Mô hình định vị trong nhà sử dụng BLE iBeacon và mạng nơ ron nhân tạo

Bài viết trình bày đề xuất mô hình hệ thống định vị trong nhà dựa trên công nghệ Bluetooth Low Energy (BLE) và mạng Nơ-ron nhân tạo, triển khai hoạt động trên thiết bị BLE iBeacon, cùng với mạch Raspberry Pi 3. Hệ thống sẽ sử dụng phương pháp Fingerprinting để xây dựng một cơ sở dữ liệu từ cường độ tín hiệu đo được từ các iBeacon, và xử lý qua một mạng Nơ-ron nhân tạo để dự đoán vị trí của Raspberry Pi 3.
Nội dung trích xuất từ tài liệu:
Mô hình định vị trong nhà sử dụng BLE iBeacon và mạng nơ ron nhân tạo Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Mô Hình Định Vị Trong Nhà Sử Dụng BLE iBeacon Và Mạng Nơ-Ron Nhân Tạo Nguyễn Việt Hưng, Nguyễn Thành Phúc, Lê Tất Thắng, Đinh Thị Thái Mai Khoa Điện tử viễn thông Đại học Công nghệ, Đại học Quốc gia Hà Nội Email: {18020606, 18021007, 18021155, dttmai}@vnu.edu.vn Abstract— Trong thời gian gần đây, sự phát triển của Do đặc điểm kỹ thuật của RSS FP, các thuật toán tự động hóa, robot tự hành, IoT,… kéo theo yêu cầu về học máy thường được sử dụng để phân tích cơ sở dữ định vị vị trí trong nhà tăng vọt. Các hệ thống định liệu vị trí RSS và đưa ra kết quả dự đoán. Đã có rất vị trong nhà phải đáp ứng được các tiêu chí về giá thành, nhiều cá nhân, các nhóm nghiên cứu ứng dụng các kỹ năng lượng tiêu thụ, cũng như khả năng triển khai trên các thiết bị nhỏ, di động. Trong bài báo này, chúng tôi đề thuật học máy khác nhau vào RSS FP như K-nearest xuất mô hình hệ thống định vị trong nhà dựa trên neighbors, K-mean, Neural Network,... Các kỹ thuật công nghệ Bluetooth Low Energy (BLE) và mạng Nơ-ron học máy có đặc điểm riêng, tạo ra sai số ước lượng vị nhân tạo, triển khai hoạt động trên thiết bị BLE iBeacon, trí đích khác nhau. Vì vậy, cần có sự kết hợp các phương cùng với mạch Raspberry Pi 3. Hệ thống sẽ sử dụng pháp khác để giảm sai số khi đo RSS, giảm lưu lượng phương pháp Fingerprinting để xây dựng một cơ sở dữ thông tin,... nhằm tăng tốc độ tính toán, giảm chi phí và liệu từ cường độ tín hiệu đo được từ các iBeacon, và xử lý tăng sự chính xác. qua một mạng Nơ-ron nhân tạo để dự đoán vị trí của Vấn đề của RSS FP cũng như các phương pháp định Raspberry Pi 3. Thử nghiệm thực tế cho thấy kết quả định vị khác là giá trị đầu vào (RSS) thu được trong giai đoạn vị vị trí thực tế đạt sai số trung bình là 1.16m. trực tuyến có ảnh hưởng trực tiếp đến kết quả tính toán, Keywords- Định vị trong nhà, BLE, iBeacon, và cơ sở dữ liệu của RSS FP là lớn nhưng không phải Neural network, Raspberry Pi, Fingerprinting. tất cả dữ liệu thu được trong quá trình thực nghiệm đều hữu ích trong quá trình huấn luyện và suy luận cho các mô hình học máy. Nhóm nghiên cứu trong [1] xây dựng I. GIỚI THIỆU hệ thống định vị dựa trên Important Access Point (IAP), Ngày nay, nhu cầu về dịch vụ định vị ngày càng tăng, kết hợp thuật toán học máy K-nearest neighbors, với độ được ứng dụng trong rất nhiều lĩnh vực hiện tại và cả chính xác thử nghiệm là 85%. Một đề xuất khác sử dụng trong tương lai như: Robotic (vệ sinh, chăm sóc y tế,..), kỹ thuật Fingerprinting dựa trên mạng WLAN. Trong xe tự hành, dò tìm đường, tìm vật thể... Mỗi lĩnh vực cần giai đoạn ngoại tuyến, các khu vực định vị được phân hệ thống định vị phù hợp theo môi trường ứng dụng. Với nhóm bằng lọc fuzzy C-mean, chọn ra các điểm truy cập môi trường ngoài trời, có một số kỹ thuật định vị phổ hữu ích nhằm giảm kích thước của cơ sở dữ liệu FP. biến: Định vị toàn cầu GPS, kỹ thuật định vị Trong giai đoạn trực tuyến, giải thuật Neural Network sử dụng tế bào Cell trong mạng di động,...Tuy nhiên, được chọn để ước lượng vị trí, kết hợp thuật toán “Ước với môi trường trong nhà, hầm mỏ, đường hầm,…, tính lượng khoảng cách mờ tương đối” (Relative Distance chất của vật liệu và không gian gây ảnh hưởng lớn Fuzzy Localization). Thời gian tính toán và độ chính tới các kỹ thuật nêu trên, tạo ra nhiều vấn đề về độ xác đã được cải thiện đáng kể [2]. Nhóm tác giả trong chính xác, tin cậy trong kết quả ước lượng vị trí. [3] đưa ra phương pháp định vị dự đoán vị trí dựa trên Do đó, yêu cầu về phát triển các kỹ thuật định vị dành tính xác suất của vị trí ước lượng sử dụng phương pháp riêng cho môi trường trong nhà được đặt ra. Các hệ bản địa hóa Markov, sử dụng dữ liệu thống kê của “dấu thống định vị trong nhà phổ biến nhất thường sử dụng vân tay” vị trí, để dự đoán vị trí có khả năng xảy ra nhất. công nghệ tín hiệu không dây như: Wi-Fi, Bluetooth Trong cùng môi trường trong nhà, để xử lý trường hợp Low Energy (BLE) và kết hợp kỹ thuật định vị dựa trên không gian môi trường thay đổi theo thời gian, có ngoại cường độ tín hiệu bên thu (Receiver Signal Strength vật di chuyển, nhóm nghiên cứu [4] đề xuất một thuật Indicator - RSSI). toán mới về việc điều chỉnh dữ liệu RSS FP. Các phép Trong bài báo này, chúng tôi đề xuất hệ thống đo về RSS FP ngoại tuyến theo thời gian và không gian định vị trong nhà dựa trên nền tảng kỹ thuật được thực hiện liên tục. Cơ sở dữ liệu vị trí RSS cũng RSS Fingerprinting (RSS FP), kết hợp với Neural được cập nhật mà không phải là cố định. Nhóm tác giả Network, sử dụng giao thức iBeacon Bluetooth Low trong [5] đề xuất thay vì định vị trí tại thời điểm mà định Energy (BLE), triển khai trên mạch Raspberry Pi 3 và vị quỹ đạo và mối tương quan giữa các phép đo RSS Estimote iBeacon. ...