Định Vị Đa Người Dùng Sử Dụng Cảm Biến Không Dây Trên Điện Thoại Thông Minh

• Tác giả: Nguyễn Văn Nam
• Người hướng dẫn: TS. Đào Trung Kiên
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Định Vị Đa Người Dùng Trên Điện Thoại Thông Minh Sử Dụng Cảm Biến Không Dây
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỊNH VỊ TRONG NHÀ
• 1.1. Giới thiệu chung
• 1.2. Các công nghệ và kỹ thuật định vị
• 1.3. Công nghệ sử dụng
• 2. CHƯƠNG 2: ĐỊNH VỊ BẰNG PHƯƠNG PHÁP DẤU VÂN TAY WI-FI
• 2.1. Cấu trúc hệ thống và các thuật toán
• 2.2. Giai đoạn huấn luyện
• 2.3. Giai đoạn định vị
• 2.4. Thuật toán K-Nearest Neighbor (KNN)
• 2.5. Thuật toán Random Forest (RF)
• 2.6. Phần mềm thu thập dữ liệu ngữ cảnh người dùng
• 2.7. Thiết kế phần mềm thu thập dữ liệu trên Android
• 2.8. Xây dựng và cài đặt
• 2.9. Kết quả thử nghiệm
• 2.10. Dữ liệu sử dụng
• 2.11. Xử lý dữ liệu
• 2.12. Xác định vị trí
• 3. CHƯƠNG 3: ĐỊNH VỊ SỬ DỤNG CẢM BIẾN QUÁN TÍNH
• 3.1. Hệ thống SHS
• 3.2. Xác định khoảng cách di chuyển
• 3.3. Xác định hướng di chuyển
• 3.4. Xác định quỹ đạo sử dụng bộ lọc hạt
• 3.5. Kết quả thử nghiệm
• 3.6. Dữ liệu sử dụng
• 3.7. Khoảng cách di chuyển
• 3.8. Hướng di chuyển
• 3.9. Quỹ đạo di chuyển
• 4. CHƯƠNG 4: KẾT HỢP KẾT QUẢ HAI PHƯƠNG PHÁP ĐỊNH VỊ
• 4.1. Hiệu chỉnh trực tiếp
• 4.2. Mô hình quan sát
• 4.3. Đánh giá kết quả
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Về Định Vị Đa Người Dùng Trên Điện Thoại 55 ký tự

Dịch vụ dựa trên vị trí (LBS) ngày càng trở nên quan trọng trong kinh tế xã hội. LBS cung cấp tiện ích dựa vào vị trí, ví dụ như tìm đường, mua sắm, đỗ xe, theo dõi người và tài sản, hay định vị trong các tòa nhà lớn. Sự phát triển của hạ tầng khiến các hệ thống định vị đa người dùng ngày càng được quan tâm. Nhiều hệ thống định vị đã trở nên phổ biến, ví dụ như hệ thống định vị toàn cầu (GPS). Tuy nhiên, GPS gặp hạn chế trong môi trường trong nhà. Trong những năm gần đây, các giải pháp và công nghệ chuyên dụng cho các hệ thống định vị trong nhà đã trở thành xu hướng mới. Điện thoại thông minh và Internet đã phổ biến, tạo điều kiện cho việc truy cập và chia sẻ thông tin dễ dàng. Do đó, việc tận dụng thông tin để xác định vị trí trở nên cần thiết.

1.1. Giới Thiệu Chung Về Hệ Thống Định Vị Trong Nhà

Hệ thống định vị trong nhà (IPS) xác định vị trí đối tượng trong môi trường trong nhà. Ứng dụng của IPS rất đa dạng: phát hiện vị trí sản phẩm trong kho, theo dõi nhân viên y tế trong bệnh viện, xác định vị trí trong trung tâm thương mại, tìm đường, và tìm kiếm thiết bị bảo trì trong nhà máy. Nhiệm vụ chính của IPS là xác định vị trí của người dùng hoặc vật thể di chuyển trong nhà. Độ chính xác của việc xác định vị trí có thể khác nhau, tùy thuộc vào công nghệ sử dụng. Các yếu tố quan trọng trong thiết kế IPS bao gồm độ ổn định, khả năng triển khai, chi phí quản lý và sự thân thiện với người dùng. "Về cơ bản, nhiệm vụ của một hệ thống định vị trong nhà là xác định vị trí của người sử dụng hoặc vật thể di chuyển trong môi trường trong nhà," (trích dẫn từ tài liệu gốc).

1.2. Các Công Nghệ Và Kỹ Thuật Định Vị Hiện Nay

Nhiều nguồn thông tin được sử dụng cho mục đích định vị, đến từ các công nghệ khác nhau. Các công nghệ này có mặt trong camera, cảm biến, thẻ nhận dạng hoặc điện thoại thông minh. Mỗi công nghệ có các thông số khác nhau như kiểu dữ liệu, thời gian cập nhật, diện tích bao phủ và nhiễu. Phương pháp trích xuất vị trí từ một công nghệ cụ thể cũng khác nhau. Dựa vào đặc tính của tín hiệu, dữ liệu dùng để xác định vị trí, các công nghệ được chia thành ba nhóm: công nghệ không dây (GPS, Wi-Fi, Bluetooth), công nghệ dựa trên cảm biến quán tính (cảm biến gia tốc, con quay hồi chuyển, cảm biến từ trường), và công nghệ dựa trên quang học (camera trong nhà, camera của điện thoại thông minh).

II. Cách Định Vị Đa Người Dùng Bằng Wi Fi Fingerprinting 59 ký tự

Định vị sử dụng công nghệ Wi-Fi dựa trên cường độ tín hiệu sóng điện từ từ các điểm truy cập Wi-Fi xung quanh. Các thông tin thu được từ điểm truy cập như SSID, MAC address được sử dụng để xác định vị trí. Độ chính xác của Wi-Fi là từ 20m đến 40m, nhưng có thể cải thiện bằng cách triển khai mạng không dây hoặc tích hợp các công nghệ khác. Theo nghiên cứu, độ chính xác có thể đạt được từ 3-5m. Ưu điểm của định vị bằng Wi-Fi bao gồm độ chính xác cao, chi phí thấp, tận dụng cơ sở hạ tầng hiện có và tính sẵn có trên thiết bị di động. Tuy nhiên, nó cũng có hạn chế như bị nhiễu sóng. Sóng Wi-Fi có thể bị ảnh hưởng bởi cấu trúc không gian, thiết bị điện tử khác và có thể bị cấm trong một số môi trường nhạy cảm.

2.1. Cấu Trúc Hệ Thống Fingerprinting và Thuật Toán

Hệ thống định vị bằng phương pháp dấu vân tay Wi-Fi (Wi-Fi fingerprinting) bao gồm hai giai đoạn chính: giai đoạn huấn luyện (offline) và giai đoạn định vị (online). Trong giai đoạn huấn luyện, hệ thống thu thập dữ liệu về cường độ tín hiệu Wi-Fi (RSSI) tại các vị trí đã biết trong khu vực định vị. Dữ liệu này được sử dụng để xây dựng bản đồ dấu vân tay Wi-Fi. Trong giai đoạn định vị, hệ thống đo cường độ tín hiệu Wi-Fi tại vị trí cần xác định và so sánh với bản đồ dấu vân tay để tìm ra vị trí tương ứng. Các thuật toán phổ biến được sử dụng trong Wi-Fi fingerprinting bao gồm K-Nearest Neighbors (KNN) và Random Forest (RF).

2.2. Thuật Toán K Nearest Neighbor KNN

Thuật toán K-Nearest Neighbors (KNN) là một thuật toán đơn giản và hiệu quả trong Wi-Fi fingerprinting. Trong giai đoạn định vị, KNN tìm K điểm trong bản đồ dấu vân tay có cường độ tín hiệu Wi-Fi gần nhất với cường độ tín hiệu Wi-Fi đo được tại vị trí cần xác định. Vị trí ước tính là trung bình của vị trí của K điểm lân cận này. Giá trị K thường được chọn bằng thực nghiệm để đạt được độ chính xác tốt nhất. KNN dễ triển khai và có hiệu suất tốt trong nhiều môi trường. Tuy nhiên, độ chính xác của KNN có thể bị ảnh hưởng bởi nhiễu và sự thay đổi trong môi trường Wi-Fi.

2.3. Thuật Toán Random Forest RF Trong Định Vị

Thuật toán Random Forest (RF) là một thuật toán học máy dựa trên cây quyết định. Trong Wi-Fi fingerprinting, RF xây dựng một tập hợp các cây quyết định, mỗi cây được huấn luyện trên một tập con ngẫu nhiên của dữ liệu huấn luyện và một tập con ngẫu nhiên của các đặc trưng (cường độ tín hiệu Wi-Fi). Trong giai đoạn định vị, RF đưa ra dự đoán vị trí bằng cách tổng hợp kết quả dự đoán của tất cả các cây trong rừng. RF có khả năng xử lý dữ liệu nhiễu tốt và có độ chính xác cao hơn KNN trong nhiều trường hợp. Tuy nhiên, RF phức tạp hơn KNN và yêu cầu nhiều tài nguyên tính toán hơn.

III. Định Vị Đa Người Dùng Sử Dụng Cảm Biến Quán Tính 58 ký tự

Công nghệ dựa trên cảm biến quán tính sử dụng cảm biến gia tốc, cảm biến con quay hồi chuyển và cảm biến từ trường. Các cảm biến này đo gia tốc, vận tốc góc và từ trường của thiết bị. Thông tin từ các cảm biến này được sử dụng để ước tính vị trí và hướng di chuyển của người dùng. Hệ thống Step Heading System (SHS) là một phương pháp phổ biến sử dụng cảm biến quán tính để định vị. SHS ước tính khoảng cách di chuyển và hướng di chuyển của người dùng dựa trên các bước chân và hướng đi. Bộ lọc hạt có thể được sử dụng để cải thiện độ chính xác của SHS bằng cách kết hợp thông tin từ cảm biến quán tính với thông tin từ các nguồn khác.

3.1. Hệ Thống Step Heading System SHS

Hệ thống SHS (Step Heading System) sử dụng cảm biến gia tốc và con quay hồi chuyển để ước tính vị trí. Cảm biến gia tốc phát hiện các bước chân, và con quay hồi chuyển đo hướng di chuyển. Việc kết hợp thông tin từ hai cảm biến này cho phép ước tính quỹ đạo di chuyển. Tuy nhiên, SHS dễ bị trôi (drift) do sai số tích lũy từ các cảm biến. Vì vậy, cần các phương pháp hiệu chỉnh để giảm sai số. Hình 3-2 trong tài liệu gốc minh họa lưu đồ hệ thống SHS.

3.2. Xác Định Khoảng Cách và Hướng Di Chuyển

Việc xác định khoảng cách di chuyển dựa trên việc phát hiện các bước chân. Cảm biến gia tốc được sử dụng để phát hiện các đỉnh và đáy trong tín hiệu gia tốc, tương ứng với các bước chân. Chiều dài bước chân có thể được ước tính dựa trên tần số bước chân. Việc xác định hướng di chuyển dựa trên thông tin từ con quay hồi chuyển. Con quay hồi chuyển đo vận tốc góc, và tích phân vận tốc góc theo thời gian cho phép ước tính góc quay. Cần hiệu chỉnh sai số của con quay hồi chuyển để đảm bảo độ chính xác.

3.3. Sử Dụng Bộ Lọc Hạt Để Xác Định Quỹ Đạo

Bộ lọc hạt (Particle Filter) là một phương pháp lọc Bayes được sử dụng để ước tính trạng thái của một hệ thống động. Trong định vị sử dụng cảm biến quán tính, bộ lọc hạt được sử dụng để ước tính quỹ đạo di chuyển của người dùng. Bộ lọc hạt duy trì một tập hợp các hạt, mỗi hạt đại diện cho một giả thuyết về vị trí và hướng di chuyển của người dùng. Bộ lọc hạt cập nhật trạng thái của các hạt dựa trên thông tin từ cảm biến quán tính và các nguồn thông tin khác. Sau mỗi bước cập nhật, bộ lọc hạt đánh giá trọng số của các hạt và loại bỏ các hạt có trọng số thấp.

IV. Kết Hợp Định Vị Wi Fi Và Cảm Biến Quán Tính 52 ký tự

Kết hợp kết quả từ hai phương pháp định vị - Wi-Fi fingerprinting và cảm biến quán tính - có thể cải thiện độ chính xác. Có hai phương pháp chính để kết hợp kết quả: hiệu chỉnh trực tiếp và mô hình quan sát. Hiệu chỉnh trực tiếp điều chỉnh quỹ đạo di chuyển của SHS dựa trên đầu ra vị trí Wi-Fi. Mô hình quan sát sử dụng bộ lọc hạt để kết hợp thông tin từ cả hai phương pháp. Đánh giá kết quả cho thấy việc kết hợp hai phương pháp mang lại độ chính xác cao hơn so với việc sử dụng riêng lẻ.

4.1. Phương Pháp Hiệu Chỉnh Trực Tiếp Quỹ Đạo

Phương pháp hiệu chỉnh trực tiếp điều chỉnh quỹ đạo di chuyển của hệ thống SHS dựa trên đầu ra vị trí Wi-Fi. Ví dụ, nếu hệ thống Wi-Fi ước tính vị trí của người dùng là (x, y), và hệ thống SHS ước tính vị trí là (x', y'), thì quỹ đạo của SHS có thể được điều chỉnh để gần hơn với vị trí (x, y). Phương pháp này đơn giản và dễ triển khai, nhưng có thể không hiệu quả trong trường hợp hệ thống Wi-Fi có sai số lớn. Hạn chế của phương pháp này được thể hiện rõ trong hình 4-2 của tài liệu gốc.

4.2. Xây Dựng Mô Hình Quan Sát Kết Hợp

Mô hình quan sát sử dụng bộ lọc hạt để kết hợp thông tin từ cả hai phương pháp. Mỗi hạt đại diện cho một giả thuyết về vị trí và hướng di chuyển của người dùng. Bộ lọc hạt cập nhật trạng thái của các hạt dựa trên thông tin từ cảm biến quán tính và thông tin vị trí từ Wi-Fi. Trọng số của các hạt được tính toán dựa trên mức độ phù hợp của các hạt với cả hai nguồn thông tin. Phương pháp này phức tạp hơn hiệu chỉnh trực tiếp, nhưng có thể mang lại độ chính xác cao hơn, đặc biệt trong môi trường có nhiều nhiễu.

4.3. Đánh Giá Kết Quả Của Phương Pháp Kết Hợp

Đánh giá kết quả của hai phương pháp kết hợp cho thấy rằng cả hai phương pháp đều cải thiện độ chính xác so với việc sử dụng riêng lẻ Wi-Fi hoặc cảm biến quán tính. Phương pháp mô hình quan sát thường cho kết quả tốt hơn so với hiệu chỉnh trực tiếp, đặc biệt trong môi trường có nhiều nhiễu. Bảng 4-1 và 4-2 trong tài liệu gốc cung cấp kết quả chi tiết về hiệu suất của các phương pháp kết hợp.

V. Ứng Dụng Và Triển Vọng Định Vị Đa Người Dùng 52 ký tự

Định vị đa người dùng sử dụng cảm biến không dây có nhiều ứng dụng tiềm năng trong các lĩnh vực khác nhau. Trong lĩnh vực thương mại, nó có thể được sử dụng để cải thiện trải nghiệm mua sắm bằng cách cung cấp thông tin về sản phẩm và khuyến mãi dựa trên vị trí của khách hàng. Trong lĩnh vực y tế, nó có thể được sử dụng để theo dõi bệnh nhân và thiết bị y tế trong bệnh viện. Trong lĩnh vực an ninh, nó có thể được sử dụng để giám sát và theo dõi nhân viên trong các khu vực hạn chế. Triển vọng phát triển của lĩnh vực này là rất lớn, với sự phát triển của các công nghệ mới như 5G và Internet of Things (IoT).

5.1. Ứng Dụng Thực Tế Của Định Vị Trong Thương Mại

Trong lĩnh vực thương mại, định vị đa người dùng có thể cung cấp thông tin về sản phẩm, khuyến mãi, và đường đi ngắn nhất đến sản phẩm mong muốn cho khách hàng. Điều này cải thiện trải nghiệm mua sắm và tăng doanh thu cho doanh nghiệp. Hệ thống cũng có thể giúp quản lý kho hàng hiệu quả hơn, giảm thiểu thời gian tìm kiếm sản phẩm và tối ưu hóa quy trình vận chuyển.

5.2. Ứng Dụng Trong Y Tế Và Chăm Sóc Sức Khỏe

Trong lĩnh vực y tế, định vị đa người dùng có thể theo dõi vị trí của bệnh nhân, nhân viên y tế và thiết bị y tế. Điều này giúp cải thiện hiệu quả làm việc của nhân viên y tế, giảm thiểu thời gian chờ đợi của bệnh nhân, và đảm bảo an toàn cho bệnh nhân. Hệ thống cũng có thể được sử dụng để quản lý tài sản y tế, ngăn ngừa mất mát và trộm cắp.

VI. Kết Luận Và Hướng Phát Triển Định Vị Tương Lai 55 ký tự

Luận văn đã trình bày nghiên cứu về định vị đa người dùng sử dụng cảm biến không dây và cảm biến quán tính trên điện thoại thông minh. Các phương pháp định vị Wi-Fi fingerprinting và SHS đã được nghiên cứu và đánh giá. Việc kết hợp hai phương pháp mang lại độ chính xác cao hơn so với việc sử dụng riêng lẻ. Hướng phát triển trong tương lai bao gồm việc nghiên cứu các thuật toán mới để cải thiện độ chính xác và độ tin cậy của hệ thống, tích hợp các công nghệ mới như 5G và IoT, và phát triển các ứng dụng mới cho các lĩnh vực khác nhau.

6.1. Tóm Tắt Kết Quả Nghiên Cứu Và Đóng Góp Mới

Nghiên cứu đã thành công trong việc xây dựng và đánh giá một hệ thống định vị trong nhà sử dụng cảm biến không dây và cảm biến quán tính trên điện thoại thông minh. Kết quả cho thấy rằng việc kết hợp hai phương pháp Wi-Fi fingerprinting và SHS mang lại độ chính xác cao hơn so với việc sử dụng riêng lẻ. Nghiên cứu cũng đã đề xuất các phương pháp hiệu chỉnh và kết hợp để cải thiện độ chính xác và độ tin cậy của hệ thống.

6.2. Hướng Nghiên Cứu Tiếp Theo Và Triển Vọng Tương Lai

Hướng nghiên cứu tiếp theo bao gồm việc nghiên cứu các thuật toán mới để cải thiện độ chính xác và độ tin cậy của hệ thống, đặc biệt trong môi trường có nhiều nhiễu. Việc tích hợp các công nghệ mới như 5G và IoT cũng là một hướng nghiên cứu tiềm năng. Cuối cùng, việc phát triển các ứng dụng mới cho các lĩnh vực khác nhau sẽ giúp hệ thống định vị này trở nên hữu ích và phổ biến hơn.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của dịch vụ dựa trên vị trí (LBS), việc xác định vị trí chính xác trong môi trường trong nhà trở thành một thách thức lớn do hạn chế của các hệ thống định vị vệ tinh như GPS. Theo ước tính, độ chính xác của GPS trong nhà chỉ đạt từ 20m đến 60m, không đủ để phục vụ các ứng dụng cần độ chính xác cao như tìm đường trong trung tâm thương mại, bệnh viện hay theo dõi thiết bị trong nhà máy. Mục tiêu của nghiên cứu là xây dựng một hệ thống định vị đa người dùng trong nhà sử dụng cảm biến không dây và cảm biến quán tính trên điện thoại thông minh, nhằm nâng cao độ chính xác và khả năng ứng dụng thực tế. Phạm vi nghiên cứu tập trung vào môi trường trong nhà, cụ thể là các tòa nhà nhiều tầng, với dữ liệu thu thập từ bộ dữ liệu IPIN 2016 tại bốn tòa nhà ở Tây Ban Nha. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện độ chính xác định vị trong nhà, hỗ trợ các dịch vụ LBS và góp phần phát triển các ứng dụng tự động hóa, an ninh và quản lý tài sản trong môi trường phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: công nghệ định vị không dây và công nghệ cảm biến quán tính. Công nghệ không dây bao gồm Wi-Fi, Bluetooth Low Energy (BLE) và các phương pháp định vị dựa trên dấu vân tay (Fingerprinting), trong đó Wi-Fi được sử dụng phổ biến nhờ cơ sở hạ tầng sẵn có và độ chính xác từ 3-5m. Công nghệ cảm biến quán tính sử dụng bộ ba cảm biến IMU gồm gia tốc kế, con quay hồi chuyển và cảm biến từ trường, áp dụng phương pháp Step Heading System (SHS) để xác định khoảng cách và hướng di chuyển của người dùng. Các khái niệm chính bao gồm:

• Fingerprinting Wi-Fi: xây dựng bản đồ tín hiệu dựa trên cường độ tín hiệu RSS từ các điểm truy cập Wi-Fi.
• Thuật toán K-Nearest Neighbor (KNN): so sánh dữ liệu thu thập với cơ sở dữ liệu để xác định vị trí gần nhất.
• Thuật toán Random Forest (RF): sử dụng mô hình cây quyết định để phân loại vị trí dựa trên dữ liệu tín hiệu.
• Step Heading System (SHS): ước tính vị trí dựa trên số bước đi và hướng di chuyển, kết hợp bộ lọc để giảm nhiễu dữ liệu cảm biến.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu IPIN 2016, Track 3, thu thập tại bốn tòa nhà nhiều tầng ở Tây Ban Nha, với tổng số 878 mẫu huấn luyện và 4 tệp dữ liệu đánh giá. Phương pháp chọn mẫu là thu thập dữ liệu thực tế từ người dùng mang điện thoại thông minh theo các quỹ đạo di chuyển đã định sẵn, sử dụng phần mềm thu thập dữ liệu trên nền tảng Android để ghi nhận tín hiệu Wi-Fi và cảm biến quán tính. Phân tích dữ liệu được thực hiện qua hai giai đoạn: giai đoạn huấn luyện xây dựng bản đồ tín hiệu Wi-Fi và giai đoạn định vị sử dụng thuật toán KNN và RF để so sánh và xác định vị trí. Thời gian thu thập dữ liệu huấn luyện là dưới 2 giờ, với quãng đường di chuyển 2640,6 mét trên 4 tầng của tòa nhà UAH. Phương pháp phân tích kết hợp học máy và xử lý tín hiệu nhằm tối ưu độ chính xác định vị. Timeline nghiên cứu kéo dài trong năm 2018, bao gồm thu thập, xử lý dữ liệu, xây dựng mô hình và thử nghiệm đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác định vị Wi-Fi: Thuật toán Random Forest đạt độ chính xác trung bình khoảng 3-5m trong môi trường trong nhà, vượt trội hơn so với KNN với sai số khoảng 6,2m trong một số trường hợp.
2. Hiệu quả cảm biến quán tính: Phương pháp SHS kết hợp bộ lọc giảm nhiễu cho phép xác định khoảng cách di chuyển với sai số tuyệt đối trung bình dưới 2m, hướng di chuyển được xác định chính xác nhờ bộ lọc Kalman và Madgwick.
3. Kết hợp đa cảm biến: Việc kết hợp dữ liệu Wi-Fi và cảm biến quán tính giúp cải thiện độ chính xác định vị, giảm sai số khoảng cách xuống dưới 1,5m trong các thử nghiệm thực tế.
4. Thời gian quét và thu thập dữ liệu: Thời gian quét trung bình là 5,25 giây, với thời gian quét dài nhất lên đến 168,5 giây, cho thấy sự ổn định trong thu thập dữ liệu và khả năng ứng dụng trong thực tế.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do tận dụng được ưu điểm của từng công nghệ: Wi-Fi cung cấp thông tin vị trí tương đối ổn định trong môi trường phức tạp, trong khi cảm biến quán tính giúp theo dõi chuyển động liên tục và chính xác. So sánh với các nghiên cứu trước đây, kết quả phù hợp với các báo cáo về độ chính xác của BLE và Wi-Fi fingerprinting, đồng thời vượt trội hơn khi kết hợp đa cảm biến. Dữ liệu có thể được trình bày qua biểu đồ sai số trung bình của từng phương pháp và bảng so sánh kết quả thử nghiệm trên các quỹ đạo di chuyển. Ý nghĩa của kết quả là mở ra hướng phát triển các hệ thống định vị trong nhà đa người dùng với độ chính xác cao, chi phí thấp và khả năng triển khai rộng rãi trên các thiết bị di động phổ biến.

Đề xuất và khuyến nghị

1. Phát triển phần mềm thu thập dữ liệu đa cảm biến: Tăng cường khả năng thu thập và xử lý dữ liệu từ Wi-Fi, cảm biến quán tính và các cảm biến bổ sung khác nhằm nâng cao độ chính xác định vị. Chủ thể thực hiện: các nhóm phát triển phần mềm, timeline 6-12 tháng.
2. Triển khai hệ thống định vị trong các tòa nhà công cộng: Áp dụng hệ thống tại trung tâm thương mại, bệnh viện để hỗ trợ tìm đường và quản lý tài sản, với mục tiêu giảm sai số định vị dưới 2m trong vòng 1 năm. Chủ thể thực hiện: các đơn vị quản lý tòa nhà, nhà cung cấp dịch vụ.
3. Nâng cao thuật toán học máy: Tối ưu hóa thuật toán Random Forest và KNN, kết hợp các bộ lọc nâng cao để giảm nhiễu và sai số, hướng tới độ chính xác dưới 1m trong 18 tháng. Chủ thể thực hiện: các nhà nghiên cứu và kỹ sư dữ liệu.
4. Xây dựng cơ sở dữ liệu tín hiệu lớn và đa dạng: Thu thập dữ liệu tại nhiều môi trường khác nhau để tăng tính tổng quát và khả năng ứng dụng của hệ thống, với kế hoạch thu thập dữ liệu liên tục trong 2 năm. Chủ thể thực hiện: các tổ chức nghiên cứu và doanh nghiệp công nghệ.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành kỹ thuật điều khiển và tự động hóa: Nắm bắt kiến thức về công nghệ định vị trong nhà, phương pháp học máy và xử lý tín hiệu cảm biến.
2. Chuyên gia phát triển ứng dụng di động và IoT: Áp dụng các giải pháp định vị đa cảm biến để phát triển ứng dụng định vị chính xác trong nhà.
3. Quản lý tòa nhà và doanh nghiệp cung cấp dịch vụ LBS: Hiểu rõ công nghệ và khả năng triển khai hệ thống định vị để nâng cao trải nghiệm người dùng và quản lý tài sản.
4. Các nhà sản xuất thiết bị cảm biến và điện thoại thông minh: Nghiên cứu tích hợp cảm biến và tối ưu phần cứng phục vụ định vị trong nhà.

Câu hỏi thường gặp

1. Hệ thống định vị trong nhà sử dụng cảm biến nào trên điện thoại?
   Hệ thống sử dụng cảm biến không dây như Wi-Fi, Bluetooth Low Energy và cảm biến quán tính gồm gia tốc kế, con quay hồi chuyển, cảm biến từ trường để xác định vị trí chính xác trong nhà.

2. Độ chính xác của phương pháp định vị này là bao nhiêu?
   Độ chính xác trung bình đạt khoảng 3-5m với Wi-Fi fingerprinting và dưới 2m khi kết hợp với cảm biến quán tính, cải thiện đáng kể so với GPS trong nhà.

3. Phương pháp học máy nào được áp dụng trong định vị?
   Thuật toán K-Nearest Neighbor và Random Forest được sử dụng để so sánh và phân loại dữ liệu tín hiệu, giúp xác định vị trí người dùng hiệu quả.

4. Làm thế nào để thu thập dữ liệu định vị trong nhà?
   Dữ liệu được thu thập qua phần mềm trên điện thoại Android, ghi nhận tín hiệu Wi-Fi và cảm biến quán tính khi người dùng di chuyển theo các quỹ đạo đã định.

5. Hệ thống có thể áp dụng cho nhiều người dùng cùng lúc không?
   Có, hệ thống được thiết kế để định vị đa người dùng, tận dụng dữ liệu cảm biến không dây và quán tính trên điện thoại thông minh, phù hợp với môi trường đông người.

Kết luận

• Nghiên cứu đã xây dựng thành công hệ thống định vị trong nhà đa người dùng sử dụng cảm biến không dây và cảm biến quán tính trên điện thoại thông minh.
• Thuật toán Random Forest và KNN được áp dụng hiệu quả trong việc xử lý dữ liệu dấu vân tay Wi-Fi, kết hợp với phương pháp SHS cho cảm biến quán tính.
• Độ chính xác định vị đạt từ 1,5m đến 5m, phù hợp với nhiều ứng dụng trong môi trường trong nhà phức tạp.
• Kết quả thử nghiệm dựa trên bộ dữ liệu thực tế IPIN 2016 tại các tòa nhà nhiều tầng cho thấy tính khả thi và hiệu quả của hệ thống.
• Các bước tiếp theo bao gồm mở rộng thu thập dữ liệu, tối ưu thuật toán và triển khai thử nghiệm thực tế tại các môi trường công cộng.

Hành động ngay: Các nhà nghiên cứu và doanh nghiệp có thể áp dụng kết quả này để phát triển các giải pháp định vị trong nhà chính xác, phục vụ đa dạng nhu cầu của người dùng hiện đại.