CN103477241B - 来自运动和环境光分类器的装置位置估计 - Google Patents

Abstract

使用来自例如加速度计、磁力计和/或陀螺仪等运动传感器的数据和来自例如环境光传感器、接近度传感器和/或相机强度传感器等光传感器的数据来产生移动装置的位置估计。通过分析来自所述运动传感器的信息而产生具有相关联的可能性的多个所提出的位置，且基于来自所述光传感器的信息而产生候选位置列表。使用所述候选位置列表来消除所述多个所提出的位置中的至少一者，且基于剩余的所提出的位置和相关联的可能性而确定所述移动装置的位置估计。可通过从来自所述运动传感器的所述信息提取特征且使用模型产生所述所提出的位置的可能性来产生所述所提出的位置。所述可能性可随时间而被过滤。另外，可产生所估计位置的置信度度量。

Description

来自运动和环境光分类器的装置位置估计

对待决临时申请案的交叉参考

本申请案主张2012年1月11日申请且题为“由运动和环境光分类器进行的装置位置估计(Device Position Estimates From Motion And Ambient Light Classifiers)”的第13/348,497号美国申请案的优先权，所述美国申请案又依据35USC119主张2011年4月15日申请且题为“由运动和环境光分类器进行的融合装置位置估计(Fusing DevicePosition Estimates From Motion And Ambient Light Classifiers)”的第61/476,159号美国临时申请案的优先权，所述两个申请案转让给本案受让人，且以引用的方式并入本文中。

技术领域

本文中所描述的标的物的实施例大体上涉及确定移动装置的位置估计，且更确切地说，涉及使用来自两组不同的传感器的信息来确定位置估计。

背景技术

大多数智能手机装置含有运动传感器和光传感器两者，所述传感器可用以推断装置相对于用户的位置，例如装置在用户手中，在裤子口袋中，在衬衫口袋中，在背包中，在钱包中，搁置于桌子上等等。例如加速度计、磁力计和陀螺仪等运动传感器能够记录装置的移动和定向。例如环境光传感器、接近度传感器和相机等传感器关于装置周围的环境进行报告。确切地说，环境光传感器(ALS)报告撞击在装置的正面上的光的强度(例如，单位是勒克斯)，而接近度传感器报告反射离开靠近装置的前部的物体的所发射的红外光的强度。相机能够记录含有数百万彩色像素的详细图像，但还可用作背面光传感器，仅捕获撞击于装置的背面上的红、绿和蓝光的平均强度。

遗憾的是，典型移动装置上的例如ALS等光传感器、接近度传感器和相机具有缺陷。ALS输出经常在低层软件中被大量量化，使得高层处的可用输出采用仅少数强度值中的一者(例如，在一些当前智能手机中，其采用四个值10、325、7650和21525勒克斯中的仅一者)。在高层处的接近度传感器输出通常为0或1，笼统地表示物体是否靠近于装置的正面。相机强度通常在低层软件处经受自动增益控制(AGC)，其使得难以将输出直接映射到勒克斯值。

运动和光传感器两者各自能够提供关于装置相对于用户的位置的信息。然而，组合所述信息存在问题，这是因为所得位置估计有时将不相符。另外，由光传感器进行的位置估计可为不可靠的，这是因为其可被大量量化且固有地关联于周围环境中的光的量。举例来说，当前移动装置可在真光强度大概在0与167.5勒克斯之间时输出10勒克斯的ALS读数。因此，可能难以在正面被阻挡的情况与装置处于中度亮的起居室的情况之间进行区别。不可靠的另一实例为接近度传感器，其在许多装置中当在浅色牛仔裤的裤子口袋内时报告正读数，但当在深色牛仔裤的裤子口袋内时报告负读数。

发明内容

使用来自例如加速度计、磁力计和/或陀螺仪等运动传感器的数据和来自例如环境光传感器、接近度传感器和/或相机强度传感器等光传感器的数据产生移动装置的位置估计。通过分析来自运动传感器的信息而产生具有相关联的可能性的多个所提出的位置，且基于来自光传感器的信息而产生候选位置列表。使用候选位置列表来消除多个所提出的位置中的至少一者，且基于剩余的所提出的位置和相关联的可能性而确定移动装置的位置估计。可通过从来自运动传感器的信息提取特征且使用模型以产生所提出的位置的可能性来产生所提出的位置。所述可能性可随时间而被过滤。另外，可产生所估计位置的置信度度量。

在实施例中，一种确定移动装置的位置估计的方法包含：通过分析来自所述移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置；处理来自所述移动装置中的一个或一个以上光传感器的信息，以产生候选位置列表；使用所述候选位置列表来消除所述多个所提出的位置中的至少一者；及基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计。

在另一实施例中，移动装置包含：运动传感器；多个光传感器；存储器；及处理器，其耦合到所述存储器，且经耦合以从所述运动传感器接收数据，且经耦合以从所述多个光传感器接收数据，所述处理器经配置以基于来自一个或一个以上运动传感器的数据而产生具有相关联的可能性的多个所提出的位置；基于来自所述多个光传感器的所述数据而产生候选位置列表；使用所述候选位置列表来消除所述多个所提出的位置中的至少一者；基于剩余的所提出的位置和相关联的可能性而确定所述移动装置的位置估计；及将所述位置估计存储于所述存储器中。

在另一实施例中，一种移动装置包含：用于通过分析来自所述移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置的装置；用于处理来自所述移动装置中的一个或一个以上光传感器的信息以产生候选位置列表的装置；用于使用所述候选位置列表来消除所述多个所提出的位置中的至少一者的装置；及用于基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计的装置。

在又一实施例中，一种非暂时性计算机可读媒体包含存储于其上的程序代码，所述非暂时性计算机可读媒体包含：用以通过分析来自所述移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置的程序代码；用以处理来自所述移动装置中的一个或一个以上光传感器的信息以产生候选位置列表的程序代码；用以使用所述候选位置列表来消除所述多个所提出的位置中的至少一者的程序代码；及用以基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计的程序代码

附图说明

图1A和图1B分别说明移动装置的正面和背面，所述移动装置能够使用来自运动传感器和光传感器的信息来得出位置估计。

图2说明供移动装置使用的分类器系统的实例。

图3说明分类器系统中的基于运动传感器的位置检测器的实施例。

图4说明具有经识别的俯仰和横滚的移动装置。

图5是说明基于来自移动装置中的运动传感器和光传感器的信息来确定移动装置的位置估计的方法的流程图。

图6是能够基于来自运动传感器和光传感器的信息确定位置估计的移动装置的框图。

具体实施方式

图1A和图1B分别说明移动装置100的正面100f和背面100b，所述移动装置能够使用来自运动传感器和光传感器的信息来得出位置估计。移动装置100经说明为包含外壳101、可能为触摸屏显示器的显示器102以及扬声器104和麦克风106。移动装置100包含环境光传感器(ALS)103，ALS103报告撞击在装置的正面上的光的强度(例如，单位是勒克斯)。移动装置100可进一步包含接近度传感器105，接近度传感器105报告反射离开接近装置的前部的物体的所发射的红外光的强度。移动装置100进一步包含相机110，相机110用以将环境成像且可被用作背面光强度传感器。在一个实施方案中，ALS103可为相机，或者移动装置100的正面100f上的单独前置相机可与后置相机110类似地使用。ALS103、接近度传感器105和相机110可被统称为光传感器111。另外，移动装置100中包含板载运动传感器112。运动传感器112可包含例如三轴磁力计和/或线性加速度计和/或陀螺仪，且在本文中被称作运动传感器，但一些传感器(例如，磁力计)测量定向，因为移动装置100的运动可从定向的改变得出。

光传感器111和运动传感器112各自能够提供关于移动装置100相对于用户的位置的信息。通常从运动传感器提取的位置信息为移动装置100的定向(例如，移动装置垂直地或水平地定向)和/或伴随周期性移动的移动装置100的运动模式。举例来说，移动装置100的运动模式可在用户在移动装置100在裤子口袋中的情况下行走或在移动装置100在背包中的情况下行走时不同。通常从光传感器111提取的位置信息为移动装置100的正面或背面是否被遮挡。从运动传感器和光传感器111获得的信息很大程度上是独立的，且因此是互补的。举例来说，基于装置的定向，运动传感器112可能够确定移动装置100在坐着的用户的裤子口袋中或在桌子上(因为移动装置100水平地定向)，但不在衬衫口袋中(因为此情形将对应于垂直定向)。另一方面，光传感器111可能够确定移动装置100在裤子口袋或衬衫口袋中(因为正面100f和背面100b两者皆被遮挡)，但不在桌子上(因为此情形将导致移动装置100的仅一个面被遮挡)。如图1A中所说明，移动装置100包含分类器系统120，分类器系统120在消除过程中使用来自光传感器111和运动传感器112的信息，从而以较高的准确度确定移动装置100的位置。

当融合来自光传感器111和运动传感器112的位置信息时的问题为确定指派给来自每一组传感器的估计的置信度。举例来说，来自光传感器111和运动传感器112的位置估计有时可能不相符。不同组的传感器之间的不相符使确定移动装置100的位置变得困难。

移动装置100的分类器系统120使用基于置信度水平的消除方法来融合来自光传感器111和运动传感器112的位置估计。举例来说，运动传感器112可产生移动装置100的每一可能位置的置信度水平，其在本文中有时被称作可能性。

在简单实例中，移动装置100的位置可基于来自运动传感器112的数据从最有可能到最不可能进行排序。另外，基于来自光传感器111的数据产生一组候选位置。候选位置为移动装置100的可行的位置。由光传感器111产生的具有如由运动传感器112确定的最高可能性的候选位置经选择为移动装置100的位置。换句话说，来自光传感器111的数据用以不考虑由运动传感器112确定的某些位置。

更详细地，移动装置100的可能位置可由{p₁，...，p_M}表示。举例来说，p₁可表示移动装置100在衬衫口袋中，p₂表示在裤子口袋中，p₃表示在手中等等。通过来表示总位置估计。通过{L₁，...，L_M}来表示由运动传感器112产生的每一位置的可能性。通过{c₁，...，c_N}表示由光传感器111产生的候选位置，其中N≤M。于是总位置决策是：

$\hat{p}=\arg {\max }_{p_i\∈\{c_1,...,c_N\}}{L}_i.$ 等式1

即，如果N=M，那么实际上忽略光传感器111的输出。相反地，如果N=1，那么实际上忽略运动传感器112的输出。应清楚，并不需要实际可能性值L_i本身以便作出总位置决策，仅需要其从最有可能到最不可能的排序。

图2说明与移动装置100一起使用的分类器系统120的实例。分类器系统120包含基于定向的位置检测器122，位置检测器122从运动传感器112(例如，加速度计、磁力计、陀螺仪等)接收数据，且基于那些位置的可能性产生位置的排序。分类器系统120进一步包含基于光传感器的位置检测器124，位置检测器124从光传感器111(例如，ALS103、接近度传感器105和相机110)接收输入数据，且产生候选位置。来自基于定向的位置检测器122的位置和来自基于光传感器的位置检测器124的候选位置被位置估计器126接收，位置估计器126消除不可行的位置且产生总位置估计和运动状态。

基于定向的位置检测器122可为贝叶斯分类器。常规的贝叶斯最大可能性(ML)分类器选择具有最高可能性的类别。然而，基于定向的位置检测器122可用以对移动装置100的运动状态和位置两者进行分类。类别可被视为元组(运动状态、装置位置)，其中元组元素被称作子类别。基于定向的位置检测器122可对运动状态进行分类，边缘化移动装置的位置以获得每一运动状态的可能性，且单独地边缘化运动状态以获得移动装置的每一位置的可能性。或者，可选择具有最高可能性的运动状态和装置位置组合，然而，此方法为次优的，这是因为其假定运动状态和装置位置是独立的，一般来说并非如此。因此，基于定向的位置检测器122可输出具有最高边缘化可能性的移动装置100的位置以及具有最高边缘化可能性的运动状态两者。

基于定向的位置检测器122可计算置信度度量，所述置信度度量可基于两个最有可能子类别的对数可能性之间的间隔。置信度度量用以指示最可能子类别的边缘化可能性值何时仅极小地大于第二最可能子类别的边缘化可能性值，在所述情况下，数据同等地暗示两个不同的子类别。这常常为如下情况：用户转变活动，比方说从奔跑到行走，或将移动装置100从裤子口袋中取出；在某一时间点，运动状态或装置位置不属于这两个子类别。如果置信度度量降到某一阈值以下，那么不输出决策。可针对运动状态和位置估计两者执行置信度测试。因此，基于定向的位置检测器122可提供针对一个子类别的估计，但不提供针对另一子类别的估计。

基于定向的位置检测器122可例如通过随着时间过滤对数可能性来组合分类器输出。随着时间组合分类器输出可用以产生具有较长观察窗的较准确决策，此情形例如在特定应用具有较长等待时间目标的情况下可能为适当的。举例来说，具有1s的等待时间目标的应用将在15s延迟内过滤每一类别的过去15个对数可能性。此不仅是计算上及概念上简单的操作，而且其还是ML意义上最优的，假定用户状态在过滤周期内是恒定的。过滤的使用避免了在多个应用具有不同等待时间目标时并行地运行多个活动辨识任务的需要。

基于光传感器的位置检测器124可使用硬译码规则来确定是装置的一个面被遮挡，是两个面皆被遮挡，还是两个面皆未被遮挡。遮挡信息接着用以建构移动装置100的可行位置的列表。举例来说，如果移动装置100的两个面均被遮挡，那么装置基本上不可能被抓在手中(因为传感器的位置使得需要不自然的握法来遮挡两个面)，且同样装置基本上不可能搁置于桌子上。或者，如果移动装置100的一侧被遮挡但另一侧未遮挡，那么移动装置100极有可能是在桌子上。可行位置的列表用以消除不可行的装置位置，而分类器的基于定向的位置检测器122已计算出不可行的装置位置的对数可能性(即，对应的对数可能性值下降到-∞)。

与基于定向的位置检测器122中所采取的基于机器学习/特征的方法相反，在基于光传感器的位置检测器124中使用硬译码规则的原因是双重的。第一，可用的光传感器的输出易变，其中ALS和接近度输出被大量量化，且相机输出由难以停用的AGC机制控制。第二，训练基于照明条件的统计模型是有问题的尝试。结果将很大地取决于在训练期间的照明条件与在系统操作期间存在的照明条件之间的对准。

图3说明基于定向的位置检测器122的实施例，其经说明为包含特征提取器132、可能性产生器134，可能性产生器134接收特征提取器132的输出且使用来自数据库136的模型以产生类别的可能性值，所述可能性值由过滤器138过滤以产生位置估计和运动状态估计。特征提取器132计算例如来自运动传感器112的每一秒的原始数据的特征向量。此向量中的每一特征元素对应于帮助在所要类别之间进行区分的信号的性质。举例来说，最简单特征描述1秒窗内的加速度计输出的标准偏差。当用户静止时，此特征将为小的，当用户行走时，将存在更多变化，且对应特征将较大。当用户奔跑时，仍将存在更多变化，且此特征仍将为大的。简单特征的另一实例为移动装置100的定向。当用户坐着且把装置在裤子口袋中时，移动装置100通常将平躺着，而当用户站起来时，移动装置100将为垂直的。

从原始运动传感器数据提取若干特征。可以60Hz或其它所要速率取样原始数据。举例来说，在每一时刻，特征提取器132将对应于来自运动传感器112的60个3维向量样本(x、y和z轴)的一秒的数据用作输入，出于简单起见而将运动传感器112描述为3轴加速度计。因此，一秒时刻中的净输入大小为180个样本。可从数据计算出特征的数目(例如，18个特征)。可在需要时使用更多或更少的特征。

将加速度计样本表示为a(n)=[a_x(n)a_y(n)a_z(n)]。使N=60表示在其上计算特征的窗中的向量样本的数目。可能的特征包含如下特征，但应理解可在需要时使用不同特征。

加速度计范数的标准偏差(sa)-在给定每一3D加速度计向量的情况下，计算范数，且估计标准偏差。加速度计范数的标准偏差(sa)用于在坐着/站着、行走和奔跑运动状态之间进行区分，这是因为所述运动状态可由加速度计变化的变化程度来区分。

平均俯仰(ap)-使用加速度计，有可能知道装置的表面相对于重力的定向。此定向的特征在于被称作俯仰和横滚的两个角度。俯仰为围绕x轴且范围为(-π，π]的旋转，如图4中所说明。平均俯仰可通过对加速度计向量求平均且接着如下计算俯仰来计算：

$\mathrm{ap}=a\tan 2(\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_y\left(n\right),\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_2\left(n\right)).$ 等式2

下文所描述的平均俯仰(ap)和平均横滚(ar)用于在装置在裤子口袋中(且程度较低地，在手中)时在坐着与站着之间进行区分，且用于确定装置位置。

平均横滚(ar)-如上文所论述，定向的另一角度为横滚。横滚为围绕y轴且范围为(-π/2，π/2]的旋转。平均横滚可如下确定：

$\mathrm{ar}=a\tan 2(\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_x\left(n\right),\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_z\left(n\right)).$ 等式3

平均西塔(θ)-从加速度计还有可能知道移动装置100的表面相对于运动方向的定向。此定向的特征也在于两个角度，其被称作西塔(θ)和斐。为了估计运动向量，对加速度计数据执行特征分解。特征分解建立相对于其中数据具有最高能量的方向的坐标系。与最大本征值相关联的本征向量将指向最大能量的方向。与第二最大本征值相关联的本征向量将指向正交于第一本征向量的平面内的最大能量的方向，且以此类推。当用户行走或奔跑时，最强能量的方向通常将对应于重力的方向。因此，与最大本征值相关联的本征向量应指向下。与第二最大本征值相关联的本征向量接着将位于正交于重力的平面中(即，水平)。当用户行走或奔跑时，此平面中的最高能量的方向通常将对应于运动方向，且因此，此本征向量应指向此方向。

将加速度计数据矩阵表示为：

$A=\left[\begin{array}{c}{a}_x\left(1\right)...a_x\left(N\right)\\ a_y\left(1\right)...a_y\left(N\right)\\ a_z\left(1\right)...a_z\left(N\right)\end{array}\right].$ 等式4

通过v=[v_x v_y v_z]_T来表示对应于第二最大本征值AA^T的本征向量。表征移动装置100相对于运动方向的定向的特征的第一角度于是为：

θ=a tan2(v_y，v_x)。 等式5

西塔的范围为(-π，π]。

计算对应于移动装置100相对于运动方向的定向的特征帮助当用户行走或奔跑时在不同装置位置之间进行区分。举例来说，当移动装置100位于衬衫口袋中时，移动装置100将面向运动方向，或在相反方向上，而当移动装置100位于皮套中时，相对于行走或奔跑方向的定向将不同。

平均斐-表征移动装置100相对于运动方向的定向的特征的第二角度为：

$\mathrm{\φ}=a\cos \left(\frac{v_z}{\left|\right|v\left|\right|}\right).$ 等式6

斐的范围为(-π/2，π/2]。

加速度计平均值的范数对加速度计范数的平均值的比率(rm)-如名称所暗示，此特征为

$\mathrm{rm}=\frac{\sqrt{{\left(\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_x\left(n\right)\right)}^2+{\left(\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_y\left(n\right)\right)}^2+{\left(\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{a}_z\left(n\right)\right)}^2}}{\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{a_x{\left(n\right)}^2+a_y{\left(n\right)}^2+a_z{\left(n\right)}^2}}$ 等式7

此特征提供对加速度中的“平滑度”的测量。如果运动相对平滑，很少有突发性改变，那么rm的值可接近一。然而，如果加速度含有突发性短期改变(例如，当用户拉小提琴时)，那么所述值将小于1。这是因为将通过取得所有加速样本的平均值且之后计算分子中的范数而过滤掉突发性改变。然而，因为分母为每一个别范数的平均值，所以其将比分子更多地受到突发性改变的影响，且在拉小提琴的情况下，将大于分子。因此，rm∈[0，1]。

梅尔倒频谱系数(MFCC)-MFCC普遍地用于语音辨识引擎中，这是因为其提供波形的频谱包络的有效参数化。在语音应用中，此频谱包络表征负责产生每一听觉上不同的话语的声带、嘴和嘴唇的物理配置。已发现MFCC类似地用于区分由不同类型的运动或步法产生的波形。举例来说，由用户在装置在其裤子口袋中与在手中的情况下行走而产生的加速度计轨迹直接类似于由记录手机话语aa与eh而产生的麦克风轨迹-唯一的不同是发生这些事件的时间标度。在行走或奔跑的情况下，最小基频大约为1Hz到2Hz，而在语音中，最小基频大约为50Hz到100Hz。已发现MFCC的使用改进了基于定向的位置检测器122的分类器性能，特别是相对于当用户移动时对移动装置100的位置进行分类。直接从语音辨识中所执行的常规计算采用MFCC的计算，其在数字信号处理领域中是众所周知的。最初使用23个具有梅尔域中的三角形(量值)过滤器的过滤器组来计算每一加速度计轴的13个MFCC(第一MFCC用对数能量替换)。在MFCC计算之前，将汉明窗应用于每一加速度计轨迹。将这些表示为

M_x(1)，...，M_x(13)

M_y(1)，...，M_y(13)。 等式8

M_z(1)，...，M_z(13)

通过仅使用每一轴的前四个系数来获得最佳性能。这些可串接成向量以得到：

MFCCs=[M_x(1)，...，M_x(4)，M_y(1)，...，M_y(4)，M_z(1)，...，M_z(4)]。 等式9

来自图3中所示的特征提取器132的经计算特征可串接成18维向量f(A)，所述18维向量f(A)被提供到可能性产生器134。可例如使用高斯混合模型(GMM)来建模特征向量，GMM存储于耦合到可能性产生器134的数据库136中。可与所收集的训练数据离线地了解GMM的参数，如下文所描述。由特征提取器132提供新的特征向量，可能性产生器134使用来自数据库136的GMM模型来计算每一类别的对数可能性值。

由第i个运动状态和第j个装置位置组成的类别ω_i，j的GMM的先验值、平均值和协方差分别表示为π_ij(m)、μ_i，j(m)和∑_i，j(m)。此处，m∈{1，...，M}表示混合分量。对于每一类别ω_i，j，通过f(A)计算可能性值。

$\begin{array}{c}P\left(f\left(A\right)\right|{\mathrm{\ω}}_{i,j})=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\frac{{\mathrm{\π}}_{i,j}\left(m\right)}{\sqrt{2\mathrm{\π}|{\mathrm{\Σ}}_{i,j}\left(m\right)}}\\ \×\exp (-{(f\left(a\right)-{\mathrm{\μ}}_{i,j}\left(m\right))}^T{\mathrm{\Σ}}_{i,j}{\left(m\right)}^{-1}(f\left(A\right)-{\mathrm{\μ}}_{i,j}\left(m\right)))\end{array}.$ 等式10

可能性值的对数可经计算且布置成对数可能性矩阵对数：

L_i，j=logP(f(A)|ω_i，j)。 等式11

因此，以特征提取器132的取样速率，例如每秒一次地计算一个总对数可能性矩阵L_ij。为了突出此，现经由L_ij(k)以时间来给此些矩阵编制索引，其中k=1，2，......。即，在t=1s处输出L_ij(1)，在t=2s处输出L_ij(2)，等等。

过滤器138经耦合以从可能性产生器134接收对数可能性矩阵L_ij(k)。过滤器138随时间组合对数可能性矩阵L_ij(k)。表示K秒的等待时间目标。总对数可能性可经由直接向前移动平均过滤器获得：

$L_{\mathrm{ij}}\left(k\right)=\frac{1}{K}\underset{l=0}{\overset{K-1}{\mathrm{\Σ}}}{L}_{i,j}(k-l).$ 等式12

除了其简单性以外，此运算还具有另一合意的性质。假定用户类别在过滤周期内恒定，其对应于可能性值的ML组合。更具体来说，假定观察窗中的数据在给定用户类别的情况下有条件地独立，所得的贝叶斯分类器作出决策，让K观察窗内的所有特征为ML。

返回参看图2，基于光传感器的位置检测器124可使用硬译码规则来确定是装置的一个面被遮挡，是两个面皆被遮挡，还是两个面皆未遮挡，由此确定可行位置。举例来说，如果来自光传感器111的数据指示移动装置100的两个面皆被遮挡，那么候选位置为袋子、背包、钱包、裤子口袋、衬衫口袋，等等。如果移动装置100的任一侧皆未遮挡，那么候选位置为手。如果移动装置100的一个面被遮挡且另一面未遮挡，那么候选位置为桌子或背包的侧面/网状口袋。候选位置可通过分析所检测光的强度来精细化，即，如果光强度在移动装置100的一个面上较高，但在另一面上接近零，那么候选位置为桌子。

更具体来说，可如下使用规则以使用光传感器111来推断装置位置。记住，此些规则经设计而具有上文论述的光传感器的限制。使prox=1表示接近度传感器105记录的事件(意味着物体靠近移动装置100的左前角)，且prox=0表示接近度传感器105未记录接近度的事件。由als来表示ALS103的输出。由cam来表示相机110的强度输出。使min_ALS_value表示移动装置100输出的最小ALS值(给定其量化区间)。举例来说，对于特定蜂窝式手机，min_ALS_yalue可为10勒克斯。使min_camera表示所报告的最小相机强度，且δ表示小量相机强度。三个互斥的指示器函数可如下定义。

1.desk={als＞300lux}＆{prox=0}

＆{cam＜min_camera+δ}

2.hand={als＞min_ASL_value}＆{prox=0}

＆{cam＞min_camera+δ。 等式13

3.concealed={als=min+ASL_value}＆{prox=1}

＆{cam＜min_camera+δ}

其中＆表示逻辑“与”操作。桌子状态对应于移动装置100面向上地放置在桌子上，这是因为假定ALS报告＞300勒克斯，那么此为唯一可行的装置位置，接近度报告无物体接近，且相机强度在其最小值的δ内。手状态对应于移动装置100在用户手中，这是因为假定ALS报告大于最小值的值，接近度报告无物体接近，且相机强度高于其最小值的δ以上，那么此为唯一可行的装置位置。隐蔽位置对应于装置隐蔽在袋子、背包、口袋等中，这是因为假定ALS报告等于最小值的值，接近度报告物体接近且相机强度在其最小值的δ内，那么这些是唯一可行的位置。如果装置位置集合包含桌子、手、袋子等，那么按照以上论述，以上三个规则可用以创建候选集合。举例来说，如果装置位置集合为p₁=衬衫口袋，p₂=裤子口袋，p₃=手，p₄=钱包，p₅=背包，p₆=皮套，p₇=桌子，p₈=夹克，那么以上三个规则能够分别产生候选集合{p₁)、{p₃)、{p₁，p₂，p₄，p₅，p₆，p₈)。如果三个规则皆未被满足，那么光传感器将输出候选集合中的所有位置，即{p₁，p₂，p₃，p₄，p₅，p₆，p₇，p₈)。因此，基于光传感器的位置检测器124产生指示可行位置的信号。

如果此些指示器中的一者为真，那么可行装置位置的列表相应地被图2中的位置估计器126缩小。这是通过针对不可行位置j设定L_ij(k)=-∞来进行的。如果这些指示器函数皆不为真，那么不采取动作，且来自光传感器111的数据与总分类决策无关。

虽然指示器函数具有不可忽略的错误肯定率(即，其经常遗漏装置位置实际上在桌子上，在手中或隐蔽的情况)，但错误否定率低。即，如果指示器函数为真，那么几乎总是如下情况：装置在所指示的可行位置中的一者中。错误否定率在以下表1中说明。

(％)	Desk(k)=0	Desk(k)=1
			不在桌子上	99.7	0.3
在桌子上	61.6	38.4
(％)	Hand(k)=0	Hand(k)=1
			不在手中	98.5	1.5
在手中	59.9	40.1
(％)	Concealed(k)=0	Concealed(k)=1
			未隐蔽	100.0	0.0
隐蔽	57.2	42.8

表1

在给定经过滤对数可能性矩阵L_ij(k)的情况下，边缘化每一子类别以获得经边缘化对数可能性。这可在线性域中进行，因为边缘化对应于求和概率。对于运动状态，我们有

$L_{M,j}\left(k\right)=\log \left(\underset{j=1}{\overset{K_p}{\mathrm{\Σ}}}\exp \left(L_{\mathrm{ij}}\left(k\right)\right)\right),$ 等式14

其中i＝1，...，K_m，且对于装置位置，

$L_{P,j}\left(k\right)=\log \left(\underset{i=1}{\overset{K_M}{\mathrm{\Σ}}}\exp \left(L_{\mathrm{ij}}\left(k\right)\right)\right),$ 等式15

其中j=1，...，K_P。

如上文所论述，还可执行置信度测试以指示数据何时同等地暗示两个不同子类别。置信度度量基于两个最可能子类别的对数可能性之间的差：

$C_M\left(L_{M,i}\left(k\right)\right)=\frac{L_{M,i1}\left(k\right)-L_{M,i2}\left(k\right)}{\left|L_{M,i1}\left(k\right)\right|+\left|L_{M,i2}\left(k\right)\right|},$ 等式16

其中i1和i2分别为最有可能和第二最有可能子类别的索引。同样对于装置位置，我们有C_P(L_p，j(k))。注意，置信度度量总是在0与1之间，其中1指示高决策置信度，且0指示低置信度。当且仅当两个最可能类别可能相等的情况下，度量采用值0，且当且仅当最可能类别比第二最可能类别无限更有可能的情况下，度量采用值1。

用于分类器的置信度测试接着简单地为

C_M(L_M，i(k))＞C_{thresh_M}且C_p(L_P，j(k))＞C_{thresh_p}， 等式17

作为进一步的增强，可取决于哪一子类别具有最高可能性而使用不同置信度阈值。举例来说，如果运动状态“行走”具有最高可能性，那么使用行走置信度阈值。这些置信度阈值被设定成使得针对每一基础的子类别舍弃决策的固定分数，例如通常为20％，但可使用经舍弃决策的其它固定分数。

图2中的位置估计器126输出具有最高边缘化可能性的子类别作为针对运动状态和装置位置的最终决策。在子类别通不过置信度测试的情况下，位置估计器126不输出针对所述子类别的决策，即第k个最终输出为

及。等式18

如上文所论述，可与训练数据离线地了解存储于数据库136中的GMM的参数。训练系统对应于了解每一类别的特征向量的统计。因为特征向量是由GMM在参数方面建模，所以这等效于估计每一类别的先验值、平均值向量和协方差矩阵是。即，对于运动状态i和装置位置j的每一组合，了解混合分量m=1，...，M的参数π_i，j(m)、μ_i，j(m)和∑_i，j(m)。另外，可找到混合分量的最佳数目。

通过收集每一运动状态和装置位置组合的标记数据而了解参数。数据样本可被索引A_i，j(k)，其中i和j分别索引运动状态和装置位置，且k索引样本数目。可收集这些样本以使得数据集的经验分布尽可能密切地匹配数据的真概率分布。换句话说，可使用多个测试主体、试验和装置以便确保充分多样性。

在给定所标记的数据样本的情况下，使用由K-平均值初始化的期望最大化(EM)算法来训练GMM。K-平均值算法可使用K个特征向量的随机子集来初始化。我们发现K个平均值的多个初始化导致可忽略的改进，且因此仅可使用单一初始化。在了解GMM参数的过程中，不同地对待非MFCC和MFCC特征。将6个非MFCC特征视为共同独立于12个MFCC特征的独立的随机变量。将12个MFCC特征视为相依的随机变量。当训练系统时，单独地训练每一非MFCC特征，且单独地共同训练12个MFCC特征。当接着从训练结果来建构协方差矩阵∑_i，j(m)时，将零置于适当非对角的项中，具体来说，∑_i，j(m)=0，其中i≠j，i≤6，j≤6，而且对于i＞6，j≤6且i≤6，j＞6。混合分量的最佳数目主要随所收集的数据量而变。其通过运行交叉验证测试来进行选择。我们使用交叉验证技术，其涉及将所收集的数据拆分成不同测试和训练组的组合。训练组由来自除了一个以外的所有主体的数据组成。测试组由剩余主体组成。针对被省略的主体的每一组合产生结果，且接着对所述结果求平均。这是针对M的不同值(即1、2、3、4、5、6、8、10、12和16个混合分量)而进行。我们发现对于已收集的数据组，4个混合分量为最佳的。

可从若干不同移动装置收集数据，其中记录运动传感器112和光传感器111的输出。可在后处理中对具有不同取样速率的装置重新取样到所要取样速率。可使用若干主体(即，用户)来收集数据。在所有移动装置的情况下，每一主体可执行例如每一运动状态/装置位置组合的两个试验。运动状态的实例包含行走、奔跑、坐着、站着和拉小提琴，且装置位置的实例包含衬衫口袋、裤子口袋、手、袋子、皮套、桌和夹克口袋。应注意，不是所有的组合皆可行，例如行走/桌子。可针对在室内和室外两者环境范围中执行的各种活动收集数据。举例来说，行走数据可包含楼梯(上下)，奔跑数据可包含在地面和跑步机两者上的慢跑、奔跑和速跑。坐数据可包含在不同座位范围上的各种各样的就座位置。同样，站数据可包含涉及变化程度的倾斜和横移的不同站立位置范围。

在替代方法中，来自基于定向的位置检测器122和基于光传感器的位置检测器124的可能性被组合起来。举例来说，处理来自光传感器111的数据以使用每一装置位置的可能性值来对装置位置进行分类，其类似于上文论述的由基于定向的位置检测器122执行的分类。举例来说，如上文所论述，可从来自光传感器111的数据提取特征，其中将结果提供到可能性产生器，所述可能性产生器使用存储于数据库中的模型来确定每一位置的可能性。还可使用过滤器来随时间组合所要位置的可能性，例如对于具有较长等待时间的应用。来自基于定向的位置检测器122和基于光传感器的位置检测器124的每一位置的可能性值可相乘以产生每一位置的总可能性值。可产生具有最高总可能性值的位置作为位置估计。

更详细地，分别来自运动和光传感器数据的位置可能性值可表示为L_motion，i和L_light，i。接着，位置估计由下式给出：

$\hat{p}=\arg {\max }_{p_i\∈\{p1,...,\mathrm{Pm}\}}{L}_{\mathrm{motion},i}\×L_{\mathrm{light},i}$

依据对数可能性值，位置估计将由下式给出

$\hat{p}=\arg {\max }_{p_i\∈\{p1,...,\mathrm{Pm}\}}\log \left(L_{\mathrm{motion},i}\right)+\log L_{\mathrm{light},i}$

注意，可在以上框架中表达先前解决方案，以上框架通过设定L_light，i＝1(其中所有候选位置p_i∈{c₁，...，c_N})且设定L_light，i＝0(其中所有经消除位置p_i∈{p₁，...，p_M}\{c₁，...，c_N})来消除由运动分支输出的位置。

图5是说明基于来自移动装置中的运动传感器和光传感器的信息来确定移动装置的位置估计的方法的流程图。如所说明，通过分析来自移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置(202)。可以任何频率(例如，3Hz、15Hz等)输出位置估计。可通过以下操作产生具有相关联的可能性的多个所提出的位置：从来自一个或一个以上运动传感器的信息提取特征；存取特征的模型；及使用特征和特征的模型以产生多个所提出的位置中的每一者的可能性。另外，在需要时，具有相关联的可能性的多个所提出的位置可随时间而被过滤。

处理来自移动装置中的一个或一个以上光传感器的信息以产生候选位置列表(204)。候选位置列表可包含一个或一个以上候选位置。使用候选位置列表来消除多个所提出的装置位置中的至少一者(206)。举例来说，可消除候选位置列表中不包含的任何所提出的位置。基于剩余的所提出的位置和相关联的可能性确定移动装置的位置估计(208)，接着可存储所述位置估计，其存储于(210)(例如)存储器中。所确定的位置估计可用以通过各种方式控制移动装置，例如控制装置存取时间(例如，控制在呼叫被转到语音信箱之前的铃声的数目)，估计用户对文本消息和电子邮件的响应的等待时间，有效地控制针对应用的资源管理(例如，如果移动装置100在钱包/口袋中，那么停用屏幕，而如果移动装置100在袋子中，那么移动装置100被置于休眠模式)，改进运动分类器的性能，调整铃声音量，等等。

另外，可产生与位置估计相关联的置信度度量。可在使用至少一个候选位置消除多个所提出的装置位置中的至少一者之后，基于两个最有可能的所提出的位置的可能性的差而产生置信度度量。

另外，可针对候选位置列表中的候选位置而产生相关联的可能性。与所提出的位置中的每一者相关联的可能性可与和候选位置相关联的可能性相乘，以确定具有最高组合的可能性水平的所提出的位置，所述所提出的位置被用作位置估计。在此实施方案中，使用候选位置列表来消除多个所提出的装置位置中的至少一者(206)的动作和基于剩余的所提出的位置和相关联的可能性来确定移动装置的位置估计(208)的动作在功能上同时执行。

应理解，在需要时，在使用来自运动传感器的信息产生多个所提出的位置(202)之前，可处理来自光传感器的信息(204)以产生候选位置列表。另外，从运动传感器数据产生的多个所提出的位置可在与从光传感器数据产生的候选位置不同的时间出现。然而，在任何时间点，总位置估计为从运动传感器数据产生的当前所提出的位置和从光传感器数据产生的候选位置的函数。另外，在需要时，如果不要求对装置位置的具体决策，那么位置估计可为候选位置及其相关联的可能性。

图6是能够基于来自如上文所描述的运动传感器和光传感器的信息确定位置估计的移动装置100的框图。移动装置100包含用于产生光传感器数据的装置，例如光传感器111，光传感器111可包含ALS103、接近度传感器105和相机110(图1A和图1B中所示)。移动装置100还包含用于产生定向数据的装置，例如运动传感器112，运动传感器112可为加速度计、陀螺仪、磁力计或其它类似感测元件中的一者或一者以上。移动装置100可进一步包含用户接口150，用户接口150包含显示器102以及小键盘152或用户可将信息输入到移动装置100中的其它输入装置。在需要时，可通过将虚拟小键盘集成到具有触摸传感器(或手势控制)的显示器102中而排除小键盘152。用户接口150还可包含麦克风154和扬声器156，例如在移动装置100为蜂窝式手机、平板计算机及或类似装置的情况下。当然，移动装置100可包含与本发明无关的其它元件。

移动装置100还包含控制单元160，控制单元160连接到光传感器111和运动传感器112，且与光传感器111和运动传感器112通信。控制单元160接受且处理由光传感器111和运动传感器112提供的数据。控制单元160可由处理器161及相关联的存储器164、硬件162、软件165和固件163提供。控制单元160可包含基于定向的位置检测器122和基于光传感器的位置检测器124，以及位置估计器126，如图2和图3中所描述。位置和运动状态估计可存储于存储器164或其它存储单元中作为移动装置100的位置和定向。

基于定向的位置检测器122和基于光传感器的位置检测器124以及位置估计器126出于清楚起见与处理器161分开说明，但可为处理器161的部分，或基于运行于处理器161中的软件165中的指令而实施于处理器中。将理解，如本文中所使用，处理器161可能但不一定需要包含一个或一个以上微处理器、嵌入式处理器、控制器、专用集成电路(ASIC)、数字信号处理器(DSP)，等等。术语处理器意欲描述由系统而非特定硬件实施的功能。此外，如本文中所使用，术语“存储器”指任何类型的计算机存储媒体，包含长期存储器、短期存储器或与移动装置相关联的其它存储器，且不应限于任何特定类型的存储器或存储器数目，或在其上存储存储器的媒体类型。

本文中所描述的方法可取决于应用而通过各种手段来实施。举例来说，此些方法可实施于硬件162、固件163、软件165或其任何组合中。对于硬件实施方案，处理单元可实施于一个或一个以上专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理装置(DSPD)、可编程逻辑装置(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、电子装置、经设计以执行本文中所描述的功能的其它电子单元，或其组合内。

对于固件和/或软件实施方案，可用执行本文中所描述的功能的模块(例如，程序、功能等等)来实施所述方法。有形地体现指令的任何机器可读媒体可用于实施本文中所描述的方法。举例来说，软件代码可存储于存储器164中，且由处理器161执行。存储器可实施于处理器161内或在处理器161外部。如果以固件和/或软件实施，那么功能可作为一个或一个以上指令或代码存储于计算机可读媒体上。实例包含以数据结构编码的非暂时性的计算机可读媒体和以计算机程序编码的计算机可读媒体。计算机可读媒体包含物理计算机存储媒体。存储媒体可为可由计算机存取的任何可用媒体。举例来说，且非限制，此计算机可读媒体可包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储装置、磁盘存储装置或其它磁性存储装置，或可用以存储呈指令或数据结构形式的所要程序代码且可由计算机存取的任何其它媒体；如本文中所使用，磁盘和光盘包含压缩光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软磁盘和蓝光光盘，其中磁盘通常以磁性方式再现数据，而光盘使用激光以光学方式再现数据。上述各者的组合也应包含在计算机可读媒体的范围内。

尽管本发明出于指导目的与特定实施例相结合地说明，但本发明不限于此。可作出各种适应和修改而不脱离本发明的范围。因此，所附权利要求书的精神和范围不应限于前述描述。

Claims (25)

1.一种确定移动装置的位置估计的方法，其包括：

通过分析来自所述移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置；

处理来自所述移动装置中的一个或一个以上光传感器的信息，以产生候选位置列表；

产生与所述候选位置列表中的候选位置相关联的可能性；

使用所述候选位置列表来消除所述多个所提出的位置中的至少一者；及

基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计，

其中使用所述候选位置列表来消除所述多个所提出的位置中的至少一者包括：将与所述多个所提出的位置中的每一者相关联的所述可能性与和所述候选位置相关联的所述可能性相乘，以确定被用作所述位置估计的具有最高组合可能性水平的所提出的位置。

2.根据权利要求1所述的方法，其中使用所述候选位置列表来消除所述多个所提出的位置中的至少一者包括消除所述候选位置列表中不包含的任何所提出的位置。

3.根据权利要求1所述的方法，其中所述一个或一个以上运动传感器包括加速度计、磁力计和陀螺仪中的至少一者。

4.根据权利要求1所述的方法，其中所述一个或一个以上光传感器包括环境光传感器、接近度传感器和相机强度传感器中的至少一者。

5.根据权利要求1所述的方法，其中通过分析来自所述移动装置中的所述一个或一个以上运动传感器的所述信息来产生具有相关联的可能性的所述多个所提出的位置包括：

从来自所述一个或一个以上运动传感器的所述信息提取特征；

存取特征模型；及

使用所述特征和所述特征模型产生所述多个所提出的位置中的每一者的可能性。

6.根据权利要求5所述的方法，其进一步包括随时间过滤具有相关联的可能性的所述多个所提出的位置。

7.根据权利要求1所述的方法，其进一步包括产生与所述位置估计相关联的置信度度量。

8.根据权利要求7所述的方法，其中在使用至少一个候选位置消除所述多个所提出的位置中的所述至少一者之后，基于两个最有可能的所提出的位置的可能性的差来产生所述置信度度量。

9.根据权利要求1所述的方法，其中在产生具有相关联的可能性的所述多个所提出的位置之前执行处理来自所述一个或一个以上光传感器的所述信息以产生所述候选位置列表。

10.一种确定移动装置的位置估计的装置，其包括：

至少一个运动传感器；

至少一个光传感器；

存储器；及

处理器，其耦合到所述存储器，且经耦合以从所述运动传感器接收数据，且经耦合以从所述至少一个光传感器接收数据，所述处理器经配置以：基于来自一个或一个以上运动传感器的数据而产生具有相关联的可能性的多个所提出的位置；基于来自所述至少一个光传感器的所述数据而产生候选位置列表；产生与所述候选位置列表中的候选位置相关联的可能性；使用所述候选位置列表来消除所述多个所提出的位置中的至少一者；基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计；及将所述位置估计存储于所述存储器中，

其中所述处理器经配置以通过经配置以将与所述多个所提出的位置中的每一者相关联的所述可能性与和所述候选位置相关联的所述可能性相乘以确定被用作所述位置估计的具有最高组合可能性水平的所提出的位置，而使用所述候选位置列表来消除所述多个所提出的位置中的至少一者。

11.根据权利要求10所述的装置，其中所述处理器经配置以通过经配置以消除所述候选位置列表中不包含的任何所提出的位置而使用所述候选位置列表来消除所述多个所提出的位置中的至少一者。

12.根据权利要求10所述的装置，其中所述运动传感器包括加速度计、磁力计和陀螺仪中的至少一者。

13.根据权利要求10所述的装置，其中所述至少一个光传感器包括环境光传感器、接近度传感器和相机强度传感器中的至少一者。

14.根据权利要求10所述的装置，其中所述处理器经配置以通过经配置以进行以下操作来基于来自所述运动传感器的所述数据而产生具有相关联的可能性的所述多个所提出的位置：

从来自所述运动传感器的所述数据提取特征；

存取特征模型；及

使用所述特征和所述特征模型产生所述多个所提出的位置中的每一者的可能性。

15.根据权利要求14所述的装置，其中所述处理器进一步经配置以随时间过滤具有相关联的可能性的所述多个所提出的位置。

16.根据权利要求10所述的装置，其中所述处理器进一步经配置以产生与所述位置估计相关联的置信度度量。

17.根据权利要求16所述的装置，其中所述处理器经配置以在使用至少一个候选位置消除所述多个所提出的位置中的所述至少一者之后，基于两个最有可能的所提出的位置的可能性的差来产生所述置信度度量。

18.根据权利要求10所述的装置，其中所述处理器经配置以在产生具有相关联的可能性的所述多个所提出的位置之前产生所述候选位置列表。

19.一种确定移动装置的位置估计的装置，其包括：

用于通过分析来自所述移动装置中的一个或一个以上运动传感器的信息来产生具有相关联的可能性的多个所提出的位置的装置；

用于处理来自所述移动装置中的一个或一个以上光传感器的信息以产生候选位置列表的装置；

用于产生与所述候选位置列表中的候选位置相关联的可能性的装置；

用于使用所述候选位置列表来消除所述多个所提出的位置中的至少一者的装置；及

用于基于剩余的所提出的位置和相关联的可能性来确定所述移动装置的位置估计的装置，

其中所述用于使用所述候选位置列表来消除所述多个所提出的位置中的至少一者的装置包括将与所述多个所提出的位置中的每一者相关联的所述可能性与和所述候选位置相关联的所述可能性相乘，以确定被用作所述位置估计的具有最高组合可能性水平的所提出的位置。

20.根据权利要求19所述的装置，其中所述用于使用所述候选位置列表来消除所述多个所提出的位置中的至少一者的装置包括用于消除所述候选位置列表中不包含的任何所提出的位置的装置。

21.根据权利要求19所述的装置，其中所述一个或一个以上运动传感器包括加速度计、磁力计和陀螺仪中的至少一者。

22.根据权利要求19所述的装置，其中所述一个或一个以上光传感器包括环境光传感器、接近度传感器和相机强度传感器中的至少一者。

23.根据权利要求19所述的装置，其中所述用于通过分析来自所述移动装置中的所述一个或一个以上运动传感器的所述信息来产生具有相关联的可能性的所述多个所提出的位置的装置包括：

用于从来自所述一个或一个以上运动传感器的所述信息提取特征的装置；

用于存取特征模型的装置；及

用于使用所述特征和所述特征模型产生所述多个所提出的位置中的每一者的可能性的装置。

24.根据权利要求23所述的装置，其进一步包括用于随时间过滤具有相关联的可能性的所述多个所提出的位置的装置。

25.根据权利要求19所述的装置，其进一步包括用于在使用至少一个候选位置消除所述多个所提出的位置中的所述至少一者之后基于两个最有可能的所提出的位置的可能性的差来产生与所述位置估计相关联的置信度度量的装置。