CN101018402B - 位置确定技术 - Google Patents
位置确定技术 Download PDFInfo
- Publication number
- CN101018402B CN101018402B CN2006100644822A CN200610064482A CN101018402B CN 101018402 B CN101018402 B CN 101018402B CN 2006100644822 A CN2006100644822 A CN 2006100644822A CN 200610064482 A CN200610064482 A CN 200610064482A CN 101018402 B CN101018402 B CN 101018402B
- Authority
- CN
- China
- Prior art keywords
- point
- destination object
- model
- group
- update cycle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种用于估计在环境中的目标对象(TO)特征(SP)的方法,所述特征包括位置。拓扑模型(TM)指示可允许的位置和转移,且数据模型(DAM)建模由目标对象的传感设备观测的位置相关物理量(PQ)。运动模型(MM)建模特定目标对象类型,服从所述可允许的位置和转移。向目标对象分配一组点(P;112,122,...),每个点具有一组属性(AS),包括有关所述拓扑模型的位置。由所述属性估计所述目标对象特征(SP;111,121,...)。点的更新周期包括:确定每个点估计所述目标对象特征(SP)的可信度(113,123,...);至少基于所确定的可信度为每个点确定权重(115,125,...)并且以进化的过程产生更新周期n+1的新点。
Description
技术领域
本发明涉及用于确定目标对象在环境中的一组特征的方法、装置和软件产品。目标对象的示意实例包括人、动物、车辆、工具、购物车或项目文件夹。目标对象特征组的示意实例包括位置。本发明的示意性而非限制性的应用包括在无线通信环境中——比如在无线局域网(WLAN)或蜂窝网中——定位无线移动终端。
背景技术
Luis Perez-Breva等的美国专利US 6 393 294公开了一种用于在无线通信系统中定位移动单元的代表性现有技术。远程移动单元的位置是通过将移动单元所拍摄的射频频谱的预定部分的快照(snapshot)与包含有在各种位置处拍摄的多个快照的参考数据库进行比较而确定的。因此象许多其它技术一样,该技术基于比较在移动设备位置处的信号参数观测与在多个已知位置的校准或仿真参数的数据库。
传统技术在对目标对象的运动建模中存在问题。很多传统技术通过若干状态来建模目标对象的运动。增加可能状态的数量迅速增加了状态转换的数量,其消耗存储器并且造成高计算负载。
发明内容
本发明的一个目的是提供一种方法和用于实施该方法的装置从而缓解以上缺陷。本发明的目的通过方法、装置和软件产品来实现,其特征在于独立权利要求中所阐明的。本发明的优选实施例在从属权利要求中公开。
本发明基于以下思想,在定位环境中通过多个点循环确定目标对象的位置,其中每个点与一组属性相关联,从而使得分配给所述目标对象的点的属性共同对所述目标对象的特征建模。点在稍微类似于自然选择的过程中进化。其属性以高可信度建模所述目标对象的特征的点,在下一个更新周期中具有子点的可能性较高,并且反之亦然。在位置估计应用中,如果点很好地解释了在目标对象的位置处做出的观测,那么该点具有很高的关联可信度。如果点很好地解释了观测,则大体上类似于自然基因的该点的属性,有可能继续存在到下一周期。
子点的特征,比如位置和/或速度,是通过使用适当算法从它们的父点中导出的。例如,算法可以对从父点继承的特征做出随机改变。
本发明的一个方面是用于估计在环境中的目标对象的一组特征的方法,其中所述特征组包括位置。该方法包括:
-用拓扑模型和数据模型对所述环境建模,其中所述拓扑模型指示在所述环境中可允许的位置和转移,并且所述数据模型为所述拓扑模型所指示的多个可允许位置中的每一个指示至少一个位置相关物理量;
-用一个或多个运动模型建模所述目标对象的位置改变特性,其中每一运动模型建模特定类型的目标对象并且服从所述拓扑模型所指示的可允许位置和转移;
-将所述目标对象关联于一个或多个并置传感设备,所述并置传感设备中的每一个都能够对一个或多个位置相关物理量做出观测;
-为所述目标对象分配一组点,所述点组中的每一个都具有一组属性,其中所述属性组至少包括与所述拓扑模型相关的位置;
-用分配给所述目标对象的点的属性组估计所述目标对象的特征组;以及
-在多个更新周期中更新点组,其中每一更新周期包括以下步骤a)到c):
a)使用所述数据模型和来自与所述目标对象相关联的至少一个传感设备的观测,确定每个点的可信度,以精确地估计所述目标对象的特征组;
b)至少基于所确定的可信度来为每个点确定权重;以及
c)为更新周期n+1产生一组新点,其中:
-所述新点中的至少一些基于更新周期n的一个或多个父点,其中
-更新周期n的点被选择作为更新周期n+1中的新点的父点的可能性是所述更新周期n的点的权重非减函数;以及
-通过使用所述一个或多个运动模型中的至少一个以及预定算法,从更新周期n的一个或多个父点的属性组中,导出更新周期n+1的新点的属性组。
本发明的其它方面包括用于执行以上方法的特征估计装置和当被执行在数据处理器中时致使执行以上方法的计算机程序产品。
本发明的一个优点是确定的鲁棒性,其至少部分地源于这样的事实,即相对于尝试对目标对象匹配单个运动模型的大多现有技术,多个点能够更好地处理意外的目标对象运动。
本发明基于以下思想,用于估计目标对象位置的现有技术是确定性的,并且这种确定性的方式在未预见到的或不可能的情况下面临严重的问题。本发明的技术基于多个点的使用,所述多个点共同地估计目标对象特征,比如位置。当目标对象做出不大可能的运动或转动时,确定性的技术往往变得困惑。然而,根据本发明的点以大体上等同于自然进化的方式来发展进化。对目标对象的特征建模最好的点在下一周期中具有子点的可能性往往较高,由此匹配性较差的点将趋向消失。甚至在高度不可能的情况下,当大多点都被消灭时,少数几个点存活到下一个周期。
在本发明的典型实施方式中,目标对象的特征组包括目标对象的位置或目标对象的位置相关特征。位置相关特征的例子包括位置的时间导数,比如速度和加速度。在典型实施方式中,目标对象位置或位置相关特征至少是被临时确定的。目标对象位置的临时确定意味着,例如,目标对象的位置被确定但是仅用作确定一个或多个其它位置相关量的临时量,之后该位置将被丢弃或对外部实体隐藏。为了使得本发明的以下描述更加易于理解,所述描述基于这样的假设,即本发明将被用于至少确定目标对象的位置。然而,需要注意的是,可以不用在任何坐标系统中展现或者甚至内部地确定目标对象位置,而提供有用的位置相关服务。换句话说,位置并不必包括任何度量,并且任何或一些位置可由抽象术语表述——比如在拓扑模型中的任意节点标识符,或通过一些命名约定的方式表述——比如“123房间”。
在本发明的以上定义中,传感设备意味着能够对环境中的一个或多个位置相关物理量进行观测的设备。可应用的物理量的非穷举列表包括:
-辐射测量信号质量值,比如信号强度、信噪比、误码率/比特差错率、定时提前,等等;这些信号质量值,如果被使用,则优选地为多个频带、信道、小区、基站等中的每一个单独确定;
-大气物理量,比如气压、温度、湿度等;
-声学量,比如噪音等级,优选为多个频带中的每一个单独确定;
-光学量,比如光强、颜色、频谱等;
-在静止或活动图像中的识别形状或识别声音。
目标对象指的是其特征组将被确定的实体。在本发明的典型实施例中,不需要特定的举动来实施目标对象或其物理特征。目标对象可以是人、动物、装置、车辆、购物车、项目文件夹等。所述特征组可以包括位置和/或位置相关物理特征,比如速度或加速度。此外,所述特征组可以包括其它特征,甚至可以是独立于位置或位置相关特征而确定的特征,以及可映射到位置或位置相关特征的特征。这意味着,例如,第一组位置相关物理量被用于确定目标对象位置或位置相关特征,而独立于所述第一组量而确定的第二组量被映射到所述目标对象的位置。
在本发明的内容中,术语“量”、“特征”以及“属性”旨在如下使用。“量”,如在位置相关物理量的上下文中,指的是由一个或多个传感设备检测的物理值。“特征”,在目标对象特征组的上下文中,指的是将被确定的真实信息项的值。“属性”是用于估计目标对象特征组的每个点的值。在示意性而非限制性的实例中,目标对象可以是携带无线通信终端的医生。该医生的位置和速度是目标对象特征的例子。信号值(比如信号强度或比特差错率)是由传感设备观测的位置相关物理量的例子,其中所述传感设备是所述通信终端的射频单元。目标对象的特征组是通过点组来估计的,在该实例中所述点组中的每个点都至少具有位置属性和速度属性。
目标对象位置的确定基于这样的假设,即目标对象接近于一个或多个传感设备,或与一个或多个传感设备共处于一地。在一些实施方式中,目标对象和所述一个或多个传感设备可以被封装在单个物理外壳中。例如,将被定位的目标对象可以是通信终端,所述传感设备可以是在其壳体中测量位置相关物理量(比如信号强度、信噪比、误码率/比特差错率、定时提前等)的电路。
在一些实施方式中,将被定位的目标对象可以与多个传感设备相关联。例如,住院患者或非常贵重的仪器可以设置有多个传感设备,以用于增加定位准确性、确定性和/或可靠性。
在一种实施方式中,运动模型是函数、算法或其它类型的功能数据结构,在给出父点的位置和运动属性以及特定类型目标对象的运动特性的情况下,其被用于为子点产生一组候选位置和运动属性。在代之间的点转移优选取决于代之间的时间。
将目标对象和传感设备作为两个不同的概念来对待是有利的,甚至是在每一目标对象与单个传感设备相关联的实施方式中。这是因为在本发明的很多应用中,真正重要的信息项不是目标对象的位置而是携带目标对象的人、动物或车辆的位置。目标对象(比如无线通信终端)可以由不同的人或车辆交替地携带。因此,保持用于建模多个不同目标对象的运动的多个不同运动模型是有益的。例如在医院环境中,可以有对于健康人、轮椅病人(或轮椅)、运输床、自行车、单脚滑行车等的运动模型。在不能处理传感设备的观测一个或多个周期的情况下,可以显现适宜的所选运动模型的一个益处。例如,传感设备可能临时不能测量有效信号,或者位置估计装置(比如服务器)因为太忙而不能处理所有观测。在这种情况下,点的运动继续基于可应用的运动模型,而与丢失的观测无关,直到可以再次处理观测并且可以产生新的点组。因此,运动模型的参数取决于与目标对象相关联的人或车辆的参数。
用于建模环境的数据模型可以被实现为数据结构或物理结构,其指示对于所述环境中多个位置中的每一个的至少一个位置相关物理量。在一种实施方式中,所述数据模型包括或者能够指示,多个取样点以及对于每个取样点的至少一个位置相关物理量。信号质量值,比如信号强度或信噪比,是适当的位置相关物理量的非限制性实例。用词“或者能够指示”意味着只要可以从数据模型所存储的任何值导出位置相关物理量,所述数据模型就不需要存储对于所述位置相关物理量的实际值。
考虑到物理实施方式,所述数据模型可以是存储在数据处理器(比如微处理器)的存储器中的数据结构或一组数据结构。如果使用单个数据处理器来确定大量目标对象的特征,那么该数据处理器应当是高性能微处理器或处理器阵列。在更加面向硬件的实施方式中,数据模型可以包括用于每个位置相关物理量以及每个取样点的存储部件,比如低损耗电容,从而使得电容的电荷对应于在相应取样点的物理量的值。
其次,传感设备可以与多个设备模型相关联,从而使得每个不同的设备模型包括不同的校正参数以用于校正传感设备的观测。在一种实施方式中,每个不同的设备模型可以是不同的校准曲线。本发明技术的一个实施例包括维持多个设备模型——其中每个都能够校正一个或多个传感设备的观测,为至少一个并置传感设备选择特定设备模型,并且用所选择的设备模型校正所述至少一个并置传感设备的观测。
即使目标对象(或附连于其上的传感设备)能够在实验室环境下做出近乎完美的测量,其表面上的测量能力会受到与附近对象相关联的位置和/或方向和/或高度而影响。例如,感兴趣的目标对象可以是带着构成传感设备的身份标签的医院病人。如果病人正好摔倒在地板上,则传感设备的方向和高度会改变,或者,在传感设备天线中的破裂会影响其敏感度。通过注意到传感设备的观测被应用了实验获得的适当校正的设备模型最好地解释了,可以检测到这样的情况。因此,一个或多个设备模型可以与特定环境相关联,比如破裂天线、病人躺在地板上、传感设备被对象遮蔽等。在一些实施方式中,自适应地选择对于附连在目标对象的传感设备的设备模型,其中所述自适应选择包括为每个点选择至少一个特定设备模型并且设置点的属性组以包含为该点所选的每一设备模型的参考;并且应用由点参考的每一设备模型,以在确定点的可信度之前校正来自所述至少一个传感设备的观测。
不需要具有与可以最好地建模目标对象的运动模型有关的先验信息或与最好地建模传感设备的设备模型有关的先验信息。相反,点的子集可以被分配给多个运动模型和/或设备模型中的每一个,并且最佳匹配的运动模型将往往比欠佳匹配的模型具有更多的后代,并且从长远看来倾向于存活。在一种实施方式中,自适应地选择对于目标对象的运动模型,其中所述自适应选择包括为每个点选择特定运动模型从而使得点的属性组包含为该点选择的运动模型的参考,并且从一个或多个父点的属性组中导出新点的属性组的步骤包括使用由父点参考的运动模型。
在点的进化中,即在周期n的父点基础上产生周期n+1的新点组,单个子点的父点的数量可以是一个或多个。如果子点具有单个父点,那么子点继承所述单个父点的属性,尽管通过可以向继承属性附加随机变化的算法使得所述属性可以并且典型地在代之间转变。例如,速度属性的值为65的点可以具有速度属性的范围从55到75的一组后代。另一方面,具有不同属性的两个点可以都被选择作为一组子点的共同父点,从而使得两个父点都对其后代的属性做出贡献。例如,速度属性为30和70的两个点可以都被选择作为一组子点的共同父点。如果第一点(速度=30)的权重三倍于第二点(速度=70)的权重,那么40的速度是对于后代速度的好的起始点。该起始点可以被用于预定修正比如随机或伪随机变化。在本例中,对于共同后代的父点的数量是两个,但是父点的数量可以是任何可行值。
本方法或装置的鲁棒性,即处理意外的情况的能力,可以通过至少在一些周期中产生一些没有任何父点的点来进一步提高。在极端的情况下,如果构建的数据模型很差,那么将会发生这样的情况,即所有或几乎所有点都被锁定在具有非常明显的本地权重最大值的位置处,并且在最大值位置之外产生的点的后代将会消失。为了避免这种情况,在这些位置之外产生无父点的点会是有益的。无父点的点可以在随机选择的位置产生,从这个位置所述无父点的点能够产生在多个周期过程中逐渐逼近目标对象的真实位置的子点。代替在随机选择的位置产生无父点的点,可以在一些先验信息存在的位置处产生所述无父点的点。例如,这种先验信息可以通过确定数据模型的特别相关部分来获得。可替换地或附加地,这种先验信息可以基于目标对象的最后已知位置,并且所述最后已知位置可通过备用装置获得。例如,假设对象通常通过信号质量观测来定位目标对象,并且目标对象位置的不确定性突然增加。但是如果目标对象新近的位置可以在一些举动——比如行进经由定义明确的检查点——的基础上确定,那么在所述定义明确的检查点附近产生“新鲜的”即无父点的点是有益的。
将点的移动性限制在具有成为目标对象真实位置的合理可能性的位置是有益的。这样做的一种方式是使用上述运动模型,因为运动模型排除了由运动模型规定的目标对象能力之外的属性,比如速度。如上所述,目标对象的类型不总是很确定地已知的,并且错误选择的运动模型可能导致产生位置不很可能成为目标对象的正确位置的点,但是这种错误选择的运动模型消失迅速。
本发明的一些实施方式包括为连续位置估计之间的移动计算移动概率,从而使得移动概率取决于运动模型。例如,应用在医院的运动模型将不会严格排除符合跑动的速度,但是运动模型可以指示需要跑动的移动的低概率。同样,轮椅通常不会运动在楼梯上,但是轮椅也不是不可能被运输在楼梯上。因此,沿着楼梯的轮椅转移可以具有低的但是非零的概率。
限制点的移动性的另一种方式是使用图表或其它类型的模型,其建模定位环境的拓扑。参考文献1(WO2004/008795)公开了一种位置确定技术,其使用图表建模目标对象的通信环境的拓扑。参考文献1公开了使用拓扑模型来限制目标对象的移动性,但是在本发明的内容中,拓扑模型可以用于限制点的移动性。在一种实施方式中,拓扑模型包括节点和节点之间的弧,来指示可允许的位置和转移。
在本发明的一些实施例中,数据模型是或包括概率模型,其指示在拓扑模型中可允许位置处的至少一个位置相关物理量的概率分布;其中为点确定可信度的步骤包括通过使用数据模型指示在该点位置处的位置相关物理量的概率分布;并且使用所指示的概率分布确定所述物理量的观测来自与目标对象相关联的至少一个传感设备的概率。
在一种实施方式中,概率模型指示多个取样点处的至少一个位置相关物理量的概率分布;其中指示概率分布的步骤包括在靠近点的位置选择至少两个取样点;并且合并在所选取样点处的所述物理量的概率分布。例如,合并概率分布的步骤包括为每个所选取样点形成累积分布函数并且用相对权重加权每个累积分布函数;以及形成加权累积分布函数的合并。
可以组合概率模型和拓扑模型,从而使得所述拓扑模型包括节点以及节点之间的弧以指示允许的位置和转移,并且选择至少两个取样点的步骤包括选择通过沿着所述弧从点的位置能够达到的至少两个取样点。
每个点估计目标对象的真实特征(比如位置)的可信度(比如概率)可以基于在该点的位置处观测到的信号值的概率来确定。例如,可以如参考文献4(WO02/054813)中公开的那样来确定概率。如在此使用的,“可信度”是涵盖传统概率以及在应用数学的其它领域(比如模糊逻辑)中使用的相应量的术语。在一种实施方式中,可信度是最近邻型的距离测量,比如在信号空间中的欧几里德距离。
在取样点处的概率分布可以通过实际测量、计算机仿真(例如光线跟踪技术)或通过这些技术的任意组合来确定。大多数点不会位于数据模型的取样点,但是可以通过内插或外插从取样点处的概率分布导出任何任意位置的概率分布。参考文件2(WO03/102622)公开的技术可被用于当目标对象位置与取样点位置不一致时为目标对象位置处的信号值确定概率分布。在本发明的内容中,在所述参考文献2公开的技术可以被应用来为点位置处的信号值确定概率分布。内插或外插的信号值分布可以被高速缓存用于以后的参考。
点的一个属性可以是信号值的时序估计。在一种实施方式中,信号值的时序估计被用于获得关于测量偏差的信息。这种测量偏差可能由传感设备和目标对象的并置而产生。例如,目标对象和/或一些相关设备可能削弱传感设备所观测的信号。
每个点的权重将基于或至少部分地基于所确定的可信度来确定。通常来说,点的权重越高,那么点在随后的周期中具有子点的可能性就越高,但是这句话仅作为概率原则正确。由于在后代产生过程中的随机继承,个别的低权重点可能具有一个或多个子点,而高权重点没有子点。
在简单的实施方式中,点的权重等于该点精确地估计目标对象的特征组的可信度。或者,点的权重可以从可信度的一些数学函数中导出。例如,这样的函数可被用于强调在概率范围(0到1)的任一端的相对小的差异。在其它实施例中,权重可以基于因素的组合,其中可信度仅是一个因素。其它因素的实例是从先前周期以来的时间长度。例如,点的权重W可以计算为W=pt/β,其中p是为点能精确地估计目标对象的特征组的概率(或其它类型的可信度),t是从先前的权重更新以来的时间,以及β是缩放常数。
本发明的一些实施例利用设备模型来校正传感设备的观测。该特征在传感设备不是专门设计用于精确测量的应用中特别有用。例如,无线通信终端可以包括接收信号强度指示(RSSI),但是所测量的信号强度总地来说是不准确的。因此,每个设备模型包括适当的校正参数,以用于校正特定传感设备的观测。例如,所述校正参数可以包括恒定缩放参数和/或线性化参数。如果特定目标对象被设置有或关联于多个传感设备,那么将单独的设备模型应用于每个传感设备的观测是有用的。
在一些情况下,可以得到最优设备模型的先验信息。例如,可以校准传感设备并且可以产生设备模型,或可以选择预先存在的设备模型之一并且将其与传感设备相关联以供以后参考。如果没有这样的先验信息可用,那么点的属性可以包括正被使用的设备模型的标识符。当“新鲜”点(即不是父点后代的点)被分配给目标对象时,可以随机分配将使用的设备模型的标识符。新鲜点到每个设备模型的随机分配优选基于符合设备模型的的设备的已知或假设比例。换句话说,如果设备的x%对应于设备模型N,那么新鲜点的x%应当被分配到设备模型N。通过这种方式,当前设备模型的选择也服从通过本发明提供的自然进化过程,并且最佳匹配设备模型将比欠佳匹配设备模型具有更多后代。
点的属性包括设备模型的标识符或由设备模型指示的校正参数是有益的,甚至在可以得到最优设备模型的先验信息的情况下。所述技术使得由设备模式提供的校正自适应。这种自适应在传感设备进行精确观测的能力改变的情况下有用。例如,如果传感设备是信号值测量电路,比如RSSI检测器,那么由所述检测电路做出的检测可能受传感设备的高度、方向或位置——特别是与障碍相关的位置——的影响。假设传感设备是无线终端的RSSI检测器,显然当终端从手包中拿到耳朵高度时,其敏感度会大幅增加。该实施例的自适应特性有助于补偿这些波动。
本发明的一些实施例涉及可扩缩性考虑。在一个实施例中,动态地调整分配给一个特定目标对象或多个目标对象中的每一个的点的数量。代替动态地改变分配给目标对象的点的数量或者除此之外,可以动态地改变计算周期的持续时间(确定可信度,确定权重并产生一组新的点)。
可能影响性能相关参数的动态变化的因素之一是定位装置的整体负载。当将要定位的目标对象的数量很高时,定位装置可以为每个目标对象分配较少的点并且/或者减小每个时间单元计算周期的数量。影响性能相关参数的其它因素可以包括精确度和/或可信度要求、不确定度、可用存储器资源以及可用观测的数量和/或质量。可考虑的另一个因素是在点属性中的变化。在点组中的点属性值的高变化指示需要更多的点。另外,另一个潜在地影响性能相关参数的动态变化的因素是目标对象的数量,其中在定位系统中可用的点的总数量被目标对象分享。同样,不同的目标对象对于其特征估计具有不同的质量要求。对于其特征估计具有高质量要求的目标对象,相对于具有低质量要求的目标对象应该被分配更多的点。此外,目标对象的运动历史可以影响分配给该目标对象的点数量。如果运动历史指示稳定和可预见运动,那么分配给目标对象的点数量可减小。
涉及特征估计装置的整体效率的另一技术包括:基于以下因素中的一个或多个动态地调整更新周期之间的时间间隔。所述因素中的一个是在点属性中的变化,其中在点组中的点属性值中的高变化指示需要更加频繁的更新。另一个因素是由共同的特征估计装置所服务的目标对象的数量。同样,对其特征估计具有高质量要求的目标对象应当比具有低质量要求的目标对象具有更频繁的更新。同样,不同目标对象可以具有不同优先级,所述优先级甚至可以动态地变化,比如在紧急情况下。例如,非常短的更新周期可以用于急救情况中的病人。同样,每时间单元从传感设备接收的观测集合的合并速率和/或目标对象的运动历史可以影响更新间隔。此外,每个目标对象的更新间隔可以随着特征估计装置负载的增加而增加。
为了避免无用的计算,可以基于外部信息去除一些点。在此所使用的外部信息指的是通过除传感设备进行观测之外的方式获得的信息。这种外部信息的例子是独立获得的位置信息。例如,传感设备或与其相关联的目标对象可以在一些RFID(射频识别)门附近被检测到,在这种情况下,可以去除距离该RFID门足够远的任何点。或者,目标对象可以被物理地耦合到多个独立传感设备,比如全球定位系统(GPS)定位设备和RSSI检测器,但是GPS信息仅在户外可以得到。当可以得到GPS信息时,其不考虑通过RSSI检测器获得的位置信息,并且可以去除距离基于GPS的位置足够远的点。另外,避免无用的计算的另一种技术包括基于一些相关性标准选择数据模型取样点的子集。这样选择的取样点将被称为相关取样点。用于确定并使用相关取样点的技术将在以下进一步描述。
一些实施例涉及历史考虑因素。如上所述,目标对象的一个或多个特征是通过使用一组点来估计或近似的,从而使得每个点都可以具有相关联的属性组。例如,每个点可以具有位置属性和速度属性,并且分配给目标对象的所有或一些点的位置和速度属性分别共同地近似所述目标对象的位置和速度特征。一些实施例精简了共同近似过程。
在一个实施例中,通过点的家族树来分析点属性的修正历史。该技术可以被用于路径发掘应用中,其中该技术可以被用于分析目标对象采用的路径。
在一个实施例中,用于近似目标对象特征组的点组仅包括在最新一代中的点。目标对象特征(比如位置和/或速度)的估计可以被计算为用于近似该目标对象特征的点属性的加权平均。加权平均的计算可以使用与确定点被选择作为下一代的父点的可能性相同的权重,或可以使用不同的权重。在任一种情况下,权重应当与估计目标对象特征组的点的可信度具有正相关性。
在另一个实施例中,用于近似目标对象特征组的点组包括多代的点。例如,对象可以基于最新一代和多个较早代来确定目标对象的特征组。在加权平均计算中每个点的权重可以等于点的后代的合并权重。在一种实施方式中,在一代中的每个点的权重被基于该点在最近一代中的后代的权重总和而重新计算。该实施例可以以一些测量/更新周期为代价增强定位确定性。
使用多个代中的点的示意性实施例包括产生更新周期k的加权点的快照——其中所述快照包含更新周期k的部分或全部点,并且分配给每个点由以下递归规则定义的权重。如果k是最新近的更新周期,那么点的权重基于在权利要求1的步骤b中所确定的权重。另一方面,如果k不是最新近的更新周期,那么点的权重基于在为更新周期k+1产生的快照中的该点所有直系后代的权重总和。所述快照被用于估计在更新周期k时的目标对象的特征组。
在一种实施方式中,该方法进一步包括:将更新周期k的加权点的快照划分为一个或多个群,其中每个群包含根据一个或多个预定相似标准彼此相似的点;并且选择至少一个群,并通过使用所选群中的点和权重以及忽略不在该群中的点和权重,来在更新周期k时为每个所选群估计目标对象的特征组。例如,所述至少一个相似标准可以基于点的位置,由此每个群包含彼此邻近的点。所述群集可以基于先前所述的家族树。
在一个实施例中,通过维持多个预定区域将所述群集与拓扑模型组合使用,其中每个区域包括拓扑模型的一个或多个可允许位置;并且其中至少一个相似标准是基于所述多个区域的,其中位置属于相同区域的点属于相同的群。在此所使用的区域是意味着拓扑模型的一个或多个可允许位置的术语。每个区域可包括一个或多个离散位置,其可以通过坐标系统或抽象命名管理的方式来定义。或者,所述区域可以是拓扑图的许可部分、坐标范围等。
群集过程可以被用于提供可信度值。例如,可信度值可以与使用群产生的估计相关联,其中可信度值基于由快照中的点的权重总和除以该群中的点的权重和。
在一个实施例中,用于近似目标对象特征组的点组可以被用来产生对于两个或更多目标对象的位置概率分布,并且所述位置概率分布可以被用于估计所述两个或更多目标对象的相对近似性。
群集技术的一种实施方式包括:通过使用每一群中的点的属性值和权重来计算点的属性值估计。这种估计的可信度可以通过以所有点的合并权重除以群中的点的合并权重来确定。群集技术的其它实施方式包括确定估计的可用性测量。例如,这种可用度可以基于属性值的变化和/或在距估计位置预定距离范围中的点的百分率来确定。还有另一种实施方式,其包括确定涵盖点的p%的区域,比如圆圈、椭圆或多边形。因此可用性测量与可信度测量是不同的概念。例如,如果涵盖目标对象位置的区域足够大以覆盖整个定位环境的重要部分,那么所述区域可以具有高可信度值但是低可用度值。
通过使用每个群中的点属性值和权重来计算点属性值的估计的其它技术包括计算点属性值的加权平均。其它实施方式可以包括为一个或多个位置区域或值范围确定概率。其它实施方式可以包括确定涵盖p%的点的最小圆圈、椭圆或多边形。还有其它实施方式包括确定高密度区域的编号1...N,即共同涵盖点的p%的位置区域或值范围。其它实施方式可以包括确定最好地表现目标对象的点的编号1...M。
附图说明
以下,将通过参考附图的具体实施例更加详细地描述本发明,其中:
图1说明了本发明的操作原理;
图2示出了产生子点以用于追踪目标对象的位置和速度的实例;
图3A示出了本发明及其实施例中的各个部件之间的关系;
图3B说明了图3A所示实体到现实世界中的实体的映射;
图4说明了基于环境的概率模型确定点的概率的技术;
图5A到5D示出了指示在环境中的可允许位置和/或转移的拓扑模型的各种实施方式和应用;
图6说明了怎样使用运动模型来从父点导出一组子点;
图7说明了最初为目标对象分配多个不同运动模型对象的实施例;
图8说明了其中子点从多个父点继承属性的实施例;
图9说明了用于确定目标对象位置估计的可信度的技术;
图10示出了如何使用点组将来的信息来减小其过去的不确定性;
图11A示出了目标对象和具有三个访问点以及若干个取样点的一部分无线网络;
图11B示出了对于一个取样点和三个访问点的可能信号质量值的范围;
图11C示出了获得相关取样点集合的过程;
图12A和12B说明了其中信号参数值被当作连续值的情况;
图13示出了用于初始化相关取样点集合的初始化算法;
图14示出了用于找到相关取样点集合的算法;
图15说明了从图12A-14所示的单峰值例子到多峰值的扩展;以及
图16说明了与本发明实施例的相关性指示符相组合的基于图的定位技术的使用。
具体实施方式
图1说明了本发明的操作原理。附图的描述基于这样的假设,即目标对象的特征组是或包括目标对象的位置。参考标记101表示目标对象的路径。路径101设置有均匀间隔的刻度线。在图1的描述中,假设路径类似于轨迹,目标对象只能沿着它向前或向后移动(向图1中的左边或右边)。
图1说明了为目标对象执行四个连续位置估计周期的过程。每个估计在特定时刻做出。时间从底部向顶部进行。参考标记111-116涉及第一位置估计,参考标记121-126涉及第二估计,等等。参考标记111表示目标对象沿着路径101的位置。当然,目标对象的位置111对于位置估计例程来说不是已知的并且只是为了图解说明而示出。参考标记112指示被分配给所述目标对象的一组点并且这组点将被用于估计所述目标对象的位置,将在以下详细描述。在图1示出的实例中,点的数量非常小(精确来说是15),但是这只是为了显示清楚。实际上,分配给每个目标对象的点的数量将是更高的,取决于所要求的准确性、可信度和鲁棒性考虑,优选在几百或几千的范围内。分配给每个目标对象的点的数量将在子标题“性能考虑”下进一步描述。
在本例中,点组112中的每一个都具有相关联的位置和速度。如果路径101被认为是轨迹,则速度可以是标量数(具有正的或负的值),但是在多维的实施方式中速度可以被认为是矢量。
参考标记111-116涉及第一位置估计周期。在图1示出的实例中,可以假设在第一位置估计周期中,点112最初被沿着路径101均匀排开并且每个的速度为零。这些值被给定为非限制实例,并且可以看到初始值并不是最关键的。
参考标记113表示概率曲线,其指示概率点112中的每一个估计目标对象111真实位置的概率。实际上,位置估计技术所需要的是点112中的每一个估计目标对象111真实位置的不同概率,并且概率曲线113仅是为了方便读者阅读而示出。用于确定概率113的具体技术结合图4并且在参考文献2中被公开。
参考标记114表示为点组112中的每一个确定权重的步骤。被加权的点组由参考标记115表示。在对于步骤114的权重确定中,点组112中的每一个估计目标对象111真实位置的概率113是首要因素,并且在简单的实施方式中,概率113可以是确定权重的唯一因素。在一些实施方式中,权重也可以受其它因素影响,比如点的过去历史或将来。在实时位置估计中点的将来自然是未知的,但是可以在分析目标对象采取的路径的期间获得。权重也可以受从先前更新周期以来的时间长度影响。
参考标记116表示为周期2产生作为周期1的点组112的后代的新点组122的步骤。在步骤116中,周期2中的周期1的点的后代的期望数量是所述周期1的点的权重的非减函数。这意味着周期2的新点组122是从周期1的点组112导出的,但是不意味着周期1的点组112中的每一个都在周期2的点组122中具有后代。相反,确定每个点的后代,从而使得具有高权重的点相对于具有低权重的点,更可能被选择作为在下一个周期中的后代的父点。但是如同结合概率技术所公知的,在某些时候低概率的事件会发生而高概率事件不会发生,并且在本发明中,具有低权重的点可以具有一个或多个后代而具有高权重的点可能没有。
甚至在忽略权重后,点155的后代122也不是其父点的相同复制。相反,每个子点的属性——比如位置和/或速度,通过使用预定的算法而变得不同于父点的各个属性的,在示意性实施方式中,所述算法通过随机或伪随机变量从父点的属性导出其后代的属性。例如,每个子点的位置可以是其父点的位置加上其在更新周期之间的运动(父点的速度乘以每个更新周期的时间长度)。子点的速度可以通过向其父点的速度加上适当加权的随机变量来形成。例如,子点的速度可以计算为父点速度的百分之x加上伪随机变量的百分之(100-x)。
在子点的速度的计算中使用(伪)随机变量的益处在于,子点组将通过类似进化和自然选择的过程遵循目标对象的运动。位置和速度与目标对象匹配的点将具有高权重,并且因此具有很高的后代预期数量。这是因为这些点趋向于集中在观测信号值具有高概率的位置。相反,位置和/或速度与目标对象不同的点将具有低权重并且最终会消失。
在图1示出的实例中,每个更新周期包括权重确定步骤和后代产生步骤。例如,第一更新周期包括权重确定步骤114和后代产生步骤116。第二和第三更新周期分别包括权重确定步骤124、134和后代产生步骤126、136,等等。在每个权重确定步骤114、124、134、144之后,点被示为尺寸各不相同的圆圈,从而使得每个圆圈的尺寸对应于点的权重。
图1也示意性地说明了这样的事实,即如果孤立的高概率峰值距目标对象的位置足够远,那么上述技术将不会被高概率峰值扰乱。在图1中,参考标记119表示相对高概率的区域。高概率区域119的影响是产生在第二更新周期中在点组124中的两个最左边点。但是,这些点在第三周期没有后代,并且另一个孤立的高概率区域139不会导致产生在第四更新周期中的任何后代,这是因为在孤立的高概率区域139的附近不存在潜在的父点。
上述方法可以在目标对象自身中执行,假设目标对象设置有适当的位置估计软件和环境的数据模型。或者,目标对象或与其耦合的传感设备可以将其观测发送到位置估计装置中,所述位置估计装置基于在目标对象位置处做出的观测为该目标对象确定位置估计。
图2示出了产生子点以用于追踪目标对象的位置和速度的另一个实例。图2是图1的简化版本,其中为了更加清楚仅示出了单个点的后代。由参考标记2xx表示的对象项,即用‘2’开头的标记,大体上类似于在图1中由参考标记1xx表示的对象项。参考标记211、221等表示在图2所示的第一、第二等更新周期中的目标对象的位置。参考标记217、227等表示在连续更新周期中的相应目标对象速度。
在图2示出的第一更新周期中,目标对象具有位置211和速度217。我们可以假设因为先前的更新周期(未示出),代表点215具有近似+3的速度(向图2的右手边)。在随后的后代产生步骤216中,点215具有五个后代,其由参考标记222共同表示,并且具有速度1、2、3、4和5。具有速度n(n=1,...,5)的每个后代向右偏移其父点n个距离单位。每个后代右边的数字1-5指示最近后代的速度。
点215的速度为速度3,这是后代222的平均位置不同于位置211三个单位的原因。然而,目标对象的实际速度217近似于每更新周期四个单位距离,并且目标对象的位置221与位置211偏移近似四个单位距离。因此,速度为4的子点222(从左边第四个)在权重确定步骤224中具有最高权重。加权点由参考标记225共同表示。
在随后的后代产生步骤226中,速度为4的点具有三个后代(具有速度3、4和5),速度为3和5的点每个都具有一个后代,并且速度为1和2的点没有后代并消失。
在下一更新周期中,目标对象的速度的速度增加到+5,如箭头237所示。因此,在图2示出的最后的权重确定步骤244中,点组242中速度为5的一个点具有最高权重,以此类推。可从图2中看到,即使目标对象的速度改变,点组也很好地追踪了目标对象的运动。
至此,本发明实施例的描述被限制在一维中。在二维中模拟目标对象运动的一个方式是像图1和2中所述的一维那样在x和y(以及可选的z)方向上处理每个运动分量。在可替换的实施例中,目标对象的速度被建模为具有方向和标量大小的矢量。第三替换实施例将与拓扑模型组合描述,其与图5A到5D组合描述。代替使用真实3维坐标系统,很多3维结构可被处理为多个2维结构,比如层或级。
图3A概括了本发明及其实施例的各个部件之间的关系。在环境EN中有一个或多个目标对象TO。目标对象的位置或位置相关特征的确定基于这样的假设,即目标对象接近于或与一个或多个传感设备SD共处于一地。在一些实施方式中目标对象和所述一个或多个传感设备可以被封装在在单独的物理外壳中。例如,目标对象可以是通信终端,传感设备可以是在其壳体中测量位置相关物理量的电路,所述物理量比如信号强度、信噪比、误码率/比特差错率、定时提前等。
将目标对象和传感设备作为两个不同的概念来对待是有益的,甚至在每个目标对象与单个传感设备相关联的实施方式中。这是因为在本发明的很多应用中,真正重要的信息项不是传感设备的位置而是装载它的人、动物或车辆的位置。传感设备——比如无线通信终端——可以在不同时间由不同的人或车辆装载。因此,维持多个不同的运动模型以用于模拟多个不同的目标对象的运动是有益的。例如在医院环境中,可以有用于健康人、轮椅病人(或轮椅)、运输床、自行车、单脚滑行车等的运动模型。在不能处理传感设备的观测一个或多个周期的情况下,显现适当选择的运动模型的一个益处。例如传感设备可能临时不能测量有效信号,或者定位估计装置——比如服务器——因为太忙而不能处理所有观测。在这种情况下,点的运动基于适用的运动模型而继续进行,与丢失的观测无关,直到可以再次处理观测并且可以产生新点组。因此,运动模型的参数取决于所讨论的人或车辆的参数。
每个目标对象TO具有关联的空间特征SP组。空间特征取决于目标对象的位置。在本发明的简单实施方式中,除了目标对象的位置之外没有其它空间特征。在另一种实施方式中,所述关联空间特征组包括位置相关服务。例如,目标对象可以是携带无线终端的人,并且所述位置相关服务可以是一些电子设备的控制,比如房间照明。定位系统可以在不包含目标对象的房间中自动关切断房间照明。在该场景中,房间照明的开/关状态是空间特征的一个实例。
在目标对象的所估计的特征组包括所述环境中的至少一个空间特征的情况下,所述数据模型可以指示对于所述环境中每个位置的空间特征。估计目标对象的特征组的步骤可以包括为每一个点产生空间特征的点特定估计,使用数据模型来指示在点位置处的空间特征并且使用点的权重合并点特定估计。
每个目标对象TO还具有一个或多个并置传感设备SD。每个传感设备观测至少一个位置相关物理量PQ。数据模型DAM通过指示所述一个或多个物理量如何基于位置而变化来模拟环境EN。
环境EM还由拓扑模型TM来模拟,所述拓扑模型包含指示该环境中的可能位置和转移的转移信息。所述位置与拓扑模型TM指示有关,其可以具有或不具有关联测量系统或度量MT。例如,所述测量系统可以是某种坐标系统,比如直角或极坐标。然而,度量MT不是必需的元素,并且拓扑模型TM可通过一些命名惯例——比如“房间123”——或为各个位置附注整体摘要名来指示位置。
根据本发明的方法包括为每个目标对象TO分配点P的一个或多个代PG。每个点P具有相关联的属性组,所述属性组包括至少一个位置属性LP,LP是点的位置的估计。所述属性组可以还包括零个或多个运动属性,所述运动属性共同地估计目标对象的运动特征MP,比如速度、加速度等。
在本发明的一些实施方式中,点的位置直接模拟目标对象的位置,但是在更复杂的实施方式中,目标对象的空间和运动特征可以通过更加复杂的函数或技术从点的属性组中导出。
目标对象的运动可以通过运动模型MM建模。运动模型MM使用拓扑模型TM,并且影响点的位置和运动属性的进化。同样,传感设备的观测能力可以通过设备模型DM来模拟并校正。分配给目标对象TO和传感设备SD的运动模型MM和/或设备模型DM的参数分别保持固定,或者它们可以是点的属性组的一部分,在这种情况下所述参数也经历根据本发明的更新周期。
图3B示出了将图3A所示实体映射到现实世界场景中的实体的非限制性实例。人302在具有楼层平面图304的办公室中运动。该人在无线网络RN中使用移动终端MT进行通信。移动终端MT观测在无线网络RN中的一个或多个位置相关信号质量参数,并且通过基站BS和网关部件GW将其信号质量观测发送到位置估计装置LEA,所述LEA是根据本发明的特征估计装置的一个实例。位置估计装置维持用于识别目标对象及其传感设备的数据结构。位置估计装置还维持各种模型并且更新点代的属性。基于可扩缩性和性能的考虑——比如将被定位的目标对象的数量、所需准确度、可信度和反应时间等,位置估计装置LEA可以被实现为单机装置,比如服务器或服务器群。或者,每个目标对象——比如便携或掌上型电脑——可以配备有内部位置估计软件。
在所述场景中,无线网路RN和楼层平面图304组成了环境EN的各个方面。无线网络RN中的信号质量参数是位置相关物理量PQ的例子。例如,信号质量参数可以是信号强度、信号噪声比、误码率/比特差错率或这些参数的任意组合。传感设备SD的一个例子是移动终端中的测量电路。数据模型DAM模拟在无线网络RN中的信号质量参数位置相关性。拓扑模型TM模拟楼层平面图304。根据应用,目标对象TO可以对应于移动设备MT或携带它的人302。
在本发明的一些实施例中,使用运动模型MM模拟目标对象的运动,比如携带移动终端的人302。每个运动模型模拟特定类型的目标对象的移动性。例如,在医院环境中,可以有用于健康人、轮椅病人(或轮椅)、运输床、自行车、单脚滑行车等的运动模型。运动模型可以规定以下参数的一个或多个:平均/最大速率、平均/最大加速度(改变速率或速度的能力)、在楼梯、自动扶梯、电梯中运动的能力等。当位置估计装置检测将被定位的新的目标对象时,其可能不知道哪个运动模型最好地描述目标对象。然而,位置估计装置可以最初将目标对象的一部分点分配给每个可应用的运动模型。例如,所述最初分配可以根据可应用运动模型的已知代表的数量来按比例划分。如果位置估计装置检测到目标对象在楼梯上运动,其可以确定用于轮椅设备的大多数运动模型不适用,并且在余下的运动模型中分配点。运动模型的高变化指示不可靠的位置估计。将进一步组合图6和7来描述运动模型。
对象可以通过多个设备模型DM中的一个来处理来自目标对象的观测组。每个设备模型包括一个或多个校正参数,用于校正由传感设备SD做出的观测。如果点的属性组包括设备模型的标识符或实际校正参数,那么对于改变条件的自适应会加强。通过这种方式,所应用的设备模型也经历根据本发明的进化过程。通过最好地存活到随后周期的点,有可能得知应该结合给定目标对象使用哪个设备模型。用于建立和使用设备模型的进一步的技术在参考文献3(WO2004/008796)中公开。
在一个实施例中,数据模型DAM可以被实现为无线网络RN的概率模型。所述概率模型包括在无线网络RN的多个已知位置处的一个或多个信号参数值的概率分布。所述已知位置被称为取样点。取样点是概率模型的点,在取样点处的对于一个或多个可测量且位置相关的信号参数值的概率分布已经被确定了。例如,在取样点的信号参数值可以通过物理校准(实际测量)、计算机仿真技术(比如光线跟踪等)、或这些技术的任意组合的方式来确定。每个观测集合包括相同或相关信号参数的测量值。在此所使用的“相关”信号参数意味着可以从彼此导出的信号参数。例如,可以从信号强度和噪音测量导出信噪比。
图4说明了基于所述环境的概率模型为点确定概率的技术。在图4中,两个取样点A和B分别由参考标记401和402表示。参考标记411和412表示对于两个取样点A和B的各自的概率分布。然而,在大多定位环境中,在取样点之间典型的距离不切实际得大,并且必需通过在取样点之间的内插来增强定位技术的分辨率。在图4中,参考标记403表示在两个取样点A和B之间的位置X。直观地,会认为位置X的概率分布可以通过在对于取样点A和B的概率分布411、412之间内插来获得。但是两个概率分布411和412的直接相加或平均导致在两个取样点A和B中每一个处具有独立峰值的曲线。这种结果显然是错误的,因为位置X的概率分布明显应当在位置X处具有峰值。
参考文献2(共同转让的专利申请WO03/102622)公开了一种用于在两个或多个取样点之间内插概率分布的技术。参考文献2描述了以合并两个或多个取样点的累积分布——而非合并概率分布——的内插技术。累积分布和概率分布可以从彼此中导出。但是在参考文献2中公开的技术当将被内插的位置已知时是可应用的,而在本发明的情况中,目标对象的精确位置是未知的,即使在某些情况下有可能确定目标对象位于两个已知取样点之间的某处。在本发明的情况中,考虑到目标对象的位置未知的事实,并且因此用于合并取样点的概率分布的任何因子也是未知的,所以如何在任何两个(或更多)取样点之间做出有意义的内插不是非常明显。
因此,组合图4描述的实施例部分地基于这样的认识:即使目标对象的位置未知,点的位置也是已知的,尽管任何位置估计装置都不知道点距离目标对象的真实位置有多远。
基于以上认识,位置估计装置可以将点放置在位置X403,并且确定对于该位置的概率分布如下。从位置X403到取样点A和B之间的距离分别是dA和dB。如上所述,两个取样点A和B的概率分布分别由参考标记411和412表示。在图4示出的实例中,可测量的位置相关变量是RSSI(接收信号强度指示),但是RSSI仅作为非限制性实例提供。概率分布411和412被转换到各自的累积分布421、422。位置X的累积分布423可以通过以下算法确定:对于因变量Pcum的多个值的每一个,通过用适当的权重分别加权取样点A和B的累积分布函数411和412来确定自变量RSSI的值。在图4中,量WA和WB表示对于累积分布423上的任何点距离累积分布421和422的水平距离。参考标记430表示量dA,dB,WA和WB必须满足的等式。其它技术——比如用于在不是沿一条公共直线上的三个取样点之间内插的技术——在参考文献2中公开。
概率分布411和412不应当与结合图1和2所讨论的概率113、123,...,和213,223,...混淆。在图1和2中的概率是给定点成为目标对象的真实位置的概率。图4中示出的概率分布411和412指示所测量的信号参数具有给定值(如果测量被处理为离散值)或位于给定范围(如果测量被处理为连续值)的概率。概率分布411和412被用来计算概率113,123,...和213,223,但是两个不同的概率不应当彼此混淆。
拓扑模型
图5A到5D示出了拓扑模型TM的不同实施方式和应用,其指示在环境中可允许的位置和/或转移。参考标记500表示对图5A的左手侧所示的房间布局501建模的拓扑模型。房间布局501包括三个小房间503、504和505以及大房间506,通过走廊507可到达这些房间。在该特定实例中,大房间506被视为四个部分506A到506D,拓扑模型500指示在环境(房间布局)501中可允许的位置和转移。在拓扑模型500中的任何房间号指示可允许的位置,并且任何行指示可允许的转移。在该实例中,所有可允许的转移被假设是双向的,即意味着例如第一行指示503到507以及507到503都是可允许的转移。
值得注意的是,图5A中示出的实施例500完全是基于约定(房间号)并且没有使用比如坐标系统的度量。这种基于约定的拓扑模型可以在例如博物馆或展览馆中使用。当顾客进入到房间503-505中的一个或大房间的一个部分506A-506D时,他/她的便携式装置可显示或读取陈列在该房间或房间部分中的物品的描述。提供展览物品的可视或可听描述是有用的位置相关服务的实例,其中对服务请求实体或应用隐藏实际位置。
图5B示出了拓扑图形510,即拓扑模型TM的另一种实施方式。图形510包括一组节点和一组弧,其中每个节点指示可允许的位置而每个弧指示可允许的转移。由参考标记512和513表示的两个黑色矩形,表示所述节点中的两个。在该实施方式中,其中之一由参考标记514表示的弧是连接节点512、513的直接线段,但是在其它实施方式中,弧可以由更加复杂的曲线定义。每个节点是目标对象的可允许位置,但是所述节点没有必要是唯一的可允许位置。在一些实施方式中,沿着任意两个节点之间的弧的任何点都是可允许位置。在其它实施方式中,与曲线图的距离小于预定容限(例如最小走廊宽度的一半)的任何位置是可允许位置。
拓扑图标510可以具有或不具有相关联的度量。没有任何度量,拓扑图形510逻辑上等同于在图5A中示出的拓扑模型500,从而使得图510的节点512、513对应于模型500的房间503-507。如果使用,那么度量可以是相对或绝对的。相对度量可以指示该图包括节点512和513并且节点512和513之间的距离是7.5个单元。绝对度量指示节点的坐标。如果使用相对度量,那么在节点的绝对坐标无关紧要的意义上拓扑图510和510’是同等的图。
使用拓扑图形510来确定目标对象位置的方式有多种。例如,点的运动可被限制为可允许位置。可允许位置的组包括图形510的节点,并且可选地包括弧或者距离弧最大预定容限的任何位置。
图5C示出了点的运动被限制于图形510的节点和弧的场景。参考标记522表示具有关联速度为向右的11个单元的点。我们假设点522具有12个后代,其由参考标记524共同表示。参考标记526表示12个后代的速度(作为标量值)的集合。每个速度单元对应于两个连续更新周期之间的一个刻度线的距离。图5C示出了沿着图形510分布12个后代524的实例,这是拓扑模型TM的很多可能实施方式之一。图5C中示出的实例基于这样的假设,即每个分支是等可能性的。但是有时运动模型的概念(图3A中的对象MM)可以被用于去除一些选项。例如,位置估计模型LEM可以具有先知信息:给定目标对象运动在轮椅上。如果图形中的分支之一是楼梯,那么对于运动在轮椅上的目标对象这个分支是不可能的。显然,应当向不可能的分支不分配或分配几乎很少点。
图5D示出了拓扑模型530,包括节点531-536以及附连到所述节点中的某些的区域。在拓扑模型530中,可允许的位置是节点531-536,并且可选地还包括沿着节点之间的弧的任何点,以及由坐标定义的两个区域中的任何点。由坐标(x1,y1),(x2,y1),(x1,y2),(x2,y2)定义的多边形537被附连到节点533。或者如果多边形是矩形的,那么坐标(x1,y1),(x2,y2)就足够来定义它。半径为r的圆538被附连到节点535。定义拓扑模型530的数据结构可以包括节点531-536的坐标以及定义区域537、538的坐标和类型。
对于使用拓扑图形的进一步实例,读者可参见公众可获得的专利申请WO2004/008795,其公开了一种通过拓扑模型解释目标对象的位置的技术,然而本发明目的是使用这种图形来定位分配给目标对象的点。
运动模型
图6说明了如何使用运动模型来从父点导出一组子点。为了保持图6简明,位置被示为一维的,但是在实际实施方式中,位置可被处理为多维的,或者可以使用组合图5A-5D所描述的拓扑模型将多维空间处理为一族可替换的一维路径。
参考标记602表示分配给目标对象的点。点602位于坐标x。目标对象的运动模型MM指示能够在楼梯上移动等的“正常人”的类型。运动模型MM指示最大速度Vmax,最大加速度a1和最大减速度a2。运动模型的其它实施方式可以还指示速度改变(大小或方向)的概率。这种速度改变的概率可以指示例如高速急转弯是非常不可能的。
参考标记604指示点602的子点的位置,假设是恒定速率的。该位置在坐标x+vt,其中t是点的一代的寿命,即从点的产生到其子点的产生的时间长度。参考标记606表示点602的子点的位置,假设最大减速度。该位置在坐标x+(v-a2t/2)t。参考标记608表示点602的子点的位置,假设最大加速度。该位置在坐标x+(v-a1t/2)t。在图6示出的场景中,位置将不会由运动模型MM输出,因为在该例子中,在时间t期间的最大加速度将会导致超过由位置x+vmaxt处的线610指示的最大速度vmax。
因此,点602的所有或大多子点612都分布在位置606和610之间。例如通过伪随机算法600可以将子点612散布在边界位置606和610之间,所述伪随机算法通过使用一些适当的分布——比如常规分布或均匀分布——来散布子点612。具有残留概率来在位置606和610所定义的区域之外产生子点612,这是因为目标对象可能不符合运动模型MM所应用的限制。例如,位置估计模型可能错误地确定了目标对象的类型。或者在医院中的正常人的情况下,最大速度vmax可以对应于行走,但是跑动的概率不能被完全排除。
图7说明了初始分配给目标对象多个不同运动模型的实施例。参考符号MM1和MM2表示用于指示与两个不同运动模型相关联的点的两个不同符号。两个运动模型MM1和MM2可以在多个方面彼此不同,但是对于图7的目的,运动模型MM1描述慢的对象的运动而MM2描述快的对象的运动就足够了。
与运动模型MM1和MM2相关联的点分别由三角形和圆圈指示。三角形或圆圈的大小指示在权重确定步骤之后点的权重。
图7使用参考标记以及呈现四个更新周期的时间跨度的方式大体上与在图1和图2中使用的类似。参考标记711表示目标对象的最初位置。参考标记712表示最初分配给目标对象的点组。在该实例中,14个最初点712中的7个(三角形)与慢运动模型MM1相关联,而余下的7个(圆圈)与快运动模型MM2相关联。参考标记713表示指示14个不同位置的概率的曲线。参考标记714表示形成一组加权点715的第一权重确定步骤。参考标记716表示第一后代产生步骤。在这个稍微简化的场景中,只有三个点在第二代中具有后代。概率曲线713的形状因此是被选作父点三个点中的两个恰好与慢运动模型MM1(三角形)相关联,并且所述两个点在子点组722中总共具有九个后代。在该实例中,只有一个“快”点被选择作为子点722的父点,并且该点具有五个后代。
在该例子中,运动模型的最初随机分配使得恰好有利于慢运动模型MM1。但是目标对象原来是快的,即目标对象最好由快运动模型MM2模拟。参考标记721表示目标对象的下一个位置,而参考标记723表示点722的位置的概率。参考标记724表示产生第二组加权点725的第二权重确定步骤。在子点组722中,“快”点(圆圈)位于概率曲线723中的峰值附近。因此,所述“快”点在第二权重确定步骤724中被很重地加权,并且在第二后代产生步骤726中接收很多后代。相反地,“慢”点(三角形)对目标对象运动的预测很差并且趋向于远离在曲线723中的概率峰值。因此,它们将接收低权重并且在第二后代产生步骤726中产生很少的后代。
参考标记731到736涉及随后的更新周期(加权和后代产生步骤),其输出是第四组点742,这些点中的所有都与快运动模型MM2相关联。
为了使得图7更清楚,其中所示的场景是简单化的,因为速度被处理为标量属性。在现实场景中,速度可被处理为矢量属性。
如图7所示,即使当运动模型的最初随机分配正好有利于不正确的慢运动模型MM1,与其相关联的点也会迅速消失并且所有余下的点与快运动模型MM2相关联。但是可能结果图7示出的事件很例外,并且可能从长期来说慢运动模型MM1实际上更好。但是如果所有余下点都与快运动模型相关联,那么余下的点不可能很好地预测目标对象的将来运动。通过至少在一些代中产生“新鲜”——即无父——的点,有可能避免这种临时不好但是从长期来说可能很好的属性的完全消失。或者,一些点是在先前代中的点的后代,但是被很大程度地变异了。换句话说,一些点的属性可以经过很强的变化。
图8说明了子点从多个父点继承属性的实施例。参考标记800表示目标对象特征组。参考标记801和802分别表示目标对象的X和Y坐标。参考标记803表示最优运动模型的指示(MM#2=运动模型号2)。参考标记804表示最优设备模型的指示(DM#5=设备模型号5)。参考标记805表示在该描述以外的其它特征。因此点A的属性组810指示最优设备模型(DM#5),而点B的属性组820指示最优运动模型(MM#2),但是没有点的属性组指示设备和运动模型的完美组合。
参考标记810和820表示分配给目标对象的两个点A和B的属性组。每个点具有对于目标对象的将被估计的每个对象特征的对应属性。点A和B(或它们的属性组810,820)被应用为到后代产生器逻辑或电路DG的输入,所述后代产生器逻辑或电路DG可以是图3示出的位置估计装置的一部分。在该实例中,后代产生器DG选择彼此足够靠近的两个(或多个)点作为子点组的公共父点。我们假设点A和B的组合权重(例如权重的和或乘积)使得它们具有由参考标记830、840、850和860表示的四个子点。
根据一种实施方式,后代产生器DG通过确定父点810和820的平均值并且在该平均值上加上小的(伪)随机变量,来导出子点830、840、850和860的X和Y坐标。或者,后代产生器DG可进行处理从而使得子点继承父点属性的各种组合。
如在该实例种示出的,后代产生器DG使得四个子点830、840、850和860继承了在父点810和820的属性组中的设备模型和运动模型指示的各种组合。子点830的两个模型都不正确,点840具有正确的运动模型但是不正确的设备模型,点850具有正确的设备模型但是不正确的运动模型,而点860具有正确的两种模型。因为点860的属性指示了对于目标节点的最优设备模型和最优运动模型,因此其具有最好的机会存活来,在将来的代中具有后代。
图8示出了子点830、840、850和860从两个共同父点中导出的情况,但是数量2只是示意性的实例,并且父点的数量可以改变,甚至在单独的一代中。一些子点可以具有一个父点而一些具有两个或更多。
图8示出了后代产生器DG处理(接收和输出)设备模型和运动模型标识符的各种组合的实施例。代替应用设备模型和运动模型的标识符,也有可能后代产生器产生设备和/或运动模型的修正参数。例如,后代产生器可以从三个父点正产生子点,这三个父点的设备模型具有校正参数-2,+3和+5。例如,这些值可以指示将被添加到整个RF频谱或在频谱的一些频带中的信号强度观测上的值。这三个校正参数的平均值是+2,后代产生器可以将其用作下一代点的开始值。
可信度度量
在一些应用中,知道可以将目标对象定位在给定位置或区域有多大可靠性是有必要或至少有益的。可信度度量提供定位确定性的度量。在本发明的一个实施例中,使用点组的空间分布来确定可信度度量。在一种合理简化的实施方式中,目标对象将被定位在区域A中的概率是目标对象在区域A中的点组与分配给该目标对象的点的总数量的比率。在另一种实施方式中,可信度度量基于在区域A中的目标对象的点的概率总和除以分配给该目标对象的所有点的概率总和。在另一种实施方式中,可信度度量可以基于该点预测随后的观测——比如信号值——的能力。
图9说明了用于确定关于目标对象位置估计的可信度度量的技术。参考标记902表示目标对象的估计位置。参考标记904表示组成目标对象的可能位置的子集的区域或线段。参考标记906共同地表示分配给目标对象的点组。在一种实施方式中,将区域904中的点的数量与分配给目标对象的点的总数量的比率用作可信度度量。在一种可选的实施方式中,可信度度量基于概率加权点的比率,比如在区域904中的合并概率与分配给目标对象的所有点的合并概率的比率。
用于确定可信度值的相同技术可被用于其它的属性值,比如速度。
图10示出了如何将点组将来的信息用于减小涉及其过去的不确定性。参考标记1000表示楼层平面图或拓扑模型的片段。为了便于清楚,图10仅示出了分配给目标对象的10个点。点发展了四代G1到G4。在第一和第二代G1和G2之间,点在两个可能的分支A和B之间分裂,并且代的两半被表示为附加在代号码之后的“A”和“B”。表1010示出图10所示点群的权重和。在分裂之前存在的群G1包含第一代的所有点,从而合并(标准化)的权重是1。群G2A,即代G2的A分支,具有合并权重x,假设所有点都被分配到分支A或B,并且没有返回在结合点,由此对于B分支G2B的合并权重必然是1-x。在第三代中,在A和B分支上的点的合并权重分别是y和1-y。图10所示例子举例说明了分支A和B最初等可能性的情况,由此权重x,1-x,y和1-y中的每一个都是50%或近似于50%。在该例子中,目标对象通过节点1002。在该点处,可以以有效确定性确定目标对象的位置。例如节点1002可以是比如校验点的点,在该点处对象可以通过一些独立的方式确定目标对象的位置。因此,目标对象明显没有采用的A分支具有为零或近似零的残留权重ε,而B分支获得合并权重1-ε。当确定地知道目标对象采用的分支时,可以修改先前代的合并权重,如在表1010的最后一行所示的。这种可信度度量的非实时校正可以用于例如识别目标对象采用的路径。
在图10示出的该例子中,可以说在一代中的点组组成了点的快照。
性能考虑
通过位置相关物理量的观测来估计一个或多个目标对象的位置的任何技术都在计算上要求很高,本发明也不例外。然而,当取样点的数量相对于每个目标对象的点的数量较大时,本发明能够提供计算上的优势。这有多个原因。例如,经常需要存储目标对象的运动历史和相关联的概率。很多现有技术的定位技术实施隐藏马尔可夫模型(HMM)。在HMM系统中,存储目标对象的运动历史包括存储多个先前状态,并且存储每个状态包括存储对于大量取样点概率的数据。在本发明中,存储运动历史可以通过存储其数量显著低于取样点数量的点的历史来完成。
此外,在集中的位置估计装置必需为大量目标对象服务的情况下,本发明改善了鲁棒性。假设目标对象以第一速率——比如每两秒一次——做出信号参数观测的场景。集中的位置估计装置超负荷,并且可以较慢地更新位置估计,假设每三秒一次。根据本发明的点可以维持它们的运动,直到位置估计装置有时间来更新。在已知的HMM系统中,对于位置估计装置遗漏计算位置估计更加易于出错。这是因为很多HMM模型基于取样点(或其它给定位置)之间的已知转移概率,并且如果位置估计周期之间的间隔增加,可能的转移的数量变得非常大,这消除了不频繁执行位置估计周期的计算优势。
这不是说本发明和HMM模型是互斥的;而是当实施在没有HMM模型状态中的离散特性的连续系统中时,很多本发明的益处是最高的。
在本发明的一些实施例中,位置估计装置可以考虑可用于计算位置估计的时间总量,并且如果可用时间减小到标准阈值以下,则位置估计装置可以采取适当措施。例如,其可以减小每个目标对象的质点的数量。质点的减小甚至可以跨越目标对象,或可以基于其它考虑。例如,快速运动的和/或不易于由任何运动模型解释的目标对象,相对于保持静止或与一些运动模型保持一致的目标对象来说,可以被分配更多的点。在时间关键的情况下,位置估计装置也可以忽略点的更新周期,并且可选地允许现存点按照运动模型所确定的那样来运动。
相关取样点
避免进行无用计算的另一技术包括基于一些相关标准,选择数据模型的取样点的子集。这种选择的取样点将被称为相关取样点。例如相关取样点技术可以用于通过以下步骤来补充本发明:
-维持用于指示一个或多个相关取样点集合的相关性指示符集合,其中所述一个或多个相关取样点集合是在数据模型中的取样点的子集;
-基于在目标对象位置处的观测和所述相关性指示符集合,确定当前的相关取样点集合;以及
-基于在目标对象位置处的观测以及当前的相关取样点集合来估计目标对象的位置。
这种技术的益处是可以从计算中省略没包括在当前相关取样点集合中的取样点,这样减小了计算负担和电池消耗。或者,所述创造性技术所节省的资源可以用于通过进一步的计算获得更加精确或更加可靠的定位估计。
在本发明的一些实施例中,相关取样点技术被用于改善计算效率。数据模型可以指示对于每个取样点的物理量期望值集合,并且该方法还包括维持用于指示一个或多个相关取样点集合的相关性指示符集合,所述相关取样点集合是在数据模型中的取样点的子集。基于一个或多个位置相关物理量的观测以及相关性指示符集合,当前相关取样点集合被确定并且用于增加计算效率。例如,可以丢弃距离当前相关取样点集合较远的点。代替丢弃这种远距离的点或除此之外,所述创造性方法的步骤a)可以进一步包括分配最小的可信度给距离当前相关取样点集合较远的点,而无需进一步的计算。而且,所述创造性方法的步骤c)可以进一步包括产生在相关取样点附近的、一些附加的、无父点的点。
在取样点处的期望信号值可以是标量值、概率分布(例如正态分布)、柱状图结构,等等。相关取样点技术包括确定用于指示相关取样点集合的相关性指示符集合,所述相关取样点集合是在数据模型中的取样点的子集。该步骤将在稍后详细描述。在目标对象位置处的观测和相关性指示符集合被用于确定当前相关取样点集合。目标对象的位置是基于在目标对象位置处的观测和所述当前相关取样点集合来估计的。
在一个实施例中,确定当前相关取样点集合包括选择这样的取样点,其物理量期望值集合以预定相关性标准跨越在目标对象处的观测。
在另一种实施例中,如果得出的相关取样点集合小于预定的最小尺寸,那么放松所述预定相关性标准。这种条件可以指示异常,特别是如果异常持续,由此应当触发告警。在一些实施例中,基于系统负载来调整所述相关性标准。系统负载越高,所述相关性标准越严格,反之亦然。
然而,另一实施例包括形成模拟环境拓扑结构的拓扑图,其中拓扑图指示一组节点和一组弧,从而使得每个节点指示可允许的位置其每个弧指示目标对象在两个节点之间的可允许转移。拓扑图被用于估计目标对象的位置。例如,拓扑图可以被用于记录目标对象的运动历史,并且基于目标对象的运动历史排除一些所选择的取样点。
目标对象(或附连于目标对象的传感设备)的观测没有必要是原始测量数据,而可以是从测量值导出的任何值。例如,可以通过数学处理——比如平滑化,从测量数据导出观测。此外,本发明的一些实施例可以利用设备模型来校正传感设备的观测。该特征在传感设备不是专为精确测量而设计的应用中特别有用。
在本发明的一些实施例中,不能得到对于传感设备的最优设备模型的先验信息,并且使用相关取样点技术选择最佳设备模型。该方法基于这样的发现,即当信号值被高度损坏或偏差时,相关取样点的数量趋向于很小甚至是零。另一方面,如果所观测的信号很好地对应于与取样点相关联的数据,那么相关取样点的数量很高。
因此,如果应用设备模型的行为增加了相关取样点的数量,则我们可以推断:该设备模型能够去除一些特定设备的偏差。最优选的设备模型是最大化相关取样点数量的那一个。设备模型选择的精确度可以通过分析一系列观测而进一步改善。例如,可以选择通过一系列观察相关取样点的平均数量最高的设备模型。
图11A示出了目标对象和具有三个接入点和多个取样点的无线网络的一部分。标注为A1到A3的三角形表示三个接入点。标注为S1到S9的正号表示对无线网络中的信号参数值——比如信号强度——建模的数据模型的取样点。参考符号TO表示目标对象的位置。基于上下文,参考符号TO可以指代目标对象本身或其位置。当定位开始时目标对象的位置是未知的,并且当完成时仅知道一个估计。参考标记1102表示由目标对象TO做出的一组RF信号参数观测(矢量)。在该实例中,在接入点A1、A2和A3处的信号参数观测值——比如信号强度——分别是2、8和9。目标对象TO由定位引擎PE定位,在某些实施例中PE可以位于目标对象的本身中。但是,当对象由一个公共定位引擎定位大量目标对象时,本发明的资源节省特征被最好地利用。在一种典型的实施方式中,所述定位引擎是数据处理设备,比如一个服务器或一组服务器,其包括定位环境的数据模型、用于接收在目标对象位置处的信号参数观测的装置和用于执行根据本发明的方法的装置。
为了说明的目的,图11A还为三个接入点中的每一个示出了三条等信号参数值线。这些等值线示出了接入点的信号值是10(最里的线)、5(中间的线)和1(最外的线)的位置。这些线的示出仅是为了更好地理解本发明,它们不用于任何计算。图11A和11C将信号参数描述为在0和12之间的简单标量,从而使得说明对于读者更加容易理解。在现实的场景中,信号参数值可以是例如由dB单位表述的信号强度。
图11B和11C共同示出了用于指示相关取样点集合的示例性相关性指示符组。
图11B示出了对于图11A所示的一个取样点即S1以及三个接入点A1到A3的可能的信号质量范围。在以上描述的实施例中,信号参数值被处理为离散值。当然,任何数字测量系统都产生“离散”值,但是在此使用的“离散”意味着:可能值的范围被处理为相对较小的二进制数,而不是数字数目的虚闭联集。应当理解的是,“离散”的精确定义不是要点,因为本发明可应用于将可能信号质量值看作是连续(非离散)的技术中。
图11B涉及数据模型是概率模型的实施例。概率模型指示可测量物理量——在该例子中是信号参数值——的概率分布。参考标记1121A说明在取样点S1处来自接入点A1的信号参数值的概率分布。在一种典型而非限制性的实施方式中,其意味着在取样点(位置)S1处来自A1的信号的信号强度的概率分布。该量由D(A1/S1)表示。信号强度分布可以通过实际测量、计算机仿真或这些技术的任意组合来确定。
水平条1121B表示A1和S1组合的可能信号参数值的范围。如果信号参数值的概率与零偏离统计上地显著余量,那么认为该信号参数值是可能的。统计上地显著的问题包括在计算最优化和精确度/可靠度之间的折衷。如果需要的余量很高(仅当信号值具有“很”高概率时才接受该信号值),那么仅有小部分的取样点被认为是相关的并且在计算资源上的节省很大。另一方面,这样存在忽略取样点的风险,会影响定位。
参考标记1122A和1123A分别表示余下的接入点A2和A3的相应分布。参考标记1122B和1123B表示相应的可能信号参数值。
为了保持图11B紧凑,仅示出了对于一个取样点(S1)和三个接入点(A1到A3)的可能信号参数值的范围。在现实系统中,应当为数据模型(数据库)中的每个取样点单独确定可能信号参数值的范围。
图11C示出了获得相关取样点集合的过程。参考标记1131A表示对于图11A所示的接入点A1和九个取样点S1到S9的可能信号参数值的范围集合。参考标记1132A和1133A表示对于其它两个接入点A2和A3的类似的范围组。在每个数据结构1131A到1133A中,取样点S1的上限与图11B中已经示出的相同,并且余下取样点S2到S9的范围被类似地确定。例如,如从取样点S3看到的,数据结构1131A示出接入点A1的RF信号参数值具有1到5(近似)的范围。
参考标记1131B到1133B表示三个值窗口,每个用于三个接入点中的每一个。每个值窗口1131B到1133B位于相应接入点的信号参数值处。如结合图11A所描述的,目标对象观测了分别来自接入点A1、A2和A3的信号参数值2、8和9。因此,值窗口1131B到1133B位于数据结构1131A到1133A中的位置2、8和9处。最初在本描述中,我们可以假设值窗口的宽度是一。宽度将在以下详细描述。
现在的构思是使用数据结构1131A到1133A和值窗口1131B到1133B来确定相关取样点组。在目标对象位置处观测到的接入点A1的信号参数值是2(vA1=2)。取样点S3、S6、S8和S9的可能信号参数值的范围与值窗口1131B重叠。换句话说,假设观测vA1=2,那么取样点S3、S6、S8和S9是相关取样点的候选者。假设取样点表示为Ai,那么我们将候选取样点组表示为Ri。通过对其它两个接入点重复相同过程,定位引擎确定以下相关取样点组:
R1={S3,S6,S8,S9}
R2={S2,S3,S5,S6,S8,S9}
R3={S5,S6,S7,S8,S9}
定位引擎事先为每个接入点和信号值确定这些相关取样点集合,存储这些集合并且在几个将来的定位周期中使用它们。所存储的集合可以被使用直到定位环境被重新校准(通过测量和/或仿真)。
接着,定位引擎将确定上述三个组R1、R2和R3的交集,从而确定在三个观测为{vA1=2,vA2=8,vA3=9}的情况下相关的接入点集合。得出的集合由R表示:
R=R1∩R2∩R3
={S3,S6,S8,S9}∩{S2,S3,S5,S6,S8,S9}∩{S5,S6,S7,S8,S9}
={S6,S8,S9}
因此在该实例中,相关取样点组从九个减小到三个。在现实的情况中,具有较大数量的取样点,减小的比率将会大大地高于三。可以通过单独的定位引擎来定位的目标对象的数量将由增加近似相同的系数。
在以上描述中,值窗口1131B到1133B的宽度被假设是固定的。然而,优选地以相对小的宽度开始,并且如果所得出的相关取样点组为空或者太小以致不能给出可靠的结果,那么用放松的标准——比如更宽的值窗口——来确定其它组。很明显,画出物理值窗口仅用于说明的目的,数据处理器可以检查数字值而无需可视化。
在该实例中,三个集合R1、R2和R3的数学简单交集被用于确定与所有三个观测都相关的单个接入点组。这意味着取样点必需与每个观测都相关,从而与观测的组合相关。但是现实中的测量很少这么简单,并且随后在结合图14时,将描述一种算法,其考虑即使表面上不与一个或多个观测相关的相关取样点。
在本发明的一些实施例中,如果根据经验得知值窗口会产生一组空的相关取样点,则要触发告警。这种情况可以是在目标对象本身或在接入点(基站发射器)之一中的设备错误征兆。或者,定位环境的传播特性可能通过临时阻塞或通过在墙结构的永久改变而被更改了。不管导致空的相关取样点组的原因是什么,都应当调查该原因。
图12A和12B说明了信号参数值被处理为连续值并且被建模为对称单峰值概率分布的情况。到多峰值和非对称概率分布的一般化将结合图15进行描述。将使用以下注释:
A={a1,a2,...,an}= 接入点集合
S={s1,s2,...,sm}= 取样点集合
v={v1,v2,...,vn}= 观测信号参数值集合(矢量)
vi= ai的信号值
NA= 不可用的值(在覆盖之外,扫描失败,...)
P(V|si,aj)= 在si的信号参数aj的概率分布
ε(小的正数)= 规定查找忽略相关取样点的风险的参数;例如
ε∈[0,1]
在图12A中,参考标记1202指示x轴,其表示从接入点观测的信号参数值。y轴1204表示在取样点si处的接入点aj的信号参数的概率分布P(V|si,aj)。概率分布由参考标记1206表示。这种技术目的在于确定一个或多个信号值范围,从而使得在该范围之外观测值的概率不超过预定概率阈值ε。因为在图12A中的概率分布是对称和单峰值的,所以有可能通过满足要求的单个信号参数值vmin和vmax来确定信号值范围的边界。参考标记1210和1212分别表示信号参数值vmin和vmax,从而使得所观测的信号参数值位于vmin和vmax之间的范围之外的概率是ε,并且以下等式应用:
P(V<vmin|si,aj)=ε/2
P(V>vmax|si,aj)=ε/2
换句话说,最小和最大的信号参数值vmin和vmax,不是绝对最小和最大值,而是标明包含概率P(V|si,aj)大部分的范围的最低和最高端界限的值。该范围由阴影指示。
图12B示出了从图12A的概率分布1206导出的累积概率分布1226。在图12A中,由参考标记1210和1212分别表示的最小和最大信号参数值vmin和vmax,标明了阴影范围1228的界限,从而使得信号值在vmin和vmax之间的累积概率为1-ε。
从上述概率考虑,我们可以导出确定某取样点是否与做出观测向量v的目标对象的定位相关的相关标准。
如上所述,vi=接入点ai∈A的信号值。如果vi位于在取样点sj为接入点ai确定的信号值范围之一中,则取样点si被认为相关。假设与取样点sj相关联的信号值分布是对称和单峰值的,并且vmin和vmax分别是如上所述确定的信号值范围的最低和最高临界,则相关性标准可以如下表示:
vmin≤vi≤vmax
Ri[v]表示假设所观测的接入点ai的信号参数值是v时作为结果的相关取样点集合。
图13示出了用于初始化相关取样点集合的初始化算法1300。行1302表示为接入点集合A中的每个接入点aj执行的Begin...End循环。行1304清空对于信号参数值v的每一个可能值的相关取样点集合Rj[v]。行1306表示为取样点集合S中的每个取样点si执行的Begin...End循环。行1308和1310分别计算最小和最大信号参数值vmin和vmax,从而使得观测小于vmin或大于vmax的概率为ε。行1314将当前取样点si加到对于信号参数值v的相关取样点集合Rj[v]。
图14示出了找到相关取样点集合的算法1400,即找到与确定对应于观测v的位置相关的取样点。行1402产生将包含空集C,其将包括候选取样点集合。行1404初始化可听见的(可检测到的)取样点的数量Fmax。行1406开始为观测矢量v中的每个信号参数值vi执行的For循环,条件是信号参数值vi不是“NA”(不可用的)。在行1408上,对于可听见的接入点的数量的变量Fmax加1。行1410开始为每个取样点sj执行的For循环,基于结合图11A到11C描述的范围考虑,取样点sj是给出观测Ri[vi]的可能的取样点。
行1412开始“If...Then”结构,其中如果取样点sj不是候选取样点集合C的一员则执行“Then”部分。在行1414上,取样点sj被加到候选取样点集合C中。在行1416上,命中计数器F[j]被初始化为1。“If...Then”结构的Else部分包含行1418,在其上命中计数器F[j]加1。在一些实施方式中,加到命中计数器F[j]上的值不固定为1,而是基于观测值的可能性。
行1420开始算法1400的第二部分。在行1420上,相关取样点集合被初始化为空集。行1422开始为候选取样点集合C中的每个取样点sj执行的“For”循环。行1423是“If...Then”结构,其在如果可听见的接入点的数量Fmax减去命中计数器F[j]后的差小于或等于某个容限余量K时执行。在行426,取样点sj被添加到集合R。最后,在行1428上,相关取样点的结果集合R被返回到调用应用。
容限余量K的重要性如下所述。如果K=0,则在仅当取样点是观测矢量v中的每个信号参数值的可能取样点时才认为该取样点相关的意义上说,算法1400如在图11A到11C——特别是11C——中所示的过程那样操作。然而,有可能K=0的值造成了太严格的标准,并且产生相关接入点的空集或很小的集合。K=n,n=1,2,...,的值意味着即使取样点不存在于图11C示出的集合R1...R3中的n个时,也认为该取样点是相关的。
图15说明了图12A到14所示单峰值实例到多峰值的扩展。参考标记1502表示X-Y坐标系统,其中阈值水平1504与曲线1506相交。图15示出了曲线1506比阈值水平1504更高的两个范围。范围A1从x1延伸到x2,而范围A2从x3延伸到x4。构思是:设置阈值水平1504,使得满足由参考标记1508表示的条件。在纯文本中,条件1508表示在峰值范围A1,A2,...,计算的概率P(V=x)的积分等于1-ε。
在本发明的一些实施例中,数据模型不是概率模型。例如,取样点可以仅包含可测物理量的某些统计合计,比如均值、中值、最小值或最大值。同样,取样点可以包含一个或多个观测作为原始测量或从观测中导出一些值。然而,另一种可能性是取样点包含从计算机仿真——比如光线追踪技术——中获得的值。
在本发明的一些实施例中,相关性标准可以基于到与取样点相关联的值的距离。例如,如果xi是与取样点sj相关联的接入点ai的信号值,那么对于信号值范围的最低和最高临界可以使用预定余量z定义为:
Vmin=Xi-Z;
Vmax=Xi+Z。
用于基于图形和基于历史定位的相关性指示符
定位的不确定性可以通过在参考文献1中公开的基于图形的定位技术中使用相关性指示符来进一步减小。该文献公开了结合隐藏马尔可夫模型的基于图形的定位技术,但是本发明不限于隐藏马尔可夫模型。基于图形的定位可以被概括如下。拓扑图形对无线通信环境的拓扑建模。拓扑图形指示一组节点,其中每个节点指示在定位环境中可允许的位置。拓扑图形还指示一组弧,其中每个弧指示在两个节点之间的可允许的目标对象转移。拓扑图形被用于基于数据模型和一系列观测来估计目标对象的位置。例如,建模定位环境的拓扑的拓扑图形可以被用于排除不可能的位置和/或位置之间不可能的转移。
图16解释说明了结合本发明的相关性指示符的、基于图形的定位技术的使用。在图16示出的实例中,拓扑图形TG建模在定位环境中的可允许位置和转移。在该简单实例中示出的拓扑图形TG包括由参考符号N1-N20表示的20个节点。在该例子中,节点N1-N20还是数据模型的取样点。参考符号T1-T4表示在四个不同时刻的目标对象的位置。参考符号S11-S14表示四个不同的相关取样点集合,每个集合对应于不同的时刻T1-T4。所述相关取样点集合可以通过在本说明书中先前描述的相关性指示符来确定。
图表1610说明在时间T1-T4的可能目标对象位置的确定。在时间T1,相关点集合S11包括取样点(节点)N3-N6,如四个X符号所指示。在时间T2,相关取样点集合S12包括节点N6、N7、N14和N15。在时间T3,相关取样点集合S13包括节点N6-N9。最后在时间T4,相关取样点集合S14包括节点N1、N9-N13和N18。
在该实例中,我们假设目标对象可以保持静止或在一个单位时间中从一个节点运动到其直接相邻的另一个节点,但是目标对象不能运动得快到在一个单位时间中跳两个或多个节点间弧(iner-node arc)。基于在时间T1可得到的信息,节点N3-N6中的每一个都是可能的目标对象位置,即使所有的位置不是相等可能的。但是在时间T2,每个单位时间最多一个节点间跳的规则排除了在时间T1的节点N3和N4,因为目标对象不可能从这些节点中任何一个运动到在T2的可能节点。相同的规则也排除了在时间T2的节点N14和N15,因为在T1的可能节点集合不会达到这些节点。
在时间T3,相关取样点集合S13包括节点N6-N9。但是每单位时间最多一个节点间跳的规则排除了节点N9,因为节点N9与在时间T2的任何可能节点距离两个节点间跳。最后在时间T4,目标对象的位置可以被固定在节点N9,尽管相关取样点集合S14还包括节点N1,N10-N13和N18。但是仅N9是可以从T3的可能节点中的任一个通过一个节点间跳可达到的。
可以看出,目标对象在T1到T4的转移历史可被用于除了减小目标对象当前位置的定位不确定性之外,还可以减小(或去除)目标对象先前位置的不确定性。如先前描述的,基于在时间T1可用的信息,目标对象可以在节点N3-N6中任一个上。但是当定位引擎可以自由处理整个转移历史(在该例子中的四个步骤)时,定位引擎可以建立目标对象的路径为N6-N7-N8-N9,如在图表1610中的四个圆圈所示。
在此结合图16描述的基于图形的定位,以及在先前提及的PCT申请中详细描述的,可以被用于进一步减小定位不确定性,因为需要不可能转移的一些节点可以被排除。基于图形的定位还可以被用于减小计算负载,这是本发明的根本目的,因为可以从计算中省略需要不可能转移的取样点(节点)。在该实例中,在时间T4的相关取样点集合S14包括七个节点(N1、N9-N13和N18),但是当考虑了目标对象的整个转移历史时,只有一个节点——即N9——是可能的节点。
可以通过使用基于隐藏马尔可夫模型的技术,正式地描述以上实例。令L(si)表示在集合si中的取样点的邻居集合,即从在集合si中的取样点通过一步可以达到的取样点。L(R)表示相关取样点的邻居集合:
以下,HMM1,HMM2,…HMMi表示在隐藏马尔可夫模型中的连续观测周期。相关取样点集合(R)如下所示:
HMM1:
HMM2:RHMM/2=R2∩L(RHMM/1)
HMMi:RHMM/i=Ri∩L(RHMM/i-1)
该特征在图表1610中由水平条说明。虚的水平条指示相关取样点的邻居,而实的水平条指示在排除不可能转移之后的相关取样点的邻居。可以看到,本创造性技术减小了计算负担,因为仅需要计算关于属于被HMM因素认为相关的取样点集合RHMM/1...i中的取样点的观测概率。
如果相关取样点集合RHMM/k为空或者非常接近为空,即意味着发生了一些意外的事情并且在继续定位前应当采取一些措施。例如,观测信号可能被临时阻止,数据模型可能过期,附连于目标对象的传感设备可能故障,等等。如果这种问题持续,那么必需触发告警。
在结合图16描述的实例中,使用了拓扑图形TG,从而使得认为目标对象TO的位置是沿着拓扑图形TG上的节点之一。在替换实施方式中,目标对象的位置被解释为沿着拓扑图形TG的任何点,即没有必要是预定节点N1-N20之一。在另一种实施方式,目标对象的位置被解释为其距离不同于拓扑图形TG一个预定容限——比如半个走廊的宽度——的任何点。另外,拓扑图形TG可以包括适用于建模延长路径的弧以及适用于建模开放空间——比如大房间——的区域的组合。
对于本领于技术人员已经清楚,作为技术进步,所述创造性的概念可以通过各种方式实施。本发明及其实施例不限于上述实例而是可以在权利要求的范围内改变。
参考文献
1.WO2004/008795公开了使用对目标对象通信环境的拓扑进行建模的图形的位置确定技术。
2.WO03/102622公开了在无线环境中定位目标的技术。该技术使用无线环境的多个子模型,每个子模型指示在无线环境中的一个或多个位置处的信号值的概率分布。子模型被合并为指示环境中的信号值概率分布的环境概率模型。
3、WO2004/008796公开了一种位置确定技术,其包括确定对不同目标对象的信号质量参数观测之间的差异进行补偿的多个设备模型,并且在所述多个设备模型中选择用于特定目标对象的特定设备模型。
4.WO02/054813公开了一种在无线电信环境中估计接收器的位置的方法和设备。
上述参考文献是公众可获得的专利申请,合并在此以供参考。
Claims (24)
1.一种用于估计在环境(EN,RN)中的目标对象(TO)的特征组(SP)的方法,其中所述特征组包括位置;
所述方法包括:
-用拓扑模型(TM)和数据模型(DAM)对所述环境进行建模,其中所述拓扑模型(TM)指示在所述环境中的可允许位置和转移,并且所述数据模型指示对于所述拓扑模型(TM)所指示的多个可允许位置中的每一个的至少一个位置相关物理量(PQ);
-用一个或多个运动模型(MM)建模所述目标对象(TO)的位置改变特性,其中每个运动模型建模特定类型的目标对象并且服从由所述拓扑模型(TM)指示的可允许位置和转移;
-将所述目标对象(TO)与一个或多个并置传感设备(SD)相关联,每个传感设备能够对所述位置相关物理量(PQ)中的一个或多个进行观测(OS);
-为所述目标对象分配点组(P,112,122,...),所述点组中的每一个点都具有属性组(AS),其中所述属性组至少包括与所述拓扑模型(TM)相关的位置;
-利用分配给所述目标对象的点(P)的属性组(AS;112,122,...),来估计所述目标对象(TO)的特征组(SP;111,121,131,141);以及
-在多个更新周期中更新所述点组,其中每个更新周期包括以下阶段a)到c):
a)使用所述数据模型(DAM)和来自与所述目标对象(TO)相关联的至少一个传感设备(SD)的观测(OS),确定每个点(P)精确地估计所述目标对象的特征组(SP)的可信度(113,123,...);
b)至少基于所确定的可信度来为每个点确定权重(115,125,...);以及
c)产生更新周期n+1的新点组,其中:
-所述新点组中的至少一些点(122,132,142;612)基于更新周期n(112,122,132;602)的一个或多个父点,其中
-更新周期n的点被选择作为更新周期n+1中新点的父点的可能性是所述更新周期n的点的权重的非减函数;以及
-通过使用所述一个或多个运动模型(MM)中的至少一个以及预定算法(600),来从更新周期n的一个或多个父点的属性组中,导出更新周期n+1的新点的属性组。
2.如权利要求1所述的方法,进一步包括:
-产生更新周期k的加权点的快照,其中所述快照包含更新周期k的一些点或所有点,并且为每个点分配由以下递归规则定义的权重,其中n是权重已经被确定的最新近的更新周期:
-如果k等于n,则点的权重基于在权利要求1的步骤b中确定的权重;
-如果k小于n,则点的权重基于在为更新周期k+1产生的快照中的所述点的所有直系后代的权重总和;以及
-使用所述快照来估计在更新周期k时目标对象(TO)的特征组(SP)。
3.如权利要求2所述的方法,进一步包括:
-将更新周期k的加权点的快照划分为一个或多个群,其中每个群包含根据一个或多个预定类似标准而彼此类似的点;以及
-选择至少一个群,并且通过使用在所选群中的点和权重并忽略不在所选群中的点和权重,为每个所选群估计在更新周期k时目标对象(TO)的特征组(SP)。
4.如权利要求3所述的方法,其中所述一个或多个预定类似标准中的至少一个是基于点的位置的,由此每个群包含彼此靠近的点。
5.如权利要求3或4所述的方法,进一步包括:
-维持多个预定区域,其中每个区域包括所述拓扑模型(TM)的一个或多个可允许位置;并且其中
-所述一个或多个预定的类似标准中的至少一个是基于所述多个区域的,其中位置属于相同区域的点属于相同的群。
6.如权利要求3或4所述的方法,进一步包括将可信度值与使用群所产生的估计相关联,其中所述可信度值基于所述群中的点的权重总和除以所述快照中的权重总和。
7.如权利要求3所述的方法,其中所估计的所述目标对象(TO)的特征组(SP)包括所述环境(EN)中的至少一个空间特征(SP),本方法进一步包括:
-用所述数据模型(DAM)建模所述至少一个空间特征,其中所述数据模型指示对于所述环境的多个位置中的每一个的空间特征(SP);
-其中估计所述目标对象(TO)的特征组(SP)的所述步骤包括:
-为每个点产生空间特征的特定点估计,使用所述数据模型(DAM)指示在每个点的位置处的空间特征;以及
-使用点的权重,合并特定点估计。
8.如权利要求1所述的方法,其中所述数据模型(DAM)是概率模型或者所述数据模型(DAM)包括概率模型,所述概率模型指示在所述拓扑模型(TM)所指示的可允许位置处的所述至少一个位置相关物理量(PQ)的概率分布(411,412);并且其中所述为点确定可信度的步骤包括:
-通过使用所述数据模型(DAM),指示在所述点的位置处的位置相关物理量的概率分布(411,412);以及
-使用所指示的概率分布,确定所述物理量(PQ)的观测来自与所述目标对象(TO)相关联的至少一个传感设备(SD)的概率。
9.如权利要求8所述的方法,其中所述数据模型(DAM)是概率模型或者所述数据模型(DAM)包括概率模型,所述概率模型进一步指示在多个取样点(401,402)处的所述至少一个位置相关物理量(PQ)的概率分布(411,412);并且其中所述指示概率分布的步骤包括:
-选择靠近所述点的位置的至少两个取样点;以及
-合并在所选取样点(401,402)处的所述物理量的概率分布(411,412)。
10.如权利要求9所述的方法,其中所述合并概率分布的步骤包括:
-形成每个所选取样点(401,402)的累积分布函数(421,422)并且用相对权重加权所述累积分布函数中的每一个;以及
-形成加权累积分布函数的合并(423)。
11.如权利要求1所述的方法,其中所述拓扑模型(TM,530)包括节点和在所述节点(531-536)之间的弧,来指示可允许的位置和转移。
12.如权利要求9或10所述的方法,其中所述拓扑模型(TM,530)包括节点和所述节点(531-536)之间的弧,来指示可允许的位置和转移;并且其中所述选择至少两个取样点的步骤包括选择通过沿着所述弧从所述点的位置能够达到的至少两个取样点。
13.如权利要求1所述的方法,进一步包括自适应地选择对于目标对象的运动模型,其中所述自适应选择包括:
-为每个点(P)选择特定的运动模型(MM)并且将点的属性组(AS)设置为包含为所述点选择的运动模型的参考;以及
-从一个或多个父点的属性组中导出新点的属性组的步骤包括使用所述父点的属性组所参考的运动模型。
14.如权利要求1所述的方法,进一步包括:
-维持多个设备模型(DM),其中每个设备模型能够校正一个或多个传感设备(SD)的观测;
-选择对于至少一个并置传感设备(SD)的特定设备模型(DM);
-并且用所选设备模型(DM)来校正所述至少一个并置传感设备(SD)的观测。
15.如权利要求14所述的方法,进一步包括自适应地选择所述多个设备模型(DM)中的至少一个,其中所述自适应选择包括:
-为每个点(P)选择至少一个特定设备模型(DM),并且将点的属性组(AS)设置为包含为点所选的设备模型的参考;以及
-在为点(P)确定可信度(113,123,...)之前,应用由所述点的属性组(AS)参考的每个设备模型来校正来自所述至少一个传感设备(SD)的观测(OS)。
16.如权利要求1所述的方法,其中所述数据模型指示对于多个取样点(S1-S9)中的每一个的位置相关物理量的期望值集合,并且所述方法还包括:
-维持相关性指示符集合(121A-123B;131A-133B)来指示一个或多个相关取样点集合(R1-R3),其中所述一个或多个相关取样点集合是所述数据模型中的取样点(S1-S9)的子集;
-基于所述一个或多个位置相关物理量(PQ)的观测(OS)且基于所述相关性指示符集合,确定当前的相关取样点集合(R);以及
-使用所述当前的相关取样点集合(R)来提高计算效率。
17.如权利要求16所述的方法,进一步包括丢弃位置远离所述当前的相关取样点集合(R)的点。
18.如权利要求16所述的方法,其中权利要求1的步骤a)进一步包括:为远离所述当前的相关取样点集合(R)的点分配最小的可信度,而无需其它计算。
19.如权利要求16所述的方法,其中权利要求1的步骤c)进一步包括在所述相关取样点附近产生一些附加的无父点的点。
20.如权利要求1所述的方法,其中所述一个或多个物理量包括至少一个信号值。
21.如权利要求1所述的方法,其中所述特征组(SP)包括一个或多个运动特征。
22.一种用于估计在环境(EN,RN)中的目标对象(TO)的特征组(SP)的装置,其中所述特征组包括位置,所述装置包括:
-用拓扑模型(TM)和数据模型(DAM)对所述环境进行建模的单元,其中所述拓扑模型用于指示在所述环境中可允许的位置和转移,所述数据模型指示对于所述拓扑模型(TM)所指示的多个可允许位置中的每一个的至少一个位置相关物理量(PQ);
-用一个或多个运动模型(MM)建模所述目标对象(TO)的位置改变特性的单元,其中每个运动模型建模特定类型的目标对象并且服从所述拓扑模型(TM)所指示的可允许位置和转移;
-将所述目标对象(TO)与一个或多个并置传感设备(SD)相关联的单元,其中每个传感设备能够对所述位置相关物理量(PQ)中的一个或多个进行观测(OS);
-为所述目标对象分配点组(P,112,122,...)的单元,所述点组中的每个点都具有属性组(AS),其中所述属性组至少包括与所述拓扑模型(TM)相关的位置;
-利用分配给所述目标对象的点(P)的属性组(AS;112,122,...)来估计所述目标对象(TO)的特征组(SP;111,121,131,141)的单元;以及
-用于在多个更新周期中更新所述点组的单元,其中每个更新周期包括以下阶段a)到c):
a)使用所述数据模型(DAM)和来自与所述目标对象(TO)相关联的至少一个传感设备(SD)的观测(OS),确定每个点(P)精确地估计所述目标对象的特征组(SP)的可信度(113,123,...);
b)至少基于所确定的可信度来为每个点确定权重(115,125,...);以及
c)为更新周期n+1产生新的点组,其中:
-所述新点组中的至少一些点(122,132,142;612)基于更新周期n的一个或多个父点(112,122,132;602),其中
-更新周期n的点被选择作为更新周期n+1新点的父点的可能性是所述更新周期n的点的权重的非减函数;以及
-通过使用所述一个或多个运动模型(MM)中的至少一个以及预定算法(600),从更新周期n的一个或多个父点的属性组导出更新周期n+1的新点的属性组。
23.如权利要求22所述的装置,进一步包括基于以下的一个或多个动态地调整分配给所述目标对象的点的数量的单元:
-在点的属性中的变化;
-所述装置所服务的目标对象的数量;
-特征估计的质量要求;
-分配给目标对象的优先级;
-每单位时间从所述传感设备接收的观测集合的合并速率;
-所述目标对象的运动历史;以及
-所述装置的整个负载。
24.如权利要求22或23所述的装置,进一步包括基于以下的一个或多个动态地调整更新周期之间的时间间隔的单元:
-在点的属性中的变化;
-所述装置所服务的目标对象的数量;
-特征估计的质量要求;
-分配给目标对象的优先级;
-每单位时间从所述传感设备接收的观测集合的合并速率;
-所述目标对象的运动历史;以及
-所述装置的整个负载。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20055649A FI118787B (fi) | 2005-12-07 | 2005-12-07 | Paikanmääritystekniikoita |
FI20055649 | 2005-12-07 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101018402A CN101018402A (zh) | 2007-08-15 |
CN101018402B true CN101018402B (zh) | 2012-10-10 |
Family
ID=35510727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006100644822A Expired - Fee Related CN101018402B (zh) | 2005-12-07 | 2006-12-07 | 位置确定技术 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP1796419B1 (zh) |
JP (1) | JP4904137B2 (zh) |
CN (1) | CN101018402B (zh) |
DK (1) | DK1796419T3 (zh) |
FI (1) | FI118787B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI118715B (fi) * | 2005-12-07 | 2008-02-15 | Ekahau Oy | Paikannustekniikka |
JP5043756B2 (ja) * | 2008-06-09 | 2012-10-10 | 本田技研工業株式会社 | 状態推定装置および状態推定プログラム |
US9497638B2 (en) | 2009-03-04 | 2016-11-15 | Nokia Technologies Oy | Screening information for a coverage model |
WO2010101547A1 (en) * | 2009-03-04 | 2010-09-10 | Nokia Corporation | State-machine-based operation of a coverage-model-related process |
JP2010210579A (ja) * | 2009-03-12 | 2010-09-24 | Toshiba Corp | 目標検出装置及び目標検出方法 |
JP4957770B2 (ja) * | 2009-09-09 | 2012-06-20 | 沖電気工業株式会社 | 位置推定システム、位置推定装置、位置推定方法及びプログラム |
US8698671B2 (en) * | 2009-10-16 | 2014-04-15 | Qualcomm Incorporated | Binning venues into categories based on propagation characteristics |
JP5515647B2 (ja) * | 2009-11-05 | 2014-06-11 | 独立行政法人産業技術総合研究所 | 測位装置 |
GB2479577B (en) * | 2010-04-15 | 2015-05-27 | Samsung Electronics Co Ltd | Improvements relating to wireless networks |
US20110274094A1 (en) * | 2010-05-06 | 2011-11-10 | Qualcomm Incorporated | Methods and apparatus for estimating a geolocation of a wireless communications device |
CN102960036B (zh) * | 2010-05-19 | 2016-11-09 | 诺基亚技术有限公司 | 众包视觉和传感器勘测绘图 |
CN102960035A (zh) | 2010-05-19 | 2013-03-06 | 诺基亚公司 | 扩展的指纹产生 |
CN102960037B (zh) | 2010-05-19 | 2016-08-10 | 诺基亚技术有限公司 | 物理上约束的无线电地图 |
JP5166502B2 (ja) * | 2010-10-21 | 2013-03-21 | 株式会社日立製作所 | 測位データ管理サーバ及び測位データ管理方法 |
TWI439947B (zh) * | 2010-11-11 | 2014-06-01 | Ind Tech Res Inst | 辨識人體移動行為之方法及系統 |
JP2013007719A (ja) * | 2011-06-27 | 2013-01-10 | Toyota Central R&D Labs Inc | 位置推定装置、位置推定方法及び位置推定プログラム |
US8706137B2 (en) * | 2011-08-02 | 2014-04-22 | Qualcomm Incorporated | Likelihood of mobile device portal transition |
JP5978747B2 (ja) * | 2012-05-09 | 2016-08-24 | 富士通株式会社 | 測位システム、測位方法、及びプログラム |
CN103810450B (zh) * | 2012-11-12 | 2017-01-25 | 北京计算机技术及应用研究所 | 一种射频识别的精确区域定位方法及系统 |
US10152874B2 (en) | 2013-04-18 | 2018-12-11 | Airista Flow, Inc. | Processing alert signals from positioning devices |
US9753131B2 (en) * | 2013-10-09 | 2017-09-05 | Massachusetts Institute Of Technology | Motion tracking via body radio reflections |
US9319844B2 (en) | 2014-04-25 | 2016-04-19 | Aruba Networks, Inc. | Determining location based on both a detected location and a predicted location |
KR101713241B1 (ko) * | 2015-06-22 | 2017-03-09 | 광운대학교 산학협력단 | 단독기지국의 위치 선정 방법 및 그 장치 |
FR3039728B1 (fr) * | 2015-07-28 | 2017-10-27 | Airbus Defence & Space Sas | Procede de planification d'acquisition d'images de zones terrestres par un engin spatial |
US9749806B2 (en) * | 2015-12-17 | 2017-08-29 | Viavi Solutions Uk Limited | Determining mobile device location based on a particle swarm approach |
FR3049065B1 (fr) * | 2016-03-16 | 2018-03-23 | Continental Automotive France | Procede de determination de la position d'un equipement portable d'utilisateur autour d'un vehicule et dispositif de localisation associe |
CN106443624B (zh) * | 2016-09-14 | 2019-02-22 | 清华大学 | 一种目标检测与跟踪一体化方法 |
US10692227B2 (en) * | 2017-01-05 | 2020-06-23 | Kla-Tencor Corporation | Determination of sampling maps for alignment measurements based on reduction of out of specification points |
US11035943B2 (en) * | 2018-07-19 | 2021-06-15 | Aptiv Technologies Limited | Radar based tracking of slow moving objects |
DE102018214828B4 (de) * | 2018-08-31 | 2024-05-16 | Robert Bosch Gmbh | Verfahren, Vorrichtung und Computerprogramm zum Prädizieren eines Aufenthaltsortes einer Mehrzahl von Objekten |
CN112589795B (zh) * | 2020-12-04 | 2022-03-15 | 中山大学 | 一种基于不确定性多帧融合的真空吸盘机械臂抓取方法 |
CN112820009A (zh) * | 2021-02-08 | 2021-05-18 | 上海凯盛朗坤信息技术股份有限公司 | 一种智能工厂安防系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1666113A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 在无线环境中移动的目标装置的位置误差估计 |
CN1666562A (zh) * | 2002-07-10 | 2005-09-07 | 埃卡豪股份有限公司 | 定位技术 |
CN1666111A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 用于定位技术的概率模型 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2337386B (en) * | 1996-09-09 | 2001-04-04 | Dennis J Dupray | Location of a mobile station |
FI113330B (fi) * | 2002-07-10 | 2004-03-31 | Ekahau Oy | Signaalilaatumittausten sovelluksia |
JP3943049B2 (ja) * | 2003-05-14 | 2007-07-11 | 株式会社アテック吉村 | ケーシングパイプ式土質試料サンプラー |
US7250907B2 (en) * | 2003-06-30 | 2007-07-31 | Microsoft Corporation | System and methods for determining the location dynamics of a portable computing device |
-
2005
- 2005-12-07 FI FI20055649A patent/FI118787B/fi not_active IP Right Cessation
-
2006
- 2006-12-04 DK DK06125313.4T patent/DK1796419T3/en active
- 2006-12-04 EP EP06125313.4A patent/EP1796419B1/en active Active
- 2006-12-07 JP JP2006331181A patent/JP4904137B2/ja active Active
- 2006-12-07 CN CN2006100644822A patent/CN101018402B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1666113A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 在无线环境中移动的目标装置的位置误差估计 |
CN1666111A (zh) * | 2002-05-31 | 2005-09-07 | 埃卡豪股份有限公司 | 用于定位技术的概率模型 |
CN1666562A (zh) * | 2002-07-10 | 2005-09-07 | 埃卡豪股份有限公司 | 定位技术 |
Also Published As
Publication number | Publication date |
---|---|
FI20055649A (fi) | 2007-06-08 |
FI118787B (fi) | 2008-03-14 |
FI20055649A0 (fi) | 2005-12-07 |
EP1796419B1 (en) | 2019-01-23 |
JP2007208962A (ja) | 2007-08-16 |
CN101018402A (zh) | 2007-08-15 |
JP4904137B2 (ja) | 2012-03-28 |
EP1796419A1 (en) | 2007-06-13 |
DK1796419T3 (en) | 2019-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101018402B (zh) | 位置确定技术 | |
Shin et al. | Unsupervised construction of an indoor floor plan using a smartphone | |
Li et al. | An improved weighted k-nearest neighbor algorithm for indoor positioning | |
Luo et al. | Enhancing Wi-Fi fingerprinting for indoor positioning using human-centric collaborative feedback | |
CA2840250C (en) | An improved system and method for wireless positioning in wireless network-enabled environments | |
US20070149216A1 (en) | Location determination techniques | |
Lalama et al. | Localization optimization in WSNs using meta-heuristics optimization algorithms: a survey | |
Mourad et al. | Controlled mobility sensor networks for target tracking using ant colony optimization | |
Cai et al. | Robust hybrid approach of vision-based tracking and radio-based identification and localization for 3D tracking of multiple construction workers | |
Elbes et al. | An indoor localization approach based on deep learning for indoor location-based services | |
CN101009925B (zh) | 定位技术 | |
CN108882149B (zh) | 距离相关概率的nlos补偿定位方法 | |
Pan et al. | Indoor scenario-based UWB anchor placement optimization method for indoor localization | |
Wen et al. | On assessing the accuracy of positioning systems in indoor environments | |
CN108318854B (zh) | 一种定位方法、装置、电子设备及可读存储介质 | |
Soderlund et al. | Optimization of multitarget tracking within a sensor network via information-guided clustering | |
Jin et al. | Toward scalable and robust indoor tracking: Design, implementation, and evaluation | |
Vahidnia et al. | A hierarchical signal-space partitioning technique for indoor positioning with WLAN to support location-awareness in mobile map services | |
Mohanta et al. | Advanced localization algorithm for wireless sensor networks using fractional order class topper optimization | |
Varma et al. | Fault-Tolerant indoor localization based on speed conscious recurrent neural network using Kullback–Leibler divergence | |
Mohanta et al. | Improved wireless sensor network localization algorithm based on selective opposition class topper optimization (SOCTO) | |
Liu et al. | A radio map self-updating algorithm based on mobile crowd sensing | |
Junoh et al. | Crowdsourcing landmark-assisted localization with deep learning | |
Lam et al. | Heuristics-based indoor positioning systems: A systematic literature review | |
Varma et al. | ReMAPP: reverse multilateration based access point positioning using multivariate regression for indoor localization in smart buildings |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20121010 Termination date: 20151207 |
|
EXPY | Termination of patent right or utility model |