NÂNG CAO ĐỘ CHÍNH XÁC TRONG ĐỊNH VỊ XUYÊN THẤU SỬ DỤNG CÔNG NGHỆ UWB DỰA TRÊN CƯỜNG ĐỘ TÍN HIỆU THU VÀ HỌC MÁY

Nguyễn Thị Huyền; Dương Đức Hà; Trương Anh Dũng; Phạm Thanh Hiệp; Lều Mạnh Cường

doi:10.34238/tnu-jst.12626

NÂNG CAO ĐỘ CHÍNH XÁC TRONG ĐỊNH VỊ XUYÊN THẤU SỬ DỤNG CÔNG NGHỆ UWB DỰA TRÊN CƯỜNG ĐỘ TÍN HIỆU THU VÀ HỌC MÁY

Thông tin bài báo

Ngày nhận bài: 18/04/25 Ngày hoàn thiện: 28/05/25 Ngày đăng: 28/05/25

Các tác giả

1. Nguyễn Thị Huyền, Đại học Kỹ thuật Lê Quý Đôn
2. Dương Đức Hà , Đại học Kỹ thuật Lê Quý Đôn
3. Trương Anh Dũng, Đại học Kỹ thuật Lê Quý Đôn
4. Phạm Thanh Hiệp, Đại học Kỹ thuật Lê Quý Đôn
5. Lều Mạnh Cường, Đại học Kỹ thuật Lê Quý Đôn

Tóm tắt

Bài báo đề xuất một phương pháp mới nhằm tăng cường độ chính xác trong các hệ thống định vị xuyên thấu băng thông siêu rộng bằng cách sử dụng kỹ thuật loại bỏ dữ liệu thô kết hợp với mô hình học máy cho dữ liệu cường độ tín hiệu thu được. Công nghệ băng thông siêu rộng ra đời đã giải quyết nhiều thách thức liên quan đến sự khan hiếm tần số vô tuyến, đạt được độ chính xác cao trong đo khoảng cách và định vị. Tuy nhiên, vẫn tồn tại nhiều thách thức như ảnh hưởng của truyền dẫn đa đường, các hiện tượng tán xạ, khúc xạ dẫn tới làm giảm độ chính xác của hệ thống. Để giải quyết các thách thức này, các phương pháp xử lý tín hiệu khác nhau được sử dụng trong đó có kỹ thuật học máy. So với các phương pháp xử lý tín hiệu kinh điển, kỹ thuật học máy mang lại độ chính xác và hiệu suất ổn định cao hơn, đặc biệt là đối với tập dữ liệu lớn. Trong phương pháp đề xuất, mô hình học máy LightGBM tối ưu được sử dụng đã cải thiện đáng kể độ chính xác của hệ thống định vị xuyên thấu băng thông siêu rộng. Kết quả tính toán cho thấy, phương pháp đề xuất đã làm giảm sai số tuyệt đối trung bình từ 28,2% đến 72% so với các phương pháp trước đó. Đây là một hướng nghiên cứu hiệu quả góp phần giải quyết các thách thức phức tạp trong lĩnh vực định vị vô tuyến, cải thiện chất lượng các hệ thống định vị xuyên thấu và trong nhà.

Từ khóa

Công nghệ UWB; Cường độ tín hiệu thu; Kỹ thuật định vị; Học máy; Mô hình LightGBM

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] P. Groves, Principles of GNSS, Inertial, and Multisensor Integrated Navigation System, 2nd ed., Artech House: Boston, MA, USA, 2013.

[2] O. Sytnik, S. Masalov, P. Kholod, G. Pochanin, and V. Ruban, “UWB Technology for Detecting Alive People Behind Optically Opaque Obstacles,” in Proceedings of the 9th International Conference on Ultrawideband and Ultrashort Impulse Signals (UWBUSIS-2018), Odessa, Ukraine, pp. 110-114, 2018.

[3] B. K. Horn, “Doubling the Accuracy of Indoor Positioning: Frequency Diversity,” Sensors, vol. 20, no. 5, 2020, Art. no. 1489.

[4] G. Kia, L. Ruotsalainen, and J. Talvitie, "Toward accurate indoor positioning: An RSS-based fusion of UWB and machine-learning-enhanced WiFi," Sensors, vol. 22, no. 9, 2022, Art. no. 3204.

[5] N. Dvorecki, O. Bar-Shalom, L. Banin, and Y. Amizur, “A machine learning approach for Wi-Fi RTT ranging,” in Proceedings of the 2019 International Technical Meeting of The Institute of Navigation, USA, , pp. 435-444, 2019.

[6] S. Ouadfeul and L. Aliouane, “Multiscale analysis of 3D GPR data using the continuous wavelet transform,” in Proceedings of the XIII International Conference on Ground Penetrating Radar, Lecce, Italy, June 2010, pp. 1-4.

[7] P. E. Hart, “How the Hough transform was invented,” IEEE Signal Process. Mag., vol. 26, pp. 18–22, 2009.

[8] O. Dumin, V. Plakhtii, O. Pryshchenko, and G. Pochanin, “Comparison of ANN and Cross-Correlation Approaches for Ultra Short Pulse Subsurface Survey,” in Proceedings of the 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET), Lviv-Slavske, Ukraine, February 2020, pp. 381–386.

[9] T. H. Nguyen, D. H. Duong, and T. H. Pham, “Buried objects detection in heterogeneous environment using UWB systems combined with curve fitting method,” ICT Express, vol. 6, no. 4, pp. 348-352, 2020.

[10] R. M. M. R. Rathnayake et al., "RSSI and machine learning-based indoor localization systems for smart cities," Eng., vol. 4, no. 2, pp. 1468-1494, 2023.

[11] S. Sadowski and P. Spachos, “RSSI-Based Indoor Localization with the Internet of Things,” IEEE Access, vol. 6, pp. 30149–30161, 2018.

[12] T. Yang, A. Cabani, and H. Chafouk, “A Survey of Recent Indoor Localization Scenarios and Methodologies,” Sensors, vol. 21, 2021, Art. no. 8086.

[13] Z. D. Tekler, R. Low, C. Yuen, L. Blessing, “Plug-Mate: An IoT-based occupancy-driven plug load management system in smartbuildings,” Build. Environ., vol. 223, 2022, Art. no. 109472.

[14] P. Bahl and V. N. Padmanabhan, ‘‘RADAR: An in-building RF-based user location and tracking system,’’ in Proc. IEEE INFOCOM Conf. Comput. Commun. 19th Annu. Joint Conf. IEEE Comput. Commun. Societies, vol. 2, Mar. 2000, pp. 775–784.

[15] J. V. García, “Characterization of the log-normal model for received signal strength measurements in real wireless sensor networks,” Sensor Actuator Netw., vol. 9, no. 1, Feb. 2020, Art. no. 12.

[16] FCC, “Report and order 02-48,” 2002.

[17] X. Chen, and S. Kiaei, “Monocycle shapes for ultra wideband system,” Proceedings of 2002 IEEE International Symposium on Circuits and Systems, IEEE, 2002, vol. 1, pp. I597 – I600.

[18] L. Qiao, Y. Qin, X. Ren, and Q. Wang,“Identification of buried objects in GPR using amplitude modulated signals extracted from multiresolution monogenic signal analysis,” Multidisciplinary Digital Publishing Institute, Sensors, vol. 15, no. 12, pp. 30340–30350, 2015.

[19] J. Li, T. Guo, H. Leung, H. Xu, L. Liu, B. Wang, and Y. Liu, “Locating Underground pipe using wideband chaotic ground penetrating radar,” Sensors, vol. 19, no. 13, 2019, Art. no. 2913.

[20] H. Duong et al., “Locating the buried object using uwb system with hilbert transform and the least square curve fitting algorithm,” TNU Journal of Science and Technology, vol. 228, no. 6, pp. 77-84, 2023.

DOI: https://doi.org/10.34238/tnu-jst.12626

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ