Tổng quan về luận án

Sự bùng nổ của các dịch vụ dựa trên vị trí (Location-Based Services - LBS) trong kỷ nguyên số đã thúc đẩy nhu cầu cấp thiết về công nghệ định vị chính xác cao trong không gian kín. Trong khi các hệ thống định vị vệ tinh toàn cầu (GNSS) như GPS (Mỹ), GLONASS (Nga), Galileo (Châu Âu) hay BDS (Trung Quốc) đạt độ chính xác cao ở môi trường ngoài trời, chúng hoàn toàn bị suy giảm hiệu năng nghiêm trọng trong nhà do hiện tượng suy hao và che chắn tín hiệu vô tuyến. Theo công trình khảo sát của Sithole và cộng sự (2016) [46], trung bình mỗi cá nhân dành từ 80% đến 90% quỹ thời gian làm việc và sinh hoạt trong nhà; đồng thời 70% thiết bị di động cùng 80% lưu lượng dữ liệu được khởi tạo và truyền nhận trong không gian kín. Xuất phát từ bối cảnh đó, luận án tiến sĩ kỹ thuật chuyên ngành Kỹ thuật Điện tử (Mã số: 9520203) của tác giả Vũ Trung Kiên, dưới sự hướng dẫn khoa học của GS. Lê Hùng Lân tại Viện Ứng dụng Công nghệ thuộc Bộ Khoa học và Công nghệ, đã tập trung nghiên cứu đề tài: "Nghiên cứu, phát triển kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi".

                KHÔNG GIAN TRONG NHÀ (INDOOR ENVIRONMENT)
               TÍN HIỆU WI-FI RSSI THỰC TẾ BỊ BIẾN DẠNG
                    GIẢI PHÁP ĐỘT PHÁ CỦA LUẬN ÁN
           THUẬT TOÁN ĐỊNH VỊ XÁC SUẤT HẬU NGHIỆM (MaP-KNN)

Theo tổng quan hệ thống của Bahl và Padmanabhan (2000) [6] cùng He và Chan (2016) [17], có tới 94,42% các công trình nghiên cứu về hệ thống định vị trong nhà (Indoor Positioning System - IPS) lựa chọn kỹ thuật dựa trên chỉ số cường độ tín hiệu nhận được (Received Signal Strength Indication - RSSI) nhờ ưu điểm không yêu cầu bổ sung phần cứng chuyên dụng trên hạ tầng mạng cục bộ không dây (WLAN) sẵn có. Tuy nhiên, khoảng trống nghiên cứu (research gap) cốt lõi tồn tại suốt hai thập kỷ qua nằm ở sự thiếu hoàn thiện trong mô hình hóa thống kê: phần lớn các nghiên cứu giả định phân bố RSSI tuân theo phân phối Gauss đơn thành phần hoặc mô hình tham số đầy đủ mà bỏ qua ba hiện tượng vật lý xảy ra đồng thời trong thực tế:

  1. Hiện tượng kiểm duyệt dữ liệu (censoring): Thiết bị thu không thể ghi nhận các giá trị RSSI thấp hơn ngưỡng nhạy thu $c$ (thường là $-100\text{ dBm}$ trên thiết bị cầm tay);
  2. Hiện tượng rớt gói tin ngẫu nhiên (dropping): Do cơ chế tiết kiệm năng lượng của điểm truy cập (Access Point - AP), tràn hàng đợi hoặc suy hao đột biến từ vật cản chuyển động;
  3. Hiện tượng đa thành phần Gauss (Gaussian Mixture Model - GMM): Do can thiệp đa đường và sự biến đổi hình học của môi trường xung quanh (đóng/mở cửa, hướng người che chắn).

Để giải quyết triệt để khoảng trống này, luận án thiết lập ba câu hỏi nghiên cứu và ba giả thuyết khoa học tương ứng:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để ước lượng chính xác các tham số phân bố hỗn hợp Gauss khi tập dữ liệu RSSI bị khuyết thiếu đồng thời bởi hai cơ chế censoring và dropping?
  • Câu hỏi nghiên cứu 2 (RQ2): Tiêu chuẩn thông tin nào cho phép xác định tối ưu số lượng thành phần Gauss $J$ trong mô hình GMM mở rộng mà không làm gia tăng độ phức tạp tính toán?
  • Câu hỏi nghiên cứu 3 (RQ3): Thuật toán định vị trực tuyến nào tối ưu hóa được sai số định vị Euclid và thời gian xử lý khi kết hợp cơ sở dữ liệu vân tay xác suất với dữ liệu đo trực tiếp bị khuyết?
  • Giả thuyết khoa học 1 (H1): Thuật toán cực đại hóa kỳ vọng tích hợp biến tiềm ẩn cho dữ liệu bị kiểm duyệt và rớt mạng (EM-CD-GMM) sẽ đạt sai số toàn phương trung bình (MSE) và khoảng cách Kullback-Leibler (KLD) nhỏ hơn đáng kể so với các thuật toán EM truyền thống.
  • Giả thuyết khoa học 2 (H2): Hàm phạt mở rộng của tiêu chuẩn thông tin Bayes (PFBIC-CD) kết hợp hàm đặc trưng (SWRLCF) cho phép ước lượng chính xác số thành phần $J$ với xác suất trên 90% trong điều kiện mất dữ liệu trên 40%.
  • Giả thuyết khoa học 3 (H3): Giải pháp định vị cực đại xác suất hậu nghiệm (MaP) xây dựng trên mô hình EM-CD-GMM-PFBIC-CD giúp giảm sai số định vị trung bình xuống dưới 2,5m, vượt trội hơn ít nhất 25% so với phương pháp tất định và phi tham số.

Khung lý thuyết của công trình được xây dựng vững chắc trên nền tảng lý thuyết hỗn hợp hữu hạn (Finite Mixture Models), thuật toán Expectation-Maximization (Dempster, Laird & Rubin, 1977), lý thuyết thông tin Bayes (Schwarz, 1978; Akaike, 1974) và lý thuyết quyết định Bayes (Bayesian Decision Theory). Nghiên cứu giới hạn phạm vi trong không gian 2D cho đối tượng tĩnh, sử dụng chuẩn WLAN IEEE 802.11b/g/n, thiết bị phát Linksys E2000 (công suất $17\text{ dBm}$), quy mô thực nghiệm 400 mẫu huấn luyện tại mỗi điểm tham chiếu (Reference Point - RP), kiểm chứng qua 1000 lượt mô phỏng Monte Carlo và 100 lượt thử nghiệm thực địa.

Literature Review và Positioning

Nghiên cứu định vị trong nhà sử dụng tín hiệu vô tuyến đã trải qua bốn luồng tiến hóa công nghệ chủ đạo:

               TIẾN TRÌNH PHÁT TRIỂN CỦA CÁC KỸ THUẬT ĐỊNH VỊ

Trong dòng nghiên cứu về dấu vân tay xác suất (P-RSSIF-IPT), một cuộc tranh luận học thuật sâu sắc đã diễn ra giữa hai trường phái:

  • Trường phái phi tham số (Non-parametric): Đại diện bởi Roos và cộng sự (2002), Xiang và cộng sự (2004), Kaemarungsi và Krishnamurthy (2004) [25]. Nhóm tác giả này sử dụng biểu đồ tần suất (histogram) hoặc hàm hạt nhân (KDE) với lập luận rằng phương pháp này phản ánh trung thực mọi hình thái phân bố tín hiệu mà không áp đặt định kiến phân phối. Tuy nhiên, nhược điểm chí mạng là đòi hỏi dung lượng lưu trữ cơ sở dữ liệu cực lớn, chi phí tính toán cao và vấp phải "bẫy xác suất không" ($P_{off}(s) \cdot P_{on}(s) = 0$) khi dữ liệu đo trực tuyến chứa giá trị chưa từng xuất hiện trong pha huấn luyện.
  • Trường phái tham số (Parametric): Khởi xướng bởi Youssef và Agrawala (2005) [58] với hệ thống Horus, mô hình hóa RSSI bằng phân phối chuẩn đơn lẻ. Hướng tiếp cận này nén dữ liệu thành các bộ tham số $(\mu, \sigma^2)$, giúp loại bỏ bẫy xác suất và tăng tốc độ tính toán. Dẫu vậy, các khảo sát thực nghiệm của Chintalapudi và cộng sự (2010) cùng Altintas và Serif (2012) [4] đã bác bỏ giả định chuẩn đơn, chứng minh rằng sự di chuyển của con người (với 70% cơ thể là nước gây hấp thụ sóng vô tuyến) và sự đóng/mở của các cửa ngăn tạo nên phân bố đa đỉnh rõ rệt (đa thành phần Gauss).

Mặc dù GMM đã được Altintas và Serif (2012) [4] cùng Taheri và cộng sự (2015) [49] ứng dụng để mô tả phân bố đa đỉnh, các công trình quốc tế này đều hoạt động dựa trên giả định phi thực tế rằng toàn bộ tập dữ liệu đều được quan sát trọn vẹn. Ngược lại, các công trình của Fang và cộng sự (2008) [25] hay biến thể EM của Youssef (2005) có xét đến việc mất dữ liệu nhưng chỉ dừng lại ở phân phối chuẩn đơn thành phần. Luận án của Vũ Trung Kiên đã định vị chính xác điểm giao thoa chưa từng được giải quyết: tổng quát hóa không gian phân bố tín hiệu thành 8 phân lớp hình thái (từ Gauss đơn quan sát đầy đủ đến GMM chịu tác động đồng thời của censoring và dropping), thiết lập bước tiến đột phá cho lĩnh vực định vị vô tuyến.

So sánh với hai hệ thống chuẩn mực quốc tế:

  1. Hệ thống RADAR (Microsoft Research Asia - Bahl & Padmanabhan, 2000) [6]: RADAR đạt sai số trung bình $3,5\text{m}$ trong điều kiện tĩnh bằng giải pháp D-RSSIF-IPT kết hợp KNN. Luận án đã vượt qua RADAR bằng cách tiếp cận xác suất, giảm sai số xuống dưới $2,5\text{m}$ trong môi trường biến động phức tạp.
  2. Hệ thống Horus (Đại học Maryland - Youssef & Agrawala, 2005) [58]: Horus đạt sai số $2,1\text{m}$ nhưng hoàn toàn mất tính ổn định khi xuất hiện hiện tượng rớt mạng ngẫu nhiên và đa đường mạnh. Luận án khắc phục triệt để điểm yếu này nhờ thuật toán ước lượng tham số vững trước dữ liệu khuyết.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước chuyển đổi hệ hình (paradigm shift) trong lý thuyết xử lý tín hiệu thống kê ứng dụng cho mạng không dây:

                  CHUYỂN ĐỔI HỆ HÌNH MÔ HÌNH HÓA RSSI
  1. Mở rộng lý thuyết Cực đại hóa Kỳ vọng (Expectation-Maximization Theory): Phát triển hệ phương trình EM-CD-GMM hoàn chỉnh. Luận án đã cấu trúc lại hàm hợp lý toàn phần (complete-data log-likelihood) bằng việc bổ sung đồng thời ba véc-tơ biến tiềm ẩn nhị phân: véc-tơ thành phần Gauss $\boldsymbol{\Delta} = {\delta_{nj}}$, véc-tơ kiểm duyệt $\mathbf{z} = {z_n}$ và véc-tơ rớt tín hiệu $\mathbf{d} = {d_n}$. Bằng cách giải tích hóa kỳ vọng có điều kiện qua hàm lỗi (error function $\text{erf}$) và hàm lỗi bù (complementary error function $\text{erfc}$), thuật toán đảm bảo sự hội tụ đơn điệu của chuỗi tham số trọng số $w_j$, kỳ vọng $\mu_j$, phương sai $\sigma_j^2$ và xác suất rớt mạng $\beta$.
  2. Mở rộng Tiêu chuẩn Thông tin Bayes (BIC Extension): Xây dựng thành công hàm phạt $\text{PF}_{\text{BIC-CD}}$ cho bài toán lựa chọn bậc mô hình (model selection). Việc chứng minh sự phụ thuộc phi tuyến của hàm phạt vào tỷ lệ dữ liệu quan sát được đã ngăn chặn triệt để hiện tượng ước lượng thừa (over-fitting) hoặc thiếu (under-fitting) số thành phần Gauss $J$.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất liên ngành giữa ba trụ cột toán học:

  • Lý thuyết Ước lượng Thống kê: Xác lập không gian mẫu đầy đủ $\mathbf{y} = {y_n}$ và không gian mẫu quan sát không đầy đủ $\mathbf{x} = {x_n}$ dưới tác động của ngưỡng cắt nhạy thu $c$ và biến ngẫu nhiên Bernoulli thể hiện dropping với tham số $\beta$.
  • Lý thuyết Thông tin & Hàm đặc trưng: Tích hợp thuật toán SWRLCF (Sum of Weighted Real parts of all Log-Characteristic Functions) nhằm sàng lọc nhanh không gian tìm kiếm số thành phần $J \in [1, J_{max}]$, sau đó tinh chỉnh bằng $\text{PF}_{\text{BIC-CD}}$.
  • Lý thuyết Ra quyết định Hậu nghiệm (Bayesian Inference): Thiết lập giải thuật MaP trực tuyến tích hợp cơ chế bù trừ xác suất cho các tín hiệu bị mất, tối ưu hóa qua khoảng cách không gian có trọng số.

Điều kiện biên của khung phân tích: Mức thu tín hiệu nằm trong khoảng $[-100\text{ dBm}, -30\text{ dBm}]$, số thành phần Gauss tối đa $J_{max} \le 5$, tổng trọng số các nhánh thỏa mãn $\sum_{j=1}^J w_j = 1$ và $w_j > 0$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu quán triệt thế giới quan Thực chứng Phê phán (Critical Realism), kết hợp chặt chẽ giữa suy diễn toán học hình thức và quy nạp thực nghiệm đa tầng:

  • Tầng 1 (Toán giải tích thuần túy): Thiết lập hàm mục tiêu, dẫn xuất đạo hàm riêng ma trận Hesse và chứng minh điều kiện hội tụ của các thuật toán EM-C-G, EM-D-GMM, EM-C-GMM và EM-CD-GMM.
  • Tầng 2 (Mô phỏng Monte Carlo đa tham số): Thiết lập trên môi trường MATLAB với 1000 lượt lặp độc lập cho mỗi kịch bản, khảo sát biến thiên của ngưỡng cắt $c \in {-94, -92, -90}\text{ dBm}$, xác suất rớt gói $\beta \in {0; 0,1; 0,2}$, dẫn đến tỷ lệ dữ liệu quan sát được suy giảm tương ứng từ $98%$, $82%$ xuống $59%$.
  • Tầng 3 (Thực nghiệm hiện trường): Triển khai hệ thống đo đạc thực tế tại tòa nhà Viện Ứng dụng Công nghệ và Đại học Công nghiệp Hà Nội.
                    QUY TRÌNH THỰC NGHIỆM ĐA TẦNG

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu được kiểm soát nghiêm ngặt theo giao thức chuẩn:

  • Giai đoạn Offline (Huấn luyện): Tại mỗi điểm tham chiếu (RP), phần mềm trên thiết bị di động tiến hành quét thụ động (passive scanning) liên tục $N_{off} = 400$ mẫu RSSI từ tất cả các AP khả dụng, tự động đóng gói dữ liệu dưới định dạng chuẩn hóa *.xml. Để mô hình hóa đầy đủ hiện tượng đa đỉnh, dữ liệu được thu thập cân bằng qua 4 trạng thái môi trường: (1) Cửa mở - người quay lưng về AP; (2) Cửa mở - người đối diện AP; (3) Cửa đóng - người quay lưng; (4) Cửa đóng - người đối diện.
  • Kỹ thuật đối soát chéo (Triangulation): Kết hợp đối chuẩn đa phương pháp (Analytical Derivation vs. Monte Carlo Simulation vs. Empirical Testbed), kiểm chứng chéo giữa các độ đo khoảng cách (Euclid, Bhattacharyya, Mahalanobis) và đối chiếu với các thuật toán chuẩn quốc tế.
  • Độ tin cậy và giá trị đo lường: Tiêu chuẩn hội tụ thuật toán được thiết lập chặt chẽ với ngưỡng dừng sai số $\epsilon_{EM} = 10^{-5}$ và $\epsilon_{CF} = 10^{-4}$.

Data và phân tích

Dữ liệu sau khi thu thập được xử lý tự động qua pipeline tính toán trên phần mềm MATLAB:

  • Bóc tách cấu trúc tệp *.xml, phân tách các chuỗi RSSI bị cắt cụt tại ngưỡng $c = -100\text{ dBm}$ và các mẫu bị rớt nhãn.
  • Tính toán sai số toàn phương trung bình (MSE) của các bộ tham số $(\hat{w}_j, \hat{\mu}_j, \hat{\sigma}_j^2)$ và khoảng cách phân kỳ thông tin Kullback-Leibler (KLD) giữa hàm mật độ xác suất ước lượng $\hat{p}(x)$ và phân bố gốc $p(x)$:

$$\text{KLD}(p ,||, \hat{p}) = \int_{-\infty}^{+\infty} p(x) \ln\left(\frac{p(x)}{\hat{p}(x)}\right) dx$$

  • Xây dựng đường cong phân phối tích lũy của sai số định vị $\text{CDF}(e \le d)$ với độ phân giải không gian $0,1\text{m}$, tính toán giá trị kỳ vọng sai số $DE$ và phương sai sai số $\sigma^2_{DE}$.

Phát hiện đột phá và implications

Những phát hiện then chốt

                CÁC PHÁT HIỆN ĐỘT PHÁ CỦA LUẬN ÁN
  1. Sự vượt trội của thuật toán EM-CD-GMM trong ước lượng tham số: Thử nghiệm 1000 lượt Monte Carlo chứng minh rằng khi tỷ lệ dữ liệu không quan sát được tăng cao (tỷ lệ quan sát giảm xuống $59%$ tại $c = -90\text{ dBm}, \beta = 0,2$), thuật toán EM-CD-GMM vẫn duy trì khoảng cách KLD trung bình ở mức cực thấp ($\text{KLD} < 0,05$), trong khi các thuật toán EM cổ điển và EM-C-GMM bị phân kỳ nghiêm trọng với $\text{KLD} > 0,45$.
  2. Độ chính xác xác định bậc mô hình của PFBIC-CD: Khi dữ liệu quan sát đạt $82%$ ($c = -92\text{ dBm}, \beta = 0,1$), thuật toán đề xuất đạt xác suất nhận dạng chính xác số thành phần Gauss $P(\hat{J} = J) \ge 91,4%$, tỷ lệ lệch 1 thành phần $P(|\hat{J} - J| = 1) \le 8,6%$ và tỷ lệ lệch từ 2 thành phần trở lên $P(|\hat{J} - J| \ge 2) = 0%$. Ngược lại, tiêu chuẩn AIC và BIC thông thường bị chệch hoàn toàn do tính toán sai số bậc tự do của mẫu khuyết.
  3. Cải thiện vượt bậc về độ chính xác định vị: Trong thử nghiệm thực địa 100 lần đo độc lập, thuật toán định vị MaP sử dụng cơ sở dữ liệu EM-CD-GMM-PFBIC-CD đạt sai số trung bình $DE = 1,84\text{m}$, phương sai $\sigma^2_{DE} = 0,72\text{m}^2$. Kết quả này giảm hơn $28%$ sai số so với phương pháp tất định D-RSSIF-IPT ($DE = 2,58\text{m}$) và giảm $25,5%$ so với phương pháp phi tham số dùng khoảng cách Bhattacharyya ($DE = 2,47\text{m}$).
  4. Khắc phục triệt để hiện tượng phân bố suy biến: Trong các môi trường phức tạp có sự che chắn của cơ thể người và vật cản động, mô hình 2 đến 4 thành phần Gauss ước lượng bởi EM-CD-GMM phản ánh chính xác các đỉnh phân bố thực tế tại $-92\text{ dBm}$ và $-86\text{ dBm}$ (tương ứng hai trạng thái đóng/mở cửa), loại bỏ hoàn toàn các điểm kỳ dị xác suất.
  5. Nén dữ liệu và tối ưu thời gian thực hiện ($t_{ETP}$): Thay vì phải lưu trữ hàng trăm giá trị xác suất rời rạc cho mỗi RP như phương pháp Histogram, mô hình tham số tối ưu chỉ cần lưu $3J + 1$ tham số (với $J \le 4$), giúp giảm kích thước cơ sở dữ liệu hơn $80%$ và rút ngắn thời gian tính toán định vị trực tuyến $t_{ETP}$ xuống dưới $15\text{ ms}$, đáp ứng hoàn hảo yêu cầu định vị thời gian thực.

Implications đa chiều

  • Về mặt lý thuyết: Đóng góp một công cụ toán học tổng quát cho lý thuyết thống kê suy luận trong điều kiện dữ liệu hỗn hợp bị khuyết kép (double-censored and dropped mixture data), mở ra khả năng ứng dụng rộng rãi trong các bài toán truyền thông vô tuyến.
  • Về mặt phương pháp luận: Cung cấp quy trình chuẩn hóa từ khâu thu thập mẫu, phân tích hình thái dữ liệu, ước lượng tham số vững đến định vị tối ưu, có thể tái lập trên nhiều công nghệ sóng khác.
  • Về mặt ứng dụng thực tiễn: Cho phép các kỹ sư triển khai ngay hệ thống định vị trong nhà chính xác cao trên hạ tầng Wi-Fi sẵn có của các bệnh viện, sân bay, trung tâm thương mại mà không cần đầu tư thêm bất kỳ thiết bị phần cứng bổ trợ đắt tiền nào.
  • Về mặt chính sách: Cung cấp căn cứ khoa học cho các cơ quan quản lý nhà nước ban hành tiêu chuẩn kỹ thuật quốc gia về hạ tầng định vị khẩn cấp trong nhà (E-911 indoor positioning) và phát triển đô thị thông minh.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Giới hạn không gian 2D tĩnh: Thuật toán hiện mới tập trung giải quyết bài toán định vị 2 chiều cho đối tượng tĩnh, chưa tích hợp mô hình động học để bám bắt đối tượng di chuyển liên tục trong không gian 3 chiều.
  2. Giả định tính dừng cục bộ của tham số rớt mạng: Xác suất $\beta$ được xem là đồng nhất trong khoảng thời gian lấy mẫu của một AP, chưa xét đến sự biến động thời gian thực của lưu lượng mạng WLAN diện rộng.
  3. Chi phí công sức giai đoạn Offline: Quá trình quét mẫu vân tay thủ công tại các điểm RP vẫn đòi hỏi thời gian và nhân lực ban đầu.

Các hướng phát triển nghiên cứu tiếp theo bao gồm:

  • Mở rộng thuật toán sang không gian 3D và tích hợp bộ lọc hạt (Particle Filter) hoặc Kalman mở rộng (EKF) kết hợp dữ liệu cảm biến quán tính (PDR) để định vị động mượt mà.
  • Ứng dụng học bán giám sát (semi-supervised learning) và mô hình suy giảm ma trận (matrix completion) để tự động cập nhật cơ sở dữ liệu vân tay (radio-map auto-updating) từ dữ liệu cộng đồng (crowdsourcing).
  • Nghiên cứu mở rộng mô hình cho chuẩn Wi-Fi 6/6E/7 và khai thác thông tin trạng thái kênh truyền đa chiều (Channel State Information - CSI) ở mức vật lý.

Tác động và ảnh hưởng

  • Tác động học thuật: Các công trình công bố từ luận án trên các tạp chí khoa học uy tín chuyên ngành điện tử - viễn thông đã xác lập một hướng tiếp cận mới trong mô hình hóa thống kê RSSI, ước tính tạo ra tiềm năng trích dẫn lớn trong cộng đồng nghiên cứu xử lý tín hiệu và LBS.
  • Chuyển đổi công nghiệp: Mở ra cơ hội thương mại hóa các giải pháp định vị trong nhà chi phí thấp cho các tòa nhà thông minh, nhà máy công nghiệp 4.0, quản lý kho vận (logistics) và dẫn đường tự hành cho robot phục vụ trong nhà.
  • Lợi ích kinh tế - xã hội: Tiết kiệm hàng triệu USD chi phí đầu tư hạ tầng phần cứng định vị mới cho các công trình công cộng; nâng cao hiệu quả công tác cứu hộ cứu nạn trong các thảm họa khẩn cấp (cháy nổ, động đất) nhờ khả năng định vị chính xác vị trí nạn nhân qua sóng Wi-Fi di động.

Đối tượng hưởng lợi

                         ĐỐI TƯỢNG HƯỞNG LỢI CHÍNH

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết cốt lõi nhất là việc phát triển thành công Thuật toán EM-CD-GMM, mở rộng trực tiếp lý thuyết Cực đại hóa Kỳ vọng (Expectation-Maximization) của Dempster, Laird và Rubin (1977) cho bài toán phân bố hỗn hợp Gauss đồng thời chịu sự chi phối của hai cơ chế mất mát dữ liệu: kiểm duyệt dưới ngưỡng nhạy thu $c$ (censoring) và rớt gói ngẫu nhiên (dropping). Luận án đã thiết lập hệ phương trình đóng biểu diễn kỳ vọng của các biến tiềm ẩn qua hàm lỗi $\text{erf}$ và $\text{erfc}$, giải quyết trọn vẹn sự bế tắc toán học tồn tại trong các mô hình trước đây.

2. Sự cách tân về mặt phương pháp luận so với các công trình quốc tế tiêu biểu?

So với hệ thống Horus (Youssef & Agrawala, 2005) vốn chỉ áp dụng phân phối Gauss đơn lẻ và công trình của Altintas & Serif (2012) chỉ xét GMM thuần túy không có dữ liệu khuyết, luận án đã cách tân phương pháp luận bằng quy trình hai pha tích hợp:

  • Pha 1: Lọc nhanh số thành phần Gauss qua hàm đặc trưng SWRLCF và tối ưu hóa chính xác bậc mô hình bằng hàm phạt mở rộng $\text{PF}_{\text{BIC-CD}}$.
  • Pha 2: Ước lượng đồng thời vector trọng số, kỳ vọng, phương sai và xác suất rớt mạng $\beta$. Quy trình này vừa đảm bảo tính hội tụ toán học tuyệt đối vừa giảm thiểu chi phí tính toán trực tuyến.

3. Phát hiện bất ngờ nhất về mặt số liệu thực nghiệm là gì?

Phát hiện thực nghiệm nổi bật nhất là khả năng chống chịu suy hao dữ liệu phi thường của thuật toán đề xuất: Khi tỷ lệ dữ liệu bị khuyết lên tới $41%$ (tại $c = -90\text{ dBm}, \beta = 0,2$), thuật toán EM-CD-GMM vẫn đạt xác suất nhận dạng đúng số thành phần Gauss $P(\hat{J} = J) > 85%$ và duy trì sai số định vị thực tế dưới $2\text{m}$. Trong khi đó, các mô hình tham số thông thường hoàn toàn sụp đổ với sai số vượt quá $5\text{m}$.

4. Luận án có cung cấp giao thức tái lập (Replication Protocol) hoàn chỉnh không?

Hoàn toàn có. Luận án mô tả chi tiết:

  • Cấu hình phần cứng phát sóng (Router Linksys E2000, công suất $17\text{ dBm}$);
  • Ngưỡng nhạy thu thiết bị đo ($c = -100\text{ dBm}$);
  • Cấu trúc tệp dữ liệu lưu trữ *.xml;
  • Mã giả và sơ đồ khối chi tiết của toàn bộ các thuật toán EM-CD-GMM, SWRLCF, PFBIC-CD và MaP-KNN;
  • Các ngưỡng dừng hội tụ $\epsilon_{EM} = 10^{-5}, \epsilon_{CF} = 10^{-4}$ trên nền tảng phần mềm MATLAB.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Lộ trình nghiên cứu dài hạn hướng tới việc xây dựng hệ sinh thái định vị thông minh toàn diện:

  • Giai đoạn 1 (1–3 năm): Tự động hóa cập nhật cơ sở dữ liệu Radio-map qua học máy bán giám sát và cộng đồng dữ liệu đám đông;
  • Giai đoạn 2 (4–6 năm): Hợp nhất dữ liệu đa tầng (Wi-Fi CSI, Bluetooth Low Energy 5.x, Ultra-Wideband và Cảm biến quán tính) bằng kiến trúc học sâu (Deep Learning);
  • Giai đoạn 3 (7–10 năm): Chuẩn hóa giải pháp định vị thời gian thực cho mạng di động thế hệ tiếp theo (6G LBS) phục vụ công nghiệp tự hành và thực tế ảo tăng cường (AR/VR).

Kết luận

Luận án tiến sĩ của tác giả Vũ Trung Kiên đã giải quyết trọn vẹn và triệt để bài toán nâng cao độ chính xác và tối ưu thời gian định vị trong nhà sử dụng tín hiệu Wi-Fi RSSI. Những đóng góp học thuật và thực tiễn vững chắc được đúc kết qua 5 điểm nhấn:

  1. Hệ thống hóa toàn diện: Phân loại và bao quát 8 phân lớp hình thái phân bố tín hiệu Wi-Fi RSSI trong không gian kín thực tế.
  2. Đột phá thuật toán: Xây dựng thành công thuật toán EM-CD-GMM ước lượng vững các tham số mô hình hỗn hợp Gauss khi dữ liệu bị kiểm duyệt và rớt mạng đồng thời.
  3. Tối ưu hóa mô hình: Đề xuất tiêu chuẩn PFBIC-CD kết hợp SWRLCF cho phép xác định chính xác bậc mô hình $J$, giúp giảm hơn $80%$ dung lượng lưu trữ cơ sở dữ liệu.
  4. Hiệu năng định vị thực tế: Thuật toán MaP đề xuất giúp hạ thấp sai số định vị xuống $1,6\text{m} - 2,5\text{m}$, vượt trội hơn $25%$ so với các phương pháp chuẩn quốc tế.
  5. Giá trị ứng dụng cao: Cung cấp giải pháp phần mềm độc lập, sẵn sàng triển khai trên mọi hạ tầng WLAN thương mại mà không phát sinh chi phí phần cứng.

Công trình tạo lập một bước tiến vững chắc cho nền khoa học kỹ thuật điện tử nước nhà, đóng góp thiết thực vào kho tàng tri thức quốc tế và thúc đẩy mạnh mẽ tiến trình chuyển đổi số trong hạ tầng thông tin thông minh.