CN107923749B

CN107923749B - 用于检测地面位置变化的系统和方法

Info

Publication number: CN107923749B
Application number: CN201680044182.XA
Authority: CN
Inventors: O.加西亚莫乔恩; M.奥恩; M.埃卡诺-富恩特斯
Original assignee: Philips Lighting Holding BV
Current assignee: Signify Holding BV
Priority date: 2015-07-27
Filing date: 2016-07-11
Publication date: 2020-11-24
Anticipated expiration: 2036-07-11
Also published as: WO2017016862A1; EP3329212B1; CN107923749A; EP3329212A1; US10190879B2; US20180216934A1

Abstract

用于检测局部地面位置变化的系统利用多个照明单元，每一个照明单元被固定到地面。每一个照明单元包括定位系统以及用于发射定位信息至远程中央处理单元的发射机。来自多个固定照明单元的定位信息被处理，以识别本地地面位置变化。采用这种方式的联网照明系统的基础设施使得地面信息能够被确定，例如，以便响应于自然事件或人为活动（诸如挖掘隧道、建造、自然资源的提取等等）来检测地面移动。

Description

用于检测地面位置变化的系统和方法

技术领域

本发明涉及用于检测诸如由于自然事件或者由于人类挖掘(excavation)或附近的其他活动而引起的位置变化的系统和方法。

背景技术

地理位置是对象(object)的真实世界地理位置的识别(identification)。地形或建筑物的地理位置变化指的是地形或建筑物的地理位置的变化，并且这样的变化可以作为周围区域中的建设工作、地面的自然移动或者导致地面移动的气体或水或其他自然资源的提取的结果而出现。

意识到这些位置变化对于确保城市的安全性或降低基础设施的维护成本而言是至关重要的。然而，缺乏有关建筑物的精确地理位置信息。也需要以精确的方式检测这样的地理位置变化的方法。

发明内容

本发明利用权利要求书来定义。

根据依据本发明的一方面的示例，提供用于检测总体区域内的局部(localized)地面位置变化的系统，包括：

多个照明单元，每一个照明单元被固定到地面并被安装在总体区域内，其中每一个照明单元包括移动检测和/或定位系统以及用于发射定位和/或移动信息至远程中央处理单元的发射机；和

中央处理单元，用于从多个照明单元接收定位信息并被适配成处理所接收的定位和/或移动信息，以识别本地地面位置变化，

其中中央处理单元被适配成基于来自彼此紧邻、具有相关地面位置变化的多个照明单元的位置和/或移动信息来识别本地地面位置变化，并且可选地，其中相关位置变化对应于在同一方向或者朝向或远离公共点(common point)的位置变化。

这个系统利用照明基础设施来提供区域内的地面移动的监视。这些地面移动被称为地理位置变化，其中地理位置是对象的真实世界地理位置的识别。地理位置变化对于建筑物而言是感兴趣的（例如，以评估地震损害），并且对于地形而言也是感兴趣的。特别地，地形的任何地理位置变化一般将导致地形上的建筑物的相关联移动。这个发明尤其涉及跟踪地形的地理位置。变化可以由于周围环境中的建设活动、地面的自然移动、天气（例如，大雨）或者气体或水或其他自然资源的提取而引起。在这个文档中描述的方法和系统也可以被应用来监视大的地形区域上诸如可能由于例如构造板块的移动而引起的移动。

中央处理单元具有提供地理位置变化的测量的输出。

测量这些地理位置变化对于在这些地理位置变化是太大的以致维护变得太昂贵之前评估区域的安全性或开展维护工作而言是极其重要的。

已建议例如超过2毫米的建筑物的移动应该触发警告。使用卫星信息或传感器来测量建筑物的地理位置是众所周知的。然而，或空间或时间方面的精度并不总是足够的。本发明利用照明基础设施来提供分布式传感器网络，其提供有关建筑物上和建筑物之间的地形的更多信息。

在实施例中，每一个照明单元的移动检测或定位系统包括定位系统，其预处理在时间间隔期间获得的位置数据，从而导出将被发射的定位信息。这个预处理可以是平均操作。这个时间平均提高数据精度。时间周期例如至少是一小时。它可以是多个小时例如8小时或者甚至一天或数天。

预处理反而可以包括对信息应用阈值，以便变化被识别，并且这些变化的幅度随后能够被报告。

所有数据反而可以例如实时(in real time)被提供至远程中央处理单元，随后所有的数据处理可以发生在远程中央处理单元中。这要求更多的数据传递，但是本地要求较少的数据处理。

当数据被预处理时，中央处理单元也可以被适配成进一步处理（例如进一步平均）在许多时间周期上接收的定位信息。因而，可以例如每8小时从照明单元中报告数据，并且三个这样的数据事件可以被平均来提供每日数据值。

如所提及的，中央处理单元例如被适配成基于来自彼此紧邻、具有相关地面位置变化的多个照明单元的位置和/或移动信息来识别本地地面位置变化。

相关位置变化可以例如对应于：

在同一方向的位置变化；或

朝向公共点的位置变化；或

远离公共点的位置变化。

这些不同的移动条件可以代表不同的自然事件或人类活动。

照明单元可以包括多种感测技术来测量位置和移动，并且远程中央处理单元可以将从这些照明单元获得的数据与进一步数据进行组合。不同的感测技术可以例如包括定位系统诸如GPS以及移动传感器诸如加速度计。另外，其他的传感器诸如声音传感器或风传感器(wind sensor)可能被组合来提高某些测量的精度。

根据至少子集的实施例，系统可以进一步包括至少一个静态参考单元，其包括移动检测和/或定位系统以及用于发射移动和/或定位信息至远程中央处理单元的发射机，并且其中中央处理单元被适配成识别这些照明单元之中的一个或多个照明单元相对于至少一个静态参考单元的位置变化。

可选地，远程中央处理单元可以在这些示例中被适配成利用平均或比较所确定的多个照明单元相对于至少一个静态参考单元的位置变化的处理来识别本地地面位置变化。

根据本发明的另一方面的示例提供用于检测总体区域的局部地面位置变化的方法，包括：

从多个照明单元发射定位和/或移动信息至远程中央处理单元，每一个照明单元被固定到地面并被安装在总体区域内；

在中央处理单元上，处理所接收的定位和/或移动信息，以识别本地地面位置变化。

位置可以在每次传输至远程中央处理单元之前在时间周期上被预处理，例如被平均。在远程中央处理单元上，也可以平均在许多时间周期上接收的定位信息。

通过相关多个照明单元的地面位置变化，本地地面位置变化可以基于相关信息来识别。

在一个示例中，本地地面位置变化可以基于在局部区域内具有相关地面位置变化、具有超过阈值的位置变化量的照明单元的最小百分比来确定。

在不同的实施例中，在照明单元与执行数据处理的远程中央处理单元之间具有代理设备。在这个实施例中，这些照明单元发送定位和/或移动信息至代理设备，代理设备处理和聚集(aggregate)每一个单个照明单元或其组合的数据并发送聚集的信息至中央处理单元。

在不同的实施例中，原(raw)定位和/或移动信息被发送至或中央处理单元或代理设备。这确保：能够对多个设备的原数据执行数据聚集和处理，从而提高系统的精度。

在不同的实施例中，在照明设备中实现的定位和/或移动系统以传感器源的组合为基础。那些传感器源之一是全球定位系统，但是其他的传感器源可能是加速度计或空气压力传感器。虽然后两个传感器源不提供全球位置信息，但是它们提供有关从加速度或压力的变化中导出的位置移动的信息。这个信息能够被相关，从而提高系统的精度。

传感器源也可以包括声音传感器和/或风传感器。声音传感器可以与扬声器组合使用来提供多个传感器之间的距离的声学测量（使用声音速度的估计，其在示例中可以响应于环境信息来动态地计算）。这可以启用传感器的校准或GPS位置数据中的某些误差的校正。

风传感器在一些情况中可以通过启用由于施加到传感器的风力而非地形移动引起的错误移动测量的识别来提高精度。

该方法可以采用软件来实现。

附图说明

现在将参考附图来详细描述本发明的示例，其中：

图1显示可以被用作用于检测局部地面位置变化的系统的一部分的灯杆(lamppole)；

图2显示用于检测局部地面位置变化的系统；

图3显示区域如何可以被划分成子区域；

图4显示用于检测局部地面位置变化的方法；

图5显示由于误差的存在而引起的测量位置值的示例进展；

图6显示与针对受到误差影响的静态设备所获取的采样值相对应的示例概率分布函数；

图7显示作为连续采样之间的时滞的函数的自相关系数的图表；

图8显示在相对位置被采用的情况中可以被应用来帮助提高移动检测的精度的两极聚类(two-level clustering)方案。

具体实施方式

本发明提供用于检测总体区域内的局部地面位置变化的系统。多个照明单元各自被固定到总体区域内的地面，并且每一个照明单元包括定位和/或移动检测系统以及用于发射定位信息至远程中央处理单元的发射机。来自多个固定照明单元的定位和/或移动信息被处理，以识别本地地面位置变化。采用这种方式的联网照明系统的基础设施使之能够确定地面移动信息，例如，以便响应于自然事件或人为活动（诸如挖掘隧道(tunneling)、建筑、自然资源的提取等等）来检测地面移动。优选地，这些照明单元至少包括绝对定位系统诸如GPS，并且随后附加感测系统可以提供进一步信息诸如加速度信息或其他的移动指示符。

已存在联网的街道照明解决方案。网络例如启用路灯正使用多少能量以及哪些路灯需要修理的在线确定。启用所提供的照明的完全控制，例如使之能够按需(on demand)设置时间表(schedule)和调光水平(dimming level)。一种这样的解决方案是Philips（飞利浦）的CityTouch(RTM)产品(RTM)。它提供简单的web（网络）应用来远程管理路灯并分析包括能量使用与灯具状态的照明数据。

每一个灯具包括中央处理单元(CPU)和通信模块（例如，使用General PacketRadio Service（通用分组无线电服务），GPRS）以及定位模块诸如GPS模块。GPS模块被使用来提供位置信息，例如用于自动调试和自动定位。

已提议使用定位信息来检测何时路灯杆(light pole)已变形，例如由于与路灯杆撞击而引起。这能够基于路灯杆移动的量大于在正常使用中所期望的量来确定。这个方案被描述在WO2015/022213中。

这个发明利用通过照明单元（例如路灯杆）的网络所收集的定位信息，以便提供有关本地地面移动的信息。

图1显示可以被用作用于检测局部地面位置变化的本发明的系统的一部分的照明单元100。

照明单元包括路灯杆110。杆110包括该杆在其上被固定到地面的底座(base)112。在所显示的示例中，底座112被装配到地面119中的混凝土灯座(concrete socket)118。例如通过绑带(tie wrap)122，GPS天线120被耦合到杆110的顶部。在这个示例中，天线120被耦合到杆110的顶部。然而，天线120能够在不同的位置上例如在底座112上、在离开底座112的一定距离（例如1米或2米）上或者在杆110向上的一半距离上被耦合到杆110。天线被定位在杆向下的位置越低，在那个位置上期望该杆通过正常变形而引起的移动就越少，但是无线信号可能例如被树叶遮挡得更多。

将位置传感器安装在灯杆向上的较高处的一个优点是：地面移动在位置传感器的位置上被放大。由于地面移动变化而引起的底座的角度的小变化在杆的尖端将被放大至大的线性位移。例如，5米杆的底座的角度的1度变化在尖端引起9厘米移动。

天线120通过线路(line)125被耦合到信号处理器130，而信号处理器130又通过线路135被耦合到接口140。天线120被安排成从无线信号源150接收无线信号160。信号处理器130被安排成基于通过天线120接收的无线信号160来确定定位信息。

接口140被使用来与远程中央处理单元传送定位信息，而远程中央处理单元从多个固定照明单元接收定位信息。远程中央处理单元处理所接收的定位信息来识别本地地面位置变化。

接口140可以在无线或有线连接上与远程中央处理单元通信。

利用天线120接收的无线信号160能够是从例如卫星接收的全局的、地区的或本地的定位数据。US（美国）政府维持的Global Positioning System（全球定位系统）(GPS)是卫星的选集(collection)，其中每一颗卫星包括提供无线信号160的无线信号源150。其他示例是Russian GLONASS（俄罗斯的GLONASS）卫星系统、European Galileo（欧洲的伽利略）卫星系统、Chinese Beidou（中国的北斗）和COMPASS卫星系统、Indian IRNSS（印度的IRNSS）卫星系统以及Japanese QZSS（日本的QZSS）卫星系统。

利用这样的系统广播的无线信号160包含信息，诸如轨道数据、同步码、载波信号和信号传输时间，其允许信号处理器130确定位置数据；在这种情况下，地理位置数据，诸如坐标。

最后定位信息理想地精确到5毫米内（就地面水平上的移动而非传感器位置上的移动而言，因为这些可以是不同的，如上所解释的），更优选地，3毫米内，并且甚至更优选地，2毫米内。

由于所使用的天线的类型、接收机中的处理、大气效应、多径效应以及自然干扰和人为干扰，从GPS接收的原信号容易出现或随机或恒定的精度误差。GPS的标准精度为大约15米。具有增强方法来提高那个精度，例如，如果使用差分GPS，能够达到大约3米的精度。类似地，在不同频率上一个以上信号的发射和接收能够帮助移除大气效应，从而进一步提高系统精度。具有随机性质并且利用等于零的均值来表征的那些误差能够通过平均在给定时间周期上收集的采样来移除。

因而，为了提高定位信息的精度，在一个集合的示例中在GPS接收机上运行的应用收集在时间周期T上所测量的GPS数据并且计算平均值。每个时间周期T所计算的平均值随后被发送至远程中央处理单元（即，至后端系统）。T的值例如是一小时或更长，例如8小时。它甚至可以是更长的，例如，许多天。

提高利用照明单元中的接收机所收集的位置信息的精度的不同的可供选择的方案在于纠正中央管理单元中由于大气效应而引起的误差。位置估计可能基于单个信号频率，并因而容易出现那些大气误差。中央管理单元能够向其他的位置接收机进行注册(register)，从而提供针对这个误差源的校正因子。允许实现这个目标的类似方案在于具有容易出现大气误差的简单接收机以及能够确定并校正这个误差的更复杂的（并因此更昂贵的）接收机。那些更复杂的接收机将不仅发送其估计的位置至中央处理单元，而且也发送所估计的误差。因为紧邻（几公里）的接收机将以类似的方式受到影响，所以这个估计的误差能够被使用来提高其余设备的值。

进一步移除误差的另一种方式基于光点之间的距离的知识。这个距离能够被提前知晓并且在系统的整个寿命期间保持固定。

图2显示全部提供数据至远程中央处理单元200的许多照明单元100。它执行处理来识别利用输出210所代表的本地地面位置变化。

这些照明单元全部被显示为路灯杆。然而，网络可以包括壁装式灯(light)、地面安装的灯或安装在其他结构诸如桥梁和隧道上的灯。这样的照明单元仍将被解释为被固定到地面，原因在于：在照明单元与地面之间仍然具有刚性结构，以致照明单元的位置在正常使用中打算是静态的。网络在示例应用中也可以有利地被扩展到包括包含位置和/或移动传感器诸如例如智能能量监视器的某些非照明设备或倾向于被大量分布在广阔地区地形上的任何其他的各种各样的设备。

照明单元的网络可以包括数十万个设备。例如，在如同Los Angeles（洛杉矶）或Buenos Aires（布宜诺斯艾利斯）之类的城市中照明单元的数量是数万个设备。因此，这提供非常密集网格的感测值。系统覆盖其中需要照明并因此人类建设或活动发生在其中的任何区域。这确保：系统被部署在其中需要检测土壤移动的地方。典型区域是道路、街道、停车场、发电厂、工厂、公园等等。在这样的部署场景中，照明单元典型地被隔开等于几米例如十或二十米的固定距离。

远程中央处理单元200上的应用跟踪由每一个连接的GPS接收机向它报告的所测量的GPS位置。应用也可以以进一步移除噪声为目的在比报告周期T更长的时间周期上平均数据。

远程中央处理单元200旨在识别其中具有显著地面移动的地区，这能够指示可能要求补救工作的地面问题。

被整个系统覆盖的总体区域被划分成子区域。这些子区域可以是离散的，或者它们可以重叠。例如，总体区域可以被划分成六边形（或正方形）网格，其中每一个六边形（或正方形）形成子区域。这些子区域可以重叠，而非完美的网格。于是具有子区域中心的阵列（正方形网格阵列或六边形网格阵列），但是每一个子区域大于形成棋盘形布置所需要的。这些子区域可以是圆形的。

图3显示各种子区域形状。图3(a)显示六边形子区域的棋盘格形阵列。图3(b)显示在三角形网格上具有中心（圆心）的圆形子区域。图3(c)显示在正方形网格上具有中心的圆形子区域。图3(d)显示正方形子区域的棋盘格形阵列。图3(e)显示在六边形网格上具有中心的圆形子区域。其他形状是良好匹配于照明单元如何例如被部署在停车场或街道上的正方形和矩形。不同的方案将是采取上面的形状之中的任何形状并将其用作遍及总体区域的滑动窗口，以致窗口中来自这些照明单元的数据是相关的。这些子区域之一能够是几百平方米，以致它能够包含几十或几百个照明单元。

为了确定本地地面移动，不同的子区域被处理。对于给定子区域来说，来自那个子区域内的照明单元的位置信号（尤其，那些信号的变化）是相关的。

在那些区域之一内，不同的相关性是可能的。

第一相关性可以涉及在同一方向的位置变化。

第二相关性可以涉及朝向公共点的位置变化。

第三相关性可以涉及远离公共点的位置变化。

相关性的进一步方面指的是在其上面观察到这样的变化的时间周期。这能够在采样之间或在多个采样之上。

相关性的另一进一步方面指的是与其他区域（没有移动）相比而言的给定区域（移动的区域）中的移动的可变性。

来自子区域内的照明单元的定位信息被处理，以识别这些不同的可能相关性之中的一个或多个的存在。这些不同的移动条件可以代表不同的自然事件或人为事件。例如，某地点上的大型挖掘可以导致朝向那个地点的移动。某地点上的钻探可以导致远离那个地点的移动。滑坡可以导致在同一方向的移动。

相关函数能够采用不同的方式来构造。如果假定每一个照明单元定期（例如每秒、分钟、小时、天）发送具有其估计位置的单个值，则中央处理单元随后能够将当前获得的值与先前值或先前值的历史（先前值或在过去某个时间（例如一年前）在周期T期间采样的平均值）进行比较。

这个比较能够以那些采样的差为基础。如果具有这些差，中央处理单元则能够分析是否这个信息是相关的。例如，如果利用矢量M=(m_ix,m_iy,m_iz）来确定每一个照明单元i在两个时刻之间的移动，则属于给定区域A中的照明单元的所有移动矢量的加法能够被计算为M_i-in-A=M₁+M₂+…+M_i。

如果没有移动的话，则不同照明单元的（x,y,z）中的分量将是不相关的并且它将保持靠近(close)。然而，如果在给定方向例如在x轴中具有某种移动，则在那个方向将具有相关性并且那个矢量分量的大小将是更大的。通过将矢量分量的大小与取决于区域中的照明单元的数量的参考值进行比较，则有可能确定是否移动已发生。

可供选择地，在一些情况中（例如，其中由于电离层的干扰或卫星误差而引起的全局误差是相对大的），可以观察到（由于误差引起的）跨越大多数设备的一般相关性，但是某些个别设备减损(derrogate from)那个相关性。通过将整体组合的单位矢量M的(x,y,z)分量与每一个个别移动矢量（并且与取决于区域中的照明单元的数量的参考值）进行比较，可以识别是否在网络之间存在对于一般观察到的相关性而言是无关项(outlier)的某些个别照明单元。在这种情况中，这可以是非相关单元正在移动而相关单元未在移动的指示。

这个描述应用于其中所有的设备在同一方向移动的情况。如果这些照明单元反而朝向或远离某点移动，则通过使用不同的坐标系统例如极坐标系统或球面坐标系统能够实行类似的方案。对于这样的坐标系统而言，系统的极点（球面坐标系统的中心）位于观察中的区域（例如圆或和球）的中心，并且每一个照明单元的移动被认为在这个坐标系统之下。如果基于系统的极点的方向而具有内外移动(movement in and away)，则通过将所有照明单元的所有移动矢量相加而计算的相加移动矢量的大小将是小的。如果只有半个区域中的照明单元的移动矢量的加法被实现，则矢量将不是小的。以这种方式，朝向或远离某点的移动可以被检测到。其他的方案对于执行信号的相关而言是可行的。例如，如果照明单元具有不同类型的传感器例如加速度计以及定位系统，则每一个设备能够本地处理数据并且分析是否快加速已发生。在这种情况下，照明单元能够触发事件，并且所有的事件将被发送至中央处理单元。如果这些事件已在靠近区域中并且同时发生以及加速度是相关的（例如由所有照明单元测量到高加速度），则能够推导出：土壤移动已发生。

这个信息随后也能够与来自定位传感器（例如GPS）的信息进行组合，以获得有关移动的估计。

通过示例，如果子区域的百分比p的GPS接收机的位置的相关变化（即超过相关阈值）被检测到，则可以生成指示地面移动事件的触发器(trigger)。

例如，在子区域内，百分比p的GPS接收机在给定方向D移动超过阈值T。

可供选择地，在子区域内，百分比p的GPS接收机朝向点P移动超过阈值T。

图4显示用于检测总体区域的局部地面位置变化的方法。在步骤400，利用多个照明单元来接收定位信息，每一个照明单元被固定到地面。

在步骤410，定位信息在时间周期上被平均（或以不同的方式被预处理），并且随后被发射到远程中央处理单元或代理设备。传输反而可以是实时的。

在步骤420，在中央处理单元上，所接收的定位信息可选地在时间上进一步被平均，以提高精度。

在步骤430，相关函数被计算。

在步骤440，相关函数被处理，以识别本地地面位置变化。

本地地面移动随后可以被显示在用户界面设备的显示器上。这个移动信息例如被覆盖在感兴趣的总体区域的地图上，其中利用数据值和/或颜色编码来表示利用照明基础设施的传感器阵列所报告的地面移动的程度。

本发明基于许多连接的位置传感器诸如GPS接收机和/或部署在其中地理位置变化将被测量的区域中的其他位置传感器的使用。这些位置传感器测量、处理并发送位置数据到后端系统。后端系统主持(host)应用来处理所接收的位置接收机的位置信息。

如上所述，定位信息的平均在GPS接收机的情况中提供提高的精度。未来的定位系统诸如Galileo将提供比GPS高得多的位置精度。

上面已描述本发明的最基本的实施例和应用。现在，在下面的描述中将呈现可以根据本发明的实施例来应用的一系列特殊变异和方案的更深入讨论以及构成所讨论的实施例之中的许多实施例的基础的理论和数学的一些方面的讨论。特别地，将讨论各种方案或其变异的应用如何可以起作用来从移动事件的测量和检测中减少、减轻或消除各种误差源。

为了以下描述的目的，假定存在由数量G个照明设备（或“节点”）形成的网络，每一个照明设备包含GPS接收机并被适配成传送所测量的位置信息。对于给定设备i而言，由该设备生成的每一个测量位置值（每一个“采样”）被标记为x⁽ⁱ⁾(n)，其中n是用于索引所生成的采样的哑变量。

如上所述，本发明的实施例的目的是使之能够精确检测地面或土壤移动事件的发生。感兴趣地区(ROI)的移动的检测对应于对于位于那个地区内的一个或多个设备i而言

的检测，其中

是接收机的位置的真正值（没有误差）。

在接收机没有误差的情况下，任何感兴趣地区的移动的检测将简单地对应于在那个地区内的设备的所测量的大于零的速度值

的检测。然而，在任何真实世界系统中，每一个节点极有可能受到一系列不同误差源的影响。因此，如果没有原测量值的某种进一步处理或分析，则不能肯定是否给定地区中的移动正在发生。

特别地，在事实上根本没有移动时可能测量到v⁽ⁱ⁾(n)的阳性(positive)值。或者在具有移动在发生时可能测量到零v⁽ⁱ⁾(n)，或者在具有移动时可能测量到阳性值，但是具有并不精确的幅度（因而给出那个地区中的移动事件的大小的错误印象）。

许多误差源可以影响系统内的任何给定照明设备（节点）。这些误差尤其与GPS设备相关联。影响所测量的节点的位置的GPS误差可以被划分为两大组：

- 本地误差——与单个节点位于其中的本地环境相关联的误差

- 全局误差——跨越紧邻放置的一组接收机而是公共的误差。

在这些组之中的每一组内，所经历的误差能够依据由于误差生成的噪声的类型而进一步被细分类(sub-categorize)：

- 白噪声：在所招致的误差值之间没有关系或模式(pattern)；这些误差值具有随机分布

- 有色噪声：相关的误差值——误差值遵循某种模式或者非随机分布。

下表1概述可以影响静态设备的各种各样的不同误差源以及根据上面描述的那个误差源的组和子类。对于每一个误差源，噪声的类型根据最持久或频繁经历的噪声来分类，并且仅考虑在短的时间周期上获取的采样（例如，每秒获取的采样）。被较长时间周期分隔开的采样可以变得比有色的更白。例如，在长的时间周期上所测量的多径误差尤其在不断改变的环境中可以展现出更白的性质。

误差	类型	噪声
			接收机（噪声）	本地	白色
接收机（时钟）	本地	有色
			多径	本地	有色
对流层	全局	有色
			电离层	全局	有色
星历表	全局	有色
			卫星（时钟）	全局	有色

表1。

如从该表中可以看出的，大多数误差（在静态节点的目前情况中）包括大多是有色的噪声，这是因为这些误差之中的大多数以连续方式改变（GPS卫星正在逐步移动，以致连续信号倾向于展现出强相关性）。另一方面，在接收机本身内的噪声大多是白噪声。

鉴于大量的误差源，所测量的完全静态设备i的位置值(

)并不像它们应该的那样保持不变，而是随着时间的推移而改变。此外，鉴于有色噪声在所招致误差中的强大存在，所测量的

的值并不随机改变，而是以渐进的（即系统的）方式改变。在图5中显示由于误差的存在而引起的静态节点的测量位置值

的示例进展，其中y轴代表纬度（以十进制度为单位），而x轴代表经度（以十进制度为单位）。测量n之间的周期是一秒并且这在900秒的时间期间进行测量。

可以观察到：虽然测量值随着时间的推移而改变，从而给出假阳性速度读数，但是进展是慢的，即dx⁽ⁱ⁾(t)/dt=x⁽ⁱ⁾(n+1)-x⁽ⁱ⁾(n)=v⁽ⁱ⁾(n)是小的。

从这个事实中，有可能推导出v⁽ⁱ⁾(n)的实验概率分布函数。在图6中显示与针对受到误差影响的静态设备所获取的大量采样值相对应的示例概率分布函数，其中y轴代表概率，而x轴代表速度（以厘米/秒为单位）。

注意：图6的函数以绝对项来代表距离，这是因为在假定没有移动的情况下v⁽ⁱ⁾(n)的概率分布函数围绕零(about zero)是对称的（在方向

虚假测量到移动的概率与在方向-

虚假测量到移动的概率是相同的）。

因为实际移动是零(v⁽ⁱ⁾ _Real(n)=0)，所以与静态节点相对应的测量速度值可以被表述为：

其中：

。

换句话说，在静态节点的情况中v⁽ⁱ⁾(n)的值仅与连续误差测量的差相关联，这些连续误差测量倾向于只是缓慢地改变。这个的一个结果是：在没有真正移动的情况中检测到大的测量v⁽ⁱ⁾(n)的概率是低的。因此，在高速移动是感兴趣的情况中（例如，诸如在滑坡的情况中），误差在最后测量值中的重要性被降低。

尽管如此，误差的存在意味着不能保证：在真正地面或土壤移动的情况中，在背景噪声之上将检测到这个事件。（在上面的章节中提及的）一种方案是利用阈值速度值v_th并且仅将超过这个阈值的那些测量v⁽ⁱ⁾(n)认为是真实阳性值，即，其中v⁽ⁱ⁾(n)>v_th。这可以增加检测到真正移动事件的概率（P_detection）。

然而，一个困难在于确定适当的或最佳的阈值v_th。鉴于速度v的真实地面/土壤移动，取决于所经历的误差的特征，给定节点可以返回或大于真实值或小于真实值的v⁽ⁱ⁾(n)的测量/检测值。连续误差测量潜在地可以或增加或减少测量/观察到的地面速度。基于此，P_detection将取决于在给定时刻连续误差的差的概率分布函数。

在选择最佳v_th中，更详细考虑许多主要误差源是有价值的。

通过示例，考虑具有小幅度的真正移动事件发生在短的时间周期上的情况，可以可靠地假设：观察到的全局误差值的变化率将大致与其中没有移动事件正在发生的情况相同，即

。

对于仅与接收机相关联的本地误差（rcvr(receiver)）而言，也可以假定同样的情况——因为节点本身的内部工作并不取决于其速度而改变：

。

然而，对于多径误差（由于来自给定卫星的因为反射引起的多个GPS信号的检测而导致的误差），不能假定同样的情况。也就是说，随着时间的推移而发生的连续多径误差值的变化在节点处于运动中的情况下可能是不同的，这与节点是静态的情况相反。特别地，如果节点是静态的，则两个连续多径误差采样在时间上可以被期望是非常类似的。然而，如果移动正在发生，则连续误差值之间的差将增加。

基于此，节点的真实位置的变化可以意味着连续测量的多径误差的差的较大变化：

其中e₁是参考值。

在这种情况下，在给出真实移动的情况下，连续误差测量的差的概率分布函数将是更分散的。连续多径误差值在真实移动的情况下将被测量为高度类似的概率因此是非常低的。因此，在观察到的v⁽ⁱ⁾(n)不是太高的情况中，突然观察到的测量v⁽ⁱ⁾(n)值的显著增加可以指示真实运动正在发生。另一方面，保持大致静态的低水平背景测量v⁽ⁱ⁾的观察可以指示纯粹噪声。查找测量v值的突然变化可以（在某些情况下）使之能够识别真实运动。

从这个能够看出：要求测量的v值满足的最低阈值的设置在消除假阳性中可能是有效的策略。这通过排除将被期望在任何事件中纯粹作为持续背景误差的结果所测量的那些值（落在特殊阈值之下）而能够帮助识别代表真实移动事件的值。这样的方案是有效的，因为如上所示，背景误差并不倾向于显著改变，除非具有真实移动。

在选择v_th中，进一步考虑因素可能是相关的。特别地，甚至一旦应用了阈值，为了精确检测到真实移动事件而考虑概率函数可能是有价值的。

例如考虑v_th的阈值，以致节点被配置成只返回满足

的那些测量作为可能的移动事件。在确定成功检测到真实移动事件的概率函数中，可以为所招致的总误差值定义两个边界：

- 在与真正移动相反的方向中e_min=v-v_th。如果连续测量误差值的差等于e_min，则v⁽ⁱ⁾(n)=v-(v-v_th)=+v_th。因为节点被配置成仅返回超过v_th的值作为可能的真实移动事件，所以这个事件随后将不被检测到。

- 在与真正移动相反的方向中e_max=v+v_th。如果连续测量误差值的差等于e_max，则v⁽ⁱ⁾(n)=v-(v+v_th)=-v_th。再次，这个移动事件将不被检测到。

如果移动v需要被检测，则有必要考虑最差的情况：在与真正移动相反的方向中在e_min与e_max之间的连续误差测量的差。检测到移动的这个概率可以被表述如下：

。

从这个，两个因素在确定适当的v_th中作为重要的考虑因素而显现：

- 真正移动v与选择的速度阈值v_th之间的差。如果这个差是大的话，P_detection将增加。

- v的值。如果只有大的移动随后需要被检测，P_detection也将增加（在给定移动的情况中在连续误差测量的差的概率分布函数中，e_min和e_max将远离零（其中概率具有较高的值），从而降低无检测的概率）。

已看出：在真实世界场景中，虽然节点被放置在静态位置中，但是它将由于所招致的误差而返回大于0的测量速度值。如上所述，在没有实际移动的情况中，测量到非常大的v⁽ⁱ⁾(n)的概率（即，其中

）是非常低的：

其中p_a是任意参考。

在下表2中能够看到这个概率，其指示：当v_th的选择值增加时，因此在没有任何运动的情况下指示v⁽ⁱ⁾(n)>v_th的采样的数量减少：

表2。

然而，从上面描述中能够进一步看出：如果只使用单个节点，则仍然很难利用高可靠性检测到区域中移动的发生。太低的阈值可以允许太多的假阳性；太高的阈值可以引起太多的假阴性。

因此在一些情况中可能优选的是利用来自多个个别节点的数据，从而使用跨越所有节点所测量的速度值的相关性作为真实移动事件的指示。

考虑彼此紧邻部署的一组GPS接收机，可以假设：每一个接收机将受到大致相同的全局误差的影响。然而，本地误差将不是相关的，这是因为这些本地误差取决于节点的位置以及其内部的本地电子设备。这些因素对于每一个设备而言将是不同的。因此，集合N个（靠近定位的）GPS接收机的输出

可以被认为是独立的随机变量，这是因为在没有真正移动的情况中大于v_th的速度的值的相关性是低的（对于不断增加的阈值而言，越来越低）。因此，跨越所有N个节点联合检测到大速率的概率在没有任何真正移动的情况中是非常低的：

其中p_b<p_a。

这个表明：如果没有真实移动的话，多个GPS接收机的输出极不可能利用高概率同时测量到大速度。下表3显示：在没有任何真实移动的情况下，两个节点的相关移动的概率如何随着速度阈值v_th增加而降低：

表3。

因此，根据上面，通过组合足够大的节点的采样并且选择适当的速度阈值v_th，应该有可能消除或扣除(discount)与真正移动事件不相关的大比例的测量采样。

从上面分析中能够看出：在确保移动事件的发生的精确检测中关键的考虑因素包括以下：

- 选择用于确保检测到移动≥v的好概率的最佳速度阈值v_th，其中v>v_th

- 选择用于从结果中消除所有不相关移动（不是由于真实运动、而是由于本地误差而出现的移动）的最佳节点数量N。

取决于特殊应用的要求（即，要求什么范围的速度值v被检测到），这些参数的不同值可能或多或少是适当的。此外，节点的能力以及节点与中央处理单元（后端）之间的通信的成本提供对于最终系统而言要考虑的附加约束。小的总数量的节点的使用以及只发送非常少的移动测量至后端（例如，选择高的v_th截止阈值）可以大大降低应用的最终价格。

以下基本步骤可以被实行：

1、如果知晓区域并未遭受到强烈移动（例如地震），则使用不同速度阈值来移除虚假移动的最小节点数量能够被确定（检测多少节点被需要，直至对于小于v的每一个v_th而言移除所有的虚假移动）。

2、取决于将被检测的最小速度值（v），并且知晓：当v与v_th之间的差增加时，P_detection也增加，最终速度阈值被选择（在假设所使用的节点数量以及通信成本不是约束的情况下，最好的情况是选择v_th的最低值（>0））。

注意：增加节点的数量降低跨越所有节点联合检测到虚假移动的概率。因此，如果在移除虚假移动之后高比例的节点同时返回阳性移动值，则具有真正移动事件正在发生的高概率。

上面的讨论专注于尤其利用阈值以及跨越多个节点的相关性的移动事件的发生的可靠检测。在下面，讨论：尤其通过使用平均来消除或减少许多潜在误差源，大量节点的使用如何可以增加确定所检测的移动事件的特定幅度的精度。

众所周知，在Gaussian（高斯）白噪声（其中在误差值之间没有相关性或模式的噪声）的情况下，误差值的扩散可以通过获取大量的采样来减少：

其中σ_e1是误差的原始偏差，而σ_e2是在平均L个采样之后新的偏差。

然而，在单个接收机的GPS测量中有色噪声的存在可以使这个方案不可行，这是因为在这些误差（它们不是Gaussian分布的）之间具有模式或相关性。在图7中举例说明有色噪声的存在，其中图7显示作为连续采样之间的时滞（x轴，以秒为单位）的函数的自相关系数（y轴）的图表。该图表显示在时间上与相邻采样具有强相关性。（也参见下表4）。

间隔	1s	2s	3s	4s	5s	1m	5m	10m	30m
										系数	1	0.999	0.997	0.994	0.990	0.382	0.197	0.183	0.095

表4——自相关系数（纬度）[单位：s(秒)，m(分钟)]。

对于以下分析，假设形成网络（利用N来标记）的G个接收机的子集已移动小距离d（相同的幅度和方向）。基于上面的描述，通过在计算移动量中只考虑一个节点，可能不可能足够减少误差的程度。由于有色的（即系统的）噪声的存在，所以要求大数量N个节点来将误差减少到更可接受的水平。

考虑固定节点i，如果返回L个位置测量，则那个位置的估计平均

将是：

其中e⁽ⁱ⁾(n)是白噪声与有色噪声之和：

以致：

。

考虑包括N个节点的感兴趣地区(ROI)，其中单个GPS接收机i受到给定幅度和方向的移动d的影响，并且其中在(B)之前以及在(A)移动之后二者获取L个位置采样的集合，可以假设在(B)之前以及在(A)移动之后平均位置的以下等式成立：

其中x⁽ⁱ⁾ _Real(0)是节点在移动之前的真正位置。

提取

：

。

在大的L数量的采样之后，白噪声将趋于零：

。

甚至在许多(L)采样之后，有色噪声可能不完全趋于零。为了进一步移除剩余误差，在多个节点各自在幅度和方向二者已经历相同移动d的假设之下，来自这多个节点(N)的信息可以被组合：

。

因为每一个GPS接收机所经历的有色噪声可以被认为是独立变量，所以利用Central Limit Theorem（中心极限定理），能够假设跨越全部N个节点所经历的噪声遵循正态分布。（注意：接收机相对彼此越遥远，并且在其上获取采样的时间周期越长，则噪声分布将越紧密近似于正态分布）。

鉴于此，对移动值

应用算术均值将倾向于消除有色噪声误差（因为对于正态分布集合的值来说，它们将倾向于取消），并因此提供移动的好估计：

。

上面讨论如何能够组合多个设备的位置估计来估计移动量。在迄今为止所讨论的特殊示例中，为了减少误差而应用了均值。然而，在误差遵循非对称概率分布函数并且尤其其中使用单个节点的情况中，中值算法可能是更可取的选项，这是因为其虑及无关项的消除。在排序距离测量

之后，如果节点的数量是奇数：

而如果节点的数量是偶数：

。

因此，通过选择适当的平均手段，并且利用来自足够大范围的采样节点的数据，而且从每一个获取足够大量的采样，白噪声和有色噪声二者可以被显著减少。

进一步手段也可以被实现来进一步减少残余误差。特别地，不是单独使用已移动的节点，而是附近的静态设备可以被实现，以便测量感兴趣地区相对于那个静态参考站(RS)的相对移动。这个方法可以大大改善移动的估计，这是因为全局误差被潜在地移除。

考虑已移动真正距离d的数量N个节点，静态参考站RS与N个节点之中的每一个节点之间的相对距离（r⁽ⁱ⁾ _RS(n)）可以被计算如下：

，对于移动之前的周期，以及

，对于移动之后的周期。最后，所估计的移动矢量

可以被计算为：

。

通过进一步应用N个估计移动矢量的均值或中值，如上所述，大多数的本地误差可以被消除。

另外，更多的静态参考站可以被利用，以便减少在一个选择的静态设备中出现的本地误差。注意：例如，相对位置能够仅使用伪距测量或通过应用Real Time Kinematic'smethod（实时运动学方法）来计算。

总之，从上面讨论中能够看出：为了达到感兴趣地区的移动的好估计，两个主要考虑因素具有特殊意义：

- 确定用于移除/减少影响节点的位置的误差的最佳采样数量L

- 在假设所有的节点（在幅度和方向二者）已经历相同移动d的情况下，确定用于在甚至更大程度上移除/减少影响移动矢量的误差的最佳节点数量N。

如在这个文档的前述章节中所提及的，本发明的实施例可以有利地被采用在滑坡的检测中。在这方面，随后是其中概述可以在提高检测滑坡事件的系统的精度中实现的许多原理或方法的讨论。

网络中的一个或多个设备所经历的地面移动可以根据两个大类之一来分类：

- 由于构造板块的碰撞而引起的移动（在这个文档中被称为“平常的(ordinary)”移动事件）

- 牵涉滑坡的移动——例如，由于大雨或天然气开采而引起的（在这个文档中被称为“异常的(extraordinary)”移动事件）。

N个节点的子集的移动可以归咎于滑坡的发生。如果网络是足够大的话，滑坡可以仅跨越（由G个节点形成的）总网络区域的小部分而发生。为了在大网络内将在移动的感兴趣地区与非在移动的地区区分开来，可以应用合适的分类算法。下面讨论介绍两种技术：一种技术基于绝对位置的使用，而另一种技术基于相对位置（至参考站的距离）的使用。

首先将讨论基于绝对位置的方案。考虑被放置在容易被移动的位置中的GPS设备i，描述在没有移动的情况下位置测量的演化的等式可以被陈述如下：

其中x⁽ⁱ⁾ _Real(0)对应于节点在时间零的真正位置。

误差可以被表述为：

以致

。

对于全局误差，可以假设：这些（全局误差）对于G个节点而言将是大致类似的，只要被网络覆盖的总体区域不是太大的话：

。

现在考虑GPS设备之中的若干GPS设备的位置因为缓慢土壤移动（这可以指示未来滑坡）而在改变的情况，其中这些节点利用索引m来标记，其中m∈N∈G，与测量采样n相对应的移动将是当前位置与参考（位置）之间的差：

。

将这个移动添加至上面的第一等式：

。

在（在给定间隔之后从最后一个(from the last)获取的）每一个后续采样n上，正被移动的一组节点的位置值的平均可以被计算，以致本地误差被大大减少：

。

为了确定所估计的移动，可以进一步考虑利用索引s所标记的一组静态参考节点，其中

：

。

和

的回归线可以各自被计算（即，相对于n的梯度可以借助于最小二乘回归法来计算），这个被划分成两个分量：用于角度的reg_β和用于幅度的reg_γ。如果减去两个分量，可以获得所估计的移动：

。

如果具有G个设备的网络，其中少量的设备正在移动并且剩余设备是固定的，则针对移动模式（节点）m所计算的回归线的角度和幅度将略微不同于静态节点s的回归线。

基于这个假设，土壤移动可以潜在地通过识别不同于整体地区的均值的回归线而被检测到（这将被缺乏移动所支配(dominate)）。

注意：两个子集的节点（s和m）典型地将由于构造效应而额外经历平常的移动（非滑坡相关的）。这个移动对于上面的方法没有影响，这是因为它仅对应于恒定误差（对于计算的回归线没有影响）。

用于检测异常的移动事件（指示滑坡而非构造活动的事件）的进一步方法涉及G个节点的集合的相对运动（即网络或网络的地区中的节点之间的距离）的考虑。

在没有任何滑坡的情况下，节点之间的相对距离将保持不变，而在滑坡的情况下，相对距离典型地将随着时间的推移而改变。

未在移动的节点(s)典型地将受到两种类型的误差的影响：

其中x_Real对于这个静态节点保持不变。在移动节点(m)的情况中：

。

如果作出两个节点是彼此足够接近的以致全局误差可以被假定为类似的假设，则移动节点在与采样n相对应的时间所行进的距离d可以被计算如下：

。

通过组合若干节点，可以显著减少本地误差，从而在与采样n相对应的时间提供节点之间的距离的好估计：

。

因为该集合的m个节点正在移动，所以距离d_s,m(n)随着时间的推移而改变，以致通过识别在哪里对应的回归线（相对于采样编号n的距离）具有不同于零的斜率而可以容易地检测到滑坡。

进一步方案也可以被应用于滑坡的检测，这可以进一步减少所招致的误差。这个方法牵涉使用节点的集群(cluster)。

因为这些节点有可能受到若干误差源的影响，所以能够应用用于移除/减少误差的聚类算法。考虑包括G个节点的区域，集群的集合V可以根据以下约束来定义：

- 所有的集群被定义为包括相同数量的节点，即N，这是因为集群之间的比较必须具有相同的加权（这些集群之间的条件越相等，输出越可靠）。通过组合N个节点的信息所获得的结果将被称为Virtual Sensor（虚拟传感器）。

- 每个集群覆盖相同大小的区域，例如半径D的圆形区域。

- 在任何单个集群内的所有节点将被定位在具有相同地形条件的本地区域中（例如，对于任何单个集群来说，仅考虑位于山的斜坡上或位于平面地形中的节点）。有可能集群包含例如被放置在平原地形上的节点子集以及被放置在山上的不同子集，以致只有其之中的一些节点更容易遭受到滑坡。分为两种情况将给出最终结果的更好估计。

- 集群的重叠被允许，以致节点可以同时属于一个或多个集群。这个特性在所定义的应用中提供更好的结果，这是因为：虽然假设在给定集群内的所有节点正在同一方向移动，但是一些节点可以位于本地静态的地方。允许节点属于不同的集群增加检测到真正移动的概率。

示例聚类算法可以由以下步骤构成：

1、包含G个节点的区域A被划分成相等大小地区r的子集，每一个利用各自的中心点c和表面约束S来定义。

2、对于每一个中心c^(j)，计算至各自地区r^(j)内的所有节点的Euclidean（欧氏）距离。

3、对于每一个地区r^(j)，选择具有相同地形条件、与c^(j)相距最近的N个节点（标记为c^(j)(t^(j))），并从而定义虚拟传感器vs^(j)。如果不存在满足这些条件的至少N个节点，则并不为相关地区r^(j)创建虚拟传感器。

为了检测到异常的移动事件的最大精度，也可以考虑以下因素：

- 增加地区的数量也增加虚拟传感器的数量，并因此在产生最终结果中可以组合数据的较大采样。这可以增加成功检测到异常的土壤移动（滑坡）的概率。

- 取决于期望节点的数量N和每一个表面S的大小，将定义更多或更少的虚拟传感器的总数。减少每个虚拟传感器的节点数量N降低事件检测的精度。增加每个地区的表面大小S也降低检测到移动事件的概率（因为跨越整体的较小地区经历滑坡的概率大于滑坡跨越整个非常大的地区发生的概率）。

在正采用节点与定义的参考站之间的相对位置而不是绝对位置的情况下，也可以应用聚类方案来帮助提高移动检测的精度。在以监视节点的相对运动为基础的方法的情况中，在被假设是静态的参考站事实上正在移动的情况下，严重误差能够出现。

为了减少任何这样的误差的总体影响，聚类能够被使用并且能够与多个不同定义的参考站的使用进行组合。因为每一个定义的参考站事实上正在移动的概率是低的，其中所测量的从所有的参考站到给定节点（或节点的集群）的距离同时在增加，所以则具有真实移动事件正在发生的高概率。如果观察到仅仅相对于参考站之中的一个或两个的运动，则这可以指示假阳性。

用于实现这个附加约束的基本步骤的示例集合可以被定义如下：

1、将包含G个节点的区域A划分成K个小的相等地区。每一个地区可以包含不同数量的先前创建的集群以及还没有被选择属于集群的单个节点。集群的质心（N个位置的平均）确定地区的其成员。如果地区没有任何节点，则它不用于该算法。

2、为每一个地区选择nRS个随机参考站(RS)（参考站不必被包括在任何集群中）。

3、选择数量Y的相邻地区（空间中靠近）。

4、对于每一个地区，计算每一个相邻参考站与那个地区内的每一个节点之间的距离矢量。对于每一个集群，其成员节点之中的每一个的距离矢量被平均，从而提供与从每一个集群到每一个相邻RS的距离相对应的单个距离矢量。

在图8中示意性地举例说明这四个步骤。

一旦为每一个参考站计算距离矢量，对于每一个参考站应用用于基于相对位置来检测滑坡的算法。该算法针对每一个参考站的结果随后可以被比较来确定是否真正移动正在发生（例如在相对于所有的参考站具有移动的情况下）或者是否没有移动（在这些参考站之中只有一个或两个参考站显示阳性移动结果的情况下）。

在应用这个算法中要注意的进一步要点包括以下：

- 虽然每一个集群属于特定地区，但是给定集群的一些节点可以被定位在相邻地区内。在这种情况下，如果这些节点之一已被选择为这个集群的相邻参考站，则该算法选择新的节点。

- GPS接收机被放置在其中的区域可能正遇到正在进行的构造移动活动。然而，这个活动可能不以完全相同的方式影响所有的地区。在上面算法中选择直接相邻地区降低这些不同的地区将正在经历明显不同的构造移动活动（其因此能够影响相对距离值的测量）的概率。

- 比较不同参考站和地区内的集群之间的距离矢量能够检测到是否参考站正在移动。可能的情况是：相邻地区内的所有参考站正在移动，但是这发生的概率是非常低的（作为在计算中考虑的相邻地区的数量的函数而较低）。

现在将讨论在上述的方法和原理中对于精度的提高而言一般是相关的许多进一步辅助考虑因素。

首先，针对由多个个别设备生成的位置数据的组合或聚集而言，取决于所考虑的数据，不同的平均方法可以提供更大或更小的精度。特别地，均值算法在某些场合下尤其在其中在GPS测量的情况下并非总是能够被假设的所有测量的概率分布函数被均匀分布在真正值周围的情况下是有用的。取决于在每一个采样中出现的误差的幅度，在均值计算中将要求包括更多或更少数量的采样。

如果所有测量的概率分布函数并没有被均匀分布在真实值周围，则可能反而应用中值算法。这个方法使得无关项能够被消除。中值算法可以给出所有位置测量的中心的更好估计，这可以提高最终系统的所有采样的质量。

将要考虑的进一步重要因素是恒星日的问题以及这个能够引入的误差。众所周知，每23小时56分4秒（恒星日的周期，SD），卫星的几何图形相对于位于固定位置上的GPS接收机返回到相同的配置。每一颗GPS卫星在11小时58分2秒内完成其环绕地球的轨道，因为地球自身在旋转，所以在恒星日之后，卫星的星座对于给定的特定固定节点而言将是相同的。

鉴于此，选择用于应用均值算法的最佳周期对于获得最佳结果而言是重要的。如果选择的周期是24小时，则每一个平均值将包含通过使用不同星座的卫星所计算的3分56秒的采样。以这种方式平均位置采样意味着：为了再一次具有相同的卫星星座而将要求一年的延迟（3分56秒乘以365等于24小时）。为了最佳促成滑坡的检测，应该应用随着时间的推移而相同的条件，以致使用恒星日的采样（或其倍数）来最佳计算平均。

恒星日的因素对于采样集合之中的哪个（些）采样在实行平均方法时将提供最佳结果也可能具有影响。用于识别最佳采样（在平均之后给出位置的好估计的那些采样）的过滤方法可以被应用。下面描述一种示例过滤算法。

首先考虑单个节点i，对其而言生成分别在时间t₀和t₁=t₀+23小时56分4秒获取的两个位置采样（x⁽ⁱ⁾ ₀）和（x⁽ⁱ⁾ ₁）。假设没有GPS误差，则

。

然而，在真正情形中，在时间t₀和t₁，若干GPS误差源将影响所测量的位置值，以致：

其中x_R对应于真正位置值，而e₀对应于在时间t₀招致的总误差。

分离这些误差并且计算两个位置测量之间的差：

。

在给出固定节点的情况下，多径效应可以被假设为每个恒星日是相同的（假设在接收机周围的恒定环境），并因此这些项可以被移除。并且，由于接收机保持不变，所以第二项也可以被扣除（其将近似为零）。因为全局误差随着时间的推移而改变，所以最后项并不自动为零。然而，可以应用低过滤器来仅提取在恒星日之后非常类似的采样。这意味着：选择采样，以致

，其中d_th是选择的阈值。

在选择适当的阈值中，应该考虑两个考虑因素：

- 影响真正位置的全局误差在定义的阈值增加时增加

- 选择低的阈值降低用于平均计算的采样的数量（这可能降低最终结果的精度）。

进一步，恒星日的因素、附加的一般关注(concern)在所有考虑的节点的环境中确保实质一致性。为了最可靠的数据，所有考虑的节点应该受到相同（最佳）条件的影响。可以分析两个方面：

- 卫星的选择。对于包含N个节点的小区域来说，众所周知，它们有可能受到类似的全局误差的影响。选择被所有节点同时查看的GPS卫星保证相等的全局误差。此外，在计算中仅接受或考虑在合理数量的卫星正被查看时由给定节点获取的测量可能是有利的。以这种方式，所定义的应用的输出可以利用更高的精度来估计最终结果。此外，新的参数可以被添加至先前讨论的约束：即，卫星的几何图形。较低的精度因子(dilution ofprecision)(DOP)值例如可以提高位置估计。

- 节点的选择。创建GPS接收机的集群移除大多数的本地误差，但是一些节点中技术故障的存在或恶劣环境可能对最终结果具有显著的影响。通过分析信噪比、测量的标准偏差和/或在定义的时间周期之后（例如在一天之后）所查看的卫星的平均数量来表征集群中的各个节点可能能够识别潜在有问题的节点。随后可以从例如所定义的集群的结果中排除这些识别的节点。

可以考虑的一个进一步因素是在节点上收集的数据的数量以及被传送至中央处理单元（后端）的这个数据的总量。

与上面讨论的移动事件的发生的初始检测相关的一个相关考虑因素是所挑选的任何速度阈值v_th的值。定义v_th的高值保证要求较小数量的数据或被存储在节点上或被传送至后端。然而，v_th的高值典型地也可能降低检测到快速移动事件的概率（P_detection）。

进一步考虑因素涉及平均的计算。为了计算L个采样值的集合的中值，所有L个值必须在中值能够被识别之前初始地被排序。在最简单的情况下，这将意味着：L个测量的初始缓冲可能是必要的。

为了最小化所需的节点的存储容量，可以应用压缩算法。这能够有助于确保：基于GPS接收机的离散输出，在任一时间仅需要存储L个值的子集。

在给出固定节点的情况下，GPS接收机将利用高概率返回重复的位置测量。创建每个位置采样的频率的表格大大减少必要存储的总量。此外，因为中值将靠近均值，所以可以扣除无关的边远采样。

相应地，示例压缩算法可以包括以下步骤：

1、获取由GPS接收机返回的位置采样并且计算距先前均值的距离（例如，最后一天的位置平均）

2、如果这个距离大于定义的阈值（例如30厘米）并且如果相关的位置测量低于均值，则将计数器(counter)加一。在任何其他情况中，存储位置测量并将其相关联的计数器（counter_value）递增1。

对于每一个返回的位置测量，执行该算法。

一旦达到定义的时间周期（例如一天），则只有最中心的位置已与其相关的频率计数一起被存储在节点上。也存储指示具有多少无关采样的计数器。

中值将被计算，从而选择中心位置测量：一旦存储的数据已被排序，如果周期是奇数，则选择与索引

相关联的值。如果周期是奇数（偶数），则反而选择与索引

Claims

1.一种用于检测总体区域内的本地地面位置变化的系统，包括：

多个照明单元（100），每一个照明单元被固定到地面并被安装在总体区域内，其中每一个照明单元包括移动检测和/或定位系统（120）以及用于发射移动信息和/或定位信息至远程中央处理单元的发射机（140）；和

远程中央处理单元（200），用于从多个固定照明单元接收移动信息和/或定位信息并被适配成处理所接收的移动信息和/或定位信息，以识别本地地面位置变化，

其中远程中央处理单元（200）被适配成基于来自彼此紧邻的多个照明单元的移动信息和/或定位信息来识别本地地面位置变化，其中彼此紧邻的多个照明单元具有相关地面位置变化，并且其中相关地面位置变化对应于在同一方向的位置变化或者朝向公共点的位置变化或远离公共点的位置变化。

2.根据权利要求1所述的系统，其中远程中央处理单元（200）被适配成通过平均或比较多个照明单元在时间周期内的位置变化来处理定位信息。

3.根据权利要求1或2所述的系统，其中每一个照明单元的移动检测和/或定位系统（120）包括定位系统，其对在时间间隔内获得的定位信息进行预处理，从而导出将被发射的定位信息。

4.根据权利要求1或2所述的系统，其中所述系统进一步包括至少一个静态参考单元，其包括另一移动检测和/或定位系统以及用于发射移动信息和/或定位信息至远程中央处理单元的另一发射机，并且其中远程中央处理单元被适配成确定照明单元之中的一个或多个照明单元相对于至少一个静态参考单元的位置变化，以及

其中远程中央处理单元被适配成利用平均或比较所确定的多个照明单元相对于至少一个静态参考单元的位置变化的处理来识别本地地面位置变化。

5.根据权利要求4所述的系统，其中预处理包括识别在个别照明单元上的移动信息和/或定位信息，以及其中所述识别包括计算个别照明单元的移动信息和/或定位信息的均值或中值。

6.根据权利要求1、2或5所述的系统，进一步包括代理设备，其中照明单元被适配成发射移动信息和/或定位信息至代理设备，其中代理设备被适配成对移动信息和/或定位信息执行数据处理并且发送所处理的移动信息和/或定位信息至远程中央处理单元。

7.根据权利要求1、2或5所述的系统，其中照明单元包括多种感测技术来测量移动信息和/或定位信息。

8.一种用于检测总体区域内的本地地面位置变化的方法，包括：

从多个照明单元（100）发射移动信息和/或定位信息至远程中央处理单元（200），每一个照明单元被固定到地面并被安装在总体区域内；

在远程中央处理单元上，处理所接收的移动信息和/或定位信息，以识别本地地面位置变化，

在远程中央处理单元上，基于来自彼此紧邻的多个照明单元的移动信息和/或定位信息来识别本地地面位置变化，其中彼此紧邻的多个照明单元具有相关地面位置变化。

9.根据权利要求8所述的方法，包括：在远程中央处理单元上，通过平均或比较多个照明单元在时间周期内的位置变化来处理定位信息。

10.根据权利要求8或9所述的方法，包括：确定多个照明单元在同一方向或者朝向公共点或远离公共点的相关地面位置变化。

11.根据权利要求8或9所述的方法，包括：在局部区域内基于具有相关地面位置变化的照明单元的百分比来识别本地地面位置变化，其中相关地面位置变化具有超过阈值的位置变化量。

12.根据权利要求8或9所述的方法，包括：对在时间间隔内获得的定位信息进行预处理，从而导出将被发射的定位信息，其中预处理包括平均。

13.一种用于存储计算机程序的存储介质，其中计算机程序包括被适配成当所述计算机程序被运行在计算机上时执行权利要求8-12之中任一权利要求的方法的代码装置。