Mô hình định vị trong nhà sử dụng mạng nơ-ron kép và bộ lọc Kalman

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

Mơ Hình Định Vị Trong Nhà Sử Dụng Mạng
Nơ-ron Kép Và Bộ Lọc Kalman
Phạm Đức Thành, Nguyễn Trọng Mạnh, Nguyễn Việt Hưng, Chu Thị Phương Dung, Đinh Thị Thái Mai
Khoa Điện tử Viễn thông
Đại học Công nghệ, Đại học Quốc gia Hà Nội
Email:(19021514, 19021484, 18020606, dungctp, dttmai)@vnu.edu.vn
Tóm tắt—Trong bài báo này, chúng tơi đề xuất một phương
pháp để giảm lỗi này bằng cách sử dụng phương pháp Mạng
Nơ-ron kép để làm tăng độ chính xác định vị. Bên cạnh đó,
chúng tơi sử dụng bộ lọc Kalman để làm ổn định tín hiệu RSS
nhằm tăng . Tất cả các phép đo và các thí nghiệm đã được thực
hiện và lặp lại nhiều lần trong môi trường thực tế trong nhà.
Kết quả cho thấy giải pháp đã tăng độ chính xác của kết quả và
khả thi để triển khai trên thực tế.
Từ khoá—BLE beacon, Định vị trong nhà, Mạng Nơ-ron, bộ
lọc Kalman.

I. GIỚI THIỆU
Những năm gần đây, nhu cầu về hệ thống định vị trong nhà
tăng lên nhanh chóng do tính ứng dụng của chúng. Cùng với
sự phát triển nhanh chóng của cơng nghệ truyền dẫn không
dây với các thiết bị thông minh, hệ thống định vị có thể được
ứng dụng trong nhiều lĩnh vực hiện đại trong tương lai như:
Robotic(vệ tinh, y tế, quân sự, giáo dục,...) xe tự hành, dị
đường, tìm vật thể. Tuy nhiên, hệ thống cần được điều chỉnh
sao cho có thể hoạt động tốt trong các lĩnh vực khác nhau và
trong các môi trường khác nhau. Hệ thống định vị toàn cầu
hay GPS được sử dụng rộng rãi nhất trong mơi trường ngồi
trời với tín hiệu truyền từ vệ tinh [1]. Tuy nhiên, tín hiệu vệ

tinh được biết là khó xuyên qua vật liệu, do đó khiến kết quả
GPS trả về có sai số lớn, hoặc thậm chí khơng khả dụng khi
chúng ta di chuyển trong nhà hoặc trong đường hầm. Vì lý do
này, các hệ thống định vị đặc biệt cho mục đích sử dụng trong
nhà được thiết kế. Các hệ thống định vị trong nhà phổ biến
nhất thường sử dụng cơng nhệ tín hiệu khơng dây như: WiFi, Bluetooth Low Enegy (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 xây dựng một hệ thống định
vị trong nhà dựa trên kỹ thuật RSS Fingerprinting (RSS FP),
sử dụng mạng Nơ-ron kép. Ngồi ra chúng tơi thử nghiệm
phương pháp xếp chồng hai Neural Network để giảm độ phức
tạp thuật tốn đồng thời tăng độ chính xác.
Vấn đề của việc sử dụng công nghệ BLE cũng như sử dụng
dữ liệu RSS trong học máy để dự đoán vị trí đó là tín hiệu rất
dễ chịu ảnh hưởng bởi nhiễu đa đường do mơi trường trong
nhà có nhiều vật cản từ đó làm ảnh hưởng trực tiếp đến kết quả
đầu ra. Đã có một số nghiên cứu kỹ thuật lọc nhằm cải thiện
tín hiệu RSSI. Nhóm nghiên cứu [2] đã đề xuất cải thiện các
thuật toán bản địa hố trong nhà hiện có bằng cách sử dụng
RSSI kết hợp với Link Quality Indicator (LQI) với độ sai số

ISBN 978-604-80-7468-5

khoảng cách trong không gian mở là dưới 1m và dưới 0.7m
trong khơng gian kín. Một đề xuất khác của nhóm nghiên cứu
[3] sử dụng bộ lọc Kalman với khả năng tự hiệu chuẩn để
cung cấp kết quả định vị chính xác hơn theo biến thể RSS.
Trong bài báo này chúng tôi sẽ sử dụng thêm bộ lọc Kalman
để làm mịn tín hiệu đầu vào, cải thiện chất lượng cơ sở dữ

liệu giúp dự đốn chính xác hơn.
Phần cịn lại của bài báo được tổ chức như sau: Trong phần
II chúng tơi trình bày tổng quan hệ thống , phân tích các kỹ
thuật và định nghĩa, thuật tốn được sử dụng. Phần III, chúng
tôi sẽ triển khai mô phỏng hệ thống. Phần IV là các kết quả
mơ phỏng, phân tích và kết luận bài báo trong phần V.
II. THUẬT TOÁN

ĐỀ XUẤT

Bluetooth Low Energy (BLE) là một trong những phương
thức truyền tín hiệu phổ biến trong nghiên cứu và vận hành
hệ thống định vị trong nhà với ưu điểm là nhỏ gọn, tiết kiệm
năng lương và chi phí đầu tư thấp [4]. Giao thức iBeacon do
Apple sản xuất [5] đã trở thành tiêu chuẩn công nghiệp được
sử dụng rộng rãi trong hệ thống định vị trong nhà.
Các thiết bị phát sóng sử dụng giao thức iBeacon (gọi chung
là beacon) hoạt động như một trạm phát sóng quảng bá, liên
tục phát đi gói tin của trạm. Đối với hệ thống này, hai thông
tin mà ta cần quan tâm là ID riêng biệt cho mỗi Beacon và
dữ liệu RSS thu được.
RSS là tham số cho biết cường độ của tín hiệu nhận được từ
máy phát tại một khoảng cách, dựa vào dữ liệu này ta có thể
ước lượng được ví trí của vật thể [6]. Tuy nhiên dữ liệu này
rất không ổn định, các hệ thống định vị dựa trên RSS được ưu
tiên kết hợp với các kỹ thuật khơng có phạm vi, điều này sẽ
giúp giảm độ phức tạp và tăng độ chính xác trong hệ thống.
Vì vậy trong bài báo này chúng tôi đề xuất sử dụng phương
pháp RSS Fingerprinting (RSS FP) kết hợp với hai mô-đun
Neural Network đồng thời dùng bộ lọc Kalman để giảm nhiễu

tín hiệu RSS thu được.
Trong giai đoạn ngoại tuyến, dữ liệu RSS thô, không ổn
định sẽ được thu nhập và xử lý qua bộ lọc Kalman trước khi
được lưu trong cơ sở dữ liệu. Trong giai đoạn trực tuyến, việc
định vị thực tế của mục tiêu sẽ diễn ra, với sự trợ giúp của
hai mô-đun mạng Nơ-ron có khả năng phân loại. Chúng được
kết nối đồng thời với nhau, đầu ra của mô-đun đầu tiên cũng
sẽ là đầu vào của mô-đun thứ hai. Mỗi mạng Nơ-ron sẽ có
một nhiệm vụ khác nhau, hoạt động với các kích thước lưới
khác nhau được phân chia trên bản đồ. Mô-đun đầu tiên sẽ

261


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

xác định khu vực mà nút mục tiêu đang chiếm giữ. Sau khi
tìm ra khu vực này, mô-đun thứ hai sẽ đánh giá vị trí của mục
tiêu bên trong nó, một cách chi tiết hơn từ đó đưa ra vị trí
chính xác của nút mục tiêu. Tồn bộ q trình được hiển thị
trong sơ đồ được mơ tả trong Hình 1:

đốn trạng thái tiếp theo của hệ thống dựa trên phép đo trước
đó, nói cách khác, dự báo trạng thái và ước lượng hiệp phương
sai từ thời gian k − 1 đến k .
x
ˆ−
xk−1 + Buk−1
k = Aˆ

(7)

Pk−

(8)

T

= APk−1 A + Q

Q là hiệp phương sai của nhiễu q trình. Bước Chính xác
ước tính và điều chỉnh trạng thái hiện tại của hệ thống dựa
trên đo lường hiện tại. Đầu tiên, thông số ảnh hưởng đến mức
độ dự đoán đã điều chỉnh được gọi là "độ lợi Kalman" được
tính tốn.
Kk = Pk− H T (HPk− H T + R)−1

(9)

R là hiệp phương sai của nhiễu đo. Tiếp theo, phép đo zk được
thực hiện và ước tính trạng thái posteriori được tính tốn.
x
ˆk = x
ˆ−
ˆ−
k + K(zk − H x
k)

(10)

Phép trừ (zk − H xˆk− ) được gọi là phần dư của phép đo, nó
cho thấy sự khác biệt giữa số liệu dự đốn và số đo thực tế.
Cuối cùng, hiệp phương sai lỗi hậu nghiệm được tính tốn với
I là ma trận nhận dạng.

Hình 1: Lưu đồ thuật tốn

Pk = (I = Kk H)Pk−

A. Bộ lọc Kalman
Trong bài báo này, chúng tôi sử dụng bộ lọc Kalman để tiền
xử lý dữ liệu trước khi lưu trữ và ước lượng. Bộ lọc Kalman
là thuật tốn ước tính các tham số của hệ thống với mục đích
giảm sai số hệ thống, được áp sụng phổ biến trong điều khiển,
khử nhiễu cảm biến. Ở đây, bộ lọc Kalman được dùng để loại
bỏ nhiễu môi trường và làm mượt thơng số RSS nhằm cải
thiện độ chính xác của định vị. Phương trình trạng thái x và
số đo z tại thời điểm k được hiển thị bên dưới [7]:
xk = Axk−1 + Buk−1 + Wk−1

(1)

zk = Hxk + vk

(2)

(11)

B. Mạng Nơ-ron
Mạng Nơ-ron là một hệ thống tính tốn bắt chước cấu trúc

thần kinh của bộ não người, bao gồm nhiều lớp tế bào thần
kinh liên kết với nhau [7]. Đặc trưng của một nơ-ron là trọng
số (Weight) và hệ số làm lệch (Bias). Đó là các thơng số có
thể điều chính làm ảnh hưởng đến đầu ra của nơ-ron, thơng
qua q trình huấn luyện, với mỗi lần lặp lại chúng có thể
được cập nhật với mục đích mang tới kết quả đầu ra mong
muốn, giảm thiểu lỗi [8].

Trong đó, wk và vk đại diện cho nhiễu của quá trình và phép
đo, giả sử chúng độc lập, nhiễu trắng, và có phân bố xác suất
bình thường [7]. A là ma trận liên hệ các trạng thái tại hai thời
điểm liền kề k − 1 và k . B là ma trận liên hệ đầu vào điều
khiển u với trạng thái x . H là ma trận liên hệ trạng thái với
đo lường [7]. Tại thời điểm k , giá trị tiền nghiệm (không đo
lường) và giá trị hậu nghiệm (với đo lường) ước lượng trạng
thái được ký hiệu lần lượt là xˆk− và xˆk . Tiền nghiệm và các
sai sơ ước tính có thể được tính tốn như sau:
ˆ−
e−
k = xk − x
k

(3)

ek = xk − x
ˆk

(4)

Hiệp phương sai của sai số ước lượng tiền nghiệm và hậu

nghiệm là:
−T
(5)
Pk− = E[e−
k ek ]

Hình 2: Mơ hình một nơ-ron nhân tạo

(6)

Đầu ra của một nơ-ron với n đầu vào được tính bởi cơng
thức:
Z=
(x1 w1 , x2 w2 , ..., xn wn , b)
(12)

Cách hoạt động của bộ lọc có thể được mô tả trong một chu
kỳ gồm 2 bước, Dự đốn và Chính xác [7]. Bước dự đốn dự

Kết quả của phép tổng sẽ được đưa qua hàm kích hoạt. Nếu
giá trị vượt qua một ngưỡng nào đó thì nơ-ron sẽ được kích

T
Pk = E[e−
k ek ]

ISBN 978-604-80-7468-5

262

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

hoạt và kết quả đầu ra này sẽ trở thành đầu vào của nơ-ron kế
tiếp. Nơ-ron ở lớp ẩn thứ nhất sử dụng hàm ReLU với công
thức:
F (x)F = max(0, x)
(13)

Với lớp ẩn đầu tiên:
Wcorrection =
Bcorrection =

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

n

(e ∗

T
Wlayer2

(19)
∗ ReLU ′ (Z[1] ) ∗ inputT )
n

(20)
Với Z[1] là đầu ra của lớp ẩn thứ nhất,và n là số trường hợp

trong cơ sở dữ liệu.
III. TRIỂN KHAI HỆ THỐNG

Hình 3: Hàm kích hoạt ReLU
Hàm kích hoạt thứ hai sử dụng hàm Softmax với công thức:
F (x) =

exp(x)
exp(x)

Hệ thống chúng tôi sử dụng 8 thiết bị iBeacon được sản
xuất bởi Estimote làm các nút cơ sở. Đối với nút đích, bo
mạch Raspberry Pi 3 là lựa chọn tối ưu. Về cơ bản, nó là một
máy tính có kích thước bằng thẻ tín dụng được tích hợp sẵn
Python, đây cũng là ngôn ngữ mà chúng tôi đã sử dụng để
viết mã Mạng thần kinh và đồng thời lưu cơ sở dữ liệu RSS
FP.
Bảng I: Thông số thiết bị trong thí nghiệm

(14)
Thiết bị
Raspberry Pi 3B v1.2

Estimote Proximity Beacons
(Developer Kit)

Hình 4: Hàm kích hoạt Softmax
Hoạt động huấn luyện Mạng Nơ-ron bao gồm 3 bước. Bước
đầu tiên là Truyền xuôi (Foward propagation), dữ liệu được
truyền qua các lớp và tính tốn sau đó cho ra kết quả. Tiếp

theo, ta tính tốn sự sai khác giữa kết quả thu được và kết quả
biết trước. 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 về lại đầu vào. Ở bước này, trọng số và độ
lệch sẽ được điều chỉnh sao cho phù hợp dựa vào kết quả sai
khác ở bước 2 [9]. Công thức điều chỉnh trọng số và độ lệch
như sau:
Wnew = Wold − α ∗ Wcorrection

(15)

Bnew= = Bold − α ∗ Bcorrection

(16)

Hệ số α là thông số biểu thị "tốc độ học" của mạng, α
thường nằm trong khoảng từ 0.1 đến 0.5 [9].
Wcorrection /Bcorrection là thông số điều chỉnh trọng số
và độ lệch, dựa vào sai số ở bước thứ hai. Với lớp ẩn thứ hai.
Wcorrection =

T
e ∗ X[1]

Bcorrection =

ISBN 978-604-80-7468-5

n
e

n

(17)
(18)

Cấu hình
A 1.2GHz 64-bit-quad-core ARMv8.
Bluetooth 4.1
Python 3.7.3
64MHz ARM Cortex-M4F
BLE 5.0/2.4GHz
Transmitting Power: 0dBm
Transmitting cycle: 100ms

Khu vực thử nghiệm là sảnh tầng 1 tòa nhà G2 , trường
Đại học Cơng nghệ-Đại học Quốc Gia Hà Nội. Tổng diện tích
khoảng 51.2m2
Như đã nói trong phần tổng quan, hệ thống chúng tôi sử
dụng hai mô-đun Mạng Nơ-ron kết hợp với kỹ thuật RSS
Fingerprinting. Mỗi Mạng Nơ-ron sẽ có nhiệm vụ khác nhau,
làm việc với các kích thước lưới khác nhau được chia trên bản
đồ. Mô-đun thứ nhất sẽ xác định khu vực mà nút mục tiêu
đang chiếm giữ. Sau khi tìm ra khu vực này mô-đun thứ hai
sẽ đánh giá vị trí của mục tiêu một cách chi tiết hơn. Mạng
Nơ-ron đầu tiên sẽ có hai lớp ẩn. Lớp ẩn đầu tiên bao gồm
16 nơ-ron, tương ứng với cặp ID và RSS từ mỗi nút trong số
8 nút cơ sở iBeacon. Lớp ẩn thứ hai bao gồm 8 nơ-ron bao
gồm 8 khu vực nhỏ bên trong địa điểm thử nghiệm như ta sẽ
thấy trên hình 5 dưới đây:
Mạng Nơ-ron thứ hai được xây dựng tương tự, chỉ khác là

ở lớp ẩn thứ 2 có 40 nơ-ron để ước lượng vị trí cụ thể hơn, vì
mỗi vùng trong số 8 khu vực sẽ được chia thành 40 ô vuông
nhỏ hơn.
Trong giai đoạn ngoại tuyến, dữ liệu RSS thu nhập, sẽ được
đưa qua bộ lọc Kalman như một bước tiền xử lý, làm mịn và
giảm sự biến đổi của RSS gây ra bởi sự thay đổi trong vị trí
lấy mẫu hoặc người di chuyển bên trong khu vực. Chúng tôi
lấy 30 mẫu mỗi ô vuông, nhân với 40 ô vương trong một khu
vực và lặp lại 8 lần trong 8 khu vực cho cơ sở dữ liệu bao gồm
9600 mẫu. Dữ liệu bao gồm nhãn gián vị trí đo, ID Beacon
và RSS của Beacon.

263


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

ra vị trí chính xác nằm trong 40 ơ vng tại mỗi khu vực.
IV. KẾT QUẢ
Mô-đun Mạng Nơ-ron thứ nhất được đào tạo với cơ sở dữ
liệu gồm 6600 mẫu và đã được kiểm tra bởi 3000 mẫu. Tỷ lệ
học tập được đặt ở mức 0,3. Sau 10000 lần đào tạo, lần kiểm
tra cuối cùng cho kết quả với độ chính xác của mô-đun đạt
90,3

(a) Mô-đun Mạng Nơ-ron đầu tiên

(b) Chia sảnh thành 8 khu vực

Hình 5: Tìm một trong tám khu vực bằng mơ-đun Neural

Network đầu tiên

Hình 8: Độ chính xác của q trình đào tạo NN (mơ-đun thứ
nhất)
Đối với mơ-đun Mạng Nơ-ron thứ hai, sẽ có 8 phiên bản
khác nhau, chúng tơi đã đào tạo mơ hình 8 lần cho 8 bộ Trọng
số và Độ lệch khác nhau, mỗi bộ sẽ chịu trách nhiệm cho một
khu vực của địa điểm thử nghiệm. Chúng tôi đã đào tạo 8 bộ
Trọng số và Độ lệch với cơ sở dữ liệu 1000 mẫu. Kết quả đào
tạo NN cho từng lĩnh vực sẽ được thể hiện như sau:
(a) Mô-đun Mạng Nơ-ron thứ hai

Bảng II: Các tham số đào tạo và độ chính xác của Mạng
Nơ-ron cho 8 khu vực

(b) Chia mỗi khu vực thành 40 ơ

Hình 6: Tìm vị trí chi tiết hơn tại mỗi khu vực

Khu vực
0
1
2
3
4
5
6
7
Trung bình

Hình 7: Biểu diễn một phần cơ sở dữ liệu

Sau khi xây dựng cơ sở dữ liệu, trong giai đoạn trực tuyến
dữ liệu RSS mới được thu nhập tương tự như trong quá trình
ngoại tuyến sẽ được đưa qua hai mạng Nơ-ron. Mô-đun Mạng
Nơ-ron đầu tiên sẽ sử dụng cơ sở dữ liệu RSS để "học", quá
trình "học" sẽ trả về tập hợp của hai chỉ số trọng số và độ
lệch kết hợp với dữ liệu RSS mới để tìm ra khu vực chứa vị
trí cần tìm (1 trong 8 khu vực được gán nhãn từ 0 đến 7).
Tương tự với mô-đun Mạng Nơ-ron tiếp theo, ta sẽ được một
tập hợp trọng số và độ lệch cho từng khu vực từ 0 đến 7.
Dựa vào khu vực dự đốn từ mơ-đun trước đó, ta sẽ lựa chọn
chỉ số trọng số và độ lệch cho từng khu vực riêng lẻ để tìm

ISBN 978-604-80-7468-5

Tốc độ học tập
0.3
0.3
0.3
0.25
0.3
0.3
0.3
0.3

Số lần lặp
100,000
90,000
100,000

70,000
50,000
50,000
50,000
60,000

Độ chính xác
87.9%
93.02%
90.04%
90.05%
91.04%
95.50%
90.05%
93.53%
91.39%

Thơng số trọng số và độ lệch được điều chỉnh qua các lần
lặp, làm cho độ chính xác của mạng tăng dần. Các thông số
trọng số và độ lệch được lưu trữ dưới dạng mảng trong tệp
có phần mở rộng NPY để dễ dàng truy cập khi cần thiết trong
các lần chạy sau. Mạng Nơ-ron đầu tiên tìm thấy khu vực có
mục tiêu bên trong, Mạng Nơ-ron thứ hai sau đó chọn tập hợp
trọng số và độ lệch tương ứng, tải chúng vào mơ hình và tiến
hành ước tính vị trí. Với mục đích thử nghiệm và đánh giá,
chúng tôi đã sử dụng 8 cơ sở dữ liệu khác nhau gồm 200 mẫu
cho mỗi mơ hình tương ứng với từng khu vực cụ thể và tính
tốn sai số trung bình dựa trên khía cạnh khoảng cách.
Vì lưới nhỏ nhất được chia trước trong thử nghiệm này là
0,4x0,4m, do đó sai số thấp nhất có thể có trong khoảng cách

là 0,4m mặc dù độ chính xác ở một số khu vực cao hơn các
khu vực khác. Một trường hợp bất thường là với Khu vực 7,

264


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

Bảng III: Đánh giá độ chính xác và sai số của 8 khu vực
Khu vực
0
1
2
3
4
5
6
7
Trung bình

Độ chính xác
87.9%
93.02%
90.04%
90.05%
91.04%
95.50%
90.05%
93.53%
91.39%

thứ hai, xem xét khía cạnh phân loại nhãn và sai số khoảng
cách trung bình là khoảng 0,52m, 80% thời gian, sai số của
dự toán nhỏ hơn 0,6m.
Trong tương lai, chúng tôi sẽ thử nghiệm với nhiều môi
trường trong nhà khác nhau, chẳng hạn như trong một căn
phịng hồn tồn tĩnh hoặc trong một khơng gian có nhiều
chướng ngại vật và nhiều điểm NLOS. Việc kiểm tra và kết
hợp các phương pháp và kỹ thuật định vị khác nhau như Mạng
Nơ-ron tích chập, KNN, v.v. cũng cần được xem xét.

Sai số về khoảng cách
0.55 m
0.4 m
0.4 m
0.4 m
0.4 m
0.4 m
0.4 m
0.43 m
0.4425 m

TÀI LIỆU
độ chính xác là 93,5%, nhưng sai số cao hơn 0,03m so với
các khu vực có độ chính xác thấp hơn, đây có thể là kết quả
của một số mẫu bị lỗi trong cơ sở dữ liệu thử nghiệm của khu
vực cụ thể này, tuy nhiên, sự khác biệt là không quá lớn, vì
vậy trường hợp này có thể được coi là chấp nhận được.
Sau khi kiểm tra toàn bộ hệ thống, sai số trung bình xấp
xỉ 0,52m. Xem xét lỗi Biểu đồ hàm phân phối tích lũy dưới

đây cho thấy 90% sai số nhỏ hơn 1m và sai số nhỏ hơn 0,6m
chiếm tỷ lệ 80%. Khi khu vực dự đoán đúng, sai số trung bình
chỉ khoảng 0,4m, tương đương với việc xác định khơng chính
xác giữa 2 ơ lân cận. Ngược lại, nếu khu vực dự đoán sai ngay
từ đầu, sai số có thể tăng lên cao nhất là hơn 3m, nhưng lỗi
này hiếm có thể chấp nhận được, 98% sai số dưới 3m.

Hình 9: Đồ thị hàm phân phối tích lũy đánh giá lỗi của hệ
thống đề xuất
V. KẾT LUẬN
Trong bài báo này, chúng tơi xây dựng mơ hình hệ thống
định vị trong nhà với công nghệ Bluetooth Low Energy làm
phương tiện truyền tín hiệu. Đối với các nút cơ sở, tôi đã sử
dụng 8 đèn hiệu BLE từ nhà sản xuất Estimote. Nút mục tiêu
được định vị là một bảng Raspberry Pi 3. Phương pháp định
vị chính là lấy dấu vân tay, trong đó tơi đã sử dụng một cơ
sở dữ liệu 9600 mẫu, được xử lý trước bằng bộ lọc Kalman.
Bên cạnh Lấy dấu vân tay, tôi đề xuất phương pháp xếp chồng
đồng thời 2 Mạng Nơ-ron, từ từ thu hẹp lưới đến vị trí cụ thể
của mục tiêu thông qua định vị 2 bước. Kết quả tôi đạt được
là độ chính xác 90,3% đối với mơ-đun Mạng Nơ-ron đầu tiên,
độ chính xác trung bình 91,39% đối với mơ-đun Mạng Nơ-ron

ISBN 978-604-80-7468-5

265

[1] T. -M. T. Dinh, N. -S. Duong and Q. -T. Nguyen, "Developing a
Novel Real-Time Indoor Positioning System Based on BLE Beacons
and Smartphone Sensors," IEEE Sensors Journal, vol. 21, no. 20, pp.

23055-23068, 15 Oct.15, 2021.
[2] Sharly Joana Halder, Paritosh Giri & Wooju Kim, "Advanced Smoothing
Approach of RSSI and LQI for Indoor Localization System", May 2015.
[3] Sangwoo Lee, Bongkwan Cho,Bonhyun Koo, Sanghwan Ryu, Jaehoon
Choi & Sunwoo Kim, "Kalman Filter-Based Indoor Position Tracking
with Self-Calibration for RSS Variation Mitigation", August 2015.
[4] K. Townsend, C. Cufí, Akiba & R. Davidson, “Getting Startedwith
Bluetooth Low Energy”, O’Reilly, pp. 1-2, 2014.
[5] Apple, “Getting Started with iBeacon – Version 1.0”, June 2014.
[6] Various Authors, “Handbook of Position Location, Theory, Practice, and
Advances”, IEEE Press, John Wiley & Sons, Inc, 2012.
[7] G. Welch, G. Bishop, “An Introduction to the Kalman Filter”, Technical
Report, University of North Carolina, Chapel Hill, USA, 2006.
[8] H. Kinsley, D. Kukiela, “Neural Network from scratch in Python”, 2020.
[9] Andy Thomas, “An Introduction to Neural Network for beginners”, 2018.