CN106471338A

CN106471338A - 确定移动设备在地理区域中的位置

Info

Publication number: CN106471338A
Application number: CN201580020159.2A
Authority: CN
Inventors: 尼基·特里戈尼; 肖卓凌
Original assignee: Oxford Innovation Co Ltd, University of
Current assignee: Oxford Innovation Co Ltd, University of; Oxford University Innovation Ltd
Priority date: 2014-02-17
Filing date: 2015-02-16
Publication date: 2017-03-01
Also published as: US20190242713A1; CN110501010A; EP3108207A1; US20170074665A1; US10281282B2; AU2015216722B2; EP3108207B1; WO2015121677A1; ES2821440T3; AU2015216722A1

Abstract

一种使用模型确定移动设备的位置的方法。该模型包括：图形，其包括一组顶点和该顶点之间的一组边缘；一个或多个特征函数，其以所该图形的一个或多个顶点和用于该设备的一组观测值作为输入，并且返回特征值。该模型通过以下方式构造：获得地理区域的地图；使用该地图构造图形，其中，该图形的顶点对应于该地图的区域，并且当与两个顶点相对应的区域相邻且设备可以在这两个顶点之间移动时，这两个顶点通过边缘相连；使用该图形建立一个或多个特征函数，其中，一个或多个特征函数的特征值表明测值支持被置于与图形的一个或多个顶点相对应的区域中的设备的程度。接着，该方法包括步骤：从设备的传感器获得一组观测值；确定用于设备的轨迹，轨迹优化了由为该组观测值给出的特征函数给出的值；以及将所述设备的位置确定为所述轨迹的结束点。

Description

确定移动设备在地理区域中的位置

技术领域

本发明涉及确定移动设备在地理区域中的位置。本发明特别适用于作为室内区域的地理区域。更具体地，但不仅限于，本发明涉及构造包括用于执行图形和特征函数的模型的方法。

背景技术

在户外，设备的位置的识别，例如，识别移动手机的位置，主要是使用GPS(全球定位系统)完成的。然而，GPS数据并不总是可获得的，尤其当设备在室内的时候，因为GPS数据依赖于专用GPS卫星发射的无线电信号。因此，已经提出不使用GPS数据，而使用由设备的惯性测量单元(如，加速计、磁强计、陀螺仪单元)提供的运动测量值的各种定位系统。然而，到目前为止提出的所有系统都有一些缺点，没有哪个系统居于主宰地位。

使用显示区域中的边界的电子地图变得越来越普遍，特别是对于室内区域。这样的电子地图可以被认为是带有约束的空间图。最基本的电子地图对应于楼层平面图，其识别在该楼层平面图内对可能的运动的约束，也就是说，人不能步行通过的墙。地图还可能包括其他有用数据(本质上为元数据)，如WiFi接入点的位置、射频指纹、信号强度峰值或失真的地磁场。

已经提出与室内定位系统一起使用的各种地图匹配技术。在地图匹配中，随着时间的推移获得一系列观测值，如惯性轨迹或RF扫描。接着，地图匹配涉及尝试将观测值与由地图提供的约束相协调，以便评估最可行的轨迹(即，设备的位置序列)，也就是说，与约束冲突最少的轨迹。

建议的地图匹配技术包括基于递归贝叶斯滤波器，如粒子/卡尔曼滤波器和隐马尔可夫模型(HMM)。然而，这些技术在计算上开销很高，并因此远程运行在通过互联网联系的服务器上，而不是在设备本身上。这导致时间延迟(“滞后”)、在缺乏可靠互联网连接时缺少服务、以及敏感传感器/位置信息潜在泄漏给第三方。这些技术还通常要求高精度传感器数据，以便提供准确结果，这导致在设备上的能量损耗。

本发明旨在解决和/或减轻上述问题。可选地或附加地，本发明旨在提供改进的定位系统，这些定位系统容易被扩展以包含新的传感器数据类型，以便提供更准确的结果。

发明内容

根据本发明的第一实施例，提供了一种构造用于确定移动设备在地理区域中的位置的模型的计算机执行的方法，其中，所述模型包括：

图形，其包括一组顶点和所述顶点之间的一组边缘；

一个或多个特征函数，其以所述图形的一个或多个顶点和用于所述设备的一组观测值作为输入，并且返回特征值；

所述方法包括以下步骤：

获得所述地理区域的地图；

使用所述地图构造所述图形，其中，所述图形的所述顶点对应于所述地图的区域，并且当与两个顶点相对应的所述区域相邻且设备可以在这两个顶点之间移动时，这两个顶点通过边缘相连；

使用所述图形建立一个或多个特征函数，其中，所述一个或多个特征函数的所述特征值表明所述观测值支持所述设备置于与所述图形的所述一个或多个顶点相对应的区域中的程度。

通过使用这样的图形和使用该图形定义的特征函数，例如当由于设备和GPS卫星之间的障碍、GPS无线电信号堵塞导致没有可用的可靠GPS数据时，或者当GPS信号可能被欺骗时，可以无需使用GPS数据而确定移动设备的位置。

模型的提供有利的是，可以有效地计算该模型而无需大量的存储空间。此外，可以根据需要定义特征函数，从而考虑可以做出的不同的观测值，提供灵活性和扩展性。

所述移动设备可能是移动电话、平板电脑、可穿戴设备等。可选地，所述移动设备可能是移动自主/半自主机器，如移动工业机器人。

用于所述移动设备的观测值可能由加速计、磁强计、陀螺仪、WiFi(即，无线电通信)传感器等传感器提供。所述传感器可能合并在所述设备中，或者可能通过其他设备提供，如穿在所述设备的用户的身体上的传感器或者有用户携带的另一设备。

所述地图可能是二维或三维的。所述地图可能例如覆盖建筑物的若干层。例如，在所述地图为建筑物的地图的情况下，可以识别楼梯和电梯等特征，为提议的模型提供更多约束并且提高定位的精度。

可选地，只通过所述设备的加速计和磁强计提供所述观测值，因为所述加速计和磁强计需要的能量比其他传感器更少(例如，陀螺仪可能使用高10倍的能量，WiFi可能使用高200倍的能量)。此外，可穿戴设备可能只包含加速计和磁强计，以便保存能量。已经发现，即使当只使用由加速计和磁强计提供的“噪声”传感器数据时，本发明的方法仍足够健壮来提供精确结果。

有利地，所述地理区域是室内区域。所述室内区域可能是建筑物的内部，但是可选地，可能是洞穴、地下隧道、工业管道等。

优选地，所述模型包括以所述图形的第一顶点和第二顶点，以及表明所述设备从对应于所述第一顶点的区域到对应于所述第二顶点的区域的运动的一组观测值，作为输入的特征函数。优选地，所述运动观测值包括所述运动的距离和角度。

有利地，所述模型包括以所述图形的第一顶点和第二顶点，以及由确定的旋转角度校正的表明所述设备从对应于所述第一顶点的区域到对应于所述第二顶点的区域的运动的一组观测值，作为输入的特征函数。优选地，在预先确定的长度时间窗上确定所述旋转角度。

所述模型可能包括以所述图形的顶点，以及表明所述设备在对应于所述顶点的区域内测量的无线电信号强度测量值的一组观测值，作为输入的特征函数。

可以理解的是，可以使用基于由设备的传感器提供的任何其他观测值的特征函数。

优选地，构造所述图形的步骤包括移除与设备不可能到达的区域相对应的任何顶点的步骤。这使得使用模型的计算更有效率。可以通过检查是否存在到可达到顶点的一连串边缘，识别要移除的顶点。

每个特征函数具有相应的权重值。在这种情况下，所述方法可能包括通过使用至少一个已知的设备轨迹和相应的一组观测值训练所述模型来确定用于所述特征函数的所述权重值的步骤。

依照本发明的第二实施例，提供了一种通过对使用任何前述权利要求的方法得到的模型的使用来确定移动设备的位置的计算机执行的方法，包括以下步骤：

从所述设备的所述传感器获得一组观测值；

确定用于所述设备的轨迹，所述轨迹优化了由为所述组观测值给出的所述特征函数给出的值；以及

将所述设备的位置确定为所述轨迹的结束点。

所述移动设备可能是移动电话、平板电脑、可穿戴设备等。有利地，只通过所述设备的所述加速计和所述磁强计提供所述观测值。如上所述，这些比其他传感器需要更少能量，并且可穿戴设备可能只包含加速计和磁强计。

有利地，所述方法在所述移动设备的协同处理器上执行，并且不需要使用所述移动设备的主处理器。

可能使用Viterbi算法完成所述优化。

优选地，所述方法还包括在所述设备的屏幕上的地图上显示确定的所述位置的步骤。

有利地，所述方法还包括确定所述设备的前进方向，并且使用确定的所述前进方向校正所述组观测值中的前进方向偏向的步骤。

有利地，所述方法还包括确定至少一个参数的步骤，所述至少一个参数用于确定用于所述设备的所述观测值。接着，所述参数可以用于提高获得的用于所述设备的观测值的精度，从而当长时间地确定位置时有助于确保所述方法的健壮性，并且防止“漂移”。有利地，所述至少一个参数包括步参数。所述步参数可能是步长、步频系数和/或步常数。更有利地，所述至少一个参数包括前进方向偏向参数。

依照本发明的第三实施例，提供了一种布置为执行任何的上述方法的计算设备。所述技术设备可能是，例如，可以通过互联网通信的服务器。优选地，所述计算设备还布置为向移动设备发送构造的所述模型。

所述计算设备可能是移动设备。所述移动设备可能是移动电话、平板电脑、可穿戴设备等。优选地，所述移动设备还布置为从技术设备接收构造的所述模型。可选地，所述移动设备可能布置为自身构造所述模型。

依照本发明的第四实施例，提供了一种包括如上所述的计算设备和如上所述的移动设备的系统。所述计算设备和移动设备可能在互联网上通信。

依照本发明的第五实施例，提供了一种计算机程序产品，布置为当其执行在计算设备上时，执行任何如上所述的方法。所述技术设备可能是移动设备。

依照本发明的第六实施例，提供了一种计算机程序产品，布置为当前执行在计算机设备上时，提供如上所述的计算设备。所述计算设备可能是移动设备。

依照本发明的第九实施例，提供了一种计算机程序产品，布置为当其执行在移动设备上时，提供如上所述的移动设备。

当然，可以理解的是，涉及本发明的一个方面而被描述的特征可能并入到本发明的其他方面中。例如，本发明的方法可能包含参照本发明的设备所述的任何特征，反之亦然。

附图说明

现在将参照以下附图举例说明本发明的实施例：

图1为展示了在最高的层次上的依照本发明的实施例的系统的操作的流程图；

图2a到2b展示了依照图1的实施例的图形的创建；

图3为展示了的位置确定系统用于确定与远程服务器通信的设备的位置的本发明的实施例的流程图。

具体实施方式

现在参照图1到3描述依照本发明的实施例的系统。该系统通过使用无向图形模型，特别是如下详细描述的根据线性链式条件随机场(CRF)的模型的地图匹配确定设备的位置。CRF已经成功用于各种应用，如计算机视觉(例如，划分图像的区域)、生物信息学(例如，分割DNA链中的基因)，以及自然语言处理(例如，从自然语言文本中提取语法)。

CRF是在J.D.Lafferty、A.McCallum、F.C.N.Pereira的“Conditional randomfields:Probabilistic models for segmenting and labelling sequence data,Proceedings of the Eighteenth International Conference on Machine Learning”(ICML’01，第282–289页，2001年)中介绍的无向概率图模型。在线性链式CRF中，考虑到观测值的状态的条件概率与将观测值连接为连续状态的势函数的积成比例，由以下方程表达：

其中，j表示在观测序列中的位置，Ψ为势函数。势函数由多个特征函数f_i组成，每个势函数以不同的方式反映两个状态S_j-1和S_j被观测值Z支持得如何。特征函数可以涉及观测值的不同子集(来自单个步骤或来自多个步骤)，并且可能依赖于S_j-1和S_j中的一个或者这两个：

图1是展示了在最高层次上的系统的操作的流程图。操作的步骤如下，以下将更详细地描述每个步骤。

首先，获得要确定的设备的位置所在的室内区域的地图，该地图用于构造图形(步骤1)。一旦该图形已经被构造，其用于建立一种“特征函数”(步骤2)，该特征函数与从设备获得的观测值一起使用。“模型”包括图形和相应的特征函数。

接着，训练该模型，以便为图形的特征确定“权重”(步骤3)。这个步骤通过将该模型应用于一组或多组采用已知轨迹的观测值，接着“调整”权重使得该模型在应用于这些观测值组时最适合已知的轨迹，从而优化该模型的精度。然而，已经发现，当省略训练该模型的步骤时，本发明的系统也可以提供可靠的结果，并因此在本发明可选的实施例中，不执行该模型的训练。

一旦模型已经被获得和训练(如果需要的话)，那么该模型可以与来自设备的实时观测值一起使用来识别设备的位置(步骤4)。在使用模型来确定设备的位置的过程中，也可以确定和优化在做出观测值时所使用的参数。例如，可以确定由动作感测算法使用来做出动作观测值的步长参数，以及用于做出前进方向观测值的前进方向估计参数。

现在参照图2a到2d描述根据地图的图形构造。首先，获得地图，例如，如图2a所示的代表建筑物楼层的楼层平面的地图11。接着，对该地图进行处理，生成图形；后面的附图展示了应用于地图的区域12的处理，当然，在实际中，通常将对整个地图进行处理。常规的边缘检测算法可能用于“清理”该地图11，从而例如，在彩色地图中确定与在该绘制的地图区域内的运动相关的边缘(即，墙壁)。

地图11被分为尺寸相等的单元13，如图2b所示。更小的单元尺寸导致更高精度的模型，但是其以计算成本为代价。已经发现合适的单元尺寸为边缘长度与将被匹配的平均步长(例如，0.8米)相等的正方形单元。

接着，根据单元13构造图形，从而给出图2c所示的顶点14。每个顶点14与单元13相对应。(在本发明的可选实施例中，顶点可以与一组连续的单元相对应)。

如果顶点共用相同的地理边界(即，如果它们共用边缘或拐角)，并且如果它们的中点被“连接”，即，在地图上没有墙壁阻止这两个单元之间的运动，那么这些顶点可以通过边缘相连。从图形中移除任何不能到达的顶点，即，设备不可能被置于的单元相对应的顶点。这对于使用本方法提供有效的计算性能是很重要的。

在图2d中展示了带有顶点16和边缘17的产生的图形15。(注意到，图2d的图形当然不对应于用于图2c所示的地图区域的图形)。

现在描述用于该模型的特征函数的建立。特征函数f_i定义了一组观测值Z支持已经存在从S_t-1到S_t的状态变化的观点的程度；支持得越强，f_i(S_t-1,S_t,Z)的值越高。在该模型中，状态将对应于设备的位置，因此，f_i的值越大意味着设备从状态S_t-1给定的位置移动到状态S_t给定的位置的可能性越高。采用CRF，可以使用任何一组观测值，但是，可以理解的是，在时间上与t最接近的观测值将是最相关的。

模型的第一特征函数f₁表明惯性测量值Zⁱⁿ _t支持状态S_t-1和S_t之间的转换的程度：

其中，I(S_t-1,S_t)为当状态S_t-1和S_t连接时等于1，否则等于0的指示函数。惯性测量值Zⁱⁿ _t具有两个分量，位移的测量到的长度Z^l _t和角度(前进方向)Z^θ _t，它们被假定是独立的。f^θ ₁和f^l ₁为将角度和长度分别与潜在的图形相关的函数。函数定义f^θ ₁为：

其中，θ(S_t-1,S_t)为状态S_t-1和S_t之间的边缘的方向，σ_θ ²为观测值Z^θ _t的方差。函数f^l ₁被类似地定义。

模型的第二特征函数f₂在最近时间窗中处理前进方向误差的相关性。其实现是通过测量由旋转Zⁱⁿ _t角导出的校正惯性测量值Zⁱⁿ _t 支持状态S_t-1和S_t之间的转换的程度：

其中，被估计为从t-w到t的估计出的前进方向和测量出的前进方向之间的平均前进方向差异，其中，w为合适的窗口尺寸参数，例如，5。估计出的前进方向是基于在使用模型确定位置的过程中生成的最大似然估计(MLE)，如下所述。更具体地：

其中，Θ代表两个向量之间的角度，S^MLE _t为考虑了从0到t的全部观测值的在时刻t的状态的MLE。使用Viterbi算法可以有效地计算出MLE状态估计，再次如下所述。

模型的第三特征函数f₃考虑了连同无线电指纹图的信号强度观测值，如果它对于地图区域是可用的话。(无线电指纹图是用于已知附近无线电源，如WiFi接入点，的无线电信号强度(RSS)数据的图)。不像前面约束状态转换的特征函数，这个特征函数约束单独的状态。其定义如下：

其中，观测值Z^RSS _t具有两个分量，给定的当前位置(RSS)指纹数据的估计出的平均值μ_t和协方差Σ_t。这个特征函数测量状态和基于RSS的位置估计之间的马氏距离的负平方。

组合模型的特征函数给出势函数：

Ψ_j(S_j-1，S_j，Z，j)，

如上所述。可以使用任意一组可用的特征函数，这是本发明的有利特征。本发明的优选实施例将使用上述第一和第二特征函数，或者与类似的观测值有关的特征函数。本发明的实施例可能不使用上述第三特征函数，以便降低模型的复杂度，或者类型地因为无线电指纹图是不可用的。本发明的可选实施例可能使用任何其他合适的特征函数，例如，如果无线电图PeakPointInMap(St)是可用的，其包含来自接入点的接收信号强度指示器(RSSI)占用本地峰值所处的位置，可以额外地使用特征函数：

现在描述模型的训练。该训练使用一组训练数据T，其由一个或多个真实轨迹组成，并且对应于传感器观测值序列。训练的目标是调整势函数Ψ中的特征权重λ_i，以致观测值最佳地支持相应的真实轨迹。该权重反映了相应的特征函数可以依赖作为特定状态转换的支持的程度。

通过将训练数据T上的对数似然(给定状态的观测值的条件概率的对数)最大化实现对模型的训练：

通过求对数似然函数相对于每个特征λ_i的偏导数，并且将其设定为0，得到最大熵模型约束：

E_T(f_i)-E(f_i)＝0；

也就是说，在经验分布E_T(f_i)下第i个特征的期望值等于它在模型分布E(f_i)下的期望值，其中这两个期望值为：

将梯度设定为零并不总是允许获得权重λ_i的分析解，在这种情况下，必须使用迭代法，如迭代缩放或梯度法。无论使用哪种方法，自然都需要有效地计算E_T(f_i)和E(f_i)。对于E_T(f_i)，可以通过遍历每个训练序列，在所有的时间步上将特征函数的加权和加在一起，然后将所有训练序列的结果加在一起，从而简单地实现。然而计算E(f_i)略微更复杂，并且需要被称为向前-向后算法的动态规划方法(类似于通常用于隐马尔可夫模型的一个方法)的使用。在R.Klinger、K.Tomanek的“Classical probabilistic models and conditionalrandom fields”(TR07-2-013，Technische Universitat Dortmund，2007)中描述了这种算法在CRF中的应用。

现在描述使用获得的观测值确定设备的为主的模型的使用。如上所述，这可能在模型已经被训练之后完成，或者可选地，可能省略训练步骤。

使用模型确定设备的位置意味着找到隐藏状态的最有可能的序列吗，即，最有可能的轨迹S^*。这通过解决优化问题完成：

这可以使用G.D.Forney的“The Viterbi algorithm”(Proceedings of the IEEE61(3)：268-278，1973年3月)中的维特比算法完成。在每一步，沿着处于位置j的路径计算最高分δ_j(s)：

对于状态Sj，其以每个可能的值s结束，用这些值逐步填充点阵。点阵的最近填充列代表离散分布并且其被标准化和转换为2维高斯分布，带有由MLE估计确定的平均值和方差

使用2σ或3σ规则计算当前位置估计的精度。

在具体的实施例中，模型的使用涉及以下额外优化的其中一个或两个。对于第一优化步骤，当估计的位置精度很高时，当前步的离散分布用其高斯分布替代；这有助于移除远离真实位置的低概率，并且将它们移至更靠近真实位置，从而略微扩展估计的误差椭圆。这使得模型更健壮以忽略步长的过高估计或过低估计，在若干步之后，可以估计出离开真实位置的位置漂移。第二优化使用模型来估计在每一步的前进方向，以及位置。更具体地，当在确定的路径中存在高可信度时，生成前进方向的估计值，并且将该估计值与由设备的惯性传感器提供的原始前进方向数据比较。这使得设备的陀螺仪的任何偏向均可以被确定和校正。

如上所述，在模型的使用过程中，可以确定用于观测值的参数。

如现在所述的，可以确定步长参数，特别是步常数γ。该步常数用于通过使用以下等式确定估计步长l_t的运动检测：

l_t＝h(αf_t+β)+γ，

其中，f_t为步频，h为行人身高，α为步频系数，β为给定行人身高的步常数。

步长参数学习的核心观点是只有当估计的步长于实际步长相等(或十分接近)时，可以获得给定观测值的状态序列的最大条件概率。这意味着步常数学习可以被采用于优化问题：

上述特征函数不能用于步长参数学习。替代地，开始于初始的γ，整个训练轨迹被分为长度等于图形边缘长度的段。接着，只考虑了前进方向观测值的新的特征函数被定义为：

其中，Z^θ _t为在时刻t的前进方向观测值，θ(S_t-1,S_t)为从状态S_t-1到状态S_t的边缘的方向，σ_θ ²为前进方向观测值方差。接着，通过对以下步骤的迭代的硬EM处理解决优化问题：

在模型的使用过程中还可以使用与用于步常数γ的方法类似的方法确定步频系数α和步常数β。

通过解决以下优化问题获得初始前进方向偏向Δh：

其中，h为在时刻t＝0的前进方向偏向，t’为在偏向估计之前行人已经行走的时间(根据经验发现其达到30到90秒的程度)，θ^gryo和θ^mag为在时刻t分别根据设备的陀螺传感器和磁强计估计的前进方向。接着，将估计的初始前进方向偏向送入提及的常规的无迹卡尔曼滤波器，以提供精确的前进方向估计。

因此，通过陀螺仪数据和磁强计数据的结合获得初始前进方向偏向。陀螺仪传感器在短期内具有高精度，但是由于热机械事件导致明显遭受长期偏向。与此相反，磁强计虽然没有长期偏移，但是由于软铁或硬铁效应导致缺少短期精度。因此，这两种类型的传感器可以彼此补偿以提供高精度前进方向估计。然而，根据磁强计只可以估计初始前进方向，因此可能引入大的偏向；这通过在处理开始的时候没有来自地图约束的其他信息来校正初始前进方向估计而加重。由于初始前进方向的关键性(它影响所有后续前进方向估计)，必须尽快学习初始前进方向偏向。接着，这被用于校正由设备提供的前进方向观测值，并且因此改善模型的性能。

图3为展示了位置确定系统用于确定与远程服务器通信的设备的位置的本发明的实施例。该设备希望确定它在室内区域的位置。首先，该设备向服务器查询用于该室内区域的模型(步骤21)。接着，该服务器获得用于该室内区域的模型(步骤22)。其可能通过执行如上所述的获得地图、构造图形等步骤实现。可选地，该服务器可能具有为该室内区域预先构造的模型，或者可能获得用于这样的模型的库的模型。接着，该服务器向该设备发送该模型(步骤23)。

在可选的实施例中，设备自身使用从服务器等远程设备获得的地图构造模型。

接着，该设备如上所述使用该模型来确定该设备的位置(步骤24)；具体地，该设备自身能够做出确定，无需与服务器的任何进一步通信。

为了确定该设备的位置，该设备使用模型来找到最有可能的轨迹，如上所述。作为这的一部分，该设备还确定步长和前进方向偏向参数，如上所述。在每一步，该设备获得表明其位置的高斯分布。接着，该设备以覆盖在该设备的屏幕上的地图上的方式显示该分布，以向该设备的用户表明它们确定的位置。

虽然已经参照具体实施例对本发明进行描述和说明，但是本领域技术人员可以理解的是本发明本身可以有在这里没有特别说明的许多不同的变形。

Claims

1.构造用于确定移动设备在地理区域中的位置的模型的计算机执行的方法，其中，所述模型包括：

图形，其包括一组顶点和所述顶点之间的一组边缘；

所述方法包括以下步骤：

获得所述地理区域的地图；

使用所述地图构造所述图形，其中，所述图形的所述顶点对应于所述地图的区域，并且当与两个顶点相对应的所述区域相邻且设备能够在这两个区域之间移动时，这两个顶点通过边缘相连；

2.根据权利要求1所述的方法，其特征在于，所述模型包括特征函数，该特征函数以所述图形的第一顶点和第二顶点、以及表明所述设备从对应于所述第一顶点的区域到对应于所述第二顶点的区域的运动的一组观测值作为输入。

3.根据权利要求1所述的方法，其特征在于，所述模型包括特征函数，该特征函数以所述图形的第一顶点和第二顶点、以及由确定的旋转角度校正的表明所述设备从对应于所述第一顶点的区域到对应于所述第二顶点的区域的运动的一组观测值作为输入。

4.根据以上任意一项权利要求所述的方法，其特征在于，所述模型包括特征函数，该特征函数以所述图形的顶点、以及表明所述设备在对应于所述顶点的区域内测量的无线电信号强度测量值的一组观测值作为输入。

5.根据以上任意一项权利要求所述的方法，其特征在于，构造所述图形的步骤包括移除与设备不可能到达的区域相对应的任何顶点的步骤。

6.根据以上任意一项权利要求所述的方法，其特征在于，每个特征函数具有相应的权重值。

7.根据权利要求6所述的方法，其特征在于，所述方法包括通过使用至少一个已知的设备轨迹和相应的一组观测值训练所述模型来确定用于所述特征函数的所述权重值的步骤。

8.通过对使用根据以上任意一项权利要求的方法得到的模型的使用来确定移动设备的位置的计算机执行的方法，包括以下步骤：

从所述设备的所述传感器获得一组观测值；

将所述设备的位置确定为所述轨迹的结束点。

9.根据权利要求8所述的方法，其特征在于，所述方法还包括在所述设备的屏幕上的地图上显示所确定的所述位置的步骤。

10.根据权利要求8或9所述的方法，其特征在于，所述方法包括确定所述设备的前进方向，并且使用所确定的所述前进方向校正所述组观测值中的前进方向偏向的步骤。

11.根据权利要求8到10中任意一项所述的方法，其特征在于，所述方法包括确定至少一个参数的步骤，所述至少一个参数用于确定用于所述设备的所述观测值。

12.根据权利要求11所述的方法，其特征在于，所述至少一个参数包括步参数。

13.根据权利要求11或12所述的方法，其特征在于，所述至少一个参数包括前进方向偏向参数。

14.布置为执行权利要求1到13中任意一项所述的方法的计算设备。

15.根据权利要求14所述的计算设备，其特征在于，所述计算设备还布置为向移动设备发送所构造的所述模型。

16.根据权利要求14或15所述的计算设备，其特征在于，所述计算设备为移动设备。

17.根据权利要求16所述的移动设备，其特征在于，所述移动设备还布置为从计算设备接收构造的所述模型。

18.包括根据权利要求14或15所述的计算设备和根据权利要求16或17所述的移动设备的系统。

19.计算机程序产品，布置为当执行在计算设备上时，执行权利要求1到13中任意一项所述的方法。

20.根据权利要求19所述的计算机程序产品，其特征在于，所述计算设备是移动设备。

21.计算机程序产品，布置为当执行在计算设备上时，提供权利要求14到17中任意一项所述的计算设备。