发明内容
这是通过在独立权利要求中公开的内容来解决的。有利实施例是从属权利要求的主题。
本发明涉及一种方法,其中通过组合第一方位数据和至少第二方位数据来导出移动对象的室内方位。第一位置数据或第二位置数据分别源于第一位置确定方法或第二位置确定方法。
因此,通过组合来自两种不同方法的数据,增强了准确度。
位置确定也被称为定位或确定位置。室内方位特别是指在封闭环境内的方位,例如,建筑物、其它房屋或地下的内部。更一般地,它表示没有GPS信号或类似信号可用的方位;然而,对于移动对象所处的空间存在限制。
根据有利实施例,第一定位方法是已校准的并且它在校准之后的第一时间段是准确的。
根据另一有利实施例,第二位置数据源自在短时间内非常准确但是需要经常进行校准的第二位置确定方法。特别地,它仅在第二时间段期间稳定。
根据又一实施例,时间段的确切长度也可以取决于移动对象的速度。特别地,第二时间段可比第一时间段更短。
根据有利实施例,进行两种方位确定方法的组合,这两种方位确定方法中的一种是准确的并且由于环境中的移动而需要一次性高校准努力,例如,基于蓝牙信号的定位,而另一种需要不断校准,使得它在短期内非常准确,但长期来说不准确。通过这种方式,使用一个系统的优点来弥补另一系统的缺点。此外,使用第一定位方法(例如,基于蓝牙信号的定位)来不断地重新校准另一系统。因此,不需要对基于例如加速度计、陀螺仪和磁传感器数据提供例如关于步数或/和朝向的数据的其它系统的手动校准。
特别地,使用提供其它方位数据的至少一个其它位置确定方法来导出移动对象的方位。这进一步增强了方位检测准确度。
本发明还涉及用于确定室内方位的对应设备。该设备包括用于接收对应的定位数据或/和将数据传送到计算设备SE的接口。特别地,这可以是所述设备内的内部接口。另选地或附加地,经由后一接口,数据可以被传送到外部计算设备,例如,可经由网络访问的服务器SE。
特别地,所述设备可以是具有对应的传感器和接口的便携式计算机,在该计算机上可以运行计算机程序以用于执行根据不同的定位方法进行方位测量的定位方法。
本发明还涉及包括相应设备和至少一个无线电信标的、其中可以执行所述方法的系统。
本发明也涉及计算机程序以及用于存储所述计算机程序的数据载体。
具体实施方式
在图1所示的系统架构的实施例中,多个蓝牙低功耗(BLE)信标B位于室内环境中的选定位置中(例如,房间内部),如平面图上所示。
优选地,它们位于中心方位(诸如安装灯具的方位)处。另选地或附加地,它们被安装在已经有诸如电源之类的必要基础设施的方位处。
存储它们的位置和相应的唯一标识符(诸如介质访问控制(MAC)地址)二者。优选地,它们被存储在数据库中并且例如由于方位、距离等而被关联到彼此。这些信标B的精确行踪以及例如图1中描绘的房屋P的位置的相应楼层或平面图的布局是已知的。如果它们是已知的,则不需要针对第一方位检测方法的校准。另选地,根据另一实施例,可以执行校准。
每个信标B广播与其位置相关联的独特MAC地址。另选地或附加地,它们发送其它信息,这些信息对于每个设备可以是唯一的,并且因此也可以用于标识目的。
然而,RF传输遭受一系列效应的影响,这些效应被室内环境进一步恶化。这些效应中的一个效应是多路径传播,这是由于RF信号遇到障碍物会反弹并从不同方向到达目的地的事实导致的;这进而产生诸如相长干涉或相消干涉之类的效应,即,信号由于这些反射和相移而增强或减弱,即与直接传播的信号相比异相到达的信号。这些效应可以导致信号强度中的尖峰,并且因此当位置仅是基于RF测量时(即,当仅使用信标进行位置确定时),这些位置被错误地报告。
一般来说,信号强度在任何硬件平台上都非常易于获得,但同时它非常不稳定。
因此,为了导出移动对象的方位,通过使用第二定位方法获得的方位数据与基于RF测量(例如,BLE信号)的这些第一方位数据组合地使用。因此,引入了一种机制来稳定从BLE信号导出的那些跳变方位。方位由于信号强度的不稳定性而跳变,而此稳定性是由于无线电波的反射、折射、衍射和吸收(它们是多路径情况的一部分)而导致的。另外,如果持有设备的方式改变,由于例如用户的手可能局部地阻挡天线,则报告的方位将跳变。
通过第二定位方法,在人穿过房屋P的同时收集人的轨迹。
根据实施例,这是通过移动应用来实现的,所述移动应用通过使用内置于移动设备中的惯性测量单元(IMU)来检测用户的身体活动,所述惯性测量单元通常测量线性移动的加速度(3D加速度计)、旋转的加速度(3D陀螺仪)和磁场(3D磁力计)。此IMU数据可用于步数确定、活动检测或测量所走过的距离。此移动应用至少部分地在移动通信设备UE(例如,智能电话)上执行。为了监测这些实体,设备(例如,智能电话)可以特别地包括诸如加速度计、磁力计、气压计、陀螺仪、光传感器或/和音频传感器之类的嵌入式传感器S。其数据输出被读取并被处理以产生实时步数或移动的距离以及用户的移动轮廓。
此外,通信设备UE可以包括用于经由蓝牙低功耗(BLE)、WIFI或移动通信标准进行数据交换的RF接口RFI。
移动设备的处理单元CPU被布置为使得可以采用数据处理算法,特别是诸如卡尔曼滤波、移动平均滤波、平滑滤波、传感器融合、活动识别算法。
移动设备可以经由网络N(例如,互联网或另一广域网(WAN))与服务器SE进行通信,服务器SE处置诸如可显示的地图之类的数据D并执行诸如数据检索、保护隐私要求之类的逻辑操作。
可以以此方式进行取得数据的地方和进行计算的地方的分离。例如,数据取得由移动设备UE处置并且在具有高得多的计算能力的服务器SE处执行计算。如果例如像粒子滤波一样复杂的算法被用于确定方位,则这特别有用:
另一实施例使用“粒子滤波器”以便通过使用来自可用变量的测量来估计隐藏变量的实际值;这被称为隐马尔可夫模型。在上述实施例中,隐藏变量将是真实方位,而可用变量是从传感器和蓝牙地理标记获得的有噪声的测量。粒子滤波器算法包括如可以在图3中看到的以下数据处理的概念:
对于在步骤1中从现象中获得的“粒子”样本(即,数据集),在步骤2中针对粒子中的每个粒子或子集计算重要性权重。数据集正确的概率越高,导致分配到的权重越高。然后在步骤3中根据权重执行重采样,此后在步骤4中根据分布移动样本。在步骤5中,根据重要性权重来执行选择。换句话说,粒子滤波器根据可用的测量数据生成估计的概率分布,并且然后从此分布产生相当数量的随机移位的“粒子”。然后保留具有最大统计重要性的粒子。
由于粒子滤波需要相当大的量的处理能力,所以它优选地用在具有高处理能力的设备中,因而机载地执行所有计算。
另选地,可以应用线上处理。在那里,在移动设备UE(例如,电话)上收集数据,并将数据上传至远程服务器SE,在那里进行处理,参见图2。
根据另一实施例,为了高效地使用来自两种不同定位方法的组合数据,使用所谓的“传感器融合算法”。通过使用传感器融合算法,可以使用这些信息源来在具有准确度和可靠性的情况下查明用户的室内位置,所述准确度特别是由BLE地理标记提供的,所述可靠性特别是由活动识别提供的:BLE地理标记已经提供了房间级别的准确度,即可以确认或否认在某个房间中的存在性。进一步应用的活动识别有助于减少上文解释的RF传播效应并因此提高可靠性。
根据另一实施例,为了融合传感器信息,如上所述,采用卡尔曼滤波器。卡尔曼滤波器使用随时间获得的一系列有噪声的测量来更精确地估计未知变量。为了对此实施例进行建模,使用活动识别数据来更新地理标记方位,以物理线性移动模型来预测下一时刻的系统状态。在状态被预测之后,卡尔曼滤波器然后转到使用新的测量来校正它。卡尔曼滤波器很好地适于其中所有的计算在移动设备UE(例如,智能电话)上执行的隐私保护设置。
基于短期航位推算的活动识别可以提供相当准确的实时方位演变。
然而,所有这些惯性信息源都发生固有的漂移,并且由于它们在没有外部校准的情况下随着时间保持融合,方位估计也慢慢远离实际位置。除非使用非常准确的运动传感器来测量运动(这会是相当昂贵的),否则需要进行重复校准。
本发明的各种实施例的一个重要方面是减少校准并因此减少室内定位系统中的安装工作以及提供高于房间级别的准确度。当前技术的室内定位方案倾向于依靠大量的且侵入性的校准工作,这既需要时间来完成,也很可能造成场所处的常规操作的中断。因此,一个意图是去除或最小化校准的需求。校准通常代表着定位系统中成本最高的组件,并且校准的质量将很大程度地确定其性能。
在图2中,可以看到如何通过使用应用(特别地,移动设备上运行的安卓应用)来处置和处理数据的示例性实施例。诸如BLE收发器BLET、磁场传感器MF、加速度计A或陀螺仪G之类的传感器S在相应步骤1.a-步骤1.d中提供传感器输出数据SO。
输出数据SO包括蓝牙低功耗RSSI或/和MAC数据BLERSSI&MAC或/和其它信息(诸如来自BLE收发器BLET的UUDI(通用唯一标识符)或/和主要数据或/和次要数据)作为来自第一定位方法的数据。此外,输出数据包括来自磁场传感器MF和加速度计A和陀螺仪G的朝向数据O以及来自陀螺仪G和加速度计的步数数据SC作为来自第二定位方法的数据。
另选地,并不是使用所有这些数据或从所有示出的传感器获得所有这些数据,而是使用传感器的不同组合。
这些输出数据SO在步骤2.a-2.c中被提供给相应的服务,这些相应的服务用于与相应处理引擎(BLE引擎BLEE和惯性测量单元(IMU)引擎IMUE)进行通信以用于预处理PP,参见步骤3a、3.b和4.a、4.b。在图2的示例中,使用可用的安卓服务来与处理引擎进行数据交换,BLE服务BLES和IMU服务IMUS。
在图2的实施例中,通过在步骤5.a和5.b中将数据提供给传感器融合服务SFS来执行传感器融合SF,该传感器融合服务SFS特别地由移动设备UE的操作系统(特别地,安卓)提供,其中在步骤6中将数据传送到卡尔曼滤波器引擎KFE,并且在步骤7中将处理后的数据传送回用于与卡尔曼滤波器引擎KFE交换的传感器融合服务SFS。
在步骤8中,将这样转换的数据提供给在移动设备UE上运行的程序A。
所描述的实施例的优点是标准的现成硬件的可能使用,诸如运行安卓操作系统并且支持蓝牙低功耗(BLE)的标准的智能电话和平板。这将打开大范围的可能用户,因为与需要特殊硬件的情况相比,用户接口可以被安装在更多的设备上。
另一重要优点是易于使用,因为不需要来自用户的校准,并且接口可以被设计为与已经存在的定位服务类似。
此外,可以实现高准确度。初始的BLE标记系统具有大约1.4米的报告准确度,脚步检测准确度超过所检测到的脚步的约95%,并且朝向测量具有低于1%的方差。这样,这些系统的组合应当提供比先前存在的系统更高的整体准确度。
此外,可以通过使用两个信息源来提高可靠性。因此,唯一地、毫无疑问地定位用户在任何给定时刻的位置将是可能的。
此外,与其它系统相比,所提出的实施例完全不需要任何现场校准。其它系统可能需要对于场所进行大量的指纹法或记录,这取决于场所的大小而可以花费数小时和数天,因而如果没有正确地完成则很可能会中断日常操作。
供计算机(特别地,移动计算机,尤其是智能电话)上使用的计算机程序或软件产品通过激活计算机的相应接口来发起对诸如所发现的BLE标签和物理活动之类的信息的收集。因此,用户仅需要启动例如智能电话应用,而不必提供来自用户的任何进一步的主动输入。
- 理论上,BLE标签由于其低发射功率而提供了房间级别的准确度。每个BLE标签的范围一定程度上局限于它所位于的房间中。这是因为进入另一具有不同标签的房间会导致后者被认为是最接近的房间这一事实。然而,在实践中,之前解释的多路径现象阻碍了这一点,这意味着信号的反射使得准确地限定用户的位置非常困难。
活动检测还允许确定真实方位或“固定的稳定性”。知道用户正去往哪里以及他来自哪里(由于他的活动性)以及可能还知道平面图的模型表示(例如,知道门和墙壁在哪里)将允许排除掉计算上可能但是为假的用户位置候选或“幽灵固定”(例如,将用户方位移动穿过墙壁)。另一方面,如果(即,通过使用加速度计的活动识别检测到的)用户没有正在移动,则即使通过蓝牙计算出的方位将显示一些移动,但是与加速度传感器的组合也可以传达静态方位。
此外,无需对期望的位置执行侵入性分析。根据现有技术的解决方案需要执行成像研究或RF指纹法,这些是侵入性的且耗时的过程,其能够导致日常操作的中断。此外,成像和指纹法要求技术人员去到场所并执行大量不同粒度的测量,这能够花费很长时间并造成很大的不便。所提出的实施例允许以数分钟最多数小时(取决于平面图)的方式、以最低限度的旁观者参与度来部署标签。在规划完成后,可以容易地部署标签。
如同已经提到的那样,一重要优点是通过具有不同特性的两种定位方法的组合,可以实现比市场上任何其它类似产品更高的准确度,而同时可以避免昂贵的校准工作。
根据另一实施例,所述系统可以被集成为用于情境感知工业自动化的平台,其向工业操作者提供仅显示取决于用户的位置的必要信息的情境感知技术。
工业环境的情境中的另一实施例在于大型机械的安全自动化;可以使得机械觉察到其附近的操作,并且当一操作太过靠近它时中止其操作,从而防止可能致命的事故。
根据另一实施例,以上一个或多个实施例与现有地图平台相集成以允许全局室内定位系统。关于现有系统的主要优点是不用校准、低部署工作量和应用的被动行为,即,不需要用户的工作。其它解决方案常常需要大量的测量阶段,并且要求用户执行诸如拍摄他们的环境的照片之类的动作。
尽管已经根据优选实施例描述了本发明,但是对于本领域技术人员来说显而易见的是,完全地或者在一个或多个方面中的实施例之间的组合或修改在所有实施例中都是可能的。