CN100459782C - 信号质量观测结果的应用 - Google Patents

Abstract

用于在应用中使用至少一种信号质量参数的方法和设备。目标设备(T)产生在无线通信环境(RN)中的至少一种信号质量参数的观测结果(OS)。由于在不同的目标设备观测结果之间有着显著的差异，因此，有一种或者多种对所述差异进行补偿的设备模型(DM)。选择逻辑(SL)选择优选的设备模型(DM)用于每个目标设备(T1-T3)。由目标设备(T)所产生的观测结果通过所选择的设备模型而被处理，并且被应用到应用中，例如定位应用(LCM)或者网络规划。

Description

信号质量观测结果的应用

技术领域

本发明涉及无线通信网络中信号质量观测结果的实际应用。信号质量观测结果主要被用于在无线通信网络中选择小区或基站。本发明特别涉及信号质量观测结果的其它用途，例如移动定位和网络规划。

背景技术

最近发现信号质量的观测结果可以用来定位移动通信设备，所述观测结果例如是信号强度、比特错误率/比、信噪比等。如这里所使用的那样，“目标设备”指的是其位置将被确定的移动通信设备。

图1示意性地说明了所述定位技术的例子。目标设备T经由无线接口RI通过基站BS进行通信。在所述例子中，假定所述通信为无线通信。目标设备T观测无线接口RI上的信号值。应用所述观测结果O于概率模型PM中，所述概率模型PM对目标设备的无线通信环境进行模拟，并产生位置估计LE。如这里所使用的那样，目标设备是位置将被确定的设备。目标设备通过无线环境中的信号进行通信，并且无线环境中的信号值被用来确定目标设备的位置。例如，目标设备可以是在无线局域网(WLAN)中进行通信的数据处理设备。数据处理设备可以是通用的膝上电脑或掌上计算机或者通信设备，或者其可以是专用的测试或测量设备，例如连接到WLAN的医疗器械。这里所使用的位置是一至三个坐标的坐标集合。在一些特殊的情况下，例如在隧道中，单个的坐标就足够了，但是在大多数情况下，位置被表示为坐标对(x，y或者角度/半径)。

移动通信设备测量信号质量参数。信号质量参数的一个很好的例子是信号强度。首字母缩写RSSI常常被用来指接收信号强度指示。例如，使用RSSI来选择小区或基站。

与上述现有技术相关联的问题是这样的事实：许多移动通信设备相当拙劣地测量信号强度或RSSI。RSSI的主要用途是选择优选的小区或基站，而对于所述目的，相当粗略的测量就足够了。当RSSI(或任何其它信号值)被用于定位或网络规划时，希望有高得多的准确度。另外，若RSSI的主要用途是选择优选的小区或基站，当信号强度高的时候，RSSI测量可能很不准确，这是因为在所述情况下没有改变服务小区或基站的必要。在网络规划和/或维护中会遇到相关的问题。

发明内容

本发明的目的是提供一种方法和实现所述方法的设备，以便减轻上述缺点。换句话说，本发明的目的是改进移动通信设备的信号质量观测结果。本发明的目的通过所述方法和设备而实现，所述方法和设备以独立权利要求中所说明的内容为特征。在从属权利要求中公开了本发明的优选实施例。

本发明基于设备模型的思想，所述设备模型对目标设备的信号质量观测结果进行模拟。目标设备对其无线通信环境中的至少一种信号质量参数，例如信号强度进行观测。由目标设备所进行的观测通过所述设备模型而被处理，并且应用所述处理的观测结果到应用中。所述应用是从信号质量观测的提高的准确度中获益的任何应用。例如，所述应用可以是定位应用、网络规划/维护或类似的应用。基于某些标准来为目标设备选择优选的设备模型。例如，目标设备类型可以被标识，并且基于所述标识可以选择匹配的设备模型。如果不能确定目标设备类型，则可以尝试几种设备模型直到发现一设备模型，所述设备模型能够导致最可能的位置估计和/或被估计的位置之间的转移。所述选择的结果可能被高速缓存用于将来的使用。

所述设备模型选择可以作为紧凑的位置估计模块来实现，所述位置估计模块包括几个设备模型和用于选择优选设备模型的选择逻辑。可选地，所述设备模型选择可以作为分布式的装置来实现，所述分布式的装置存储几个设备模型，所述设备模型中的一个被下载到目标设备本身，这样所述目标设备能够更好地估计其自己的位置，或报告校正的观测结果给在网络固定部分中的位置估计模块。

在定位应用中，所述设备模型提高了定位的准确度和/或可靠性。根据本发明，由于通过设备模型大大地消除了不同目标设备之间的差异，因此，同一概率模型可以被用于很大范围的目标设备中。

在网络规划和/或维护的应用中，本发明提高了网络规划和/或维护应用的能力，以便就不同的通信设备来预测网络参数，例如服务质量(QoS)、吞吐量或类似的参数。例如，网络规划操作者可以确定：在给定的区域内通过良好的通信设备可以获得给定的QoS，而通过不好的通信设备则不能获得。

可以如下面那样数学地表达所述设备模型。为了就相互可比较的不同WLAN卡类型C₁，…，C_n来进行信号强度测量，我们需要定义函数集合g_i(x)＝y，i＝1…n，这样，函数g_i将就卡类型C_i所测量的信号值x转换为“标准化的”信号值y。换句话说，g_i(x_i)＝g_j(x_j)意味着就卡C_i所测量的信号值x_i对应于就卡C_j所测量的信号值x_j。

似乎自然会想到：可以通过简单的因子或乘数来消除不同通信设备之间的差异。例如，在正确值为30单元的位置上报告20单元的RSSI的设备将具有因子1.5。令人惊奇的是，发明人发现这种简单的因子或乘数对于大多数当今通信设备是不够的，所述通信设备例如WLAN卡。这是因为错误远不是线性的。实际上，如果实际信号强度连续地增加，则由大多数WLAN卡所报告的RSSI类似于具有很不均匀的阶跃(step)的阶跃函数。而且，即使在单个制造批次中，同一制造商的WLAN卡也相互不同。因此，所述函数g_i典型地比简单的乘数或例如多项式的优雅(elegant)的数学函数要复杂得多。实际上，所述设备模型最好由阶跃函数来描述。

使设备模型的确定更加困难的是这样的事实：很难精确地安排用于校准的已知条件。理论上，所有需要的一切是装配良好的无线电频率实验室，所述实验室应当属于每个通信设备制造商。但是现实的问题是：对于提供信号值观测结果的实际应用的公司，所述设施是几乎不可获的，所述实际应用例如是定位或网络规划。而且，在完全一样的位置上安装两个通信设备是不可能的，并且如果在不同的时间在同一位置安装两个设备，则在两者之间所述条件很可能会有所改变。

因此，所述设备模型优选地是基于多个观测结果的统计模型的。所述统计模型的优选形式是基于信号质量值的累积分布函数的。所述累积分布函数的好处是：其是自动单调的。

因此，在一般的环境中通信设备是来自于几个制造商和制造批次的，在所述一般的环境中，所述设备模型引起一个极大的逻辑问题：如何才有可能为不同品牌的通信设备维护设备模型？可以通过维护类型特定(type-specific)或品牌特定(brand-specific)的设备模型来减轻所述问题，并且当通信设备注册到网络中时，确定所述通信设备的类型或品牌。可选地，可以基于对某设备寄存器的查询来确定所述设备类型。所述设备模型的优选形式包括类型特定的设备模型和单元特定(unit-specific)的设备模型。所述类型特定的设备模型是一种复杂的模型，典型地是基于多个观测结果的统计模型的。另一方面，单元特定的设备模型可以较简单，例如简单的多项式或单个的系数。

然而，人们可以想到：将来，所述设备模型可以比现在的更加简单。现在，既然通信设备知道何时RSSI下降到很低，以至于进行小区改变是适宜的，那么设备制造商就很少有或没有动机去准确地测量RSSI。将来，当RSSI测量更广泛地被用于除了小区改变以外的应用时，例如用于定位应用时，设备的RSSI测量能力很可能提高，并且所述设备模型可以趋近于简单的多项式，或在极端情况下，趋近单个的系数。

根据另外的优选实施例，定位应用包括多个不同的设备模型，并且选择最匹配于所讨论的目标设备的设备模型。一个正常的问题是：所述定位应用如何知道哪个设备模型为正讨论的目标设备提供最佳匹配？对这个问题的优雅的回答是：基于所述目标设备的已知位置来选择最匹配的设备模型。例如，假设定位应用是基于在建筑物中的WLAN网络的。建筑物典型地具有明确的入口和出口点(门)。当客户进入建筑物时，一设备模型将客户安置在入口点，而其它设备模型则将客户安置在建筑物的其它位置上。当客户注册到建筑物的WLAN网络中时将客户安置在入口点的模型明显是最匹配的设备模型。

根据本发明的另外的优选实施例，所述最匹配设备模型选择的结果被高速缓存用于将来的使用。对于其中存在几个可选的入口点而却仅有一个或少数出口点的情况，所述实施例可以是有益的。因此，在收款台点可以肯定地知道客户的位置，并且可以选择最匹配设备模型。但是，在收款台点之后，所述客户的位置是不相关的。如果将最匹配设备模型的消息存储在高速缓存中，则在所述客户下次进入房屋时，可以立即选择所述最匹配设备模型。

选择最匹配设备模型的其它方法是基于数据库的，数据库例如是网络订购或设备注册，其指示给定目标设备的类型，并且另外的数据库指示用于所述类型的优选的设备模型。

附图说明

下面，将通过参考附图，通过优选实施例的方式，更详细地描述本发明，其中：

图1示意性地描述了定位技术；

图2显示了位置估计模块LEM，其用于基于无线接口RI上的信号值来估计目标设备的位置；

图3和4是描述将被确定位置的典型目标设备的框图；

图5描述了确定设备模型的过程；

图6显示了用于在几个可选设备模型中进行选择的选择逻辑；以及

图7概括了通过选择的设备模型来估计目标设备的位置的方法。

具体实施方式

图2是示范性位置估计模块LEM的框图，所述位置估计模块LEM用于基于无线接口RI的信号值来估计目标设备的位置。图2显示了紧凑的位置估计模块LEM，但是更加分布式的实施例同样也是可能的。位置估计模块的基本特征是目标设备的无线环境的概率模型PM，假定多个来自于所述无线接口的观测结果，所述概率模型能够预测所述目标设备的位置。在所述例子中，通过模型构建模块MCM来构建和维护所述概率模型PM。所述模型构建模块MCM基于校准数据CD、或以一个或多个传播模型的形式的传播数据PD、或者其任何组合来构建并维护所述概率模型。校准数据CD是在已知位置上对信号值进行物理测量的结果(或者如果所述位置不是通过其它方法已知的，则对所述位置的坐标进行确定)。可选地，在信号参数随时间变化的情况下，所述校准数据记录还可以包括进行测量的时间。替代校准数据CD，或者除了所述校准数据以外，一个或多个传播模型PD可以被用于模拟所述无线接口RI。所述传播模型可以通过与用于视觉仿真的光线跟踪技术相类似的技术来建立。采集校准测量的位置被称为校准点。所述校准数据CD包括数据记录，其中每一个都包括所讨论的校准点的位置，以及在所述校准点上所测量的信号参数的集合。可以用任何绝对或相对的坐标系统来表示所述位置。在特殊的情况下，例如在火车、高速公路、隧道、航道或者类似的情况下，单一的坐标就足够了，但是通常会使用两个或者三个坐标。

还有位置计算模块LCM，其用于基于所述目标设备的观测结果集合OS和所述概率模型PM来产生位置估计LE。例如，所述位置计算模块可以作为软件程序来实现，所述软件程序在膝上型电脑或掌上电脑中被执行。

为了补偿不同信号质量观测结果之间的差异，通过设备模型DM，所述目标设备的观测结果集合OS被应用到位置估计模块LEM中。实际上，将存在许多不同的设备模型，并且将基于一些逻辑来选择适当的一个，如后面将更详细地描述的那样。图2显示了一实施例，其中校准数据CD还通过第二设备模型DM’被应用到模型构建模块中。所述第二设备模型DM’基本上类似于第一设备模型DM，并且允许来自于不同校准设备的校准数据CD的输入。另一方面，如果通过单个校准设备或通过多个匹配校准设备来收集所有的校准数据CD，则所述第二设备模型DM’可能是多余的。

图3是描述位置将被确定的典型目标设备T的框图。在所述例子中，目标设备T显示为通过无线网络RN进行通信的便携式电脑。例如，无线网络可以是WLAN(无线局域网)网络。在图3所示的实施例中，在目标设备T中不安装包括概率模型PM的位置估计模块LEM。因此，目标设备T必须通过其所连接的一个或多个基站BS，发送其观测结果集合OS到位置估计模块LEM。所述位置估计模块LEM通过无线接口RI将其位置估计LE返回给目标设备。

图4显示了一可选实施例，其中所述目标设备的附带的计算机PC接收在可移动的存储器RM上的概率模型PM的拷贝，其中所述可移动的存储器RM例如是CD-ROM盘，并且所述目标装置T能够确定其自身的位置，而不需要发送任何数据。作为另一个选择(没有单独地被示出)，所述附带的计算机PC可以通过到所述位置估计模块LEM的因特网(或者任何其它数据)连接来接收所述概率模型。宽带移动台可以通过所述无线接口RI来接收所述概率模型。还可以使用所述技术的混合，这样，所述接收器通过有线连接或从可移动的存储器上接收初始的概率模型，但是，随后对所述模型的更新则通过所述无线接口而被发送。

在图3和图4所示的两个实施例中，位置计算模块LCM需要设备模型DM。因此，在图3所示的实施例中，所述设备模型DM优选地位于与位置计算模块LCM相连的固定网络中。所述设备模型的安置使所述目标设备T中的资源消耗最小化。可选地，所述设备模型DM可以被安装在目标设备T中。从位置计算模块LCM的观点来看，这种设备模型的安置使得所有目标设备实际上是一致的。在图4所示的实施例中，由于位置计算模块LCM在目标设备中，所以，设备模型DM必需被安装在目标设备T中。例如，在定位应用中使用所述目标设备之前，可以从web站点(没有单独的示出)下载设备模型DM。如果设备模型被安装在所述目标设备的自身上，则在多个设备模型中选择优选的设备模型的动作意味着选择下载哪个设备模型。

图5描述了用于确定设备模型DM的优选实现的过程。如上面所说明的那样，设备模型优选地是基于多个观测结果的统计模型的。所述统计模型的优选形式是基于信号质量值的累积分布函数的。例如，可以如下面那样来确定和使用所述累积分布函数。下面的描述是根据这样的假设而写下的，即，所述信号值是由WLAN卡所测量的，但是，所述描述却能应用于其它类型的通信设备。

在固定位置L上，分别就每种卡类型，每次一种卡类型地测量信号值。观测结果为每种卡类型C_i产生观测的信号值序列O_i＝{o_1i，…，o_mi}。使用所述观测结果，我们可以如下面那样定义函数g_i。

所述思想是：如果通过卡C_i所测量的信号值x_i的相关频率等于通过卡C_j所测量的信号值x_j的相关频率，则定义g_i(x_i)＝g_j(x_j)。x的相关频率意味着低于x的观测的信号值的百分比。例如，假设通过卡C_i所测量的信号值的30％小于19(无格式的数字，没有单位)，而通过卡C_j，信号值的30％低于27。现在，根据上面的定义，g_i(19)等于g_j(27)。

在定义函数g_i之后，可以构造所述校准和定位来与不同的卡类型一起工作。我们必须选择某个参考卡类型C_k，所述卡类型C_k定义了标准化的信号值的量度。在使用其它卡的信号值用于定位和/或校准之前，所述其它卡的信号值被转换为C_k的信号值量度。参考卡类型的选择并不真正影响性能，出于实践的原因，选择已知具有良好质量(产生健壮的(robust)信号值)的卡是明智的。

假设F_i是使用观测结果O_i所产生的累积概率分布函数，这样，F_i(x)返回在位置L上通过卡C_i观测到小于x的信号值的概率。假设C_k是所选择的参考卡，F_k是其累积概率分布函数，并且F_k ^-1是F_k的反函数。可以定义卡C_i的转换函数为：

g_i(x)＝F_k ^-1(F_i(x))

显然，参考卡C_k的转换函数是：g_k(x)＝x。

由于我们仅感兴趣于对不同卡的信号值的相关频率进行比较，因此，我们可以安全地合并来自于几个测试位置和信号源的信号值数据。实际上，信号源是基站，也称作接入点。例如，我们可以在五个不同位置测量八个接入点的信号强度，并且使用所有观测的值来产生累积概率分布函数。实际上，使用几个接入点和测试位置是有益的，因为，与仅使用一个测试位置/接入点的情况相比较，其导致更健壮的转换函数。然而，必需保证对每种卡类型进行一致的测量。

在图5中如下地概括了上述过程。在步骤51中，针对参考卡C_k确定F_k、F_k ^-1。在步骤52中，针对几种卡类型C_i测量观测的信号值O_i＝{o_1i，…，o_mi}。在步骤53中，使用观测结果O_i来为卡类型C_i确定累积概率分布函数F_i。在步骤54中，g_i(x)被确定为F_k ^-1(F_i(x))。如由点线55所示的那样，为每种不同的卡类型重复步骤53和54。

使用真正的参考卡C_k并不是严格必需的。实际上，可以将所观测的信号值换算为任何任意比例，例如从0到1。然而，用户使用已知参考卡的比例会比使用任意比例更加自信。

图6显示了用于在几个可选设备模型中进行选择的选择逻辑。图6显示了包括几个基站BS的无线网络RN。三个目标设备T1到T3与基站BS进行通信。目标设备发送其观测结果集合OS给位置计算模块LCM。参考数字60表示不同设备模型DM的集合。图6中所示的实施例包括用于为每个目标设备选择优选设备模型的选择逻辑SL。参考数字60表示数据结构(表)，所述数据结构指示对每个目标设备当前被认为是优选的设备模型。如通过虚线箭头62所示，使用数据表60来为每个目标设备选择设备模型。在所述例子中，设备模型DM1被用于目标设备T1，设备模型DM2被用于目标设备T2和T3(实际上，目标设备通过基站来发送其观测结果集合OS，如图3中所示的那样，而图6则在这方面进行了简化，以便更清楚地显示不同目标设备和设备模型之间的关系)。

选择逻辑SL如何知道对每个目标设备来说哪个设备模型是优选的？对这个问题的一种解决方案是基于目标设备的类型。如虚线箭头63所示，所述选择逻辑SL可以使用数据表64，所述数据表64指示对每个目标设备类型的优选设备模型，例如特定模型的移动台或WLAN卡，以及可选地，制造批次或日期。选择逻辑SL可以基于对无线网络RN中的数据库DB的查询65来确定目标设备类型。例如，数据库DB可以是无线网络中的订购或设备注册，并且数据库存储每个目标设备的类型。作为依赖于存储每种目标设备类型的无线网络数据库DB的可选方式，定位应用可以使用内部数据库(没有单独显示出)，当将设备作为客户注册到定位应用中时，所述设备类型被存储在所述内部数据库中。另外，如果注册消息指示所述设备类型，则可以基于所述注册消息来确定设备类型。

在WLAN的环境中，设备的MAC(媒体接入控制)地址指示其制造商，并且该信息可以被用来选择优选的设备模型。

在一些情况下，可能不能获得目标设备的类型的消息。那么，所述定位应用可以简单地来一次一种地尝试几种设备模型，并且检查哪个设备模型给出最佳的定位结果。例如，最佳设备模型的选择可以是基于目标设备的已知位置的，例如明确的入口点。在一些情况下，仅在后来，例如在出口点、自动扶梯或类似的位置上可肯定地得知目标设备的位置。因此，对所述数据结构61进行高速缓存用于将来的使用是有益的，这样，下次遇到同样的目标设备时可以立即选择所述最匹配设备模型。

即使没有单个的位置被肯定地知道，也可以基于大量观测结果来选择优选的设备模型。如果所述目标设备被定位在几个不可能的位置上，或者出现了进行几种不可能的转移，则当前设备模型很可能是不正确的。

图7概括了通过选择的设备模型来估计目标设备的位置的方法。根据前面的讨论，图7中所示方法是显而易见的。

尽管上述实施例涉及定位应用，但是，本发明不局限于定位。本发明当然可以就任何应用而被使用，其中所述应用使用从无线通信环境中所测量的信号质量值。所述应用的另外的例子是网络规划和/或维护。所述应用需要在无线通信网络中的不同已知位置上的精确的信号质量观测结果。实际上，所述网络规划和/或维护应用从本发明中两次获益：首先，通过对不同移动通信设备之间的差异进行补偿，本发明提高了来自于网络的报告的信号质量观测结果。其次，本发明改进了位置的估计，在所述位置上产生信号质量观测结果，如前面就定位应用所描述的那样。

对于本领域的技术人员来说显而易见的是：随着技术的发展，本发明的思想可以通过不同的方式来实现。本发明以及其实施例并不限于上面所描述的例子，而是可以在权利要求的范围内变化的。

Claims (13)

1.用于在应用中使用至少一种信号质量参数的方法，所述方法包括：

目标设备(T，T1-T3)产生在无线通信环境中的至少一种信号质量参数的观测结果(OS)；

其特征在于：

确定多个设备模型(DM)，所述设备模型对不同目标设备的所述至少一种信号质量参数的观测结果之间的差异进行补偿；

在所述多个设备模型(DM)中选择设备模型(DM1，DM2，...)用于所述目标设备(T，T1-T3)，以及

通过所述选择的设备模型(DM1，DM2，...)来处理由所述目标设备(T，T1-T3)所产生的观测结果，并且将所述处理的观测结果应用到从准确度提高的信号质量观测中获益的应用(LCM)中。

2.根据权利要求1的方法，其特征在于，所述应用是定位应用。

3.根据权利要求1的方法，其特征在于，所述应用是网络规划和/或维护应用。

4.根据权利要求1的方法，其特征在于，所述设备模型是基于统计观测结果的。

5.根据权利要求4的方法，其特征在于，所述设备模型是基于信号质量值的累积分布函数的。

6.根据权利要求1的方法，其特征在于，所述设备模型包括类型特定的设备模型和单元特定的设备模型。

7.根据权利要求1的方法，其特征在于，确定多个设备模型，并且选择为所述目标设备提供最佳匹配的设备模型。

8.根据权利要求1的方法，其特征在于，基于所述目标设备的已知位置来选择所述设备模型。

9.根据权利要求1的方法，其特征在于，基于所述目标设备的几个估计的位置来选择所述设备模型。

10.根据权利要求1或9的方法，其特征在于，基于所述目标设备的几个估计的转移来选择所述设备模型。

11.根据权利要求7到9中的任何一个的方法，其特征在于，对所述选择的结果进行高速缓存用于将来的会话。

12.根据权利要求10的方法，其特征在于，对所述选择的结果进行高速缓存用于将来的会话。

13.用于在应用中使用至少一种信号质量参数的装置，所述装置包括：

用于从目标设备(T，T1-T3)接收在无线通信环境(RN)中的至少一种信号质量参数的观测结果(OS)的装置；

其特征在于，所述装置包括：

多种设备模型，用于对不同目标设备的所述至少一种信号质量参数的观测结果之间的差异进行补偿；

用于在所述多个设备模型(DM)中选择设备模型(DM1，DM2，...)用于所述目标设备(T，T1-T3)的装置(SL)；以及

装置，用于通过所述选择的设备模型(DM1，DM2，...)来处理由所述目标设备(T，T1-T3)所产生的观测结果，并且用于将所述处理的观测结果应用到从准确度提高的信号质量观测中获益的应用(LCM)中。

Images