CN105051646A - 用于功率高效的情境感知推断的自适应传感器取样 - Google Patents

用于功率高效的情境感知推断的自适应传感器取样 Download PDF

Info

Publication number
CN105051646A
CN105051646A CN201480010095.3A CN201480010095A CN105051646A CN 105051646 A CN105051646 A CN 105051646A CN 201480010095 A CN201480010095 A CN 201480010095A CN 105051646 A CN105051646 A CN 105051646A
Authority
CN
China
Prior art keywords
classification
sensor
data
confidence
data sample
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.)
Granted
Application number
CN201480010095.3A
Other languages
English (en)
Other versions
CN105051646B (zh
Inventor
里昂纳德·亨利·葛罗科普
尚卡尔·萨达希瓦姆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qualcomm Inc
Original Assignee
Qualcomm Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qualcomm Inc filed Critical Qualcomm Inc
Publication of CN105051646A publication Critical patent/CN105051646A/zh
Application granted granted Critical
Publication of CN105051646B publication Critical patent/CN105051646B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computer Hardware Design (AREA)
  • Computing Systems (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Environmental & Geological Engineering (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephone Function (AREA)
  • Power Sources (AREA)

Abstract

本发明揭示一种用以执行针对移动装置的情境推断的系统、设备、计算机可读存储媒体及方法。在一个实施例中，一种数据处理系统包含处理器及存储装置，所述存储装置可配置以存储用以执行针对所述数据处理系统的情境推断的指令。可以从至少第一传感器接收数据，及可以执行来自所述传感器的所述数据的第一分类。可以确定所述第一分类的置信度且可以基于确定所述置信度未能满足置信度阈值而启动第二传感器。可以联合来自第一传感器的所述数据对来自所述所启动第二传感器的数据样本分类进行分类。

Description

用于功率高效的情境感知推断的自适应传感器取样
技术领域
本文所揭示的标的物大体涉及功率管理技术及传感器启动调度。
背景技术
电子装置能够装备多种传感器和输入以监视及发现关于装置的环境的信息。例如，装置可以利用加速度计以测量装置移动的方面或麦克风以测量装置的附近的音频环境。
在装置上运行的程序或应用可以从传感器来处理数据以便提供增强的用户体验。装置能够基于传感器数据推断情境。然而，传感器数据可能有时为不明确的或误导性的，且当基于来自单个传感器的输出推断情境时可发生误报。然而，启动多个数据传感器可有损于功率效率的目标。
因此，新的和改良的传感器管理技术为合乎需要的。
发明内容
本文所揭示的实施例可以涉及一种用于执行针对移动装置的情境推断的方法。所述方法包含接收来自至少第一传感器的数据，执行来自至少第一传感器的数据的第一分类，且确定第一分类的置信度值。所述方法进一步包含基于确定第一分类的置信度值未能满足置信度阈值而启动第二传感器，且联合来自至少第一传感器的数据执行来自第二传感器的第二数据样本的第二分类。
本文所揭示的实施例还可以涉及一种机器可读非暂时性存储媒体，其具有执行针对移动装置的情境推断的指令。所述方法包含接收来自至少第一传感器的数据，执行来自至少第一传感器的数据的第一分类，且确定第一分类的置信度值。所述方法进一步包含基于确定第一分类的置信度值未能满足置信度阈值而启动第二传感器，且联合来自至少第一传感器的数据执行来自第二传感器的第二数据样本的第二分类。
本文所揭示的实施例还可以涉及一种设备，其包含用于接收来自至少第一传感器的数据的装置，用于执行来自至少第一传感器的数据的第一分类的装置，及用于确定第一分类的置信度值的装置。所述设备进一步包含用于基于确定第一分类的置信度值未能满足置信度阈值而启动第二传感器的装置，及用于联合来自至少第一传感器的数据执行来自第二传感器的第二数据样本的第二分类的装置。
本文所揭示的实施例可以进一步涉及一种包含处理器及存储装置的数据处理系统，所述存储装置可配置以存储用以执行针对数据处理系统的情境推断的指令。所述指令致使所述处理器接收来自至少第一传感器的数据，执行来自至少第一传感器的数据的第一分类，且确定第一分类的置信度值。所述指令进一步致使所述处理器基于确定第一分类的置信度值未能满足置信度阈值而启动第二传感器，且联合来自至少第一传感器的数据执行来自第二传感器的第二数据样本的第二分类。
其它特征及优点将从附图及从详细描述显而易见。
附图说明
图1为可在其中实践本发明的方面的系统的框图；
图2说明在一个实施例中的情境感知传感器管理器的流程图；
图3说明在一个实施例中的传感器数据分类的图；
图4说明在一个实施例中的当检测到指定分类过渡时传感器启动的流程图；及
图5说明在另一实施例中的情境感知传感器管理器的流程图。
具体实施方式
装置概述
图1为说明可在其中实践本发明的实施例的示范性数据处理系统的框图。所述系统可为装置100，其可包含一或多个处理器101、存储器105、I/O控制器125及网络接口110。装置100还可包含耦合到一或多个总线或信号线而进一步耦合到处理器101的若干装置传感器。应了解装置100还可包含显示器120、用户接口(例如，键盘、触摸屏或类似装置)、功率装置121(例如，电池)以及通常与电子装置相关联的其它组件。
在一些实施例中，装置100可为移动或非移动装置。网络接口110还可耦合到若干无线子系统115(例如，蓝牙、WiFi、蜂窝式或其它网络)以经由无线链路将数据流发射到无线网络/从无线网络接收数据流，或可为用于直接连接到网络(例如，因特网、以太网或其它无线系统)的有线接口。因此，装置100可为：移动装置、无线装置、手机、个人数字助理、移动计算机、平板计算机、个人计算机、膝上型计算机，或任何类型的具有处理能力的装置。
装置100可包含传感器，例如近程传感器130、环境光传感器(ALS)135、加速度计140、陀螺仪145、磁力计150、气压传感器155和/或全球定位传感器(GPS)160。在一些实施例中，麦克风165、相机170和/或无线子系统115用作传感器以分析装置100的环境。例如，麦克风165能够提供音频数据以用于确定装置100是否在移动的汽车内部或在安静的办公室中。每一传感器可在相同或不同的子系统上实施。当在不同及分离的子系统上实施时，每一传感器可具有专用电力使得每一传感器能够独立地通电或断电。独立的分离子系统传感器可仍然经由上文所描述的信号线或总线与彼此及装置100中的其它组件通信。
存储器105可耦合到处理器101以存储指令供处理器101执行。在一些实施例中，存储器105为非暂时性的。存储器105还可存储一或多个模型或模块以实施下文描述的实施例。存储器105还可存储来自集成或外部传感器的数据。另外，存储器105可存储下文更详细地描述的用于存取一或多个模块171(例如，内容感知传感器管理器模块)的应用程序接口(API)。存储器105还可存储描述预定义特征调度信息、训练数据样本、传感器数据样本或与类别或特征相关的功率分布的配置文件。
应了解，如下文将描述的本发明的实施例可通过装置100的处理器101和/或装置100的其它电路经和/或其它装置由执行例如存储在存储器105或其它元件中的指令而实施。确切地说，装置100的电路(包含但不限于处理器101)可在程序、例程或指令的执行的控制下操作以执行根据本发明的实施例的方法或过程。例如，此程序可在固件或软件中实施(例如，存储在存储器105和/或其它位置中)且可由处理器来实施，例如，处理器101和/或装置100的其它电路。另外，应了解，术语“处理器”、“微处理器”、“电路”、“控制器”等是指能够执行逻辑、命令、指令、软件、固件、功能性等的任何类型的逻辑或电路。
此外，应了解，本文所描述的一些或所有功能、引擎或模块可由装置100本身执行，且/或本文所描述的一些或所有功能、引擎或模块可由通过I/O控制器125或网络接口110(以无线方式或有线方式)连接到装置100的另一系统执行。因此，一些和/或所有功能可由另一系统执行，且结果或中间计算可传递回到装置100。在一些实施例中，此另一装置可包括经配置以实时或准实时处理信息的服务器。在一些实施例中，另一装置经配置以例如基于装置100的已知配置预先确定结果。
内容感知传感器管理器概述
装置传感器能够提供关于用户及环境的情境数据。如本文中所使用，情境可为可用以表征用户的情况的任何信息。例如，情境可以描述用户正在做什么，用户的环境/周围情况，用户所处的位置或用户可能有什么意图。
在一个实施例中，内容感知传感器管理器(CASM)(例如，实施为模块171或引擎能够机会性地接通、上电或启动在同一子系统或其它子系统上的额外传感器)以改进情境感知推断的性能。在一些情况下，单个传感器数据样本可能不足以提供精确的情境推断或分类。因此，可启动一或多个额外传感器流。
例如，基于加速度计数据样本，CASM或专用分类器可确定移动装置放置在桌子或工作台的表面上。加速度计可确定装置的表面相对于重力的取向。取向可以间距及辊的角度测量结果为特征。基于装置的取向(例如，与在桌子位置上的平坦处一致而形成角度)和/或缺乏由加速度计记录的可检测运动，CASM或专用分类器可推断装置在桌子表面上是固定的。然而，在桌子上的位置的分类的置信度可较低，且CASM能够启动额外传感器以验证所述分类。例如，来自GPS160的启动及分类数据可推断用户在公共道路上，其中移动装置放置在车辆仪表板上。当用户在街道或道路上时，用户及移动装置不大可能在桌子处。加速度计140及GPS160的组合能够具有相关联的联合置信度值，指示用户是否最可能(即，具有高置信度)在桌子处或在车辆中驾驶。在一些情况下两个或更多个传感器的额外传感器数据及分类能够提供特定分类中的更高置信度。
在另一实例中，加速度计可确定用户将移动装置放在口袋中，如通过与口袋位置一致的角度所指示。再次，CASM可能不具有足够高置信度以确定用户是否坐在工作环境中(例如，在桌子处)，或坐在车辆中而所述车辆即刻为静止的。如上所述，可启动额外传感器并对其进行分类以便解决分类不明确性。下文更详细地描述其它细节。
CASM或专用分类器能够对一或多个传感器流(例如，在一或多个分类迭代中)分类直到确定用户的情境的最终确定为止。在一个实施例中，CASM能够处理或计算来自传感器数据样本的特征，且输出分类(例如，状态或情境感知推断)。例如，当CASM接收传感器数据时，代表数据的差别方面的有意义的特征可以被计算并被匹配到模型以确定最佳拟合分类。因为传感器数据样本可能提供不明确的或不精确的分类，所以CASM可触发或启动一或多个额外传感器以验证或加强初始分类，或当分类与相关联的置信度低于预定阈值时这样做。
在一个实施例中，可以在模型分类中使用贝叶斯概率。例如，CASM可确定哪个类别具有最高概率且作为置信度输出所述最大概率。替代地，CASM可输出在最大概率分类与作为概率的下一最可能(即，第二最大)分类之间的差。例如，第一分类概率可为.6且第二分类概率可为.4，其中1表示出现的确定性且0表示不出现的确定性。在此前一实例中，在.6的第一分类概率与.4的第二分类概率之间的差将是.2，相对较低置信度。在第二实例中，第一分类的概率为.9且第二分类的概率为.1。在此第二实例中，两个分类之间的差为.8，其可为相对高置信度。
在其它实施例中，可以使用支持向量机来确定数据点。例如，最近的相邻分类器可计算特征向量且查找来自可能数据点的已知范围的最近特征向量。通过参考历史的或已知的数据点集，可以指定特定分类。例如，特征向量可匹配最近的点且所述点可以经指定或与特定分类相关联。当特征向量无法匹配最近的点时或如果所述特征向量无法与特定分类相关联，那么可以触发或启动额外传感器。可如上文所描述基于最近的相邻分类器对额外传感器数据进行分类。替代地，可触发/启动更多传感器直到可以确定分类匹配为止。
图2说明在一个实施例中的CASM的流程图。在框205处，CASM能够接收来自至少第一传感器(例如，近程传感器130、ALS135、加速度计140、陀螺仪145、磁力计150、气压传感器155、GPS160、麦克风165及相机170)的数据。
在框210处，CASM或分类器能够执行来自至少第一传感器的数据的分类。例如，第一数据传感器可输出第一数据样本以用于处理。CASM能够对第一数据样本运行特征计算且所述特征计算可与预定训练数据集相比以输出分类。在一个实施例中，第一数据样本提供临时分类且CASM可基于临时分类的置信度确定将所述暂时分类作为最终输出分类提供。下文描述特征计算的其它细节。
在框215处，CASM能够确定第一分类的置信度值。置信度值可基于如下文较详细描述的一或多个因素。
在框220处，CASM能够基于确定第一分类的置信度值未能满足置信度阈值而启动第二传感器。例如，给定前一分类中的较低置信度，CASM可启动额外传感器且使用与在前一分类中使用的传感器不同的额外传感器运行另一分类确定。
在框225处，CASM能够联合来自至少第一传感器的数据执行来自所启动第二传感器的第二数据样本的第二分类。在一个实施例中，额外传感器数据的分类还具有相关联的个别置信度，或第一和第二数据分类两者的整体置信度。在一个实施例中，第一和第二传感器数据分类可共同地分类以便确定最终/输出分类及相关联的置信度值。在一些实施例中，可对两个传感器数据样本单独地且独立地进行分类，提供两个不同的分类且CASM可输出(来自第一和第二传感器的)两个独立分类的最高置信度值。在其它实施例中，CASM可基于确定对第一分类的分类并不满足相关联的置信度阈值而自动地输出第二传感器分类。在又其它实施例中，CASM可输出全部所确定的分类及它们的相关联置信度且程序或应用可进一步处理所述结果以进行分类的独立确定并最终推断情境。下文更详细地描述分类及置信度产生。
传感器数据
CASM可以处理或计算从附接到移动装置(例如，近程传感器130、ALS135、加速度计140、陀螺仪145、磁力计150、气压传感器155、GPS160、麦克风165和相机170)上的一或多个传感器接收的数据以报告与装置的环境相关的信息。在一些实施例中，CASM能够接收来自通过I/O控制器125以通信方式连接的外部装置(例如，经由到外部相机的USB连接或WiFi连接)的外部传感器数据。CASM或专用分类器(例如，始终开启的或频繁作用中的分类器)能够对传感器数据进行分类。
CASM或专用分类器能够接收原始传感器数据用于分类(即，特征计算)，如下文所描述。替代地，在特征计算之前中间装置或程序能够预处理传感器数据。为易于描述，如本文所使用的传感器数据指代未经处理的数据(例如，从加速度计140、环境光传感器135、麦克风165或其它传感器接收的数据)。例如，来自加速度计140的数据可具有时间、沿着X轴的加速度、沿着Y轴的加速度和沿着Z轴的加速度的属性。然而，所属领域的技术人员将认识到，可以除此处给出的实例外的其它形式接收及处理传感器数据。
如本文所使用，数据样本可包含从传感器(例如，装置100的传感器)接收或输出的一部分数据。传感器数据样本可以特定频率(例如，50Hz、60Hz或取决于取样装置及数据要求的其它速率)取样。可对从传感器数据流或集选择的时刻、切片或时间窗口执行特征计算。例如，装置100可计算从较长的流(例如，传感器上恒定的十秒时间周期，或某个其它时间周期)选择的一秒时间周期上的特征。例如，原始加速度计140数据可以60Hz取样使得一秒数据在X轴、Y轴和Z轴中提供60个三维加速度计140的向量样本，净输入大小为180个样本。
在一个实施例中，CASM或专用分类器能够将传感器数据样本与训练数据样本相比以对传感器数据样本进行分类。例如，在测试/训练设定中，传感器可接收多种输入以涵盖可能的现实世界情境，且可以记录所产生的特征计算及分类。使用此预先计算出的历史数据，当前传感器数据样本可以与其相比以评估最可能的分类以及对所述分类指定置信度。
在其它实施例中，可使用从训练数据预先计算出的模型(例如，支持向量机、神经网络、决策树、贝叶斯分类器等)，而不是直接使用训练数据来对数据进行分类(例如，最近的相邻分类器)。
在一个实施例中，若使用不同类型的多个传感器则可改进分类的精确性。例如，具有联合分类的两个或更多个传感器可仍然引起低置信度分类(例如，麦克风及加速度计可能不足以确定高置信度会议分类)。因此，可触发或启动额外传感器(例如，GPS或其它运动传感器)以进一步增强最终分类中的置信度。
在一个实施例中，传感器数据样本可来自装置100的相同或不同的传感器子系统。例如，加速度计可在单独的传感器子系统上以接收功率而在不同子系统上的GPS是未通电的。
在一个实施例中，CASM可基于计算出的特征确定是否满足分类置信度阈值。在一个实施例中，阈值置信度可通过将特征与训练数据集比较来确定。下文更详细地论述置信度。
在一个实施例中，CASM可以利用可用的传感器的功率分布。功率分布可评估特定传感器的平均或可能功耗要求使得CASM能够按从最少功耗到更多功耗来排列传感器启动的顺序。例如，加速度计140、时钟及环境光传感器135可具有识别其为低功耗的功率分布。相反，WiFi传感器及GPS160可具有识别其为高功耗的功率分布。因此，在其它所有条件都相等的情况下，CASM可确定加速度计140应优于GPS160优先排序用于启动，或环境光传感器135优于WiFi。在另一实例中，关于功耗，陀螺仪145及麦克风165可在加速度计140与GPS160两者之间。因此，在一个实例中，当不能够利用所有其它传感器用于高置信度分类时，加速度计140可设定为第一初始传感器(即始终开启或首先启动)，陀螺仪145可为经启动以加强分类确定的第二传感器，且第三传感器可为GPS160。
在其它实施例中，传感器的功率分布是用以确定哪个首先启动或启动额外传感器的许多因素中的一者。例如，来自陀螺仪145的传感器数据样本可能含有相较于例如来自GPS160的传感器数据样本不太有价值的情境推断数据，因此，可绕过陀螺仪145使得替代地启动GPS160。基于初始分类，值的确定可能改变。例如，初始分类关于分类是否是会议分类可能是不明确的，且额外传感器(例如，麦克风或加速度计)可能比GPS更适用，因为室内信号接收可能不佳。
同样，CASM可确定不同类型的各种传感器有助于确定情境而无论它们的功率特征。例如，为了确定用户是否在会议中，时钟、加速度计140及麦克风165可全部用于推断情境，然而，每一者孤立地可提供不完整的图片。
在其它实施例中，CASM可初始地启动两个或更多个传感器且在后续时间点启动额外传感器。例如，加速度计140及陀螺仪145传感器可初始地作用，且GPS160可为当检测到分类不明确性时启动的额外传感器。在另一实例中，时钟及加速度计140可在装置中始终开启，且WiFi传感器可在稍后的时间启动以解决分类不明确性。
在一个实施例中，CASM可自动地触发硬件中断从而为不同子系统上的第二传感器通电。例如，当确定低置信度分类时，CASM可触发不同传感器子系统上的其它传感器或为其上电。
特征分类
在一个实施例中，CASM可如上文所揭示的根据传感器数据(例如，来自麦克风165、加速度计140、环境光传感器135或其它输入的原始数据)计算、处理或选取一或多个特征。本文所描述的特征指代对传感器数据执行的计算的结果或输出。特征可以用来对数据集进行分类。例如，CASM可以接收来自加速度计140的原始传感器数据(例如，传感器数据样本)作为输入，且计算平均值和/或标准差。CASM能够使用平均值和/或标准差以对传感器数据进行分类或提供情境。例如，运动传感器的分类可为：行走、坐着、跑动或驾驶，仅仅举几例。在一个实施例中，特征为来自由处理器101在存储器105中执行的计算机代码的值、输出或结果。
在一个实施例中，CASM可对来自两个或更多个不同传感器的两个或更多个传感器数据样本联合地分类。例如，CASM可读取来自加速度计及GPS的数据且使用联合分类中的两个不同传感器数据提供分类(例如，跑动、在车辆中驾驶或基于其它运动的分类)。所述两个不同传感器数据样本可从相同时间窗口或时间范围取样。在另一实例中，CASM可首先对一种第一传感器的数据进行分类，并且确定所述分类不满足置信度阈值。当启动第二传感器时，CASM能够联合所启动第二传感器的数据对第一传感器的数据进行分类以基于从这两个传感器接收的传感器数据确定最终分类。
在一些实施例中，CASM可调用单独的分类器(例如，来自CASM的单独的分类器模块)以计算特征。分类器能够获得特征并将其与模型相比以产生推断(例如，以确定最可能的分类或状态)。单独的分类器可能够处理多个传感器流。替代地，针对每种类型的传感器可存在单独的分类器。如本文所描述的CASM可包含集成式分类器使得CASM能够产生分类或状态输出，或所述分类器可为单独且独立的。
置信度
如上文所描述，CASM能够使置信度(例如，置信度值或置信度值水平)与每一个别数据传感器样本分类或联合的数据传感器样本分类相关联。CASM可使用置信度作为用以确定是否应启动额外传感器的方式。可将置信度与置信度阈值相比并且可以相对于来自额外传感器数据样本的第二分类对不满足或超出置信度阈值的分类进行验证。
在一些实施例中，除上文所描述的用于第一和第二分类的个别置信度值之外，也可使整体置信度与两个或更多个传感器分类的组合相关联。在一些实施例中，CASM可考虑来自一或多个传感器数据分类的多个个别置信度值来维持累计的整体置信度。可在第二传感器启动时、在第一置信度不足时或在确定第二分类置信度时发起累计的整体置信度。例如，在确定第一和第二数据传感器分类及相关联的置信度后，第二置信度可为仅第二数据传感器分类中的置信度，并且整体置信度(例如，在此实例中为第三置信度)表示第一和第二分类合起来的置信度。因为联合分类对两个或更多个传感器数据样本进行分类，所以联合分类的置信度可产生类似于如上文所描述的整体置信度的一个置信度值(例如，而不是除整体置信度之外的独立置信度)。
CASM可使用整体置信度以确定是否继续启动额外传感器。例如，第一传感器数据样本可产生低置信度分类，且第二传感器数据样本也可产生低置信度分类。然而，在一些实施例中，CASM可确定当两个或更多个传感器数据样本推断相同分类时整体置信度仍然可足够高以符合置信度阈值。
在另一实例中，第一传感器数据样本可产生低置信度分类，且第二传感器数据样本可产生高置信度分类。在此实例中，CASM可确定第二传感器数据样本更可能基于第一数据样本的不足而提供正确的分类以胜过最小置信度。因此，CASM可最后基于第二传感器数据样本输出最终确定分类。
在一个实施例中，在基于历史或训练数据的预定值基础上确定置信度阈值。例如，训练数据可指示在功率消耗与情境推断性能之间提供理想平衡的阈值置信度。在一些实施例中，用户可调整所述阈值以实现不同平衡。在又其它实施例中，CASM可基于使用什么类型的传感器、传感器的数目或其它因素而独立地调整所述阈值。
可以基于当前数据点(例如，从特征计算输出的数据点)到最近的分类的距离计算出置信度，其中小距离对应于高置信度且大距离对应于低置信度。
距离的测量可改变。例如，尝试使用户的当前位置与最近的集群相关联的GPS160群集算法能够将从用户到集群质心的地理距离用作距离的测量。
对于输出概率或可能性的分类器，可以基于这些输出的概率或可能性计算出置信度。例如，对于输出针对每一类别的后验概率Pi的分类器，可以基于最大概率计算出置信度，例如
C = max i = { 1 , 2 , ... } P i
对于输出针对每一类别的可能性Li的分类器，可以基于归一化的相对可能性计算出置信度。例如，
C = logL i 1 - logL i 2 | logL i 1 | + | logL i 2 |
其中i1是最可能的类别的指数，且i2是第二最可能的类别的指数。
不明确的分类
在一个实施例中，CASM基于传感器样本数据确定分类或状态。在其它实施例中，分类器输出状态或分类到CASM。例如，如果分类器输出已知将通常与状态B混淆的分类A，那么CASM能够启动额外传感器流或使得其能够验证分类是正确的。
在一个实施例中，CASM基于不明确的分类确定启动哪个额外传感器。例如，在分类A与B之间的混淆可能使得启动传感器C以解决特定的不明确性。在另一实例中，在分类A与D之间的混淆可能使得启动传感器E以解决此不明确性。
图3说明在一个实施例中的传感器数据分类的图。图3说明三个分类集群(例如，如基于先前计算的训练数据样本)。A类315、B类325及C类335是基于来自一个传感器(例如，第一所启动传感器)的特征计算的三个可能的分类。X轴340及Y轴305可表示从对来自传感器的原始数据执行的特征计算产生的特征。CASM可以使用基于历史或先前训练数据的分类的集群来确定当前/新的分类的置信度。例如，如果点310(例如，表示来自传感器数据样本的分类的点)位于已知范围或A类历史分类的集群内，那么CASM可具有点310是A类的高置信度且在不启动额外传感器的情况下输出与A类相关联的情境推断。
如果点(例如，点320)位于任何集群外部但是最接近于特定集群(例如，点320尽管在集群外部但是最接近于C类315)，那么CASM可输出低置信度分类(例如，临时分类)，其仍然将触发额外/第二传感器。在触发或启动第二传感器时，CASM或分类器可对或者单独地基于第二传感器数据的数据进行分类或者联合地对第一和第二传感器数据一起进行分类。如果联合的或第二传感器分类产生更高置信度分类(例如，在A类315、B类325或C类335集群内部产生特征)，那么可通过CASM选择更高置信度分类以用于输出。如果产生了临时分类，那么所述临时分类可被基于额外传感器数据样本的最新的联合或独立分类覆盖。如果额外传感器数据样本与最近的分类评估一致，那么相较于仅一个传感器或数据样本对所述数据进行分类的情况，以更高置信度输出所述一致的分类。如果额外传感器数据样本产生与第一数据样本不同的分类，那么CASM可启动除第二传感器之外的额外传感器，或替代地可例如基于每一个别分类的相对置信度水平对输出哪些分类进行确定。
如果点(例如，点330)位于已知集群(例如，A类315、B类325或C类335)外部，那么CASM可具有所述点能够被精确分类的低置信度。在一些实施例中，如果点与两个或更多个最近的分类是等距的(例如，在此实例中，A类315、B类325或C类335对于点330来说都是等距的)，那么CASM可不输出任何分类并触发额外/第二传感器。在触发/启动第二传感器后，可以如上文所描述获得联合或独立的数据传感器分类。例如，如果联合或独立的分类是高置信度(例如，在集群内)，那么通过CASM选择并输出所述分类。否则的话，如果仍然存在关于分类的一些不明确性(例如，低置信度)，那么可启动额外传感器且可确定进一步分类。
不明确的分类改变
在一个实施例中，CASM能够基于分类的改变而进行确定以开启额外传感器。基于分类的改变而确定开启额外传感器可独立于特定分类的置信度。
CASM可确定用户不大可能直接过渡到特定分类/从特定分类直接过渡。例如，CASM可处理来自加速度计140的数据传感器样本，其基于在时间窗口T1处取样的传感器数据推断用户可能在车辆中驾驶。如果在来自同一传感器但是在下一时间窗口T2处的下一分类处，所述分类推断用户坐在桌子处，那么CASM能够确定此直接过渡(即，车辆到桌子)是不太可能的。在确定所述过渡不太可能后，CASM可确定整体分类置信度为低，或可降低与最近的分类相关联的个别置信度。用户很可能在驾驶车辆到办公室之间的中间过渡处，例如在恢复在桌子处的坐立位置之前，从车上下来、站立且接着从车辆行走到办公室。因此，CASM可启动额外传感器，例如麦克风165，且对传感器数据样本进行分类以确定用户是否仍然在车辆中。如果麦克风165的传感器数据样本不能够提供高置信度分类，那么可启动GPS160。在可以确定验证分类之后(例如，其中在检测到不大可能的过渡之后的一或多个额外传感器启动)，CASM能够对分类进行最终确定(例如，用户实际上已经离开车辆且坐在桌子处，或用户仍然在车辆中)。因此，CASM能够在提供错误的或不精确的最终输出分类之前启动额外传感器。
在一个实施例中，CASM可以利用(例如，在装置100的存储器中)可能的及不大可能的分类过渡(例如，过渡的状态图、数据库或平面文件)。例如，从驾驶到行走/从行走到驾驶及从坐在桌子处到行走/从行走到坐在桌子处的过渡仅是两个实例的可能过渡。然而，当尚未检测到其它中间过渡或分类时从驾驶到坐在桌子处/从坐在桌子处到驾驶是不大可能的过渡。
在另一实例中，如当在音频源(例如，麦克风165)中不存在其它音频时通过对来自所述音频源的数据样本进行分类而确定用户可能在会议中。CASM可启动加速度计140、GPS160或其它基于运动的传感器以验证用户离开或处于离开会议的过程中。否则的话，如果用户及装置100是固定的，那么可增大或维持用户仍然在会议中的置信度。
在一个实施例中，装置100的内部时钟用作额外传感器。CASM也可使用内部时钟作为时间传感器以确定用户在会议中待了多久。如果记录的持续时间太短、太长、或在不大可能是典型会议长度的时间段之后结束会议，那么可降低“在会议中”的分类的置信度。例如，典型的会议可持续至少15分钟，且通常可持续30分钟到一个小时。短于15分钟的会议、两个小时以上的会议、或在除15分钟增量外的持续时间之后结束的会议可使得CASM启动额外传感器且将额外传感器的分类与第一传感器的分类进行比较。
图4说明在一个实施例中的当检测到指定分类过渡时传感器启动的流程图。在一个实施例中，初始的作用中的传感器可输出传感器数据样本到CASM或专用分类器。可在一段时间内(例如，样本时间段：t0412到t1422、t1422到t2432、t2432到t3442、t3442到t4452、t5452到t5462、及t5462到t6472)对传感器数据样本进行取样。
在第一时间窗口t0412到t1422期间，传感器X405已经将数据样本分类为A类415，且传感器Z410是非作用中的420(例如，无功率应用于传感器，因此在时间窗口t0412到t1422期间没有传感器Z410的数据样本可用)。
在下一时间窗口t1422到t2432期间，传感器X405输出指示B类425分类的传感器数据样本。传感器Z410仍然是非作用中的，因为CASM刚刚结束从窗口t1422到t2432的数据样本的处理。在一个实施例中，CASM可将当前分类与在时间上即刻先前(t0412到t1422)的分类进行比较以检测不太可能的或不大可能的分类改变或过渡。在此实例中，CASM确定来自传感器X405的输出具有A类的在时间上即刻先前(t0412到t1422)的分类及B类的当前分类，在此实例中，从A类到B类的过渡预定为不太可能的或不大可能的(例如，A类可能是在车辆中驾驶，且B类可能是坐在桌子处)。在检测到已经由传感器(例如，传感器X405)产生不太可能的或不大可能的分类中的变化时，CASM可启动额外传感器(例如，传感器Z410)以验证当前分类。在此当前实例中，CASM在检测到(例如，在时间t2处)不太可能的或不大可能的类别过渡(A类到B类)之后启动传感器Z410。
在下一时间窗口t2432到t3442期间，传感器X405输出产生B类425分类的传感器数据样本。在窗口t2432到t3442期间CASM将来自传感器Z410的传感器数据样本分类为A类435。在一个实施例中，CASM抑制来自传感器X405的B类435确定以输出A类440的输出。在一个实施例中，CASM可忽略传感器X405的分类直到检测到新的过渡为止。
在下一时间窗口t3442到t4452期间，传感器X405数据被分类为A类445且CASM可停用传感器Z410(例如，在时间t4之后)。在此情况下，CASM可确定从B类到A类的过渡再次触发传感器Z410的启动。然而，当从也不大可能的先前过渡返回时CASM可对检测不大可能的过渡的一般规则准许例外。在当前实例中，A类415到B类425是分类中的不大可能的改变，其使得CASM触发额外传感器以验证类别变化。然而，当初始传感器从B类435恢复回到A类445时，CASM可不触发传感器Z410的启动，因为B类435的分类被处理为CASM忽略的错误读取。在一些实施例中，CASM在高置信度分类过渡到低置信度分类时触发额外传感器，但是在低置信度分类过渡到高置信度分类时可不触发额外传感器。
在一些实施例中，一或多个额外传感器可在停用之前针对预定的或用户可确定数目的窗口样本保持作用。例如，针对功率节省的配置设定可在额外传感器提供验证分类到CASM之后即刻关闭所述额外传感器。相反，区分优先级性能优于节能的配置设定可使得额外传感器对于除不明确的分类或不太可能的过渡的起始以外的许多额外周期或窗口保持在作用中。
在下一时间窗口t4452到t5462期间，来自传感器X405的传感器数据样本被分类为C类455，其为不触发额外传感器的可能分类过渡。
在下一时间窗口t5462到t6472期间，来自传感器405的传感器数据样本被分类为C类465，其为不触发额外传感器的来自A类414的分类过渡。因此，传感器Z410保持非作用中，因为其在时间t5处不被触发。内容感知传感器管理器
可基于根据原始传感器数据计算出的特征向量来启用CASM。例如，如果计算出的特征向量位于特征空间的不明确的区域中，那么可启用额外传感器流。特征向量与最近的类的距离可以用于此确定。例如，加速度计140规范与装置的平均取向的标准差可指示数据可或者由行走或者由驾驶产生，特征向量到这些类别中的每一者的质心的距离小且类似。
也可以基于对分类器输出执行置信度测试且在所报告的置信度低于预定阈值时启用额外传感器流(驻留于同一子系统或其它子系统上)来启用CASM。
图5说明在一个实施例中的CASM的流程图。在框505处，CASM可接收或访问传感器数据(例如，传感器数据样本)。
在框510处，CASM可试图对在先前的框505中接收到的传感器数据进行分类。数据分类可包括如上文所描述的特征计算。
在框515处，CASM可确定与来自前一框510的所确定的分类相关联的置信度。所述置信度可基于上文所描述的因素中的一或多者。
在框520处，CASM可确定与传感器数据相关联的置信度是否满足或超出置信度阈值。例如，置信度阈值可为已知提供精确分类的预定置信水平或值。低置信度可指示在框510中确定的分类是不精确的或不可信的。如果CASM确定分类确实满足或超出最小置信水平，那么在框530处输出最终确定。替代地，如果CASM确定分类不满足预定义的最小置信水平，那么在框525处CASM可启动一或多个额外传感器且在框510处CASM可对额外传感器数据进行分类。
在框530处，CASM基于在前一框中分类的一或多个传感器数据样本提供分类。在一个实施例中，CASM确定通过后续传感器数据样本确定的分类覆盖任何先前的初始分类确定。
CASM的输出可以通过应用程序(例如，在装置100上运行的程序，例如运动程序、作用记录器、日历应用程序或读取所处理的传感器数据及相关联的分类的其它软件)使用。CASM也可输出与每一分类相关联的所评估置信度。
词语“示范性”或“实例”在本文中用以意味着“充当实例、例子或说明”。本文中描述为“示范性”或描述为“实例”的任何方面或实施例未必应被解释为比其它方面或实施例优选或有利。
应了解，当装置100为移动或无线装置时其可经由穿过无线网络的一或多个无线通信链路通信，所述无线通信链路基于或以其它方式支持任何合适的无线通信技术。例如，在一些方面中，计算装置或服务器可与包含无线网络的网络相关联。在一些方面中，网络可包括人体局域网或个人局域网(例如，超宽带网络)。在一些方面中，网络可包括局域网或广域网。无线装置可支持或以其它方式使用多种无线通信技术、协议或标准(例如，CDMA、TDMA、OFDM、OFDMA、WiMAX及Wi-Fi)中的一或多者。类似地，无线装置可支持或以其它方式使用多种相应调制或多路复用方案中的一或多者。移动无线装置可以无线方式与其它移动装置、手机、其它有线和无线计算机、因特网网站等通信。
可将本文中的教示并入到多种设备(例如，装置)内(例如，实施于多种设备内或由多种设备执行)。例如，本文教示的一或多个方面可并入至电话(例如，蜂窝式电话)、个人数据助理(PDA)、平板计算机、移动计算机、膝上型计算机、平板计算机、娱乐装置(例如，音乐或视频装置)、耳机(例如，头戴式耳机、听筒等)、医疗装置(例如，生物计量传感器、心率监测仪、计步器、心电描记法(EKG)装置等)、用户I/O装置、计算机、服务器、销售点装置、娱乐装置、机顶盒或任何其它合适的装置中。这些装置可具有不同功率和数据要求且可导致针对每一特征或特征集产生的不同功率分布。
在一些方面中，无线装置可包括用于通信系统的接入装置(例如，Wi-Fi接入点)。此接入装置可提供(例如)经由有线或无线通信链路到另一网络(例如，广域网，例如因特网或蜂窝式网络)的连通性。因此，接入装置可使得另一装置(例如，Wi-Fi站)能够接入另一网络或一些其它功能性。另外，应了解，所述装置中的一或两者可为便携式，或在一些情况下，相对非便携式。
所属领域的技术人员将了解，可使用多种不同技术和技艺中的任一者来表示信息和信号。举例来说，可由电压、电流、电磁波、磁场或磁粒子、光场或光粒子或其任何组合来表示在以上描述中始终参考的数据、指令、命令、信息、信号、位、符号及码片。
所属领域的技术人员将进一步了解，可将结合本文中所揭示的实施例而描述的各种说明性逻辑区块、模块、电路和算法步骤实施为电子硬件、计算机软件或两者的组合。为清楚说明硬件与软件的此互换性，上文已大致关于其功能性而描述了各种说明性组件、块、模块、电路及步骤。所述功能性是实施为硬件还是软件取决于特定应用及施加于整个系统的设计约束。所属领域的技术人员可针对每一特定应用以不同方式来实施所描述的功能性，但所述实施方案决定不应被解释为会导致脱离本发明的范围。
可使用经设计以执行本文所描述的功能的通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合来实施或执行结合本文中所揭示的实施例而描述的各种说明性逻辑区块、模块和电路。通用处理器可为微处理器，但在替代例中，处理器可为任何常规的处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合，例如，DSP与微处理器的组合、多个微处理器的组合、一或多个微处理器与DSP核心的联合，或任何其它此配置。
可直接以硬件、以由处理器执行的软件模块或以上述两者的组合实施结合本文所揭示的实施例而描述的方法或算法的步骤。软件模块可驻留于RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除式磁盘、CD-ROM，或此项技术中已知的任何其它形式的存储媒体中。示范性存储媒体耦接到处理器，以使得处理器可从存储媒体读取信息和将信息写入到存储媒体。在替代方案中，存储媒体可与处理器成一体式。处理器及存储媒体可驻留于ASIC中。ASIC可驻留于使用者终端中。在替代例中，处理器及存储媒体可作为离散组件驻留于用户终端中。
在一或多个示范性实施例中，所描述的功能可在硬件、软件、固件或其任何组合中实施。如果以软件实施为计算机程序产品，那么可将功能作为一或多个指令或代码存储在非暂时性计算机可读媒体上或经由非暂时性计算机可读媒体发射。计算机可读媒体可包括计算机存储媒体与包括促进计算机程序从一处传递到另一处的任何媒体的通信媒体两者。存储媒体可为可由计算机存取的任何可用媒体。以实例方式(且并非限制)，所述计算机可读媒体可包含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，或可用于载送或存储呈指令或数据结构的形式的所要程序码且可由计算机存取的任何其它媒体。同样，可恰当地将任何连接称作计算机可读媒体。举例来说，如果使用同轴电缆、光纤电缆、双绞线、数字订户线(DSL)或例如红外线、无线电及微波的无线技术从网站、服务器或其它远程源传输软件，则同轴电缆、光纤电缆、双绞线、DSL或例如红外线、无线电及微波的无线技术包括于媒体的定义中。如本文中所使用，磁盘及光盘包括紧密光盘(CD)、激光光盘、光学光盘、数字多功能光盘(DVD)、软磁盘及蓝光光盘，其中磁盘通常磁性地复制数据，而光盘使用激光光学地复制数据。以上各项的组合也应包含在非暂时性计算机可读媒体的范围内。
提供所揭示实施例的先前描述以使得任何所属领域的技术人员能够制作或使用本发明。所属领域的技术人员将容易明白对这些实施例的各种修改，且在不脱离本发明的精神或范围的情况下，本文所界定的一般原理可应用于其它实施例。因此，本发明并不既定限于本文中所展示的实施例，而应符合与本文中所揭示的原理及新颖特征一致的最广范围。

Claims (28)

1.一种用于执行针对移动装置的情境推断的方法，其包括：
接收来自至少第一传感器的数据；
执行来自所述至少第一传感器的所述数据的第一分类；
确定所述第一分类的置信度值；
基于确定所述第一分类的所述置信度值未能满足置信度阈值而启动第二传感器；且
联合来自所述至少第一传感器的所述数据执行来自所述所启动第二传感器的第二数据样本的第二分类。
2.根据权利要求1所述的方法，其进一步包括：
确定所述第二分类的置信度值；
基于确定所述置信度值未能满足置信度阈值而启动第三传感器；且
执行第三数据样本的第三分类。
3.根据权利要求1所述的方法，其中接收来自至少第一传感器的数据包括：
接收来自两个或更多个传感器的数据。
4.根据权利要求1所述的方法，其中所述确定所述置信度值进一步包括：
检测从先前数据样本分类到所述第一数据样本分类的分类中的变化。
5.根据权利要求4所述的方法，其中所述分类中的变化匹配预定触发置信度不足的分类中的变化。
6.根据权利要求1所述的方法，其中所述置信度值是基于以下各项中的至少一者：正确地分类所述第一数据样本的概率、所述第一数据样本与历史数据集中的数据样本的比较、及在最近的分类与下一最近的分类之间的差。
7.根据权利要求1所述的方法，其中所述第一传感器是第一传感器子系统的部分且所述第二传感器是第二传感器子系统的部分，并且其中启动所述第二传感器进一步包括：
为所述第二传感器子系统上电，且
在所述第一传感器子系统与所述第二传感器子系统之间通信。
8.一种含有可执行程序指令的机器可读非暂时性存储媒体，所述指令致使移动装置执行用于执行针对所述移动装置的情境推断的方法，所述方法包括：
接收来自至少第一传感器的数据；
执行来自所述至少第一传感器的所述数据的第一分类；
确定所述第一分类的置信度值；
基于确定所述第一分类的所述置信度值未能满足置信度阈值而启动第二传感器；且
联合来自所述至少第一传感器的所述数据执行来自所述所启动第二传感器的第二数据样本的第二分类。
9.根据权利要求8所述的机器可读非暂时性存储媒体，其进一步包括：
确定所述第二分类的置信度值；
基于确定所述置信度值未能满足置信度阈值而启动第三传感器；且
执行第三数据样本的第三分类。
10.根据权利要求8所述的机器可读非暂时性存储媒体，其中接收来自至少第一传感器的数据包括：
接收来自两个或更多个传感器的数据。
11.根据权利要求8所述的机器可读非暂时性存储媒体，其中所述确定所述置信度值进一步包括：
检测从先前数据样本分类到所述第一数据样本分类的分类中的变化。
12.根据权利要求11所述的机器可读非暂时性存储媒体，其中所述分类中的变化匹配预定触发置信度不足的分类中的变化。
13.根据权利要求8所述的机器可读非暂时性存储媒体，其中所述置信度值是基于以下各项中的至少一者：所述分类发生的概率、所述第一数据样本与历史数据集中的数据样本的比较、及在最近的分类与下一最近的分类之间的差。
14.根据权利要求8所述的机器可读非暂时性存储媒体，其中所述第一传感器是第一传感器子系统的部分且所述第二传感器是第二传感器子系统的部分，并且其中启动所述第二传感器进一步包括：
为所述第二传感器子系统上电，且
在所述第一传感器子系统与所述第二传感器子系统之间通信。
15.一种数据处理装置，其包括：
处理器；
存储装置，其耦合到所述处理器且可配置用于存储指令，所述指令在通过所述处理器执行时致使所述处理器：
接收来自至少第一传感器的数据；
执行来自所述至少第一传感器的所述数据的第一分类；
确定所述第一分类的置信度值；
基于确定所述第一分类的所述置信度值未能满足置信度阈值而启动第二传感器；且
联合来自所述至少第一传感器的所述数据执行来自所述所启动第二传感器的第二数据样本的第二分类。
16.根据权利要求15所述的数据处理装置，其进一步包括指令以：
确定所述第二分类的置信度值；
基于确定所述置信度值未能满足置信度阈值而启动第三传感器；且
执行第三数据样本的第三分类。
17.根据权利要求15所述的数据处理装置，其中接收来自至少第一传感器的数据进一步包括指令以：
接收来自两个或更多个传感器的数据。
18.根据权利要求15所述的数据处理装置，其中所述确定所述置信度值进一步包括指令以：
检测从先前数据样本分类到所述第一数据样本分类的分类中的变化。
19.根据权利要求18所述的数据处理装置，其中所述分类中的变化匹配预定触发置信度不足的分类中的变化。
20.根据权利要求15所述的数据处理装置，其中所述置信度值是基于以下各项中的至少一者：所述分类发生的概率、所述第一数据样本与历史数据集中的数据样本的比较、及在最近的分类与下一最近的分类之间的差。
21.根据权利要求15所述的数据处理装置，其中所述第一传感器是第一传感器子系统的部分且所述第二传感器是第二传感器子系统的部分，并且其中启动所述第二传感器进一步包括指令以：
为所述第二传感器子系统上电，且
在所述第一传感器子系统与所述第二传感器子系统之间通信。
22.一种用于执行针对移动装置的情境推断的设备，其包括：
用于接收来自至少第一传感器的数据的装置；
用于执行来自所述至少第一传感器的所述数据的第一分类的装置；
用于确定所述第一分类的置信度值的装置；
用于基于确定所述第一分类的所述置信度值未能满足置信度阈值而启动第二传感器的装置；及
用于联合来自所述至少第一传感器的所述数据执行来自所述所启动第二传感器的第二数据样本的第二分类的装置。
23.根据权利要求22所述的设备，其进一步包括：
用于确定所述第二分类的置信度值的装置；
用于基于确定所述置信度值未能满足置信度阈值而启动第三传感器的装置；及
用于执行第三数据样本的第三分类的装置。
24.根据权利要求22所述的设备，其中接收来自至少第一传感器的数据包括：
接收来自两个或更多个传感器的数据。
25.根据权利要求22所述的设备，其中所述确定所述置信度值进一步包括：
用于检测从先前数据样本分类到所述第一数据样本分类的分类中的变化的装置。
26.根据权利要求25所述的设备，其中所述分类中的变化匹配预定触发置信度不足的分类中的变化。
27.根据权利要求22所述的设备，其中所述置信度值是基于以下各项中的至少一者：所述分类发生的概率、所述第一数据样本与历史数据集中的数据样本的比较、及在最近的分类与下一最近的分类之间的差。
28.根据权利要求22所述的设备，其中所述第一传感器是第一传感器子系统的部分且所述第二传感器是第二传感器子系统的部分，并且其中启动所述第二传感器进一步包括：
用于为所述第二传感器子系统上电的装置，及
用于在所述第一传感器子系统与所述第二传感器子系统之间通信的装置。
CN201480010095.3A 2013-03-01 2014-02-05 用于功率高效的情境感知推断的自适应传感器取样 Expired - Fee Related CN105051646B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/782,989 2013-03-01
US13/782,989 US9268399B2 (en) 2013-03-01 2013-03-01 Adaptive sensor sampling for power efficient context aware inferences
PCT/US2014/014963 WO2014133723A1 (en) 2013-03-01 2014-02-05 Adaptive sensor sampling for power efficient context aware inferences

Publications (2)

Publication Number Publication Date
CN105051646A true CN105051646A (zh) 2015-11-11
CN105051646B CN105051646B (zh) 2018-04-27

Family

ID=50185027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480010095.3A Expired - Fee Related CN105051646B (zh) 2013-03-01 2014-02-05 用于功率高效的情境感知推断的自适应传感器取样

Country Status (6)

Country Link
US (1) US9268399B2 (zh)
EP (1) EP2962171B1 (zh)
JP (2) JP6140308B2 (zh)
KR (1) KR101640491B1 (zh)
CN (1) CN105051646B (zh)
WO (1) WO2014133723A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107101665A (zh) * 2016-02-23 2017-08-29 三星电子株式会社 运动信息提供方法及支持所述方法的电子装置
CN110516760A (zh) * 2019-09-02 2019-11-29 Oppo（重庆）智能科技有限公司 情境识别方法、装置、终端及计算机可读存储介质

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5856995B2 (ja) * 2013-03-29 2016-02-10 株式会社ジャパンディスプレイ 電子機器および電子機器の制御方法
US9354727B2 (en) * 2013-07-12 2016-05-31 Facebook, Inc. Multi-sensor hand detection
CN104702366B (zh) * 2013-12-05 2019-03-15 中兴通讯股份有限公司 一种处理无线体域网数据的方法及装置
US9791336B2 (en) * 2014-02-13 2017-10-17 Evigia Systems, Inc. System and method for head acceleration measurement in helmeted activities
US9697465B2 (en) * 2014-04-30 2017-07-04 Google Technology Holdings LLC Drawing an inference of a usage context of a computing device using multiple sensors
US20160077892A1 (en) * 2014-09-12 2016-03-17 Microsoft Corporation Automatic Sensor Selection Based On Requested Sensor Characteristics
WO2016097376A1 (en) * 2014-12-19 2016-06-23 Koninklijke Philips N.V. Wearables for location triggered actions
US9690361B2 (en) * 2014-12-24 2017-06-27 Intel Corporation Low-power context-aware control for analog frontend
US11029328B2 (en) * 2015-01-07 2021-06-08 Qualcomm Incorporated Smartphone motion classifier
US10217379B2 (en) * 2015-01-30 2019-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Modifying vision-assist device parameters based on an environment classification
US10037712B2 (en) 2015-01-30 2018-07-31 Toyota Motor Engineering & Manufacturing North America, Inc. Vision-assist devices and methods of detecting a classification of an object
US9820232B2 (en) 2015-05-12 2017-11-14 Qualcomm Incorporated Power delay profile based indoor outdoor detection
CN106292991A (zh) * 2015-06-01 2017-01-04 中兴通讯股份有限公司 一种降低终端设备功耗的方法及装置
US10142353B2 (en) 2015-06-05 2018-11-27 Cisco Technology, Inc. System for monitoring and managing datacenters
US10536357B2 (en) * 2015-06-05 2020-01-14 Cisco Technology, Inc. Late data detection in data center
FR3055764A1 (fr) * 2016-09-07 2018-03-09 Stmicroelectronics (Rousset) Sas Procede de controle de la detection en temps reel d'une scene par un appareil de communication sans fil, par exemple un telephone mobile cellulaire, et appareil correspondant.
US10671925B2 (en) * 2016-12-28 2020-06-02 Intel Corporation Cloud-assisted perceptual computing analytics
US10360357B2 (en) * 2017-01-10 2019-07-23 International Business Machines Corporation Personal identification using action sequences detected by sensors
US10878342B2 (en) * 2017-03-30 2020-12-29 Intel Corporation Cloud assisted machine learning
US11301022B2 (en) * 2018-03-06 2022-04-12 Motorola Mobility Llc Methods and electronic devices for determining context while minimizing high-power sensor usage
US20200361452A1 (en) * 2019-05-13 2020-11-19 Toyota Research Institute, Inc. Vehicles and methods for performing tasks based on confidence in accuracy of module output
WO2020263250A1 (en) 2019-06-26 2020-12-30 Google Llc Radar-based authentication status feedback
KR20210145281A (ko) * 2019-07-26 2021-12-01 구글 엘엘씨 레이더 기반 제스처 인식의 컨텍스트 감지형 제어
US11868537B2 (en) 2019-07-26 2024-01-09 Google Llc Robust radar-based gesture-recognition by user equipment
US11138477B2 (en) * 2019-08-15 2021-10-05 Collibra Nv Classification of data using aggregated information from multiple classification modules
CN110531641B (zh) * 2019-08-19 2020-10-16 深圳市晨北科技有限公司 控制终端设备的方法、控制装置及终端设备
JP2021174135A (ja) * 2020-04-22 2021-11-01 ソニーセミコンダクタソリューションズ株式会社 画像認識装置及び画像認識方法
KR102423632B1 (ko) * 2020-12-10 2022-07-22 국방과학연구소 센서를 제어하는 전자 장치 및 그 동작 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238191A1 (en) * 2010-03-26 2011-09-29 Google Inc. Predictive pre-recording of audio for voice input
US8180583B1 (en) * 2011-11-16 2012-05-15 Google Inc. Methods and systems to determine a context of a device
CN102906759A (zh) * 2010-05-27 2013-01-30 国际商业机器公司 情境感知数据保护
CN102947826A (zh) * 2010-06-17 2013-02-27 微软公司 基于情境的信息聚合系统

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5337371A (en) * 1991-08-09 1994-08-09 Matsushita Electric Industrial Co., Ltd. Pattern classification system
US5948043A (en) 1996-11-08 1999-09-07 Etak, Inc. Navigation system using GPS data
JP2003233625A (ja) * 2002-02-06 2003-08-22 Ntt Docomo Inc 状況認識装置、状況認識方法
US7079023B2 (en) 2002-10-04 2006-07-18 Sap Aktiengesellschaft Active object identification and data collection
US7327245B2 (en) 2004-11-22 2008-02-05 Microsoft Corporation Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations
JP5266754B2 (ja) * 2007-12-28 2013-08-21 ヤマハ株式会社 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
EP2131292A1 (en) * 2008-06-06 2009-12-09 NTT DoCoMo, Inc. Method and apparatus for searching a plurality of realtime sensors
JP4908637B2 (ja) * 2008-11-20 2012-04-04 旭化成エレクトロニクス株式会社 物理量計測装置および物理量計測方法
JP5376960B2 (ja) * 2009-01-15 2013-12-25 株式会社東芝 測位装置及び測位時間間隔制御方法
CA2929927C (en) 2009-04-26 2018-09-11 Nike Innovate C.V. Gps features and functionality in an athletic watch system
FI20095570L (fi) * 2009-05-22 2009-09-11 Valtion Teknillinen Kontekstin tunnistaminen mobiiliaitteissa
US8374775B2 (en) 2009-11-05 2013-02-12 Apple Inc. Adaptive sensor-based activity classification
JP5225475B2 (ja) * 2010-01-07 2013-07-03 株式会社東芝 移動状態推定装置、方法およびプログラム
US9443202B2 (en) * 2010-07-01 2016-09-13 Nokia Technologies Oy Adaptation of context models
US20120203491A1 (en) 2011-02-03 2012-08-09 Nokia Corporation Method and apparatus for providing context-aware control of sensors and sensor data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238191A1 (en) * 2010-03-26 2011-09-29 Google Inc. Predictive pre-recording of audio for voice input
CN102906759A (zh) * 2010-05-27 2013-01-30 国际商业机器公司 情境感知数据保护
CN102947826A (zh) * 2010-06-17 2013-02-27 微软公司 基于情境的信息聚合系统
US8180583B1 (en) * 2011-11-16 2012-05-15 Google Inc. Methods and systems to determine a context of a device

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107101665A (zh) * 2016-02-23 2017-08-29 三星电子株式会社 运动信息提供方法及支持所述方法的电子装置
CN110516760A (zh) * 2019-09-02 2019-11-29 Oppo（重庆）智能科技有限公司 情境识别方法、装置、终端及计算机可读存储介质

Also Published As

Publication number Publication date
JP2017107596A (ja) 2017-06-15
EP2962171A1 (en) 2016-01-06
JP6363239B2 (ja) 2018-07-25
KR20150128717A (ko) 2015-11-18
CN105051646B (zh) 2018-04-27
US20140247206A1 (en) 2014-09-04
JP6140308B2 (ja) 2017-05-31
EP2962171B1 (en) 2020-08-26
JP2016511473A (ja) 2016-04-14
KR101640491B1 (ko) 2016-07-18
US9268399B2 (en) 2016-02-23
WO2014133723A1 (en) 2014-09-04

Similar Documents

Publication Publication Date Title
CN105051646A (zh) 用于功率高效的情境感知推断的自适应传感器取样
CN107077464B (zh) 电子设备和用于其口头交互的方法
US10219222B2 (en) Adjusting mobile device state based on user intentions and/or identity
CN108292317B (zh) 问题和答案处理方法以及支持该方法的电子设备
CN106575150B (zh) 使用运动数据识别手势的方法和可穿戴计算设备
EP2915319B1 (en) Managing a context model in a mobile device by assigning context labels for data clusters
CN105654952A (zh) 用于输出语音的电子设备、服务器和方法
CN104781787A (zh) 用于功率有效分类的循序特征计算
CN106068487A (zh) 无按钮的显示器激活
CN104123937A (zh) 提醒设置方法、装置和系统
JP2013250861A (ja) 情報処理装置、情報処理方法、及びプログラム
US11580421B2 (en) Weakly supervised learning for improving multimodal sensing platform
US20120296941A1 (en) Method and Apparatus for Modelling Personalized Contexts
JP2013250862A (ja) 情報処理装置、情報処理方法、及びプログラム
CN109756489B (zh) 一种高效物联网用户管理系统
CN108235234A (zh) 提供位置数据的电子设备和方法
US20230074212A1 (en) Systems and methods for orienting webpage content based on user attention
WO2019052430A1 (zh) 移动终端的自助服务方法及装置
CN106611595A (zh) 用于将文本转换为语音的电子装置和方法
CN113762585B (zh) 数据的处理方法、账号类型的识别方法及装置
US20220202375A1 (en) Wearable measurement management
CN107005809A (zh) 智能手机运动分类器
US20200125161A1 (en) Controlling computing device functionality based on a cognitive determination that a charging outlet is available
US11816432B2 (en) Systems and methods for increasing accuracy in categorizing characters in text string
US11688250B2 (en) Systems and methods for detecting human presence near a transaction kiosk

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180427

Termination date: 20210205

CF01 Termination of patent right due to non-payment of annual fee