Hệ thống định vị trong nhà sử dụng công nghệ UWB: Các thuật toán định vị và ứng dụng

Lý do và động lực thực hiện đề tài

Cùng với sự phát triển của cuộc cách mạng công nghiệp 4.0 cũng như với sự phổ biến của các ứng dụng trong Nhà thông minh (Smart home), bài toán định vị trong nhà ngày càng trở nên quan trọng và đóng vai trò là thông tin đầu vào tiên quyết cho các thiết bị IoT khác để có thể vận hành. Với độ chính xác vượt trội hoàn toàn so với các công nghệ khác, Ultra- Wideband (UWB) giờ đây đã trở thành công nghệ then chốt giúp cho các thiết bị IoT có thể thực hiện giám sát, sàng lọc và định vị một cách đáng tin cậy, tiết kiệm năng lượng và có độ chính xác cao trong môi trường trong nhà.

Mục tiêu, giới hạn và đối tượng nghiên cứu

– Đánh giá bằng lập luận khoa học dựa trên những kiến thức chuyên ngành đã được công nhận trong các sách, giáo trình, và các bài báo khoa học. – Thu thập số liệu bằng cách lặp đi lặp lại các thử nghiệm trên hệ thống thực tế bằng cách đọc số liệu trên ứng dụng điện thoại hỗ trợ của hãng.

Ý nghĩa của đề tài

Công nghệ UWB

Các đặc tính nổi bật của UWB

Một điều đặc biệt của công nghệ này là chúng ta có thể dễ dàng chuyển đổi linh hoạt giữa tốc độ truyền dữ liệu và phạm vị hoạt động của tín hiệu, có thể đạt đến tốc tầm 100m với tốc độ truyền dữ liệu là 0.1 Mb/s. Bên cạnh đó, công nghệ UWB hoạt động ở mức tần số rộng và ít có công nghệ không dây khác hoạt động ở tần số này nên đảm bảo được khả năng ít bị can thiệp hoặc thu nhận dữ liệu bởi các thiết bị từ các công nghệ khác.

Các phép đo trong định vị

Đây là một lợi thế lớn so với các kiến trúc băng hẹp yêu cầu các bộ khuếch đại có công suất dự phòng lớn để hỗ trợ các dạng sóng điều chế cho tốc độ dữ liệu cao. Nếu chúng ta sắp xếp các phần tử ăng ten ở dạng mảng tuyến tính đồng nhất như trong hình2.4, tín hiệu nhận được trong cấu hình này có thời gian chênh lệch lsin(α)/c, trong đó: l là khoảng cách giữa các khoảng cách giữa các antena, alpha là góc và c là tốc độ ánh sáng. Theo một cách đơn giản, khoảng cách có thể được đo nếu chúng ta biết tốc độ tín hiệu truyền giữa nguồn và đích và tổng thời gian từ nguồn đến đích hoặc độ trễ thời gian truyền.

Trong đó tốc độ biểu thị tốc độ truyền tín hiệu giữa các nút, trong khi thời gian biểu thị tổng thời gian tín hiệu sử dụng trong quá trình truyền giữa máy phát và máy thu.

Các thuật toán định vị

Triangulation

Cả hai phương pháp Trilateration và Triangulation đều phụ thuộc chủ yếu vào tín hiệu được phát ra từ các nút nguồn và đích. TỔNG QUAN dễ bị ảnh hưởng bởi những tác động xung quanh từ môi trường dẫn đến sai số cao và các công thức được đưa ra hầu hết chỉ áp dụng cho trường hợp hoàn hảo nhất khi ước lượng chính xác khoảng cách. Một phương pháp khác cũng phổ biến trong định vị hiện nay với độ chính xác cao là phương pháp lấy dấu tín hiệu Fingerprint.

Các thuật toán lọc giá trị

Các mô hình định vị đã được nghiên cứu

Module UWB DWM1001C

Anchor là module sẽ được cố định tại một vị trí trong nhà và tag sẽ là module được gắn trên thiết bị hoặc người di chuyển mà chúng ta cần phải định vị. Một hệ thống định vị do Qorvo cung cấp và khuyến nghị thông thường gồm tối thiểu 4 anchor và 1 tag để có thể đưa ra kết quả định vị chính xác. • Trên ứng dụng điện thoại DRTLS được cung cấp vởi Qorvo, chúng ta có thể thấy được các thiết bị hiện có trong vùng phủ sóng của bluetooth điện.

• Cũng trong ứng dụng điện thoại này, chúng ta sẽ nhập vào vị trí của các anchor theo kích thước đã biết của căn nhà mà ta sẽ làm thực nghiệm.

Động lực và vấn đề cần được giải quyết

Để sử dụng các giải thuật machine learning, cần thu thập một tập dữ liệu huấn luyện trong đó chứa tọa độ thực tế của tag và tọa độ thu được từ hệ thống định vị trước khi áp dụng mô hình định vị. Bởi vì việc xây dựng mô hình định vị này đòi hỏi việc phải thu thập thêm dữ liệu huấn luyện nên bên cạnh yêu cầu giảm sai số, mô hình cũng phải hướng đến việc số lượng dữ liệu cần thu thập thêm càng thấp càng tốt. Từ đó đưa đến yêu cầu mô hình phải hỗ trợ giảm được sai số ở những vị trí không có hoặc cách xa so với các vị trí có sẵn trong tập dữ liệu huấn luyện.

Mô hình định vị sử dụng kNN

Do đó, để xây dựng mô hình này, chúng ta cần xác định số lượng lân cận k, vị trí của các điểm dữ liệu huấn luận và khoảng cách giữa chúng.

Mô hình định vị sử dụng ANN kết hợp LSTM

XÂY DỰNG MÔ HÌNH ĐỊNH VỊ Tuy nhiên với kích thước lớn của tập dữ liệu huấn luyện cũng như số lượng lớn các lớp cũng như các nơ-ron trong từng lớp, mức độ ảnh hưởng của dữ liệu đầu vào đến dữ liệu đầu ra của mạng ANN sẽ giảm dần cho các nơ-ron trong mạng này hoàn toàn không lưu trữ giá trị trước đó mà nó đã nhận được và xử lý. Sử dụng mạng ANN kết hợp mạng LSTM (Long short term memory) có thể giải quyết được vấn đề này [8]. LSTM là một kiến trúc mạng RNN được thiết kế để xử lý các chuỗi dữ liệu có độ dài lớn và khó khăn trong việc giữ lại thông tin lâu dài.

Lớp dropout này sẽ loại bỏ ngẫu nhiên kết nối từ một vài nơ-ron của lớp LSTM được truyền đến lớp kế tiếp nó.

Các trường hợp hiện thực và đánh giá

Kết quả thu được từ module UWB DWM1001C là tọa độ của Tag mà module này định vị được dưới dạng dạng (xi, yi). Kết hợp với tọa độ thực tế của Tag đã biết trước dưới dạng (Xi, Yi), chúng ta sẽ xây dựng giải thuật định vị. Tiêu chí đánh giá của một hệ thống định vị dựa trên sai số của kết quả định vị được.

Đầu ra của các lần thử nghiệm tại mỗi vị trí sẽ được so sánh với vị trí trên thực tế.

Thực nghiệm trong trường hợp LOS

Lấy dữ liệu huấn luyện và kiểm tra

HIỆN THỰC VÀ ĐÁNH GIÁ (III) Chỉ có 1 kết nối NLOS giữa tag và anchor. : Tọa độ thực tế của Tag đã biết : Tọa độ của Tag thu được từ module. Tập dữ liệu 4 cũng có bước lấy dữ liệu là 10 cm, nhưng đường di chuyển khác hoàn toàn so với 3 trường hợp trên.

Kiểm tra mô hình sử dụng giải thuật kNN

HIỆN THỰC VÀ ĐÁNH GIÁ Như vậy, khi số lượng lân cận k tăng dần thì sai số đạt được giảm dần, nhưng kể từ khi k = 10 thì sai số thu được giảm đi không đáng kể. HIỆN THỰC VÀ ĐÁNH GIÁ Trong trường hợp này, khi số lượng lân cận k đạt đến 34 thì sai số mới bắt đầu giảm và k càng tăng thì sai số càng giảm. • Trong trường hợp các điểm định vị khác với các điểm đã có trong tập dữ liệu huấn luận, mô hình sử dụng kNN cũng có tác dụng làm giảm sai số.

Tuy nhiên số lượng lân cận k cần thiết rất lớn nhưng hiệu quả giảm sai số không cao (giảm được 3,7 % khi sử dụng 50-NN).

Thực nghiệm trong trường hợp NLOS

Lấy dữ liệu huấn luyện và kiểm tra

Vị trí thực tế và kết quả định vị từ module sẽ được lấy trong các trường hợp được trình bày dưới đây. Tập dữ liệu này sẽ được sử dụng để huấn luyện mô hình trong cả 2 trường hợp LOS và NLOS. Tập dữ liệu này được sử dụng để đánh giá mô hình theo mục tiêu (III).

Tập dữ liệu này được sử dụng để đánh giá mô hình theo mục tiêu (IV).

Mô hình sử dụng giải thuật kNN

Chúng ta dùng tập dữ liệu 1 để huấn luyện và dùng tập dữ liệu 3 để kiểm thử.