Nghiên cứu phát triển kỹ thuật định vị trong nhà sử dụng tín hiệu Wi-Fi - Luận án tiến sĩ kỹ thuật

Các phương pháp hình học dựa trên phép đo thời gian và góc truyền sóng vô tuyến. Kỹ thuật thời gian truyền tín hiệu (ToA / TDoA / RTT / IEEE 802.11mc) đo khoảng thời gian sóng truyền giữa điểm phát và điểm thu. ToA yêu cầu đồng bộ thời gian tuyệt đối giữa thiết bị di động và các điểm truy cập AP. TDoA giảm bớt yêu cầu này bằng cách tính chênh lệch thời gian đến giữa hai trạm thu. Kỹ thuật góc tới tín hiệu (Angle of Arrival - AoA) xác định hướng sóng đến thông qua mảng ăng-ten đa phần tử. Phương pháp tam giác lượng (Trilateration & Triangulation) kết hợp dữ liệu khoảng cách hoặc góc để tính tọa độ giao điểm. Điểm yếu lớn nhất của các kỹ thuật này là hiện tượng che khuất phi đường thẳng NLOS. Hiệu ứng đa đường (Multipath fading & propagation) làm lệch thời gian truyền và biến dạng góc tới tín hiệu. Việc triển khai các kỹ thuật trên đòi hỏi phần cứng phức tạp và chi phí đồng bộ cao.

Kỹ thuật định vị tiệm cận xác định vị trí mục tiêu dựa vào điểm truy cập AP gần nhất. Phương pháp này có độ phức tạp tính toán rất thấp nhưng độ chính xác không cao. Giải pháp cải tiến sử dụng chỉ số cường độ tín hiệu nhận (RSSI) kết hợp mô hình suy hao đường truyền Log-distance Path Loss. Khoảng cách ước lượng được tính toán dựa trên mức suy giảm năng lượng sóng theo quy luật logarit. Môi trường trong nhà nhiều vật cản khiến tín hiệu RSSI dao động mạnh theo thời gian thực. Tường ngăn, đồ đạc và con người di chuyển làm suy hao tín hiệu phi tuyến tính. Nghiên cứu gần đây kết hợp thông tin trạng thái kênh (Channel State Information - CSI) ở mức vật lý để nắm bắt thông tin biên độ và pha chi tiết. CSI cung cấp dữ liệu ổn định hơn RSSI trước tác động của hiện tượng can nhiễu đa đường.

Quá trình tạo lập bản đồ tín hiệu vô tuyến (Radio Map construction) quyết định trực tiếp đến chất lượng định vị. Không gian khảo sát được chia thành lưới các điểm tham chiếu Reference Points (RP). Thiết bị đo thu thập mẫu RSSI từ tất cả các điểm phát AP lân cận tại từng RP. Dữ liệu sau đó được tiền xử lý để loại bỏ nhiễu và lưu trữ vào cơ sở dữ liệu vân tay sóng. Việc xây dựng Radio Map đòi hỏi chi phí thời gian và công sức khảo sát thực địa rất lớn. Khi môi trường thay đổi kiến trúc hoặc vị trí đồ đạc, bản đồ tín hiệu cần được cập nhật liên tục. Các giải pháp tự động hóa như mô hình suy hao thích nghi và nội suy không gian Kriging giúp giảm bớt số lượng điểm đo thực tế.

Giai đoạn so khớp trực tuyến sử dụng hai trường phái tính toán chính: tất định (Deterministic) và xác suất (Probabilistic). Phương pháp tất định sử dụng khoảng cách Euclid để tìm các điểm lân cận gần nhất trong không gian tín hiệu. Các thuật toán học máy và học sâu trong định vị (KNN, SVM, CNN, LSTM) được ứng dụng rộng rãi trong trường phái này. KNN tính trung bình trọng số tọa độ của k điểm lân cận tốt nhất. SVM phân chia không gian thành các vùng định vị riêng biệt. Mạng nơ-ron CNN và LSTM trích xuất đặc trưng không gian và chuỗi thời gian của chuỗi RSSI. Ngược lại, phương pháp xác suất coi RSSI là biến ngẫu nhiên tuân theo phân bố thống kê. Thuật toán tính toán hàm mật độ xác suất điều kiện để tìm vị trí có độ hợp lý cực đại. Phương pháp xác suất biểu diễn độ bất định tốt hơn trong môi trường động.

Tín hiệu RSSI thu thập tại một điểm cố định biến thiên liên tục theo thời gian. Khi có người di chuyển cắt ngang tầm nhìn LOS, cường độ tín hiệu suy giảm đột ngột và hình thành đỉnh phân bố thứ hai. Mô hình phân bố Gauss đơn lẻ dẫn đến sai số mô tả rất lớn. Mô hình GMM biểu diễn phân bố RSSI tổng thể thành tổng có trọng số của nhiều hàm phân bố Gauss thành phần. Mỗi thành phần Gauss đại diện cho một trạng thái kênh truyền cụ thể trong môi trường. Việc mô hình hóa chính xác hàm mật độ xác suất giúp tái tạo phân bố thực của tín hiệu. Đây là nền tảng cốt lõi để nâng cao độ chính xác cho các giải thuật định vị xác suất.

Thuật toán cực đại hóa kỳ vọng Expectation-Maximization (EM) được sử dụng để ước lượng tham số GMM. Tuy nhiên, thuật toán EM chuẩn bị sai lệch nghiêm trọng khi xuất hiện hiện tượng censoring và dropping. Luận án đề xuất giải thuật cải tiến EM-CD-GMM để xử lý đồng thời dữ liệu bị kiểm duyệt và dữ liệu bị rơi. Bước kỳ vọng (E-step) tính toán giá trị kỳ vọng có điều kiện của các mẫu ẩn dưới ngưỡng nhạy thu. Bước cực đại (M-step) cập nhật các tham số trọng số, giá trị trung bình và ma trận hiệp phương sai của từng thành phần Gauss. Đánh giá sai số toàn phương trung bình (MSE) chứng minh giải thuật EM-CD-GMM hội tụ ổn định và đạt độ chính xác tham số vượt trội so với các thuật toán truyền thống.

Phương pháp khớp lũy tiến (Progressive Fitting - PF) bắt đầu với một thành phần Gauss duy nhất. Thuật toán kiểm tra tính tương đồng phân bố và bổ sung dần các thành phần Gauss mới khi cần thiết. Quá trình dừng lại khi sai số xấp xỉ đạt ngưỡng hội tụ tối ưu. Ngược lại, phương pháp hợp nhất thành phần (Component Merging / Fitting - CF) khởi tạo mô hình với số lượng thành phần Gauss lớn. Thuật toán liên tục tính khoảng cách thống kê giữa các thành phần và hợp nhất các thành phần tương đồng. Cả hai phương pháp đều giảm đáng kể số lần lặp tính toán so với việc quét tìm kiếm toàn cục. Thuật toán tự động tìm ra cấu trúc mô hình phù hợp nhất với dữ liệu thực tế.

Trong môi trường truyền sóng thực tế, hiện tượng mất mẫu dữ liệu làm biến dạng tiêu chí đánh giá số thành phần. Luận án tích hợp cơ chế xử lý censoring và dropping vào quy trình ước lượng số thành phần Gauss. Thuật toán kết hợp đánh giá hàm hợp lý thu gọn và kiểm định thống kê trên tập dữ liệu hoàn chỉnh ước lượng. Kết quả thử nghiệm cho thấy phương pháp xác định chính xác số lượng đường truyền sóng đa đường chiếm ưu thế. Mô hình GMM được tối ưu hóa vừa giữ được độ chính xác xấp xỉ phân bố cao vừa duy trì kích thước dữ liệu gọn nhẹ. Bản đồ tín hiệu vô tuyến lưu trữ ít tham số hơn, giúp tăng tốc độ truy vấn ở giai đoạn định vị trực tuyến.

Thuật toán MaP tiếp nhận vector RSSI đo được trong thời gian thực từ các điểm truy cập Wi-Fi. Xác suất hậu nghiệm của từng điểm tham chiếu RP được tính toán dựa trên định lý Bayes. Hàm hợp lý sử dụng các tham số GMM đã được ước lượng chính xác qua thuật toán EM-CD-GMM. Tọa độ ước lượng cuối cùng là điểm tham chiếu có xác suất hậu nghiệm lớn nhất hoặc trung bình trọng số xác suất của nhóm điểm lân cận hàng đầu. Thuật toán MaP xử lý hiệu quả tình huống mất gói tin tại thời điểm đo trực tuyến. Nhờ mô hình phân bố chính xác, sai số định vị trung bình giảm rõ rệt so với các giải thuật KNN và Maximum Likelihood truyền thống.

Hiệu năng của hệ thống định vị được đánh giá qua hàm phân bố tích lũy sai số khoảng cách (Cumulative Distribution Function - CDF). Kết quả thực nghiệm tại tòa nhà văn phòng cho thấy sai số định vị trung vị đạt mức dưới 1.5 mét. Độ chính xác cải thiện hơn 25% so với phương pháp Fingerprinting kinh điển. Phân tích độ phức tạp tính toán chứng minh thuật toán MaP có thời gian đáp ứng milli-giây trên các thiết bị di động phổ thông. Hệ thống duy trì sự ổn định cao dưới tác động của người di chuyển và thay đổi cấu hình môi trường. Công trình nghiên cứu đóng góp giải pháp định vị trong nhà toàn diện, tiết kiệm và có độ tin cậy cao cho hạ tầng Wi-Fi hiện nay.