CN106233798A - 在目标区域中的无线用户设备装置的定位 - Google Patents

在目标区域中的无线用户设备装置的定位 Download PDF

Info

Publication number
CN106233798A
CN106233798A CN201580009668.5A CN201580009668A CN106233798A CN 106233798 A CN106233798 A CN 106233798A CN 201580009668 A CN201580009668 A CN 201580009668A CN 106233798 A CN106233798 A CN 106233798A
Authority
CN
China
Prior art keywords
region
area
wifi
model
target area
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
CN201580009668.5A
Other languages
English (en)
Other versions
CN106233798B (zh
Inventor
李立群
沈国斌
赵春水
赵峰
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.)
Microsoft Technology Licensing LLC
Original Assignee
Microsoft Technology Licensing LLC
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 Microsoft Technology Licensing LLC filed Critical Microsoft Technology Licensing LLC
Publication of CN106233798A publication Critical patent/CN106233798A/zh
Application granted granted Critical
Publication of CN106233798B publication Critical patent/CN106233798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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
    • G01S5/0252—Radio frequency fingerprinting
    • G01S5/02528—Simulating radio frequency fingerprints
    • 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
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W84/00—Network topologies
    • H04W84/02—Hierarchically pre-organised networks, e.g. paging networks, cellular networks, WLAN [Wireless Local Area Network] or WLL [Wireless Local Loop]
    • H04W84/10—Small scale networks; Flat hierarchical networks
    • H04W84/12—WLAN [Wireless Local Area Networks]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本文所公开的是一种用于执行使用分区框架的基于无线的定位的技术和系统。地区(即，表面或空间)可以被划分为多个区域，并且可以针对每个区域生成针对一个或多个无线接入点(AP)的一个或多个信号传播模型。其结果是允许在每个区域基础上的改进的模型适合度的分区信号传播模型组。过程包括接收与无线通信设备相关联的位置查询，选择地区的多个可用区域中的目标区域，并且至少部分基于与目标区域相关联的信号传播模型或基于指纹的定位中的一个，来估计无线通信设备的位置。可以基于在目标区域内被排他地观察到的训练样本，来生成与目标区域相关联的信号传播模型。

Description

在目标区域中的无线用户设备装置的定位
背景技术
定位信息越来越多地被用于各种基于位置的服务(例如，导航、移动商务等)。这些基于位置的服务利用与移动设备的位置有关的信息以使能大量的计算应用。通常，由于大部分的移动设备具备GPS接收器的事实，可以通过使用现有全球定位系统(GPS)(即，GPS卫星)来获得移动设备的位置。
然而，在某些环境(例如，室内环境)中，GPS信号不可用。阻碍GPS信号的建筑物和类似物体通常导致用于定位的GPS信号的不可用。这导致关于用于使用其他非GPS方式的移动设备的定位的研究努力。至少一种方式是利用现有WiFi接入点的基础设施来使能基于可用射频(RF)信号的定位来代替不可用的GPS信号。WiFi基础设施是被广泛部署的基础设置，并且因此由于WiFi信号的位置保存属性适用于定位。
通常存在用于基于WiFi的定位的两种技术：(1)基于指纹的定位，和(2)基于模型的定位。基于指纹的定位通过比较观察到的WiFi样本和位置数据库来推断设备的位置，该位置数据库包含多个收集的WiFi样本和它们的相关位置。与信号查询最佳匹配的(多个)WiFi样本被用于定位。然而，基于指纹的定位需要大量的和昂贵的预先部署的努力以建立具有足够训练样本的位置数据库以用于精确定位。
另一方面，基于模型的定位并不过分依赖于训练样本的密度。因此，相较于基于指纹的定位方法，用于基于模型的定位的训练样本的数量可以显著降低，这导致便宜得多的系统。基于模型的定位通过使用WiFi信号的信号传播模型(例如，对数距离路径损耗(LDPL)模型)工作，以获得WiFi接入点(AP)的模型参数，以用于预测在地区内的各种位置处的接收信号强度(RSS)。此后，具有特定WiFi观察结果的位置查询可以被解析为将WiFi观察结果最佳匹配到信号传播模型的位置。
虽然相比于基于指纹的定位，基于模型的定位方式显著降低了预先部署的努力和与系统的相关联的成本，现有的基于模型的方式针对每个AP在整个地区(例如，室内环境)内利用用于定位的单个(“全局”)模型。全局路径损耗模型使用单个路径损耗常数来反映RSS应该从给定WiFi AP随着增加的距离一致地减少的假设。然而，由于所有可以影响WiFi信号传播的许多环境(例如，墙壁、隔间、行人等)的复杂性，该假设对于许多环境不是真实的，导致跨具有复杂属性的环境的不同子地区的不均匀的模型适合度。换句话说，使用针对整个地区的全局信号传播模型的基于模型的定位是过于简单的，导致基于模型的定位系统的次优表现。
发明内容
本文所描述的是用于至少部分基于分区框架执行基于无线的定位的技术和系统。地区(即，表面或空间)可以被划分为多个区域，并且可以针对每个区域内的一个或多个无线接入点(AP)生成一个或多个信号的传播模型。其结果是允许在每个区域基础上的改进的模型适合度的分区信号传播模型组，导致执行地区内的无线通信设备的定位的改进的精确性。本文所公开的实施例可以在包含现有无线通信基础设施的任何环境中被利用。虽然本文所描述的技术和系统通常在GPS信号通常不可用的室内环境的上下文中存在，但是本文所公开的实施例同样适用于虽然可用的GPS信号存在，但是无线通信基础设施可用的室外环境。因此，本文所描述的技术和系统不限于室内定位。
在一些实施例中，执行针对在未知位置处的无线通信设备的定位的计算机实现的过程包括接收与无线通信设备相关联的位置查询，在地区的多个可用区域中选择目标区域，并且至少部分基于与目标区域相关联的信号传播模型(即分区模型)或基于指纹的定位中的一个来估计无线通信设备的位置。
在一些实施例中，被配置为基于分区框架来执行定位的系统包括一个或多个处理器，和具有以下组件的一个或多个存储器：接收与无线通信设备相关联的位置查询的分区定位组件，和从地区的多个可用区域中选择目标区域的区域选择组件。分区定位组件可以被配置为至少部分基于与目标区域相关联的信号传播模型或基于指纹的定位中的一个来估计无线通信设备的位置。
通过利用将地区划分为多个区域以用于促进分区定位的分区框架，性能(即，定位精度)可以通过实现针对来自无线通信设备的任何给定位置查询的更好的模型适合度来改善。只要足够的训练数据可用于使能针对无线AP的有效分区信号传播模型的生成，分区框架就将使用任何给定无线通信基础设施来改善基于模型的定位。此外，更密集的训练数据将进一步改善所公开的分区框架的性能，但是本文所公开的实施例适合于即使在最少训练数据可用的情况下的高精度定位。
本发明内容被提供为以简化的形式引入在下面的详细描述中进一步描述的构思的选择。本发明内容并不旨在识别所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。
附图说明
参考附图描述详细描述。在附图中，参考标号的最左边的(多个)数字识别其中参考标号首次出现的附图。在不同附图中相同的参考标号指示类似或相同的项目。
图1图示可以被划分为不同区域的示例地区，该不同区域与使用分区信号传播模块的基于无线的定位技术一起使用。
图2图示用于执行使用分区框架的基于无线的定位的示例架构，包括表示(多个)示例定位服务器的框图。
图3是用于分区模型训练的说明性过程的流程图。
图4是用于分区定位的说明性过程的流程图。
图5是用于在分区定位期间选择目标区域的说明性过程的流程图。
图6图示由多个楼层组成的地区的示例图，以及用于确定用于分区定位的目标楼层的说明性过程的流程图。
图7是用于设备增益分集补偿的说明性过程的流程图。
具体实施方式
本公开的实施例针对，除了其他以外，用于执行使用分区框架的基于无线的定位的技术和系统。本文所描述的技术和系统可以以多种方式来实现。下面参考以下的附图提供示例实现方式。
示例地区和区域划分
图1图示可以被划分为多个区域102(1)、102(2)、…、102(N)的示例地区100，该多个区域102与使用分区信号传播模型的基于无线的定位技术一起使用。图1示出作为表示室内环境(例如，办公建筑物)的二维(2D)地区的地区100。然而，应理解本文所使用的地区不限于室内地区，因为在适当的地方具有无线通信基础设施的室外地区也可以从所公开的技术和系统中获益。虽然地区100被表示为2D地区，但是地区100包括可能包含多个等级(例如，楼层)的三维(3D)空间，该多个等级可以被视为要被划分为区域的地区100的子部分。被包括在地区100内的任何2D表面可以是平坦的或弯曲的、连续的或非连续的、以及任何大小和/或形状。图1示出形状为矩形的地区100；其对于许多室内环境是典型的。
图1的地区100被示出为包括关于存在于环境中的墙壁、门、隔间、隔墙、玻璃窗和甚至人(在本文中通常被称为“物体”)的“复杂的”特性。相反，没有任何物体被布置在其中的完全空的室内空间可以被认为是简单和一致或以其他方式并不“复杂”的地区100。
地区100可以进一步包括被布置在整个地区100中的各种位置处的多个无线接入点(AP)104(1)、104(2)、...、104(P)(例如WiFi AP)。无线AP 104(1)-(P)(本文中有时被称为“WiFi 104(1)-(P)”)用作被配置为将一组无线通信设备(例如，移动电话，平板计算机等)连接到有线局域网(LAN)的射频(RF)发射器。WiFi AP 104(1)-104(P)可以作为被配置为在连接的无线通信设备和连接的有线设备之间中继数据的网络集线器(例如，以太网集线器或交换机)。该设置允许多个无线通信设备利用用于与其他有线和无线通信设备的通信的有线连接。
在一些实施例中，WiFi AP 104(1)-(P)也可以结合其他功能，诸如路由器功能或通过本身作为以太网交换机的集线器/交换功能。在其他实施例中，WiFi AP 104(1)-(P)可以是仅发送和接收无线数据的“瘦”AP。通常，WiFi AP 104(1)-(P)通过由IEEE 802.11标准定义的频率支持通信，但是具有可用基础设施的任何合适的无线通信协议可以与本文所公开的技术和系统一起使用。基于IEEE 802.11标准的WiFi AP 104被广泛地部署，并且因此被考虑为用作图1中所示的WiFi AP104(1)-(P)。因此，WiFi AP是提供对网络的访问的无线通信收发器设备(即，接入点)。此外，WiFi启用的设备是指使用无线局域网(WLAN)通信来与其他类似设备和WiFi AP 104(1)-(P)交换数据的无线通信设备。WLAN通信可以通过由IEEE802.11标准定义的频率来执行。
图1还图示贯穿地区100的至少部分中已经被观察到的多个无线通信样本106(1)、106(2)、...、106(Q)(在本文中有时被称为“WiFi样本106(1)-(Q)”)。特别地，用户携带的和位于整个地区100的WiFi启用的设备(如移动电话、平板计算机等)记录与在那些各种位置处、在它们的视野中的WiFi AP 104(1)-(P)的一个WiFi AP 104对应的接收信号强度(RSS)测量结果。在一些实施例中，WiFi样本106(1)-(Q)表示由取得WiFi样本106的WiFi启用的设备看到的针对每个WiFi AP 104的<位置，RSS>元组。WiFi样本106(1)-(Q)的每个WiFi样本106(图1中所示为不同大小的气泡)的大小指示关于在该位置处的WiFi信号强度的RSS测量结果。也就是说，图1中所示的针对每个WiFi样本106(1)-(1)的气泡越大，RSS测量结果越大。因此，WiFi样本106(1)、106(2)、...、106(1)的每个WiFi样本106是指示在特定位置处的无线通信信号的强度的无线通信样本。
图1中所示的WiFi样本106(1)-(Q)可以组成用于基于模型的定位的训练数据，因为可以针对路径损耗信号传播模型(例如，LDPL模型)根据由WiFi样本106(1)-(Q)报告的信息计算针对每个WiFi AP104(1)-(P)的模型参数。虽然本文的实施例主要参考使用LDPL模型被描述，但是可以在本文中利用诸如线性模型的其他模型而不改变系统的基本特征。通常，WiFi样本106(1)-(Q)可以被报告到定位服务器和用于训练分区信号传播模型，并且为使用分区模型执行针对WiFi启用的设备的定位。
本文描述的技术和系统使用基于地区100被划分或分割为的多个区域102(1)-(N)的分区框架。图1示出包括包含多个隔间的地区100的子地区的第一区域102(1)，而第二区域102(2)包括用于人们穿过地区100的走廊或行走通路/过道的另一子地区，并且第Ν区域102(N)包括会议室。图1中所示的区域划分仅是其中地区100可以被划分为多个区域102(1)-(N)的一个说明性示例方式，并且应理解设想用于将地区100划分为多个区域102(1)-(N)的各种合适的技术，而不改变本文所公开的系统的基本特征。各种区域划分技术的示例将在下面更详细地讨论。
根据本文的实施例，可以基于来自相应的区域102(1)-(N)的观察结果针对WiFiAP 104(1)-(P)生成或建立分区信号传播模型。通常，从在特定区域102内观察到的阈值数量的训练样本可以生成有效的分区信号传播模型。在一些实施例中，要被观察到的阈值数量的训练样本是5个训练样本。5个训练样本的该阈值数量主要基于通常在建立相应的分区信号传播模型中存在要被求解的LDPL模型的4个参数的事实。下面的等式(1)示出可以用于任何给定分区信号传播模型的LDPL等式：
pij＝Pi–10γi log dij+R (1)
等式(1)中，pij表示由在离第i个WiFi AP 104一距离的某一未知位置j处的WiFi启用的设备所看见的RSS测量结果(例如，以分贝毫瓦(dBm)测量的)。Pi是在第i个WiFi AP104的参考点(通常离AP 1米)处测量的RSS，γi是路径损耗常数(即，在第i个WiFi AP 104附近的RSS的下降率)。Dij是从在位置j处的WiFi启用的设备到第i个WiFi AP 104的距离，并且R是用于建模由于多径效应的RSS的变化的随机常数。在收集针对每个地区102(1)-(N)的阈值数量(在等式(1)的情况下为5)的WiFi样本106(1)-(Q)之后，针对每个WiFi AP 104(1)-(P)的参数组可以通过根据等式(2)来最小化平均模型适合度误差来计算，如下：
等式(2)中，k是在对于其生成模型的相应的区域102中被观察到的WiFi样本106(1)-(Q)的数量。因此，对于地区100内的每个WiFi AP 104(1)-(P)可以训练一个或多个分区模型。因此，任何给定WiFi AP 104可以具有多个分区模型，因为WiFi启用的设备可以看到来自多个区域102(1)-(N)的不同区域的给定WiFi AP 104。相反，如果没有足够的训练数据可用于建立有效的分区模型，则给定WiFi AP 104可以不与任何分区模型相关联。
在一些实施例中，可以通过针对在地区100中的WiFi AP 104(1)-(P)中的特定WiFi AP 104训练全局模型来进行退回测量。这样的全局模型可以被用于不与针对至少一个区域102的分区信号传播模型相关联的WiFi AP 104。例如，针对在特定区域102内的给定WiFi AP 104，如果在特定区域102内的WiFi样本106的数量是不足够的(例如，低于有效的分区模型所需的样本的阈值数量)，则在给定WiFi AP 104的视野中的所有WiFi样本106的数量针对有效的全局模型是足够的(例如，处于或高于阈值)情况下，全局模型可以对于给定WiFi AP 104被训练，并且与特定区域102相关联。因此，WiFi样本106的数量对于区域102(1)-(N)的某些区域102可以是足够的，但是对于区域102(1)-(N)的其他区域102是不足够的。例如，如果地区100包含10个WiFi样本106(1)-(Q)，其中6个WiFi样本106(1)-(Q)在第一区域102(1)内，并且4个WiFi样本106(1)-(Q)在第二区域102(2)内，如果6个WiFi样本106对于分区模型生成是足够的，则第一区域可以具有对于其生成的分区模型，而第二区域102(2)可以退回到使用基于所有10个WiFi样本106(1)-(Q)的训练的全局模型。
示例架构
图2图示用于执行使用分区框架的基于无线的定位的示例架构200。在架构200中，一个或多个用户202与移动、无线通信计算设备(“无线通信设备”或“WiFi启用的设备”)204(1)、204(2)、…、204(N)相关联，移动、无线通信计算设备204(1)-(N)被配置为帮助分区(和全局)模型训练，并且促进WiFi启用的设备204(1)-(N)的定位。为了使能模型训练，WiFi启用的设备204(1)-(N)可以被配置为在它们的范围内扫描诸如图1中所示的WiFi AP 104(1)-(P)的WiFi AP，并且接收和记录与贯穿诸如图1的地区100的地区的各种位置处、在它们的视野中(即，范围中)的WiFi AP 104(1)-(P)对应的RSS测量结果。WiFi启用的设备204(1)-(N)可以通过(多个)网络210将基于这样的RSS测量结果的WiFi样本206传输到一个或多个定位服务器208(1)、208(2)、...、208(P)。这些WiFi样本206可以包括被用作用于训练分区和全局信号传播模型的训练数据的RSS测量结果的观察结果。
然而，为了促进定位过程，WiFi启用的设备204(1)-(N)可以类似地被配置为以WiFi样本206的形式来将位置查询传输到(多个)定位服务器208(1)-(P)，以便解析当前方位或位置。在训练过程或定位过程中，通过(多个)网络206的WiFi样本206的检测和传输可以被实现为推送模型或拉取模型，在推送模型中WiFi启用的设备204(1)-(N)定期地扫描和推送信息到(多个)定位服务器208(1)-(P)，在拉取模型中(多个)定位服务器208(1)-(P)请求扫描。
WiFi启用的设备204(1)-(N)可以被实现为任何数量的计算设备，包括膝上型计算机、便携式数字助理(PDA)、移动电话、平板计算机、便携式媒体播放器、便携式游戏播放器和智能手表等。每个客户端计算设备204(1)-(N)具备一个或多个处理器和存储应用程序和数据的存储器。根据一些实施例，诸如当被训练的分区(和全局)信号传播模型可以通过(多个)网络210从(多个)定位服务器208(1)-(P)上被下载时，定位应用程序被存储在存储器中，并且在一个或多个处理器上执行以将WiFi样本206提供到(多个)定位服务器208(1)-(P)和/或在WiFi启用的设备204(1)-(N)上执行定位过程。以这种方式，可以在(多个)定位服务器208(1)-(P)上执行模型训练，而在WiFi启用的设备204(1)-(N)上执行定位。备选地，训练和定位两者都可以在(多个)定位服务器208(1)-(P)上执行。
虽然(多个)网络210在基于web的系统的上下文中被描述，但是其他类型的基于客户端/服务器的通信和相关联的应用程序逻辑可以被使用。(多个)网络210表示许多不同类型的网络，诸如有线网络、因特网、局域网、移动电话网络、广域网和无线网络，或这些网络的组合。
(多个)定位服务器208(1)-(P)可以包括也许被布置为服务器场或服务器群集的一个或多个服务器。其他服务器架构也可以被用于实现(多个)定位服务器208(1)-(P)。在一些实施例中，(多个)定位服务器208(1)-(P)能够处理来自许多用户202的诸如位置查询的请求，作为响应，将关于位置确定的各种信息和数据提供到WiFi启用的设备204(1)-(N)，允许用户202与由(多个)定位服务器208(1)-(P)所提供的数据进行交互。以这种方式，(多个)定位服务器208(1)-(P)可以被实现为针对与WiFi启用的设备204(1)-(N)相关联的用户202的支持定位的任何站点或服务的一部分，包括基于位置的服务、导航服务和移动电子商务服务等。
在一些实施例中，诸如在用于训练或建立分区(和全局)信号传播模型的训练阶段期间，WiFi样本206被(多个)定位服务器208(1)-(P)接收，并且作为调查数据212被储存在数据存储器中。该调查数据212可以被收集在用于存储数据的任何适当类型的数据存储器中，包括但不限于数据库、文件系统、分布式文件系统，或它们的组合。调查数据212可以被配置为收集被包括在通过(多个)网络210接收的WiFi样本206中的任何合适的信息，诸如RSS测量结果、以及关于范围中的WiFi AP 104(1)-(P)的识别和位置信息等。
通常，定位服务器208(1)-(P)具备一个或多个处理器214和一种或多种形式的计算机可读介质216。定位服务器208(1)-(P)也可以包括附加数据存储设备(可移除和/或非可移除)，诸如，例如，磁盘、光盘或磁带。这样的附加存储器可以包括可移除存储器和/或非可移除存储器。计算机可读介质216可以至少包括两种类型的计算机可读介质216，即计算机存储介质和通信介质。计算机存储介质可以包括以任何方法或技术实现的用于存储信息的易失性和非易失性的、可移除和非可移除的介质，信息是诸如计算机可读指令、数据结构、程序模块或其他数据。系统存储器、可移除存储器和非可移除存储器都是计算机存储介质的示例。计算机存储介质包括，但不限于，随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EEPROM)、闪存或其他存储器技术、光盘只读存储器(CD-ROM)、数字多功能盘(DVD)、或其他光学存储器、磁带盒、磁带、磁盘存储或其他磁存储设备，或可以用于存储所需信息并且可以由定位服务器208(1)-(P)访问的任何其他非传输介质。任何这样的计算机存储介质都可以是定位服务器208(1)-(P)的一部分。此外，计算机可读介质216可以包括当由(多个)处理器214执行时执行本文所描述的各种功能和/或操作的计算机可执行指令。
相反，通信介质可以实施计算机可读指令、数据结构、程序模块，或诸如载波或其他传输机制的已调制数据信号中的其他数据。如本文所定义的，计算机存储介质不包括通信介质。
计算机可读介质216可以用于存储任何数量的功能或可执行组件，诸如在(多个)处理器214上可执行的作为软件运行的程序和程序模块。被包括在计算机可读介质216中的组件可以主要服务两个目的中的一个，两个目的是开发和训练信号传播模型(在图2的框图中标记为“训练”)，或执行针对WiFi启用的设备204(1)-(N)的定位(在图2的框图中标记为“定位”)。
训练
根据本文所公开的实施例，用于分区信号传播模型的开发和训练的主要组件是分区模型训练组件218，其被配置为生成针对WiFi AP 104(1)-(P)中的单个WiFi AP 104的一个或多个分区信号传播模型。分区模型训练组件218可以通过基于从调查数据212获得的区域102(1)-(N)中的特定区域102内的观察结果来求解路径损耗模型的模型参数来生成一个或多个分区传播模型。
作为该分区模型训练过程中的一部分，分区模型训练组件218可以包括被配置为将感兴趣的地区100分割或划分为多个区域102(1)-(N)的区域划分组件220。区域划分可以以使用各种技术和算法的各种合适方式执行。
在一些实施例中，地区100可以通过利用地图图块(tile)系统来被划分为多个区域，该地图图块系统使用例如跨多个细节等级(即，缩放等级)的四叉树结构来将平面地图划分为图块。某一地区的每个图块可以被视为地区100的区域。在这种场景中，因为地图分辨率是缩放等级的函数，区域在地图图块系统的给定等级处大小和形状一致。地图图块系统的一个说明性示例是由华盛顿州雷蒙德市的微软公司提供的地图图块系统。在这样的地图图块系统中，地区的地图可以以具有特定边长的正方形子地区的不同等级被渲染，该边长可以基于渲染的缩放等级和纬度(latitude)以真实距离测量(即，英尺、米等)被测量。已知边长的每个图块然后可以被指定为区域。每个图块的标识符可以被用于识别地区100的每个区域。在图1中所示的示例地区100中，整个地区100可以表示在相对接近于地球表面的缩放等级处的地区图块系统的渲染的地图。
在一些实施例中，区域划分组件220可以通过使用指定适合于地区100的几何形状的最大或最小大小的基本规则将地区100划分为多个区域。例如最大或最小大小的任何合适的多边形形状可以被利用以将地区100划分为多个区域。在其他实施例中，区域可以至少部分地使用手动或人的处理被划分。
在其他实施例中，区域划分组件220可以基于在地区100内的训练数据的可用性划分地区100。例如，区域划分组件220可以被配置为确定地区100内的子地区，该子地区至少包含阈值数量(例如，5)的观察到的训练样本，诸如WiFi样本206，并且可以指定满足阈值标准的每个子地区作为地区100内的单独区域。作为另一示例，被发现包含多于阈值数量的观察到的训练样本的子地区可以被二分为更小的子地区，只要那些得到的子地区包含阈值数量的训练样本。作为另一示例，区域划分组件220可以指定“播种(seeding)位置”(随机选择或者使用诸如地区100的“最内”部分或地区100的角的规则)，并且可以围绕播种位置生长子地区，直到阈值数量的训练样本被包含在子地区内为止，并且这些子地区可以被指定为地区100的区域。可以利用将地区100划分为多个区域的其他合适的手段，而不脱离本文所公开的系统的基本特征。
在一些实施例中，区域划分组件220可以将地区划分为多个区域，其中的至少一些相互重叠。重叠区域的使用可以减少在区域边界观察到的任何大的模型适合度误差。
在一些实施例中，不包含任何或足够的训练数据的子地区可被认为或指定为“空区域”。因为有效的分区信号传播模型可能需要阈值数量的训练样本，空区域可能无法与分区信号传播模型相关联。因此，区域划分可以在不考虑训练数据的可用性的情况下被执行，在这种情况下，一些区域可能变成空区域。在其他实施例中，区域划分可以取决于或者通过训练数据的可用性来驱动，使得地区100的仅某些子地区被指定为区域，而地区100的(多个)剩余部分组成可以被视为“全局”区域的地区的一部分。
在某些场景中，与地区100的其他部分相比，WiFi启用的设备204(1)-(N)可以更多地穿过地区100的多个部分，并且那些子地区基于那些子地区中的高密度的训练数据将它们自己提供(lend)给更小的区域大小。例如，环境中的行走通路或类似的“公共区域”可以具有更多可用训练数据，而私人办公室或其他受限位置可能没有任何或足够的训练数据以便建立有效的分区信号传播模型。因此，区域划分组件220可以被配置为将地区100的子地区识别为针对更精细的区域划分的“高流量”子地区，这可以导致更大的定位精度。
计算机可读介质216还可以包括全局模型训练组件222作为(多个)定位服务器208(1)-(P)的模型训练能力的一部分。全局模型训练组件222被配置为基于来自地区100内的所有WiFi AP 104(1)-(P)的所有观察结果(即，WiFi样本206)来训练针对给定地区100的全局模型。因此，全局模型可以被获得和利用用于各种退回手段或定位过程的增强来以更大的精度解析WiFi启用的设备204的位置。
分区和全局模型训练组件218和222两者都可以将WiFi启用的设备204(1)-(N)分派到包括在多个区域102(1)-(N)内的地区100，以收集用于训练分区和全局模型的调查数据212(即，训练数据)。此外，或备选地，具有已经在地区100内的相关联的WiFi启用的设备204(1)-(N)的用户202可以被利用用于接收针对调查数据212的WiFi样本206。在任一情况下，地区100可被划分为多个区域而不考虑训练样本，或分派/现有的训练样本可以实际驱动将地区100划分为区域。针对区域102内的任何给定WiFi AP 104，只要足够的训练数据可用，就可以建立针对给定WiFi AP 104的分区模型。因此，不是所有的WiFi AP 104(1)-(P)都将具有针对每个区域的分区信号传播模型。没有在特定区域中的分区信号传播模型的任何WiFi AP104可以使用针对没有用于定位目的的分区信号传播模型的该区域的退回全局模型。全局模型可以通过全局模型训练组件222进行开发。
在训练之后，分区模型训练组件218可以针对每个WiFi AP 104(1)-(P)维持模型参数设置(例如，传输功率P，路径损耗系数γ等)。如上所述，这些模型参数组可以基于最小化模型适合度误差来生成。因此，多个区域102(1)-(N)的每个区域可以与多个参数组相关联，一个参数组用于每个WiFi AP 104(1)-(P)。同样地，单个WiFi AP 104可以具有针对多个区域102(1)-(N)的不同区域102的不同模型参数组。
在一些实施例中，分区信号传播模型可以通过分区模型训练组件218通过包括来自相邻区域的训练数据的特定部分来进行优化。也就是说，在开发针对给定区域的分区模型中，分区模型训练组件218通过查看相邻于(如，邻近于)给定区域的区域中的可用训练数据，以便开发针对给定区域的有效的信号传播模型。只要存在来自相邻区域的足够的训练数据，包括来自相邻区域的训练数据的该技术就可以使得空区域能够获得有效的分区模型。
定位
根据本文所公开的实施例，用于分区定位的主要组件是分区定位组件224，其被配置为至少部分基于在训练期间开发的分区信号传播模型或基于指纹的定位方案中的一个来估计给定WiFi启用的设备204的位置。
作为该分区定位过程的一部分，分区定位组件224可以包括区域选择组件226，其被配置为在诸如图1的地区100的地区的多个可用区域中选择目标区域。区域选择组件226的目标是针对从WiFi启用的设备204接收的给定位置查询，寻找具有最佳位置的区域。也就是说，选择的目标区域应该是进行查询的WiFi启用的设备204当前布置在其内的区域。然而，由于进行查询的WiFi启用的设备204的位置是未知的，可以利用各种方法和技术来进行用于定位的目的的区域选择。
通常，区域选择组件226被配置为通过删除或以其他方式忽略不大可能的区域来选择目标区域，并且挑选(多个)最佳候选区域作为目标区域。通过删除或忽略不大可能的区域，区域选择组件226可以降低针对区域选择过程的系统复杂性而不损害定位精度。在一些实施例中，该删除或过滤可以使用布隆(bloom)滤波器来实现，其快速并且存储器高效地确定区域是否从候选区域组中被排除。更具体地，可以针对具有对每个区域中的所有WiFiAP 104(1)-(P)上的信息的访问的每个区域创建布隆滤波器。布隆滤波器然后可以将在来自每个区域中的WiFi启用的设备204的WiFi样本206中观察到的所有WiFi AP 104(1)-(P)进行散列，并且比较WiFi样本206中的WiFi AP 104(1)-(P)和每个区域的WiFi AP 104(1)-(P)的列表。如果基于比较针对特定区域找到针对WiFi AP 104的共同标识符，则区域的布隆滤波器的对应位可以被设置为1，并且未被设置为1的区域从候选区域组中被排除。区域选择组件226然后可以确定区域中的共同WiFi AP 104(1)-(P)的数量是否满足或超过阈值数量(例如，4个共同WiFi AP)，并且如果否，则该区域可以被过滤出候选组。候选组内的区域可以基于对在WiFi样本206中报告的WiFi AP 104共同的WiFi AP 104(1)-(P)的数量排序。
在一些实施例中，区域选择组件226使用朴素贝叶斯区域选择技术从多个可用区域102(1)-(N)选择目标区域，该技术涉及从WiFi启用的设备204接收WiFi样本206，其中WiFi样本206报告来自WiFi AP 104(1)-(P)中的一个或多个WiFi AP 104的RSS测量结果。基于选择，区域选择组件226使用一个或多个WiFi AP 104(1)-(P)的直方图来计算在多个可用区域102(1)-(N)的单个可用区域102中观察到接收到的WiFi样本206的可能性。最大化观察到WiFi样本206的可能性的区域然后被选择为用于定位的目的的目标区域。该区域选择过程可以包括基于地区100中的WiFi AP 104(1)-(P)和在WiFi样本206中报告的WiFi AP104(1)-(P)的比较来删除或过滤出区域，以获得具有对在WiFi样本206中报告的WiFi AP104(1)-(P)共同的至少一个WiFi AP 104的候选区域组。以这种方式，仅在候选区域内的WiFi AP 104(1)-(P)的直方图在区域选择过程中被考虑。
应理解，为了进行本文所公开的实施例，在区域中的所有WiFi AP 104(1)-(P)可以与直方图相关联。每个直方图是在地区100的区域内的各种位置处的被观察到的RSS测量结果的概率分布。因此，每个区域与针对单个WiFi AP 104的概率分布相关联。如上所述，可以利用WiFi AP 104(1)-(P)的直方图用于区域选择目的。另一方面，空区域应该不需要直方图。如上所述，可以利用全局信号传播模型用于这样的空区域，并且在一些实施例中，空区域可以被合并为利用用于定位目的的全局信号传播模型的单个“区域”。
在一些实施例中，区域选择组件226通过使用与整个地区100相关联的全局信号传播模型来获得WiFi启用的设备204的估计位置，并且随后选择具有最接近估计位置的中心的区域作为目标区域，来使用“最接近区域”方式选择目标区域。根据一些实施例，用于确定最接近的中心的距离确定可以基于欧几里得距离。
在一些实施例中，区域选择组件226通过使用全局信号传播模型来获得WiFi启用的设备204的估计位置，并且基于多个区域102(1)-(N)到估计位置的距离在多个区域102(1)-(N)中选择最接近区域的子集，来使用“最小误差”方式选择目标区域。与那些最接近区域相关联的分区信号传播模型然后可以被用于执行针对WiFi启用的设备的相应的定位，并且可以选择最小化WiFi样本206和不同分区信号传播模型之间的模型适合度误差的区域作为目标区域。
在一些实施例中，区域选择组件226可以被配置为使用上面公开的任何技术来获得候选区域组，并且基于针对在候选区域组中的区域的每个区域的分区信号传播模型来执行定位。最终的基于分区的位置然后可以取使用每个分区模型获得的位置的平均。在一些实施例中，在权重是或许基于多个共同的WiFi AP 104(1)-(P)或其他合适的评分或排序的方法的区域选择分数的情况下可以使用加权平均。使用来自不同区域的多个分区定位的平均值用于解析最终位置帮助减少选择“错误”区域(即进行查询的WiFi启用的设备204实际上不在其内的区域)的影响。
在一些实施例中，分区定位组件224被配置为在目标区域被区域选择组件选择之后，在基于分区模型的方式和基于指纹的方式之间确定定位方案。在使用基于分区模型的方式和基于指纹的方式之间的选择可以取决于在选择的目标区域内的训练数据的密度和覆盖范围。无论哪个方案被利用，分区定位组件224都根据选定的方案来解析WiFi启用的设备204的位置。
图2还示出计算机可读介质216还可以包括全局模型定位组件228，其被配置使用全局信号传播模型来执行针对来自WiFi启用的设备204的位置查询的定位。除了由于全局信号传播模型基于整个地区100和所有WiFi AP 104(1)-(P)，因此在该过程中不涉及区域选择之外，针对全局模型的定位过程与基于分区模型的定位相同。例如在全局模型可以提高定位精度的情况下，全局模型定位组件228提供退回或增强能力中的任一者或两者。例如，在存在空区域和对于其不能建立有效的分区模型的WiFi AP 104(1)-(P)的情况下，可以出于定位的目的使用全局信号传播模型。此外，对于特定区域，全局信号传播模型可以实际导致更好的性能。在该情况下，全局信号传播模型可以被视为用于定位的持久候选，使得如果其导致更小的模型适合度误差，则可以使用由全局模型估计的位置。
计算机可读介质216还可以包括最终位置确定组件230，其被配置为当多个估计位置被计算时，诸如当除由分区定位组件224估计的位置之外，全局模型定位组件228估计位置时，求解最终位置，以及模型适合度误差被比较以求解最终的位置估计。
示例过程
图3-7描述被图示为逻辑流程图中的块的集合的说明性过程，逻辑流程图表示可以在硬件、软件或它们的组合中被实现的一系列操作。在软件的上下文中，块表示计算机可执行指令，当该指令由一个或多个处理器执行时，执行叙述的操作。通常，计算机可执行指令包括执行特定功能或实现特定抽象数据类型的例程、程序、对象、组件和数据结构等。描述操作的顺序并不旨在被解释为限制，并且任何数量的所描述的块可以以任何顺序进行组合和/或并行来实现过程。
图3是针对分区模型训练的说明性过程300的流程图。出于讨论的目的，参考图2的架构200，并且具体地参考包括区域划分组件220的分区模型训练组件218，来描述过程300。
在302，区域划分组件220可以将诸如图1的地区100的地区划分为多个区域，诸如多个区域102(1)-(N)。如上所讨论的，地区100可以使用各种技术被划分，诸如通过利用地图图块系统以将在地图图块系统的特定等级处的图块指定为地区内的单独区域。可以利用其他基本规则(例如，指定最小或最大大小的多边形形状)或手动处理用于在302的区域划分。区域可以是分离的或重叠的，并且可以具有一致的或者非一致的大小和形状。此外，诸如通过将阈值量的可用训练数据左右的子地区指定为地区100的区域，训练数据的可用性可以驱动地区到区域的划分。在其他实施例中，在302的区域划分不取决于训练数据的可用性，这可以最终导致一些区域成为“空”区域，如上所述。
在304，分区模型训练组件218针对在302确定的多个区域的每个区域内的一个或多个WiFi AP 104(1)-(P)的单个WiFi AP 104，来生成或建立一个或多个分区信号传播模型。足够的调查数据212被获取以建立有效的分区信号传播模型。在特定区域内的训练样本的观察结果可以被用于通过使用区域内的调查数据212来求解模型参数来建立针对该区域的分区信号传播模型。然而，如果没有训练数据可用于特定区域，则该特定区域可以被指定为空区域，或特定区域可以“借用”在相邻区域中可用的训练数据的至少一些。过程300的结果是具有与针对地区100的多个区域102(1)-(N)的分区信号传播模型相关联WiFi AP 104(1)-(P)的分区模型框架。
图4是针对分区定位的说明性过程的流程图。说明性过程400可以从图3的过程300的步骤304继续(由图3和4的“A”指示符所指定的)，或许作为实时分区模型训练和定位过程的一部分。出于讨论的目的，参考图2的架构200，并且具体地参考包括区域选择组件226的分区定位组件224，来描述过程400。
在402，分区定位组件224接收与WiFi启用的设备204相关联的位置查询。该位置查询可以以指示范围中的WiFi AP 104(1)-(P)以及相关联的来自WiFi AP 104(1)-(P)的RSS测量结果的WiFi样本206的形式。
在404，区域选择组件226在WiFi启用的设备204被定位的情况下，在地区100的多个可用区域中选择目标区域。如上所述，存在在404选择目标区域的各种方式，包括使用基于地区100内的WiFi AP 104(1)-(P)的至少一些的直方图的朴素贝叶斯区域选择技术。其他合适的方式包括“最小误差”方式或“最接近区域”方式，如上所述。在404的目标区域的选择可以包括删除或以其他方式忽略不大可能的区域，诸如通过针对相应的区域使用布隆滤波器来比较在每个区域中的共同WiFi AP 104(1)-(P)和在402处接收的WiFi样本206中包括的范围中的WiFi AP。
在406，分区定位组件224在基于分区模型的定位方案和基于指纹的定位方案之间选择定位方案以用于在404选择的目标区域内的定位。在一些实施例中，在406的方案选择可以取决于在404选择的目标区域内的训练数据(即，WiFi样本106(1)-(Q))的密度和覆盖范围。
在408，分区定位组件224应用在406选择的定位方案来估计WiFi启用的设备204的位置。当基于分区模型的方案被选择时，例如，与目标区域相关联的分区信号传播模型可以被应用以估计WiFi启用的设备204的位置。当基于指纹的方案在406被选择时，分区定位组件224可以确定在WiFi样本106(1)-(Q)和它们的对应位置的数据库内的匹配WiFi样本106，以估计WiFi启用的设备204的位置。因此，过程400促进用于定位的目的的分区信号传播模型和/或基于分区指纹的方案的利用，导致更好的模型适合度，以提供针对更高定位精度的更好性能。
图5是用于在分区定位期间选择目标区域的说明性过程500的流程图。说明性过程500可以是被包括在图4中所示的过程400的步骤404内的更详细的过程。出于讨论的目的，参考图2的构架200，并且具体地参考区域选择组件226，来描述过程500。
在502，区域选择组件226获得包括与诸如图1的地区100的地区内的WiFi AP 104(1)-(P)的单个WiFi AP 104相关联的RSS概率分布的直方图。在504，WiFi样本206从提交位置查询的WiFi启用的设备204被接收。该WiFi样本206包括在WiFi启用的设备204的视野中(即，范围中)的所有WiFi AP 104(1)-(P)，以及对在WiFi启用的设备204处的关于视野中的WiFi AP 104(1)-(P)的每个WiFi AP 104的RSS测量结果进行详细描述的RSS指纹。
在506，区域选择组件226计算在地区100的多个区域102(1)-(N)的单个区域102中观察到报告的RSS指纹的可能性。在一些实施例中，不大可能的区域被删除，以便仅考虑排他地使用候选区域的直方图的候选组中的那些区域。
在508，区域选择组件226在地区100的多个可用区域中选择最大化观察到在接收到的WiFi样本206中被报告的RSS指纹的可能性的目标区域。过程500反映上面描述的朴素贝叶斯区域选择技术，朴素贝叶斯区域选择技术是作为针对进行查询的WiFi启用的设备204选择具有最佳位置的目标区域的合适方式。
在某些情况下，执行定位的地区可以包含具有拥有多个楼层或等级的3D体积的空间。图6图示具有多个楼层(l)-(N)的地区600。在该多楼层的场景中，多个可用楼层(l)-(N)中的目标楼层被选择以解析WiFi启用的设备204的位置。根据本文所公开的实施例，各种方法可以被采用以检测目标楼层。一个示例方式是将每个楼层视为区域，并且以如上所述的类似方式处理区域选择。
另一方法是以与上面描述的方式类似的方式来将楼层划分为多个区域，将每个楼层视为地区。全局信号传播模型可以针对每个楼层被训练。楼层检测然后变为区域选择的副产品。也就是说，使用任何上面描述的技术，可以在定位过程期间响应于来自WiFi启用的设备204的位置查询来选择目标区域602，并且与目标区域相关联的楼层(如，在该情况下，楼层2)根据区域和楼层之间维持的关联信息被确定。为了解析WiFi启用的设备204的位置，可以使用与目标区域602相关联的分区信号传播模型，并且在某些情况下，可以使用与楼层2相关联的全局模型(其可以与其他楼层相关联的全局模型不同)。
图6进一步图示用于确定用于分区定位的目标楼层的说明性过程604的流程图。在606，WiFi样本206从提交位置查询的WiFi启用的设备204被接收。该WiFi样本206包括视野中(即，范围中)的所有WiFi AP 104(1)-(P)，以及对在WiFi启用的设备204处的与视野中的每个WiFi AP 104对应的RSS测量结果进行详细描述的RSS指纹。
在608，区域选择组件226计算在地区600的多个区域的单个区域中观察到报告的RSS指纹的可能性。在一些实施例中，不大可能的区域被删除，以便仅考虑排他地使用候选区域的直方图的候选组中的那些区域。
在610，区域选择组件226在地区600的多个可用区域中选择最大化在接收到的WiFi样本206中观察到报告的RSS指纹的可能性的目标区域602。在612，目标楼层基于选择的目标区域602被确定。
图7是补偿设备增益分集的说明性过程700的流程图。也就是说，不同WiFi启用的设备204(1)-(N)即使在相同位置处，也倾向报告不同WiFi信号强度测量结果(即，不同灵敏度)。不同WiFi启用的设备204(1)-(N)中的这种设备增益分集影响基于模型的定位过程，包括哪个区域要被选择为目标区域。如果不同设备被用于收集用于模型训练的训练样本，则在调查数据212中的训练样本也可以被设备增益分集影响。
在702，来自WiFi启用的设备204的RSS测量结果移位在可能的增益偏移范围中的多个增益偏移值。例如，-20dB到+20dB的增益偏移范围可以被用作增益偏移范围，并且在WiFi样本206中的给定RSS测量结果然后跨可能的增益偏移范围被反复地偏移。例如，一次移位可以将测量的RSS偏移-20dB，而下一次移位可以将测量的RSS偏移-19dB，并且以此类推，直到最后的移位将测量的RSS偏移+20dB为止。
在704，每个移位的RSS测量结果关于在地区100的多个区域的单个区域中观察到相应的移位的RSS测量结果的可能性被分析，并且最大化观察到移位的RSS的可能性的区域被选择。在706，与在来自每个移位的RSS测量结果的所有可能性中的最大值对应的增益偏移在706被选择为针对接收到的RSS测量结果的增益偏移。在一些实施例中，在704选择的区域可以是用于定位目的的目标区域，诸如在图4的过程400的404选择的目标区域。在该场景中，可以在定位过程期间使用增益偏移，诸如图4的过程400。
本文所描述的环境和单个元件当然可以包括许多其他逻辑、程序和物理组件，在附图中所示的那些环境和单个元件仅是与本文中的讨论有关的示例。
本文所描述的各种技术在给定示例中被假设为在计算机可执行指令或软件的一般上下文中被实现，计算机可执行指令或软件是诸如存储在计算机可读存储器中并由如图中图示的一个或多个计算机或其他设备的(多个)处理器执行的程序模块。通常，程序模块包括例程、程序、对象、组件、数据结构等，并且定义用于执行特定任务或实现特定抽象数据类型的操作逻辑。
其他架构可以用于实现所描述的功能，并且旨在在本公开的范围内。此外，虽然上面定义的职责的具体分布出于讨论的目的，但是各种功能和职责取决于情况可以以不同方式被分布和分割。
类似地，软件可以以不同方式并且使用不同手段被存储和分布，并且上面描述的特定软件存储器和执行配置可以以许多不同方式变化。因此，实现上面描述的技术的软件可以分布在各种类型的计算机可读介质上，而不限于所具体描述的存储器的形式。
结论
最后，虽然各种实施例已以特定于结构特征和/或方法动作的语言进行了描述，但是应理解所附表示中限定的主题不必限于所描述的具体特征或动作。相反，具体特征和动作被公开为实现所要求保护的主题的示例形式。

Claims (15)

1.一种用于利用分区信号传播模型来估计无线通信设备的位置的计算机实现的方法，所述方法包括：
接收与所述无线通信设备相关联的位置查询；
由一个或多个处理器在地区的多个可用区域中选择目标区域；以及
由所述一个或多个处理器至少部分基于与所述目标区域相关联的信号传播模型来估计所述无线通信设备的所述位置。
2.根据权利要求1所述的计算机实现的方法，其中与所述目标区域相关联的所述信号传播模型基于在所述目标区域中被排他地观察到的训练样本被生成。
3.根据权利要求2所述的计算机实现的方法，其中在与所述目标区域相关联的所述信号传播模型被生成之前，被观察到的所述训练样本的数量满足或超过训练样本的阈值数量。
4.根据权利要求3所述的计算机实现的方法，其中所述阈值数量是5。
5.根据权利要求1所述的计算机实现的方法，其中选择所述目标区域包括:
从所述无线通信设备接收无线通信样本，所述无线通信样本报告在所述无线通信设备处的来自一个或多个无线接入点的接收信号强度(RSS)；
使用所述一个或多个无线接入点的直方图来计算在所述多个可用区域的单个区域中观察到所述无线通信样本的可能性；以及
将所述目标区域选择为在所述多个可用区域中最大化观察到所述无线通信样本的可能性的区域。
6.根据权利要求5所述的计算机实现的方法，进一步包括：
基于所述地区中的无线接入点和在所述无线通信样本中报告的所述一个或多个无线接入点的比较，过滤出所述多个可用区域中的区域，以获得具有对所述一个或多个无线接入点共同的至少一个无线接入点的候选区域组；以及
使用在所述候选区域组中的无线接入点的特定直方图来计算在所述候选区域的单个候选区域中观察到所述无线通信样本的可能性。
7.根据权利要求1所述的计算机实现的方法，其中选择所述目标区域包括：
使用与所述地区相关联的全局信号传播模型来获得所述无线通信设备的估计位置；以及
将所述目标区域选择为在所述多个可用区域中具有最接近所述估计位置的中心的区域。
8.根据权利要求1所述的计算机实现的方法，其中选择所述目标区域包括：
使用与所述地区相关联的全局信号传播模型来获得所述无线通信设备的估计位置；
基于到所述估计位置的距离，在所述多个可用区域中选择最接近区域的子集；
根据与所述最接近区域的每个最接近区域相关联的相应的信号传播模型，来估计所述无线通信设备的所述位置；以及
将所述目标区域选择为在所述最接近区域的所述子集中最小化针对所述相应的信号传播模型的模型适合度误差的区域。
9.根据权利要求1所述的计算机实现的方法，其中所述目标区域与在组成室内空间的所述地区的多个楼层中的楼层相关联，并且估计所述无线通信设备的所述位置包括在所述多个楼层中确定所述楼层。
10.根据权利要求7所述的计算机实现的方法，进一步包括：
应用所述全局信号传播模型来确定所述无线通信设备的估计位置；
比较与所述目标区域相关联的所述信号传播模型和所述全局信号传播的相应的模型适合度误差；以及
使用与所述相应的模型适合度误差的最小模型适合度误差相关联的信号传播模型来解析最终位置估计。
11.根据权利要求1所述的计算机实现的方法，进一步包括：
将至少一个其他目标区域选择为候选区域组的一部分；
确定与所述候选区域的每个候选区域相关联的相应的信号传播模型；
应用所述相应的信号传播模型来估计针对所述候选区域的每个候选区域的所述无线通信设备的相应的位置；以及
将最终位置估计解析为所述相应的位置的平均值。
12.根据权利要求1所述的计算机实现的方法，进一步包括：
将所述地区划分为所述多个可用区域；以及
生成针对所述多个可用区域的每个可用区域中的一个或多个无线接入点的单个无线接入点的一个或多个信号传播模型，所述一个或多个信号传播模型包括与所述目标区域相关联的所述信号传播模型。
13.根据权利要求12所述的计算机实现的方法，其中生成针对每个区域中的所述一个或多个无线接入点的单个无线接入点的所述一个或多个信号传播模型，包括：
收集报告在所述区域内的不同位置处的接收信号强度(RSS)的多个训练样本；以及
基于所收集的训练样本，获得针对在所述区域中的所述一个或多个无线接入点的单个无线接入点的路径损耗模型的参数组。
14.根据权利要求12所述的计算机实现的方法，其中将所述地区划分为所述多个可用区域包括选定所述地区的地图图块表示的等级，并且将在选定的等级处的所述地图图块表示的每个图块指定为所述多个可用区域的单独区域。
15.根据权利要求12所述的计算机实现的方法，其中将所述地区划分为所述多个可用区域包括：
确定所述地区内至少包含阈值数量的观察到的训练样本的子地区；以及
将每个子地区指定为所述多个可用区域的单独区域。
CN201580009668.5A 2014-02-20 2015-02-02 用于定位的计算机实现的方法和系统 Active CN106233798B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US14/185,768 2014-02-20
US14/185,768 US9674656B2 (en) 2014-02-20 2014-02-20 Wireless-based localization using a zonal framework
PCT/US2015/014101 WO2015126606A1 (en) 2014-02-20 2015-02-02 Localization of a wireless user equipmentdevice in a target zone

Publications (2)

Publication Number Publication Date
CN106233798A true CN106233798A (zh) 2016-12-14
CN106233798B CN106233798B (zh) 2019-11-01

Family

ID=52484580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580009668.5A Active CN106233798B (zh) 2014-02-20 2015-02-02 用于定位的计算机实现的方法和系统

Country Status (10)

Country Link
US (1) US9674656B2 (zh)
EP (1) EP3108706B1 (zh)
JP (1) JP6562933B2 (zh)
KR (1) KR102294214B1 (zh)
CN (1) CN106233798B (zh)
AU (1) AU2015219463B2 (zh)
CA (1) CA2938864C (zh)
MX (1) MX356575B (zh)
RU (1) RU2685227C2 (zh)
WO (1) WO2015126606A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107690185A (zh) * 2017-09-27 2018-02-13 海信集团有限公司 一种基于基站进行终端定位的方法和设备
CN110426041A (zh) * 2019-07-30 2019-11-08 北京市商汤科技开发有限公司 定位及定位模型的训练方法、装置、电子设备和存储介质
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113490232A (zh) * 2021-07-02 2021-10-08 北京鼎普科技股份有限公司 一种热点分布检测方法和系统

Families Citing this family (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9572125B1 (en) * 2014-09-03 2017-02-14 Symantec Corporation Systems and methods for locating unrecognized computing devices
KR101606382B1 (ko) * 2014-12-04 2016-03-25 현대모비스 주식회사 핑거프린팅 측위를 위한 데이터베이스 구축 방법 및 구축된 데이터베이스를 이용한 핑거프린팅 측위 방법
US9426622B2 (en) * 2014-12-22 2016-08-23 Verizon Patent And Licensing Inc. Determination of a location of a device based on information that identifies locations of other devices
US10609543B2 (en) * 2015-12-08 2020-03-31 Apple Inc. Flexible BTLE TDS frame format for bi-directional service discovery
CN107064873B (zh) * 2016-03-16 2019-02-15 北京国承万通信息科技有限公司 定位光束发射系统、方法及室内定位系统
CN105842659B (zh) * 2016-03-16 2019-05-14 北京国承万通信息科技有限公司 辅助定位系统及方法和室内定位系统及方法
CN105842660B (zh) * 2016-03-16 2019-05-14 北京国承万通信息科技有限公司 光束发射/接收系统、接收方法和室内定位系统及方法
CN105891778B (zh) * 2016-04-05 2018-10-30 北京国承万通信息科技有限公司 定位光束发射系统、方法及室内定位系统
KR102598441B1 (ko) 2016-08-25 2023-11-06 삼성전자 주식회사 위치 인식 방법 및 이를 지원하는 전자 장치
KR20180071095A (ko) * 2016-12-19 2018-06-27 삼성전자주식회사 위치 정보 제공 방법 및 그 장치
KR20180083095A (ko) * 2017-01-12 2018-07-20 충북대학교 산학협력단 비콘의 rssi를 이용한 실내 측위 방법 및 시스템
US10547983B2 (en) 2017-09-21 2020-01-28 Here Global B.V. Controlling radio fingerprint observation report collection
US10681511B1 (en) 2017-11-03 2020-06-09 Skyhook Wireless, Inc. Techniques for determining whether a mobile device is inside or outside a zone of a venue
KR102083377B1 (ko) * 2017-12-26 2020-03-03 성균관대학교산학협력단 무선 통신 시스템에서 단말 위치를 추정하는 방법 및 이를 위한 장치
CN108989974B (zh) * 2018-04-08 2020-12-11 深圳一清创新科技有限公司 动物定位方法、装置、计算机设备和存储介质
WO2020006299A1 (en) 2018-06-27 2020-01-02 Niantic, Inc. Multi-sync ensemble model for device localization
CN110719568B (zh) * 2018-07-13 2022-03-25 腾讯大地通途（北京）科技有限公司 一种室内定位方法、装置、介质以及设备
CN111257830B (zh) * 2018-12-03 2023-08-04 南京理工大学 基于预先设定ap位置的wifi定位算法
US11080311B2 (en) * 2018-12-20 2021-08-03 Here Global B.V. Method and apparatus for identifying critical parameters of a localization framework based on an input data source
CN111163514B (zh) * 2019-12-11 2021-03-30 北京航空航天大学 一种最优区域自适应选取的指纹定位方法和系统
FR3105442B1 (fr) * 2019-12-19 2022-03-04 Sagemcom Energy & Telecom Sas Procede de geolocalisation d’objets connectes et dispositif associe.
US11461699B2 (en) * 2020-02-05 2022-10-04 Samsung Electronics Co., Ltd. Device-free localization robust to environmental changes
US11438886B2 (en) * 2020-02-27 2022-09-06 Psj International Ltd. System for establishing positioning map data and method for the same
EP4205318A1 (en) * 2020-12-22 2023-07-05 Huawei Technologies Co., Ltd. Devices and methods for localization
US11778484B2 (en) * 2021-11-02 2023-10-03 Qualcomm Technologies, Inc. Mobility and zone management in zone-based federated learning

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1731919A1 (de) * 2005-06-10 2006-12-13 Deutsche Telekom AG Verfahren und System zur Lokalisierung eines mobilen WLAN-Clients
WO2008006077A2 (en) * 2006-07-07 2008-01-10 Skyhook Wireless Inc. Systems and methods of gathering information from wlan- enabled access points to estimate position of a wlan positioning device
CN101466070A (zh) * 2009-01-09 2009-06-24 吴鑫 一种基于无线信号接收强度分布自动学习的无线室内定位方法
CN101742545A (zh) * 2009-12-15 2010-06-16 中国科学院计算技术研究所 WiFi环境中的定位方法及其系统
CN102137488A (zh) * 2011-02-16 2011-07-27 北京邮电大学 定位方法及装置

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ATE365337T1 (de) 2001-09-05 2007-07-15 Newbury Networks Inc Positionsdetektion und standortverfolgung in einem drahtlosen netzwerk
US6826162B2 (en) 2001-09-28 2004-11-30 Hewlett-Packard Development Company, L.P. Locating and mapping wireless network devices via wireless gateways
FI113410B (fi) 2002-05-31 2004-04-15 Ekahau Oy Probabilistinen malli paikannustekniikkaa varten
US7319877B2 (en) 2003-07-22 2008-01-15 Microsoft Corporation Methods for determining the approximate location of a device from ambient signals
US7738881B2 (en) 2003-07-22 2010-06-15 Microsoft Corporation Systems for determining the approximate location of a device from ambient signals
US7202816B2 (en) 2003-07-22 2007-04-10 Microsoft Corporation Utilization of the approximate location of a device determined from ambient signals
US7293088B2 (en) * 2003-07-28 2007-11-06 Cisco Technology, Inc. Tag location, client location, and coverage hole location in a wireless network
US7647171B2 (en) 2005-06-29 2010-01-12 Microsoft Corporation Learning, storing, analyzing, and reasoning about the loss of location-identifying signals
US7933612B2 (en) 2006-02-28 2011-04-26 Microsoft Corporation Determining physical location based upon received signals
US7515578B2 (en) * 2006-05-08 2009-04-07 Skyhook Wireless, Inc. Estimation of position using WLAN access point radio propagation characteristics in a WLAN positioning system
US7783303B1 (en) 2006-07-14 2010-08-24 Carrier Iq, Inc. Systems and methods for locating device activity in a wireless network
US8483719B2 (en) * 2007-06-01 2013-07-09 Qualcomm Incorporated Methods and apparatus for determining FEMTO base station location
US8520647B2 (en) 2007-09-26 2013-08-27 Aruba Networks, Inc. Wireless client position estimating system and method
US8212723B2 (en) * 2008-08-27 2012-07-03 Qualcomm Incorporated Method and apparatus for determining at a predetermined granularity the direction and range of a transmitting mobile device
IE20100162A1 (en) * 2009-03-19 2010-09-29 Cork Inst Technology A location and tracking system
US8618984B2 (en) 2010-03-19 2013-12-31 Microsoft Corporation Selecting beacons for location inference
JP5691613B2 (ja) * 2011-02-18 2015-04-01 富士通株式会社 移動端末位置推定装置、移動端末位置推定方法及び電波環境指標算出方法
US9019984B2 (en) * 2011-06-03 2015-04-28 Apple Inc. Selecting wireless access points for geofence monitoring
US8938255B2 (en) * 2011-08-01 2015-01-20 Aeroscout, Ltd Devices, methods, and systems for radio map generation
JP2013053930A (ja) * 2011-09-05 2013-03-21 Nippon Telegr & Teleph Corp <Ntt> 物品位置特定システム、物品位置特定方法および物品位置特定プログラム
US8874133B2 (en) 2011-12-05 2014-10-28 Jdsu Uk Limited System and methods of mobile geolocation
WO2013085516A1 (en) 2011-12-08 2013-06-13 Intel Corporation Location sensing using channel fading fingerprinting
US9279878B2 (en) * 2012-03-27 2016-03-08 Microsoft Technology Licensing, Llc Locating a mobile device
US8838151B2 (en) * 2012-03-30 2014-09-16 Cambridge Silicon Radio Limited Method and apparatus for positioning using quasi-fingerprinting
EP2845025A4 (en) 2012-05-01 2016-03-09 Intel Corp SIMULTANEOUS MAPPING AND LOCATION USING SPATIAL AND TEMPORAL COHERENCE FOR INDOOR LOCALIZATION
US8849188B2 (en) 2012-08-02 2014-09-30 Intel Corporation Detecting sub-meter region of interest using radio signals

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1731919A1 (de) * 2005-06-10 2006-12-13 Deutsche Telekom AG Verfahren und System zur Lokalisierung eines mobilen WLAN-Clients
WO2008006077A2 (en) * 2006-07-07 2008-01-10 Skyhook Wireless Inc. Systems and methods of gathering information from wlan- enabled access points to estimate position of a wlan positioning device
CN101466070A (zh) * 2009-01-09 2009-06-24 吴鑫 一种基于无线信号接收强度分布自动学习的无线室内定位方法
CN101742545A (zh) * 2009-12-15 2010-06-16 中国科学院计算技术研究所 WiFi环境中的定位方法及其系统
CN102137488A (zh) * 2011-02-16 2011-07-27 北京邮电大学 定位方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107690185A (zh) * 2017-09-27 2018-02-13 海信集团有限公司 一种基于基站进行终端定位的方法和设备
CN110426041A (zh) * 2019-07-30 2019-11-08 北京市商汤科技开发有限公司 定位及定位模型的训练方法、装置、电子设备和存储介质
CN110426041B (zh) * 2019-07-30 2022-02-22 北京市商汤科技开发有限公司 定位及定位模型的训练方法、装置、电子设备和存储介质
CN113344212A (zh) * 2021-05-14 2021-09-03 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113344212B (zh) * 2021-05-14 2024-01-19 香港中文大学（深圳） 模型训练方法、装置、计算机设备及可读存储介质
CN113490232A (zh) * 2021-07-02 2021-10-08 北京鼎普科技股份有限公司 一种热点分布检测方法和系统
CN113490232B (zh) * 2021-07-02 2024-05-10 北京鼎普科技股份有限公司 一种热点分布检测方法和系统

Also Published As

Publication number Publication date
WO2015126606A1 (en) 2015-08-27
CA2938864A1 (en) 2015-08-27
KR20160123339A (ko) 2016-10-25
RU2685227C2 (ru) 2019-04-17
CA2938864C (en) 2021-08-24
JP2017507330A (ja) 2017-03-16
US9674656B2 (en) 2017-06-06
MX356575B (es) 2018-06-04
US20150237471A1 (en) 2015-08-20
MX2016010707A (es) 2016-11-10
JP6562933B2 (ja) 2019-08-21
RU2016134015A3 (zh) 2018-09-18
KR102294214B1 (ko) 2021-08-27
RU2016134015A (ru) 2018-02-22
EP3108706B1 (en) 2020-06-03
AU2015219463A1 (en) 2016-08-11
AU2015219463B2 (en) 2018-08-02
CN106233798B (zh) 2019-11-01
EP3108706A1 (en) 2016-12-28

Similar Documents

Publication Publication Date Title
CN106233798A (zh) 在目标区域中的无线用户设备装置的定位
US9869748B2 (en) Locating a mobile device
CN106792465B (zh) 一种基于众包指纹的室内指纹地图构建方法
US9658312B2 (en) Location detection system and method
CN104204723B (zh) 用于基于WiFi的室内定位的接入点地点和地图信息的混聚
CA2638754C (en) Position detection and location tracking in a wireless network
US9063209B2 (en) Location tracking system and method of wireless device using wireless LAN access point
CN107111641A (zh) 用于更新定位数据的数据库的定位估计
KR101154732B1 (ko) 신뢰도 기반의 무선랜 ａｐ를 이용한 무선 디바이스의 실시간 위치 추적 시스템 및 방법
KR20090009957A (ko) Ｗｌａｎ 위치 확인 시스템에서 사용하기 위한 ｗｌａｎ 액세스 포인트 특성의 품질 계산 방법
CN103080765A (zh) 用于估计移动设备在结构内的位置的方法和装置
CN103916955A (zh) 用于无线定位的装置及方法
Koo et al. Autonomous construction of a WiFi access point map using multidimensional scaling
Machaj et al. Impact of optimization algorithms on hybrid indoor positioning based on GSM and Wi‐Fi signals
Kim et al. A Design of Irregular Grid Map for Large‐Scale Wi‐Fi LAN Fingerprint Positioning Systems
Laoudias et al. Indoor quality-of-position visual assessment using crowdsourced fingerprint maps
Lin et al. Two-stage clustering for improve indoor positioning accuracy
Yun et al. A Bluetooth beacon-based indoor localization and navigation system
CN105074736A (zh) 支持覆盖区域建模
Du Map-assisted Indoor Positioning Utilizing Ubiquitous WiFi Signals
Chan et al. Wireless Signal and Information Tracking Using Fuzzy Logic
Agrawal Indoor localization of mobile users

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant