữ ảnh người dùng
Khi bắt đầu chương trình, hàm startScan() được gọi để quét thông tin xung quanh thiết bị Đồng thời, hàm Scan_results_available_action() kiểm tra xem thông tin từ các cảm biến đã sẵn sàng hay chưa Nếu có dữ liệu, kết quả sẽ được trả về qua phương thức getScanResults() và được lưu trữ vào bộ nhớ thông qua phương thức SaveResults().
Trang 41 stopScan() được s dử ụng để điều khi n thi t b ng ng quét D li u ể ế ị ừ ữ ệ thu đượ được c đóng gói theo định d ng ạ XMLvà lưu lại trong b nh c a thi t b ộ ớ ủ ế ị
Chương trình này sẽ được cài đặt và chạy trên thiết bị Android với giao diện người dùng thân thiện Nó cho phép thu thập nhiều thông tin khác nhau từ môi trường xung quanh bằng cách sử dụng các cảm biến của thiết bị thông minh Người dùng có thể chọn các cảm biến quan tâm bằng cách tích vào các ô “Wf, Sens, Bt” và nhấn nút “START” để bắt đầu quét dữ liệu Trong quá trình thu thập dữ liệu, để xây dựng đường đi thực tế cho nhiệm vụ đánh giá, người dùng sẽ nhấn nút “REACHPOINT” khi đến một vị trí cụ thể Chương trình sẽ liên tục quét các dữ liệu liên quan cũng như thông tin vị trí những điểm đã nhấn nút.
Sau khi hoàn thành quá trình thu thập dữ liệu trên REACHPOINT, người dùng cần nhấn nút “STOP” để dừng chương trình Dữ liệu thu thập sẽ được đóng gói và lưu trữ theo cách hiển thị trong Hình 2-9.
Hình 2-8: Giao diện chương trình
Hình 2-9 D u thu th: ữliệ ập lưu trữ dưới dạng các t p tin XML ậ
Trong nghiên c u này, toàn b d ứ ộ ữ liệu dùng đểthử nghi m ệ được trích xu t t ấ ừ Track 3: “Smartphone-based (off-site)” trong b d liộ ữ ệu được công b t i H i ngh ố ạ ộ ị
Qu c t l n th 6 v nh v trong nhà và D n ố ế ầ ứ ề Đị ị ẫ hướng (IPIN 2016), đượ ổc t chứ ại c t thành phố Alcalá de Henares, th ủ đô Marid, Tây Ban Nha.
Trong cuộc thi IPIN 2016, Track ộ 3 đã đề xuất các nhiệm vụ theo dõi điện thoại thông minh trong không gian của 4 tòa nhà đa tầng, cụ thể là các tòa nhà CAR, UAH, UJI UB, và UJI TI.
Hình 2-10: B n tòa nhà s d ng trong Track 3, IPIN 2016 ố ử ụ
Người dùng cần mang theo điện thoại thông minh đã cài đặt ứng dụng trên nền tảng Android để thu thập dữ liệu từ các cảm biến như Wi-Fi, cảm biến quán tính, từ trường, ánh sáng, âm thanh, áp suất, nhiệt độ, GPS và AHRS Dữ liệu thu thập sẽ cung cấp thông tin về quỹ đạo di chuyển của người dùng, được biểu thị dưới dạng danh sách các điểm đã đến và thời gian tương ứng Trong quá trình thu thập dữ liệu, khi người dùng đến một điểm mốc nào đó, họ có thể thông báo cho ứng dụng để lưu lại vị trí và thời gian đến Từ đó, vị trí của các điểm mốc và thời gian di chuyển có thể được ước tính thông qua phương pháp nội suy tuyến tính.
Để xác định vị trí chính xác của người dùng, dữ liệu thời gian cụ thể sẽ được trích xuất và kết hợp với thông tin từ Wi-Fi, tạo thành một cơ sở dữ liệu vững chắc.
Dữ liệu thu được từ mỗi tòa nhà được chia thành tập dữ liệu huấn luyện và tập dữ liệu đánh giá Tập dữ liệu huấn luyện được sử dụng để huấn luyện các mô hình như kiểu dấu vân tay Wi-Fi, trong khi tập dữ liệu đánh giá cung cấp dữ liệu cho mục đích đánh giá Cả hai tập dữ liệu huấn luyện và đánh giá đều được thu thập trong cùng một thiết lập.
Trong nghiên cứu này, tôi đã lựa chọn dữ liệu thu thập từ tòa nhà UAH [32], bao gồm 10 tập dữ liệu, trong đó 6 tập được sử dụng cho huấn luyện và 4 tập cho đánh giá Các tập dữ liệu huấn luyện được phân chia thành 3 quỹ đạo riêng biệt Dữ liệu di chuyển của người dùng được thu thập từ hai mẫu điện thoại khác nhau, là Samsung Galaxy S3 và Samsung Galaxy S4.
Hình 2-11 M: ột phần qu o di chuy n trong b d u UAH ỹ đạ ể ộ ữliệ a D u hu n luy n ữliệ ấ ệ
Phầ n m m thu th p d u ng c ề ậ ữ liệ ữ ảnh ngườ i dùng
ĐỊ NH V S D NG C M BI N QUÁN TÍNH 57 Ị Ử Ụ Ả Ế 1 H ệ thố ng SHS
Xác đị nh kho ng cách di chuy ả ển
Khoảng cách di chuyển của người dùng trong hệ thống SHS được xác định bằng phương pháp đếm bước (Counting Step) Trong nghiên cứu, khi di chuyển, điện thoại thông minh được cầm trên tay, như thể hiện trong Hình 3-1 Hình 3-3 thể hiện giá trị của các biến gia tốc trên các trục và độ lớn Có thể thấy khi điện thoại được cầm như trên, trục Z là trục có các giá trị dao động nhiều nhất trên 3 trục còn lại Các bước đi được định nghĩa dựa trên các mẫu đi bộ của trục Z Hai lần liên tiếp giá trị cực đại đã được ghi nhận.
Trang 59 thể được tính là một bước Khi người dùng d ng l i, m u trên tr c Z tr nên ừ ạ ẫ ụ ở ổn định hơn và ít thay i đổ hơn từ giá tr gia t c tr ng lị ố ọ ực Do đó, thuật toán s d ng m t ử ụ ộ ngưỡng phân bi t gi a kho ng thđể ệ ữ ả ời gian đứng yên và kho ng th i gian ả ờ đi bộ T ừ s ố bước, nó đòi hỏi độ dài bước để tính toán kho ng cách di chuyả ển gi a các kho ng ữ ả thời gian đi bộ Chiều dài bước không th b t ngu n t d ể ắ ồ ừ ữliệu gia t c k Trong cách ố ế tiếp c n, chúng tôi ch n d a vào d ậ ọ ự ữliệu hu n luyệấ n v i gi nh r ng chi u dài m i ớ ả đị ằ ề ỗ bước của người dùng là giống nhau để hu n luy n và th nghi m ấ ệ ử ệ
Xác định hướ ng di chuy n 59 ể 1.3 Xác đị nh qu o s d ng b l c h t 64ỹ đạử ụộ ọạ 2 K ết quả thử nghi m 64ệ 2.1 D u s d ng 64ữliệử ụ 2.2 Khoả ng cách di chuy n 65ể 2.3 Hướ ng di chuy ển
Hướng di chuyển được xác định thông qua việc kết hợp và tính toán các thông số từ dữ liệu của ba biến cảm biến Các giá trị đo được từ ba cảm biến này được liên kết với hệ quy chiếu vật lý, cụ thể là điện thoại (P-frame) Tuy nhiên, trong phương pháp SHS, việc xác định hướng và mọi tính toán đều được thực hiện trong hệ quy chiếu trái đất (G-frame) Do đó, bước đầu tiên trong xác định hướng di chuyển là chuyển đổi các giá trị từ hệ quy chiếu vật lý sang hệ quy chiếu trái đất.
Hình 3-4 minh họa sự chuyển đổi giữa hai hệ quy chiếu: hệ quy chiếu trái đất (G-frame) bên trái và hệ quy chiếu gắn với vật thể (P-frame) bên phải Để chuyển các giá trị từ hệ quy chiếu gắn với vật thể sang hệ quy chiếu trái đất, ta có thể sử dụng một vector bất kỳ được biểu diễn trong hệ quy chiếu gắn với điện thoại và chuyển đổi sang hệ quy chiếu trái đất Ma trận xoay là ma trận chuyển đổi từ hệ quy chiếu gắn với điện thoại sang hệ quy chiếu trái đất.
Nhiệm vụ ủ của ta là tính toán ma trận xoay để chuyển đổi tọa độ giữa hai hệ quy chiếu Hiện nay, có nhiều phương pháp phổ biến để xác định ma trận xoay, trong đó phương pháp góc Euler và phương pháp Quaternion là hai phương pháp đáng chú ý Trong luận văn này, chúng tôi sẽ giới thiệu chi tiết về hai phương pháp này.
Phương pháp góc Euler là cách chuyển đổi tọa độ từ hệ quy chiếu thứ nhất sang hệ quy chiếu thứ hai bằng cách quay quanh các trục của nó với các góc phù hợp Điều này giúp thu được tọa độ trong hệ quy chiếu thứ hai một cách chính xác, như minh họa trong Hình 3-5.
Hình 3-5: Phương pháp góc Euler với các góc quay quanh các trục
Khi chuyển đổi hướng của thiết bị từ vị trí điện thoại sang vị trí trái đất, ta cần quay thiết bị theo ba góc chính: Yaw, Pitch và Roll Mối liên hệ giữa ma trận xoay và các góc này là rất quan trọng trong việc xác định hướng và vị trí chính xác của thiết bị.
Phương pháp Quaternion là một kỹ thuật chuyển đổi giữa hai không gian ba chiều bằng cách thực hiện quay quanh một vector nhất định Một quaternion được định nghĩa bởi bốn thành phần, cho phép mô tả sự quay một cách hiệu quả và chính xác Phương pháp này thường được sử dụng trong đồ họa máy tính và mô phỏng vật lý, giúp cải thiện hiệu suất và độ chính xác trong các phép toán quay.
Trong đú: là cỏc thành phần của vector à và là độ ớ l n của vector à
Quaternion có thể được biểu diễn dưới dạng số phức như sau: và là số phức liên hợp của nhau Việc chuyển đổi giữa đổi giới từ hệ quy chiếu gắn với điện thoại sang hệ quy chiếu trái đất được mô tả như sau: việc chuyển đổi này thường được thực hiện thông qua các phép toán ma trận, giúp chuyển đổi các vectơ và quaternion giữa hai hệ quy chiếu khác nhau.
Ký hi u là toán t nhân quaternion và vệ ử ới và thìphép nhân quternion được định nghĩa như sau:
Sau khi chuyển đổi các giá trị từ cảm biến gia tốc, cảm biến từ trường và cảm biến con quay hồi chuyển, bước tiếp theo là xác định hướng bằng cách tính toán góc quay so với thời điểm trước đó Đầu tiên, ta tính trực tiếp các góc quay từ cảm biến gia tốc và cảm biến từ trường Để cải thiện độ chính xác, ta tích hợp các giá trị từ cảm biến con quay hồi chuyển với phương pháp như bộ lọc Madgwick, bộ lọc Kalman.
Trong nghiên c u, tôi chứ ọn phương pháp là tính trực ti p t c m bi n gia t c và ế ừ ả ế ố c m bi n t ả ế ừ trường, sau đó sử ụ d ng b lộ ọc Complimentary để tích h p c m bi n con ợ ả ế quay h i chuy n ồ ể
Trang 63 a Tính trực tiế ừ ảp t c m bi n gia t c và c m bi n t trưế ố ả ế ừ ờng
Phương pháp này thực hiện việc tính toán ma trận xoay, từ đó xác định mối liên hệ giữa ma trận xoay và góc Euler để tính toán các góc quay.
Giá trị thu được từ các biến gia tăng và biến tắc từ thị trường đã được chuẩn hóa theo chiều dài đơn vị Ma trận xoay R theo phương pháp Kothari.
Tính toán xoay tính có thể được thực hiện dựa trên gia tốc và gia tốc góc từ trường, theo phương pháp Euler ta có thể tính ngược được các góc Roll, Pitch, Yaw Phương pháp bổ sung Complimentary cũng có thể được sử dụng để tính toán các góc này.
Giả sử \( q \) là quaternion tại thời điểm \( t \), và \( u \) là quaternion của đối tượng đang quay Theo lý thuyết quaternion, tốc độ thay đổi của toán tử quaternion được tính như sau:
Giả sử quaternion là vector góc được tính theo thời gian và là trọng số kết hợp Việc kết hợp với cảm biến con quay hồi chuyển được thực hiện theo phương pháp nhất định.
Với là vector góc tại thời điểm t, là khoảng thời gian cập nh ật.
1.3 Xác định qu o s dỹ đạ ử ụng bộ ọc hạ l t
Theo mô hình SHS, từ hai bước xác định vị trí và hướng đã nêu, kết hợp với vị trí ban đầu đã biết, chúng ta có thể xác định quỹ đạo di chuyển của người dùng Để giảm thiểu nhiễu trong các bước tính toán quỹ đạo di chuyển, tôi chọn phương pháp sử dụng bộ lọc hạt (Particle Filter).
Giả sử tọa độ ban đầu của người dùng được xác định qua hai bước: xác định vận tốc và xác định hướng tại thời điểm cụ thể Với bậc độ hạt, từ vị trí ban đầu, N hạt được tạo ra tương ứng Tại thời điểm đó, tọa độ của hạt sẽ được tính toán theo công thức cụ thể.
Quỹ đạ o di chuy n 69 ể 3 Nhậ n xét
Dựa vào kết quả của bước xác định khoảng cách di chuyển và ảnh hưởng để xác định hướng của điện thoại di động, công nghệ được sử dụng nhằm xác định quỹ đạo di chuyển của người dùng Do các kết quả của hai bước xác định khoảng cách và xác định hướng không cùng thời gian, tôi sẽ sử dụng khoảng thời gian 0,5 giây làm khoảng thời gian cập nhật cho quá trình này.
Trang 70 nh t m i c a c hai giá tr ậ ớ ủ ả ị Ở giai đoạn này, gi nh r ng v ả đị ằ ị trí ban đầ , hay điểm u xu t phát c a m qu o ấ ủ ỗi ỹ đạ được bi t ế trướ Bước c x p x cấ ỉ ủa bộ ọ l c h t s d ng 5000 ạ ử ụ h t ạ đượ ạc t o ngẫu nhiên xung quanh điểm bắt đầu Mỗi hạt sau đó được cập nh giá ật trị ớ m i theo kết qu c a ả ủ hai bước trên Sau đó, ị trí đầu ra v trí trung bình c v là ị ủa tất c ảcác hạt đó.
B ng 3-1: Kả ết quảthử nghiệm trên các qu o di chuy n ỹ đạ ể
Quỹ đạo điện thoại di động hiện nay đang chứng kiến sự phát triển mạnh mẽ từ Samsung Galaxy S3 đến Samsung Galaxy S4 Mỗi thế hệ mang đến những cải tiến đáng kể về hiệu suất và tính năng Samsung Galaxy S3 đã tạo dấu ấn với thiết kế tinh tế và tính năng nổi bật, trong khi Samsung Galaxy S4 tiếp tục nâng cao trải nghiệm người dùng với công nghệ tiên tiến hơn Sự khác biệt giữa hai dòng sản phẩm này không chỉ nằm ở cấu hình mà còn ở khả năng tương tác và tính năng thông minh Việc so sánh Samsung Galaxy S3 và S4 giúp người tiêu dùng hiểu rõ hơn về sự tiến bộ trong công nghệ di động.
Trang 71 Đoạn 1, Samsung Galaxy S3 Đoạn 4, Samsung Galaxy S4
Hình 3-10: Kết quảthử nghi m trên qu o có kệ ỹ đạ ết quả ốt nhấ t t và x u nh t ấ ấ
Trong chương này, hệ thống SHS được xây dựng nhằm mục đích nghiên cứu và xác định khoảng cách di chuyển cùng với hướng di chuyển Khoảng cách di chuyển được xác định rõ ràng thông qua phương pháp đếm bước, tuy nhiên chiều dài bước cần được quy ước là đều nhau do sự khác biệt theo thời gian Để xác định hướng di chuyển, các góc quay được tính toán trực tiếp từ dữ liệu cảm biến Mặc dù việc tính toán góc quay có thể gặp sai lệch do môi trường và quá trình thu thập dữ liệu, nhưng hệ thống vẫn sử dụng bù trừ để cải thiện độ chính xác Kết quả thử nghiệm cho thấy sai số khoảng cách trong phân đoạn là 5,59m, cho thấy sự cần thiết của các giải pháp tích hợp giữa hệ thống định vị Wi-Fi và hệ thống SHS để nâng cao độ chính xác trong nghiên cứu.
K T H P K T QU Ế Ợ Ế Ả HAI PHƯƠNG PHÁP ĐỊ NH V 72 Ị 1 Hiệ u ch nh trỉ ực tiế p
Mô hình quan sát
Phương pháp này thay thế việc xác định vị trí đầu ra của hệ thống Wi-Fi bằng cách xây dựng một mô hình đánh giá danh sách các vị trí có thể dựa trên mô hình trí vị của bộ ọc hạt Để xây dựng mô hình quan sát, đầu ra của mô hình Classifier trong hệ thống Wi-Fi được sử dụng Khi đó, ta có thể xây dựng một mô hình dự đoán khả năng của một danh sách các điểm Trong giai đoạn huấn luyện của hệ thống Wi-Fi, một bước nhóm được sử dụng để nhóm các điểm gần nhau thành một cụm Chỉ số này được sử dụng cho đầu vào mục tiêu của giai đoạn huấn luyện Trong giai đoạn định vị, đầu vào là một vector RSS đặc tính thô và N trung tâm cụm, mô hình Classifier có thể tạo ra một vector xác suất.
Trang 76 trong đó, là vector xác su t cấ ủa đầu vào X, là xác suất của v u ra ịtrí đầ đối v i cớ ụm Tiếp theo vector s ẽ đượ ử ụng đểc s d xây d ng mự ột hàm đánh giá cho các vị trí đầu ra dưa trên bộ ọ l c hạ Tiêu chí để đánh giá là t các hạt nào càng g n ầ các điểm trung tâm có xác su t l n nh t s ấ ớ ấ ẽ được giá tr cao nh t Ví d trong nghiên ị ấ ụ c u c a Ta, cách ti p c n là tính kho ng cách t mứ ủ ế ậ ả ừ ột điểm đến ba c m g n nh t, tuy ụ ầ ấ nhiên n u b ba kho nế ộ ả g cách đó xấp x ỉ như nhau thì sẽ ất khó để đánh giá Để đánh r giá chính xác hơn, khắc phục được vấn đề như trên ta cần thêm m t hàm cung c p ộ ấ cho m h t m t giá tr d a trên kho ng cách c a hỗi ạ ộ ị ự ả ủ ạt đó đến m i trung tâm c ỗ ụthể Giả ử s là v trí c a trung tâm , giá tr ị ủ ị để đánh giá của m i hỗ ạt được thêm vào như sau:
(4.2) trong đó, , là kho ng cách nh nh t và l n nh t c a trung tâm ả ỏ ấ ớ ấ ủ đến tất cảcác hạt xuất hiện là khoảng cách giữa hạt và trung tâm
Hình 4-3: Chức năng tính giá trị đánh giá cho mỗi hạt
Cuối cùng giá tr ị đánh giá cho điểm trong mô hình quan sát s ẽ được tính bằng t ng các giá tr c a v i mổ ị ủ ớ ỗi trung tâm điểm :
Trung tâm đềy t có thể ảnh hưởng đến chức năng đánh giá của t ng h t Khoảng cách từ vị trí trung tâm đến các hạt khác sẽ ảnh hưởng đến sự đóng góp của từng phần tử trong hệ thống Nhìn chung, một hạt gần với các hạt ở trung tâm có xác suất cao hơn các hạt khác, dẫn đến giá trị đánh giá cao nhất.
Giá trị đánh giá của các hạt được chuẩn hóa thành vector đơn vị và được sử dụng để định danh lại các hạt trong bước tiếp theo Ảnh hưởng của thời gian quét và thời gian ảnh hưởng đến việc quét Wi-Fi được xem xét Khi không quét được Wi-Fi nào, giá trị đánh giá của các hạt sẽ được đặt thành hàng số Sau đó, bước lấy mẫu tiếp theo có thể là bước lấy mẫu ngẫu nhiên.
Nhậ n xét
Trong chương này, chúng ta đã xem xét các công nghệ định vị phổ biến cùng với ưu nhược điểm của chúng Công nghệ GPS đã trở nên phổ biến và là giải pháp công nghiệp cho điện thoại thông minh trong môi trường ngoài trời, nhưng độ ổn định và chính xác giảm đi rõ rệt trong môi trường trong nhà do sự suy hao tín hiệu Các công nghệ dựa trên hình ảnh từ camera của điện thoại thông minh yêu cầu thiết bị có khả năng xử lý mạnh mẽ, khiến cho việc áp dụng trên điện thoại thông minh trở nên khó khăn Bluetooth, với phạm vi hoạt động hạn chế và công nghệ BLE, cũng gặp nhiều thách thức về chi phí để xây dựng cơ sở hạ tầng Do đó, công nghệ Wi-Fi và cảm biến quán tính trở thành lựa chọn hàng đầu cho việc xây dựng hệ thống định vị trong nhà sử dụng điện thoại thông minh.
CHƯƠNG 2 : ĐỊ NH V B NG Ị Ằ PHƯƠNG PHÁP DẤ U VÂN
Ngày nay, nhu cầu về dịch vụ định vị trong và xung quanh các tòa nhà đã làm cho định vị trong nhà trở thành một tài nguyên quan trọng trong các nghiên cứu Trong số các phương pháp định vị, việc sử dụng công nghệ dấu vân tay Wi-Fi đã mang lại những kết quả ấn tượng và được đánh giá là thành công trong nhiệm vụ định vị trong nhà Chương này sẽ trình bày chi tiết về cấu trúc hệ thống, các thuật toán và kết quả thử nghiệm liên quan.
1 C u trúc h ấ ệthống và các thu t toán ậ
Hình 2-1: C u trúc h ấ ệthống định v bị ằng phương pháp dấu vân tay Wi- Fi
H ệthống nh v d a trên d u vân tay đị ị ự ấ Wi Fi- bao gồm hai giai đoạn: giai đoạn hu n luy n (offline ấ ệ phase) và giai đoạn định v (online phase) ị
Giai đoạn đầu tiên nhằm thu thập thông tin về cường độ tín hiệu của các điểm truy cập Wi-Fi (APs) tại các vị trí tham chiếu Các mẫu RSS được thu thập từ mỗi vị trí tham chiếu có tọa độ cụ thể, tạo thành một vector từ từng AP Vị trí và các vector này được sử dụng để xây dựng một hệ thống cơ sở dữ liệu vân tay, còn được gọi là bản đồ tín hiệu.
Trong giai đoạn định vị, thiết bị bị thu thập thông tin RSS của các APs tại một vị trí bất kỳ, tạo thành một vector đặc trưng Hệ thống sẽ so sánh địa chỉ vector đó với cơ sở dữ liệu đã xây dựng để ước tính đầu ra và vị trí.
Trong giai đoạn huấn luyện, mục đích chính là xây dựng một hệ thống cơ sở dữ liệu vân tay từ các vị trí tham chiếu trong khu vực định vị Do đó, trong giai đoạn này, có ba điểm nhiệm vụ cần giải quyết quan trọng.
- Đo đạc và thu th p các giá tr ậ ị đặc trưng như là: cường độ tín hiệu RSS, địa chỉ MAC c a các APs, th i giủ ờ an thu d ữ ệ …li u
- Phân tích và x d u ửlý ữliệ thu được
- Xây d ng h ự ệ cơ sở ữ d u (bliệ ản đồtín hiệu)
Hình 2-2 dưới đây là lưu đồ các bước trong giai đoạn hu n luy n ấ ệ
Hình 2-2 minh họa giai đoạn huấn luyện với việc áp dụng một hệ tọa độ trong không gian hai chiều cho bản đồ khu vực định vị Mỗi vị trí trên bản đồ sẽ có một tọa độ duy nhất Trong quá trình thu thập dữ liệu, thông tin sẽ được ghi nhận tại những vị trí đặc biệt, đặc biệt là tại những khu vực đã được xác định trước tọa độ trong hệ tọa độ đã áp dụng.
Hình 2-3: Minh họa quá trình thu th p d u [25] ậ ữliệ
Để xây dựng mô hình huấn luyện dựa trên đặc điểm tín hiệu, cần xác định các điểm cụ thể và đặc điểm tín hiệu của hệ thống Có nhiều phương pháp tiếp cận để phát triển mô hình này, bao gồm việc sử dụng đặc tính thô, đặc tính dựa trên lọc, và đặc tính hyperbolic liên quan đến vị trí Quá trình quét sẽ phát hiện các điểm truy cập Wi-Fi trong môi trường xung quanh, với địa chỉ MAC và giá trị RSS được ghi nhận Địa chỉ MAC đóng vai trò là định danh cho các điểm truy cập, trong khi giá trị RSS phản ánh cường độ tín hiệu tại vị trí của thiết bị di động.
Trong quá trình quét, thời gian ngộ ả ờ ắn được nhóm l i trong một chu trình quét, mà không ạ ộ gian c tính thô xây d ng từ một danh sách g m hai giá tr trên c a m chu trình Thời gian của chu trình quét phụ thuộc vào thiết bị Để xây dựng ma trận đặc tính thô, cần thu thập dữ liệu từ tất cả các AP Trong trường hợp có một AP không xuất hiện trong lần quét, giá trị RSS sẽ được gán với giá trị nhạt, hoặc một giá trị nào đó tùy thuộc vào mô hình.
Trong giai đoạn định vị, dựa vào thông tin từ các AP thu được tại vị trí hiện tại, chúng ta có thể xác định các vectơ tính toán của tín hiệu tại địa điểm đó Các thuật toán định vị thực hiện việc tính toán và so sánh với cơ sở dữ liệu đã được xây dựng để ước tính ra vị trí tham chiếu trên hệ tọa độ áp dụng trong giai đoạn huấn luyện Hình 2-4 minh họa lưu đồ cho giai đoạn này.
Hình 2-4: Lưu đồ minh họa giai đoạn định v ị
Trong giai đoạn định vị, việc xác định vị trí của người dùng một cách chính xác rất quan trọng Các thuật toán định vị đóng vai trò then chốt trong quá trình này Nghiên cứu đã áp dụng hai mô hình học máy để cải thiện độ chính xác trong việc xác định vị trí.
1.3 Thuật toán K-Nearest Neighbor (KNN)
Thuật toán KNN là một trong những thuật toán đơn giản nhưng hiệu quả trong học máy KNN và các biến thể của nó đã được sử dụng rộng rãi trong việc định vị trong nhà Ý tưởng chính của KNN là so sánh cường độ tín hiệu thu được (RSS) bởi người dùng với dữ liệu dấu vân tay trong cơ sở dữ liệu Sau khi so sánh, phương pháp sẽ chọn ra K dữ liệu vân tay gần nhất với dữ liệu thu được K dữ liệu này sẽ chứa tọa độ của K vị trí có khả năng cao nhất là vị trí của người dùng.
Khoảng cách Euclidean là một phương pháp đơn giản nhưng hiệu quả được sử dụng trong thuật toán KNN để đo lường khoảng cách giữa các cường độ tín hiệu thu nhận được.
Trang 37 dùng v i d u vân tay trong ớ ữ liệ cơ sở hu n luy n ấ ệ Khoảng cách Euclidean được tính theo mô hình:
(2.1) trong đó: và là hai vector trong không gian đặc tính N chi u, ề là kho ng cách Euclidean giả ữa hai vector và Thuật toán KNN được mô t ả như sau:
1 V i mớ ỗi đầu vào là , thu t toán KNN s tìm K m u ậ ẽ ẫ trong cơ dữ liệu d u vân tay S có kho ng cách nh nhấ ả ỏ ất v i ớ Kho ng cách giả ữa và đươc tính theo công thức Euclidean ởtrên.
2 Giả ử K điể s m có kho ng cách là nh nhả ỏ ất là với và có v ị trí tương ứng trong h tệ ọa độ tham chi u là: ế
3 V ịtrí củ ngườa i dùng tại điểm được xác định:
4 Tham s ố K định nghĩa có bao nhiêu m u g n nh t trong h ẫ ầ ấ ệ cơ sở đượ ấy c l để tính toán do đó hiệu qu c a thu t toán ph ả ủ ậ ụthuộc vào tham s K áp d ng ố ụ cho m i h ỗ ệ thống Trong h ệ thống định v s d ng d u vân tay Wi-Fi, K ị ử ụ ấ thường được ch n trong d i từ 1 đếọ ả n 10
1.4 Thuật toán Random Forest (RF)
Mô hình rừng ngẫu nhiên (RF) dựa trên việc xây dựng một danh sách cây quyết định, trong đó mỗi cây sẽ phân chia không gian đặc trưng thành các không gian con ngẫu nhiên Các không gian con này chứa các mẫu tương tự nhau và có đặc điểm giống mục tiêu nhất Nghiên cứu của Lin và Jeon cho thấy mô hình RF có hiệu quả cao trong việc phân loại và dự đoán.