CN101438184A - 一种跟踪移动电子设备的状态的方法 - Google Patents

Abstract

本发明涉及跟踪移动电子设备的状态的方法以及包括被配置来执行所述方法的处理装置的移动电子设备。一种跟踪移动电子设备状态的方法，所述方法包括重复执行步骤(i)使用包括多个小区的网格表示移动电子设备的状态，每个小区表示由一个或多个状态变量定义的状态空间中的区域，并具有所述移动电子设备的状态在状态空间中的该区域内的概率值，所述网格被限制为仅包括具有高于预先确定的阈值的概率值的小区；(ii)获取指示一个或多个状态变量的值的测量信号；(iii)基于所述测量信号更新所述网格的所述概率值并重新限制所述网格。

Description

一种跟踪移动电子设备的状态的方法

技术领域

本发明涉及跟踪移动电子设备状态的方法，以及包括被配置为执行该方法的处理装置的移动电子设备。

背景技术

个人定位的挑战之一是在仅有很少的并且可能具有带有异常分布状态的较大误差的可用测量资源的环境中，尤其是在需要由这些不同的测量源汇合形成非线性过滤方程的有效的数值解决方案的室内或城市区域，提供准确的位置信息。

诸如GPS的基于卫星的系统的状态最多是在室内以高灵敏度模式使用时是不可预测的。局域无线网络，例如蜂窝网络、WLAN或蓝牙提供了一定的定位能力，但是比起GPS具有较低的准确度。移动电子设备的其他可能的部件是单板(on-board)传感器，例如过载传感器(accelerometer)、气压计或数字罗盘(compasses)。

由于不同的误差特征、不可预测的失真、测量中的系统误差、强的非线性、复杂的时间相依性以及丢失的数据，因而合并各种测量源是困难的。以通常的方式对所有的情况进行建模并非易事，更不用说精确地解释这些模型。即使拥有正确的模型，常用的Kalman滤波器和其非线性扩展也可能没有警告地失效。

发明内容

根据本发明的第一方面，提供了跟踪移动电子设备的状态的方法，所述方法包括重复执行步骤：

(i)使用包括多个小区的网格表示所述移动电子设备的状态，每个小区表示由一个或多个状态变量定义的状态空间中的区域，并具有所述移动电子设备的状态在状态空间中的该区域内的概率值，所述网格被限制为仅包括具有高于预先确定的阈值的概率值的小区；

(ii)获得指示一个或多个状态变量的值的测量信号；

(iii)基于所述测量信号更新所述网格的所述概率值并重新限制所述网格。

不论是单独还是结合，所述移动电子设备的状态可以包括但不限于位置、速度、加速度以及时钟误差状态变量。

所述状态空间的维数对应于状态变量的总维数，每个小区包括与该状态空间的维数相等的维数。例如，状态空间和小区可以是六维的，以三维表示位置，以三维表示速度。

本发明提供了手段由此从不产生唯一的定位解决方案或产生多个解决方案的测量几何学保留所有信息，并由此在后分布的形状被保留而不漏掉其任何峰值。

本发明比粒子滤波器运行的快，比位置指纹方法更普遍，传播完整的位置分布从而能够精确地表示不确定的或多个解决方案的系统。

优选地，所述网格是均匀分隔的平行六面体网格，以缓解关于所述方法的计算负载的问题。

步骤(i)就一个或多个重复而言可以包括获取测量信号以及基于所述测量信号形成网格。位置估计可以从包括任何例如距离、距离差别或平面测量的测量信号获得。距离测量可以例如以时间延迟、往返行程(round-trip)或信号强度测量的形式，从蜂窝基站、WLAN或蓝牙发射机和/或声学传感器获得。指示位置的其他类型的测量信号包括但不限于到达角度的测量、最大-最小距离窗口、基本扇区(base sector)信息、以及单板气压计和数字罗盘。可以使用伪距(deltarange)和航向(heading)测量来测量速度。可以使用单板过载传感器来测量加速度。

应该理解测量信号的细节对于本发明并不重要，假设可以使用测量信号，不论单独使用还是与其他测量信号结合，来获得或估计所提及的状态变量的值。

步骤(i)就一个或多个第二个和后续重复而言，可以包括使用在先重复的步骤(iii)的所述更新网格。

所述一个或多个重复可以包括步骤(iv)，基于所述更新网格和用于所述移动电子设备的运动模型，预测所述后续重复的所述网格的所述概率值以获得预测的网格。

步骤(iv)可以包括重新限制所述网格和/或在所述后续重复的步骤(i)中使用所述预测的网格。

重新限制所述网格可以包括移动所述网格的边界以排除概率值低于所述预先确定的阈值的小区，和/或移动边界以包括概率值高于所述预先确定的阈值的小区。在一些情况中，小区存在于所述边界之外但具有的概率值为零。如果，遵循任何处理，这样的小区的概率值增长了，则边界被移动以包括任何这种具有高于预先确定的阈值的概率值的小区。在一些情况中，在所述边界之外不存在小区。随着任何导致概率值的改变的处理，本发明可以包括定义边界之外的临时小区，为这些小区计算概率值，以及移动边界以包括任何这种具有高于预先确定的阈值的概率值的小区的步骤。

优选地，所述运动模型是线性的，以便缓解关于所述方法的计算负载的问题。

一个或多个重复可以包括步骤(v)基于所述更新网格计算用于所述移动电子设备的所述状态的期望的值和变化。

根据本发明的第二方面，提供了包括被配置为执行本发明的第一方面的方法的处理装置的移动电子设备。

本发明还包括计算机程序，被配置为执行所述方法以及其中运行了本发明的移动电子设备的系统。本发明涵盖了一个或多个方面以及各种组合的实施例，无论在该结合中是否明确地提及(或请求保护)。

附图说明

为了可以更容易地理解本发明，现在参考附图仅以实例的方式给出说明，其中：

图1至图5示例性说明本发明实现的方法的简单实例；

图6示出了根据本发明的设备。

具体实施方式

在下文的描述中，相同的附图标记代表相同的特征，不论这些特征属于哪个实施例。

图6是根据本发明的移动电子设备的局部概略图，移动电子设备包括与存储器102和多个收发器模块104a-d通信的处理器100。如下面将要描述的，存储器102包括软件代码部分用于执行本发明的方法。收发器模块104a-d分别能够接收来自GPS系统、蜂窝基站、WLAN发射机和蓝牙发射机的测量信号。为了方便收发器模块104a-d被如此称呼；事实上，一些收发器模块104a-d可能没有传输能力，而其他的可能被要求传输以便接收测量信号。

现在将使用下列名称描述本发明的方法。

下标k标记瞬时时间

k|k-1      指在时间步骤k使用仅到时间k-1的数据做出的推论

k|k        指在时间步骤k使用到时间k的数据做出的推论

x          移动电子设备的状态

i          小区的向量下标(index)

G_k(i)      第i个小区

c_k(i)      第i个小区的中心

E_k         方阵(squ arematrix)，其列定义小区的边缘

π_k|k-1(i)   第i个小区的在先概率值

π_k|k(i)    第i个小区的在后的概率值

φ_k(x|z)    假设先前状态为z，状态x的概率密度

L_k(x)      测量似然函数

τ_k(i-j)    从第j个小区移动到第i个小区的概率(基于运动模型)

步骤(i)

在该步骤中，使用包括多个小区(cell)的网格(grid)表示移动电子设备的状态x_k。每个小区表示状态空间中的区域，并且具有移动电子设备的状态x_k在该区域内的概率值。

例如，状态x_k可以包括三维状态变量位置r_k和速度v_k， $x_k=\left[\begin{array}{c}{r}_k\\ v_k\end{array}\right]$ 。那么每个小区是六维的用以表示状态空间的六维区域。然而，为了示例性目的，图1至5示出简单实例，其中状态x_k包括二维位置r_k。

图1示出在先(prior)分布10，对于移动电子设备的位置具有95％、66％和50％的置信(confidence)区域。可以从几个源之一得到在先分布10：(i)本方法在先迭代的在后分布；(ii)通过使用运动模型改变在后分布来获得预测的在先分布，所述运动模型用以预测移动电子设备的运动；以及(iii)通过任何收发器模块104a-d获得的测量信号。在上述源中的几个为可用的情况下，可以使用合并。

使用在先网格12来模拟(approximate)在先分布10，所述网格12由许多统一尺寸和形状的二维小区14组成。每个小区14代表地球表面上区域，并具有移动电子设备位于该区域内的在先概率值。

应当理解图1仅为示例性目的示出以网格12上的置信区域表示的在先分布10。尽管在图1中示出的在先分布10是连续的，但是它将仅由在先网格12的概率值以模拟的形式存在于移动电子设备的存储器102中。图1中小区14的相关阴影表示概率值，即，较深阴影的小区14表明对于小区14的较高的概率值。

在先网格12包括边界16，其中所有的小区14都具有高于预先确定的阈值的在先概率值。因此，在先分布的网格模拟被边界16截成表示重要的范围S，其是(简单连接)Rd中的区域，其中在先概率值是不可忽视的。

在图1的实例中，设置了阈值使得99％的在先分布由在先网格12表示。然而，应当理解阈值的级别是设计选择的问题。较低的阈值将导致更多的小区14被包括在边界16内，因此虽然以增加的计算负载为代价但是获得了更精确的模拟。相反，较高的阈值将导致较少的小区14被包括在边界内，因此以较少的计算负载获得了不太精确的模拟。

只有边界16内的小区14被定义在移动电子设备的存储器102中。在变型中，存储器102定义边界线外的小区，但将这些小区的在先概率值设置为零。在任一情况中，在先网格12对在先分布10的模拟由边界16截短以有助于计算。

在先方格12中的小区14的数量是设计选择问题，以便在计算负载和精确度两者之间找到平衡。一种极端的选择是生成大量的小小区。在这种情况下，如同已知的仅使用与根据本发明的小区14中心的密度值相当的密度值的点群(point-mass)滤波器的情况一样，即使概率值不是最理想的，模拟也是渐近精确的。另一个极端的选择是使用少数量的大小区14。其优点是在先概率值被尽可能精确地计算。当用大小区14模拟时，大部分在先分布10的结构将丢失。最优地，小区14不应当比在先分布10的最细微的(finest)特征小太多。

在该步骤中，时间下标k被设置为k＝1。

步骤(ii)

在该步骤中，通过指示一个或多个状态变量值的收发器模块104a-d获得测量信号。

图2示出了基于通过收发器模块104a-d获得的测量信号表示移动电子设备的估计位置的测量似然函数18。如图所示，测量似然函数包括95％、66％和50％置信区域。

图3示出使用在先网格12以与在先分布10相似的方式模拟测量似然函数18。在图3中，概率值再次表示仅基于测量似然函数18，移动电子设备位于由各个小区14表示的区域内的概率。

尽管在图3中，使用与用于在先分布10相同的在先网格12模拟测量似然函数18，应当理解测量似然函数可以使用不同尺寸、形状和/或方向的网格来表示，但是这将需要更多的计算。

测量信号可以包括例如任何距离(range)、距离差或平面的测量，以便获得位置估计。

假设真实位置r，在位置s处的对站点的距离测量可以写为h(r)＝||s-r||。相关的测量误差v不需要是标准的，并且由与实际情形相匹配的经验确定的分布表示。

从GPS系统获得的偏差的距离测量被视为距离差。一个站点被选为参考站点，所有差别都相对于它产生。如果参考站点位于s₀，距离差测量为h(r)＝||s-r||-||s₀-r||。

最后，平面测量为h(r)＝u^Tr，其中u为单位向量。

在该步骤中，所有可用的测量都被迭加(stack)到向量y_k中并且相应的测量方程被迭加到向量函数h_k(x)。

作为实例考虑具有n_d距离差测量，n_r距离测量，以及n_p平面测量的情况。则测量向量为y＝[d₁...d_nd   r₁...r_nr α₁...α_np]T，测量模型为

$h\left(x\right)=\left[\begin{array}{c}\left|\right|s_1-x\left|\right|-\left|\right|s_0-x\left|\right|\\ \·\\ \·\\ \·\\ \left|\right|s_{\mathrm{nd}}-x\left|\right|-\left|\right|s_0-x\left|\right|\\ \left|\right|s_{\mathrm{nd}+1}-x\left|\right|\\ \·\\ \·\\ \·\\ \left|\right|s_{\mathrm{nd}+\mathrm{nr}}-x\left|\right|\\ u_1^{T}x\\ \·\\ \·\\ \·\\ u_{n_p}^{T}x\end{array}\right]$

如果所有测量误差都具有标准的分布，则测量似然函数18为 $L\left(x\right)\∝e^{-\frac{1}{2}{(h\left(x\right)-y)}^T{\mathrm{\Σ}}^{-1}(h\left(x\right)-y)}$ 其中∑为测量误差v的协方差矩阵。

步骤(iii)

在该步骤中，基于测量信号更新在先网格12的在先概率值以生成在后网格12′，在后网格12′被重新限界。

图4示出从在先分布10和测量似然函数18得到的在后分布20。在后分布20由具有小区14′的在后网格12′来表示，每个小区14′具有在后概率值以模拟在后分布20。

通过将每个小区14中的在先概率值乘以在小区14上对似然函数积分建立的小区14中的总的似然值，建立在后网格12′的在后概率值：

${\hat{p}}_{k|k}\left(x\right)\∝{\hat{p}}_{k|k-1}\left(x\right)L_k\left(x\right)\≈\underset{i=0}{\overset{n_k}{\mathrm{\Σ}}}{\mathrm{\π}}_{k|k}\left(i\right){\mathrm{\χ}}_{G_k\left(i\right)}\left(x\right)$ 其中 ${\mathrm{\π}}_{k|k}\left(i\right)={\mathrm{\π}}_{k|k-1}\left(i\right)\underset{G_k\left(i\right)}{\∫}{L}_k\left(\mathrm{\ξ}\right)\mathrm{d\ξ}$

在后网格12′被用新的边界16′来重新限界，以便仅包括具有高于预先确定的阈值的概率值的小区14′。如果先前边界16内的小区14具有低于预先确定的阈值的在后概率值，则安置新的边界16′以排除该小区14。

步骤(iv)

在该可选的步骤中，基于当前迭代的在后网格12′和用于移动电子设备的动作模型，得到具有小区14″的预测网格12′。预测网格12″形成后续迭代的在先网格12。

图5示出遵循运动模型的应用的预测在先分布10′，该运动模型可以是任何适合的模型，例如恒定速度法向分布加速度(constant-velocity-normally-distributed-acceleration)模型或singer模型。预测的在先分布10′将构成本方法的后续迭代的在先分布10。

根据下列方程，通过对由转换到该小区14″的概率加权的当前迭代中的所有概率值来产生小区14″的预测在先概率值。在计算了所有的概率值之后预测在先分布10′被标准化。

用α_k＝|detE_k|表示每个小区14″的容量(volume)，通过在小区14″上对推测性的pdf积分来计算预测的在先概率值π_k|k-1(i)：

${\mathrm{\π}}_{k|k-1}\left(i\right)=\frac{1}{{\mathrm{\α}}_k}\underset{G_k\left(i\right)}{\∫}{p}_{k|k-1}\left(v\right)\mathrm{dv}=\frac{1}{{\mathrm{\α}}_k}\underset{G_k\left(i\right)}{\∫}\left[{\∫\mathrm{\φ}}_{k-1}\left(v\right|\mathrm{\ξ})p_{k-1|k-1}\left(\mathrm{\ξ}\right)\mathrm{d\ξ}\right]\mathrm{dv}$

用其网格模拟当量(yeild)替代P_k-1|k-1

${\mathrm{\π}}_{k|k-1}\left(i\right)\≈\frac{1}{{\mathrm{\α}}_k}\underset{j=0}{\overset{n_{k-1}}{\mathrm{\Σ}}}{\mathrm{\π}}_{k-1|k-1}\left(j\right){\mathrm{\Γ}}_k\left(i\right|j)$

其中Г_k(i|j)为从第(k-1)个网格的第j个小区到第k个网格的第i个小区的转换概率(transition probability)。

为了计算效率，使用诸如f(x)≡Tx的线性运动模型。通过将运动模型应用到在后网格12′形成预测网格12″。旧的网格中的第i个小区和新的网格的第j个小区两者之间的转换概率仅取决于差i-i，我们可以写为Г_k(i|i)＝τ_k(i-j)。预测的在先概率值成为 ${\mathrm{\π}}_{k|k-1}\left(i\right)\≈\frac{1}{{\mathrm{\α}}_k}\underset{j=0}{\overset{n_{k-1}}{\mathrm{\Σ}}}{\mathrm{\π}}_{k-1|k-1}\left(j\right){\mathrm{\τ}}_k(i-j),$ 其作为d维离散线性卷积计算的较快。

现在转换概率τ_k(i-j)为

${\mathrm{\τ}}_k(i-j)=\frac{1}{{\mathrm{\α}}_{k-1}{\mathrm{\α}}_k}\underset{c_k\left(i\right)+E_{k}K}{\∫}\left[\underset{c_{k-1}\left(j\right)+E_{k-1}K}{\∫}\mathrm{\φ}\left(v\right|\mathrm{\ξ})\mathrm{d\ξ}\right]\mathrm{dv}$

其中 $K={(-\frac{1}{2},\frac{1}{2}]}^d$

其可简化为

${\mathrm{\τ}}_k(i-j)=\underset{K}{\∫}{p}_{w_k}(E_k(i-j)+e_k-T{e}_{k-1}+E_k\mathrm{\λ})\mathrm{d\λ}=\underset{K}{\∫}{P}_{w_k,i-j}\left(\mathrm{\λ}\right)\mathrm{d\λ}---\left(12\right)$

其中

是修改的处理噪声概率密度函数的简略的表达方式。具体地，如果，w_k～N(0,Q)，则

w_k，i-j～N(j-i-E_k ^-1(e_k-Te_k-1)，(E_k ^-1)^TQE_k ^-1)

那么积分仅是超盒(hyper-box)中的多重正态(multinormal)概率，并且能够在数值上计算。

如果w_k是非高斯的，则可以使用累积分布计算转换概率τ_k(i-j)。

遵照运动模型的应用，边界16′被移动，以形成边界16″，其包括先前边界16′内部和外部所有具有高于预先确定的阈值的预测概率值的小区14″。

在小区14″位于先前边界16′之外并且具有为零的在前和在后概率值的情况下，新的边界16″被放置以包括任何那些具有高于预先确定的阈值的预测概率值的小区14″。

在其中没有小区位于先前边界16′外的变型中，添加具有与在先小区14′对应的尺寸、形状和方位的新小区14″，放置新的边界16″以包括新小区14″。应当理解新小区14″的尺寸、形状和/或方位不需要与那些在先预测网格12″一致。通过定义先前边界16′外的若干临时小区14″并为临时小区14″计算预测的概率值，可以容易地确定这些不存在的小区是否将具有高于预先确定的阈值的概率值。这样的临时小区14″被不断地定义并且他们的概率值被计算，直到达到概率值低于阈值的多个临时小区14″的外形(shell)被创建的点。随后新的边界16″被放置以便包括所有具有高于阈值的概率值的临时小区14″。

步骤(v)

在该步骤中，根据下列方程，基于预测的网格12″计算用于移动电子设备状态的期期望的值和变化。

${\mathrm{\μ}}_k=\left|\det E_k\right|\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\π}}_{k|k}\left(i\right)c_k\left(i\right)$

${\mathrm{\Σ\μ}}_k=\left|\det E_k\right|\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\π}}_{k|k}\left(i\right)c_k\left(i\right)c_k{\left(i\right)}^T-{\mathrm{\μ}}_k{\mathrm{\μ}}_k^T+\frac{\left|{\det E}_k\right|}{12}{E}_k{E}_k^T---\left(10\right)$

最后，增加时间下标k并从步骤(i)重复该方法。

可以理解的是本发明使用了网格块(grid-mass)的方式来执行跟踪移动电子设备的状态的方法。

Claims (12)

1.一种跟踪移动电子设备的状态的方法，所述方法包括重复执行步骤：

(i)使用包括多个小区的网格表示所述移动电子设备的状态，每个小区表示由一个或多个状态变量定义的状态空间中的区域，并具有所述移动电子设备的状态在状态空间中的该区域内的概率值，所述网格被限制为仅包括具有高于预先确定的阈值的概率值的小区；

(ii)获取指示一个或多个状态变量的值的测量信号；

(iii)基于所述测量信号更新所述网格的所述概率值并重新限制所述网格。

2.根据权利要求1的方法，其中所述网格是均匀分隔的平行六面体网格。

3.根据权利要求1的方法，其中步骤(i)就一个或多个重复而言包括获取测量信号以及基于所述测量信号形成所述网格。

4.根据权利要求1的方法，其中步骤(i)就一个或多个第二个和后续重复而言包括使用在先重复的步骤(iii)的所述更新网格。

5.根据权利要求4的方法，其中所述一个或多个重复包括步骤：

(iv)基于所述更新网格和用于所述移动电子设备的运动模型，预测所述后续重复的所述网格的所述概率值以获得预测的网格。

6.根据权利要求5的方法，其中步骤(iv)包括重新限制所述网格。

7.根据权利要求5的方法，包括在所述后续重复的步骤(i)中使用所述预测的网格。

8.根据权利要求5的方法，其中所述运动模型是线性的。

9.根据权利要求1的方法，其中一个或多个重复包括步骤：

(v)基于所述更新网格计算用于所述移动电子设备的所述状态的期望的值和变化。

10.一种移动电子设备，包括被配置为执行权利要求1的方法的处理装置。

11.一种用于在跟踪移动电子设备状态中使用的计算机程序，所述计算机程序包括计算机代码，被配置为重复执行步骤：

(i)使用包括多个小区的网格表示移动电子设备的状态，每个小区表示由一个或多个状态变量定义的状态空间中的区域，并具有所述移动电子设备在状态空间中的该区域中的概率值，所述网格被限制为仅包括具有高于预先确定的阈值的概率值的小区；

(ii)获取指示一个或多个状态变量的值的测量信号；

(iii)基于所述测量信号更新所述网格的所述概率值并重新限制所述网格。

12.一种系统，包括根据权利要求10所述的移动电子设备，以及用于为所述移动电子设备提供测量信号的设备。

Images