Ứng dụng định vị được phát triển trên Iphone sử dụng Objective C bao gồm các module sau:
Module thu thập RSS từ các thiết bị AP, sử dụng hàm thư viện SOLStumbler.
Module định vị gọi webservice gửi thơng tin RSS thu thập được cho IPS Server và nhận phản hồi kết quả thơng tin vị trí.
Hình 4.12: Hệ thống định vị cài đặt trên Iphone
SOLStumbler cho phép lập trình viên trên Iphone quét và dị tìm các mạng khơng dây trong khu vực. Hiện nay SOLStumbler chỉ cĩ thể quét và xử lý các mạng khơng dây chuẩn 802.11. Trong tương lai SOLStumbler sẽ được phát triển để làm việc với Bluetooth và GSM. SOLStumbler sử dụng Framework MobileApple80211 để kết nối và điều khiển thiết bị wifi của Iphone. SOLStumbler vẫn cịn trong giai đoạn phát triển thử nghiệm, nhưng nĩ cĩ đầy đủ chức năng và khá ổn định.
4.2.3 Phương pháp đánh giá
Để đánh giá quy luật phân bố của giá trị RSS tại mỗi vị trí tham chiếu, quá trình nghiên cứu thực nghiệm sẽ đo đạc RSS tại mỗi vị trí tham chiếu trong thời
gian 10 phút, thí nghiệm được thực hiện nhiều lần và tại những thời gian khác nhau, theo các hướng đo khác nhau. Sau khi thu thập được dữ liệu RSS, sẽ tiến hành phân tích quy luật phân phối của RSS. Kết quả thí nghiệm sẽ được mơ tả trong phần đánh giá kết quả.
Đối với thí nghiệm về mối quan hệ giữa khoảng cách và sự phân bố RSS của AP, thí nghiệm được thực hiện qua các bước sau:
Thu thập RSS của AP1 tại một vị trí cách AP 1m
Thu thập RSS của AP1 tại một vị trí cách AP 4m
Thu thập RSS của AP1 tại một vị trí cách AP 6m
Thu thập RSS của AP1 tại một vị trí cách AP 10m
Lập biểu đồ so sánh sự phân bố giá trị RSS tại các vị trí
Đối với việc đánh giá sai số khoảng cách trung bình của thuật tốn K-Maximum Likelihood Constraint Tracking Neighbor, chúng ta thực hiện thí nghiệm bằng cách sử dụng thiết bị di động đi theo các vị trí tham chiếu từ 112 như trong hình 4.10 và ghi nhận lại sai số khoảng cách trong dự đốn thuật tốn định vị, chúng ta sẽ đánh giá hiệu quả thuật tốn thơng qua kết quả sai số khoảng cách trung bình của thí nghiệm
4.2.4 Đánh giá kết quả và phân tích
4.2.4.1 Kết quả về sự phân bố của RSS
Đối với nghiên cứu về đặc tính của sĩng vơ tuyến dẫn đến sự phân bố của các giá trị RSS. Sau khi thí nghiệm và thu thập dữ liệu RSS, luận văn đã thu được kết quả cho thấy rằng RSS phân bố tuân theo quy luật phân phối chuẩn. Tuy nhiên cũng cĩ một số giá trị RSS bị nhiễu, khơng tuân theo quy luật phân phối chuẩn.
Do ảnh hưởng của mơi trường trong nhà: tán xạ, phản xạ, sự suy hao tín hiệu nên giá trị RSS cũng biến đổi theo thời gian. Do đĩ chúng ta sẽ phân tích
các giá trị RSS này để hiểu rõ đặc tính của sĩng vơ tuyến và đưa ra phương pháp lọc dữ liệu nhiễu thích hợp.
Chúng ta sẽ cùng khảo sát sự biến đổi của giá trị RSS đo được tại một số vị trí tham chiếu để nắm rõ quy luật phân bố của RSS.
Hình 4.13: Biểu đồ thực nghiệm minh họa sự phân bố giá trị RSS của một AP tại vị trí cách AP 1m
Biểu đồ 4.12 cho ta thấy giá trị RSS tại một vị trí tham chiếu trong thời gian đo là 10 phút. Chúng ta dễ dàng nhìn thấy các giá trị RSS biến thiên liên tục cĩ giá trị từ -37(dbm) đến -30(dbm).
Như vậy các giá trị RSS biến đổi ngẫu nhiên theo một quy luật. Chúng ta giả định các giá trị RSS biến đổi tuân theo luật phân phối chuẩn.
Để quan sát dễ dàng hơn về tần số xuất hiện của các giá trị RSS tại vị trí này, chúng ta xem xét một biểu đồ xác suất dạng hình cột 4.13 sau:
-42 -40 -38 -36 -34 -32 -30 -28 Rss tại vị trí cách AP 1m
Hình 4.14: Biểu đồ thực nghiệm minh họa xác suất của các giá trị RSS tại vị trí cách AP 1m
Trong biểu đồ 4.13, trục tung là số lần xuất hiện của mẫu RSS và trục hồnh là giá trị của RSS theo đơn vị dbm. Dựa vào biểu đồ trên chúng ta thấy rằng tần số xuất hiện giá trị RSS của -32(dbm) là cao nhất, 92 lần trong tổng số 300 mẫu RSS được thu thập. Các mẫu RSS cĩ giá trị -37 dbm, -36 dbm cĩ tần số xuất hiện rất thấp.Xác suất giá trị RSS là -37(dbm) xuất hiện chỉ cĩ một lần, giá trị -36(dbm) chỉ xuất hiện một lần, giá trị -30(dbm) chỉ xuất hiện 2 lần. Như vậy câu hỏi đặt ra là các giá trị RSS cĩ xác suất xuất hiện thấp cĩ phải là tín hiệu bị nhiễu khơng. Điều này sẽ được giải quyết trong phần lọc nhiễu dựa trên kiến thức về khoảng tin cậy 95%.
Như chúng ta thấy giá trị trung bình Mean của 300 mẫu RSS thu thập tại vị trí cách AP 1m là -32,77dbm. Chúng ta đưa ra giả định rằng vị trí đo càng gần AP thì giá trị trung bình Mean của tập mẫu RSS sẽ càng lớn. Vị trí tham chiếu càng xa AP thì giá trị trung bình của tập mẫu RSS thu thập được sẽ càng nhỏ. Chúng ta sẽ khảo sát thêm một tập mẫu RSS thu thập tại vị trí cách xa AP 10m để kiểm chứng giả định này.
1 1 23 56 86 92 39 2 0 10 20 30 40 50 60 70 80 90 100 -37 -36 -35 -34 -33 -32 -31 -30 Mean: -32.77 Standard deviation:1.1908
Hình 4.15: Biểu đồ thực nghiệm minh họa sự phân bố giá trị RSS của một AP tại vị trí cách AP 10m
Biểu đồ 4.14 cho ta thấy giá trị RSS tại một vị trí tham chiếu trong thời gian đo là 10 phút. Chúng ta dễ dàng nhìn thấy các giá trị RSS biến thiên liên tục cĩ giá trị từ -65(dbm) đến -57(dbm). Dựa trên biểu đồ chúng ta cũng cĩ thể ước lượng được giá trị RSS trung bình của tập mẫu RSS thu thập tại vị trí cách AP 10m này nhỏ hơn giá trị trung bình của tập mẫu RSS thu thập tại vị trí cách AP 1m.
Để thấy rõ giá trị trung bình giá trị RSS trung bình của tập mẫu RSS thu thập tại vị trí cách AP 10m này chính xác là bao nhiêu, ta sẽ khảo sát biểu đồ xác suất dạng cột hình 4.15. -66 -64 -62 -60 -58 -56 -54 -52 Rss tại vị trí cách AP 10m
Hình 4.16: Biểu đồ thực nghiệm minh họa xác suất của các giá trị RSS tại vị trí cách AP 10m
Trong biểu đồ 4.15, trục tung là số lần xuất hiện của mẫu RSS và trục hồnh là giá trị của RSS theo đơn vị dbm. Dựa vào biểu đồ trên chúng ta thấy rằng tần số xuất hiện giá trị RSS của -60(dbm) là cao nhất, 155 lần trong tổng số 300 mẫu RSS được thu thập. Các mẫu RSS cĩ giátrị -65 dbm, -57 dbm cĩ tần số xuất hiện rất thấp.
Như vậy từ biểu đồ, chúng ta thấy giá trị trung bình của tập mẫu RSS tại vị trí cách AP 10m là -60,37. Điều này đã chứng minh rằng giá trị trung bình của tập mẫu RSS sẽ giảm khi khoảng cách giữa vị trí tham chiếu (vị trí đo) và AP càng xa.
Quan sát kỹ hơn, ta nhận thấy biểu đồ 4.15 cĩ dạng hình chuơng, đây là một đặc trưng của phân phối chuẩn. Ngồi giá trị trung bình của 300 mẫu RSS là
-60.37, biểu đồ cịn cho ta thấy độ lệch chuẩn của tập mẫu RSS là 1.2642.
4 7 11 18 54 155 44 5 2 0 20 40 60 80 100 120 140 160 180 -65 -64 -63 -62 -61 -60 -59 -58 -57 Mean: -60.37 Standard deviation:1.2642
4.2.4.2 Kết quả về mối quan hệ giữa khoảng cách và giá trị RSS
Theo như phân tích đặc trưng của sĩng vơ tuyến trong chương 3, giá trị RSS của sĩng vơ tuyến càng lớn khi vị trí đo gần với AP và càng nhỏ nếu vị trí đo càng xa so với AP. Chúng ta sẽ xét biểu đồ sĩng RSS của AP1 tại các vị trí 1, 6, 9, 12 qua hình 4.16:
Hình 4.17: Biểu đồ thực nghiệm RSS của AP1 tại các vị trí 1,6,9,12
Khảo sát biểu đồ 4.16 ta thấy rằng vị trí đặt AP1 là phù hợp nên các giá trị RSS đo tại các vị trí ở 4 khu vực khác nhau tách biệt nhau, các giá trị cường độ tín hiệu tuy cĩ dao động tăng giảm nhưng khơng chồng lấp lên nhau. Tương tự đối với các AP2, AP3, AP4 cũng đã được đặt tại các vị trí thích hợp để thỏa mãn tiêu chí bao phủ sĩng tồn bộ tầng 1 và các giá trị sĩng RSS của các vị trí tham chiếu đo tại các khu vực khác nhau là tách biệt nhau.
-65 -60 -55 -50 -45 -40 -35 -30
RSS của AP1 tại các vị trí
Chúng ta cĩ thể thấy rằng giữa RSS và khoảng cách khoảng cách từ AP đến vị trí đo sĩng RSS cĩ mối liên hệ với nhau thơng qua hàm khoảng cách theo mơ hình RSS Path Loss đã đề cập ở chương 2.
Hình 4.18: Biểu đồ mối quan hệ giữa RSS và khoảng cách
Khảo sát hình 4.17 chúng ta thấy rằng giá trị RSS trung bình là hàm tuyến tính, giá trị RSS cĩ khuynh hướng giảm khi khoảng cách đo đạc càng xa AP.
4.2.4.3 Kết quả sai số khoảng cách trong dự báo vị trí của các thuật tốn định vị
Chúng ta sử dụng laptop và thiết bị điện thoại di động Iphone để thử nghiệm độ chính xác trong dự báo vị trí người dùng của các thuật tốn định vị K- Nearest Neighbor, K-Maximum Likelihood Neighbor, K-Maximum Likelihood Constraint Tracking Neighbor.
-65 -60 -55 -50 -45 -40 -35 -30 1.25 1.3 2.8 3 3.87 5.16 6.45 7.31 9.46 9.55 10.32 11.18 R SS tru n g b ình ( d b m) Khoảng cách (m)
Để thực hiện thí nghiệm, ta sử dụng một laptop hoặc Iphone và di chuyển qua các vị trí tham chiếu từ 112 như trong hình 4.1, tại mỗi vị trí chúng ta sẽ dự báo nhiều lần và sẽ tính trung bình tọa độ của các vị trí dự đốn tại mỗi điểm tham chiếu.
Biểu đồ 4.18 sẽ cho ta thấy đường đi thật sự của người dùng và đường đi mà thuật tốn K-Nearest Neigbor dự báo.
Hình 4.19:Biểu đồ thực nghiệm minh họa sai số khoảng cách trong dự báo sử
dụng thuật tốn K-Nearest Neighbor
Với thuật tốn K-Nearest Neighbor sai số khoảng cách trung bình trong các lần dự báo là 1,11m. Thuật tốn K- Nearest Neighbor cĩ ưu điểm là đơn giản dễ cài đặt, tuy nhiên nĩ cĩ nhược điểm là khĩ xác định hệ số K tối ưu để thuật tốn chạy tốt nhất (hệ số K do người lập trình tự chỉ định).
Chúng ta sẽ tiếp tục thực nghiệm quá trình định vị với sử dụng thuật tốn dựa trên xác suất K-Maximum Likelihood Neighbor. Hình 4.19 sẽ cho chúng ta thấy kết quả sai số khoảng cách trong dự báo của thuật tốn này.
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 8 7 9 10 11 12 0 0.5 1 1.5 2 2.5 3 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Tọ a độ Y (m ) Tọa độ X (m)
So sánh vị trí thật và vị trí dự báo (K-Nearest Neighbor)
Hình 4.20: Biểu đồ thực nghiệm minh họa sai số khoảng cách trong dự báo sử
dụng thuật tốn K-Maximum Likelihood Neighbor
Với thuật tốn K-Maximum Likelihood Neighbor sai số khoảng cách trung bình trong các lần dự báo là 0.98m. Đây là thuật tốn dựa trên xác suất, sử dụng quy tắc Bayes để xác định vị trí của người dùng. Như vậy chúng ta thấy rằng thuật tốn K-Maximum Likelihood Neighbor cĩ sai số khoảng cách trung bình trong dự báo vị trí người dùng nhỏ hơn thuật tốn K-Nearest Neighbor (0.98m < 1.1m).
Tuy nhiên thuật tốn K-Maximum Likelihood Neighbor chưa tận dụng thơng tin vị trí của người dùng trong quá khứ để xác định vị trí người dùng ở hiện tại. Chúng ta hãy cùng xem xét hiệu suất của thuật tốn cải tiến K-Maximum Likelihood Constraint Tracking Neighbor.
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 11 10 9 12 0 0.5 1 1.5 2 2.5 3 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Tọ a độ Y (m ) Tọa độ X (m)
So sánh vị trí thật và vị trí dự báo(K-Maximum Likelihood Neighbor)
Hình 4.21: Biểu đồ thực nghiệm minh họa sai số khoảng cách trong dự báo sử
dụng thuật tốn K-Maximum Likelihood Constraint Tracking Neighbor
Hình 4.20 là kết quả của quá trình thực nghiệm định vị, các ơ vuơng màu xanh là vị trí thật mà người dùng di chuyển đến, các chấm trịn màu đỏ là vị trí dự báo mà thuật tốn định vị K-Maximum Likelihood Constraint Tracking Neighbor tính tốn được tại 12 vị trí với sai số khoảng cách trung bình là 0.91m.
Thuật tốn cải tiến K-Maximum Likelihood Constraint Tracking Neighbor sử dụng thơng tin trạng thái vị trí của K vị trí cĩ khả năng nhất tại thời điểm trước đĩ của người dùng để ràng buộc K vị trí cĩ khả năng nhất của người dùng ở hiện tại. Nhờ điều kiện ràng buộc giả định về giới hạn khoảng cách mà người dùng cĩ thể di chuyển trong khoảng thời gian ngắn mà thuật tốn cải tiến đã giảm được sai số khoảng cách trong dự báo vị trí người dùng.
Tuy nhiên biểu đồ 4.20 chưa thể hiện chi tiết kết quả sai số khoảng cách trong việc dự báo vị trí của người dùng. Để thể hiện kết quả sai số của dự báo, chúng ta sẽ sử dụng biểu đồ 4.21 để thấy rõ sai số trung bình trong dự báo khoảng cách tại các vị trí với khoảng tin cậy là 95%.
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 8 7 9 10 12 11 0 0.5 1 1.5 2 2.5 3 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 Tọ a độ Y (m ) Tọa độ X (m) So sánh vị trí thật và vị trí dự báo (KMLCTN) Vị trí thật Dự báo
Hình 4.22: Biểu đồ thực nghiệm minh họa sai số khoảng cách trong dự báo sử
dụng thuật tốn KMLCTN tại các vị trí (khoảng tin cậy 95%)
Dựa vào biểu đồ 4.21, sai số trung bình khoảng cách khi tại định vị tại mỗi điểm từ 0.3m đến 1.6m. Tuy nhiên kết quả sai số khoảng cách của dư báo này sẽ lớn hơn khi triển khai trong thực tế ở nhưng mơi trường cĩ diện tích lớn hơn như trong siêu thị, nhà sách hay sân trường …
Tuy nhiên giải pháp Fingerprint cĩ nhược điểm là trong giai đoạn huấn luyện địi hỏi người triển khai phải thu thập dữ liệu sĩng RSS tại nhiều điểm tham chiếu trong tịa nhà, nếu số lượng điểm tham chiếu này ít (chưa đủ bao phủ hết tồn nhà) thì sẽ làm thuật tốn định vị thiếu chính xác. Chúng ta sẽ khảo sát quá trình định vị của hệ thống để biết được sai số khoảng cách trong khi định vị tại vị trí ngồi vùng bao phủ của các điểm tham chiếu.
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 vt1 vt2 vt3 vt4 vt5 vt6 vt7 vt8 vt9 vt1 vt11 vt12
Hình 4.23: Minh họa bản đồ khi vị trí người dùng nằm ngồi vùng bao phủ của các điểm tham chiếu
Chấm trịn màu đỏ trong hình 4.22 là vị trí thật của người dùng, chúng ta thấy rằng vị trí này nằm ngồi vùng bao phủ của các điểm tham chiếu. Kết quảsai số trung bình trong quá trình định vị khi người dùng xuất hiện tại vị trí này là 1.99m. Sai số dự báo trung bình dao động từ 1.97m – 2.01m với khoảng tin cậy là 95%.
Kết quả cho ta thấy rằng khi người dùng xuất hiện ở các vị trí các xa các điểm tham chiếu thì sai số dự báo càng cao. Để khắc phục nhược điểm này, địi hỏi khi triển khai thu thập RSS cần tăng số lượng điểm tham chiếu phủ khắp tịa nhà.
Tiếp theo chúng ta sẽ khảo sát thêm tiêu chí sai số dự báo max/min để