PHƯƠNG PHÁP HỌC MÁY CHO ƯỚC LƯỢNG ĐỘ DÀI BƯỚC TRONG HỆ THỐNG DẪN ĐƯỜNG QUÁN TÍNH CHO NGƯỜI ĐI BỘ

Tóm tắt

Ước lượng độ dài bước là một thành phần then chốt trong các hệ thống dẫn đường quán tính cho người đi bộ (PDR), do sai số ước lượng có xu hướng tích lũy theo thời gian và làm suy giảm độ chính xác định vị, đặc biệt trong các môi trường không có tín hiệu GNSS. Nghiên cứu này đề xuất một mô hình học máy dựa trên Extreme Gradient Boosting (XGBoost) được tối ưu nhằm ước lượng độ dài bước một cách chính xác. Mô hình sử dụng cấu hình gọn với các cây quyết định nông, cơ chế điều chỉnh và hàm mục tiêu định hướng theo sai số tuyệt đối trung bình (MAE) nhằm tăng cường tính ổn định trước sự thay đổi của các kiểu dáng đi khác nhau. Thử nghiệm trên một tập dữ liệu công khai cho thấy mô hình đạt MAE là 0,042 m, với phân bố sai số ổn định theo các độ dài bước khác nhau. Phương pháp đề xuất giúp giảm sai số ước lượng độ dài bước khoảng 4–26%, tùy theo phương pháp so sánh, trong cùng điều kiện tập dữ liệu và kịch bản thực nghiệm. Các kết quả này chứng minh rằng mô hình đề xuất cung cấp một giải pháp có tính thực tiễn, chính xác và hiệu quả về mặt tính toán cho các ứng dụng yêu cầu ước lượng độ dài bước chính xác, bao gồm hệ thống PDR, phân tích dáng đi, định vị trong nhà và giám sát sức khỏe bằng thiết bị đeo.