Định vị robot di động trong nhà dựa trên tín hiệu WiFi

Bài báo trình bày một số kết quả nghiên cứu về việc định vị robot di động trong nhà dựa trên tín hiệu WiFi. Phương pháp định vị sử dụng nhận dạng dấu hiệu cường độ tín hiệu WiFi so với cơ sở dữ liệu ban đầu (Finger Printing). Với không gian định vị là hành lang thẳng dài 20m, hai thuật toán được sử dụng trong định vị là cực tiểu hóa khoảng cách Euclide và học máy SVM với độ chính xác tương ứng đạt được là 6, 33cm và 13, 21cm với tỷ lệ thành công 27,5%.

Định vị robot di động nhà dựa tín hiệu WiFi Đỗ Hải Sơn, Trần Đức Mạnh, Trần Thị Thúy Quỳnh Faculty of Electronics and Telecommunications, VNU University of Engineering and Technology, Hanoi, Vietnam Email: dohaison1998@gmail.com, quynhttt@vnu.edu.vn Tóm tắt nội dung—Định vị toán quan trọng robot di động Bài báo trình bày số kết nghiên cứu việc định vị robot di động nhà dựa tín hiệu WiFi Phương pháp định vị sử dụng nhận dạng dấu hiệu cường độ tín hiệu WiFi so với sở liệu ban đầu (Finger Printing) Với không gian định vị hành lang thẳng dài 20m, hai thuật toán sử dụng định vị cực tiểu hóa khoảng cách Euclide học máy SVM với độ xác tương ứng đạt 6, 33cm 13, 21cm với tỷ lệ thành cơng 27,5% Từ khóa chính– Định vị nhà, robot di động, khoảng cách Euclide, SVM I GIỚI THIỆU Robot di động kỹ thuật quan trọng phát triển cách mạng công nghiệp 4.0 Trong đó, thách thức hàng đầu robot di động khả xác định vị trí Hệ thống định vị dùng rộng rãi hệ thống GPS (Global Positioning System), hệ thống sử dụng cho ứng dụng nhà tín hiệu bị suy yếu khơng có tia nhìn thẳng [1] Hầu hết hệ thống định vị nhà IPS (Indoor Positioning System) ngày dựa tín hiệu RF (Radio Frequency), ánh sáng, sóng siêu âm [2] Mỗi loại tín hiệu có điểm mạnh điểm yếu định Đối với robot di động, hệ thống định vị đại dựa việc nhận dạng dấu hiệu (đồ vật, ký hiệu, ) đo khoảng cách tới dấu hiệu LiDAR (Light Detection and Ranging) hệ thống dựa camera với độ xác vài cm khoảng cách di chuyển vài chục m [2] Tuy nhiên, kỹ thuật có độ phức tạp tính tốn lớn độ nhạy với ánh sáng loại dấu hiệu khác cao [2] Trong đó, WiFi hệ thống WLAN phủ sóng rộng rãi tịa nhà (cả công sở nhà dân) Việc phát triển hệ thống IPS dựa tín hiệu WiFi nhận quan tâm nhiều nhà nghiên cứu với ưu điểm không cần xây dựng hệ thống hạ tầng, thiết bị cầm tay hầu hết tích hợp thu WiFi Các kỹ thuật định vị dựa tín hiệu WiFi gồm: xác định khoảng cách máy thu điểm truy cập, xác định góc thời gian tới tín hiệu, Finger Printing Trong ba phương pháp trên, nhóm nghiên cứu lựa chọn phương pháp sau khơng địi hỏi tín hiệu có tia nhìn thẳng, khơng cần thay đổi hạ tầng sẵn có tòa nhà (việc sử dụng kỹ thuật xác định hướng/thời gian sóng tới thực với modem hệ mới) Finger Printing phương pháp xác định vị trí dựa việc so sánh dấu hiệu với dấu hiệu có sẵn sở liệu Vì vậy, có hai vấn đề cần quan tâm nghiên cứu phương pháp là: 1) Xây dựng đồ vô tuyến tốn nhiều công sức cần cập nhật liên tục môi trường vô tuyến biến động lớn; 2) Phương pháp nhận dạng dấu hiệu phải thực thời gian thực Nghiên cứu thực việc đánh giá khả áp dụng IPS sử dụng phương pháp Finger Printing dựa tín hiệu WiFi vào robot di động Thực nghiệm tiến hành hành lang dài 20m với thuật tốn cực tiểu hóa khoảng cách Euclide truyền thống học máy SVM nhận dạng vị trí cần xác định so với sở liệu ban đầu Cụ thể nội dung nghiên cứu gồm: phần giới thiệu việc thu thập liệu để xây dựng đồ vô tuyến, phần trình bày kỹ thuật nhận dạng vị trí, phần đưa kết thực nghiệm thảo luận, cuối phần kết luận II XÂY DỰNG BẢN ĐỒ VƠ TUYẾN 2.1 Mơ tả thực nghiệm Trong robot di động, bên cạnh việc xác định vị trí, vấn đề xây dựng đồ đồng thời đặt ra, hệ thống gọi SLAM (Simultaneous Localization and Mapping) Đây vấn đề phức tạp robot vừa phải định vị, vừa phải thu thập đồ Tổng quan hệ thống SLAM chi tiết [3] Tuy nhiên, để đơn giản, đồ vô tuyến thực nghiệm báo xây dựng dựa việc biết trước quỹ đạo di chuyển đường thẳng dọc hành lang bên trái hình Hình Hành lang xây dựng đồ vơ tuyến Ngồi ra, hình 1, quan sát điểm truy cập WiFi đánh dấu từ A đến Z, đó, 53 điểm A, B, C gần quỹ đạo di chuyển điểm D, E, F Robot di động nhóm nghiên cứu xây dựng biểu diễn hình Robot sử dụng thiết kế đơn giản với motor điện chiều, L298N để điều khiển motor Module NODEMCU 1.0 chipset ESP8266EX dùng để đo RSSI, gửi nhận liệu lên server, đồng thời tích hợp vi xử lý giúp xử lý số liệu, cuối cấp xung điều khiển L298N Ngồi phận 04 motor mơ tơ chiều, 01 mô đun điều khiển tốc độ động LN298, 01 cảm biến dò đường 01 mơ đun xử lý tín hiệu Arduino uno R3 để điều khiển việc di chuyển robot dọc hành lang (đường màu đen), phận quan trọng lại NodeMCU 1.0 chipset ESP8266EX chứa phận thu tín hiệu WiFi hoạt động băng tần 2.4 GHz hỗ trợ chuẩn 802.11 b/g/n lập trình dễ dàng qua Arduino IDE Trong robot di chuyển, liệu thu thập liên tục theo lưu đồ hình lưu vào thẻ nhớ SD Reader server bảng I Chúng ta nhận thấy tín hiệu RSSI thu điểm truy cập (APs - Access Points) A, B, C gần vùng dịch chuyển robot lớn điểm D, E, F xa vùng dịch chuyển Hình STT Time 15:31:14 15:31:16 15:31:19 15:31:21 15:31:24 15:31:26 15:31:29 15:31:31 15:31:34 RSSI A RSSI B RSSI C RSSI D RSSI E RSSI F -78 -78 -79 -79 -79 -79 -79 -79 -79 -64 -64 -63 -62 -60 -67 -61 -59 -64 -86 -86 -86 -86 -86 -86 -86 -86 -86 -89 -89 -89 -89 -89 -89 -89 -89 -89 -82 -82 -84 -85 -85 -85 -85 -84 -79 dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm dBm Lưu đồ thu thập liệu RSSI 2.2 Xây dựng đồ vô tuyến Bản đồ vô tuyến sở liệu quan trọng phương pháp Figure Printing để robot di động xác định vị trí Việc định vị xác cường độ RSSI có sai khác đáng kể điểm đồ, đồng thời giá trị vị trí cần ổn định theo thời gian Nhóm nghiên cứu thực đo đạc liệu để xây dựng đồ vô tuyến ngày với liệu thu điểm truy cập A biểu diễn hình Mặc dù thăng giáng ngẫu nhiên, liệu ngày tập trung Dữ liệu sau thu thập liên tục tách thành 20 nhóm gần tương ứng với 20 vị trí lấy trung bình theo ngày (trong 01 tuần) Để kiểm tra tính ổn định liệu vị trí theo thời gian, nhóm nghiên cứu thực đo đạc lấy trung bình thêm hai khoảng thời gian (2 tuần) Kết thu thập biểu diễn hình theo tuần khác Chúng ta nhận thấy nhóm tín hiệu điểm truy cập theo tuần gần Giá trị trung bình độ lệch chuẩn RSSI theo vị trí, ứng với điểm truy cập A, B, F biểu diễn hình Từ đây, thấy rằng: vị trí, trung bình RSSI điểm truy cập khác độ lệch chuẩn khơng khác nhiều Đây lý trung bình RSSI sử dụng đồ vô tuyến để dùng cho mục đích nhận dạng vị trí Ngồi ra, điểm truy cập cho kết khơng khác nhiều điểm không sử dụng nghiên cứu Bản đồ vơ tuyến hồn chỉnh với điểm truy cập biểu diễn hình biểu diễn 3D số điểm truy cập hình Robot di động thu thập cường độ tín hiệu WiFi -73 -72 -67 -66 -66 -76 -72 -67 -63 Hình dBm dBm dBm dBm dBm dBm dBm dBm dBm Bảng I BẢNG DỮ LIỆU RSSI Với quãng đường 20m thời gian robot di chuyển để thu thập liệu phút Với tốc độ này, robot thu thập 120 mẫu quãng đường 20m tốc độ đọc RSSI (Received Signal Strength Indicator) NodeMCU chậm, khoảng giây/mẫu 54 Hình RSSI điểm truy cập ngày đo Hình Giá trị trung bình RSSI theo tuần Hình Hình Giá trị trung bình độ lệch chuẩn RSSI hình Bản đồ vơ tuyến 3D biệt RSSI vị trí, APs sử dụng Cơng thức để xác định vị trí dựa phương pháp cực tiểu hóa khoảng cách Euclide [4]: x ˆ = argminxi (ri − d(xi ))2 (1) i=1 với x ˆ, ri , d(xi ) vị trí cần ước lượng, tín hiệu RSSI trung bình nhận được, tín hiệu RSSI trung bình sở liệu Hình 3.2 Phương pháp học máy SVM Bản đồ vô tuyến APs Phương pháp học máy SVM (Support Vector Machine) [5] thuật toán phân lớp phổ biến Phương pháp gồm bước: III THUẬT TỐN XÁC ĐỊNH VỊ TRÍ ROBOT DỰA TRÊN TÍN HIỆU W I F I Phần báo thực so sánh khả nhận dạng tín hiệu WiFi vị trí robot Hai phương pháp nhận dạng đặc trưng cho phương pháp nhận dạng truyền thống đại thường dùng phổ biến là: phương pháp cực tiểu hóa khoảng cách Euclide [4] phương pháp học máy SVM (Support Vector Machine) Trên thực tế, độ xác phương pháp xác định vị trí dựa dấu hiệu nhận dạng dựa hai yếu tố: 1) Dấu hiệu khác biệt vị trí khác nhau; 2) Bản đồ vơ tuyến ổn định theo thời gian Tuy nhiên, phân tích phần II, tín hiệu WiFi tín hiệu ngẫu nhiên, chịu ảnh hưởng nhiều môi trường xung quanh, cần tìm đặc trưng khơng (ít) thay đổi theo thời gian tín hiệu 3.1 Phương pháp cực tiểu hóa khoảng cách Euclide Phương pháp dựa đồ vơ tuyến có RSSI trung bình ổn định theo thời gian Ngồi ra, để tăng khác • • Bước 1: Xây dựng mơ hình đặc trưng tập liệu dựa việc tập huấn tập liệu dán nhãn sẵn Bước 2: Xác định vị trí dựa nét tương đồng liệu kiểm thử với mơ hình liệu Để phân loại nhiều vị trí, báo áp dụng thuật toán học máy nhiều lớp Multi-Class SVM [6] Thuật toán kết hợp SVM mạng Neural đề cho phân lớp tốt Khác với phương pháp phần 3.1 (mỗi vị trí đặc trưng giá trị RSSI lấy trung bình từ mẫu), SVM sử dụng tồn mẫu vị trí làm đặc trưng cho vị trí IV KẾT QUẢ THỰC NGHIỆM VÀ THẢO LUẬN Phần trình bày kết thực nghiệm hệ thống với ứng dụng Android để theo dõi/đặt vị trí đích robot lưu đồ 55 thuật toán điều khiển robot biểu diễn tương ứng hình hình 10 Để đơn giản, robot giới hạn chạy đường thẳng cho trước (vạch màu đen) dọc hành lang 20m cần dừng lại điểm cắm cờ Hai phương pháp định vị mô tả phần 3.1 3.2 áp dụng, cờ đích thay đổi vị trí để phân tích hiệu hệ thống Dữ liệu RSSI APs thu thập vòng 01 tháng ngày khác nhau, ngày thu thập 20 lần, lần đo khoảng 120 mẫu Dữ liệu sử dụng để xây dựng đồ vô tuyến sử dụng thuật toán cực tiểu khoảng cách Euclide tập huấn để xác định mơ hình thuật tốn SVM Với phương pháp cực tiểu hóa khoảng cách Euclide: robot liên tục thu thập RSSI, tính giá trị trung bình mẫu so sánh với liệu đồ vô tuyến theo công thức (1) Trong thực nghiệm, liệu đồ vô tuyến nhỏ nên không cần sử dụng máy chủ để lưu trữ xử lý mà với module tích hợp chip xử lý đủ để thực việc định vị điều khiển xe theo đích đến cho trước Hình Giao diện ứng dụng Với phương pháp SVM: thực Visual Studio Code, ngôn ngữ Python Dữ liệu pha xây dựng sở liệu đưa vào huấn luyện máy tính để thu mơ hình liệu Trong pha xác định vị trí, máy tính cập nhật liệu RSSI từ máy chủ (do NodeMCU gửi lên) đưa qua mơ hình liệu để xác định vị trí, sau gửi vị trí lên máy chủ, robot lấy thơng tin vị trí từ máy chủ để định vị trí đích hay khơng (robot dừng lại đích cần đến) Máy chủ lưu trữ liệu chọn FireBase Google, loại dễ sử dụng thuận tiện nhiều ngôn ngữ tảng khác như: Java, Python, C#, ứng dụng cho Android, iOS, Windows, Web Ngồi ra, robot lập trình dừng lại đến cuối hành lang (trường hợp robot khơng xác định đích cần đến) 4.1 Kết thực nghiệm Hình 10 Kết thực nghiệm biểu diễn bảng II đánh giá hai tham số: • • Số lần robot khơng xác định vị trí (đi thẳng - khơng dừng) Sai số trung bình trường hợp robot xác định vị trí (robot dừng) • 4.2 Thảo luận Từ số liệu biểu diễn bảng II bảng III ta có số nhận xét sau: • Đối với phương pháp Euclide, vị trí 1, 3, 14 vị trí • 56 Lưu đồ điều khiển xe robot đặc biệt có số lần robot khơng xác định vị trí lớn (7 lần) phương pháp SVM vị trí 3, 4, 14 (10 lần) Điều việc đo kiểm sở liệu chưa xác điểm Số lần khơng xác định vị trí robot sử dụng thuật toán SVM nhiều hẳn so với sử dụng thuật toán cực tiểu khoảng cách Euclide (38, 5% so với 71%) Điều liệu huấn luyện chưa đủ Xét lần robot xác định vị trí, sai số trung bình hai phương pháp nhỏ 0, 5m Vị Số lần khơng xác định vị trí V KẾT LUẬN Sai số với trung tâm (cm) trí Euclide SVM Euclide SVM 50.00 42.00 37.14 48.33 10 56.67 _ 10 47.14 _ 37.50 56.67 47.50 30.00 50.00 _ 28.89 41.67 _ 35.00 71.42 10 38.75 50.00 11 53.75 30.00 12 28.75 86.00 13 32.50 50.00 14 10 70.00 _ 15 _ 53.00 50.00 16 26.67 50.00 17 47.78 58.00 18 96.00 37.14 19 37.50 36.67 20 48.89 72.00 Bài báo trình bày nghiên cứu khả sử dụng tín hiệu WiFi để xác định vị trí cho robot di động đơn giản (robot có phần thu phát WiFi điểu khiển chuyển động) Khác với số công bố khác, nghiên cứu thực việc thu thập liệu liên tục suốt trình robot di chuyển để xây dựng sở liệu xác định vị trí Điều tạo khó khăn việc tăng độ xác hệ thống lại vấn đề thực tiễn cần phải thực Kết nghiên cứu rằng, kỹ thuật đại SVM cho kết định vị không tốt phương pháp truyền thống dựa cực tiểu hóa khoảng cách Euclide (khả xác định vị trí robot phương pháp SVM 38, 5% phương pháp lại 71%) Với phương pháp Euclide, sai số lần robot xác định vị trí nhỏ 0, 5m TÀI LIỆU [1] D A Ali Khalajmehrabadi, Nikolaos Gatsis, “Modern WLAN Fingerprinting Indoor Positioning Methods and Deployment Challenges,” IEEE Communications Surveys & Tutorials, vol 19, no 3, pp 1974–2002, 2017 [2] D M Payam Nazemzadeh, Daniele Fontanelli and L Palopoli, “Indoor Localization of Mobile Robots through QR Code Detection and Dead Reckoning Data Fusion,” IEEE/ASME Transactions on Mechatronics, vol 22, no 6, pp 2588–2599, 2017 [3] H C Cesar Cadena, Luca Carlone, Y Latif, D Scaramuzza, J Neira, I Reid, and J J Leonard, “Past, Present, and Future of Simultaneous Localization And Mapping: Towards the Robust-Perception Age,” IEEE Transactions on Robotics, vol 32, no 6, pp 1309–1332, 2016 [4] P Davidson and R Pich, “A Survey of Selected Indoor Positioning Methods for Smartphones,” IEEE Communications Surveys and Tutorials, vol 19, no 2, pp 1347–1370, 2017 [5] C M Bishop, Pattern recognition and machine learning Springer, 2006 [6] “CS231n Convolutional Neural Networks for Visual Recognition.” Bảng II KẾT QUẢ THỰC NGHIỆM (SAI SỐ TÍNH TRUNG BÌNH THEO SỐ LẦN XÁC ĐỊNH ĐƯỢC VỊ TRÍ ) Tỷ lệ thành công 1x1 2x2 Euclide SVM 27.5 % 21 % 70 % 38.5 % Độ lệch trung bình 1x1 2x2 6.33 cm 13.21 cm 46.79 cm 39.78 cm Bảng III KẾT QUẢ THỰC NGHIỆM (TÍNH TRUNG BÌNH THEO CÁC VỊ TRÍ) Như vậy, phương pháp định vị robot di động dựa tín hiệu WiFi khả thi thuật tốn cực tiểu hóa khoảng cách Euclide 57 ... biến Phương pháp gồm bước: III THUẬT TỐN XÁC ĐỊNH VỊ TRÍ ROBOT DỰA TRÊN TÍN HIỆU W I F I Phần báo thực so sánh khả nhận dạng tín hiệu WiFi vị trí robot Hai phương pháp nhận dạng đặc trưng cho... 72.00 Bài báo trình bày nghiên cứu khả sử dụng tín hiệu WiFi để xác định vị trí cho robot di động đơn giản (robot có phần thu phát WiFi điểu khiển chuyển động) Khác với số công bố khác, nghiên cứu... cm 46.79 cm 39.78 cm Bảng III KẾT QUẢ THỰC NGHIỆM (TÍNH TRUNG BÌNH THEO CÁC VỊ TRÍ) Như vậy, phương pháp định vị robot di động dựa tín hiệu WiFi khả thi thuật tốn cực tiểu hóa khoảng cách Euclide