CN104781686B - 路径匹配 - Google Patents
路径匹配 Download PDFInfo
- Publication number
- CN104781686B CN104781686B CN201380059671.9A CN201380059671A CN104781686B CN 104781686 B CN104781686 B CN 104781686B CN 201380059671 A CN201380059671 A CN 201380059671A CN 104781686 B CN104781686 B CN 104781686B
- Authority
- CN
- China
- Prior art keywords
- mobile device
- section
- position candidate
- location
- path
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
-
- 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
- G01S5/0278—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 involving statistical or probabilistic considerations
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
- G01C21/206—Instruments for performing navigational calculations specially adapted for indoor navigation
-
- 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
- G01S5/0269—Inferred or constrained positioning, e.g. employing knowledge of the physical or electromagnetic environment, state of motion or other contextual information to infer or constrain a position
-
- 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
- G01S5/0294—Trajectory determination or predictive filtering, e.g. target tracking or Kalman filtering
-
- 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
- H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
-
- 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
- H04W4/029—Location-based management or tracking services
-
- 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
- G01S5/02521—Radio frequency fingerprinting using a radio-map
-
- 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
- G01S5/0257—Hybrid positioning
- G01S5/0263—Hybrid positioning by combining or switching between positions derived from two or more separate positioning systems
Abstract
本公开提供了用于估计移动设备在地点中的位置的方法、程序产品和系统。地点可具有由路径网络表示的路径,路径网络包括由交叉点连接的路段。估计位置可包括确定移动设备的第一组候选位置,以及基于候选位置和路径网络中的一个或多个路段之间的距离,将候选位置中的一些候选位置映射到位于或更靠近相应路段的更新的候选位置,从而产生移动设备的第二组候选位置。可从第二组候选位置得到移动设备的位置。
Description
技术领域
本公开整体涉及位置确定。
背景技术
一些移动设备具有用于确定地理位置的特征部。例如,移动设备可包括用于接收来自全球定位系统(GPS)的信号的接收器。移动设备可使用GPS信号确定地理位置,包括纬度和经度。在许多地方,GPS信号可能不存在、微弱或受到干扰以致不太可能使用移动设备上的GPS接收器确定位置。例如,当常规的移动设备处于建筑物或隧道内部时,设备常常无法基于GPS信号确定位置。
发明内容
描述了用于执行路径匹配以协助确定移动设备的位置的方法、程序产品和系统。在某方面使用关于地点中的路径的信息以允许候选位置与路径的匹配中的灵活性。
在一个方面,提供了一种用于估计移动设备在地点中的位置的方法。地点可具有由路径网络表示的路径,该路径网络包括由交叉点连接的路段。估计位置包括确定移动设备的第一组候选位置,基于候选位置和路径网络中的一个或多个路段之间的距离,将所述候选位置中的一些候选位置映射到位于或更靠近相应路段的更新的候选位置,从而产生移动设备的第二组候选位置,以及从第二组候选位置得到移动设备的位置。
在一个方面,提供了一种用于估计移动设备在地点中的位置的方法。该方法包括识别表示地点中的路径的路径网络,所述地点包括能够由携带移动设备的可移动主体进入的空间和可移动主体移动的一个或多个约束,该路径网络包括由交叉点连接的路段;确定移动设备的估计位置;考虑到由路径网络中的路段施加的约束,更新估计位置以得到更新的估计位置;考虑到来自感测环境变量的传感器的传感器读数和可移动主体移动的一个或多个约束而并不限于路径网络中的路段,使用状态空间模型传送移动设备的更新的估计位置以生成传送的估计位置;以及基于传送的估计位置来确定移动设备的更新的估计位置。
在一个方面,移动设备包括用于感测环境变量的传感器;存储装置和处理器。存储装置被配置为存储与地点相关联的地图数据,该地点包括能够由可移动主体进入的空间和可移动主体移动的一个或多个约束,该地图数据包括关于表示所述地点中的路径的路径网络的信息,该路径网络包括由交叉点连接的路段。处理器被配置为确定移动设备的第一估计位置。如果第一估计位置不在路径网络上,则识别路径网络中的第一路段并且基于第一估计位置和第一路段之间的距离将第一估计位置映射到位于或更靠近所述第一路段的第二估计位置。处理器被配置为基于第二估计位置和来自传感器的传感器读数来确定移动设备的当前位置。
在一个方面,移动设备包括存储装置、处理器和用于感测环境变量的传感器。存储装置被配置为存储与地点相关联的地图数据,该地点包括能够由可移动主体进入的空间和可移动主体移动的一个或多个约束,该地图数据包括关于表示所述地点中的路径的路径网络的信息,该路径网络包括由交叉点连接的路段。处理器被配置为确定移动设备的第一组候选位置,基于候选位置和路径网络中的一个或多个路段之间的距离将所述候选位置中的一些候选位置映射到位于或更靠近相应路段的更新的候选位置从而产生移动设备的第二组候选位置,接收来自传感器的传感器读数,基于传感器读数和地图数据传送第二组候选位置从而产生第三组候选位置,以及基于第三组候选位置来估计移动设备的位置。
可执行路径匹配来实现以下优点。在路径被施以严格约束(例如,将位置估计拉到潜在路径,状态空间估计器的闭环操作)时,只要用户违背施加的约束或基本的估计不确定性远远大于潜在约束,就可能导致较大的估计误差。通过提供路径匹配中的灵活性,可更为准确地模拟行人行为并提高位置估计的准确性。
在附图和下文的描述中给出了使用路径匹配进行位置确定的一个或多个具体实施的细节。根据说明书、附图和权利要求书,用路径匹配进行位置确定的其他特征、方面和优点将变得显而易见。
附图说明
图1为表示具有路径的地点的地图图示。
图2A到2D为示出候选位置的路径匹配和传送的图示。
图3为用于路径匹配的概率分布函数的曲线图。
图4为使用位置指纹数据提供位置确定的概述的框图。
图5示出用于生成位置指纹数据的示例性勘测技术。
图6为用于生成位置指纹数据的示例性指纹引擎的框图。
图7示出位置指纹数据中的示例性特征向量。
图8示出位置指纹数据库的示例性逻辑结构。
图9示出使用统计分类来估计当前位置的示例性技术。
图10为使用核估计来生成位置观察的示例性程序的流程图。
图11为示出使用粒子滤波器来估计当前位置的示例性移动设备的框图。
图12示出对粒子滤波器的约束的示例性应用。
图13A-13C示出使用来自移动设备的传感器的读数来配置粒子滤波器的示例性技术。
图14为使用位置指纹数据来估计位置的示例性程序的流程图。
图15为使用粒子滤波器来估计位置的示例性程序的流程图。
图16为状态空间模型进行路径匹配的示例性程序的流程图。
图17和图18为用于估计移动设备在具有路径的地点中的位置的示例性程序的流程图。
图19为用于显示移动设备在地点中所处位置的示例性用户界面。
图20为用于实现图1-19所示的特征和操作的示例性系统架构的框图。
图21为示出移动设备的实现参考图1-19所述的特征和操作的示例性设备架构的框图。
图22为图1-19的移动设备的示例性网络操作环境的框图。
各个附图中,类似的参考标号指示类似的元件。
具体实施方式
路径匹配
诸如校园、建筑物、购物中心或机场之类的地点常常具有行人路径。路径的实例包括建筑物中的走廊、购物者们在购物中心中光顾各种商店常常行进的路径,以及旅客们在机场中从售票台通过安检口到各种终点所频繁使用的路径。有关路径的信息可有益于移动设备确定其在地点中的位置。然而,携带移动设备的行人可能未必遵循给定路径。例如,在机场中行走,行人可能光临不同的商店、回头照顾家人、或在给定走廊的左右侧来回转换。因此,提供一种用于表示应将移动设备的估计位置匹配到邻近路径或朝向路径偏移的可能性的概率模型是有用的。
在本具体实施方式中,移动设备例如可为移动电话、个人数字助理、平板电脑、膝上型计算机、相机、音乐播放器、视频播放器、摄录机或提供位置估计功能的任何其他便携式设备。
在一些具体实施中,可由使用状态空间模型的位置估计器来确定移动设备的位置。例如,位置估计器可包括对移动设备的候选位置进行采样的粒子滤波器。位置估计器周期性地接收传感器测量,该传感器测量用于更新候选位置的定位。在这些测量之中,考虑到显示出移动约束诸如壁或其他障碍物的地图数据,可根据状态空间模型来传送候选位置。例如,在传送候选位置时,它们不应穿过将阻碍行人通过的壁或其他障碍物。粒子的分布用于确定移动设备的位置。
在一些具体实施中,路径信息用于在测量步骤之后更新候选位置,但传送步骤并不将候选位置限制为路径。这模拟了行人常常不严格沿循路径的实际生活场景。
参考图1,在表示地点的地图中,可将路径表示为路径网络,该路径网络包括由交叉点连接的路段。在图1的实例中,地图10示出走廊12由位于一侧的壁14和位于另一侧的壁16和18来界定。壁16和18之间的开口提供房间28的入口,该房间由壁16、18和20界定。走廊12由延伸于走廊12的中心线附近的路径来表示。该路径由路段22和24来表示。从走廊12进入房间28的路径由路段26来表示。路段12、14和16在交叉点J_3处连接。路径网络上的每个路段可表示例如约一米宽的狭窄延伸区域。
当使用状态空间模型(例如,粒子滤波器)来估计移动设备在地点中的位置时,可传送候选位置来模拟移动设备的可能位置的概率密度分布。候选位置可遵循对携带移动设备的行人的移动约束。例如,候选位置不应传送通过壁,因为壁将阻碍行人通过。传送候选位置还可考虑地点中的路径。由于行人易于沿循路径,因此位于路径附近的候选位置可被“拉”到路径上或拉得更靠近路径。
参考图2A,地点38具有由壁34和36所限定的走廊32。走廊32为表示为路段40的路径。路段40在交叉点44处连接至另一路段42(其表示另一路径)。在使用状态空间模型来确定移动设备在走廊32中的位置时,可使用候选位置(例如,统称为30的30a-30n)来模拟移动设备的可能位置的概率密度分布。状态空间模型的每次迭代涉及测量步骤、路径匹配步骤和传送步骤。
在测量步骤中,根据传感器输入来更新候选位置30。例如,可将WiFi信号的测量与WiFi信号特征数据库进行比较以提供移动设备的位置估计。也可使用其他类型环境变量的测量,诸如蓝牙或蜂窝信号、气压、或磁场。
在路径匹配步骤中,针对候选位置30中的每一个,执行搜索来识别对候选位置“可见”的路段。当在候选位置和路段之间不存在移动约束诸如壁或其他障碍物时,路段对候选位置是可见的。
在对候选位置可见的路段之中,识别出可见路段中最靠近(即,具有最短正交距离)候选位置30的路段。如果候选位置30和路段之间的正交距离小于阈值,则将候选位置30映射到位于路段上的更新的候选位置。例如,更新的候选位置可为候选位置在路段上的正交投影。
如果候选位置30和路段之间的正交距离等于或大于阈值,则将候选位置30映射到更靠近路段但不位于其上的更新的候选位置。例如,可沿正交投影方向向路段偏移候选位置30成为更新的候选位置。向路段的偏移量是通过权值来确定的,而权值继而根据下述的概率密度函数来计算。
在图2A的实例中,路段40和42对候选位置30g、30h、30i和30j不可见,因此在路径匹配步骤中不更新候选位置30g-30j。
参考图2B,对于候选位置30a、30b、30c、30d、30e和30f,路段40比路段42更近。假设对于候选位置30a、30b和30c中的每个位置,候选位置和路段40之间的距离小于预定阈值。候选位置30a、30b和30c分别被映射到位于路段40上的更新的候选位置30a’、30b’和30c’。假设对于候选位置30d、30e和30f中的每个位置,候选位置和路段40之间的距离大于预定阈值。候选位置30d、30e和30f分别被映射到更靠近路段40但不位于其上的更新的候选位置30e’、30f’和30g’。
在图2A的实例中,对于候选位置30k、30l、30m和30n,由于壁36,路段40对这些候选位置不可见。对候选位置30k-30n可见的路段仅有路段42。
参考图2C,假设对于候选位置30k、30l、30m和30n中的每个位置,候选位置和路段42之间的距离大于预定阈值。候选位置30k、30l、30m和30n分别被映射到更靠近路段42但不位于其上的更新的候选位置30k’、30l’、30m’和30n’。
参考图2D,在传送步骤中,根据随机过程将候选位置30g、30h、30i、30j和更新的候选位置30a’、30b’、30c’、30d’、30e’、30f’、30k’、30l’、30m’、和30n’传送到进一步更新的候选位置。箭头示出候选位置的传送。可重复进行测量步骤、路径匹配步骤和传送步骤。
在一些实例中,传送候选位置不被路径路段所限制。这模拟了行人在地点中行走时可能离开路径的行为。一些路径可能对行人施以严格限制。例如,一旦行人走到机场中的可移动通道,行人将很可能继续停留在可移动通道上直到到达通道的终点。在这种情况下,可将状态空间模型紧密结合到路径约束。
参考图3,在一些具体实施中,使用概率分布函数p(x)模拟当估计(例如,通过下述的位置估计器)行人位于与路径相距给定距离x处时行人实际上位于路径上的可能性的概率分布。在该实例中,概率分布函数p(x)可以如下方式来表示:
(公式1)
其中dq表示拉伸参数,并且δ表示标准偏差。图3示出曲线图50,其具有表示作为距离x的函数的概率分布的曲线52。曲线52具有平坦(或拉伸)部分54,该平坦部分具有相同概率值。
在一些具体实施中,可基于路径类型来确定针对给定路段的拉伸参数dq和标准偏差δ。例如,可向表示机场中走廊的路段分配第一组dq和δ值,而向表示办公楼中走廊的路段分配第二组dq和δ值。还可基于勘测来确定针对给定路段的拉伸参数dq和标准偏差δ。例如,勘测器可观察行人在于路径上行走时是否严格或不严格遵循路径,并且相应地分配dq和δ值。
在使用状态空间模型来确定行人所携带的移动设备的位置时,可使用概率密度函数p(x)来确定候选位置是被映射到位于对应的路段上的更新的候选位置,还是被映射到更靠近路段但不位于其上的更新的候选位置。
在一些具体实施中,如果候选位置和路段之间的距离小于dq/2,则将候选位置映射到位于路段上的更新的候选位置。如果候选位置和路段之间的距离等于或大于dq/2,则将候选位置映射到更靠近路段但不位于其上的更新的候选位置。
参数dq之所以称为拉伸参数,是因为与路段相距dq/2距离之内的候选位置被“拉”到或映射到路段,就好像候选位置通过松紧带被连接到路段一样,并且松紧带可拉伸到dq/2。当候选位置和路段之间的距离小于dq/2时,拉伸的松紧带将候选位置拉回到路段上。
在图2A-2C的实例中,参数dq/2对应于用于确定候选位置是被映射到位于对应路段上的更新的位置还是被映射到更靠近对应路段但不位于其上的更新的位置的预定阈值。
当候选位置和对应路段之间的距离x大于dq/2时,将候选位置映射到更靠近对应路段但不位于其上的更新的候选位置。可根据权值w来确定更新的候选位置的坐标,而该权值继而依据以下方式根据公式1中的概率密度函数p(x)来计算:
w=p(x),规格化为p(0) (公式2)
可根据以下公式使用权值w来确定更新的候选位置的坐标:
x_updated=(1-w)*x_particle+w*x_projectionPoint
y_updated=(1-w)*y_particle+w*y_projectionPoint (公式3)
其中参数被定义如下:
x_particle:候选位置的x坐标,
y_particle:候选位置的y坐标,
x_projectionPoint:候选位置在对应路段上的正交投影的x坐标,
y_projectionPoint:候选位置在对应路段上的正交投影的y坐标,
x_updated:更新的候选位置的x坐标,以及
y_updated:更新的候选位置的y坐标。
当候选位置越靠近对应路段时,权值将越高并且作为候选位置和路段之间的距离的百分比的偏移量将越大。例如,假设候选位置和路段之间的距离为d。如果权值w为0.5,则更新的候选位置将位于候选位置和正交投影点之间的中间。如果权值w为0.1,则将候选位置朝向位于路段上的正交投影点偏移相当于距离d的10%的量。如果权值w为0.8,则将候选位置朝向位于路段上的正交投影点偏移相当于距离d的80%的量。
在图3的实例中,当候选位置和对应路段之间的距离大于约10时,候选位置的偏移量变小。这表示当行人远离路径时,行人很可能完全不在路径上行走。
与路段相关联的概率分布函数可受到若干因素的影响。例如,如果路段表示走廊,则概率分布函数可取决于走廊的宽度。如果走廊较宽,公式1中的标准偏差σ可较大,这表示行人在行走于较宽走廊时更易于分散的观察。概率分布函数可取决于路段附近的路径的密度。例如,如果在走廊中提供了若干路径,则公式1中的标准偏差可σ较小,这表示行人易于遵循给定路径从而避免撞上行走在邻近路径上的其他行人的观察。
下面描述用于实现上述路径匹配的设备和系统。
实现路径匹配的系统的概述
图4为使用路径匹配提供位置确定的概述的框图。定位服务器102可包括一个或多个计算机,该一个或多个计算机被编程以生成位置指纹数据并将位置指纹数据存储在位置指纹数据库104中。定位服务器102可将位置指纹数据提供给移动设备106。移动设备106可使用从定位服务器102所接收的位置指纹数据来确定移动设备106的位置。
定位服务器102生成的位置指纹数据可包括与地点相关联的一组特征。该地点可以是行人可进入的空间。地点可包括限制行人在空间中移动的一个或多个约束。这些约束例如可包括地图约束(例如,壁、栏杆或隔间分隔物)、路径约束(例如,行走在由道路标志限定的路径上的行人容易沿循该路径)、或行人运动约束(例如,当行人不在楼梯或电梯中时,行人的移动速度无法超过每小时X英里或无法垂直地移动)。地点可为物理结构。物理结构可为闭合的(例如,建筑物)或开放的(例如,开放式体育场)。空间可为在物理结构之内的室内空间,或在物理结构的边界空间之内的空间(如果物理结构为开放式的)。地点可为移动的(例如,飞机、游轮或移动石油平台)。
例如,地点可为具有大厅、办公室、壁、门、电梯和走廊的多层办公楼。行人可为以类似于人行走或奔跑速度的速度移动的人或设备。
定位服务器102可通过将环境变量的测量指定为与地点相关联的一组特征来生成位置指纹数据。环境变量可为来自一个或多个信号源的信号。环境变量的测量可包括通过一个或多个Wi-FiTM接入点射频(RF)扫描所获得的数据。数据可包括服务集标识符(SSID)或接收信号强度指示(RSSI)。环境变量的测量可包括磁场属性,该磁场属性包括静态属性和动态属性。例如,测量可包括磁场的大小和方向及其相应的变化率。环境变量的测量可包括BluetoothTM扫描数据,例如标识符或RSSI。环境变量的测量可包括蜂窝数据,例如小区标识符或RSSI。环境变量的测量可包括基于视觉的特征,例如光强度、颜色或由特征识别设备所确定的视觉特征。信号的测量可包括近场通信(NFC)信号或射频识别(RFID)信号的测量。
定位服务器102可使用指纹引擎108生成位置指纹数据。指纹引擎108可利用勘测或预测生成位置指纹数据。为了使用勘测生成位置指纹数据,指纹引擎108可接收来自一个或多个采样设备的众包数据或勘测数据。指纹引擎108可使用内插法基于所接收的众包数据生成位置指纹数据。众包数据可包括一个或多个采样设备所提交的环境变量的测量。每个采样设备可以是移动设备,该移动设备具有用于测量环境变量(例如,RF信号)的传感器(例如,RF接收器)并被配置为向指纹引擎108提供测量。为了测量信号,可对采样设备编程以在被置于各种采样点时记录可检测的信号。例如,用户或车辆可携带采样设备并在地点(例如,建筑物)内行走或以其他方式行进(例如,通过电梯上升或下降)。同时,采样设备可记录测量信号,并将所记录的信号实时地或分批地提交给定位服务器102。所记录的信号可来自不同的信号源。例如,所记录的信号可包括磁场测量、RF测量和光学测量中的一些或全部。所记录的测量和插值可与地点相关联。
为了利用预测来生成位置指纹数据,指纹引擎108可使用由信号估计器110生成的预测的信号测量。预测可包括使用有关接入点的真实数据的外推法。真实数据可包括接入点的已知位置。信号估计器110可为定位服务器102的部件,该部件被配置为基于地点的地图(或指定信号障碍的其他结构信息)和信号源在地点中的已知位置生成估计信号测量。信号估计器110可接收地图、信号源的位置和信号源的属性。信号估计器110可基于信号源的属性、信号源的位置和地图中的特征确定给定位置处的估计信号测量。例如,信号估计器110可确定地点中的一个或多个采样点,并且确定采样点和无线接入点之间的距离。基于无线接入点的类型、构造或模型,信号估计器110可确定接入点的信号强度。基于采样点和接入点之间壁的数量,信号估计器110可确定信号从接入点的衰减。使用信号强度和衰减,信号估计器110可确定采样点处的估计测量(例如,RSSI)并将采样点的估计测量和坐标提供给指纹引擎108。
定位服务器102在接收到来自移动设备106的请求时可将位置指纹数据发送至移动设备106。移动设备106可根据需要(例如,在移动设备106进入地点时)将请求发送至定位服务器102。在接收到位置指纹数据时,移动设备106可将位置指纹数据存储在位置指纹数据库112中。移动设备106可使用传感器114获得环境变量的一组测量(例如,来自一个或多个Wi-FiTM扫描)。传感器114可将测量作为测量向量发送至扫描分析器116。扫描分析器116可为移动设备106的部件,该部件被配置为基于测量向量和位置指纹数据得到移动设备106的最高可能位置。移动设备106可使用扫描分析器116以针对存储在位置指纹数据库112中的位置指纹数据来匹配来自传感器114的测量向量的读数。匹配可为多维的。例如,可在信号源维度(信号源1的测量、信号源2的测量...)和位置维度(例如,纬度、经度和高度)上执行匹配。在位置指纹数据为用于统计分类的训练数据的情况下,匹配可包括测量向量的统计分类。扫描分析器116可根据多维匹配得到最高可能位置。
在一些具体实施中,扫描分析器116可将最高可能位置指定为位置观察,并且将位置观察提供给粒子滤波器引擎118。粒子滤波器引擎118为移动设备106的部件,该部件被配置为使用可用数据来估计移动设备106的当前位置。粒子滤波器引擎118可确定移动设备106的初始位置,例如通过使用地点中的随机位置或使用第一观察。此外,粒子滤波器引擎118可从传感器114接收移动设备106的运动信息。使用运动信息和地点的地图,粒子滤波器引擎118可配置粒子滤波器的参数以模拟移动设备106的候选位置。然后粒子滤波器引擎118可使用来自扫描分析器116的位置观察来更新粒子滤波器。更新粒子滤波器可包括基于之前位置估计和观察来确定当前位置估计。执行路径匹配步骤以基于有关地点中的路径的信息来更新候选位置。一些候选位置被映射到路径的邻近路段或朝向路段偏移。可使用候选位置的概率密度函数来确定当前位置估计。粒子滤波器引擎118可将当前位置估计的表示作为输出提供用以显示给移动设备106的用户。
生成位置指纹数据
图5示出用于生成位置指纹数据的示例性勘测技术。采样设备202可对地点204的可用特征进行勘测。勘测地点204可包括使用采样设备202的传感器测量一个或多个环境变量。各环境变量可为无线电信号特性、磁场密度或方向、温度、声级、光强度或颜色。环境变量可包括来自信号源206、208和210的信号。信号源206、208和210可传输采样设备202在地点204内能够检测到的信号。信号源206、208和210不需要物理地定位于地点204中。
可将采样设备202携带到地点204中的各种采样点。采样设备202可基于在采样设备202上显示的地点204的地图上的用户输入来确定采样点。在每个采样点处,采样设备202可记录测量来自一个或多个信号源的信号的传感器读数。例如,如果信号源206、208和210为无线接入点,当采样设备202可检测来自每个无线接入点的无线信号(如图5中虚线所指示的那样)时,采样设备202可记录从接入点所接收的SSID,并且记录来自每个无线接入点的RSSI。采样设备202可将每个采样点处的测量指定为采样点的测量向量。在每个采样点处,采样设备202无需检测来自所有信号源的信号来生成采样点的测量向量。采样设备202可将测量向量作为勘测数据发送给定位服务器102用以另外的处理。
地点204可包括不存在采样数据的空间214。空间214可为采样设备202不可达的空间,或采样设备202移动穿过而并未停留足以获得信号读数的时间的空间。定位服务器102的指纹引擎108可通过内插法或外推法来确定空间214处的测量。指纹引擎108的操作的更多细节将在下文中参考图6有所描述。
图6为用于生成位置指纹数据的示例性指纹引擎108的框图。可对指纹引擎108编程以接收来自一个或多个各采样设备(例如,图5的采样设备202)的勘测数据并且基于所接收的勘测数据生成位置指纹数据。指纹引擎108可包括数据滤波器302。数据滤波器302为指纹引擎108的部件,该部件被配置为预处理所接收的勘测数据。预处理勘测数据可包括舍弃异常勘测数据(例如,不完整读数或离群值)和补偿不同采样设备之间的差异。
指纹引擎108可包括数据内插器304。数据内插器304为指纹引擎108的部件,该部件被配置为对特征分辨率进行上采样。数据内插器304可确定勘测数据为稀疏的,并且在上采样中应用内插方案。
指纹引擎108可包括特征部外推器306。特征部外推器306为指纹引擎108的部件,该部件被配置为确定特定特征的置信度是否满足阈值并在满足阈值的情况下根据勘测数据对特征部进行外推。特征部可反映在给定采样点处所接收的信号的特性。
指纹引擎108可包括数据校验器308。数据校验器308为指纹引擎108的部件,该部件被配置为通过针对存储在位置指纹数据库104中的一个或多个现有特征来校验从勘测数据得到的特征来维护特征的完整性。数据校验器308可校验给定地点处的具有给定的一组约束的每个特征能够以高置信度产生至少一个匹配结果。数据校验器308可有助于维护位置指纹数据库104,包括使位置指纹数据库104为最新的。此外,数据校验器308可通过根据空间差异确定位置指纹数据库104的唯一性来评估位置指纹数据库104的完整性。
图7示出位置指纹数据中的示例性特征向量。采样设备202可在地点中进行勘测。当采样设备202位于地点之内时,采样设备202可检测四个信号源。四个信号源中的每个信号源可为无线接入点。四个信号源中的每个信号源可具有标识符,例如,媒体访问控制(MAC)地址。例如,标识符分别可为AP1、AP2、AP3和AP4。图7中每条垂线的高度表示测量的信号强度。在该实例中,各垂线具有相等高度,并且每条垂线对应于圆圈。每个围绕信号源的圆圈表示等于垂线高度所表示的测量(例如,20dB)的对应的信号源的测量(例如,RSSI)。圆圈(例如,围绕AP2的圆圈)可大于另一圆圈(例如,围绕AP4的圆圈)。尺寸上的差异可指示采样设备202能够接收信号,该信号在围绕一个信号源(AP2)比围绕另一信号源(AP4)更大的区域内具有相同信号强度。
在位置502处,采样设备202可检测来自AP1、AP2、AP3和AP4的信号。来自AP1、AP2、AP3和AP4的信号的信号强度分别可为+20dB、-95dB、-95dB和-95dB。采样设备202可将信号强度作为测量向量504提交给定位服务器102。定位服务器102可基于测量向量504来确定特征向量506。特征向量506可具有多个元素,每个元素对应于信号源。每个元素的值可指示移动设备能够检测到对应信号源的概率。可从测量向量504得到特征向量506。特征向量506可指示一些测量可能承载比其他测量更多的信息。例如,如果在给定位置处,检测到四个接入点AP1、AP2、AP3和AP4,而与来自其他三个接入点的信号相比,来自一个接入点(AP1)的信号很强。定位服务器102可确定在空间有限的区域中仅可观察到较强的RSSI测量,并且相应地,较强的接入点AP1可具有比AP2、AP3和AP4更大的信息量(熵)。例如,定位服务器102可分别将熵值0.7、0.1、0.1和0.1分配给AP1到AP4。特征向量506可与位置502相关联,这指示出在位置502处,移动设备很可能检测到来自AP1的信号,但不太可能检测到来自AP2、AP3和AP4的信号。定位服务器102可将特征向量506存储在位置指纹数据库中作为与采样设备202所勘测的地点相关联的位置指纹数据的一部分。
在一些具体实施中,当测量模式指示很有可能采样设备202邻近给定信号源定位时,定位服务器102可将特征向量指定为良好的特征向量。定位服务器102可基于包括所观察到的功率水平或给定频率的存在等因素(除其他因素之外)将特征向量指定为良好的特征向量。在示出的实例中,当定位服务器102接收到测量向量504时,如果设备可测量到20dBRSSI的围绕AP1的区域很小,则定位服务器102可确定采样设备202很可能靠近于AP1。因此,定位服务器102可将特征向量506指定为良好的特征向量。良好的特征向量可与移动设备进行位置确定上的较高权值相关联。
示例性位置指纹数据
图8示出位置指纹数据库的示例性逻辑结构。针对地点中多个位置之中的每个位置,位置指纹数据可包括各种信号源的测量(或不含其测量)、信号源的期望测量、期望测量的方差和特征向量中的至少一者。例如,位置指纹数据可包括下述中的至少一者:无线接入点指纹数据;RFID指纹数据;NFC指纹数据;BluetoothTM指纹数据;磁场指纹数据;蜂窝指纹数据;或计算机视觉指纹数据。可聚合各种指纹数据以形成给定位置的位置指纹数据。
可将位置指纹数据存储为与地点相关联的多维数据。多维数据的一些维度可为空间维度。空间维度可包括X(例如,纬度)、Y(例如,经度)和Z(例如,高度,未示出)。空间维度在函数表示中可为连续的或离散的,其中空间维度可包括在地点中分布的位置(例如,位置606、608、610、612和614)。分布可为围绕良好特征向量所在的区域均匀的和均一的或集中的。
多维度数据中的至少一个维度可为信号源维度。特征向量602可对应于(X,Y,Z)所表示的位置,并且具有每个信号源的一个或多个值。这些值可包括环境变量的期望值(例如,期望RSSI)、期望值的方差或移动设备能够从信号源检测到信号的概率中的一者或多者。定位服务器102的指纹引擎108可基于从采样设备(例如,图5的采样设备202)所接收的测量和测量的方差来确定期望值和方差。测量可为不同的。例如,信号源维度可包括维度变量AP1、AP2和磁场测量。
在一些具体实施中,可对空间维度进行规格化。指纹引擎108可接收来自一个或多个采样设备的测量。每个测量可对应于采样点。例如,勘测器可携带采样设备并沿循路径604来对地点进行勘测。指纹引擎108可根据606、608、610、612和614的分布使路径604规格化到位置606、608、610、612和614。
示例性位置估计
图9示出使用统计分类来估计当前位置的示例性技术。(图4的)移动设备106可接收来自定位服务器102的位置指纹数据712。位置指纹数据712可与地点相关联。位置指纹数据712可包括位置指纹数据库中特定于地点的所有数据。移动设备106可针对位置指纹数据712来匹配从一个或多个传感器114得到的多维测量向量702以得到移动设备106在该地点的最高可能位置。最高可能位置可取决于多维测量向量702。
移动设备106的扫描分析器116可使用统计分类和回归之间的自适应方案来确定移动设备106的最高可能位置。在统计分类中,扫描分析器116可基于训练数据来识别传感器测量的向量归属于一组位置(例如,地点的位置704、706、708或710)中的哪些位置。该组位置可为移动设备106的估计位置。传感器测量的向量可包括多维测量向量702。训练数据可包括与已知位置相关联的测量。扫描分析器116可将位置指纹数据712用作训练数据。
移动设备106的扫描分析器116可采用逐点式核估计程序来确定多维测量向量702的类别。类别可为位置704、706、708或710。扫描分析器116可确定移动设备106在位置704、706、708和710之中的位置的概率密度函数(PDF)。为了确定PDF,扫描分析器116可通过将核函数应用到多维测量向量702和对应于位置704、706、708和710的相应特征向量或测量向量之间的差值来确定多维测量向量702位于位置704、706、708和710中的每个位置的概率。扫描分析器116可应用结合成一个函数的对称函数(例如,高斯函数、单值函数或余弦函数)作为用于逐点式核估计的核函数选择。
扫描分析器116可采用核估计程序中的特征向量。在一些具体实施中,特征向量可使用得到的熵向量。扫描分析器116可使用特征向量来提高测得很强信号处的接入点的重要性。熵向量可包括作为每个位置子集的元素熵。扫描分析器116可使用熵向量来表示多维测量向量702的信息量。扫描分析器116可确定多维测量向量702中具有较小读数(例如,较小RSSI测量)的子集所拥有的信息量少于多维测量向量702中具有较大读数(例如,较大RSSI测量)子集所拥有的信息量。该确定可指示出,对于地点来说,区域中具有较小读数的子集可大于区域中具有较大读数的子集。
在一些具体实施中,扫描分析器116可通过减小搜索空间来优化确定。搜索空间可对应于移动设备的位置和与位置相关联的不确定性。扫描分析器116可从初始估计开始,该初始估计可被指定为初始搜索空间。例如,当扫描分析器116不具有关于移动设备106位置的信息时,扫描分析器可将世界指定为初始搜索空间。当扫描分析器116获得一些位置信息时,扫描分析器116可基于位置信息将搜索空间减小到美国加利福尼亚州库比蒂诺市,或特定街区或建筑物。可从之前的估计中得到每个位置估计。
减小搜索空间可包括在可能的情况下减少用于计算PDF中概率的离散点(例如,位置)的数量。扫描分析器116可在先验域中执行提供给扫描分析器116的核函数。在粒子滤波器引擎118给出直至时间k处并包括时间k处的观察的情况下,先验域可为时间k处的后验状态估计。例如,粒子滤波器引擎118可基于地点的约束(例如,壁)和移动设备106的移动速度限制(到人体行走或奔跑的最大速度)来确定位置710并非可能位置并将被过滤掉。然后扫描分析器116可基于位置704、706和708处的概率密度来确定位置观察。先验域可与可能增大或减小的不确定性相关联。例如,在试图减小搜索空间的情况下,移动设备106可能丢失信号,使得位置不确定性和搜索空间增大。
图10为使用核估计生成位置观察的示例性程序800的流程图。可由如上参考图4所描述的示例性扫描分析器116来执行程序800。
扫描分析器116可使用位置指纹数据和传感器测量来限定统计分类参数(802)。扫描分析器116可限定分类类别、样本向量和用于统计分类的训练数据。分类类别可为移动设备106的一个或多个候选位置。候选位置可为位置指纹数据库中的一个或多个位置。样本向量可为从一个或多个传感器所接收的多维测量向量702。训练数据可为存储在位置指纹数据库中的向量。扫描分析器116可将样本向量映射到位置类别(或“库”)中。映射可为分类或回归。分类可包括将样本向量映射到确切的一个库中的严格关联。回归可包括将样本向量映射到多个库中所得到的关联。在回归中,扫描分析器116可通过执行对多个库的统计分析来得到样本向量的最终类别。
扫描分析器116可限定测量的信息量(804)。限定测量的信息量可包括通过应用特征向量(例如,熵向量)来确定多维测量向量中每个测量的权值。
扫描分析器116可通过先验估计来减小搜索空间(806)。减小搜索空间可包括在先验域上执行核函数,该先验域可为粒子滤波器引擎118提供给扫描分析器116的后验状态估计。
扫描分析器116可生成位置观察(808)。生成位置观察可包括执行逐点式核估计程序以估计移动设备106在减小的搜索空间中的位置的PDF。生成位置观察可包括根据PDF聚合一组最可能的匹配值的统计值。扫描分析器116可将位置观察提供给粒子滤波器引擎118用以估计移动设备106的当前位置。
示例性粒子滤波器
图11为示出使用粒子滤波器估计当前位置的示例性移动设备的框图。移动设备可为如参考图4所描述的移动设备106。
在GPS信号不可用的情况下,移动设备106可使用“可用信息”来估计位置。例如,可用信息可包括运动模型、运动测量、环境约束和地图约束。然后移动设备106可使用状态空间模型来融合来自不同信息源的可用信息。
状态空间模型可为基于模拟的估计模型,例如粒子滤波器。移动设备106的粒子滤波器引擎118可基于根据当前观察Zk所决定的先前位置Xk-1使用粒子滤波器来估计移动设备106的当前位置Xk的概率密度,其中k为给定时间点,k-1为k之前的时间点。k和k-1之间的时间长度可为可配置的(例如,一秒或五秒)。
粒子滤波器引擎118可包括状态空间估计器902。状态空间估计器902可被配置为接收可用信息并将可用信息置入位置估计器904中,该位置估计器为粒子滤波器引擎118的部件,该部件被配置为提供位置估计。
状态空间估计器902可从移动设备106的服务器的存储设备中接收地图数据906。地图数据906可包括地点中的一个或多个约束的属性,该地点包括携带移动设备106的行人可进入的空间。约束可包括结构约束(例如,壁)。状态空间估计器902可确定行人无法穿过结构约束。在给定行人的限制运动速度的情况下,状态空间估计器902可确定行人在给定时间间隔内可去往何处的可能性。
地图数据906中的约束可包括地点空间中的区域的属性。例如,地图数据906中的约束可限定路径(例如,走廊)和开放区域(例如,大厅、自助餐厅或办公室)。可由路径网络来表示路径,该路径网络包括由交叉点连接的路段。状态空间估计器902可确定当行人在路径中行走时行人很可能遵循路径,而当行人在开放区域中行走时行人可能游逛,例如在随机方向上移动,而并不遵循路径。状态空间估计器902可确定行人的移动受制于约束概率。例如,状态空间估计器902可确定当行人正沿路径行走时,行人进入对路径开放的开放空间的概率。基于开放空间的类型(例如,开放空间是大厅、自助餐厅还是办公室)或路径与开放空间的相对定位(例如,路径是否在开放空间处终止),行人进入开放空间的概率可高于或低于行人停留在路径上的概率。有关确定对行人在给定时间间隔内可去往何处的可能性的限制的更多细节将在下文中参考图12有所描述。
状态空间估计器902可从传感器114接收运动上下文。运动上下文可包括传感器114的读数。传感器114可包括移动设备106的微机电系统(MEMS)。例如,传感器114可包括罗盘907和加速度计908,其中罗盘被配置为确定行人前进方向,加速度计被配置为确定行人的移动是行走还是奔跑、移动的步速和移动的步幅。传感器114可包括气压计910,该气压计被配置为基于气压确定行人是向上还是向下移动(例如,在电梯中或在楼梯上)。传感器114可包括陀螺仪912,该陀螺仪被配置为确定行人是否转动。
基于运动上下文,状态空间估计器902可确定携带移动设备106的行人处于静态还是非静态。如果状态空间估计器902确定行人处于静态,则状态空间估计器902可利用状态空间系统噪声(例如,随机位置)来配置位置估计器904。如果状态空间估计器902确定行人处于非静态,则状态空间估计器902可利用行人的运动速度来配置位置估计器904以驱动位置估计器904的状态空间更新。
状态空间估计器902可基于从传感器114所接收的运动上下文数据来确定姿态信息。姿态信息可包括利用从传感器114所接收的一系列运动上下文数据所确定的行人的前进方向。状态空间估计器902可随时间接收一系列运动上下文数据,并且使用滤波器基于该一系列运动上下文数据来估计前进方向,该滤波器被配置为使用随时间所观察的一系列测量来产生未知变量的估计。在一些具体实施中,滤波器可为卡尔曼滤波器。
基于地图约束、运动上下文和姿态信息,状态空间估计器902可确定移动设备106的候选位置。状态空间估计器902可将候选位置指定为用于在粒子滤波器P(Xk|Xk-1)中传送的样本(或“粒子”),其中Xk为移动设备106在时间k处的当前位置,Xk-1为在时间k-1处的先前位置。传送粒子滤波器可包括在给定先前位置的情况下,将可用信息(包括地图数据、运动上下文和姿态信息)应用于粒子滤波器以确定候选位置在地点的至少一部分中的概率密度。传送粒子滤波器可基于随机过程以探索一些或所有的潜在约束。在一些具体实施中,随机过程可为离散化维纳过程。基于约束的可用性,传送粒子滤波器可受制于多维相关函数。
状态空间估计器902可在候选位置的数量降至足够用于概率密度计算的阈值数量以下时检测粒子枯竭。根据这种检测,状态空间估计器902可执行地点的一部分或整个地点的并行重采样以从滤波器发散中恢复过来。
在传送粒子滤波器时,状态空间估计器902可将粒子滤波器提供给位置估计器904以供更新。位置估计器904可使用从扫描分析器所接收的位置观察(例如,参考图4所描述的扫描分析器116)来更新粒子滤波器。更新粒子滤波器可包括将估计指纹位置馈送到粒子滤波器中。位置观察可受制于具有给定系统不确定性的测量模型。更新粒子滤波器可包括计算概率密度P(Xk|Xk-1,Zk),其中Zk为时间k处的位置观察。在该步骤中,根据新的位置观察来更新候选位置。
可执行路径匹配来使候选位置和地点中表示路径的路段相匹配。如上所述,对于由粒子滤波器所采样的每个候选位置,执行搜索以识别对候选位置可见的路径路段。识别出距候选位置具有最短距离的路段。如果候选位置和路段之间的距离小于阈值(例如,公式1中的dq/2),则利用正交投影将候选位置映射到路段。如果候选位置和路段之间的距离等于或大于阈值,则将候选位置映射到更靠近路段但不位于其上的更新的候选位置。权值w是根据概率分布函数来计算的。权值w用于确定从候选位置朝向路段的偏移量。然后位置估计器904可使用概率密度来确定移动设备106的当前位置(时间k处的位置),包括将移动设备106的最可能位置指定为移动设备106的当前位置。
图12示出对粒子滤波器的约束的示例性应用。状态空间采样器(例如,如上参考图11所描述的状态空间估计器902)可接收地点204的地图数据。地图数据可指定地点204包括开放空间1002、走廊1004和办公室1006。
针对给定时间k,移动设备106可确定对应于时间k-1的初始位置1007。初始位置可为移动设备106的先前估计位置。紧接着在移动设备106进入地点204之后,或紧接着在移动设备106于地点204中启用之后,可能移动设备106尚未执行先前位置估计。在这种情况下,移动设备106可确定初始位置1007为地点204中的随机位置。将初始位置1007表示为单个点。在一些具体实施中,初始位置1007可为多个可能位置的概率密度函数,每个可能位置与移动设备106位于该位置的概率相关联。概率密度函数可为离散的或连续的。
移动设备106可使用一个或多个传感器来确定移动设备106处于静态,例如,当线速度和角速度以及线加速度和角加速度为零或接近零(例如,难以区分于系统误差容限)时。在确定移动设备106处于静态时,移动设备106可生成时间k处的候选位置1008、1010、1012和1014用于粒子滤波器。可基于状态空间系统噪声来生成候选位置1008、1010、1012和1014。此外,初始位置1007可为候选位置。移动设备106可将在地点204中移动的约束施加给粒子滤波器。例如,移动设备106可确定由于初始位置1007位于开放空间1002中,因此无需施加方向上的约束;候选位置1008、1010、1012和1014可在来自初始位置1007的任何方向。此外,移动设备106可确定候选位置1014表示不可能性,因为移动设备106需要从初始位置1007通过障碍物(例如,壁)或以超过行人行走或奔跑速度的速度行进以绕过走廊1004到达候选位置1014。移动设备106可基于不可能性将候选位置1014从粒子滤波器中移除。
在给定时间t处,移动设备106可确定移动设备106的初始位置1018。初始位置1018可对应于时间t-1。移动设备106可使用一个或多个传感器来确定移动设备106处于非静态,例如,当线速度或角速度或者线加速度或角加速度为非零时。在确定移动设备106处于非静态时,移动设备106可生成时间t处的候选位置用于粒子滤波器。候选位置可包括由粒子滤波器所采样的位置分布。移动设备106可决定初始位置1018在地点204中沿循走廊1004的路径上。因此,移动设备106可确定移动设备106的移动方向限于由走廊1004所限定的路径的方向。基于移动设备106的前进方向,移动设备106可确定根据前进方向在移动设备106前面的候选位置1020,以及根据前进方向可在移动设备106后面的候选位置1022。移动设备106可确定候选位置1020比候选位置1022更可能为移动设备106的位置。此外,移动设备106可确定初始位置1018足够接近办公室1006入口使得行人以行走速度移动即可在时间t-1和t之间进入办公室1006。因此,移动设备106可将候选位置1024置于办公室1006中。移动设备106可将不同的权值分配给每个候选位置1020、1022和1024用于粒子滤波器。
图13A-13C示出使用来自移动设备的传感器的读数来配置粒子滤波器的示例性技术。移动设备可为如上参考图4所描述的移动设备106。
图13A示出当移动设备正以速度v1移动时基于初始位置1102来确定当前位置估计。移动设备可基于传感器读数的变化率来确定速度v1。在一些具体实施中,移动设备可基于加速度计所测量的加速度的变化频率来确定速度v1,其中较高频率指示行人步速较快。此外,移动设备可基于加速度的量值来确定速度v1,其中较大量值指示较大步幅。
移动设备可确定当前位置估计1104、1106、1108、1110和1112。移动设备在移动设备的前进方向上生成的当前位置估计(例如,位置估计1106、1108、1110和1112)可比在远离前进方向的方向上生成的当前位置估计(例如,位置估计1104)多。位置估计的数量上的差异可模拟移动设备在原前进方向继续移动的可能性比折回更大的情况。当前位置估计可受制于地点的约束,例如壁1114。然后移动设备可使用估计位置1104、1106、1108、1110和1112来配置粒子滤波器,这受制于扫描分析器(例如,图4的扫描分析器116)所提供的位置观察。观察可从位置指纹数据得到并且可包括单个位置或多个位置的离散或连续的概率密度。
图13B示出在移动设备正以速度v2移动的情况下基于初始位置1118来确定当前位置估计。移动设备可基于传感器的读数来确定速度v2较高(例如,高于图13A中的速度v1)。在确定速度v2较高时,移动设备可根据当前前进方向确定携带设备的行人比图13A中的行人更可能继续前行而不太可能折回。因此,移动设备可在前进方向上生成更多当前位置估计(例如,位置估计1120、1122、1124、1126、1128和1130)。移动设备可在远离前进方向的方向上生成估计位置1132,以模拟行人折回的可能性。
移动设备可在移动设备预计行进的路径上生成位置估计1122和1126。移动设备可使用位置估计1122和1126来计算行人以不同速度行进的概率,以校验或校正由运动传感器所确定的当前速度(v2)。
移动设备可生成位置估计1120、1124、1128和1130以计算移动设备改变方向的概率。与图13A相比,速度v2高于速度v1。因此,位置估计1120、1122、1124、1126、1128和1130比位置估计1106、1108、1110和1112的分布可沿移动设备的前进方向更为集中,其中在更高集中度下,位置估计处于沿前进方向的窄光束中并且远离前进方向具有较小的发散度。例如,在一些具体实施中,位置估计的期望数量与移动设备的速度成正比;位置估计的方向变化可与速度成反比。
在图13A和13B的实例中,粒子滤波器可在每次迭代中实现路径匹配步骤以使位置估计与路径网络的路段相匹配。假设移动设备正沿靠近壁1114的路径移动。可将位置估计映射到对应的路段上或朝向路段偏移。与图13A中的实例相比,图13B的实例中的位置估计更为集中,因此通常图13B中的位置估计将比图13A的实例中的位置估计朝向路段的偏移量更大。这符合一般情况,即当行人沿路径行走较快时,行人更可能遵循路径而不太可能离开路径。
图13C示出当移动设备正沿路径移动时,基于初始位置1140来确定当前位置估计。移动设备可确定移动设备的初始位置1140、和运动速度v3。基于地点的地图数据,移动设备可确定移动设备正在走廊中朝向拐角前进。移动设备可确定移动设备的移动受到走廊壁的限制。因此,移动设备可使用位于路径上(例如,在走廊中)的位置估计来配置粒子滤波器。移动设备可确定当前位置估计1142、1144、1146和1148,如果移动设备继续行进在前进方向上然后转向沿循走廊,这些位置估计并未沿移动设备的前进方向而是移动设备很可能所在的位置。移动设备在路径中的移动设备的前面放置的当前位置估计(例如,当前位置估计1142、1144、1146和1148)可比在移动设备的后面放置的当前位置估计(例如,当前位置估计1150)多。
在粒子滤波器的每次迭代中,可执行路径匹配以将位置估计1142、1144、1146、1148和1150映射到表示由壁所限定的路径的路段上。
示例性过程
图14为使用位置指纹数据估计位置的示例性程序1300的流程图。可由移动设备(例如,图4的移动设备106)来执行程序1300。
移动设备可从服务器(例如,图4的定位服务器102)接收位置指纹数据(1302)。位置指纹数据可包括地点中的多个位置和每个位置的指纹。地点可包括行人可进入的空间和行人移动的一个或多个约束。每个指纹可包括在对应位置处的环境变量的一个或多个期望测量。每个环境变量可包括来自移动设备能够检测到的信号源的信号。一个或多个信号源可包括射频源(例如,无线接入点)、光源、声源、磁源或热源中的至少一者。一个或多个期望测量可包括RSSI、往返时间、磁场强度、温度、噪声水平或气压水平中的至少一者。
移动设备可通过要求接收位置指纹数据。当移动设备基于阈值确定移动设备位于邻近地点的位置时,移动设备可请求来自服务器的位置指纹数据。例如,移动设备可基于GPS信号和存储在移动设备中的地图来确定移动设备位于距建筑物的阈值距离内。然后移动设备可请求来自服务器的建筑物的位置指纹数据。移动设备可作为响应地接收位置指纹数据。
移动设备可从移动设备的一个或多个传感器接收测量向量(1304)。测量向量可包括一个或多个传感器的有关环境变量的一个或多个读数。
移动设备可使用测量向量和位置指纹数据来确定移动设备在地点中的位置(1306)。确定位置可包括执行将测量向量分类成一个或多个可能位置的统计分类,其中可由一个或多个传感器来接收测量向量。每个可能位置可与测量向量匹配于相应可能位置的指纹的可能性相关联。执行统计分类可包括基于训练数据将样本向量分类成一个或多个类别,每个类别与样本向量归属于相应类别的概率相关联。移动设备可将位置指纹数据指定为训练数据。移动设备可将测量向量指定为样本向量。一个或多个类别均可对应于移动设备在地点中的可能位置。与每个类别相关联的概率可指示移动设备位于对应于该类别的可能位置的可能性。
移动设备可确定与每个类别相关联的概率。确定概率可包括确定在每个可能位置处所测量的测量向量的概率密度的逐点式核估计。逐点式核估计可具有核函数。移动设备可将核函数应用于测量向量和相应可能位置的指纹之间的差值。核函数可为结合成一个函数的对称函数(例如,高斯函数)。
在一些具体实施中,移动设备可将核函数应用于粒子滤波器所提供的先验域中。先验域可以是在计算概率密度之前所选择的位置指纹数据中所表示的搜索空间的一部分。先验域可由粒子滤波器来提供。例如,先验域可为来自粒子滤波器中的后验状态估计。
在一些具体实施中,确定移动设备的位置包括聚合一组可能位置的统计值。在一些具体实施中,确定移动设备的位置可包括基于上下文使用一组位置来计算位置。上下文可为运动上下文。上下文可包括加速度计、磁性传感器、陀螺仪或气压计中至少一者的一个或多个读数。
图15为使用粒子滤波器估计位置的示例性程序1400的流程图。可由移动设备(例如,图4的移动设备106)来执行示例性程序1400。
移动设备可确定移动设备的初始位置(1402)。初始位置可位于地点处(例如,在建筑物之内)。地点可包括行人可进入的空间和行人移动的一个或多个约束。初始位置可为与给定不确定值相关联的先验位置估计。在一些具体实施中,确定初始位置可包括基于使用图4的扫描分析器116的先验位置观察来估计初始位置。在一些具体实施中,当初始观察不可用时,初始位置可为位于地点处或附近的具有初始不确定值(例如,正负1000米)的随机位置或者为由GPS信号所确定的具有初始不确定值(例如,基于最后的GPS位置确定的时间和当前时间所计算的值)的最后已知位置。当移动设备不了解先前位置时(例如,当新设备在建筑物内首次启用时),移动设备可确定初始位置为随机位置,并且不确定值为无穷大。
移动设备可基于移动设备的传感器读数来确定移动设备的运动状态(1404)。确定运动状态可包括确定移动设备的速度或前进方向、或移动设备的速度或前进方向的变化率中的至少一者。可基于移动设备的加速度计、磁强计、气压计或陀螺仪中的至少一者的读数来确定速度、前进方向和速度或前进方向的变化率。
移动设备可至少部分地基于初始位置、运动状态和指定一个或多个约束的地点地图来确定移动设备的多个候选位置(1406)。确定候选位置可包括确定移动设备是否处于静态。如果移动设备处于静态,则移动设备可基于状态空间系统噪声模型生成候选位置,例如通过生成随机围绕初始位置的候选位置。如果移动设备移动,则移动设备可确定移动设备从初始位置在避免约束的方向上移动的可能性。然后移动设备可生成候选位置。移动设备在与更大可能性相关联的方向(例如,沿移动设备的前进方向的方向)上可生成更多候选位置。
在一些具体实施中,确定移动设备从初始位置在避免约束的方向上移动的可能性可包括基于约束来确定地点的路径(例如,走廊)。移动设备可基于地图来确定路径上的点的目标类型。目标类型(例如,办公室、自助餐厅或大厅)可指示当行人正沿路径移动时,行人将朝向路径的目标移动的可能性。点可位于路径的终点或位于路径上。移动设备可基于路径的目标类型来确定移动设备从初始位置在该方向上移动的可能性。例如,与点的目标类型为办公室的情况相比,如果位于路径中间的点的目标类型为自助餐厅、大厅或会议室,则移动设备可确定行人更可能进入自助餐厅或大厅。
移动设备可确定候选位置是否耗尽。移动设备可确定一个或多个候选位置的计数满足耗尽阈值。根据此类确定,移动设备可在地点中的随机位置处生成候选位置用于位置确定。
移动设备可接收位置观察(1408)。位置观察可包括移动设备在地点空间中的估计位置。当移动设备位于地点处时,可基于移动设备的一个或多个传感器的读数和描述由一个或多个传感器可测量的信号的属性的位置指纹数据来确定估计位置。
移动设备可使用位置观察来过滤候选位置(1410),包括基于候选位置、观察和概率模型来确定移动设备的可能位置。
移动设备可将一些候选位置映射到位于或更接近对应路段的更新的候选位置(1412)。
移动设备可确定移动设备的可能位置(1414),包括基于更新的候选位置来确定概率密度。移动设备可将可能位置作为移动设备的当前位置提供用于输出。移动设备可将当前位置指定为初始位置用以估计移动设备的下一当前位置。将可能位置提供用于输出可包括将可能位置显示为在移动设备的屏幕上显示的地点地图上的插针。
图16为状态空间模型诸如粒子滤波器进行路径匹配的示例性程序1420的流程图。可由移动设备(例如,图4的移动设备106)来执行示例性程序1420。
移动设备可使用先前候选位置、位置观察和概率模型来确定候选位置(1422)。
对于每个候选位置,移动设备可识别对候选位置可见的路径路段和可见路段之间的最靠近候选位置的路段(1424)。
移动设备可确定候选位置和路段之间的正交距离是否小于阈值(1426)。
如果候选位置和路段之间的正交距离小于阈值,则将候选位置映射到位于路段上的更新的候选位置(1428)。
如果候选位置和路段之间的正交距离等于或大于阈值,则移动设备可计算根据概率密度函数所计算的权值(1430)。将候选位置映射到更靠近路段但不位于其上的更新的候选位置(1432)。根据权值来确定从候选位置朝向路段的偏移量。
移动设备可传送更新的候选位置(1434)。将更新的位置用作现有技术候选位置用以确定下一迭代中的当前候选位置。
图17为用于估计移动设备在具有路径的地点中的位置的示例性程序1440的流程图,其中这些路径通过包括由交叉点连接的路段的路径网络来表示。可由移动设备(例如,图4的移动设备106)来执行示例性程序1440。
程序1440包括确定移动设备的第一组候选位置(1442)。
基于候选位置和路径网络中的一个或多个路段之间的距离将候选位置中的一些候选位置映射到位于或更靠近相应路段的更新的候选位置,从而产生移动设备的第二组候选位置(1444)。
从第二组候选位置得到移动设备的位置(1446)。
图18为用于估计移动设备在地点中的位置的示例性程序1450的流程图,该地点包括能够由携带移动设备的可移动主体进入的空间和可移动主体移动的一个或多个约束。可由移动设备(例如,图4的移动设备106)来执行示例性程序1450。
示例性程序1450可包括识别表示地点中的路径的路径网络,路径网络包括由交叉点连接的路段(1452)。
对移动设备的估计位置进行确定(1454)。
考虑到由路径网络中路段施加的约束,更新估计位置以得到更新的估计位置(1456)。
考虑到来自感测环境变量的传感器的传感器读数和可移动主体移动的一个或多个约束而并不限于路径网络中的路段,使用状态空间模型来传送移动设备的更新的估计位置以生成所传送的估计位置(1458)。
基于所传送的估计位置来确定移动设备的更新的估计位置(1460)。
示例性系统架构
图19为用于显示移动设备在地点中所处位置的示例性用户界面。移动设备可为参考图4所描述的移动设备106。
用户界面可包括地点(例如,建筑物)的地图1502。地图1502可包括壁、空间、房间和特定楼层的房间指定。移动设备可估计移动设备的当前位置,并且提供当前位置作为移动设备的显示设备上的地图1502中的位置标识器1504用以显示。移动设备可基于移动设备的当前位置估计的高度方面来确定显示哪一楼层。估计位置可包括不确定区域。不确定区域可包括围绕估计当前位置的区域,其中移动设备的概率密度位于区域中超过阈值的位置处。不确定区域可被显示为围绕位置标识器1504的不确定区域面积1506。在地点204中的移动约束和行人的运动速度使位置不可能实现的情况下,不确定区域和不确定区域面积1506无需为完全圆形的面积。
用户界面可包括搜索框1508。搜索框1508可被配置为接收搜索项的输入。在通过搜索框1508接收到搜索项时,移动设备可搜索与地图1502相关联的数据并确定搜索项是否与地点的一部分匹配。如果发现匹配,则移动设备可突出显示或以其他方式标记该部分。例如,当移动设备接收到搜索项“厨房”并且地点的一部分被指定为“厨房”时,移动设备可突出显示地图1502上的厨房部分。在一些具体实施中,移动设备可将发现部分(例如,“厨房”)指定为目标。移动设备可确定从当前位置通往目标的路径1510,并将路径1510显示在地图1502上。
示例性系统架构
图20为用于实现图1-19中特征和操作的示例性系统架构的框图。其他架构是可能的,其包括具有更多或更少部件的架构。在一些具体实施中,架构1600包括一个或多个处理器1602(例如,双核处理器)、一个或多个输出设备1604(例如,LCD)、一个或多个网络接口1606、一个或多个输入设备1608(例如,鼠标、键盘、触敏显示器)以及一个或多个计算机可读介质1612(例如,RAM、ROM、SDRAM、硬盘、光盘、闪存存储器等)。这些部件可以经由一个或多个通信信道1610(例如,总线)来交换通信和数据,该通信信道1610可利用各种硬件和软件来促进部件之间的数据和控制信号的传输。
术语“计算机可读介质”是指参与将指令提供给处理器1602以用于执行的介质,非限制性地包括非易失性介质(例如,光盘或磁盘)、易失性介质(例如,存储器)和传输介质。传输介质非限制地包括同轴电缆、铜线和光纤。
计算机可读介质1612还可包括操作系统1614(例如,操作系统)、网络通信模块1616、勘测管理器1620、指纹管理器1630和指纹分配器1640。操作系统1614可以是多用户的、多处理的、多任务的、多线程的、实时的等等。操作系统1614执行基本任务,包括但不限于:识别来自设备1606、1608的输入并将输出提供到设备1606、1608;跟踪和管理计算机可读介质1612(例如存储器或存储设备)上的文件和目录;控制外围设备;以及管理该一个或多个通信信道1610上的通信。网络通信模块1616包括用于建立和维持网络连接的各种部件(例如用于实现诸如TCP/IP、HTTP等之类的通信协议的软件)。
勘测管理器1620可包括计算机指令,这些计算机指令在被执行时使得处理器1602将勘测指令和地图提供给采样设备并且从采样设备中接收勘测数据。指纹管理器1630可包括计算机指令,这些计算机指令在被执行时使得处理器1602执行如上参考图4所描述的信号估计器110和指纹引擎108的操作。指纹分配器1640可包括计算机指令,这些计算机指令在被执行时使得处理器1602响应来自移动设备(例如,图4的移动设备106)的指纹请求,包括向请求移动设备发送位置指纹数据。
架构1600可在并行处理或对等基础结构中实现或者在具有一个或多个处理器的单个设备上实现。软件可包括多个软件部件或者可以是单个代码主体。
所描述的特征可有利地在能够在可编程系统上执行的一个或多个计算机程序中实现,该可编程系统包括至少一个输入设备、至少一个输出设备以及被耦接以从数据存储系统接收数据和指令并且将数据和指令发送到数据存储系统的至少一个可编程处理器。计算机程序是在计算机中可以直接或间接使用以执行某种活动或者产生某种结果的指令集。计算机程序能够以包括编译或解释语言在内的任何形式的编程语言(例如Objective-C、Java)来编写,并且其能够以任何形式部署,包括作为独立程序或者作为模块、部件、子例程、基于浏览器的web应用、或适于在计算环境中使用的其它单元。
例如,用于执行指令的程序的合适处理器包括通用微处理器和专用微处理器两者、以及任何类型的计算机的多个处理器或内核中的一者或者唯一的处理器。一般来讲,处理器将从只读存储器或随机存取存储器或这两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储器。一般来讲,计算机还将包括用于存储数据文件的一个或多个海量存储设备,或者计算机操作地耦接以与用于存储数据文件的一个或多个海量存储设备通信;此类设备包括磁盘诸如内部硬盘和可移动磁盘;磁光盘;和光盘。适于明确具体化计算机程序指令和数据的存储设备包括所有形式的非易失性存储器,例如包括半导体存储器设备诸如EPROM、EEPROM、和闪存存储器设备;磁盘,诸如内部硬盘和可移动磁盘;磁光盘;以及CD-ROM和DVD-ROM盘。处理器和存储器可由ASIC(专用集成电路)补充,或者被并入ASIC中。
为了提供与用户的交互,可在具有显示设备诸如阴极射线管(CRT)或液晶显示(LCD)监视器或视网膜显示设备的计算机上实现特征以将信息显示给用户。计算机可具有触摸表面输入设备(例如,触摸屏)或键盘和用户可用来将输入提供给计算机的指向设备诸如鼠标或轨迹球。计算机可具有用于接收来自用户的语音命令的语音输入设备。
这些特征可在计算机系统中实现,该计算机系统包括后端部件诸如数据服务器,或者该计算机系统包括中间件部件诸如应用服务器或互联网服务器,或者该计算机系统包括前端部件诸如具有图形用户界面或互联网浏览器的客户端计算机或者它们的任意组合。系统的部件可通过任何形式的数字数据通信(诸如通信网络)或该数字数据通信的介质被连接。通信网络的例子包括例如LAN、WAN、以及形成互联网的计算机和网络。
计算系统可包括客户端和服务器。客户端和服务器一般是相互远离的,并且通常通过通信网络进行交互。客户端和服务器的关系借助于在相应计算机上运行并且彼此具有客户端-服务器关系的计算机程序而产生。在某些具体实施中,服务器将数据(例如HTML页面)传输到客户端设备(例如为了向与该客户端设备交互的用户显示数据以及从与该客户端设备交互的用户接收用户输入)。在服务器处可以从客户端设备接收客户端设备处生成的数据(例如用户交互的结果)。
一个或多个计算机的系统可被配置为凭借具有安装在系统上的在操作中使得系统执行特定动作的软件、固件、硬件或它们的组合来执行所述动作。一个或多个计算机程序可被配置为凭借包括当由数据处理装置执行时使得该装置执行特定动作的指令来执行所述动作。
虽然本说明书包含许多特定的实施细节,但是这些特定的实施细节不应被理解为是对任何发明或可能要求保护的内容的范围的限制,而应被理解为对特定于特定发明的特定实施例的特征的描述。在独立实施例的上下文中的本说明书中描述的某些特征也可在单个实施例中的组合中被实现。相反地,在单个实施例的上下文中描述的各种特征也可单独地或者以任何合适的子组合的形式在多个实施例中实现。此外,虽然某些特征可能在上面被描述为以某些组合来起作用并且甚至最初也这样地来要求保护,但是要求保护的组合的一个或多个特征在某些情况下可从该组合中去除,并且要求保护的组合可涉及子组合或子组合的变型。
类似地,虽然操作在附图中以特定次序示出,但不应将这种情况理解为需要以相继次序或所示的特定次来执行此类操作,或者需要执行所有所示的操作以实现期望的结果。在某些情况中,多任务和并行处理可能是有利的。此外,上述实施例中各个系统部件的划分不应被理解为在所有实施例中都要求此类划分,并且应当理解,所述程序部件和系统可一般性地一起整合在单个软件产品中或者封装到多个软件产品中。
因此,已经描述了主题的特定实施例。其他实施例也在以下权利要求书的范围内。在某些情况下,权利要求书中所述的动作能够以不同的次序执行,并且仍能实现期望的结果。此外,附图中所示的过程未必要求所示的特定次序或者先后次序来实现期望的结果。在某些具体实施中,多任务和并行处理可能是有利的。
示例性移动设备架构
图21为图1-19的移动设备的示例性架构1700的框图。移动设备(例如,移动设备106)可包括存储器接口1702、一个或多个数据处理器、图像处理器和/或处理器1704和外围设备接口1706。存储器接口1702、一个或多个处理器1704和/或外围设备接口1706可为独立部件,或者可集成到一个或多个集成电路中。处理器1704可包括应用处理器、基带处理器和无线处理器。移动设备106中的各种部件例如可由一条或多条通信总线或信号线联接。
可将传感器、设备和子系统耦接到外围设备接口1706以方便多个功能。例如,可将运动传感器1710、光传感器1712以及接近传感器1714耦接到外围设备接口1706以方便移动设备的取向、照明和接近功能。可将位置处理器1715(如GPS接收器)连接到外围设备接口1706以提供地理定位。也可将电子磁强计1716(如集成电路芯片)连接到外围设备接口1706以提供可用于确定磁北方向的数据。因而,电子磁强计1716可用作电子罗盘。运动传感器1710能够包括被配置成确定移动设备运动速度和方向变化的一个或多个加速度计。气压计1717能够包括连接到外围设备接口1706并被配置成测量围绕移动设备的大气压力的一个或多个设备。
可利用相机子系统1720和光学传感器1722(如电荷耦合设备(CCD)或互补金属氧化物半导体(CMOS)光学传感器)来方便相机功能,例如拍摄照片和视频剪辑。
可通过一个或多个无线通信子系统1724来方便通信功能,所述无线通信子系统可包括射频接收器与发射器和/或光学(如红外)接收器与发射器。通信子系统1724的具体设计与实现可取决于移动设备打算通过其操作的一个或多个通信网络。例如,移动设备可包括设计用于通过GSM网络、GPRS网络、EDGE网络、Wi-FiTM或WiMaxTM网络以及BluetoothTM网络操作的通信子系统1724。具体地讲,无线通信子系统1724可包括主机协议使得移动设备可被配置为其他无线设备的基站。
可将音频子系统1726耦接到扬声器1728和麦克风1730以方便启用语音的功能,例如语音识别、语音复制、数字记录和电话功能。音频子系统1726可被配置为从用户接收语音命令。
I/O子系统1740可包括触摸屏控制器1742和/或一个或多个其他输入控制器1744。触摸屏控制器1742可耦接触摸屏1746或触控板。触摸屏1746和触摸屏控制器1742例如能够利用多种触敏技术中的任一个以及用于确定与触摸屏1746接触的一个或多个点的其他接近传感器阵列或其他元件来检测接触和运动或其中断,触敏技术包括但不限于电容性、电阻性、红外和表面声波技术。
可将一个或多个其他输入控制器1744耦接到其他输入/控制设备1748,例如一个或多个按钮、摇臂开关、拇指滚轮、红外线端口、USB端口和/或指针设备(如触针)。所述一个或多个按钮(未示出)可包括用于扬声器1728和/或麦克风1730的音量控制的增大/减小按钮。
在一个具体实施中,将按钮按下第一持续时间可解开触摸屏1746的锁定;并且将按钮按下第二持续时间可打开或关闭移动设备106的电源,所述第二持续时间长于所述第一持续时间。用户能够对一个或多个按钮的功能进行自定义。例如,也可使用触摸屏1746来实现虚拟或软按钮和/或键盘。
在一些具体实施中,移动设备106可显示记录的音频和/或视频文件,例如MP3、AAC和MPEG文件。在一些具体实施中,移动设备106可包括MP3播放器的功能。因此,移动设备106可以包括与iPod兼容的插针连接器。也可使用其他输入/输出以及控制设备。
存储器接口1702可以耦接到存储器1750。存储器1750可包括高速随机存取存储器和/或非易失性存储器,例如一个或多个磁盘存储设备、一个或多个光学存储设备,和/或闪存存储器(如NAND、NOR)。存储器1750可存储操作系统1752,例如Darwin、RTXC、LINUX、UNIX、OS X、WINDOWS或嵌入式操作系统(例如VxWorks)。操作系统1752可包括用于处理基础系统服务以及用于执行硬件相关任务的指令。在一些具体实施中,操作系统1752可以包括内核(如UNIX内核)。
存储器1750还可存储通信指令1754,以方便与一个或多个附加设备、一个或多个计算机和/或一个或多个服务器通信。存储器1750可以包括图形用户界面指令1756,以方便图形用户界面处理;传感器处理指令1758,以方便与传感器相关的处理和功能;电话指令1760,以方便与电话相关的过程和功能;电子消息处理指令1762,以方便与电子消息相关的过程和功能;网络浏览指令1764,以方便与网络浏览相关的过程和功能;媒体处理指令1766,以方便与媒体处理相关的过程和功能;GPS/导航指令1768,以方便与GPS和导航相关的过程和指令;相机指令1770,以方便与相机相关的过程和功能;磁强计数据1772和校准指令1774,以方便磁强计校准。存储器1750还可存储其他软件指令(未示出),例如安全指令、用于方便与网络视频相关的过程和功能的网络视频指令,和/或用于方便与网上购物相关的过程和功能的网上购物指令。在一些具体实施中,媒体处理指令1766分为音频处理指令和视频处理指令,分别用于方便与音频处理相关的过程和功能以及与视频处理相关的过程和功能。还可将启动记录和国际移动设备身份(IMEI)或类似硬件标识符存储在存储器1750中。存储器1750可包括地点位置指令1776,该地点位置指令可用于在移动设备位于地点处,例如位于GPS信号不可用的建筑物之内时,请求位置指纹数据并确定移动设备的位置。
上面所识别的指令和应用程序中的每一者均可与用于执行上述一种或多种功能的指令集相对应。这些指令不需要作为独立的软件程序、进程或模块来实施。存储器1750可包括附加的指令或更少的指令。此外,可在硬件和/或软件中,包括在一个或多个信号处理和/或专用集成电路中,执行移动设备的各种功能。
示例性操作环境
图22为图1-19的移动设备的示例性网络操作环境1800的框图。移动设备1802a和1802b例如可在数据通信中通过一个或多个有线和/或无线网络1810通信。例如,无线网络1812(如蜂窝网络)可通过利用网关1816与广域网(WAN)1814(如互联网)通信。同样,接入设备1818(如802.11g无线接入点)可提供对广域网1814的通信接入。
在一些具体实施中,可以通过无线网络1812和接入设备1818建立语音和数据通信。例如,移动设备1802a能够拨打和接收电话呼叫(如使用互联网协议语音技术(VoIP)),发送和接收电子邮件消息(如使用邮局协议3(POP3)),以及通过无线网络1812、网关1816和广域网1814检索电子文档和/或流,例如网页、照片和视频(如使用传输控制协议/互联网协议(TCP/IP)或用户数据报协议(UDP))。同样,在一些具体实施中,移动设备1802b可通过接入设备1818及广域网1814来拨打和接收电话呼叫、发送和接收电子邮件消息以及检索电子文档。在一些具体实施中,移动设备1802a或1802b可使用一条或多条电缆物理地连接到接入设备1818,并且接入设备1818可为个人计算机。在此配置中,移动设备1802a或1802b可被称为“受限”设备。
移动设备1802a和1802b也可以通过其他方式建立通信。例如,无线设备1802a可经由无线网络1812与其他无线设备(例如其他移动设备、移动电话等)进行通信。同样,移动设备1802a和1802b可通过使用一个或多个通信子系统(如BluetoothTM通信设备)建立对等通信1820,例如个人局域网。也可实现其他通信协议和拓扑结构。
移动设备1802a或1802b例如可通过一个或多个有线和/或无线网络与一个或多个服务1830和1840通信。例如,一个或多个定位服务1830可进行地点勘测,生成针对每个地点的位置指纹数据,并且将位置指纹数据提供给移动设备1802a或1802b。地图服务1840例如可将地点的地图(例如建筑物结构的地图)提供给移动设备1802a或1802b。
移动设备1802a或1802b还可通过一个或多个有线和/或无线网络访问其他数据和内容。例如,移动设备1802a或1802b可访问内容发布对象,诸如新闻站点、真正简单的聚合(RSS)供稿、网站、博客、社交网站、开发者网络等等。通过响应于用户触摸(如网络对象)而对网络浏览功能或应用程序(如浏览器)的调用,可提供这种访问。
已描述了本发明的多个具体实施。然而,应当理解,在不脱离本发明的实质和范围的情况下可作出各种修改。例如,概率密度函数可不同于公式1所表示的函数。阈值可不同于上述的阈值。粒子滤波器引擎118(图4)可被替换为使用状态空间模型的其他类型的位置估计器。传感器114可感测除上述环境变量之外的环境变量。与路段相关联的概率分布函数可随时间变化。例如,可将拉伸参数dq和标准偏差δ的不同值分配给针对一天不同时间的路段,其表示一天不同时间的不同步行模式。交通枢纽(例如,火车站或机场)中的步行模式对早晚高峰时间来说可能不同,并且对工作日和周末来说也可能不同。例如,在工作日期间,行人可能更集中于行进至特定位置从而较接近地遵循路径。在周末,行人可更悠闲地行走并更多地四处游逛。路径网络的拓扑可根据日期和时间而变化。在路径上的移动方向也可根据日期和时间而变化。
执行路径匹配来改善位置估计并不限于行人能够携带的移动设备。其他类型的机器也可执行路径匹配以将路径信息用于提高位置估计的准确性。例如,机器人可执行路径匹配以在其围绕具有路径的地点移动时协助位置估计。
Claims (15)
1.一种移动设备,包括:
传感器,所述传感器用于感测环境变量;
存储装置,所述存储装置被配置为存储与地点相关联的地图数据,所述地点包括能够由可移动主体进入的空间和所述可移动主体移动的一个或多个约束,所述地图数据包括关于表示所述地点中的路径的路径网络的信息,所述路径网络包括由交叉点连接的路段;和
处理器,所述处理器被配置为:
确定所述移动设备的第一组候选位置,
基于所述候选位置和所述路径网络中的一个或多个路段之间的距离,将所述候选位置中的一些候选位置映射到位于或更靠近相应路段的更新的候选位置,从而产生所述移动设备的第二组候选位置,其中为了将所述候选位置中的一些候选位置映射到更新的候选位置,所述处理器:
基于(i)用于模拟当所述移动设备被估计为位于与某路段相距给定距离时,该移动设备实际上位于该路段上的可能性的概率分布函数,以及(ii)所述第一组候选位置和对应的一个或多个路段之间的距离来确定权值,以及
基于所述权值来确定所述更新的候选位置的定位,
从所述传感器接收传感器读数,
基于所述传感器读数和地图数据来传送所述第二组候选位置,从而产生第三组候选位置,以及
基于所述第三组候选位置来估计所述移动设备的所述位置。
2.根据权利要求1所述的移动设备,其中所述地图数据包括关于所述移动设备在所述地点中移动的约束的信息,并且所述第二组候选位置的所述传送考虑到所述移动设备在所述地点中移动的所述约束。
3.根据权利要求2所述的移动设备,其中所述移动设备移动的所述约束包括所述地点中的可能阻碍携带所述移动设备的行人的壁或障碍物。
4.根据权利要求1所述的移动设备,其中为了传送所述第二组候选位置,所述处理器在给定上一时间点处的所述第二组候选位置的情况下使用状态空间估计器来探测下一时间点处的可能候选位置。
5.根据权利要求4所述的移动设备,其中在探测所述下一时间点处的所述可能候选位置时,所述状态空间估计器考虑到所述路段的方向。
6.根据权利要求1所述的移动设备,其中在所述第二组候选位置被传送以得到所述第三组候选位置时,所述第三组候选位置限于所述路径网络的至少一部分路径网络。
7.根据权利要求1所述的移动设备,其中,为了将所述候选位置中的一些候选位置映射到更新的候选位置,所述处理器:
对于所述候选位置中的所述一些候选位置中的每个候选位置,识别在所述路径网络的所述路段中与所述候选位置具有最短的正交距离的路段,并且
对于所述候选位置中的所述一些候选位置中的每个候选位置,将所述候选位置映射到位于或更靠近所述路段的对应的更新的候选位置。
8.根据权利要求1所述的移动设备,其中所述路径表示携带所述移动设备的行人可能行进的所述地点中的线路。
9.根据权利要求1所述的移动设备,其中如果所述候选位置和所述路径网络中的所述一个或多个路段之间的所述距离大于阈值,则将所述候选位置中的一些候选位置映射到更靠近所述路径网络中的所述一个或多个路段但不位于其上的更新的位置。
10.根据权利要求1所述的移动设备,其中当路段表示走廊中的路径时,与所述路段相关联的所述概率分布函数取决于所述走廊的宽度。
11.根据权利要求1所述的移动设备,其中与所述路段相关联的所述概率分布函数取决于所述路段附近的路径的密度。
12.一种移动装置,包括:
传感器,所述传感器用于感测环境变量;
存储装置,所述存储装置被配置为存储与地点相关联的地图数据,所述地点包括能够由承载所述装置的可移动主体进入的空间和所述可移动主体移动的一个或多个约束,所述地图数据包括关于表示所述地点中的路径的路径网络的信息,所述路径网络包括由交叉点连接的路段;和
处理器,所述处理器被配置为:
确定所述装置的第一估计位置;
如果所述第一估计位置不在所述路径网络上,则识别所述路径网络中的第一路段并且基于所述第一估计位置和所述第一路段之间的距离将所述第一估计位置映射到位于或更靠近所述第一路段的第二估计位置,其中为了将第一估计位置映射到第二估计位置,所述处理器被配置为:
基于(i)用于模拟当所述移动装置被估计为位于与某路段相距给定距离时,该移动设备实际上位于该路段上的可能性的概率分布函数,以及(ii)第一估计位置和第一路段之间的距离,来确定权值,以及
基于所述权值来确定第二估计位置的定位;以及
基于所述第二估计位置和来自所述传感器的传感器读数来确定所述装置的当前位置。
13.根据权利要求12所述的移动装置,其中当所述第一估计位置和所述第一路段之间的所述距离小于阈值时,将所述第一估计位置映射到第二估计位置包括将所述第一估计位置映射到位于所述第一路段上的第二估计位置。
14.根据权利要求12所述的移动装置,其中当所述第一估计位置和所述第一路段之间的所述距离大于阈值时,将所述第一估计位置映射到第二估计位置包括将所述第一估计位置映射到更靠近所述第一路段但不位于其上的第二估计位置。
15.根据权利要求12所述的移动装置,其中所述处理器被配置为
确定在所述第一估计位置和所述第一路段之间是否存在所述可移动主体移动的任何约束,并且
只有所述第一估计位置和所述第一路段之间不存在所述可移动主体移动的约束,才将所述第一估计位置映射到所述第二估计位置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US13/683,474 US9226111B2 (en) | 2012-11-21 | 2012-11-21 | Pathway matching |
US13/683,474 | 2012-11-21 | ||
PCT/US2013/070735 WO2014081699A1 (en) | 2012-11-21 | 2013-11-19 | Pathway matching |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104781686A CN104781686A (zh) | 2015-07-15 |
CN104781686B true CN104781686B (zh) | 2017-03-22 |
Family
ID=49759551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201380059671.9A Active CN104781686B (zh) | 2012-11-21 | 2013-11-19 | 路径匹配 |
Country Status (5)
Country | Link |
---|---|
US (2) | US9226111B2 (zh) |
EP (1) | EP2923218A1 (zh) |
CN (1) | CN104781686B (zh) |
AU (1) | AU2013348177B2 (zh) |
WO (1) | WO2014081699A1 (zh) |
Families Citing this family (67)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9395190B1 (en) | 2007-05-31 | 2016-07-19 | Trx Systems, Inc. | Crowd sourced mapping with robust structural features |
US8849312B2 (en) | 2012-04-10 | 2014-09-30 | Yellowpages.Com Llc | User description based on contexts of location and time |
US9049546B2 (en) | 2012-04-10 | 2015-06-02 | Yellowpages.Com Llc | User description based on a context of travel |
US9798011B2 (en) * | 2012-08-31 | 2017-10-24 | Apple Inc. | Fast GPS recovery using map vector data |
US9226111B2 (en) | 2012-11-21 | 2015-12-29 | Apple Inc. | Pathway matching |
KR102044354B1 (ko) * | 2012-12-20 | 2019-11-13 | 삼성전자주식회사 | 데이터베이스 구축을 위한 자기장 맵을 생성하는 방법 및 장치 |
US11268818B2 (en) | 2013-03-14 | 2022-03-08 | Trx Systems, Inc. | Crowd sourced mapping with robust structural features |
US11156464B2 (en) | 2013-03-14 | 2021-10-26 | Trx Systems, Inc. | Crowd sourced mapping with robust structural features |
US20140278838A1 (en) * | 2013-03-14 | 2014-09-18 | Uber Technologies, Inc. | Determining an amount for a toll based on location data points provided by a computing device |
US10359290B2 (en) * | 2013-03-22 | 2019-07-23 | Here Global B.V. | Method and apparatus for two dimensional edge-based map matching |
CN104125021B (zh) * | 2013-04-28 | 2016-12-28 | 华为技术有限公司 | 一种识别移动终端的运动状态的方法及移动终端 |
US20150006256A1 (en) * | 2013-06-28 | 2015-01-01 | Josephine Denise Kressner | Method for fusing marketing data and cellular data for transportation planning and engineering |
US9648458B2 (en) * | 2013-07-03 | 2017-05-09 | Qualcomm Incorporated | Systems and methods for labeling crowd sourced data |
US9326103B2 (en) * | 2013-07-12 | 2016-04-26 | Microsoft Technology Licensing, Llc | Indoor location-finding using magnetic field anomalies |
US9544736B2 (en) * | 2013-07-31 | 2017-01-10 | Intel Corporation | Techniques for improving location accuracy for virtual maps |
JP2015045573A (ja) * | 2013-08-28 | 2015-03-12 | 富士通株式会社 | 携帯型情報処理装置、情報処理方法及び情報処理プログラム |
US10132915B2 (en) * | 2013-09-06 | 2018-11-20 | Invensense, Inc. | System and method for integrated navigation with wireless dynamic online models |
US9760756B2 (en) * | 2013-12-05 | 2017-09-12 | Aro, Inc. | Venue identification using sensor fingerprints |
WO2015094360A1 (en) * | 2013-12-20 | 2015-06-25 | Intel Corporation | Wi-fi scan scheduling and power adaptation for low-power indoor location |
US10126404B2 (en) * | 2014-04-08 | 2018-11-13 | Microsoft Technology Licensing, Llc | Receiver gain offset |
JP6364922B2 (ja) * | 2014-04-23 | 2018-08-01 | 富士通株式会社 | 統合先経路抽出方法、経路グラフ作成方法、装置、及びプログラム |
US9510154B2 (en) | 2014-04-28 | 2016-11-29 | Samsung Electronics Co., Ltd | Location determination, mapping, and data management through crowdsourcing |
US11500056B2 (en) * | 2015-07-17 | 2022-11-15 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking with graph-based particle filtering |
US20160069991A1 (en) * | 2014-09-05 | 2016-03-10 | Qualcomm Incorporated | Apparatus and method for beacon processing |
WO2016063730A1 (ja) * | 2014-10-21 | 2016-04-28 | ソニー株式会社 | 送信装置及び送信方法、受信装置及び受信方法、並びに、プログラム |
US9759561B2 (en) * | 2015-01-06 | 2017-09-12 | Trx Systems, Inc. | Heading constraints in a particle filter |
US20160227367A1 (en) * | 2015-02-04 | 2016-08-04 | Sensewhere Limited | Method of providing positioning data to mobile device |
US9911326B2 (en) * | 2015-03-31 | 2018-03-06 | Here Global B.V. | Method and apparatus for detecting pedestrian mode from probe data |
GB2539011A (en) * | 2015-06-03 | 2016-12-07 | Sensor Labs Ltd | A Proximity beacon |
US20180180706A1 (en) * | 2015-06-26 | 2018-06-28 | Ent. Services Development Corporation Lp | Mobile device locator |
CN105004340B (zh) * | 2015-07-14 | 2018-02-13 | 沈向东 | 结合惯性导航技术和指纹定位技术的定位误差修正方法 |
KR101751731B1 (ko) * | 2015-08-10 | 2017-06-29 | 숭실대학교산학협력단 | 위치 추적 시스템 및 방법 |
US9743253B2 (en) * | 2015-08-27 | 2017-08-22 | Glopos Fzc | Method and arrangement for locating a mobile device |
WO2017042672A1 (en) * | 2015-09-10 | 2017-03-16 | Oriient New Media Ltd. | Navigate, track, and position mobile devices in gps-denied or gps-inaccurate areas with automatic map generation |
US10077984B2 (en) * | 2015-09-25 | 2018-09-18 | International Business Machines Corporation | Indoor positioning system training |
US10228448B2 (en) * | 2015-10-29 | 2019-03-12 | Massachusettts Institute of Technology | Variable resource allocation for localization |
US9706366B2 (en) * | 2015-11-06 | 2017-07-11 | International Business Machines Corporation | WiFi-fingerprint based indoor localization map |
US10415978B2 (en) | 2015-11-20 | 2019-09-17 | Samsung Electronics Co., Ltd. | Landmark location determination |
CN105547304A (zh) * | 2015-12-07 | 2016-05-04 | 北京百度网讯科技有限公司 | 一种道路识别方法及装置 |
EP3228689B1 (en) * | 2016-04-08 | 2019-05-22 | The Procter & Gamble Company | Hard surface cleaners comprising a copolymer |
CN105912683B (zh) * | 2016-04-15 | 2019-05-07 | 深圳大学 | 一种基于时间顺序的轨迹匹配方法 |
GB2551196B (en) | 2016-06-10 | 2021-01-20 | Here Global Bv | Improving location estimates |
GB2551195A (en) | 2016-06-10 | 2017-12-13 | Here Global Bv | Enabling improved user experience with location estimates |
GB2551347B (en) * | 2016-06-13 | 2020-04-15 | Toshiba Kk | Indoor localisation using received signal quality weights |
GB201613105D0 (en) * | 2016-07-29 | 2016-09-14 | Tomtom Navigation Bv | Methods and systems for map matching |
CN106441316B (zh) * | 2016-09-08 | 2020-09-01 | 复旦大学 | 一种基于历史数据的单点路网匹配方法 |
US10429190B2 (en) * | 2016-11-08 | 2019-10-01 | Ford Global Technologies, Llc | Vehicle localization based on wireless local area network nodes |
US10177845B2 (en) * | 2016-11-16 | 2019-01-08 | Adobe Systems Incorporated | Location tracking using short-range infrared transmission |
EP3339807B1 (en) * | 2016-12-20 | 2024-03-13 | HERE Global B.V. | An apparatus and associated methods for determining the location of a vehicle |
CN106604228B (zh) * | 2016-12-23 | 2019-06-28 | 大连理工大学 | 一种基于lte信令数据的指纹定位方法 |
DE102017208174A1 (de) * | 2017-05-15 | 2018-11-15 | Siemens Schweiz Ag | Verfahren und Anordnung zur Berechnung von Navigationspfaden für Objekte in Gebäuden oder auf einem Campus |
US10791425B2 (en) * | 2017-10-04 | 2020-09-29 | Enlighted, Inc. | Mobile tag sensing and location estimation |
US10145689B1 (en) * | 2018-03-02 | 2018-12-04 | Mapsted Corp. | Method and system of pedestrian localization |
US10249116B1 (en) * | 2018-03-12 | 2019-04-02 | Mapsted Corp. | Method and system for mobile device localization-based access |
US10165543B1 (en) * | 2018-08-13 | 2018-12-25 | Mapsted Corp. | Method and system for mobile device localization in extreme ambient conditions |
GB2579414B (en) * | 2018-11-30 | 2021-11-17 | Thales Holdings Uk Plc | Method and apparatus for determining a position of a vehicle |
JP7442070B2 (ja) * | 2019-01-31 | 2024-03-04 | パナソニックIpマネジメント株式会社 | 清掃ルート決定装置及び清掃ルート決定方法 |
CN111721306B (zh) * | 2019-03-20 | 2022-07-05 | 北京嘀嘀无限科技发展有限公司 | 道路匹配方法、装置、电子设备及可读存储介质 |
US11179850B2 (en) | 2019-04-24 | 2021-11-23 | Intrinsic Innovation Llc | Robot motion planning |
JP6988859B2 (ja) * | 2019-06-07 | 2022-01-05 | トヨタ自動車株式会社 | 自己位置共有システム、車両及び端末 |
CN110554353B (zh) * | 2019-08-29 | 2021-12-31 | 华中科技大学 | 一种基于rfid系统中移动机器人绝对定位方法 |
CN110617825B (zh) * | 2019-09-29 | 2022-01-18 | 阿波罗智联(北京)科技有限公司 | 一种车辆定位方法、装置、电子设备和介质 |
US11525686B2 (en) * | 2019-09-30 | 2022-12-13 | Mapsted Corp. | Crowd sourced multi-stage mobile device fingerprint based navigation |
US10779135B1 (en) * | 2019-10-11 | 2020-09-15 | Verizon Patent And Licensing Inc. | Determining which floors that devices are located on in a structure |
EP3832262B1 (en) * | 2019-12-05 | 2022-09-14 | Aptiv Technologies Limited | Methods and systems for determining an initial ego-pose for initialization of self-localization |
US11526823B1 (en) | 2019-12-27 | 2022-12-13 | Intrinsic Innovation Llc | Scheduling resource-constrained actions |
US11592573B2 (en) * | 2020-09-15 | 2023-02-28 | Irobot Corporation | Particle filters and WiFi robot localization and mapping |
Family Cites Families (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7764231B1 (en) | 1996-09-09 | 2010-07-27 | Tracbeam Llc | Wireless location using multiple mobile station location techniques |
US7606687B2 (en) | 2004-09-14 | 2009-10-20 | Friendster, Inc. | Proximity search methods using tiles to represent geographical zones |
US7809500B2 (en) * | 2005-02-07 | 2010-10-05 | Microsoft Corporation | Resolving discrepancies between location information and route data on a navigation device |
US7761226B1 (en) | 2005-07-27 | 2010-07-20 | The United States Of America As Represented By The Secretary Of The Navy | Interactive pedestrian routing system |
US8494762B2 (en) | 2006-06-28 | 2013-07-23 | Georgia Tech Research Corporation | Sub room level indoor location system using wideband power line positioning |
US8392107B2 (en) | 2006-06-28 | 2013-03-05 | Georgia Tech Research Corporation | Sub-room-level indoor location system using power line positioning |
US7761233B2 (en) | 2006-06-30 | 2010-07-20 | International Business Machines Corporation | Apparatus and method for measuring the accurate position of moving objects in an indoor environment |
JP4686663B2 (ja) | 2006-07-10 | 2011-05-25 | 国立大学法人京都大学 | 歩行者トラッキング方法及び歩行者トラッキング装置 |
KR100848322B1 (ko) | 2006-12-08 | 2008-07-24 | 한국전자통신연구원 | 실내 무선 측위 장치 및 방법 |
US8135414B2 (en) | 2007-08-30 | 2012-03-13 | Cisco Technology, Inc. | Method and system for mobile trajectory based services |
US8046169B2 (en) * | 2008-01-03 | 2011-10-25 | Andrew, Llc | System and method for determining the geographic location of a device |
US8725327B2 (en) | 2008-04-22 | 2014-05-13 | Exelis Inc. | Navigation system and method of obtaining accurate navigational information in signal challenging environments |
US8892392B2 (en) | 2008-07-30 | 2014-11-18 | Nokia Corporation | State vector estimation using a constraint derived from a map |
US9217788B2 (en) | 2009-03-19 | 2015-12-22 | Cork Institute Of Technology | Location and tracking system |
US8626443B2 (en) | 2009-09-18 | 2014-01-07 | Deutsches Zentrum für Luft—und Raumfahrt e.V. | Method for creating a map relating to location-related data on the probability of future movement of a person |
US8825375B2 (en) * | 2009-09-29 | 2014-09-02 | Apple Inc. | Snap-to-road using wireless access point data |
US8290511B2 (en) | 2009-10-01 | 2012-10-16 | Qualcomm Incorporated | Venue application for mobile station position estimation |
US20110178705A1 (en) | 2010-01-15 | 2011-07-21 | Qualcomm Incorporated | Using Filtering With Mobile Device Positioning In A Constrained Environment |
US8645061B2 (en) * | 2010-06-16 | 2014-02-04 | Microsoft Corporation | Probabilistic map matching from a plurality of observational and contextual factors |
US8538389B1 (en) | 2010-07-02 | 2013-09-17 | Mlb Advanced Media, L.P. | Systems and methods for accessing content at an event |
CN103238344A (zh) | 2010-09-10 | 2013-08-07 | 维法尔公司 | 关于内容位置的射频指纹 |
US20120302263A1 (en) | 2010-11-29 | 2012-11-29 | Qualcomm Incorporated | Estimating access terminal location based on uplink signals |
US8498811B2 (en) | 2011-02-09 | 2013-07-30 | SenionLab AB | Method and device for indoor positioning |
US8810388B2 (en) | 2011-02-23 | 2014-08-19 | Peter G. Jacobs | Position tracking and mobility assessment system |
US9062978B2 (en) | 2011-05-31 | 2015-06-23 | Massachusetts Institute Of Technology | Tracking a body by nonlinear and non-Gaussian parametric filtering |
US8718932B1 (en) * | 2011-06-01 | 2014-05-06 | Google Inc. | Snapping GPS tracks to road segments |
WO2013055959A1 (en) | 2011-10-11 | 2013-04-18 | Qualcomm Incorporated | System and/or method for pedestrian navigation |
WO2013063146A1 (en) | 2011-10-24 | 2013-05-02 | Ripple Resort Media Inc. | Wireless tag communication applications for a venue |
US8838376B2 (en) | 2012-03-30 | 2014-09-16 | Qualcomm Incorporated | Mashup of AP location and map information for WiFi based indoor positioning |
CN102724751B (zh) * | 2012-06-04 | 2014-08-20 | 清华大学 | 一种基于非现场勘测的无线室内定位方法 |
US9578115B2 (en) | 2012-06-15 | 2017-02-21 | Qualcomm Incorporated | Indoor location server provision and discovery |
US9439041B2 (en) * | 2012-06-29 | 2016-09-06 | Lighthouse Signal Systems, Llc | Systems and methods for calibration based indoor geolocation |
CN102752855B (zh) * | 2012-08-01 | 2015-05-13 | 重庆大学 | 基于路径规则和预测的室内人员定位系统及方法 |
US9226111B2 (en) | 2012-11-21 | 2015-12-29 | Apple Inc. | Pathway matching |
US8849308B2 (en) | 2012-11-21 | 2014-09-30 | Apple Inc. | Tiling of map data |
US8996302B2 (en) | 2012-11-30 | 2015-03-31 | Apple Inc. | Reduction of the impact of hard limit constraints in state space models |
-
2012
- 2012-11-21 US US13/683,474 patent/US9226111B2/en active Active
-
2013
- 2013-11-19 EP EP13803338.6A patent/EP2923218A1/en not_active Withdrawn
- 2013-11-19 WO PCT/US2013/070735 patent/WO2014081699A1/en active Application Filing
- 2013-11-19 AU AU2013348177A patent/AU2013348177B2/en active Active
- 2013-11-19 CN CN201380059671.9A patent/CN104781686B/zh active Active
-
2015
- 2015-12-28 US US14/981,633 patent/US9998877B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
CN104781686A (zh) | 2015-07-15 |
AU2013348177B2 (en) | 2016-05-19 |
AU2013348177A1 (en) | 2015-06-04 |
US20140141796A1 (en) | 2014-05-22 |
US20160198308A1 (en) | 2016-07-07 |
US9226111B2 (en) | 2015-12-29 |
EP2923218A1 (en) | 2015-09-30 |
WO2014081699A1 (en) | 2014-05-30 |
US9998877B2 (en) | 2018-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104781686B (zh) | 路径匹配 | |
CN104813186B (zh) | 使用指纹数据进行位置确定 | |
CN104813185B (zh) | 使用状态空间估计器进行位置确定 | |
US8996302B2 (en) | Reduction of the impact of hard limit constraints in state space models | |
US10415978B2 (en) | Landmark location determination | |
US8977298B2 (en) | Location fingerprinting | |
CN107111641B (zh) | 用于更新定位数据的数据库的定位估计 | |
US8849308B2 (en) | Tiling of map data | |
KR101322778B1 (ko) | 미리 정의된 지역 내의 관심 지점들의 식별을 위한 방법 및 장치 | |
US9462423B1 (en) | Qualitative and quantitative sensor fusion for indoor navigation | |
AU2013360083A1 (en) | Location determination using fingerprint data | |
JP2015531053A (ja) | 無線マップを動的に作成するためのシステム、方法、及びコンピュータプログラム | |
CN106536320A (zh) | 对交通系统的连通性建模 | |
WO2015079260A1 (en) | Location finding apparatus and associated methods | |
He et al. | WiFi iLocate: WiFi based indoor localization for smartphone | |
US20150211845A1 (en) | Methods and Systems for Applying Weights to Information From Correlated Measurements for Likelihood Formulations Based on Time or Position Density | |
Hoang et al. | Server based indoor navigation using RSSI and inertial sensor information | |
Kessel et al. | Automated WLAN calibration with a backtracking particle filter | |
Ho-Sy et al. | A hybrid algorithm based on wifi for robust and effective indoor positioning | |
Shoushtari et al. | L5in+: From an analytical platform to optimization of deep inertial odometry |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |