Professional Documents
Culture Documents
Sandrasegaran
Tóm tắt Trong bài báo này, chúng tôi đề xuất một hệ thống định vị dựa trên iBeacon Bluetooth
Low Energy (BLE), trong đó chúng tôi kết hợp hai phương pháp định vị phổ biến: Pedes
trian Dead Reckoning (PDR) và lấy dấu vân tay. Khi chúng tôi xây dựng hệ thống dưới dạng
một ứng dụng chạy trên iPhone, chúng tôi chọn bộ lọc Kalman làm thuật toán hợp nhất để tránh
tính toán phức tạp. Trong lấy dấu vân tay, cách tiếp cận cơ sở dữ liệu đa hướng được áp
dụng. Cuối cùng, để giảm lỗi tích lũy của PDR do cảm biến điện thoại thông minh, chúng tôi
đề xuất một thuật toán có tên là “Hiệu chỉnh vị trí dựa trên khoảng cách”. Mục đích của
thuật toán này là thỉnh thoảng sửa vị trí ước tính bằng cách sử dụng iBeacon gần người dùng
nhất. Trong các thử nghiệm, hệ thống của chúng tôi dẫn đến sai số trung bình chỉ 0,63 m.
Từ khóa Bluetooth tiết kiệm năng lượng · iBeacon · Nội địa hóa trong nhà · Lấy dấu vân tay ·
1. Giới thiệu
Định vị trong nhà là quá trình lấy thiết bị hoặc vị trí của người dùng trong bối cảnh hoặc
môi trường trong nhà [1]. Trong những năm gần đây, với sự phát triển nhanh chóng của các ứng
dụng Internet of Things, định vị trong nhà đã được nghiên cứu rộng rãi.
Các nhà nghiên cứu trên khắp thế giới đã áp dụng một số công nghệ trong các giải pháp nội
địa hóa trong nhà của họ. Chúng bao gồm Wi-Fi, Bluetooth tiết kiệm năng lượng (BLE),
AV-T. Trinh e-
mail: tuananhtv97@gmail.com
Q.-T. Nguyên
e-mail: tuannq@vnu.edu.vn
K. Sandrasegaran
Đại học Công nghệ Sydney, Sydney, Australia e-
mail: Kumbesan.Sandrasegaran@uts.edu.au
Thiết bị Nhận dạng Tần số Vô tuyến (RFI) hoặc Băng thông siêu rộng [1, 2]. Trong số các kỹ
thuật này, BLE dường như là một giải pháp tốt hơn, đặc biệt là với việc giới thiệu BLE
iBeacon của Apple Inc. vào năm 2013. iBeacon là một thiết bị không dây nhỏ có thể gửi quảng
cáo của nó tới điện thoại thông minh tương thích ở gần thông qua BLE [3 ] . Một số lượng
lớn các nghiên cứu gần đây đã tập trung vào việc sử dụng đèn hiệu, vì chúng dễ triển khai
hơn, tiết kiệm năng lượng hơn và chi phí thấp so với các công nghệ khác. Ngoài ra, vì hầu
hết các điện thoại thông minh trên thị trường hiện hỗ trợ BLE, hệ thống định vị trong nhà
dựa trên iBeacon có thể được xây dựng và sử dụng như một ứng dụng bản địa hóa chạy trên
Xem xét các thuật toán, phương pháp phổ biến nhất trong định vị trong nhà dựa trên
iBeacon dựa trên Cường độ tín hiệu nhận được (RSS). Phương pháp này có thể được chia
thành hai cách tiếp cận chính: trilateration và fingerprinting. Vấn đề chính của các phương
pháp dựa trên RSS là sự không ổn định của RSS của đèn hiệu do tiếng ồn, độ mờ đa đường,
không nhìn thấy ánh sáng (NLOS) và các yếu tố khác do môi trường trong nhà gây ra [1, 2 ] .
Một thuật toán phổ biến khác là Pedestrian Dead Reckoning (PDR), dựa trên các cảm biến, chẳng
hạn như gia tốc kế và từ kế được nhúng trong điện thoại thông minh. Vị trí hiện tại của
người dùng có thể được tính toán từ dữ liệu của cảm biến.
Vấn đề của PDR là trong một đường theo dõi dài, các cảm biến có thể trôi theo thời gian và
Để đạt được một hệ thống định vị trong nhà chính xác hơn, các nghiên cứu gần đây có
xu hướng kết hợp các phương pháp dựa trên RSS của BLE beacon với PDR. Một số nghiên cứu [5,
6] kết hợp chúng bằng bộ lọc hạt; trong khi những người khác [7–9] sử dụng bộ lọc Kalman
hoặc bộ lọc Kalman mở rộng. Ngoài ra, một số tác giả [10–12] kết hợp dấu vân tay PDR, iBeacon
và Wi-Fi.
Do đó, đã có rất nhiều công trình chọn hợp nhất iBeacon—PDR làm phương pháp chính để
định vị trong nhà. Hầu hết chúng dẫn đến sai số định vị khá thấp.
Tuy nhiên, các thuật toán trong các công trình đó đòi hỏi tính toán phức tạp và nặng nề.
Điều này đặc biệt không phù hợp nếu chúng ta muốn triển khai hệ thống dưới dạng một ứng
dụng chạy trên điện thoại thông minh, vì thời gian phản hồi của ứng dụng có thể bị chậm do
các thuật toán phức tạp đó. Do đó, mục đích chính của bài báo này là thiết kế một hệ thống
định vị trong nhà dựa trên sự hợp nhất, không chỉ cung cấp dịch vụ định vị thời gian thực
nhanh, chính xác trên điện thoại thông minh mà còn có thể khắc phục các vấn đề tồn tại của
các kỹ thuật dựa trên iBeacon và PDR. Để tránh tính toán nặng nề, chúng tôi sử dụng bộ lọc
Kalman thay vì bộ lọc hạt, làm thuật toán hợp nhất để kết hợp lấy dấu vân tay và PDR. Trong
lấy dấu vân tay, chúng tôi xây dựng cơ sở dữ liệu đa hướng cho giai đoạn trực tuyến của
nó, để giảm tác động của NLOS. Ngoài ra, chúng tôi đã đề xuất một thuật toán nhẹ và hiệu
quả mà chúng tôi gọi là “Hiệu chỉnh vị trí dựa trên khoảng cách” để cải thiện vị trí của
người dùng dựa trên đèn hiệu gần người dùng nhất. Trong các thử nghiệm, hệ thống được đề
xuất được tích hợp vào một ứng dụng chạy trên iPhone. Nó dẫn đến sai số định vị trung bình
thấp chỉ 0,63 m.
Phần còn lại của bài báo được cấu trúc như sau: Phần. 2 trình bày tổng quan và từng
thành phần của hệ thống, trong đó chúng tôi tập trung vào đóng góp chính của mình—thuật
toán Hiệu chỉnh Vị trí Dựa trên Khoảng cách. Tiếp theo, chúng tôi hiển thị kết quả thử nghiệm
trong Sect. 3. Cuối cùng, Giáo phái. 4 kết luận bài báo.
Machine Translated by Google
Định Vị Trong Nhà Bằng BLE iBeacon, Cảm Biến Smartphone … 1009
2 Hệ thống đề xuất
Sơ đồ của hệ thống đề xuất được hiển thị trong Hình 1. Để tích hợp hệ thống
vào ứng dụng iOS chạy trên iPhone, chúng tôi sử dụng hai khung phát triển do
Apple Inc. cung cấp, có tên là CoreLocation và CoreMotion. Các khung này cho phép
chúng tôi đọc dữ liệu từ đèn hiệu và từ các cảm biến nhúng của điện thoại thông
minh [13–16].
Mô-đun đọc cảm biến chịu trách nhiệm đọc các giá trị hướng của tiêu đề và
gia tốc, được cung cấp bởi từ kế và gia tốc kế của
t
điện thoại thông minh. Hãy để nó = là vị trí hai chiều của người dùng tại thời điểm
[xt, yt] bước t. Trong nghiên cứu của chúng tôi, thời gian cập nhật (giữa t 1 và t) là 1 giây. Từ
dữ liệu của cảm biến, vị trí dựa trên PDR có thể được tính toán như sau:
t cosθt
˜It = ˆIt 1 + (1)
tsinθt
đâu là độ dài bước của người dùng và θt là hướng tiêu đề tại bước thời gian
t
t. Do đó, để tính toán vị trí dựa trên PDR, chúng ta cần xác định các thông
tin sau: phát hiện bước của người dùng, độ dài bước và hướng đi.
Để phát hiện bước, các giá trị gia tốc từ gia tốc kế được sử dụng.
Theo Apple Inc., gia tốc kế của thiết bị iOS cung cấp các phép đo gia tốc ở mỗi trục trong số ba trục
[16], như minh họa trong Hình 2. Trong kịch bản nghiên cứu của chúng tôi, người dùng cầm điện thoại
thông minh trên tay sao cho mặt sau của điện thoại đối diện và song song với mặt đất. Do đó, gia tốc
dọc, ay , tức là phép đo gia tốc theo trục y, đủ để phát hiện bước đi của người dùng. Một ngưỡng
kép sau đó được áp dụng cho gia tốc thẳng đứng như sau:
-Z
-X
+X
+Z
-Y
Machine Translated by Google
Định Vị Trong Nhà Bằng BLE iBeacon, Cảm Biến Smartphone… 1011
270o 90o
180o
x
Ô
Đối với chiều dài bước, chúng tôi để bằng một giá trị cố định là 0,6 m. Cuối cùng, hướng
đi của người dùng θ được lấy từ từ kế của thiết bị và giá trị của nó thay đổi từ 0 đến 360°,
Vì giá trị RSS của iBeacon bị ảnh hưởng nặng nề bởi môi trường trong nhà nên việc lọc các
giá trị RSS từ mỗi iBeacon là cần thiết. Có một số phương pháp để lọc RSS, chẳng hạn như bộ
Trong công việc này, chúng tôi đã sử dụng bộ lọc trung bình động đơn giản với cửa sổ gồm 6 giá
6k =0 RSSk (2)
RSSđược lọc =
N
Các giá trị RSS đã lọc sau đó được sử dụng trong lấy dấu vân tay, bao gồm hai giai đoạn:
giai đoạn ngoại tuyến và giai đoạn trực tuyến. Trong giai đoạn ngoại tuyến, chúng tôi thu thập
dữ liệu RSS tại một số điểm vị trí trên khu vực trong nhà. Tại mỗi điểm, dữ liệu được thu thập
khi chúng ta đứng ở mỗi hướng trong bốn hướng của hệ tọa độ: 0, 90, 180 và 270°.
Nói cách khác, tại một thời điểm, sẽ có tổng cộng bốn vectơ RSS. Mỗi vectơ RSS bao gồm các giá
trị RSS nhận được từ mọi iBeacon khi chúng tôi đứng ở một trong bốn hướng. Điều này sẽ giúp
giảm ảnh hưởng của NLOS đến các giá trị RSS của iBeacons, vì cơ thể người dùng có thể chặn các
tín hiệu từ iBeacons. Tổng cộng có bốn cơ sở dữ liệu ngoại tuyến, mỗi cơ sở dữ liệu tương ứng
với một trong bốn hướng. Sau đó, trong giai đoạn trực tuyến, dựa trên hướng đi từ mô-đun đọc
cảm biến, mô-đun lấy dấu vân tay sẽ chọn cơ sở dữ liệu tương ứng với hướng đi đó. Cuối cùng,
vectơ RSS trực tuyến mà thiết bị của người dùng nhận được được so sánh với vectơ trong cơ
sở dữ liệu đã chọn bằng cách sử dụng k-Láng giềng gần nhất (kNN) để dự đoán vị trí dựa trên dấu
vân tay.
Cuối cùng, vị trí dựa trên cảm biến và vị trí dựa trên dấu vân tay được hợp nhất
sử dụng bộ lọc Kalman, tương tự như các tác phẩm trong [7–9].
Machine Translated by Google
Ý tưởng về “Hiệu chỉnh vị trí dựa trên khoảng cách” là thỉnh thoảng sửa vị trí được
kết hợp bởi bộ lọc Kalman bằng cách sử dụng iBeacon gần người dùng nhất. iBeacon gần nhất
này là iBeacon có RSS mạnh nhất. Giả sử rằng chúng ta có tình huống như trong Hình 4.
iBeacon gần nhất là B, với vị trí là (xb, yb). Vị trí được hệ thống ước tính là P x p,
yp . d là khoảng cách giữa người dùng và iBeacon gần nhất, được tính toán theo mô hình
mất đường dẫn đường dài:
RSS1m
RSSd d = 10 10n (3)
trong đó RSS1m là RSS của iBeacon gần nhất ở khoảng cách tham chiếu là 1 m, RSSd là RSS
của iBeacon đó ở khoảng cách d và n là số mũ suy hao đường dẫn—tương đương với 1,99
trong nghiên cứu của chúng tôi.
Vì d là khoảng cách giữa người dùng và iBeacon gần nhất, nên vị trí thực tế của người
dùng phải ở đâu đó trong vòng tròn có tâm là iBeacon— B(xb, yb) và bán kính là d. Trong
tình huống ở Hình 4, vị trí mà hệ thống ước tính, P x không chính xác và không nằm trong
phạm vi vị tríđược
thực tế. Khoảng cách p, yp , giữa vị trí ước tính P và iBeacon gần nhất
2 2
đp = x xbp + yp yb (4)
Nếu dp > d (như trong Hình 4), vị trí ước tính được coi là không chính xác và sẽ
được cải thiện bằng thuật toán đề xuất. Bây giờ thuật toán sẽ di chuyển vị trí ước tính
từ P x p, yp không chính xác sang ước tính tốt hơn nhiều là C(xc, yc). C(xc, yc) là giao
điểm của đường tròn có tâm là iBeacon gần nhất—B(xb, yb) và đường nối giữa iBeacon và
điểm không chính xác
Định Vị Trong Nhà Bằng BLE iBeacon, Cảm Biến Smartphone… 1013
vị trí ước tính—BP. Bởi vì C gần với phạm vi vị trí thực tế hơn nhiều, nên nó sẽ là một ước tính
Vì chúng ta đã biết tọa độ của iBeacon B(xb, yb) gần nhất, vị trí ước tính không chính xác P
x và khoảng cách d và dp, nên có thể dễ dàng tính toán p, yp , ước tính C(xc, yc) được cải thiện :
2
d2(dp d) xc (x2 b+y2 b )+(x2 p+y2 p ) 2(yp yb)b
= (5)
2(x p xb+ayp ayb)
yc = axc + b (6)
Với:
yb yp
một = (7)
xb x p
yb yp
x
b = yp xb x p
p (số 8)
Ngoài ra, để đảm bảo rằng giá trị RSS từ iBeacon gần nhất ổn định và đáng tin cậy, thuật
toán được đề xuất sẽ chỉ được sử dụng khi khoảng cách d giữa người dùng và iBeacon đó được
tính toán thấp hơn 3 m và khi người dùng đứng yên trong một khoảng thời gian ngắn (m giây chẳng
hạn).
Để đánh giá hiệu suất của hệ thống được đề xuất, chúng tôi đã xây dựng một ứng dụng định vị
trong nhà chạy trên iPhone 5C. Các thí nghiệm được tiến hành ở khu vực trong nhà có kích thước
30 m × 11 m. Bảng 1 tóm tắt thông tin thiết bị. Vị trí của iBeacons trong khu vực được hiển thị
Tất cả các iBeacon được định cấu hình với cùng các tham số được hiển thị trong Bảng 1. Khi
người dùng đi quanh khu vực, ứng dụng sẽ theo dõi và ghi lại vị trí của người dùng. Chúng tôi đã làm
Hình 6 Kết quả thực nghiệm: a Đường đi bộ đơn giản, b Đường đi bộ phức tạp
thử nghiệm trong hai trường hợp, một trường hợp với hệ thống được đề xuất có thuật
toán Điều chỉnh vị trí dựa trên khoảng cách và trường hợp khác khi hệ thống không có
thuật toán. Kết quả thu thập được từ hai con đường đi bộ khác nhau được hiển thị
trong Hình 6.
Trong Hình 6, đường màu cam biểu thị đường dẫn thực, đường màu xanh lam là đường
dẫn được theo dõi với thuật toán hiệu chỉnh và đường màu xám là đường dẫn được theo
dõi không có nó. Trong trường hợp đường đi bộ đơn giản (Hình 6a), nếu không có thuật
toán hiệu chỉnh, hiệu suất của hệ thống dẫn đến sai số rất cao lên tới 5,49 m, với sai
số trung bình là 1,99 m. Điều này là do sự trôi dạt của PDR và chủ yếu là do tín hiệu
iBeacon không ổn định. Tuy nhiên, với thuật toán hiệu chỉnh, hiệu suất được cải thiện
đáng kể. Sai số tối đa được giảm xuống còn 2,49 m và sai số trung bình chỉ còn 0,63
m. Ngoài ra, hệ thống này cũng chạy và phản hồi tốt trên iPhone 5C.
Với một con đường đi bộ phức tạp hơn (Hình 6b), kết quả cũng tương tự. Không có
mô-đun hiệu chỉnh, sai số tối đa là 5,03 m và sai số trung bình là 2,25 m. Hiệu suất
một lần nữa được cải thiện với thuật toán đề xuất, với sai số tối đa và trung bình
lần lượt là 3,05 m và 0,90 m. Một bản tóm tắt các kết quả thử nghiệm của chúng tôi bao
gồm lỗi tối đa, lỗi trung bình, phương sai (VAR) và Lỗi bình phương trung bình (MSE)
được đưa ra trong Bảng 2.
Machine Translated by Google
Định Vị Trong Nhà Bằng BLE iBeacon, Cảm Biến Smartphone … 1015
tối đa. lỗi (m) Trung bình lỗi (m) VAR MSE
đường dẫn phức tạp Không chỉnh sửa 5.03 2,25 1,32 6,41
4. Kết luận
Trong bài báo này, chúng tôi đã giới thiệu một hệ thống định vị trong nhà dựa trên
iBeacon kết hợp giữa PDR và dấu vân tay. Để tránh tính toán phức tạp và nặng nề, chúng
tôi sử dụng bộ lọc Kalman làm thuật toán hợp nhất và sử dụng dữ liệu do các khung phát
triển iOS cung cấp. Ngoài ra, chúng tôi đã đề xuất một thuật toán nhẹ có tên là Hiệu
chỉnh vị trí dựa trên khoảng cách, đã cho thấy những cải tiến về hiệu suất của nó trong
các thử nghiệm. Chúng tôi cũng tạo một ứng dụng định vị để kiểm tra hiệu năng của hệ
thống. Ứng dụng chạy tốt trên iPhone với sai số trung bình thấp là 0,63 m đối với các
đường dẫn đơn giản.
Lời cảm ơn Công việc này đã được hỗ trợ bởi Đại học Quốc gia Hà Nội (VNU), theo Dự án số QG.19.25.
1. Zafari F, Gkelias A, Leung K. Khảo sát các hệ thống và công nghệ nội địa hóa trong nhà.
Có sẵn http://arxiv.org/abs/1709.01015v2 2. Al-
Ammar MA và cộng sự (2014) Khảo sát so sánh các công nghệ, kỹ thuật và thuật toán định vị trong nhà.
Trong: Hội nghị quốc tế về thế giới mạng năm 2014, Santander, trang 245–252 3. Phòng thí nghiệm
Silicon. Phát triển đèn hiệu với công nghệ bluetooth năng lượng thấp (BLE). Có sẵn https://
www.silabs.com/products/wireless/bluetooth/developingbeacons-with-bluetooth low-energy-ble-technology
4. Chen Z, Zou H, Jiang H,
Zhu Q, Soh YC, Xie L ( 2015) Kết hợp WiFi, cảm biến điện thoại thông minh và các điểm mốc bằng bộ
lọc Kalman để bản địa hóa trong nhà. Cảm biến 15:715–732 5. Chen Z, Zhu Q, Jiang H,
Soh YC (2015) Bản địa hóa trong nhà sử dụng cảm biến điện thoại thông minh và iBeacons. Trong: Hội
nghị lần thứ 10 của IEEE về điện tử công nghiệp và ứng dụng (ICIEA) năm 2015, Auckland, trang 1723–
1728
6. Chandel V, Ahmed N, Arora S, Ghose A (2016) InLoc: giải pháp định tuyến và định tuyến trong nhà
mạnh mẽ từ đầu đến cuối sử dụng điện thoại di động và đèn hiệu BLE. Trong: Hội nghị quốc tế về
định vị trong nhà và điều hướng trong nhà (IPIN) năm 2016, Alcala de Henares,
trang 1–8 7. Robesaat J, Zhang P, Abdelaal M, Theel O (2017) Bản địa hóa trong nhà BLE cải tiến với
sự hợp nhất dựa trên Kalman: một nghiên cứu thực nghiệm. Cảm biến 17(5)
8. Lee S, Cho B, Koo B, Ryu S, Choi J, Kim S (2015) Theo dõi vị trí trong nhà dựa trên bộ lọc Kalman
với khả năng tự hiệu chỉnh để giảm thiểu biến thể RSS. Trong: Tạp chí quốc tế về mạng cảm biến
phân tán—Số đặc biệt về các thách thức và chiến lược liên quan đến vị trí trong mạng cảm biến
không dây, tập 2015
Machine Translated by Google
9. Chen Z, Zhu Q, Soh YC (2016) Định vị và theo dõi trong nhà dựa trên cảm biến quán tính trên điện thoại thông
minh với các hiệu chỉnh iBeacon. IEEE Trans Industr Inf 12(4):1540–1549 10. Sung K, Lee
DK, Kim H (2018) Bản địa hóa người đi bộ trong nhà bằng iBeacon và bộ lọc Kalman cải tiến. Cảm biến 18(6)
11. Zou H, Chen Z, Jiang H, Xie L, Spanos C (2017) Bản địa hóa và theo dõi chính xác trong nhà bằng cảm biến quán
tính của điện thoại di động, WiFi và iBeacon. Trong: Hội nghị chuyên đề quốc tế IEEE 2017 về cảm biến quán
12. Chen J, Zhang Y, XueW (2018) Nội địa hóa trong nhà không giám sát dựa trên cảm biến điện thoại thông minh,
iBeacon và Wi-Fi. Cảm biến 18(5)
13. Apple, Bắt đầu với iBeacon. Có sẵn https://developer.apple.com/ibeacon/Getting Started-with-iBeacon.pdf 14.
Zafari F, Papapanagiotou I
(2015) Nâng cao vị trí vi mô dựa trên iBeacon bằng tính năng lọc hạt. Trong: Hội nghị truyền thông toàn cầu IEEE