Cải thiện độ chính xác trong định vị trong nhà dùng giải pháp kết hợp aoa và bộ lọc kalman cho hệ thống massive mimo

 vào cách thu nhận tín 
hiệu và tham số, có hai phương pháp phổ biến để định vị đối tượng đó là định vị gián tiếp và 
định vị trực tiếp. Một số nghiên cứu điển hình về phương pháp định vị trực tiếp được trình bày 
trong [3, 8 -9]. Tuy nhiên, quy trình định vị một bước này yêu cầu nhiều ràng buộc nghiêm ngặt, 
thuật toán xử lý phức tạp. Trong hệ thống Massive MIMO, phương pháp định vị gián tiếp dựa 
trên AOA được sử dụng do không yêu cầu sự đồng bộ về thời gian giữa bên phát và bên thu. 
Theo [3], bài báo đầu tiên xác định công thức toán học để ước lượng vị trí phát, sử dụng Angle-
of-Arrival (AOA), là do Stansfield [4]. Sau đó, có nhiều bài báo khác của Torrieri [5], Krim và 
Viberg [6] được xem như là các đề xuất về xử lý mảng ăng-ten cho ước lượng vị trí dùng AOA. 
Với môi trường trong nhà, quy trình hai bước truyền thống của định vị gián tiếp sẽ bị ảnh hưởng 
nghiêm trọng khi kết quả của phép đo không rõ ràng (ví dụ như giá trị của AOA gần bằng nhau) 
và rất khó để phân tách các giá trị nếu không có độ phân giải góc cao). Theo một số khảo sát, 
hiện nay, môi trường lý tưởng để kỹ thuật AOA đạt được độ chính xác cao trong định vị là tồn 
tại tầm nhìn thẳng giữa máy thu và máy phát, có nghĩa là tồn tại đường LOS. Trong môi trường 
đa đường và có nhiều NLOS định vị dựa trên AOA có kết quả không cao. Để cải thiện độ chính 
xác thông thường các tác giả sử dụng AOA kết hợp với một số kỹ thuật khác [7, 10]. Khi sử 
dụng AOA, hệ thống định vị thường sử dụng nhiều anten tĩnh hoặc mảng anten đó là anten thông 
minh để xử lý tín hiệu cho các phép đo AOA. Phương pháp phổ biến nhất là sử dụng mảng anten 
với hình dạng mảng đã biết và đo sự khác biệt của thời gian đến tín hiệu ở mỗi phần tử khác 
nhau của ăng ten. Các tác giả trong [7] ước tính AOA tại mỗi nút nhận thông qua phép đo chỉ số 
cường độ tín hiệu nhận được (Received Signal Strength Indicator - RSSI) cục bộ. Trong đó, các 
mảng ăng ten và các phép đo RSSI trên mỗi ăng ten và từ RSSI của chúng được sử dụng để thu 
thập AOA, dựa vào thông tin góc tới để ước tính vị trí. Vì vậy, có rất nhiều thuật toán được đưa 
vào áp dụng để ước tính AOA từ mảng anten hoặc anten thông minh. Mặt khác, những hệ thống 
anten này thường được sử dụng phổ biến trong hệ thống massive MIMO và đây cũng chính là lý 
do mà AOA được sử dụng trong bài toán định vị. Do sử dụng các tham số của tín hiệu góc tới để 
ước tính vị trí nên hệ thống định vị dùng kỹ thuật AOA truyền thống sẽ có sai số rất lớn trong 
môi trường đa đường, nhiều vật cản điển hình như môi trường trong nhà. Vì thế, bài báo này đề 
Kỹ huậ điều khiển & Điện ử 
 58 D. T. Hằng, , T. A. Vũ, “Cải hiện độ chính xác rong định vị  hệ hống Massive MIMO.” 
xuất sử dụng AOA kết hợp với bộ lọc Kalman trong định vị cho hệ thống dùng Massive MIMO 
để cải thiện độ chính xác trong định vị và loại bỏ các hạn chế của kỹ thuật AOA thông thường. 
Bố cục các phần tiếp theo của bài báo được trình bày như sau: mục 2 trình bày về cơ sở lý 
thuyết liên quan đến các kỹ thuật sử dụng trong bài, đó là kỹ thuật định vị sử dụng AOA và bộ 
lọc Kalman. Mục 3 trình bày về sơ đồ khối hệ thống của bài báo, thuật toán đề xuất. Mục 4 đưa 
ra các kịch bản mô phỏng và một số đánh giá. Cuối cùng là phần kết luận của bài báo được trình 
bày trong mục 5. 
2. CƠ SỞ LÝ THUYẾT 
 2.1. T uật toán địn vị sử dụng AOA truyền t ống 
Để ước lượng vị trí của nguồn, cần có các tín hiệu đo lường, các dữ liệu cho việc ước lượng 
vị trí thường là các thông số nhận được từ việc thu phát tín hiệu không dây giữa một nguồn phát 
và một thiết bị nhận. Trong phương pháp định vị AOA, tham số dùng để ước lượng vị trí của đối 
tượng là góc tới của tín hiệu. Góc tín hiệu đến là góc và khoảng cách được tính toán từ nguồn 
đến hai hoặc nhiều điểm tham chiếu biết trước vị trí. Việc tính toán góc và khoảng cách đến các 
điểm tham chiếu được sử dụng để ước lượng vị trí của nguồn. Sử dụng phương pháp này, vị trí 
của nguồn có thể được xác định bằng cách đo góc giữa đường đi của tín hiệu từ nguồn phát đến 
thiết bị với đường chuẩn cho trước theo mô tả trên hình 1 [10]. 
Giả sử số trạm gốc là K, vị trí của MS (Mobile Station) là (x, y) và vị trí của các trạm BS 
(Base Station) tại vị trí p là ( , )p px y . Các giá trị AOA của mỗi trạm gốc được đo giữa ăng ten 
truyền thứ i và ăng ten thu thứ j là θp,i,j theo phương trình (1) sau đây: 
, ,
, ,
, ,
arctan
p i j
p i j
p i j
y y
x x

 (1) 

MS
Đường tham chiếu
Hướng đến của tín hiệu
BS
Hình 1. Sơ đồ mô hình định vị sử dụng góc tín hiệu đến. 
Khi đó, ta có: 
, , , , , , , ,tan( ) tan( )p i j p i j p i j p i jx y x y  (2) 
Nếu tồn tại lỗi trong dữ liệu AOA đo được, lỗi đo  có thể được xác định theo công thức: 
ah G X (3) 
Trong đó: 
1 1, , 1
2 2, , 2
M, ,
tan
tan
........
tan
i j
i j
M i j M
x y
x y
h
x y



 (4) 
Nghiên cứu khoa học công nghệ 
 Tạp chí Nghiên cứu KH&CN quân sự, Số 71, 02 - 2021 59 
và 
1, , 1
2, , 2
M, ,
tan 1
tan 1
........ .....
tan 1
i j
i j
a
i j M
y
y
G
y



 (5) 
x
X
y
 (6) 
Khi đó, vị trí MS có thể được ước tính bằng thuật toán bình phương nhỏ nhất LS (Least 
Squares) như sau: 
1
G hT Ta a aX G G
 (7) 
Lỗi tính theo thuật toán LS của AOA là tương đối nhỏ trong môi trường LOS, tuy nhiên, lỗi 
này sẽ tăng lên trong môi trường chỉ có NLOS [8]. 
2.2. Bộ lọc K lm n 
Bô lọc Kalman cơ bản là thuật toán xử lý dữ liệu hồi quy tối ưu. Bước dự đoán trạng thái 
trong bộ lọc Kalman được sử dụng để ước tính trạng thái quá trình tại một thời điểm nhất định 
dựa trên dữ liệu quan sát vị trí hoặc phép đo thu được từ thời điểm trước đó. Nhờ tính năng đó 
mà bộ lọc này được sử dụng để kết hợp với một số phương pháp khác áp dụng cho bài toán xác 
định vị trí [12]. 
Giả sử rằng có thể mô hình hóa bộ lọc bởi phương trình chuyển trạng thái (8): 
 𝑥k+1 = 𝑭 k 𝑥 k + 𝑮 k𝒖 k + 𝑤 k (8) 
Trong đó, 𝑥k là trạng thái tại thời điểm k, 𝒖k là vector điều khiển đầu vào, 𝑤k là hệ thống 
nhiễu cộng hay nhiễu quá trình – thường là nhiễu Gaussian trắng cộng (AWGN), 𝑮k là ma trận 
chuyển đổi đầu vào và 𝑭k là ma trận chuyển trạng thái. 
Ngoài ra, giả sử rằng, khả năng quan sát trạng thái được thực hiện thông qua một hệ thống đo 
lường có thể được biểu diễn bởi một phương trình tuyến tính theo công thức (9): 
 𝑧k= 𝑯k𝑥k+𝒗k (9) 
 Trong đó, 𝑧k là thông tin quan sát hay đo lường thực hiện tại thời điểm 𝑘, 𝑥k là trạng thái tại 
thời điểm 𝑘, 𝑯k là ma trận quan sát 𝒗k là nhiễu cộng trong quá trình đo lường. 
Mô hình đề xuất của chúng tôi sử dụng bộ lọc Kalman với các giả thiết sau: 
 Sự thay đổi trạng thái tuân theo một mô hình chuyển động tuyến tính trong không gian 2 
chiều với giả định vận tốc chuyển động là không đổi. 
 Ma trận chuyển trạng thái F được biểu diễn bởi (10): 
10
1.01
F
 (10) 
 Ma trận chuyển đổi đầu vào G được biểu diễn bởi (11): 
  TyxG 1.02.0 
(11) 
 Vector điều khiển đầu vào được mô tả theo (12): 
 00 yxu 
 (12) 
x,y trong (11) và (12) là tọa độ đo được theo thuật toán AOA. 
 Ma trận quan sát trong phép đo lường được biểu diễn bởi (13): 
Kỹ huậ điều khiển & Điện ử 
 60 D. T. Hằng, , T. A. Vũ, “Cải hiện độ chính xác rong định vị  hệ hống Massive MIMO.” 
H = transpose(H1) (13) 
Trong đó, H1 được xác định theo (14) : 
1
1
1
y
x
H
 (14) 
trong đó: x1= [0: 0.1: 1]; y1= [x1
1.8
]. 
Giả sử nhiễu quá trình và nhiễu đo tuân theo phân bố Gaussian có giá trị trung bình bằng 0. 
Công cụ ước lượng giá trị sai số được sử dụng là phương pháp bình phương trung bình tối thiểu 
(MMSE) tối ưu cho các quá trình tuyến tính. 
3. SƠ ĐỒ KHỐI HỆ THỐNG VÀ THUẬT TOÁN ĐỀ XUẤT 
3.1. Sơ đồ ối 
Sơ đồ khối hệ thống được biểu diễn trên hình 2. Hệ thống gồm hai khối chính là khối đo 
lường làm nhiệm vụ phát hiện sóng đến dựa trên tham số của sóng đến tính toán các tham số góc 
tới và ước lượng vị trí của thiết bị bằng thuật toán AOA. Khối tiếp theo là khối lọc, sử dụng bộ 
lọc Kalman để ước lượng lại vị trí của thiết bị. 
Vào 
Phát hiện 
tín hiệu 
đến 
Tính toán 
góc tới 
Ước lượng 
vị trí theo 
AOA 
Tính 
hệ số 
lọc 
Ước 
lượng 
vị trí 
Ra 
Hình 2. Sơ đồ khối hệ thống ước lượng vị trí dùng AOA kết hợp bộ lọc Kalman. 
3.2 T uật toán đề xuất 
Để đánh giá hiệu quả của đề xuất chúng tôi đưa ra các kịch bản trong mô phỏng như sau: Hệ 
thống bao gồm 4 trạm BS (đã biết trước vị trí), và 1 thiết bị di động chuyển động với vận tốc tối 
đa là 1.4m/s. Sử dụng công thức (7) để ước tính vị trí của MS dựa vào các tham số AOA. Giá trị 
ước lượng này được đưa vào bộ lọc Kalman để thiết lập các tham số, vị trí của MS sau đó được 
ước lượng theo công thức (8), (9). 
Các bước thực thi thuật toán đề xuất: 
 Khởi tạo các tham số: số trạm BS, công suất trung bình trạm BS, thời gian trễ. 
 Thu thập giá trị của các tín hiệu đến. 
 Ước lượng góc tới AOA theo công thức (1), (2). 
 Ước lượng vị trí theo công thức (7). 
 Thiết lập phương trình tính các hệ số lọc Kalman. 
 Ước lượng vị trí theo công thức (8) (9) 
4. MÔ PHỎNG VÀ ĐÁNH GIÁ 
Dựa vào mục 3.2, hai kịch bản mô phỏng được trình bày như sau: 
Kịch bản 1: MS di chuyển theo quỹ đạo là đường cong ngẫu nhiên, giả thiết các vị trí MS di 
chuyển đến đều tồn tại LOS; kịch bản 2: MS di chuyển theo quỹ đạo là đường cong ngẫu nhiên. 
Giả thiết rằng, một số vị trí trên quãng đường dịch chuyển của MS không xác định được sóng 
nhìn thẳng LOS. 
Kết quả mô phỏng tương ứng với hai kịch bản này được biểu diễn lần lượt trên hình 3 và hình 
5. Hình 4 so sánh sai số của hai phương pháp dùng AOA và AOA kết hợp Kalman. 
Hình 3 và hình 5 biểu diễn kết quả mô phỏng quỹ đạo di chuyển trong hai kịch bản. Kết quả 
Nghiên cứu khoa học công nghệ 
 Tạp chí Nghiên cứu KH&CN quân sự, Số 71, 02 - 2021 61 
cho thấy, trong trường hợp chỉ tồn tại đường NLOS thuật toán đề xuất có quỹ đạo bám sát với 
quỹ đạo thực của MS trong khi với kỹ thuật AOA truyền thống (các điểm chấm trên hình 5) kết 
quả quỹ đạo ước lượng sai lệch rất lớn so với quỹ đạo thực. Dựa vào khả năng ước tính vị trí dựa 
trên các dữ liệu thu được tại thời điểm trước đó của bộ lọc Kalman nên giải pháp đề xuất không 
bị phụ thuộc hoàn toàn vào dữ liệu thu được tại thời điểm ước lượng. Bằng cách làm này, những 
trường hợp không thu được dữ liệu AOA hoặc không phân tách chính xác các đường LOS và 
NLOS thì giải pháp đưa ra vẫn ước tính được vị trí một cách chính xác và nhanh hơn do sử dụng 
phương pháp dự đoán trước. 
Hình 3. Mô tả quỹ đạo chuyển động của thuật toán 
đề xuất, AOA và quỹ đạo thực trong kịch bản 1. 
Hình 4. Sai số của AOA và AOA kết hợp 
bộ lọc Kalman. 
Hình 5. Mô tả quỹ đạo chuyển động của thuật toán đề xuất, AOA 
và quỹ đạo thực trong kịch bản 2 (tồn tại NLOS). 
5. KẾT LUẬN 
Bài báo đã trình bày về đề xuất sử dụng giải pháp kết hợp kỹ thuật AOA với bộ lọc Kalman 
để định vị một đối tượng chuyển động trong nhà cho hệ thống Massive MIMO. Kết quả mô 
phỏng cho thấy, thuật toán đề xuất ước lượng vị trí đối tượng trong hai kịch bản chỉ tồn tại 
đường NLOS và khi tồn tại cả đường LOS và đường NLOS đều đạt độ chính xác cao hơn so với 
giải pháp dùng kỹ thuật AOA truyền thống. Đặc biệt trong trường hợp chỉ tồn tại đường NLOS, 
với yêu cầu sai số nhỏ hơn 2m đến 3m thuật toán đề xuất đạt độ chính xác cao hơn 20% đến 30% 
so với thuật toán định vị dùng AOA truyền thống. 
TÀI LIỆU THAM KHẢO 
[1]. Wen, F., Wymeersch, H., Peng, B., Tay, W. P., So, H. C., & Yang, D. “A survey on 5G massive 
MIMO localization”. Digital Signal Processing. doi:10.1016/j.dsp.2019.05.005 
Kỹ huậ điều khiển & Điện ử 
 62 D. T. Hằng, , T. A. Vũ, “Cải hiện độ chính xác rong định vị  hệ hống Massive MIMO.” 
[2]. Yassin, A.; Nasser, Y.; Awad, M.; Al-Dubai, A.; Liu, R.; Yuen, C.; Raulefs, R.; Aboutanios, E. 
“Recent Advances in Indoor Localization: A Survey on Theoretical Approaches and Applications”. 
IEEE Commun. Surv. Tutor 2017, 19, 1327–1346. 
[3]. Amar, A., & Weiss, A. J. (n.d.), “Direct position determination of multiple radio signals”, IEEE 
International Conference on Acoustics, Speech, and Signal Processing. 
doi:10.1109/icassp.2004.1326199. 
[4]. R.G. Stansfield, “Statistical theory of DF fixing”, Journal of IEE 94 (15) (December 1947) 762–770. 
[5]. Torrieri, D. (1984). “Statistical Theory of Passive Location Systems”, IEEE Transactions on 
Aerospace and Electronic Systems, AES-20(2), 183–198. doi:10.1109/taes.1984.310439 
[6]. H. Krim, and M. Viberg, “Two Decades of Array Signal Processing Research”, IEEE Signal 
Processing Magazine, Vol. 13, No. 4, July 1996. 
[7]. Marko Malajner, Dušan Gleich, Peter Planinšič, “Angle of Arrival estimation algorithms using 
Received Signal Strength Indicator”, Journal of Microelectronics, Electronic Components and 
Materials Vol. 45, No. 4 (2015), 237 – 248. 
[8]. Weiss, A. J., & Amar, A, “Direct Position Determination of Multiple Radio Signals”, EURASIP 
Journal on Advances in Signal Processing, 2005. doi:10.1155/asp.2005.37 
[9]. Nil Garcia, Member, IEEE, Henk Wymeersch, Member, IEEE, Erik G. Larsson, Fellow, IEEE, 
Alexander M. Haimovich, Fellow, IEEE, and Martial Coulon, “Direct Localization for Massive 
MIMO”, IEEE TRANSACTIONS ON SIGNAL PROCESSING, VOL. 65, NO. 10, MAY 15, 2017. 
[10]. Zhang, Y., Deng, Z., & Gao, Y. “Angle of Arrival Passive Location Algorithm Based on Proximal 
Policy Optimization”. Electronics, 8(12), 2019, 1558. doi:10.3390/electronics8121558. 
[11]. Lu and Li, “Robot indoor location modeling and simulation based on Kalman filtering”, EURASIP 
Journal on Wireless Communications and Networking, 2019. 
ABSTRACT 
IMPROVING THE ACCURACY OF INDOOR LOCALIZATION 
USING APPROACH AOA COMBINED THE KALMAN FILTER 
FOR MASSIVE MIMO SYSTEM 
 In this paper, an efficient improving the accuracy approach of indoor positioning, 
which is based on AOA combined with a Kalman filter has been proposed. The proposed 
approach is able to improve positioning accuracy in indoor environments with high 
accuracy. Two scenarios are created to test the performance of the proposed approach. In 
the first scenario when the transmission environment has a LOS (Line Of Sight) path and 
NLOS path, in the second scenario the environment has only the NLOS (Non - Line Of 
Sight) path because the LOS paths are attenuated. The simulation results show that the 
proposed approach achieves higher accuracy than the traditional AOA based positioning 
method. In particular, when the error is less than 2m and the environment has NLOS, the 
proposed algorithm achieves 20% higher accuracy than the traditional AOA algorithm. 
Keywords: Indoor positioning System; Massive MIMO; Angle Of Arrival; Kalman Filter; Combined AOA and 
Kalman Filter; NLOS. 
Nhận bài ngày 18 tháng 10 năm 2020 
Hoàn thiện ngày 08 tháng 12 năm 2020 
Chấp nhận đăng ngày 05 tháng 02 năm 2021 
Địa chỉ: 1Khoa Điện tử, Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội; 
2Khoa Điện tử, Trường Đại học Công nghiệp Hà Nội. 
*
Email: hangdt@haui.edu.vn.