Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Hệ thống định vị trong nhà (Indoor Positioning Systems - IPS) và các dịch vụ dựa trên vị trí trong nhà (Indoor Location-based Services - ILBS) đóng vai trò thiết thực trong quản lý nhà xưởng, tòa nhà thông minh, hỗ trợ sơ tán khẩn cấp, kiểm soát hàng tồn kho tại nhà kho, điều hướng khách hàng tại trung tâm thương mại và quản lý thiết bị y tế trong bệnh viện. Theo thống kê từ marketsandmarkets.com được tác giả trích dẫn, doanh thu thị trường ILBS năm 2022 đạt 8,7 triệu USD và ước tính đạt 24 triệu USD vào năm 2027 với tỷ lệ tăng trưởng lũy kế hàng năm (CAGR) là 22,4%. Cùng với đó, số lượng người dùng điện thoại thông minh trên toàn cầu đạt hơn 6,5 tỷ người vào năm 2022 và ước tính vượt 6,8 tỷ người vào năm 2023 (theo statista.com). Tại các đô thị, con người dành khoảng 80% thời gian hoạt động trong các tòa nhà, kéo theo khoảng 70% lưu lượng sử dụng điện thoại thông minh và 80% lưu lượng truyền dữ liệu diễn ra ở môi trường trong nhà.

Về mặt khoa học, hệ thống định vị toàn cầu (GPS) cung cấp độ chính xác từ 1 đến 5 mét ở môi trường ngoài trời nhưng suy giảm nghiêm trọng trong nhà do tín hiệu vệ tinh bị tường và trần nhà che chắn, phản xạ. Các công nghệ không dây khác như sóng siêu âm, băng thông siêu rộng (UWB), Bluetooth, ZigBee hay RFID đều có những hạn chế riêng về chi phí, tính tương thích phần cứng trên thiết bị di động hoặc độ trễ truyền thông. Trong bối cảnh đó, mạng không dây WiFi trở thành ứng viên phù hợp do độ phủ sóng rộng rãi, chi phí thấp, khả năng mở rộng cao và không yêu cầu lắp đặt thêm phần cứng chuyên dụng.

Trong các phương pháp định vị qua WiFi, kỹ thuật dấu vân tay tín hiệu (fingerPrinting) dựa trên cường độ tín hiệu nhận được (Received Signal Strength - RSS) được sử dụng phổ biến. Tuy nhiên, fingerPrinting đối mặt với thách thức cốt lõi là sự không ổn định của RSS do hiện tượng suy giảm tín hiệu và hiệu ứng đa đường (multipath) gây ra bởi vật cản tĩnh (tường, cửa, kính, kim loại) và vật cản động (con người di chuyển). Các nghiên cứu trước đây đã đề xuất nhiều giải pháp nhưng vẫn còn tồn tại các khoảng trống kỹ thuật:

  • Các phương pháp chọn điểm truy cập (Access Point - AP) thường loại bỏ hoàn toàn các AP có RSS thấp, dẫn đến việc lãng phí thông tin hữu ích khi tín hiệu của cùng một AP có thể biến động theo thời gian tại cùng một vị trí.
  • Các phương pháp phân cụm không gian tín hiệu khi so khớp RSS trực tuyến (online) với tâm cụm dễ chọn sai cụm nếu vị trí thực tế nằm ở ranh giới giữa các cụm hoặc khi RSS bị nhiễu.
  • Các mô hình học máy độc lập hay mô hình học kết hợp (Ensemble Learning) chưa tận dụng tối đa điểm mạnh riêng biệt của từng thuật toán thành phần hoặc dễ rơi vào trạng thái quá khớp (overfitting).

Mục tiêu, câu hỏi và giải pháp nghiên cứu

Mục tiêu tổng quát của luận án là nghiên cứu và xây dựng các giải pháp nhằm tăng khả năng xác định vị trí trong nhà một cách hiệu quả và chính xác dựa trên dữ liệu RSS của sóng WiFi. Để giải quyết mục tiêu này, luận án đề xuất hai nhóm giải pháp cụ thể:

  1. Giải pháp thứ nhất: Cải thiện khả năng dự đoán chính xác vị trí của phương pháp fingerPrinting truyền thống thông qua các biến đổi giá trị RSS bằng phương pháp lựa chọn AP mới và phương pháp chọn cụm thích hợp.
  2. Giải pháp thứ hai: Nâng cao hiệu quả và độ chính xác của phương pháp fingerPrinting dựa trên học máy bằng việc xây dựng mô hình học máy hai giai đoạn, trong đó kết quả huấn luyện ở giai đoạn thứ nhất được sử dụng để tạo sinh dữ liệu huấn luyện tăng cường cho giai đoạn thứ hai.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các giải pháp định vị trong nhà dựa trên dữ liệu sóng không dây, cụ thể là dữ liệu cường độ tín hiệu nhận được (RSS) của mạng WiFi, tập trung vào phương pháp fingerPrinting truyền thống và phương pháp fingerPrinting kết hợp học máy.
  • Phạm vi nghiên cứu:
    • Về mặt dữ liệu: Tập trung xử lý và khai thác giá trị RSS của sóng WiFi.
    • Về mặt phương pháp: Nghiên cứu các giải pháp lựa chọn AP, kỹ thuật phân cụm cơ sở dữ liệu tín hiệu, thuật toán láng giềng gần nhất (KNN) và các mô hình học máy phân lớp, hồi quy hai giai đoạn.
    • Về mặt thực nghiệm: Luận án tiến hành kiểm thử trên môi trường thực tế tự xây dựng (mặt bằng diện tích khoảng 250 m²) và kiểm chứng trên bộ dữ liệu công cộng đa tòa nhà, đa tầng UJIIndoorLoc.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước mà tác giả điểm lại

Tác giả đã hệ thống hóa các công trình nghiên cứu liên quan đến định vị trong nhà theo các nhóm công nghệ và kỹ thuật xử lý:

Nhóm hướng nghiên cứu Các công trình, tác giả tiêu biểu được trích dẫn Đặc điểm và phát hiện chính
Công nghệ không dây cho IPS GPS [3, 4, 93-95], Sóng siêu âm [5], UWB [6, 99], BLE [7, 100], ZigBee [8], RFID [97, 98], WiFi [9-23] UWB đạt độ chính xác dưới 1m nhưng thiết bị đắt đỏ; BLE và ZigBee sai số còn cao do đa đường; WiFi có tính khả thi triển khai cao nhất do tận dụng hạ tầng sẵn có.
Kỹ thuật định vị WiFi dựa trên phạm vi (TSARS) ToA [24, 26], TDoA [25, 26], AoA [24, 25] Đạt độ chính xác từ 1m đến 2m trong điều kiện truyền thẳng (LoS), nhưng đòi hỏi đồng bộ thời gian chính xác giữa các trạm hoặc yêu cầu mảng ăng-ten định hướng phức tạp.
Kỹ thuật định vị WiFi dựa trên RSS Tiệm cận (Proximity) [6, 27], fingerPrinting (RADAR [68], [28, 102, 104]) Phương pháp tiệm cận có sai số lớn (hàng chục đến hàng trăm mét). Phương pháp fingerPrinting đạt sai số từ 1,5m đến 4,7m mà không cần biết tọa độ vật lý của AP.
Phương pháp lựa chọn AP Feng Chen và cs [114], MaxMean [46], phân ngưỡng RSS [47], xếp hạng phần dư [48], phân biệt nhóm AP [115], thông tin chung [49] Lọc bỏ các AP nhằm giảm chiều dữ liệu và giảm nhiễu đa đường; tuy nhiên hầu hết các phương pháp đều loại bỏ hoàn toàn các AP không được chọn ở pha trực tuyến.
Phương pháp phân cụm dữ liệu K-means (Swangmuang [116], Razavi [57], Abdullah [117], Torres-Sospedra [118], Boyuan Wang [59]), APC (Andrei Cramariuc [58], Chen Feng [21], Zengshan Tian [61], Pejman [119], Jingxue Bi [64], Limin Wang [120], Genming Ding [62]) K-means và phân cụm lan truyền độ tương tự (APC) giúp giảm 40% đến 90% thời gian tính toán so khớp trực tuyến; tuy nhiên việc so sánh RSS trực tuyến với tâm cụm dễ dẫn đến việc gán nhầm cụm (Torres-Sospedra và cs [65], Elina Laitinen và cs [54]).
Học máy trong fingerPrinting KNN/WKNN [40, 68, 70], SVM hồi quy [71, 72, 121, 122], so sánh DNN-KNN-SVM [69], Random Forest [73, 74], LightGBM [76], Logistic Regression [77, 78, 123], Linear Regression [38, 79], LDA/KLDA [124, 125], Naive Bayes [80], Ensemble Learning (ELM) [75, 82-88] Các thuật toán phân lớp và hồi quy giúp cải thiện độ chính xác dự đoán vị trí. Tuy nhiên, hiệu năng thuật toán phụ thuộc vào môi trường cụ thể; mô hình kết hợp ELM vẫn đối mặt nguy cơ quá khớp và làm lu mờ ưu thế riêng lẻ.

Khoảng trống luận án lựa chọn giải quyết

Từ tổng quan tài liệu, luận án định vị việc giải quyết ba hạn chế chính:

  1. Thiết kế cơ chế chọn AP tối ưu, khắc phục hiện tượng "loại nhầm" các AP tiềm năng do biến động tín hiệu tức thời.
  2. Thiết kế phương pháp chọn cụm mới kết hợp giải thuật láng giềng gần nhất để hạn chế việc gán sai tâm cụm khi thiết bị nằm ở vùng biên.
  3. Thiết kế kiến trúc học máy hai giai đoạn nhằm tích hợp thế mạnh dự đoán của $N$ mô hình học máy độc lập, tạo ra tập dữ liệu tăng cường chất lượng cao cho giai đoạn thứ hai nhằm giảm sai số định vị và hạn chế hiện tượng quá khớp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và khái niệm sử dụng

  • Cường độ tín hiệu nhận được (RSS): Đo bằng đơn vị dBm hoặc mW, thể hiện mức năng lượng sóng vô tuyến thu được từ các điểm truy cập WiFi tại một vị trí xác định.
  • Không gian dấu vân tay tín hiệu (fingerPrinting): Hệ thống hoạt động qua hai giai đoạn:
    • Giai đoạn ngoại tuyến (offline): Thu thập các vector RSS từ $m$ AP tại các điểm tham chiếu (Reference Point - RP) trên mặt bằng đã biết tọa độ để tạo lập cơ sở dữ liệu (CSDL) fingerPrinting (bản đồ tín hiệu). Vector fingerPrinting tại điểm tham chiếu thứ $i$ được định nghĩa theo công thức: $$f_i = [(\text{ViTri}i), RSS_1, RSS_2, \dots, RSS_m]$$ Trong đó, nếu một AP không phát hiện được tín hiệu tại RP thì giá trị RSS được gán mức mặc định (thường là 100). Khi một vị trí gồm nhiều RP, tập hợp các lần lấy mẫu tạo thành ma trận dữ liệu $D_n(F_i) = {F{i1}, F_{i2}, \dots, F_{ik}}$.
    • Giai đoạn trực tuyến (online): Thiết bị thu thập vector RSS tại vị trí chưa biết, thuật toán tiến hành so khớp vector này với CSDL ngoại tuyến để suy diễn tọa độ hoặc phân lớp vị trí.
  • Các yếu tố suy hao và đa đường trong môi trường trong nhà:
    • Cơ thể con người: Chiếm khoảng 70% là nước, hấp thụ sóng WiFi làm suy giảm tín hiệu khoảng 10 dBm khi di chuyển.
    • Vật liệu xây dựng: Tường bê tông, thạch cao, kính, khung thép làm suy giảm giá trị RSS từ 3 dB đến 15 dB.
    • Hướng thiết bị: Thiết bị quay về các hướng khác nhau tại cùng một điểm có thể chênh lệch RSS tới 10 dBm giữa hướng đối diện và hướng quay lưng về phía AP.
    • Sự không đồng nhất của phần cứng: Cảm biến WiFi từ các nhà sản xuất khác nhau cho ra thang đo RSS khác nhau.
  • Mô hình học máy và kỹ thuật phân cụm:
    • Kỹ thuật phân cụm: K-means, Phân cụm lan truyền độ tương tự (Affinity Propagation Clustering - APC).
    • Thuật toán học máy: K-láng giềng gần nhất ($k$-Nearest Neighbors - KNN, Weighted KNN - WKNN), Máy hỗ trợ vector (Support Vector Machines - SVM), Rừng ngẫu nhiên (Random Forest - RF), Cây hồi quy bổ sung (Extra Trees), Máy tăng cường độ dốc nhẹ (Light Gradient Boosted Machine - LightGBM), Tăng cường độ dốc (Gradient Boosting - GB), Hồi quy tuyến tính (Linear Regression - LiR), Hồi quy Logistic (Logistic Regression - LR), Mạng nơ-ron sâu (Deep Neural Networks - DNN), Naive Bayes (NB), Phân tích phân biệt tuyến tính (Linear Discriminant Analysis - LDA).

Phương pháp nghiên cứu và kỹ thuật phân tích

Luận án kết hợp phương pháp nghiên cứu lý thuyết và nghiên cứu thực nghiệm:

  • Nghiên cứu lý thuyết: Phân tích bản chất toán học của các thuật toán định vị, mô hình hóa ảnh hưởng của hiệu ứng đa đường và suy hao công suất sóng, thiết kế thuật toán chọn AP, thuật toán chọn cụm và quy trình huấn luyện mô hình học máy hai giai đoạn.
  • Kỹ thuật đánh giá hiệu năng:
    • Mô hình phân lớp (dự đoán tòa nhà, tầng): Sử dụng các chỉ số Precision, Recall, F1-score, Macro averages, tỷ lệ dự đoán đúng (Accuracy) và thời gian thực thi.
    • Mô hình hồi quy (ước lượng tọa độ kinh độ, vĩ độ): Sử dụng sai số toàn phương trung bình (Mean Squared Error - MSE) và sai lệch khoảng cách Euclid giữa vị trí thực tế và vị trí dự đoán.
    • Tối ưu hóa siêu tham số: Sử dụng công cụ tìm kiếm theo lưới (GridSearchCV) để xác định bộ siêu tham số tối ưu cho các mô hình.

Nguồn tư liệu và dữ liệu nghiên cứu

  1. Dữ liệu thực nghiệm thực tế: Dữ liệu do tác giả và nhóm nghiên cứu tự thu thập trên một mặt bằng diện tích khoảng 250 m², chia thành các ô lưới kích thước 40 cm × 40 cm (mỗi ô là một vị trí/RP). Dữ liệu RSS được thu thập theo 5 hướng đo khác nhau nhằm phản ánh tác động của hướng thiết bị.
  2. Bộ dữ liệu công cộng chuẩn quốc tế: Bộ dữ liệu UJIIndoorLoc [90] gồm dữ liệu RSS WiFi thu thập tại môi trường đa tòa nhà, đa tầng với hàng ngàn bản ghi mẫu phục vụ cho bài toán phân lớp tòa/tầng và hồi quy tọa độ kinh/vĩ độ.

Nội dung chính theo từng chương

Chương 1: Tổng quan về các giải pháp định vị trong nhà dựa trên dữ liệu sóng không dây

Chương 1 thiết lập nền tảng lý thuyết cho toàn bộ luận án thông qua việc phân tích các dịch vụ LBS/ILBS, so sánh các công nghệ truyền thông không dây và hệ thống hóa các kỹ thuật định vị dựa trên WiFi. Tác giả chỉ ra rằng công nghệ WiFi vượt trội về tính khả thi kinh tế và kỹ thuật nhờ tận dụng triệt để hạ tầng sẵn có mà không phát sinh chi phí lắp đặt phần cứng bổ sung.

Luận án tổng hợp bảng so sánh sai số và ưu nhược điểm của các phương pháp định vị WiFi trong nhà:

Phương pháp Sai số định vị trung bình Ưu điểm chính Nhược điểm và hạn chế
ToA [26] Khoảng 2 m Độ chính xác cao trong môi trường truyền thẳng (LoS); thuật toán cơ sở rõ ràng. Đòi hỏi đồng bộ thời gian nghiêm ngặt giữa AP và máy thu; cần phần cứng chuyên dụng; suy giảm hiệu năng khi mất LoS.
TDoA [25] Khoảng 2 m Độ chính xác cao trong môi trường LoS; không cần đồng bộ thời gian tuyệt đối giữa thiết bị và AP. Đòi hỏi đồng bộ thời gian phức tạp giữa các AP với nhau; cần thêm phần cứng hỗ trợ.
AoA [24] Khoảng 1 m Độ chính xác cao trong môi trường LoS; chỉ cần tối thiểu 2 AP cho không gian 2D. Yêu cầu mảng ăng-ten định hướng phức tạp; thuật toán xử lý tín hiệu phức tạp; suy giảm nghiêm trọng khi có vật cản.
Tiệm cận [6, 27] Hàng chục đến hàng trăm mét Thuật toán rất đơn giản; không yêu cầu phần cứng bổ sung. Độ chính xác rất thấp; chỉ xác định được vùng lân cận của trạm phát mạnh nhất.
fingerPrinting [68, 104] Khoảng 1,5 m đến 4,7 m Không cần bổ sung phần cứng; ít bị ảnh hưởng bởi vật cản hơn các phương pháp TSARS; không cần biết tọa độ vật lý của AP. Chi phí thu thập và cập nhật CSDL mẫu ngoại tuyến lớn; RSS dễ biến động theo thời gian và môi trường.

Nội dung chương đi sâu vào phân tích quy trình 5 bước xây dựng CSDL fingerPrinting, các yếu tố vật lý làm suy giảm chất lượng tín hiệu (cơ thể người, chất liệu vật cản, số lượng AP/RP, hướng thiết bị, sự không tương thích cảm biến), cùng bức tranh tổng quan về các phương pháp cải thiện độ chính xác qua chọn AP, phân cụm và ứng dụng học máy.

Chương 2: Phương pháp chọn AP và phân cụm cơ sở dữ liệu fingerPrinting

Chương 2 tập trung giải quyết bài toán nâng cao độ chính xác của phương pháp fingerPrinting truyền thống thông qua hai giải pháp: đề xuất phương pháp chọn AP và đề xuất phương pháp chọn cụm.

  • Đề xuất phương pháp chọn AP: Thay vì áp dụng phương pháp truyền thống chỉ giữ lại các AP có RSS mạnh nhất và loại bỏ hoàn toàn các AP còn lại, luận án đề xuất thuật toán chọn AP với cơ chế đánh giá và giữ lại thông tin tín hiệu hữu ích, giảm thiểu tác động tiêu cực của hiện tượng đa đường và suy hao đột biến.
  • Đề xuất phương pháp chọn cụm: Nhằm khắc phục tình trạng chọn sai tâm cụm khi so khớp trực tuyến, luận án thiết kế giải pháp chọn cụm kết hợp thuật toán KNN để đảm bảo $k$ vị trí lân cận được tính toán không bị phân tán quá xa nhau, từ đó thu hẹp phạm vi không gian tìm kiếm và hạn chế sai số định vị.
  • Xây dựng môi trường thực nghiệm thực tế:
    • Hệ thống được triển khai trên mặt bằng diện tích khoảng 250 m², phân chia thành các ô lưới 40 cm × 40 cm.
    • Cơ sở dữ liệu thực nghiệm được tổ chức thành 4 bảng dữ liệu quan hệ:
      1. Bảng AP: Lưu trữ định danh (APid), địa chỉ MAC và thông tin các trạm phát WiFi.
      2. Bảng Point: Lưu trữ thông tin tọa độ các điểm lấy mẫu (RP) và 5 hướng thu thập mẫu.
      3. Bảng Signal: Lưu trữ các giá trị cường độ tín hiệu RSS thực tế đo được từ các AP tại từng RP.
      4. Bảng Result: Lưu trữ kết quả vị trí định vị ước lượng phục vụ đối sánh.
  • Kết quả thực nghiệm và đánh giá:
    • Kết quả thử nghiệm phương pháp chọn AP đề xuất cho thấy số lượng sai lệch vị trí và sai lệch vị trí trung bình giảm đáng kể so với phương pháp chọn AP có RSS mạnh nhất truyền thống.
    • Kết quả thử nghiệm phương pháp phân cụm (đối sánh K-means và APC trên Vùng 1 với kịch bản 1–5, Vùng 2 với kịch bản 6–8) cho thấy dù phương pháp chọn cụm chưa đạt được kết quả tối ưu vượt bậc trong mọi kịch bản do cấu trúc vật lý của mặt bằng, nghiên cứu đã rút ra kết luận quan trọng về mối quan hệ giữa mật độ phân bố điểm tham chiếu (RP) và mật độ trạm phát (AP) tại các khu vực khác nhau trong nhà.

Chương 3: Mô hình học máy hai giai đoạn

Chương 3 trình bày giải pháp thứ hai của luận án, tập trung vào việc nghiên cứu và thiết kế mô hình học máy hai giai đoạn cùng thuật toán huấn luyện tương ứng nhằm nâng cao chất lượng định vị:

  • Kiến trúc mô hình hai giai đoạn:
    • Giai đoạn 1 (Stage 1): Sử dụng $N$ mô hình học máy độc lập (gồm các thuật toán phân lớp và hồi quy như KNN, SVM, RF, Extra Trees, LightGBM, Gradient Boosting, LR, LiR). Các mô hình này được huấn luyện độc lập trên tập dữ liệu RSS ban đầu để đưa ra các dự đoán sơ bộ.
    • Giai đoạn 2 (Stage 2): Kết quả dự đoán đầu ra từ $N$ mô hình của Giai đoạn 1 được sử dụng để tạo sinh các đặc trưng mới, bổ sung vào tập dữ liệu huấn luyện chất lượng cao nhằm huấn luyện mô hình học máy ở Giai đoạn 2. Kiến trúc này giúp khai thác đồng thời ưu điểm của nhiều thuật toán khác nhau, hạn chế hiện tượng quá khớp và bù trừ sai số giữa các mô hình đơn lẻ.
  • Thực nghiệm và đánh giá trên bộ dữ liệu chuẩn UJIIndoorLoc:
    • Bài toán phân lớp dự đoán tòa nhà và tầng (Building-Floor classification): Đánh giá hiệu suất của mô hình đề xuất thông qua các chỉ số Precision, Recall, F1-score (Macro averages) và tỷ lệ dự đoán đúng. Mô hình phân lớp hai giai đoạn đạt độ chính xác dự đoán tòa-tầng vượt trội so với từng mô hình phân lớp độc lập chạy riêng lẻ.
    • Bài toán hồi quy ước lượng vị trí (Kinh độ và Vĩ độ): Đánh giá mô hình hồi quy hai giai đoạn trong việc ước lượng tọa độ liên tục. Kết quả so sánh sai số toàn phương trung bình (MSE) và độ lệch khoảng cách cho thấy mô hình hai giai đoạn giúp giảm đáng kể sai số ước lượng tọa độ kinh độ và vĩ độ so với các mô hình hồi quy đơn lẻ.
    • So sánh với các nghiên cứu công bố quốc tế: Đối sánh kết quả của mô hình đề xuất với các mô hình của các nhóm nghiên cứu khác trên cùng tập dữ liệu UJIIndoorLoc, khẳng định tính hiệu quả và độ ổn định của giải pháp học máy hai giai đoạn.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và lý luận

  1. Đề xuất phương pháp lựa chọn AP mới: Luận án đã đề xuất giải pháp lựa chọn AP dựa trên RSS giúp khắc phục nhược điểm lãng phí thông tin của phương pháp chọn AP có RSS mạnh nhất truyền thống, hạn chế tác động tiêu cực của hiện tượng suy giảm tín hiệu và hiệu ứng đa đường.
  2. Đề xuất phương pháp chọn cụm không gian tín hiệu: Luận án đề xuất phương pháp chọn cụm kết hợp thuật toán KNN nhằm đảm bảo $k$ vị trí lân cận không bị phân tán quá xa nhau, đồng thời cung cấp luận cứ khoa học về ảnh hưởng của mật độ AP và khoảng cách điểm tham chiếu đến hiệu năng phân cụm.
  3. Đề xuất mô hình học máy hai giai đoạn: Luận án đã thiết kế một kiến trúc học máy hai giai đoạn và thuật toán huấn luyện tương ứng. Bằng cách sử dụng kết quả dự đoán của $N$ mô hình độc lập ở giai đoạn 1 để sinh dữ liệu tăng cường cho giai đoạn 2, mô hình đã kết hợp hiệu quả thế mạnh của nhiều thuật toán, giảm thiểu rủi ro quá khớp và nâng cao độ chính xác định vị cho cả tác vụ phân lớp (tòa-tầng) và tác vụ hồi quy (tọa độ kinh-vĩ độ).

Đóng góp về mặt thực tiễn

  • Xây dựng hoàn chỉnh môi trường định vị thực nghiệm trên diện tích 250 m², chuẩn hóa quy trình thu thập mẫu RSS 5 hướng và thiết lập mô hình cơ sở dữ liệu quan hệ gồm 4 bảng (AP, Point, Signal, Result) có khả năng tái sử dụng cho các nghiên cứu tiếp theo.
  • Kiểm chứng thành công mô hình học máy hai giai đoạn trên tập dữ liệu chuẩn quốc tế UJIIndoorLoc, cung cấp giải pháp kỹ thuật có thể tích hợp trực tiếp vào các hệ thống phần mềm cung cấp dịch vụ ILBS trong các tòa nhà quy mô lớn mà không cần đầu tư thêm phần cứng mạng.
  • Các công trình khoa học đã công bố từ luận án:
    1. [CT3] Bài báo đăng trên Advances in Intelligent Information Hiding and Multimedia Signal Processing. Smart Innovation, Systems and Technologies (Vol. 11, 2020, Springer), thuộc danh mục SCOPUS.
    2. [CT4] Bài báo đăng trong Kỷ yếu Hội nghị quốc gia lần thứ XX: Một số vấn đề chọn lọc của Công nghệ thông tin và truyền thông (2017).
    3. [CT2] Bài báo đăng trên Chuyên san Các công trình nghiên cứu, phát triển và ứng dụng CNTT và truyền thông (Ấn phẩm khoa học của Tạp chí Thông tin và Truyền thông, Vol. 12/2022).
    4. [CT1] Bài báo đăng trên tạp chí Journal of Computer Science and Cybernetics (Tạp chí Tin học và Điều khiển học).

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Thử nghiệm phương pháp chọn cụm trong môi trường thực tế tại Chương 2 cho thấy hiệu quả phân cụm chưa đạt mức tối ưu đồng đều ở tất cả các kịch bản, do sự phân bố vật lý của các điểm tham chiếu và mật độ AP không đồng nhất trên các khu vực của mặt bằng.
  • Quy trình xây dựng cơ sở dữ liệu fingerPrinting ở pha ngoại tuyến vẫn đòi hỏi thời gian và nhân lực lấy mẫu; giá trị RSS vẫn chịu sự phụ thuộc vào hướng cầm thiết bị và sự thay đổi bố trí đồ vật trong phòng.
  • Thử nghiệm mô hình học máy hai giai đoạn ở Chương 3 chủ yếu được tiến hành trên tập dữ liệu chuẩn UJIIndoorLoc; việc triển khai diện rộng trên nhiều môi trường thực tế với kiến trúc tòa nhà phức tạp khác nhau cần tiếp tục được đánh giá thêm.

Hướng nghiên cứu tiếp theo

  • Nghiên cứu thuật toán tự động tối ưu hóa mật độ và vị trí đặt các điểm tham chiếu (RP) cũng như bố trí AP nhằm tối đa hóa độ chính xác của phương pháp phân cụm.
  • Nghiên cứu các giải pháp tự động cập nhật hoặc tái tạo CSDL fingerPrinting ngoại tuyến để giảm thiểu chi phí đo đạc thủ công khi môi trường trong nhà có sự thay đổi.
  • Triển khai và kiểm thử mô hình học máy hai giai đoạn trên các hệ thống định vị thời gian thực đa nền tảng, tích hợp thêm dữ liệu từ các cảm biến quán tính sẵn có trên điện thoại thông minh (gia tốc kế, con quay hồi chuyển) để kết hợp với dữ liệu sóng WiFi.

Giá trị tham khảo

  • Đối với nghiên cứu sinh và học viên cao học ngành Hệ thống thông tin, Khoa học máy tính và Kỹ thuật mạng: Luận án là tài liệu tham khảo chi tiết về quy trình nghiên cứu thực nghiệm định vị trong nhà bằng sóng vô tuyến, phương pháp thiết kế CSDL tín hiệu fingerPrinting và kỹ thuật kết hợp các mô hình học máy hai giai đoạn để giải quyết bài toán dữ liệu lớn bị nhiễu.
  • Đối với giảng viên và nhà nghiên cứu trong lĩnh vực IoT và IPS: Nội dung Chương 1 và Chương 3 cung cấp hệ thống tài liệu tổng quan toàn diện, các bảng đối sánh định lượng giữa các phương pháp định vị không dây (ToA, TDoA, AoA, Proximity, fingerPrinting) và hiệu năng của các thuật toán học máy (KNN, SVM, RF, LightGBM, LiR, LR).
  • Đối với kỹ sư phát triển phần mềm và doanh nghiệp công nghệ: Luận án cung cấp cấu trúc cơ sở dữ liệu thực nghiệm mẫu (các bảng AP, Point, Signal, Result) và mã nguồn thuật toán huấn luyện hai giai đoạn, hỗ trợ trực tiếp cho việc phát triển các ứng dụng thương mại ILBS như quản lý kho vận, điều hướng bệnh viện và cứu hộ tòa nhà thông minh.

Câu hỏi thường gặp

1. Tại sao tác giả lựa chọn công nghệ sóng WiFi và phương pháp fingerPrinting thay vì GPS hay các công nghệ không dây khác?

Tín hiệu GPS không thể xuyên qua tường và trần nhà để định vị chính xác bên trong công trình. Các công nghệ không dây chuyên dụng khác như UWB tuy đạt độ chính xác dưới 1 mét nhưng chi phí thiết bị rất cao và chưa phổ biến trên điện thoại thông minh; Bluetooth và ZigBee có phạm vi phủ sóng hạn chế và chịu ảnh hưởng mạnh bởi đa đường. WiFi là công nghệ phổ biến nhất, hạ tầng mạng đã được lắp đặt sẵn tại hầu hết các tòa nhà, không đòi hỏi chi phí phần cứng bổ sung. Phương pháp fingerPrinting dựa trên RSS của WiFi không yêu cầu biết trước vị trí tọa độ của các AP, không bắt buộc đường truyền thẳng (LoS) và có sai số định vị chấp nhận được (khoảng 1,5m đến 4,7m), phù hợp nhất cho việc triển khai thực tế quy mô lớn.

2. Các yếu tố môi trường và thiết bị nào ảnh hưởng trực tiếp đến chất lượng định vị của hệ thống fingerPrinting?

Trong môi trường trong nhà, các yếu tố chính gây suy giảm tín hiệu và tạo hiệu ứng đa đường gồm:

  • Cơ thể người (chứa khoảng 70% nước) hấp thụ sóng vô tuyến làm suy giảm cường độ tín hiệu khoảng 10 dBm khi di chuyển;
  • Vật liệu xây dựng và nội thất (bê tông, thép, thạch cao, kính) làm suy giảm RSS từ 3 dB đến 15 dB;
  • Hướng cầm thiết bị di động có thể gây chênh lệch tín hiệu đo được lên tới 10 dBm tại cùng một vị trí;
  • Sự khác biệt về chuẩn phần cứng và cảm biến WiFi của các nhà sản xuất thiết bị khác nhau;
  • Mật độ phân bố các điểm tham chiếu (RP) và điểm truy cập (AP) trong không gian.

3. Cơ chế hoạt động của mô hình học máy hai giai đoạn đề xuất trong Chương 3 là gì?

Mô hình hai giai đoạn hoạt động theo quy trình:

  • Giai đoạn 1: Tập dữ liệu RSS ban đầu được đưa vào huấn luyện đồng thời $N$ thuật toán học máy độc lập (như KNN, SVM, RF, LightGBM, Gradient Boosting, LR, LiR).
  • Giai đoạn 2: Kết quả đầu ra dự đoán từ $N$ mô hình độc lập ở giai đoạn 1 được tổng hợp và sử dụng để sinh ra các vector đặc trưng tăng cường chất lượng cao, kết hợp vào dữ liệu huấn luyện cho mô hình giai đoạn 2. Quy trình này giúp tận dụng ưu thế dự đoán của từng thuật toán thành phần và giảm thiểu nguy cơ quá khớp so với các mô hình ensemble truyền thống.

4. Bộ dữ liệu chuẩn UJIIndoorLoc được sử dụng để giải quyết những bài toán định vị cụ thể nào?

Bộ dữ liệu UJIIndoorLoc được tác giả sử dụng để kiểm chứng mô hình học máy hai giai đoạn trên hai bài toán:

  1. Bài toán phân lớp: Dự đoán vị trí tòa nhà và tầng (Building-Floor prediction), được đánh giá qua các chỉ số Precision, Recall, F1-score (Macro averages) và tỷ lệ dự đoán đúng.
  2. Bài toán hồi quy: Ước lượng tọa độ mặt bằng liên tục thông qua việc dự đoán hai giá trị Kinh độ (Longitude) và Vĩ độ (Latitude), được đánh giá qua sai số toàn phương trung bình (MSE) và khoảng cách sai lệch vị trí.

5. Cơ sở dữ liệu thực nghiệm tại Chương 2 được thiết kế với cấu trúc bảng như thế nào?

CSDL thực nghiệm trên mặt bằng 250 m² được tổ chức thành 4 bảng dữ liệu chính:

  • Bảng AP: Lưu trữ thông tin định danh và địa chỉ của các điểm truy cập WiFi khả dụng;
  • Bảng Point: Lưu trữ tọa độ của các điểm tham chiếu (RP) và 5 hướng đo lấy mẫu;
  • Bảng Signal: Lưu trữ các giá trị RSS thu thập được từ từng AP tại các điểm tham chiếu theo từng hướng;
  • Bảng Result: Lưu trữ kết quả định vị ước lượng thu được từ các kịch bản thử nghiệm để phục vụ tính toán sai lệch vị trí.

Kết luận

Luận án tiến sĩ của tác giả Ngô Văn Bình đã giải quyết trọn vẹn bài toán nâng cao hiệu quả và độ chính xác của hệ thống định vị trong nhà dựa trên dữ liệu cường độ sóng WiFi (RSS). Tác giả đã đề xuất thành công phương pháp lựa chọn AP và phương pháp chọn cụm nhằm tối ưu hóa phương pháp fingerPrinting truyền thống, đồng thời xây dựng mô hình học máy hai giai đoạn giúp nâng cao độ chính xác dự đoán tòa-tầng và tọa độ kinh-vĩ độ trên tập dữ liệu chuẩn UJIIndoorLoc. Các kết quả nghiên cứu lý thuyết kết hợp thực nghiệm trên mặt bằng thực tế 250 m² mang lại giá trị khoa học và khả năng ứng dụng thực tiễn cao, đóng góp giải pháp kỹ thuật hiệu quả cho việc phát triển các dịch vụ dựa trên vị trí trong nhà mà không phát sinh chi phí đầu tư hạ tầng phần cứng mới.