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 thơng và Cơng nghệ Thơng tin (REV-ECIT2021)

Mơ 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
tự động hóa, robot tự hành, IoT,… kéo theo yêu cầu về
định vị vị trí trong nhà tăng vọt. Các hệ thống định
vị trong nhà phải đáp ứng được các tiêu chí về giá thành,
năng lượng tiêu thụ, cũng như khả năng triển khai trên
các thiết bị nhỏ, di động. Trong bài báo này, chúng tơi đề
xuất mơ 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 đốn vị trí của
Raspberry Pi 3. Thử nghiệm thực tế cho thấy kết quả định
vị vị trí thực tế đạt sai số trung bình là 1.16m.

Do đặc điểm kỹ thuật của RSS FP, các thuật toán
học máy thường được sử dụng để phân tích cơ sở dữ
liệu vị trí RSS và đưa ra kết quả dự đốn. Đã có rất
nhiều cá nhân, các nhóm nghiên cứu ứng dụng các kỹ
thuật học máy khác nhau vào RSS FP như K-nearest
neighbors, K-mean, Neural Network,... Các kỹ thuật
học máy có đặc điểm riêng, tạo ra sai số ước lượng vị

trí đích khác nhau. Vì vậy, cần có sự kết hợp các phương
pháp khác để giảm sai số khi đo RSS, giảm lưu lượng
thơng tin,... nhằm tăng tốc độ tính tốn, giảm chi phí và
tăng sự chính xác.
Vấn đề của RSS FP cũng như các phương pháp định
vị khác là giá trị đầu vào (RSS) thu được trong giai đoạn
trực tuyến có ảnh hưởng trực tiếp đến kết quả tính tốn,
và cơ sở dữ liệu của RSS FP là lớn nhưng không phải
tất cả dữ liệu thu được trong quá trình thực nghiệm đều
hữu ích trong q trình huấn luyện và suy luận cho các
mơ hình học máy. Nhóm nghiên cứu trong [1] xây dựng
hệ thống định vị dựa trên Important Access Point (IAP),
kết hợp thuật toán học máy K-nearest neighbors, với độ
chính xác thử nghiệm là 85%. Một đề xuất khác sử dụng
kỹ thuật Fingerprinting dựa trên mạng WLAN. Trong
giai đoạn ngoại tuyến, các khu vực định vị được phân
nhóm bằng lọc fuzzy C-mean, chọn ra các điểm truy cập
hữu ích nhằm giảm kích thước của cơ sở dữ liệu FP.
Trong giai đoạn trực tuyến, giải thuật Neural Network
được chọn để ước lượng vị trí, kết hợp thuật tốn “Ước
lượng khoảng cách mờ tương đối” (Relative Distance
Fuzzy Localization). Thời gian tính tốn và độ chính
xác đã được cải thiện đáng kể [2]. Nhóm tác giả trong
[3] đưa ra phương pháp định vị dự đốn vị trí dựa trên
tính xác suất của vị trí ước lượng sử dụng phương pháp
bản địa hóa Markov, sử dụng dữ liệu thống kê của “dấu
vân tay” vị trí, để dự đốn vị trí có khả năng xảy ra nhất.
Trong cùng môi trường trong nhà, để xử lý trường hợp
không gian môi trường thay đổi theo thời gian, có ngoại
vật di chuyển, nhóm nghiên cứu [4] đề xuất một thuật

toán mới về việc điều chỉnh dữ liệu RSS FP. Các phép
đo về RSS FP ngoại tuyến theo thời gian và không gian
được thực hiện liên tục. Cơ sở dữ liệu vị trí RSS cũng
được cập nhật mà khơng phải là cố định. Nhóm tác giả
trong [5] đề xuất thay vì định vị trí tại thời điểm mà định
vị quỹ đạo và mối tương quan giữa các phép đo RSS
nhận được một quỹ đạo trong giai đoạn ngoại tuyến,

Keywords- Định vị trong nhà, BLE, iBeacon,
Neural network, Raspberry Pi, Fingerprinting.

I.

GIỚI THIỆU

Ngày nay, nhu cầu về dịch vụ định vị ngày càng tăng,
được ứng dụng trong rất nhiều lĩnh vực hiện tại và cả
trong tương lai như: Robotic (vệ sinh, chăm sóc y tế,..),
xe tự hành, dị tìm đường, tìm vật thể... Mỗi lĩnh vực cần
hệ thống định vị phù hợp theo mơi trường ứng dụng. Với
mơi trường ngồi trời, có một số kỹ thuật định vị phổ
biến: Định vị toàn cầu GPS, kỹ thuật định vị
sử dụng tế bào Cell trong mạng di động,...Tuy nhiên,
với môi trường trong nhà, hầm mỏ, đường hầm,…, tính
chất của vật liệu và khơng gian gây ảnh hưởng lớn
tới các kỹ thuật nêu trên, tạo ra nhiều vấn đề về độ
chính xác, tin cậy trong kết quả ước lượng vị trí.
Do đó, u cầu về phát triển các kỹ thuật định vị dành
riêng cho môi trường trong nhà được đặt ra. Các hệ
thống định vị trong nhà phổ biến nhất thường sử dụng

công nghệ tín hiệu khơng dây như: Wi-Fi, Bluetooth
Low Energy (BLE) và kết hợp kỹ thuật định vị dựa trên
cường độ tín hiệu bên thu (Receiver Signal Strength
Indicator - RSSI).
Trong bài báo này, chúng tôi đề xuất hệ thống
định vị trong nhà dựa trên nền tảng kỹ thuật
RSS Fingerprinting (RSS FP), kết hợp với Neural
Network, sử dụng giao thức iBeacon Bluetooth Low
Energy (BLE), triển khai trên mạch Raspberry Pi 3 và
Estimote iBeacon.

ISBN 978-604-80-5958-3

163


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

Chúng tôi đã thấy được Bluetooth là một lựa chọn
rất tốt, nhưng lựa chọn phù hợp hơn nữa với các hệ
thống định vị trong nhà là Bluetooth Low Energy
(BLE). BLE được xây dựng dựa trên nền tảng của
Bluetooth 4.0, với mục tiêu là một phiên bản nhỏ gọn
và tối ưu hơn Bluetooth thuần để sử dụng trong các thiết
bị di động. BLE hướng tới sự tiết kiệm năng lượng tiêu
thụ tối đa, thiết bị có thể hoạt động trong một thời gian
rất dài, có thể lên đến hàng năm mà chỉ dựa trên nguồn
năng lượng là một viên pin cúc áo [11]. Apple là một
trong những nhà sản xuất tiên phong về BLE, với
giao thức iBeacon đã trở thành tiêu chuẩn công nghiệp,

được sử dụng nhiều nhất trong các hệ thống định vị
trong nhà.
Các thiết bị phát sóng sử dụng giao thức iBeacon
(gọi chung là thiết bị iBeacon). Chúng hoạt động như
một trạm phát quảng bá thơng thường, liên tục phát đi
các gói tin mỗi 100ms. Gói tin phát đi bao gồm ID riêng
biệt cho mỗi iBeacon và dữ liệu RSS.

sử dụng bộ lọc trung bình gán trọng số cho RSS FP và
dùng giải thuật Recurrent Neural Networks (RNN) để
ước tính vị trí. Kết quả thu được rất ấn tượng, sai số
khoảng 0.75m, và cho thấy độ chính xác hơn thật tốn
KNN 30%.
Trong bài báo này, chúng tôi đề xuất một hệ thống
định vị sử dụng Estimote BLE beacon và Raspberry Pi
lần lượt với vai trị là nút nguồn và nút đích. Kỹ thuật
chính được sử dụng là RSS FP. Thuật tốn chính được
sử dụng để khớp giữa hai giai đoạn ngoại tuyến và trực
tuyến là mạng Nơ-ron nhân tạo.
Phần còn lại của bài báo được tổ chức như sau:
Trong phần II chúng tơi trình bày tổng quan định nghĩa,
phân tích về các kỹ thuật, thuật toán được sử dụng.
Trong phần III, chúng tơi nêu lên mơ hình hệ thống và
triển khai mơ phỏng. Phần IV là các kết quả mô phỏng
và phân tích lý thuyết. Cuối cùng, chúng tơi kết luận bài
báo trong phần V.
II.

TỔNG QUAN THUẬT TOÁN

Các kỹ thuật định vị vị trí trong nhà thường sử dụng
phương thức truyền tín hiệu không dây như Bluetooth,
Wi-Fi, Ultra Wideband (UWB),….
Wi-Fi là công nghệ mạng truyền thông dùng trong
mạng LAN không dây. Tần số thường thấy là 2.4 GHz
hoặc 5.8 GHz [6]. Wi-Fi truyền dựa trên sóng điện từ,
mức độ tiêu thụ năng lượng vừa phải. Tuy nhiên tín hiệu
có thể bị nhiễu do ảnh hưởng từ các thiết bị điện gia
dụng như lị vi sóng, điện thoại di động,…, hoặc thiết bị
Bluetooth. Một tính chất của Wi-Fi là dễ bị hấp thụ bởi
vật liệu xây dựng, đặc biệt là thạch cao [7].
Ultrawide band (UWB) là giao thức truyền không
dây trong khoảng cách ngắn. UWB có tần số rất cao,
băng thơng rộng [8]. Do các đặc tính riêng, tín hiệu
UWB khơng bị nhiễu bởi tác động bên ngoài, mức độ
tiêu thụ năng lượng thấp, nhưng UWB chưa thể được
triển khai rộng rãi trên các thiết bị thương mại do những
yêu cầu đặc biệt về phần cứng, và tiềm năng ứng dụng
thực tế còn giới hạn [9].
Bluetooth là công nghệ truyền dẫn không dây trong
khoảng cách 10m đến 15m, băng tần 2.45 GHz. Điểm
đáng chú ý của Bluetooth là sử dụng một băng tần chưa
được cấp phép, điều này cho phép các hệ thống dùng
Bluetooth có thể tự do được phát triển mà khơng tốn
thêm phụ phí về đăng ký bản quyền [10]. Bluetooth
được tạo ra để hỗ trợ những kết nối không dây tiêu thụ
năng lượng thấp. Một tính chất đặc biệt nữa là thiết bị
phát có thể điều khiển cơng suất phát tín hiệu để tối ưu,
làm cho mức độ tiết kiệm năng lượng tăng hơn nữa [10].
Tuy nhiên Bluetooth cũng chịu ảnh hưởng của nhiễu và

hiệu ứng đa đường, điều này cần phải lưu ý, do mơi
trường trong nhà có nhiều vật cản [10].
Qua sự so sánh về ba kỹ thuật truyền dẫn khơng dây
trên, có thể thấy Bluetooth là một lựa chọn phù hợp
với các hệ thống định vị trong nhà, do các ưu điểm về
chi phí, khoảng cách hoạt động, tiết kiệm năng lượng.

ISBN 978-604-80-5958-3

Hình 1. Gói tin phát đi từ iBeacon (Nguồn: bleesk.com)

Giá trị Major và Minor dùng để xác định và phân biệt
các iBeacon. Giá trị TX Power chính là RSS đo được từ
iBeacon ở khoảng cách tham chiếu [12].
Đối với hệ thống này, chúng tôi chỉ quan tâm tới
địa chỉ MAC và RSS thu được từ mỗi beacon. Địa chỉ
MAC được dùng để phân biệt giữa các beacon với nhau
và phân biệt các khu vực định vị vị trí.

Hình 2. Địa chỉ MAC và RSS trung bình từ 5 beacon

Với định vị dùng RSS, các giá trị thu được được tính
tốn trực tiếp và chuyển đồi thành khoảng cách để ước
lượng từ vị trí vật thể đích đến các điểm mốc phát sóng.
Kỹ thuật này thuộc lớp các kỹ thuật định vị tam giác.
Để định vị trong khơng gian 2 chiều, cần tối thiểu 3
iBeacon, đóng vai trị nút cơ sở phát tín hiệu tới vật thể
cần xác định [13].
Một phương pháp phổ biến hơn cả là RSS
Fingerprinting (RSS FP). Kỹ thuật Fingerprinting gồm

2 giai đoạn. Giai đoạn ngoại tuyến (Offline phase),
đây là giai đoạn thu thập dữ liệu. Các iBeacon được gắn
ở một vị trí cố định, sau đó sẽ tiến hành lấy mẫu tín hiệu
RSS nhiều lần ở các vị trí khác nhau. Với mỗi lần đo,
hệ thống lấy 10 mẫu tín hiệu trong vịng 1 giây và tính
ra giá trị RSS trung bình. Dữ liệu này sẽ được lưu trữ
trong một cơ sở dữ liệu để xây dựng mơ hình khơng gian
và phục vụ xác định vị trí. Trong giai đoạn trực tuyến
(Online phase), RSS đo được sẽ dùng để so sánh với dữ
liệu lưu trong cơ sở, sử dụng mạng Nơ-ron nhân tạo để
dự đốn ra vị trí của vật thể [14] .

164


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

Đầu ra của một nơ-ron với n đầu vào:
Z = ∑(x1w1, x2w2, …, xnwn, b)
(1)
Kết quả của phép tổng được đưa qua một hàm kích
hoạt. Nếu nó vượt qua một giá trị ngưỡng nào đó thì
dữ liệu có thể được đi qua (Nơ-ron được kích hoạt) và
trở thành đầu vào của nơ-ron kế tiếp.
Nơ-ron ở lớp ẩn thứ nhất sử dụng hàm kích hoạt
Rectified Linear (ReLU).
Công thức của hàm ReLu được biểu diễn bởi:
F(x) = max(0, x)
(2)
Hình 3. Lưu đồ hệ thống

Hệ thống chúng tơi đề xuất bao gồm mạch Raspberry
Pi 3 đóng vai trị là vật đích cần định vị, thu nhận tín hiệu
từ 5 iBeacon. Trong giai đoạn ngoại tuyến, RSS trung
bình nhận được sẽ được gắn nhãn và lưu trong một cơ
sở dữ liệu. Trong giai đoạn trực tuyến, mạng Nơ-ron
nhân tạo là phương thức được chọn để ước tính vị trí.
RSS thu được trong giai đoạn này được so sánh với dữ
liệu trong cơ sở dữ liệu, từ đó đưa ra kết quả vị trí gần
đúng nhất. Kết quả này sau đó được trả về tới mạch
Raspberry Pi 3 để hiển thị.
Neural Network (NN) là một nhánh trong học máy.
Mơ hình mạng NN là một hệ thống tính tốn được xây
dựng mô phỏng theo nơ-ron thần kinh sinh học trong cơ
thể con người, bao gồm nhiều lớp ẩn chứa nhiều
nơ-ron, đầu ra mỗi nơ-ron trong lớp trước là đầu vào của
tất cả các nơ-ron ở lớp sau [15].

Hình 6. Hàm kích hoạt ReLU

Lớp ẩn thứ hai dùng hàm kích hoạt Softmax:
F(x) =

exp(𝑥)
∑exp(𝑥)

(3)

Hình 7. Hàm kích hoạt Softmax
Hình 4. Mơ hình mạng Nơ-ron nhân tạo trong hệ thống

Hàm Softmax thường được dùng ở những lớp ẩn đầu
ra, tạo cho NN khả năng “phân loại”. Đầu ra của hàm
Softmax nằm trong khoảng [0, 1], biểu thị cho xác suất,
hay “độ tự tin” khi xếp một kết quả dự đoán vào các lớp
kết quả [15].
Hoạt động huấn luyện của mạng NN gồm 3 bước.
Bước thứ nhất là truyền xuôi (Forward propagation),
dữ liệu đầu vào được truyền và tính tốn qua các lớp và
đưa ra kết quả. Bước thứ 2 là tính tốn sự sai khác giữa
kết quả vừa tính được với kết quả chính xác biết trước.
Sự sai khác được tính theo hiệu của kết quả dự đoán và
kết quả thực tế. Bước thứ ba là truyền ngược (Backward
propagation), dữ liệu được truyền từ đầu ra qua các lớp
tới đầu vào. Trong quá trình này các hệ số Weight và
Bias được điều chỉnh, dựa trên giá trị sai khác ở tính
được ở Bước 2. Ba bước này được lặp lại nhiều lần
để đưa ra Weight và Bias sao cho sự sai khác kết quả
mạng đưa ra so với kết quả chính xác là nhỏ nhất.

Chúng tôi xây dựng mạng Nơ-ron nhân tạo trong
hệ thống gồm 2 lớp ẩn. Lớp ẩn thứ nhất có 10 nơ-ron,
tương ứng với các giá trị nhãn iBeacon (iBeacon được
đánh nhãn phân biệt từ địa chỉ MAC) và RSS nhận được
từ 5 iBeacon. Lớp ẩn thứ 2 có 72 nơ-ron, cho 72 giá trị
đầu ra, tương ứng với 72 vị trí định vị trên khu vực
thử nghiệm.
Đặc trưng của một nơ-ron là các trọng số (Weight)
với các đầu vào riêng biệt, và hệ số làm lệch (Bias).
Các thông số này được điều chỉnh nhiều lần qua hoạt

động huấn luyện mạng [15].

Hình 5. Mơ hình một nơ-ron nhân tạo (Nguồn: nnfs.com)

ISBN 978-604-80-5958-3

165


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

Weight (W) và Bias (B) được điều chỉnh theo
công thức:
Wnew = Wold - α * Wcorrection
(4)
Bnew = Bold - α * Bcorrection
(5)
Hệ số α (learning rate) là hệ số biểu thị “tốc độ học” của
mạng, ảnh hưởng tới mức độ thay đổi các thông số trong
mỗi chu kỳ điều chỉnh, α thường được chọn trong
khoảng 0.1 - 0.5 [15].
Wcorrection là thông số điều chỉnh Weight và Bias, phụ
thuộc vào sự sai khác (error – e) tính được từ Bước 2.
Với lớp ẩn thứ hai:
Wcorrection =

𝒆 ∗ 𝒁[𝟏] 𝑻

Bcorrection =

𝑛
∑𝒆
𝑛

(6)

Hình 9. Estimote iBeacon gắn cố định ở các vị trí
cách mặt đất tối thiểu 1 m.

(7)
Khu vực thử nghiệm là sảnh tầng 1 tòa nhà G2,
Trường Đại học Công nghệ - Đại học Quốc Gia Hà Nội
với diện tích 14.4m x 3.2m, 5 iBeacon được gắn trên
các vị trí cố định ở các độ cao khác nhau, khoảng cách
tối thiểu giữa các iBeacon là 2m như minh họa trong
Hình 10. Khu vực thử nghiệm được chia ra thành 72 các
phân vùng, kích thước 0.8m x 0.8 m, đánh nhãn từ 0
đến 71. Vị trí điểm đo ở chính giữa các phân vùng,
hướng đo khơng đổi trong suốt q trình thử nghiệm.

Cơng thức trên được xây dựng khi truyền ngược giá trị
qua hàm Softmax, là đạo hàm của hàm Softmax [15].
Tương tự với lớp ẩn thứ nhất, khi truyền ngược qua
hàm ReLU:

Wcorrection =

𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 𝑻 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] ) ∗ 𝒊𝒏𝒑𝒖𝒕𝑻

𝑛

∑(𝒆 ∗ 𝑾𝒍𝒂𝒚𝒆𝒓𝟐 ∗ 𝑹𝒆𝑳𝑼′ (𝒁[𝟏] ))
Bcorrection =
𝑛

(8)

𝑻

(9)

Với Z[1] là đầu ra của lớp ẩn thứ nhất và n là số lượng
các trường hợp trong cơ sở dữ liệu.
III.

MƠ HÌNH HỆ THỐNG VÀ TRIỂN KHAI

Hệ thống của chúng tôi sử dụng 5 thiết bị iBeacon
sản xuất bởi Estimote, cơ sở dữ liệu RSS FP và mạng
Neural Network được triển khai trên một mạch
Raspberry Pi 3, đóng vai trị là thiết bị cần định vị.
Thiết bị
Raspberry Pi 3B v1.2

Estimote Proximity
beacons (Developer Kit)

Thông số
A 1.2GHz 64-bit quadcore ARMv8.
Bluetooth 4.1
Python 3.7.3

64MHz ARM CortexM4F, BLE 5.0/2.4GHz.
Công suất phát: 0 dBm
Qng phát: 100ms

Hình 10. Mơ phỏng khu vực thử nghiệm với các điểm màu
tím là vị trí gắn iBeacon và lưới các phân vùng được đánh
nhãn từ 0 – 71.

Trong giai đoạn ngoại tuyến, với mỗi phân vùng,
chúng tôi tiến hành thu 90 mẫu dữ liệu RSS từ các
iBeacon, và biểu diễn trong cơ sở dữ liệu dưới dạng:
Vị trí i: [i, (Beacon1, RSS1,…, Beacon5, RSS5)]

Bảng 1: Thơng số thiết bị trong thí nghiệm

Hình 8. Hình ảnh thực tế trong q trình thí nghiệm,
mạch Raspberry Pi 3 được cố định trên giá 3 chân và được
điều khiển bằng một máy tính khác thơng qua giao thức SSH.

ISBN 978-604-80-5958-3

Bảng 2. Biểu diễn một phần cơ sở dữ liệu RSS

166


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

Sau khi xây dựng được cơ sở dữ liệu với 6480 mẫu
vị trí ngẫu nhiên, mạng NN được huấn luyện bằng cơ

sở dữ liệu này. Ở giai đoạn trực tuyến, mạch Raspberry
Pi 3 được đặt ở một vị trí bất kỳ trong số các phân vùng
ở giai đoạn ngoại tuyến và tiến hành xác định vị trí.
Mạch được gắn trên giá ba chân, hướng đo luôn được
giữ cố định. Các giá trị RSS đo được sẽ được so sánh
với dữ liệu có trước để đưa ra dự đốn vị trí gần đúng
nhất.

Thơng số Weight và Bias được điều chỉnh qua các
lần lặp, làm cho độ chính xác của mạng tăng dần.
Sau 1000 lần lặp huấn luyện, độ chính xác bão hịa và
hệ thống đạt được độ chính xác về mặt so sánh các nhãn
vị trí là 56%. Tức là số lần hệ thống xác định chính xác
phân vùng mạch đang được đặt trong đó chiếm hơn
50%, các trường hợp cịn lại đa số là hệ thống dự đoán
mạch đang được đặt ở các phân vùng lân cận với
phân vùng chính xác đã biết trước, với khoảng cách từ
0.8m cho đến 1.12m. Trong giai đoạn trực tuyến,
chúng tôi thực hiện 720 phép thử, với 10 mẫu thử trên
mỗi phân vùng và đo khoảng cách sai lệch thực tế.

Hình 11. Vị trí tiến hành đo RSS ở chính giữa mỗi
phân vùng kích thước 0.8m x 0.8m.

IV.

KẾT QUẢ

Mạng NN sau khi được đào tạo bởi cơ sở dữ liệu với
6480 mẫu thử, quá trình huấn luyện được lặp 10000 lần,

learning rate 0.5.

Bảng 3. Biểu diễn dữ liệu phép thử và sai số khoảng cách
thực tế trong giai đoạn trực tuyến

Hình 12. Huấn luyện mạng Nơ-ron nhân tạo

Từ sai số khoảng cách thực tế của mỗi phép thử, chúng
tơi xây dựng hàm phân bố tích lũy và biểu đồ hộp thống
kê sai số theo khoảng cách trong khơng gian 2 chiều.
Từ Hình 15 và Hình 16, ta có thể thấy được sai số dưới
2m của hệ thống chiếm tới 80%. Sai số khoảng cách
trung bình thực tế của hệ thống trong khoảng xấp xỉ
1.16m, do không gian thử nghiệm khơng phải là một
mơi trường tĩnh hồn tồn, hệ thống chịu ảnh hưởng
từ nhiễu khi có người di chuyển trong khu vực trong
q trình đo tín hiệu và từ các thiết bị điện khác.

Hình 13. Độ chính xác huấn luyện NN theo nhãn vị trí

Hình 14. Đánh giá độ chính xác theo khoảng cách hai chiều

ISBN 978-604-80-5958-3

167


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

TÀI LIỆU THAM KHẢO

[1]

[2]

[3]

[4]

[5]

[6]

Hình 15. Biểu đồ hộp thống kê sai số
của mạng Nơ-ron nhân tạo

V.

[7]
[8]

KẾT LUẬN

Trong bài báo này, chúng tôi đề xuất và khảo sát hiệu
năng của mơ hình định vị vị trí trong nhà sử dụng
Bluetooth Low Energy, kỹ thuật RSS Fingerpriting và
mạng Nơ-ron nhân tạo. Hệ thống được triển khai trên
mạch Raspberry Pi 3 và Estimote iBeacon. Kết quả thử
nghệm cho thấy sai số trung bình của hệ thống nằm trong
khoảng 1.16m, với những trường hợp sai số dưới 2m
chiếm tới 80%. Trong tương lai, chúng tôi sẽ tiếp tục

nghiên cứu và cải thiện về độ chính xác của mạng
Nơ-ron nhân tạo, sử dụng các thuật toán, bộ lọc cao cấp
hơn để tói ưu hệ thống, điều chỉnh cách thức xây dựng
cơ sở dữ liệu, cũng như mở rộng thử nghiệm các phương
thức truyền sóng khác.

ISBN 978-604-80-5958-3

[9]
[10]
[11]
[12]
[13]
[14]

[15]

168

P. Jiang, Y. Zhang, W. Fu, H. Liu, X. Su, “Indoor mobile
localization based on Wi-Fi fingerprint's important access
point”, International Jounal of Distributed Sensor Networks,
vol 11, issue 4, April 2015.
L. J.H., Tian, J.B., Fei, F., Wang, Z.X. Wang, H.J, “Indoor
localization based on subarea division with fuzzy C-means”.
Int. J. Distrib. Sens. Net, vol 12, 2016.
Eduaro Navarro, Benjamin Peuker, Michael Quan, “Wi-Fi
Localization using RSS Fingerprinting”, Computer Engineering
Department, California Polytechnic State University, 2010.
W. Xiaoyang, T. Wenyuan, O. Chung-Minh, et al, “On the

dynamic RSS feedbacks of Indoor Fingerprinting databases
for Localization reliability improvement [J]. Sensors 16 (8)”,
pp. 1278-1294, 2016.
Minh Tu Hoang, Brosnan Yuen, Xiaodai Dong, Tao Lu, Robert
Westendorp, and Kishore Reddy, “Recurrent Neural Networks
For Accurate RSSI Indoor Localization”, IEEE Internet of
Things Journal, Vol. 6, Issue: 6, pp. 10639-10651, Dec. 2019.
[Online] />/what-is-wifi.html
[Online] />[Online] />[Online] />Daan Schreerens, “Practical Indoor Localization using
Bluetooth”, Master Thesis, pp. 23-24, January 2012.
K. Townsend, C. Cufí, Akiba & R. Davidson, “Getting Started
with Bluetooth Low Energy”, O’Reilly, pp. 1-2, 2014.
C. Gilchrist, “Learning iBeacon”, Packt Publishing, pp. 7–9,
2014.
Various authors, “Handbook of position location”, IEEE Press,
2012.
S. Xia, Y. Liu, G. Yuan, M. Zhu, Z. Wang, “Indoor
Fingerprinting Positioning Based on Wi-Fi: An Overview”,
International Journal of Geo-Information, 2017.
H. Kinsley, D. Kukiela, “Neural Networks from Scratch in
Python”, 2020.