Định vị trong xây dựng các tòa nhà cao tầng

Cùng với sự phát triển của mạng không dây, các dịch vụ dựa trên vị trí LBSs (Locationbased services) đã được ứng dụng trên các thiết bị di động như laptop, điện thoại thông minh hay PDAs(Personal Digital Assistants) để theo dõi người dùng và phản ứng khi người dùng gặp sự cố khẩn cấp. Những ứng dụng này đòi hỏi phải xác định vị trí hiện tại của người dùng để phát đi thông điệp khẩn cấp đồng thời cung cấp vị trí của người dùng đang bị sự cố. Vì vậy vấn đề xây dựng một hệ thống định vị và theo dõi người dùng đang được mọi người quan tâm. Đối với môi trường ngoài trời, hiện nay hệ thống định vị toàn cầu GPS(Global Position System) đang ngày càng phát triển và được sử dụng rộng rãi. Nó có độ chính xác khoảng 10 mét, nhưng GPS thật sự bị hạn chế và không thể hoạt động hiệu quả khi định vị mục tiêu trong các tòa nhà có nhiều vật cản như những bức tường, trần nhà do tín hiệu của các vệ tinh bị suy yếu. Các khu vực đô thị và những tòa nhà cao tầng là những vật cản làm suy yếu tín hiệu vệ tinh khiến cho các hệ thống định vị dựa trên GPS hoạt động kém hiệu quả. Vì vậy đề tài nghiên cứu về một hệ thống định vị trong nhà trở thành một lĩnh vực đang được nhiều người nghiên cứu trong những năm gần đây.

1 Mục Lục Chương 1: Giới thiệu đặt vấn đề 1.1 Đặt vấn đề lý chọn đề tài 1.2 Mục tiêu đề tài .5 1.3 Phạm vi đề tài .7 1.4 Cấu trúc luận văn .8 Chương 2: Cơ sở lý thuyết 10 2.1 Sự phát triển mạng không dây .11 2.2 Tổng quan mạng không dây 12 2.3 Đặc điểm sóng vô tuyến 16 2.4 Các giải pháp đònh vò nhà 20 2.4.1 Giải pháp đònh vò dựa khoảng cách 22 2.4.2 Giải pháp đònh vò dựa góc đến .34 2.4.3 Giải pháp đònh vò dựa Fingerprinting 36 2.5 Các loại thuật toán đònh vò áp dụng cho giải pháp Fingerprinting 39 2.5.1 Phương pháp K-Nearest Neighbor .39 2.5.2 Phương pháp dựa xác suất 41 2.5.3 Phương pháp Neural Network 44 2.5.4 Phương pháp Support Vector Machine .46 2.6 Các hệ thống đònh vò sử dụng WLAN RSS Fingerprinting 48 2.7 Thách thức việc triển khai hệ thống WLAN RSS Fingerprinting 49 Chương 3: Giải pháp đònh vò dựa kỹ thuật WLAN RSS Fingerprinting 51 3.1 WLAN RSS Fingerprinting 51 3.1.1 Kiến trúc 51 3.1.2 Mô tả 54 3.2 Các giai đoạn kiến trúc RSS Wlan Fingerprinting 55 3.2.1 Giai đoạn huấn luyện 55 3.2.2 Giai đoạn hoạt động đònh vò 65 3.3.1 Thuật toán Nearest Neighbor 66 3.3.2 Thuật toán K-Nearest Neighbor 69 3.3.3 Thuật toán K-Maximum LikeliHood Neighbor 70 3.3.4 Thuật toán cải tiến K-Maximum LikeliHood Constraint Tracking Neighbor .73 Chương 4: Triển khai đánh giá hệ thống đònh vò 76 4.1 Xây dựng chương trình mô 77 4.1.1 Mục tiêu 77 4.1.2 Mô tả 78 4.1.2.1 Xây dựng đồ giả lập 78 4.1.2.2 Xây dựng liệu RSS Fingerprinting 79 4.1.2.3 Phương pháp Box–Muller sinh mẫu phân phối chuẩn ngẫu nhiên 80 4.1.3 Phương pháp đánh giá 82 4.1.4 Đánh giá kết phân tích .83 4.2 Triển khai hệ thống đònh vò .92 4.2.1 Mục tiêu 92 4.2.2 Mô tả 92 4.2.2.1 Triển khai thiết bò, sở hạ tầng 92 4.2.2.2 Cài đặt webservice cung cấp dòch vụ đònh vò IPS Server 93 4.2.2.3 Triển khai cài đặt chương trình đònh vò laptop .96 4.2.2.4 Triển khai cài đặt chương trình đònh vò Iphone 99 4.2.3 Phương pháp đánh giá .101 4.2.4 Đánh giá kết phân tích .102 Chương 5: Kết luận hướng phát triển 117 Chương 1: Giới thiệu đặt vấn đề Tóm tắt nội dung: Chương trình bày lý chọn đề tài, mục tiêu đề tài nêu rõ phạm vi nghiên cứu đề tài Đồng thời đưa phương pháp tiếp cận cấu trúc toàn luận văn 1.1 Đặt vấn đề lý chọn đề tài Cùng với phát triển mạng không dây, dòch vụ dựa vò trí LBSs (Location-based services) ứng dụng thiết bò di động laptop, điện thoại thông minh hay PDAs(Personal Digital Assistants) để theo dõi người dùng phản ứng người dùng gặp cố khẩn cấp Những ứng dụng đòi hỏi phải xác đònh vò trí người dùng để phát thông điệp khẩn cấp đồng thời cung cấp vò trí người dùng bò cố Vì vấn đề xây dựng hệ thống đònh vò theo dõi người dùng người quan tâm Đối với môi trường trời, hệ thống đònh vò toàn cầu GPS(Global Position System) ngày phát triển sử dụng rộng rãi Nó có độ xác khoảng 10 mét, GPS thật bò hạn chế hoạt động hiệu đònh vò mục tiêu tòa nhà có nhiều vật cản tường, trần nhà tín hiệu vệ tinh bò suy yếu Các khu vực đô thò tòa nhà cao tầng vật cản làm suy yếu tín hiệu vệ tinh khiến cho hệ thống đònh vò dựa GPS hoạt động hiệu Vì đề tài nghiên cứu hệ thống đònh vò nhà trở thành lónh vực nhiều người nghiên cứu năm gần Hiện có số phương pháp xây dựng thiết bò di động cài đặt chức GPS để cung cấp dòch vụ đònh vò nhà, kỹ thuật AGPS(Assited GPS)[23] Kỹ thuật A-GPS cần kết nối đến máy chủ đạt độ xác phạm vi 5m đến 50m Một kỹ thuật khác Calibree[14], kỹ thuật dò tìm cường độ sóng GSM để xác đònh vò trí người dùng thiết bò di động họ có trang bò thiết bò thu GPS Tuy nhiên kỹ thuật Calibree có sai số dự báo trung bình lên đến 147m trường hợp sử dụng 25 thiết bò có trang bò thiết bò thu tín hiệu GPS khu vực có diện tích 1km2 Ngoài GPS, loại công nghệ không dây cảm ứng khác sử dụng để xây dựng hệ thống đònh vò nhà Ví dụ hệ thống đònh vò sử dụng hồng ngoại, sóng vô tuyến hệ thống cảm biến, siêu âm … đònh vò người dùng với độ xác cao Tuy nhiên hệ thống đòi hỏi phải có thiết bò sở hạ tầng thiết bò cảm ứng nên tốn chi phí cao dẫn đến khó khăn triển khai với quy mô lớn Trong luận văn đề xuất hệ thống đònh vò nhà Indoor Position System dựa mạng không dây nội WLAN(Wireless Local Area Network) sử dụng chuẩn IEEE 802.11b/g, giải pháp triển khai hệ thống đònh vò nhà dựa thiết bò phát sóng WiFi có sẵn tòa nhà thiết bò AP(Access Point) nhằm tận dụng sở hạ tầng có sẵn đem lại hiệu chi phí triển khai Hệ thống sử dụng giá trò cường độ tín hiệu RSS(Received Signal Strength) kết hợp với thông tin vò trí người dùng khứ để xác đònh vò trí người sử dụng thiết bò di động 1.2 Mục tiêu đề tài Mục tiêu đề tài nghiên cứu thuật toán đònh vò nhà (Indoor Localization Algorithms) xây dựng hệ thống đònh vò tòa nhà IPS(Indoor Positioning System) sử dụng điện thoại thông minh gồm mục tiêu cụ thể sau: - Nghiên cứu thuật toán đònh vò nhà sử dụng kỹ thuật Fingerprinting để dự đoán vò trí mục tiêu dựa vào ước lượng xác suất Bayes, khoảng cách Euclide thuật toán K-Maximum Likelihood Neighbor (KMLN) o Tìm hiểu giải pháp đònh vò mục tiêu sóng Wifi sử dụng RSS (Received Signal Strength) o Tìm hiểu phương pháp ước lượng xác suất Bayes, khoảng cách Euclide thuật toán KMaximum Likelihood Neighbor (KMLN) đònh vò nhà o Tìm hiểu kỹ thuật Fingerprinting tạo đồ sóng Wifi dựa việc thu thập liệu RSS, tạo phân phối xác suất giá trò RSS vò trí tọa độ (x,y), liệu Fingerprinting o Đề thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor sử dụng thông tin vò trí khứ người dùng vào thuật giải để cải thiện thuật toán KMaximum Likelihood Neighbor - Xây dựng chương trình mô đánh giá thuật toán đònh vò nhà o Xây dựng chương trình mô việc đònh vò nhà sử dụng thuật toán liệu thử nghiệm o Đánh giá hiệu thuật toán chạy thử để đánh giá hiệu thuật toán đònh vò nhà - Xây dựng chương trình đònh vò nhà thiết bò di động đánh giá thuật toán thực tế o Xây dựng hệ thống đònh vò nhà laptop, điện thoại o Tiến hành thu thập, đo đạc RSS vò trí tham chiếu nhận từ thiết bò phát sóng Wifi để tạo liệu huấn luyện để thực nghiệm toán o Đánh giá kết Phương pháp tiếp cận : - Xuất phát từ nhu cầu thực tiễn để lựa chọn giải pháp, mô hình thích hợp cho ứng dụng thực tế, đồng thời sở thực tiễn phát triển lý luận khoa học để lý luận gắn với thực tiễn - Nghiên cứu, tìm hiểu loại thiết bò cảm ứng tích hợp Smart Phone sử dụng mô hình nghiên cứu - Tìm hiểu phương pháp, thuật toán xác đònh vò trí người dùng thiết bò Smart phone vò trí nơi quan tâm - So sánh, đánh giá thuật toán đònh vò, lựa chọn thuật toán phù hợp - Xây dựng chương trình cài đặt thử nghiệm laptop, thiết bò di động đánh giá kết thực Trong luận án trình bày mạng hệ thống đònh vò dựa kỹ thuật Received Signal Strength Fingerprinting, kỹ thuật đònh vò nhà xác hiệu Trước hết ta sử dụng thuật toán K-Maximum Likelihood Neighbor để xác đònh vò trí người sử dụng điện thoại di động, sau đề xuất thuật toán K-Maximum Likelihood Constraint Tracking Neighbor theo dõi vò trí khứ trước người dùng để nâng cao độ xác thuật toán đònh vò 1.3 Phạm vi đề tài Trong luận án này, việc nghiên cứu giới hạn vấn đề sau: - Đề tài nghiên cứu thuật toán đònh vò nhà thể thông tin đònh vò không gian chiều - Đề tài không nghiên cứu số lượng Access Point tối ưu cần lắp đặt phù hợp với diện tích tòa nhà để thuật giải xác đònh vò trí tốt Các giả đònh đề tài: - Sự phân bố giá trò RSS vò trí đo đạc sóng (vò trí tham chiếu) xấp xỉ phân phối chuẩn - Có Access Point phủ sóng vò trí tham chiếu - Giá trò RSS trung bình vò trí trung tâm khu vực chênh lệch rõ ràng 1.4 Cấu trúc luận văn Luận án chia thành chương với nội dung sau: - Chương 1: Tổng quan vấn đề trình bày đề tài, lý lựa chọn đề tài trình bày sơ lược cấu trúc luận án - Chương 2: Trình bày vấn đề phát triển mạng không dây, đặc điểm sóng vô tuyến, nhóm phương pháp đònh vò, ước lượng xác suất Bayes, khoảng cách Euclide - Chương 3: Trình bày giải pháp đònh vò dựa kỹ thuật Fingerprinting Các vấn đề trình bày kiến trúc mô tả mô hình WLAN RSS Fingerprinting, trình xử lý tín hiệu sóng vô tuyến chuyển thành thông tin vò trí Trong chương trình bày số thuật toán đònh vò là: Nearest Neighbor, K-Maximum Likelihood Neighbor, K- Maximum Likelihood Constraint Tracking Neighbor - Chương 4: Trình bày trình triển khai hệ thống đònh vò vào thực tiễn, bao gồm cách triển khai thiết bò phần cứng thiết bò Access Point, IPS Server, thiết bò di động thông minh Chương trình bày trình thu thập tín hiệu RSS lọc liệu nhiễu, đồng thời xây dựng đồ Fingerprinting phục vụ cho trình đònh vò Ngoài trình bày cách triển khai chương trình đònh vò thiết bò điện thoại thông minh Iphone xây dựng chương trình giả lập Simulator để đánh giá hiệu suất chương trình định vị - Chương 5: Trình bày kết đạt trình nghiên cứu, hạn chế đề tài đề hướng nghiên cứu tương lai 10 Chương 2: Cơ sở lý thuyết Tóm tắt nội dung: Trong chương trình bày tổng quan phát triển mạng không dây, đặc tính sóng vô tuyến ảnh hưởng đến trình đo đạc cường độ tín hiệu sóng vô tuyến RSS giai đoạn thu thập tạo liệu huấn luyện Trong chương đề cập đến số phương pháp đònh vò nhà: • Phương pháp thời gian đến (Time Of Arrival) • Phương pháp góc đến (Angel Of Arrival hay Direction Of Arrival) • Phương pháp Fingerprinting Do có ưu điểm chi phí dễ dàng triển khai phương pháp Fingerprinting, nên luận văn đề xuất sử dụng phương pháp Fingerprinting để xây dựng hệ thống đònh vò nhà Trong chương giới thiệu thuật toán đònh vò sử dụng cho kỹ thuật Fingerprinting nay: • Thuật toán láng giềng gần • Thuật toán dựa xác suất • Thuật toán dựa Neural Network • Thuật toán dựa Support Vector Machine 107 4.2.4.2 Kết mối quan hệ khoảng cách giá trò RSS Theo phân tích đặc trưng sóng vô tuyến chương 3, giá trò RSS sóng vô tuyến lớn vò trí đo gần với AP nhỏ vò trí đo xa so với AP Chúng ta xét biểu đồ sóng RSS AP1 vò trí 1, 6, 9, 12 qua hình 4.16: RSS AP1 vị trí -30 -35 -40 -45 -50 -55 -60 -65 vị trí vị trí vị trí vị trí 12 Hình 4.17: Biểu đồ thực nghiệm RSS AP1 vò trí 1,6,9,12 Khảo sát biểu đồ 4.16 ta thấy vò trí đặt AP1 phù hợp nên giá trò RSS đo vò trí khu vực khác tách biệt nhau, giá trò cường độ tín hiệu có dao động tăng giảm không chồng lấp lên Tương tự AP2, AP3, AP4 đặt vò trí thích hợp để thỏa mãn tiêu chí bao phủ sóng toàn tầng giá trò sóng RSS 108 vò trí tham chiếu đo khu vực khác tách biệt Chúng ta thấy RSS khoảng cách khoảng cách từ AP đến vò trí đo sóng RSS có mối liên hệ với thông qua hàm khoảng cách theo mô hình RSS Path Loss đề cập chương Mối quan hệ RSS khoảng cách RSS trung bình (dbm) -30 -35 -40 -45 -50 -55 -60 -65 1.25 1.3 2.8 3.87 5.16 6.45 Khoảng cách (m) 7.31 9.46 9.55 10.32 11.18 Hình 4.18: Biểu đồ mối quan hệ RSS khoảng cách Khảo sát hình 4.17 thấy giá trò RSS trung bình hàm tuyến tính, giá trò RSS có khuynh hướng giảm khoảng cách đo đạc xa AP 4.2.4.3 Kết sai số khoảng cách dự báo vò trí thuật 109 toán đònh vò Chúng ta sử dụng laptop thiết bò điện thoại di động Iphone để thử nghiệm độ xác dự báo vò trí người dùng thuật toán đònh vò KNearest Neighbor, K-Maximum Likelihood Neighbor, K-Maximum Likelihood Constraint Tracking Neighbor Để thực thí nghiệm, ta sử dụng laptop Iphone di chuyển qua vò trí tham chiếu từ 112 hình 4.1, vò trí dự báo nhiều lần tính trung bình tọa độ vò trí dự đoán điểm tham chiếu Biểu đồ 4.18 cho ta thấy đường thật người dùng đường mà thuật toán K-Nearest Neigbor dự báo Hình 4.19: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Nearest Neighbor Với thuật toán K-Nearest Neighbor sai số khoảng cách trung bình lần dự báo 1,11m Thuật toán KNearest Neighbor có ưu điểm đơn giản dễ cài đặt, 110 nhiên có nhược điểm khó xác đònh hệ số K tối ưu để thuật toán chạy tốt (hệ số K người lập trình tự đònh) Chúng ta tiếp tục thực nghiệm trình đònh vò với sử dụng thuật toán dựa xác suất K-Maximum Likelihood Neighbor Hình 4.19 cho thấy kết sai số khoảng cách dự báo thuật toán Hình 4.20: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Neighbor Với thuật toán K-Maximum Likelihood Neighbor sai số khoảng cách trung bình lần dự báo 0.98m Đây thuật toán dựa xác suất, sử dụng quy tắc Bayes để xác đònh vò trí người dùng Như thấy thuật toán K-Maximum Likelihood Neighbor có sai số khoảng cách trung bình dự báo vò trí người dùng nhỏ thuật toán K-Nearest Neighbor (0.98m < 1.1m) Tuy nhiên thuật toán K-Maximum Likelihood Neighbor chưa tận dụng 111 thông tin vò trí người dùng khứ để xác đònh vò trí người dùng Chúng ta xem xét hiệu suất thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor Hình 4.21: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán K-Maximum Likelihood Constraint Tracking Neighbor Hình 4.20 kết trình thực nghiệm đònh vò, ô vuông màu xanh vò trí thật mà người dùng di chuyển đến, chấm tròn màu đỏ vò trí dự báo mà thuật toán đònh vò K-Maximum Likelihood Constraint Tracking Neighbor tính toán 12 vò trí với sai số khoảng cách trung bình 0.91m Thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor sử dụng thông tin trạng thái vò trí K vò trí có khả thời điểm trước người dùng để ràng buộc K vò trí có khả người dùng Nhờ điều kiện ràng buộc giả đònh giới hạn khoảng cách mà người dùng di 112 chuyển khoảng thời gian ngắn mà thuật toán cải tiến giảm sai số khoảng cách dự báo vò trí người dùng Tuy nhiên biểu đồ 4.20 chưa thể chi tiết kết sai số khoảng cách việc dự báo vò trí người dùng Để thể kết sai số dự báo, sử dụng biểu đồ 4.21 để thấy rõ sai số trung bình dự báo khoảng cách vò trí với khoảng tin cậy 95% Hình 4.22: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo sử dụng thuật toán KMLCTN vò trí (khoảng tin cậy 95%) Dựa vào biểu đồ 4.21, sai số trung bình khoảng cách đònh vò điểm từ 0.3m đến 1.6m Tuy nhiên kết sai số khoảng cách dư báo lớn 113 triển khai thực tế môi trường có diện tích lớn siêu thò, nhà sách hay sân trường … Tuy nhiên giải pháp Fingerprint có nhược điểm giai đoạn huấn luyện đòi hỏi người triển khai phải thu thập liệu sóng RSS nhiều điểm tham chiếu tòa nhà, số lượng điểm tham chiếu (chưa đủ bao phủ hết toàn nhà) làm thuật toán đònh vò thiếu xác Chúng ta khảo sát trình đònh vò hệ thống để biết sai số khoảng cách đònh vò vò trí vùng bao phủ điểm tham chiếu Hình 4.23: Minh họa đồ vò trí người dùng nằm vùng bao phủ điểm tham chiếu Chấm tròn màu đỏ hình 4.22 vò trí thật người dùng, thấy vò trí nằm vùng bao phủ điểm tham chiếu Kết quảsai số trung bình trình đònh vò người dùng xuất vò trí 1.99m Sai số dự báo trung bình dao động từ 1.97m – 2.01m với khoảng tin cậy 95% Kết cho ta thấy người dùng xuất vò trí xa điểm tham chiếu sai số dự báo cao Để khắc phục nhược điểm này, đòi hỏi triển khai thu thập RSS cần tăng số lượng điểm tham chiếu phủ khắp tòa 114 nhà Tiếp theo khảo sát thêm tiêu chí sai số dự báo max/min để đánh giá độ tốt thuật toán đònh vò Vò trí KMLCTN KMLN KNN Min Max Min Max Min Max 1.6 0.54 1.21 1.62 2.22 0.36 0.91 2.27 0.54 1.2 0.57 1.08 0.54 1.19 0.54 3.46 0.36 1.08 0.54 0.85 0.54 0.64 0.55 2.59 1.1 2.23 0.52 2.42 1.14 0.55 0.55 1.7 0.03 1.47 0.53 1.93 0.6 3.53 0.56 1.17 0.35 2.23 0.55 1.22 0.55 1.19 0.77 1.2 0.92 2.21 10 0.87 2.54 0.54 1.2 0.54 1.2 11 0.92 0.72 0.84 0.84 0.94 12 0.84 1.41 0.85 2.74 0.84 0.9 Bảng 1: Sai số khoảng cách Min Max lần dự báo vò trí thuật toán đònh vò khác vò trí tham chiếu Dựa vào bảng 1, thấy thuật toán KNN có sai số trung bình Max 3.53m, thuật toán KMLN có sai số trung bình Max 2.74m, thuật toán KMLCTN sai số trung bình Max 2.59m Đối với sai số trung bình Min, thuật toán KNN có sai số trung bình Min 0.54m, thuật toán KMLN KMLCTN 115 0m Do nhược điểm thuật toán KNN lấy K láng giềng gần (K cố đònh 3) nên vò trí dự báo trọng tâm điểm láng giềng gần Đối với thuật toán KMLN KMLCTN, đặc thù thuật toán tìm K láng giềng có khả sử dụng quy tắc Bayes nên hệ số K tùy biến, nên kết đưa K vò trí người dùng, nên sai số khoảng cách trường hợp tốt 0m Kết luận: Qua trình thực nghiệm đánh giá thuật toán hệ thống đònh vò nhà, thấy thuật toán cải tiến KMaximum Likelihood Constraint Tracking Neighbor có kết đònh vò tốt hai thuật toán KNearest Neighbor K-Maximum Likelihood Neighbor So với thuật giải K-Neareast Neigbor có sai số trung bình dự báo 1.1m, thuật toán cải tiến cho kết dự báo với sai số trung bình 0.91m, giảm 0.19m sai số khoảng cách(17,27%) So với thuật giải K-Maximum Likelihood Neighbor có sai số trung bình dự báo 0.97m, thuật toán cải tiến cho kết dự báo với sai số trung bình 0.91m, giảm 0.06m sai số khoảng cách (6.18%) Hệ thống đònh vò nhà sử dụng thuật toán KMaximum Likelihood Constraint Tracking Neighbor 116 triển khai cài đặt thành công nhà riêng với sai số trung bình 0.91m Sai số dự báo trường hợp xác 0m, nhiên có trường hợp xấu nhất, sai số khoảng cách dự báo lên đến 2.54m 4.2.4.4 Kết sai số khoảng cách dự báo vò trí thuật toán đònh vò thiết bò di động khác Trong phần này, luận văn thực nghiệm để kiểm tra sai số khoảng cách trình đònh vò sử dụng thiết bò khác 1.8 1.6 Sai số khoảng cách (m) 1.4 1.2 0.8 0.6 0.4 0.2 vt1 vt2 vt3 vt4 vt5 Acer vt6 vt7 vt8 vt9 vt10 vt11 vt12 Sony Vaio Hình 4.24: Biểu đồ thực nghiệm minh họa sai số khoảng cách dự báo thiết bò di động khác Trong giai đoạn huấn luyện luận văn, người thực sử dụng máy tính laptop hiệu Acer để thu thập liệu sóng RSS Trong giai đoạn đònh vò, thử 117 nghiệm thực loại laptop khác để đònh vò Dựa vào biểu đồ 4.22 thấy rằng, sai số khoảng cách dự báo vò trí máy tính laptop Sony Vaio lớn so với đònh vò thiết bò laptop Acer Điều loại thiết bò có đặc thù phần cứng khác hệ điều hành khác Do giải pháp đònh vò Fingerprinting đòi hỏi phải xây dựng lại liệu huấn luyện cho thiết bò Việc thu thập liệu sóng RSS cho thiết bò đòi hỏi nhiều chi phí thời gian công sức Điều khiến cho khả mở rộng phương pháp Fingerprinting bò hạn chế Tuy nhiên theo nghiên cứu [12], sử dụng giải pháp điều chỉnh lại tập liệu sóng RSS thu thập giai đoạn huấn luyện cho phù hợp với thiết bò Giải pháp giảm chi phí thu thập lại tập liệu huấn luyện, giúp phương pháp đònh vò Fingerprinting triển khai nhiều thiết bò di động khác Chương 5: Kết luận hướng phát triển 5.1 Kết Luận Trong trình nghiên cứu luận văn, hoàn thành mục tiêu đề đạt kết sau: Triển khai thành công hệ thống đònh vò nhà sử dụng kỹ thuật RSS WLAN Fingerprinting 118 • Nghiên cứu đặc tính sóng vô tuyến quy luật phân bố giá trò RSS môi trường nhà • Tiến hành thử nghiệm lựa chọn vò trí thích hợp để lắp đặt AP cho cường độ tín hiệu sóng vô tuyến RSS ổn đònh, bò ảnh hưởng yếu tố môi trường • Tiến hành thu thập liệu RSS từ AP để xây dựng sở liệu huấn luyện • Xây dựng chương trình lọc nhiễu để sàng lọc giá trò RSS bất thường trình thu thập Nghiên cứu thuật toán đònh vò nhà • Nghiên cứu loại thuật toán đònh vò nhà: thuật toán K-Nearest Neighbor, thuật toán dựa xác suất (K-Maximum Likelihood Neighbor), thuật toán dựa Neural Network, thuật toán dựa Support Vector Machine • Tìm hiểu cài đặt thuật toán K-Nearest Neighbor K-Maximum Likelihood Neighbor • Đánh giá hiệu thuật toán K-Nearest Neighbor K-Maximum Likelihood Neighbor • Xây dựng chương trình mô để chạy thử đánh giá hiệu suất thuật toán đònh vò Đề xuất thuật toán cải tiến K-Maximum Likelihood Constraint Tracking Neighbor 119 • Đề xuất thuật toán cải tiến K-Maximum Likehood Constraint Tracking Neighbor giúp nâng cao tính xác trình đònh vò • So sánh hiệu thuật toán cải tiến thuật toán đònh vò Cài đặt thử nghiệm thành công chương trình đònh vò Iphone • Nghiên cứu kỹ thuật lập trình Iphone • Xây dựng triển khai thành công chương trình đònh vò Iphone thử nghiệm nhà riêng Bên cạnh kết đạt trình nghiên cứu, đề tài có hạn chế sau : • Hệ thống đònh vò chưa thể đồ chiều • Do khó khăn trang thiết bò, đòa điểm thời gian nên luận văn chưa có điều kiện triển khai hệ thống đònh vò thử nghiệm nhiều môi trường khác Từ công việc hoàn thành kết đạt được, trình nghiên cứu đạt mục tiêu đề Luận văn hướng dẫn cách thức triển khai hệ thống đònh vò nhà, bước để thu thập liệu sóng vô tuyến RSS xây dựng sở liệu huấn luyện Fingerprinting, đồng thời đề xuất thuật toán lọc nhiễu để sàng lọc RSS bất thường Luận văn nghiên cứu thuật toán đònh vò sử dụng kỹ thuật RSS WLAN Fingerprinting đề xuất thuật toán đònh 120 vò cải tiến K-Maximum Likelihood Constraint Tracking Neighbor giúp nâng cao hiệu dự báo vò trí người dùng Những nghiên cứu luận văn sở để triển khai hệ thống đònh vò nhà dựa kỹ thuật RSS WLAN Fingerprintinng tảng để xây dựng dòch vụ ứng dụng dựa đòa điểm 5.2 Những đònh hướng nghiên cứu tương lai Dựa kết đạt hạn chế luận văn, đề đònh hướng nghiên tương lai: • Hiện hệ thống triển khai thử nghiệm nhà riêng với không gian chiều Trong tương lai hướng đến nghiên cứu xây dựng hệ thống đònh vò nhà làm việc hiệu không gian chiều • Nghiên cứu mô hình markov ẩn phân tích thói quen người dùng di chuyển nhà, để kết hợp với thuật toán đònh vò nhằm nâng cao tính xác trình đònh vò, đồng thời phân tích hành vi người dùng 5.3 Những ứng dụng dựa đòa điểm phát triển thực tiễn Qua trình nghiên cứu xây dựng hệ thống đònh vò nhà dựa kỹ thuật RSS WLAN Fingerprinting thu kết khả quan việc xác đònh vò trí người dùng môi trường nhà Đây sở để phát triển dòch vụ ứng dụng dựa vò trí sau: 121 • Phát triển hệ thống đònh vò lưu vết người dùng, đồng thời có khả dựa vào thông tin theo dõi người dùng, từ cung cấp dòch vụ dựa vò trí theo dõi, phát người dùng gặp cố tai nạn, phát gọi khẩn cấp đồng thời cung cấp xác vò trí người bò nạn tới tổ chức cứu hộ, bệnh viện • Phát triển ứng dụng phân tích hành vi người dùng dựa vò trí lưu vết, phân tích hành vi, thói quen họ • Phát triển theo hướng đường siêu thò, hướng dẫn đến gian hàng có khuyến giảm giá, gian hàng có sản phẩm ... thật bò hạn chế hoạt động hiệu đònh vò mục tiêu tòa nhà có nhiều vật cản tường, trần nhà tín hiệu vệ tinh bò suy yếu Các khu vực đô thò tòa nhà cao tầng vật cản làm suy yếu tín hiệu vệ tinh khiến... thử để đánh giá hiệu thuật toán đònh vò nhà - Xây dựng chương trình đònh vò nhà thiết bò di động đánh giá thuật toán thực tế o Xây dựng hệ thống đònh vò nhà laptop, điện thoại o Tiến hành thu... với môi trường bên tòa nhà, hệ thống TDoA đạt hiệu suất áp dụng vào tòa nhà lớn không gian tương đối mở, trần nhà cao Đó điều kiện để hệ thống TDoA TOA hoạt động hiệu suất cao 2.4.1.3 Receiced