Đánh giá hiệu suất các phân loại máy học cho bài toán định vị xe

Trong bài viết này, nhóm sử dụng cơ sở dữ liệu thử nghiệm được thu thập từ hệ thống mô hình đề xuất diện tích 3 m × 3 m để phân tích và đánh giá hiệu suất các phân loại máy học bằng phần mềm mô phỏng Weka. Nhóm so sánh độ chính xác lỗi định vị, tỷ lệ chính xác và tỷ lệ tái hiện. Kết quả cho thấy lỗi định vị trung bình khi áp dụng thuật toán máy học khoảng 85,4 % (hay 0,087 m) với 96 thể hiện (instances).
Nội dung trích xuất từ tài liệu:
Đánh giá hiệu suất các phân loại máy học cho bài toán định vị xe Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XIII về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR), Nha Trang, ngày 8-9/10/2020 DOI: 10.15625/vap.2020.00227 ĐÁNH GIÁ HIỆU SUẤT CÁC PHÂN LOẠI MÁY HỌC CHO BÀI TOÁN ĐỊNH VỊ XE Văn Khánh Hưng, Huỳnh Khả Tú, Nguyễn Quang Phú, Nguyễn Văn Sinh, Lý Tú Nga Khoa Công nghệ thông tin, Trường Đại học Quốc tế - Đại học Quốc gia TP. HCM cuti2668@gmail.com, hktu@hcmiu.edu.vn, nqphu@hcmiu.edu.vn, nvsinh@hcmiu.edu.vn, ltnga@hcmiu.edu.vn TÓM TẮT: Hệ thống định vị trong nhà (ILS) là một ngành kiểm tra quan trọng trong lĩnh vực nghiên cứu và phát triển. Nó đóng vai trò quan trọng của hệ thống định vị toàn cầu (GPS) cho phép định vị ngoài trời bao gồm độ chính xác. Tuy nhiên, GPS không thể dùng trong các cấu trúc nơi con người sống không có đường truyền thẳng giữa ăngten và tàu vũ trụ, dữ liệu tín hiệu bị suy hao bởi sự hấp thụ, nhiễu và tán xạ. Sự chính xác định vị xe trong nhà rất quan trọng đối với một số ứng dụng như hỗ trợ theo dõi sinh hoạt và sức khỏe con người. Các phân loại máy học (ML) có thể giảm thiểu hiệu quả sự biến đổi dữ liệu cảm biến và tiếng ồn do các điều kiện môi trường khi triển khai. Vì vậy, nhóm thiết kế và triển khai hệ thống định vị trong nhà giao tiếp qua thiết bị Zigbee dựa trên các chỉ báo cường độ tín hiệu thu để thu thập vị trí tọa độ x và y thông qua thiết kế phần mềm và hệ thống cấu trúc mạng lưới. Chiếc xe đóng một vai trò như một thiết bị và có thể di chuyển dễ dàng và kiểm tra vị trí, sự tương tác giữa slaves và master. Trong bài báo này, nhóm sử dụng cơ sở dữ liệu thử nghiệm được thu thập từ hệ thống mô hình đề xuất diện tích 3 m × 3 m để phân tích và đánh giá hiệu suất các phân loại máy học bằng phần mềm mô phỏng Weka. Nhóm so sánh độ chính xác lỗi định vị, tỷ lệ chính xác và tỷ lệ tái hiện. Kết quả cho thấy lỗi định vị trung bình khi áp dụng thuật toán máy học khoảng 85,4 % (hay 0,087 m) với 96 thể hiện (instances). Từ khóa: MQTT, Zigbee, zigbee2mqtt, các phân loại máy học, định vị trong nhà. I. GIỚI THIỆU Hệ thống định vị trong nhà (ILS) là cơ chế định vị được thiết kế hoạt động định vị môi trường trong nhà. Các thiết bị này được sử dụng trong các ngành điều tra khác nhau có dùng mạng WiFi hoặc Bluetooth. Tuy nhiên, do chi phí lớn hoặc khoảng cách tín hiệu kém [1] dẫn đến hiệu quả trong dự đoán lỗi của các giải pháp này không tốt. Với sự phát triển của hệ thống, nhiều ứng dụng đang xuất hiện như tiếp xúc của con người với công nghệ ở nhà, cyborg/robot được hướng dẫn, ghế lăn tự động hoặc hệ thống cứu hộ và cứu thương. Trong bài báo này, cấu trúc mạng lưới cung cấp tính linh hoạt cao được áp dụng cho hệ thống Zigbee, phương pháp đo ba cạnh (trilateration) của chỉ số cường độ tín hiệu thu được áp dụng để tính toán và định vị mục tiêu [8]. Bài viết được chia thành năm phần. Phần I, các công trình nghiên cứu về lý thuyết cơ bản, cũng như các khái niệm cơ bản của cấu trúc liên kết của Zigbee và ứng dụng máy học của XBee. Phần II tập trung vào cách thiết kế và triển khai hệ thống phần cứng. Phần III giới thiệu về mô hình hệ thống. Trong phần IV, các thí nghiệm hệ thống được đánh giá và thảo luận. Phần cuối là kết luận và định hướng nghiên cứu sắp tới. II. NGHIÊN CỨU LIÊN QUAN Trước tiên, Sugano và các cộng sự [8] đã giới thiệu một mạng cảm biến không dây dựa trên tiêu chuẩn ZigBee. Hệ thống này tự động ước tính khoảng cách giữa các nút cảm biến bằng cách đo chỉ báo cường độ tín hiệu thu [2] tại một số nút cảm biến thích hợp. Bên cạnh đó, Tariq và các cộng sự [6] đã thử nghiệm và đề xuất huấn luyện dữ liệu thu thập trên modem XBee 802.15.4, truyền các phép đo đến một nút trung tâm xử lý hậu kỳ và định vị người bằng cách áp dụng các thuật toán phân loại máy học như Random Forest, AdaBoostM1. Nghiên cứu gần đây của nhóm [10] đã giải quyết thành công số lượng hạt trung bình tối thiểu sử dụng cho tái lấy mẫu khoảng cách Kullback-Leibler (KLD) bộ lọc đa phần tử bằng cách tìm ra lỗi ràng buộc (bound error) kết hợp thuật toán máy học Support Vector Machine (SVM) bằng ngôn ngữ lập trình Python. Nhóm đã triển khai một mô hình kiến trúc để thu thập và lưu trữ giá trị lỗi của mỗi lần lặp vào cơ sở dữ liệu. Ứng dụng này được sử dụng cho huấn luyện trực tuyến. Đóng góp của nhóm bao gồm: Thứ nhất, thiết kế và triển khai xe định vị trong nhà với bốn nút cảm biến theo tiêu chuẩn Zigbee. Hệ thống này được thiết kế với chi phí giá rẻ cũng như tiêu thụ thấp, vì vậy sản phẩm có thể được coi là lựa chọn của người tiêu dùng. Hơn nữa, sản phẩm này phải là phần cứng nguồn mở và đơn giản để thiết lập và phát triển dự án. Thứ hai, thu thập các phép đo dựa vào chỉ báo chất lượng đường truyền, chỉ báo giá trị cường độ tín hiệu thu, tọa độ x và y từ bốn cảm biến được lắp đặt trong phòng diện tích 3 m × 3 m. Thứ ba, xử lý dữ liệu cảm biến ở bước thứ hai bằng cách áp dụng phần mềm Weka [7] giúp hỗ trợ lựa chọn các thuật toán máy học tối ưu nhằm đánh giá hiệu suất định vị xe. Thứ tư, phân tích hiệu suất của các thuật toán phân loại máy học về độ chính xác định vị, lỗi khoảng cách trung bình, tỷ lệ chính xác và tỷ lệ tái hiện. III. CẤU TRÚC PHẦN CỨNG Thiết kế phần cứng của sản phẩm bao gồm ba môđun: Zigbee CC2530, USB dongle và Raspberry Pi. 672 ĐÁNH GIÁ HIỆU SUẤT CÁC PHÂN LOẠI MÁY HỌC CHO BÀI TOÁN ĐỊNH VỊ XE A. Zigbee CC2530 Zigbee là một kỹ thuật theo tiêu chuẩn IEEE 802.15.4 cho các giao thức truyền thông không dây ở mức cao trên cơ sở mạng PAN (Personal Area Network). Ưu điểm phương thức này ứng dụng khi yêu cầu kết nối an toàn, tốc độ truyền dữ liệu thấp và nguồn pin có tuổi thọ cao. Hệ thống được thiết kế là môđun ZigBee ...