DE102020105147A1

DE102020105147A1 - Verfahren und System zur Auswertung von Positionsparametern

Info

Publication number: DE102020105147A1
Application number: DE102020105147.6A
Authority: DE
Inventors: Michael Eschey; Helmi Abidi
Original assignee: Osram GmbH
Current assignee: Osram GmbH
Priority date: 2019-02-27
Filing date: 2020-02-27
Publication date: 2020-08-27
Also published as: US20200271769A1; US10761200B1

Abstract

Die Anmeldung schlägt ein Verfahren zur Auswertung von Positionsparametern in einem definierten Bereich vor, insbesondere in einem geschlossenen Raum, wobei der definierte Bereich von mindestens drei stationären Zugangsstrahlpunkten beeinflusst wird und über den ein Gittermuster mit mindestens zwei Gittern gelegt wird, wobei jedes Gitter einen Anker aufweist. Das Verfahren weist jedem Anker einen Positionsparameteranfangsvektor zu und erfasst dann innerhalb des definierten Bereichs eine Vielzahl von RSSI-Messungen durch Empfangen von Signalen von mindestens drei stationären Zugangsstrahlpunkten. Die Vielzahl von RSSI-Messungen ist in einer Vielzahl von Teilmengen geclustert, wobei die Anzahl der Teilmengen der Anzahl der mindestens zwei Gitter entspricht. Abschließend wird jede Teilmenge der Vielzahl von Teilmengen jeweils einem der mindestens zwei Gitter zugeordnet, und der Anfangsvektor wird basierend auf der Teilmenge der Vielzahl von Teilmengen, die dem jeweiligen der mindestens zwei Gitter zugeordnet sind, aktualisiert.

Description

Die vorliegende Anmeldung beansprucht die Priorität der DK-Anmeldung Nr. PA201970136 vom 27. Februar 2019, deren Offenlegung hier in ihrer Gesamtheit aufgenommen wird.
TECHNISCHES GEBIET
Die vorliegende Erfindung betrifft ein Verfahren zur Auswertung von Positionsparametern in einem definierten Bereich, insbesondere in einem geschlossenen Raum. Des Weiteren behandelt die Erfindung ein System zur Auswertung von Positionsparametern in einem definierten Bereich, insbesondere in einem geschlossenen Raum.
HINTERGRUND
Die Entwicklung von Diensten, die Positionierungs- oder Ortungssysteme verwenden. Während Dienste im Freien, d.h. in Fahrzeugen und dergleichen, beispielsweise das GP-System verwenden, stehen Innenraumpositionierungssysteme weiterhin vor großen Problemen. Meistens werden zur Schätzung der Position Hochfrequenzmessungen als Reaktion auf einen oder mehrere stationäre Punkte verwendet. Dennoch stellen Rauschen in den gesendeten oder empfangenen Signalen oder eine sich ändernde Umgebung Herausforderungen dar, die nicht leicht zu bewältigen sind.
In den vergangenen Jahren wurden verschiedene Verfahren und Ansätze entwickelt wie zum Beispiel in der WO2015/183998 A1 . Darin wird ein Verfahren zur Positionsübergangsbestimmung eines mobilen Gerätes an einem Veranstaltungsort beschrieben. Ein Positions-Server bestimmt dabei ein Netz von Überwachungsdaten einschließlich von Messungen von Umweltvariablen an verschiedenen Positionen am Veranstaltungsort. Der Positions-Server kann jede Zelle mit einer Verteilung von Messungen von Signalen der Umweltvariablen in der Zelle verknüpfen. Der Positions-Server kann eine Darstellung des Netzes an ein mobiles Geräte bereitstellen, welche die Zellen und die zugeordneten Verteilungen beinhaltet, um eine Position des mobilen Gerätes an dem Veranstaltungsort zu bestimmen.
Die WO2015/183998 und jede der anderen verschiedenen Verfahren haben jedoch jeweils ein eigenes Anwendungsfeld mit jeweiligen Vorteilen und Einschränkungen. Daher besteht nach wie vor Bedarf an einem verbesserten Verfahren zur Schätzung der Position oder des Standorts in einer Innenraumumgebung. Das Verfahren sollte insbesondere eine verbesserte Robustheit für die Schätzung der für das Bestimmen der Position erforderlichen Parameter bereitstellen.
KURZDARSTELLUNG
Die Erfindung schlägt eine Kombination von zwei verschiedenen Weisen vor, um eine Position in einem Innenraum zu schätzen, zusammen mit unüberwachtem Lernen, um aktualisierte Parameter abzurufen. Letzteres kann verwendet werden, um die Position viel genauer zu bestimmen.
Gemäß einem Gesichtspunkt ist ein Verfahren zur Auswertung von Positionsparametern in einem definierten Raum, insbesondere in einem Innenraum, vorgesehen. Der definierte Raum wird von mindestens einem, insbesondere mindestens drei stationären Zugangspunkten beeinflusst. Ferner wird ein Gittermuster mit mindestens zwei Gittern über den definierten Bereich gelegt, wobei jedes Gitter einen Anker aufweist. Mit anderen Worten wird ein Gittermuster bereitgestellt, das den definierten Raum abdeckt. Der Anker kann der Mittelpunkt jedes Gitters sein, aber auch ein beliebiger anderer Punkt, insbesondere innerhalb des jeweiligen Gitters. Das Verfahren umfasst den Schritt des Zuweisens eines Positionsparameteranfangsvektors zu jedem Anker. Dann wird eine Vielzahl von RSSI-Messungen innerhalb des definierten Raums unter Verwendung des mindestens einen stationären Zugangsstrahlpunkts erfasst und gespeichert. Die Vielzahl von RSSI-Messungen wird dann in eine Vielzahl von Teilmengen geclustert. Gemäß dem vorgeschlagenen Prinzip entspricht die Anzahl der Teilmengen der Anzahl der mindestens zwei Gitter. Jede Teilmenge der Vielzahl von Teilmengen ist einem jeweiligen der mindestens zwei Gitter zugeordnet. Für jedes der Gitter wird der dem jeweiligen Anker des Gitters zugewiesene Anfangsvektor aktualisiert. Die Aktualisierung kann auf dem Vektor mit den Anfangspositionsparametern und der Teilmenge der Vielzahl von Teilmengen, die dem jeweiligen der mindestens zwei Gitter zugeordnet sind, basieren.
Das vorgeschlagene Verfahren wird einen verbesserten Vektor mit einem aktualisierten Satz von Positionsparametern, insbesondere aktualisierten Pfadverlustparametern, bereitstellen. Diese aktualisierten Parameter werden dann für eine bevorstehende Positionierung verwendet. Zusätzlich wird der aktualisierte Vektor zum neuen Anfangsvektor der nächsten Iteration. Infolgedessen aktualisiert das vorgeschlagene Verfahren iterativ die Positionsparameter für jeden Anker.
In einigen Fällen wird der aktualisierte Positionsparametersatz verwendet, um eine Positionierung basierend auf der jeweiligen RSSI-Messung und dem Positionsparametervektor zu bestimmen. Der Parametersatz kann beispielsweise an Vorrichtungen weitergeleitet werden, wobei der Satz verwendet wird, um dessen Position zu bestimmen. Auf diese Weise könnten aktualisierte Pfadverlustparameter an eine Vielzahl von Mobiltelefonen oder andere Vorrichtungen gesendet werden, die die Informationen verwenden, um ihre jeweiligen Positionsparameter zu aktualisieren. Diese Anwendung kann beispielsweise für ein automatisiertes Lagerhaus, in dem automatisierte Fahrzeuge ihren Weg in einer sich langsam ändernden Umgebung suchen, geeignet sein. Eine andere Anwendung kann ein größeres Einzelhandelsgeschäft oder dergleichen sein, um beispielsweise potentielle Kunden über ihre Position und Entfernung zu bestimmten Angeboten zu informieren.
In einigen anderen Gesichtspunkten kann der Schritt des Erfassens und Speicherns der RSSI-Messung auch das Anhängen eines Zeitstempels an jede erfasste RSSI-Messung und/oder die Bestimmung der Positionierung unter Verwendung der RSSI-Messung und des Positionsparameteranfangsvektors enthalten. Somit können zusätzliche Informationen als Offline-Informationen für eine spätere Verarbeitung gespeichert werden. Das Speichern der Positionsinformationen kann nützlich sein, um einen hohen Rechenaufwand zu einem späteren Zeitpunkt zu vermeiden, da RSSI-Messungen über einen langen Zeitraum mit genügend Zeit erfasst werden, um die Positionierung auszuwerten, während die Durchführung zu einem späteren Zeitpunkt über einen kurzen Zeitraum einen hohen Rechenaufwand notwendig machen kann.
In einigen Gesichtspunkten müssen die Daten vor dem eigentlichen Clustern vorverarbeitet werden. Solch eine Vorverarbeitung kann die Erweiterung der Vielzahl von RSSI-Messungen einschließlich eines Ansatzes zur dynamischen Zeitnormierung (DTW-Ansatz, dynamic time warping approach) unter Verwendung mehrerer benachbarter RSSI-Messungen zu einer ausgewählten RSSI-Messung umfassen. Datenerweiterung mit RSSI-Messungen kann einen sich wiederholenden Ansatz einschließen, in welchem RSSI-Messungen iterativ erweitert werden.
Für das Clustern kann in einigen Gesichtspunkten ein Verfahren des unüberwachten Lernens verwendet werden. Solch ein Lernverfahren kann ein DEC-Framework, deep embedding clustering framework, umfassen, einschließlich eines Autoencoders. Der Autoencoder verringert die Dimension der verfügbaren Daten, um Rauschen in dem Datensatz zu reduzieren. Die RSSI-Messdaten werden durch den Autoencoder mit einer nicht-linearen Abbildung in einen neuen Merkmalsraum transformiert. In einem solchen Merkmalsraum, der die codierten Informationen umfasst, kann die Abbildung einfacher und schneller mit weniger Rechenaufwand werden. Rauschen und andere Fehler werden ausgeglichen oder nach dem Training von dem Cluster-Framework als solche erkannt. Die codierten Informationen werden dann in einen Clusteralgorithmus eingespeist. Der Clusteralgorithmus verwendet beispielsweise K-Means- oder HAC-Verfahren, um Korrelationen in den RSSIE-Daten zu identifizieren, die zu derselben Gruppe gehören. Der K-Means-Algorithmus wird unter https://en.wikipedia.org/wiki/K-means_clustering näher beschrieben, wobei er durch die Bezugnahme in seiner Gesamtheit aufgenommen wurde. HAC gehört zu den hierarchischen Clusterverfahren, und weitere Beschreibungen können unter der folgenden Referenz gefunden werden: https://en.wikipedia.org/wiki/Hierarchical_clustering
In anderen Worten gruppiert der Schritt des Clusterns die RSSI-Messung in unterschiedliche Teilmengen.
In einigen Gesichtspunkten muss DEC als unüberwachtes Deep-Learning-Netzwerk trainiert werden. Es wurde von den Erfindern festgestellt, dass ein Deep-Embedding-Clustering-Framework, DEC-Framework, besonders vorteilhaft für RSSI-Daten aus dem Innenraum ist, für den die Position bestimmt werden soll. Das System wird dann in der bereits existierenden Umgebung trainiert. In einigen anderen Gesichtspunkten kann das Netzwerk vorab unter Verwendung von realen oder simulierten Messungen trainiert werden. Einige Gesichtspunkte betreffen das Training selbst. Wie zuvor erwähnt, kann das Deep-Embedded-Clustering-Netzwerk in einigen Gesichtspunkten einen Autoencoder und ein Clusternetzwerk umfassen. Für das Training wird der Autoencoder zusammen mit dem Clusteralgorithmus trainiert, um gemeinsam das Finden von Schwerpunkten sowie die Encoder-Gewichtungen zu verbessern.
Einige andere Gesichtspunkte betreffen das Lernen und die Verbesserung der Positionierung selbst. Wie zuvor dargelegt, verwendet das Verfahren eine Gitterstruktur mit einem oder mehreren Ankern, wobei jedem der Anker ein Positionsparametersatz zugewiesen wurde. Änderungen in dem Innenraum oder eine zunehmende Anzahl von RSSI-Informationen können eine Angleichung der Auflösung der zuvor definierten Gitterstruktur bewirken. Somit umfasst in einigen Fällen der Schritt des Clusterns der Vielzahl von RSSI-Messungen in einer Vielzahl von Teilmengen das Identifizieren einer Vielzahl von Teilmengen, wobei sich die Anzahl von Teilmengen von der Anzahl der mindestens zwei Gitter unterscheidet. In einigen Fällen kann ein Gitter mit einem Anker in zwei oder vier neue Gitter unterteilt werden, jedes von ihnen mit einem Anker. Anfänglich kann der Anker den Positionsparametersatz des vorherigen Ankers übernehmen. Andererseits kann das Verfahren den Schritt des Kombinierens von zwei Gittern mit zwei Ankern zu einem einzigen Gitter mit nur einem Anker umfassen.
In einigen anderen Fällen ist die Gittergröße angleichbar und kann in Abhängigkeit von der Menge an Messungen variieren. In einigen Fällen werden die Cluster als Gitter verwendet, oder insbesondere bilden die Clustergrenzen im realen Raum auch die Gittergrenzen.
In einigen anderen Gesichtspunkten umfasst der Schritt des Clusterns der Vielzahl von RSSI-Messungen eine Vorauswahl basierend auf Auswahlkriterien einer ersten Vielzahl von RSSI-Messungen aus der Vielzahl von RSSI-Messungen, um weitere Schritte mit der ersten Vielzahl auszuführen. Dieser Gesichtspunkt kann es ermöglichen, die Anzahl an RSSI-Messungen, die für den Schritt des Clusterns berücksichtigt werden, zu reduzieren oder nicht geeignete RSSI-Daten nicht zu berücksichtigen. In einigen Gesichtspunkten basiert die Auswahl der RSSI-Messungen, die nicht berücksichtigt werden, auf Zeit, Datum oder Alter der RSSI-Messung. Alternativ kann die Anzahl der von verschiedenen Zugangspunkten empfangenen Signale berücksichtigt werden. Wenn die Menge an Signalen unter einem definierten Schwellenwert liegt, werden die Daten ignoriert. Ein ähnlicher Ansatz ist die Verwendung der Signalstärke, des Signal-Rausch-Verhältnisses oder anderer Kriterien.
In einem anderen Gesichtspunkt wird der RSSI-Messung ein dynamischer Gewichtungswert zugewiesen. Der Gewichtungswert wird als Reaktion auf das Alter der RSSI-Messung oder des Zeitstempels angeglichen. Dies ermöglicht es, ältere RSSI-Daten schrittweise auslaufen zu lassen oder ihnen einen niedrigeren Wert zu geben. Im Fall von sich ändernder Umgebung, können ältere RSSI-Daten obsolet werden und langsam unberücksichtigt gelassen werden. Der Gewichtungswert kann im Laufe der Zeit kleiner werden, beispielsweise auf lineare Weise mit einem vordefinierten Faktor. In einigen anderen Beispielen ist die Abnahme der Gewichtung exponentiell zu einem vordefinierten Faktor. Der Faktor wird an die Umgebungssituation angepasst, in sich häufig verändernder Umgebung kann der Faktor auf einen Wert eingestellt werden, der ein schnelleres schrittweises Auslaufen der RSSI-Daten bewirkt.
Einige andere Gesichtspunkte behandeln den Aspekt, dass in einer sich ändernden Umgebung bestimmte Zugangspunkte nicht mehr sichtbar sind, da ihre Emission abgeschwächt oder blockiert wird. In einigen Fällen wertet der Schritt des Clusterns der RSSI-Daten in dem Merkmalsraum eine Korrelation zwischen der Position des Zugangspunkts und der Gitterstruktur aus. Dadurch kann jedem Zugangstrahlpunkt ein Wahrscheinlichkeitswert in Bezug auf jeden Anker der mindestens zwei Gitter zugewiesen werden, der anzeigt, dass in dem spezifischen Gitter kein Signal empfangen wurde.
Einige andere Gesichtspunkte betreffen den Aspekt, dass unter bestimmten Umständen in bestimmten Innenräumen eine größere Vielzahl von RSSI-Daten in einem bestimmten Bereich verfügbar sind. Beispielsweise könnte ein Zugangspunkt (NFC, ZigBee und dergleichen) nahe an einer Tür angeordnet sein, sodass die Menge der Messungen groß ist und/oder die Auflösung nahe an einen solchen Bereich feiner ist als anderswo. In einem Gesichtspunkt kann das Verfahren eine erneute Auswertung der Positionsparameter auf einer lokalen Grundlage bereitstellen, anstelle der globalen Auswertung der Positionsparametersätze.
Einige andere Gesichtspunkte beziehen sich auf ein System oder eine Anordnung. Das System oder die Anordnung umfasst einen Speicher und einen oder mehrere Prozessoren. Der eine oder die mehreren Prozessoren sind angepasst, um einen oder mehrere der verschiedenen Gesichtspunkte des vorstehend offenbarten Verfahrens auszuführen.
In einigen Gesichtspunkten umfasst ein System einen Speicher und einen oder mehrere Prozessoren, die angepasst sind, um folgende Anweisungen auszuführen:

- Zuweisen eines Positionsparameteranfangsvektors an jeden Anker;
- Erfassen und Speichern einer Vielzahl von RSSI-Messungen innerhalb des definierten Bereichs durch Empfangen von Signalen von mindestens drei stationären Zugangsstrahlpunkten;
- Clustern der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen, wobei die Anzahl der Teilmengen der Anzahl der mindestens zwei Gitter entspricht;
- Zuordnen jeder Teilmenge der Vielzahl von Teilmengen zu jeweils einem der mindestens zwei Gitter; und
- Aktualisieren des Anfangsvektors, der dem Anker des jeweiligen einen der mindestens zwei Gitter basierend auf dem Vektor der Anfangspositionsparameter und der Teilmenge der Vielzahl von Teilmengen, die dem jeweiligen einen der mindestens zwei Gitter zugeordnet sind, zugewiesen ist

Figurenliste
Im Folgenden wird die Erfindung unter Bezugnahme auf mehrere beigefügte Zeichnungen näher erläutert, in denen Folgendes gezeigt wird:

1 veranschaulicht einen Innenraum mit einem Gitterstruktur-Overlay und einigen Ankern und Zugangspunkten, um verschiedene Gesichtspunkte der vorliegenden Erfindung zu veranschaulichen;
2 stellt einen allgemeinen Überblick über das vorgeschlagene Prinzip bereit;
3 zeigt eine detailliertere Ansicht einiger Verfahrensschritte gemäß dem vorgeschlagenen Prinzip;
4 veranschaulicht ein Beispiel eines Verfahrens zur Datenerweiterung, das in einigen Gesichtspunkten des vorgeschlagenen Prinzips verwendet wird;
5 bis 8 zeigen verschiedene Schritte zum Bestimmen von Pfadverlustparametersätzen in einem Innenraum gemäß einigen Gesichtspunkten des vorgeschlagenen Prinzips;
9 veranschaulicht ein Beispiel des Angleichens der Gitterstruktur als Reaktion auf Clusterergebnisse und Änderungen in der Umgebung;
10 zeigt ein System, das in der Lage ist, verschiedene Gesichtspunkte des vorgeschlagenen Prinzips durchzuführen.

AUSFÜHRLICHE BESCHREIBUNG
Positionierungssysteme, die RSSI-Messungen verwenden, folgen in der Regel zwei leicht unterschiedlichen Ansätzen. Das erste Verfahren berechnet den Abstand zu einem jeweiligen RSSI-Sender. Dieses Verfahren ist ähnlich dem GPS, bei dem mehrere Satelliten Signale an einen Empfänger senden, der seine Position unter Verwendung von Zeitstempelinformationen in den empfangenen Signalen berechnet. Bei Innenraum-Systemen werden ebenfalls drei Sender, deren Position bekannt ist, benötigt. Bei der 3D-Positionierung (unter Berücksichtigung der Höhe) sind vier bekannte Sender erforderlich. Algorithmen, die bestimmte Pfadverlustparameter berücksichtigen, sind in der Lage, die Position im Raum aus der empfangenen Signalstärke der Sender zu bestimmen.
In dem obigen Beispiel sind die Sender aktiv, d. h. sie senden kontinuierlich einen Strahl, der von der Positionierungsvorrichtung empfangen wird. Alternativ kann die Positionierungsvorrichtung aktiv Strahlen zu den Empfängern senden, welche die Signale entweder spiegeln oder die Signalstärke selbst auswerten.
Das zweite Verfahren ist als Fingerprinting bekannt. In diesem Ansatz wird ein Signalvektor für eine vorgegebene Position in dem Raum erzeugt. Der Begriff Vektor oder Signalvektor ähnelt einem Satz von empfangenen Signalen, wobei jedes Signal einem Zugangsstrahl zugeordnet werden kann. Die Dimension des Vektors entspricht der Anzahl der von den verschiedenen Strahlen empfangenen Signalen. RSSI-Messungen der Signale der Sender werden für jede der Positionen erfasst und ein jeweiliger Vektor wird bestimmt und gespeichert. Das Ergebnis ist ein Vektorgitter, das den Raum überlagert, in dem die Position bestimmt werden soll. Für die Positionsbestimmung wird ein neu ermittelter Vektor mit den gespeicherten Vektoren verglichen, und die Positionierung basiert auf dem gespeicherten Vektor, der dem neu bestimmten Vektor am meisten ähnelt. Die Auflösung dieses Verfahrens wird durch das Vektorgitter definiert.
1 zeigt ein Beispiel beider Verfahren. Die Figur veranschaulicht einen Innenraum R, der durch drei Sender oder Zugangspunkte AP1 bis AP3 beeinflusst wird. Eine RSSI-Messung MP wird an der veranschaulichten Position MP vorgenommen. Die Position kann dann durch Auswerten der Signalstärke der drei unterschiedlichen Zugangspunkte AP1 bis AP3 bestimmt werden, wenn deren Sendeenergie und andere Parameter bekannt sind. Zu diesem Zweck wird ein Modell verwendet, das einen definierten Pfadverlustparameter einschließt. Ein geläufiges Modell wertet die RSSI wie folgt aus: $RSSI = L_{0} + γ^{N L O S} {log}_{10} (d) + S^{N L O S}$
Eine nähere Beschreibung dieses Modells befindet sich unter der folgenden Adresse: https://en.wikipedia.org/wiki/Log-distancepath_loss_model
durch die Bezugnahme ist es hierin in seiner Gesamtheit aufgenommen.
Aufgrund von Rauschen oder unbekannten oder unsicheren Parametern ist die Positionierung unter Verwendung des Pfadverlustmodells weniger präzise.
1 zeigt ebenfalls eine über den Innenraum überlagerte Gitterstruktur mit mehreren Ankerpunkten. Der Ausdruck Anker oder Ankerpunkt bezieht sich auf einen dedizierten Punkt, dem ein Gitter zugeordnet ist. In einigen Fällen kann der Mittelpunkt des Gitters ein solcher Anker sein. Jeder Ankerpunkt ist einem RSSI-Vektor zugeordnet, der zuvor erfasst wurde. Werden nun die neu gemessenen RSSI mit dem vorgegebenen Vektor verglichen, kann auch die Position erhalten werden.
In dem vorstehenden Beispiel kann man sehen, dass das Gitter eine höhere Auflösung bereitstellen kann als die Berechnung der Signalverlustparameter in Fällen, in denen die Länge zwischen zwei Ankern kleiner wird als die mittlere Auflösung der Trilateration. Jede Veränderung in der Einstellung, d. h. durch Abschattung des Zugangspunkts, wird jedoch zu einem signifikanten Fehler bei der Gittermessung führen.
Verschiedene andere Verfahren wurden vorgeschlagen, um die oben genannten Probleme zu lösen, sowohl in Bezug auf verschiedene Verfahren (d. h. Flugzeit) oder Versuche zur Kompensation von Rauschen, Reflexion des Signals und dergleichen. Jedoch weisen alle diese Verfahren verschiedene Nachteile auf und erfordern höheren Aufwand, um eine ähnliche Positionsauflösung zu erreichen. Die Verwendung der oben erwähnten Ansätze haben auch ihre Nachteile, jedoch verwenden moderne Smartphones bereits mehrere Standards, d. h. ZigBee, WLAN, Bluetooth und dergleichen, die verwendet werden können, um RSSI-Messungen durchzuführen.
Die vorliegende Erfindung schlägt nun vor, die Flexibilität und Unabhängigkeit manueller Picking-Trilateration mit der Genauigkeit von Fingerprinting zu kombinieren. Statt RSSI-Messungen an jedem Anker während des oben offenbarten Fingerprinting-Ansatzes zu speichern, schlagen die Erfinder vor, verbesserte Pfadverlustparameter für jeden Anker zu erhalten. Um solche verbesserten Pfadverlustparameter zu erhalten, schlagen die Erfinder vor, mit dem Anfangsparameter zu beginnen und eine Vielzahl von RSSI- und Positionsmessungen zu erfassen. Die RSSI-Rohdaten können bei Bedarf unter Verwendung der Anfangsparameter zu Positionen ausgewertet werden. Dann kann ein unüberwachtes Lernverfahren verwendet werden, um die Vielzahl von Messungen zu clustern und jedes Cluster einem jeweiligen Anker zuzuordnen.
Unter Idealbedingungen würde jedes Cluster wahrscheinlich mit dem jeweiligen Anker übereinstimmen, jedoch wird es in der realen Umgebung Fehler aufgrund von Rauschen, Reflexionen, Mehrwegeverlusten und dergleichen geben. Der Fehler kann verwendet werden, um den Anfangsparameter zu verbessern, um ein verbessertes Pfadverlustmodell für jeden Anker zu erhalten. Nach einigen Iterationen sind die Pfadverlustparameter für jeden Anker so, dass der Fehler minimiert wird. In einigen Gesichtspunkten macht der Ansatz nur von sichtbaren Ankern Gebrauch. In einigen anderen Gesichtspunkten wird die RSSI-Messung gewichtet, das heißt, ältere Messungen scheiden schrittweise aus. Dieser Ansatz kann den Einfluss einer älteren Messung reduzieren und daher vorübergehende Änderungen in der Umgebung einkalkulieren. Somit sind Pfadverlustparameter nicht statisch, sondern dynamisch und passen sich Änderungen in der Umgebung an. Das Verfahren ist unter Verwendung des unüberwachten Verfahrens für das Clustern selbstlernend. In einigen Gesichtspunkten ist die Gitterstruktur anfänglich vordefiniert und kann durch das Cluster-Verfahren verändert werden. Zum Beispiel können sich auch die Clusterzahlen ändern, d.h. wenn bestimmte Positionen nicht mehr zugänglich sind oder neue zugänglich werden. Durch Vergleichen der Clustermittelpunkte mit der aktuellen Gitterstruktur wird die Gitterstruktur angepasst. In einigen Gesichtspunkten wird die Gitterstruktur als Reaktion auf die Menge an Clustern und/oder RSSI-Messungen gröber oder feiner.
2 zeigt einen Überblick über das vorstehend vorgeschlagene Prinzip. Der Ansatz kann in zwei Teile eingeteilt werden, einen Online- und einen Offline-Teil. Der Online-Teil ist auf der linken Seite veranschaulicht und zeigt die RSSI-Messung und anschließend den Schritt der Trilateration unter Verwendung von Pfadverlustparametern. Dieser Teil des vorgeschlagenen Prinzips ist bekannt und es existieren verschiedene Verfahren, um die Position im Raum basierend auf RSSI-Messung auszuwerten. In dem Anfangsschritt, in dem keine verbesserten Pfadverlustparameter verfügbar sind, erfolgt die Positionierung unter Verwendung der Anfangsparameter. Jede RSSI-Messung wird auch offline in einer Datenbank in dem Offline-Teil auf der rechten Seite von 2 gespeichert, zusammen mit einem Zeitstempel, der als „Zeitreihe DB“ markiert ist. Crowdsourcing oder ein anderes Verfahren kann verwendet werden, um eine Vielzahl, d. h. mehrere tausend, an Messungen zu erhalten.
Der Zeitstempel bietet verschiedene Arten der Datendarstellung an. In einigen Fällen wird jede RSSI-Messung für sich und unabhängig von einer anderen Messung genommen. Alternativ können die RSSI-Messungen unter Verwendung von Beobachtungszeitdaten kombiniert werden. Beispielsweise kann ein Mittelwert von Messungen über ein festes Zeitfenster gebildet werden, sodass jedes RSSI-Ergebnis durch Mittelwerte dargestellt wird. Alternativ können alle Werte über einen festen Zeitwert genommen und dann abgeflacht oder mit einer Matrix kombiniert werden.
Die Datendarstellung wird dann verwendet, um die RSSI-Messungen unter Verwendung von unüberwachtem Lernen zu clustern. Dieser Schritt ist als „Clustern“ gekennzeichnet. Zu diesem Zweck können entweder die Positionierungen oder die RSSI-Messungen selbst geclustert werden. Zusätzlich kann der Schritt des Clusterns die Vorverarbeitung der verfügbaren Daten einschließlich Erweiterung und Umwandlung in andere Merkmalsräume enthalten. Autocodierung der Daten kann eine bevorzugte Option sein, insbesondere dann, wenn die Menge der RSSI-Messung selbst mit Crowdsourcing eher dürftig ist.
Die Menge an gesuchten Clustern ist vorgegeben und entspricht der Menge an Gittern und Ankern in dem fraglichen Innenraum. Gitter und die Anker wurden zuvor bestimmt. Die RSSI-Messungen können direkt in das wie hierin vorgeschlagene unüberwachte Lernverfahren impliziert werden, ohne dass sie in Positionsdaten transformiert werden müssen. Dies reduziert den Rechenaufwand. Das Verfahren ermöglicht auch eine Erweiterung der RSSI-Messdaten und eine Autocodierung, was die Clusterergebnisse verbessert.
Im nächsten Schritt sind die Cluster den jeweiligen Ankern in der Gitterstruktur zugeordnet, was als „Zuweisung“ bezeichnet wird. Für eine solche Zuordnung kann die Ungarische Methode verwendet werden, wobei die Metrik für den Algorithmus die Differenz zwischen den Ankerpositionen mit den berechneten Clustermittelpunkten in dem 2D- oder 3D-Raum ist. Insbesondere bei Verwendung der RSSI-Messungen und der Pfadverlustparameter werden die Positionen jedes Clustermittelpunkts (oder jeder Clustermessung) bestimmt und dann mit den Positionen der Ankerpunkte verglichen. Wenn die Cluster zuvor in einen anderen Merkmalsraum transformiert werden, ist Rückverfolgung erforderlich, um die Merkmale des Clusters in ihre jeweiligen RSSI-Darstellungen zurück zu transformieren.
Nachdem jedes Cluster dem jeweiligen Ankerpunkt zugeordnet wird, kann der Fehler bestimmt werden. Die Pfadverlustparameter für jeden Anker werden dann aktualisiert, sodass verbesserte Pfadverlustparameter abgeleitet werden. Diese verbesserten Pfadverlustparameter werden für eine zukünftige Online-Positionsauswertung weitergeleitet.
Das Clustern und Zuweisen unter Verwendung unüberwachter Verfahren ist vorteilhaft, wenn die Raumumgebung unbekannt ist oder sich mit der Zeit ändert. Beispielsweise bei einer Neuordnung bestimmter Hindernisse der Regalplatzierung eines Einzelhandelsgeschäfts, wodurch sich der Gehweg für Kunden ändert. Ein weiteres Beispiel stellt die Neuordnung von Zugangspunkten/Sendern dar. Während beim herkömmlichen Fingerprinting Verfahren und eine neue Kalibrierung notwendig sind, kann das unüberwachte Lernverfahren sich an diese neuen Umgebungen durch Revidieren der Pfadverlustparameter anpassen. Somit ist es ein Selbstlernverfahren, das kein anfängliches und vollständig ermitteltes Gitter benötigt, sondern von globalen Anfangspfadverlustparametern starten kann (d. h. einen globalen Anker darstellt). In einem solchen Ansatz kann die Anzahl von Clustern, die anfänglich der Anzahl an Ankern entspricht, angepasst und erhöht werden, beispielsweise wenn der Schritt des Clusterns deutlich in zwei oder mehreren Mittelpunkten resultiert. Gleichermaßen kann die Anzahl an Ankern und Gittern beispielsweise durch Kombinieren benachbarter Gitter zu einem einzigen Gitter reduziert werden.
Einige andere Gesichtspunkte betreffen die Handhabung und Gewichtung von Messungen, wenn die Cluster bestimmt und den Ankern zugeordnet werden. Jeder RSSI-Messung kann eine zeitbasierte Gewichtung zugeordnet werden, sodass ältere RSSI-Messungen langsam ausgeblendet und für neuere Iterationen nicht mehr berücksichtigt werden.
Darüber hinaus erfordert das vorgeschlagene unüberwachte Lernverfahren keine bestimmte Anzahl von RSSI-Messungen, sondern kann kontinuierlich die Parameter verbessern. Da unter Verwendung von Crowdsourcing-Verfahren mehr Messungen verfügbar werden, kann das Clustern verwendet werden, um die Gittergröße sukzessive zu reduzieren. Infolgedessen erhöht sich die Gitterauflösung.
3 zeigt einige Schritte des Offline-Teils detaillierter. Das Verfahren des unüberwachten Lernens konzentriert sich insbesondere auf Schritte, die unter Verwendung eines Deep-Embedding-Clustering-Frameworks, DEC-Frameworks, als „Autoencoder“ und „Cluster-Block“ markiert sind. Das allgemeine Prinzip, ein DEC-Framework zu verwenden, besteht darin, Daten mit nicht-linearer Abbildung unter Verwendung eines Autoencoders zu transformieren und anschließend die Cluster in dem neuen Raum aufgrund des einfacheren Ansatzes als in dem ursprünglichen Raum zu identifizieren. Sobald die Cluster in dem neuen Merkmalsraum identifiziert sind, können sie zurück transformiert und den Ankern beispielsweise unter Verwendung der Ungarischen Methode zugewiesen werden.
In diesem Beispiel werden die unmarkierten Zeitreihen der RSSI-Daten in ein Datenerweiterungsmodell eingespeist, das die verfügbaren Informationen zweimal erweitert. 4 veranschaulicht einen beispielhaften Arbeitsablauf einer solchen Datenerweiterung. Der Arbeitsablauf umfasst 5 nacheinander ausgeführte Schritte, die mit einer Zufallssequenz beginnen, der eine Gewichtung von 0,5 zugewiesen ist. Dynamische Zeitnormierungsangleichung (DTW-Angleichung) wird verwendet, um eine Ähnlichkeitsmetrik zwischen zwei zeitlichen Sequenzen zu finden, um die 5 nächsten Nachbarn zu identifizieren. DTW nutzt die Zeitverzerrungen zwischen den beiden zeitlichen Sequenzen, wobei der Begriff „Ähnlichkeit“ einer optimalen Übereinstimmung entspricht, die einer Summe von Regeln folgend berechnet wird und einen Aufwand minimiert, der durch die Summe der absoluten Abstände zwischen Werten übereinstimmender Indizes gegeben wird. Das Verfahren fährt dann fort, zwei Nachbarn zufällig auszuwählen und eine feste Gewichtung zuzuweisen, während der Rest die gleiche Gewichtung von 0,2 teilt. Abschließend wird eine durchschnittliche Sequenz unter Verwendung eines Schritts der dynamischen Zeitnormierungsschwerpunktmittelwertbildung verwendet.
Bezugnehmend auf 3 werden die Daten, nachdem sie erweitert wurden, an das DEC und insbesondere an den Autoencoder weitergeleitet, bei dem es sich um den Kern des DEC handelt. Ein Autoencoder ist eine Art künstliches neuronales Netz, das verwendet wird, um eine effiziente Datencodierung auf unüberwachte Weise zu lernen. Das Ziel eines Autoencoders ist es, eine Darstellung (Codierung) für einen Datensatz zu lernen, üblicherweise zur Reduktion der Anzahl der Dimensionen durch Trainieren des Netzes, um „Signalrauschen“ zu ignorieren. Die Reduzierung ist bei einer hohen Anzahl von Zugangspunkten nützlich. Höhere Anzahl von Zugangspunkten erhöhen den RSSI-Vektor (die Dimension eines einzelnen RSSI-Datensatzes, der eine Vielzahl von den Zugangspunkten in Reichweite empfangener Signale aufweist), obwohl einige Komponenten eines solchen Vektors null betragen können (eine Null-Komponente bedeutet, dass von dem Zugangsstrahl kein Signal ermittelt wurde). Die Datencodierung reduziert die Dimensionen und dadurch den Rechenaufwand.
Zusammen mit dem Aspekt der Reduktion wird der Aspekt der Rekonstruktion trainiert, wobei der Autoencoder versucht, aus den reduzierten Codierungen eine Darstellung so nahe wie möglich an der ursprünglichen Eingabe zu erzeugen. Für die Auswertung der Fehler während des Schritts des Autoencoders, d. h. der Differenz zwischen den Eingangsdaten und den codierten Daten, wird eine Verlustfunktion des mittleren quadratischen Fehlers verwendet. Die Autocodierung stellte das beste Ergebnis mit einem ADAM-Optimierer bereit. Die codierte Darstellung der RSSI-Eingangsdaten wird in den Clusterblock des DEC eingespeist, der K-Means des HAC-Algorithmus verwendet, um die codierten Daten in die Cluster zuzuordnen.
5 bis 8 veranschaulichen einen beispielhaften Ablauf der verschiedenen Verfahrensschritte in einer Innenraumumgebung. Die Innenraumumgebung gemäß 5 umfasst vier Zugangspunkte AP1 bis AP4, die in den Ecken der Umgebung angeordnet sind. Jeder Zugangspunkt sendet ein entsprechendes Signal in die Umgebung. Zur Vereinfachung ist die Umgebung rechteckig. Eine Gitterstruktur überlagert die Umgebung und teilt den Raum in vier im Wesentlichen gleich große Gitterbereiche. Diese Struktur kann die Anfangsstruktur sein. Jeder Gitterbereich weist einen zentral angeordneten Anker G1 bis G4 auf. In dem Anfangsschritt sind keine einzelnen Pfadverlustparameter für die jeweiligen Gitteranker G1 bis G4 bekannt. Daher wurde jedem Anker ein Anfangspfadverlustparametersatz PLO zugewiesen.
6 veranschaulicht die Situation für die Innenraumumgebung nach einem bestimmten Zeitraum. Es wurde eine Vielzahl von RSSI- und Positionsinformationen gesammelt. Jede dieser Positionen wurde bestimmt, indem die Signalstärke aller vier Zugangspunkte gemessen und die Position unter Verwendung des Anfangsparametersatzes PLO berechnet wurde. Somit kann die RSSI-Messung sehr unterschiedlich sein und muss die bestimmte Position in keiner Weise wiedergeben. Die RSSI-Messungen werden fortgesetzt und die Datenmenge nimmt im Laufe der Zeit weiter zu. Obwohl hier nicht gezeigt, enthält jede RSSI-Messung auch einen Zeitstempel und möglicherweise zusätzliche Meta-Informationen. In einigen Fällen werden Daten vollständig anonym gesammelt. Dies ermöglicht die Verwendung des Daten-Crowdsourcings.
7 veranschaulicht eine Darstellung des Ergebnisses des Schritts des Clusterns in einem 2D-Raum. Die Vielzahl von RSSI-Messungen werden in einen trainierten Autoencoder eingespeist, um die Dimensionen zu reduzieren und die RSSI-Daten in einen anderen Raum zu transformieren. In diesem neuen Raum (der mehrdimensional ist) werden die Daten in vier verschiedene Cluster C1 bis C4 geclustert, die der Anzahl an Ankern in dem Gitter entsprechen. Die Cluster sind noch nicht dem jeweiligen Anker zugewiesen, es ist aber bereits ersichtlich, dass die Cluster im realen Raum im Wesentlichen den Gittern entsprechen.
Wie man sehen kann, werden einige der RSSI-Messungen/-Positionen nicht verwendet. Dies liegt an ihrem jeweiligen Zeitstempel, sie sind möglicherweise zu alt oder die Signalstärke ist zu gering. In einigen der RSSI-Messungen kann beispielsweise zu viel Rauschen vorliegen oder es wurden möglicherweise nicht von allen Zugangspunkten Signale empfangen.
8 veranschaulicht die nächsten Schritte. Nach dem Clustern und der Bestimmung des Mittelpunkts jedes Clusters werden die Cluster in der realen Innenraumumgebung (nicht im Merkmalsraum) den Ankerpunkte unter Verwendung des ungarischen Algorithmus oder einem anderen geeigneten Verfahren zugewiesen. Insbesondere ist Cluster C1 dem Anker G1 zugeordnet und Cluster C2 dem Anker G2 zugeordnet. Beide Cluster-Mittelpunkte befinden sich nahe ihren jeweiligen Ankern, und ihre Zuordnung scheint angemessen zu sein. Bezüglich des Clusters C4 ordnet der Algorithmus dieses Cluster dem Anker G4 zu. Cluster C3 erscheint etwas in der Mitte zwischen Anker G3 und G4, wird aber abschließend Anker G3 zugeordnet, da der Fehler bei einem solchen Anker kleiner ist als beim Anker G4. Somit kann in diesem Beispiel der Algorithmus den Fehler zwischen jedem Cluster mit den jeweiligen Ankern berechnen und anschließend den Fehler zwischen jeder Zuordnung und dem Gesamtfehler. Infolgedessen wird Cluster C3 dem Cluster G3 zugeordnet.
Nach der Zuordnung wird die Abweichung von dem definierten Anker verwendet, um den Pfadverlustparametersatz für jeden Anker zu aktualisieren. Dafür werden die Pfadverlustparameter so angeglichen, dass der Mittelpunkt des Clusters mit der Position des Ankers übereinstimmt.
Das oben erwähnte Verfahren wird dann mit neuen und revidierten RSSI-Messungen wiederholt, um eine weitere Verbesserung zu erreichen. Solch eine dynamische Aktualisierung und Verbesserung des Pfadverlustparameters wird erreicht, indem man die Auflösung erhöht und sie belastbarer gegenüber Rauschen oder langsamen Änderungen in der Umgebung macht (d. h. Temperaturfeuchtigkeit, Anwesenheit von Menschen und dergleichen) .
Ein weiteres Beispiel wird in 9 gegeben. In einigen Fällen kann das System das Clustern verwenden, um die Gitterstruktur zu verbessern oder anzugleichen. Wie in dem vorherigen Beispiel kann Cluster C3 als neues Cluster eingestellt werden, indem das Gitter angeglichen und ein zusätzlicher Anker G5 bereitgestellt wird. Das Netz des unüberwachten Lernens wird in diesem Beispiel verwendet, um neue Cluster zu identifizieren und das Gitter auf eine feinere Auflösung anzugleichen. Veränderungen in der Umgebung, beispielsweise ein durch die Linie OB angezeigtes temporäres Hindernis, können das dem Anker G3 zugeordnete Gitter möglicherweise unzugänglich machen. Somit werden keine weiteren RSSI-Messungen in diesem Gitter vorgenommen und die bereits vorgenommenen Messungen werden veralten. Das Verfahren des unüberwachten Lernens wird derartige Gesichtspunkte erkennen und kann Anker G3 aus der Abbildung entfernen oder Anker G3 mit dem neuen Anker G5 ersetzen.
10 zeigt ein beispielhaftes System, das in der Lage ist, das Verfahren durchzuführen und Positionsparameter in einer Innenraumumgebung bereitzustellen. Das System verwendet das Verfahren des unüberwachten Lernens, um eine Gitterstruktur mit zugeordneten Ankern zu erzeugen. Pfadverlustparameter werden jedem Anker zugeordnet und anschließend unter Verwendung des obigen Ansatzes verbessert. Das System S umfasst einen Speicher, ein Betriebssystem und dergleichen sowie einen oder mehrere CPU-Prozessoren. Ein Speicher enthält eine Datenbank DB für die RSSI-Messungen und alle anderen Daten und ist mit dem Speicher M verbunden. Das System ist für den Empfang von RSSI-Messungen von einer Vielzahl von mobilen Vorrichtungen D1 bis D3 mit einer Antenne AN verbunden. Jede Vorrichtung kann RSSI-Messungen in Bezug auf eine dedizierte Position unter Verwendung eines oder mehrerer Kommunikationsstandards an die Antenne senden. Einige Standards stellen eine Auswertung von RSSI-Messungen und deren Rückmeldung bereit. In einigen Fällen kann das System Teil eines Innenraumkommunikationssystems basierend auf WLAN, ZigBee, Bluetooth oder Teilen des neuen 5G-Standards sein. Das System kann auch eine optionale Verbindung zu einem oder mehreren Zugangspunkten AP1 bis AP3 umfassen, die sich stationär in dem Innenraum befinden. In einigen Gesichtspunkten können die Vorrichtungen ein entsprechendes Signal nicht von jedem Zugangspunkt, sondern nur von einigen der Zugangspunkte erfassen. Das System und das Verfahren können ein solches Vorkommen bei der Erzeugung der Gitterstruktur berücksichtigen.
Gemäß der vorliegenden Erfindung sind der eine oder die mehreren CPU-Prozessoren des Systems zur Ausführung des obigen Verfahrensschritts und insbesondere für die dargestellten Schritte in 2 bis 4 angepasst. Die Prozessoren können insbesondere für das Verfahren des unüberwachten Lernens und für Autoencoder geeignet sein. In einigen Fällen können einige der Prozessoren Grafikprozessoren und dergleichen sein, die für das KI-Lernen geeignet sind. Das System sammelt über eine Antenne eine Vielzahl von RSSI-Messungen, die von den Vorrichtungen D1 bis D3 im Betrieb übertragen werden, und speichert sie zusammen mit bestimmten Meta-Informationen wie Zeitstempel und dergleichen in der Datenbank. Die Vielzahl der Messungen wird dann in den Speicher kopiert und gemäß den zuvor offenbarten Schritten verarbeitet. Das System kann verschiedene Schritte der Datenerweiterung, Codierung und des Clusterns anwenden, um einen oder mehrere Cluster in dem Raum zu erhalten. Diese Cluster werden verwendet, um die aktuell vorhandenen Anker in einer Gitterstruktur zu verbessern oder um die vorhandene Gitterstruktur durch Definieren neuer Anker oder Löschen veralteter Anker, die nicht mehr relevant sind, zu ändern. Abhängig von der Messrate kann die Auflösung der Gitterstruktur erhöht werden, was zu mehr Ankern mit verbesserten Pfadverlustparametern für jeden Satz führt. Die Pfadverlustparameter können zur späteren Verwendung in einem Innenraumpositionierungssystem zurück zu den Vorrichtungen D1 bis D3 übertragen werden.
In einigen Ausführungsformen verwendet das System die Zeitstempelinformationen, um ältere Messungen allmählich ausscheiden zu lassen oder ihnen bei der Auswertung des Clusters eine geringere Gewichtung zuzuweisen.
Abschließend veranschaulicht 11 ein realistisches Beispiel von einer Innenraumumgebung mit einer dynamischen Gitterstruktur, definiert für ein Positionierungssystem. Der Raum ist ein Bürobereich mit sechs Zugangspunkten AP1 bis AP6 und einer Gitterstruktur mit 9 unterschiedlichen Abschnitten. Die Abschnitte haben eine unterschiedliche Größe und befinden sich in verschiedenen Bereichen in dem Büroraum. Zum Beispiel enthält ein langer Korridor die Gitterabschnitte G2 bis G4, wobei der Gitter Abschnitt G1 den Eingangsbereich überlagert. Die übrigen Gitterabschnitte werden in diesem Anfangsschritt einzelnen Räumen zugeordnet. Da einige Bereiche in den einzelnen Räumen besetzt sind (d. h. Bord, Schreibtisch und dergleichen), werden zukünftige Iterationen in der Lage sein, dies zu reflektieren. Folglich ist das vorgeschlagene Verfahren und System in der Lage, solche besetzten Bereiche in zukünftigen Iterationen zu identifizieren und die Auflösung des Gitters zu erhöhen.
In diesem realistischeren Beispiel eines Innenraums kann es auch vorkommen, dass während des anfänglichen Fingerprintings offensichtlich ist, dass nicht alle Zugangspunkte von jeder Position aus für eine Vorrichtung sichtbar sind. Somit kann dieser Gesichtspunkt ebenso gespeichert werden und während des anfänglichen Fingerprintings und des Lernprozesses berücksichtigt werden. Beispielsweise kann Zugangspunkt AP6 nicht sichtbar sein, wenn er sich in Gitter G4 befindet. Somit kann eine RSSI-Messung mit einem Signalabschnitt, der von Zugangspunkt AP6 stammt, ausschließen, dass sie sich in Gitter G4 befindet. Pfadverlustparameter in Gitter G4 werden ohne Zugangspunkt AP6 ausgewertet.
Der letztere Gesichtspunkt kann auch verwendet werden, um die Robustheit zu erhöhen. Für alle RSSI-Messdaten wird die Signalstärke aller sichtbaren Zugangsstrahlpunkte erfasst und gespeichert, in dem vorliegenden Beispiel als Vektor mit sechs Komponenten, wobei jede Komponente eine einzelne RSSI-Messung darstellt. Während der Vorverarbeitung der Daten, d. h. dem Schritt der Erweiterung und des Clusterns, werden nur einige Komponenten ausgewertet. Dies kann zwar das Rauschen im Vergleich dazu, den vollen Vektor zu betrachten, erhöhen, aber es ermöglicht auch, die Ergebnisse mit einer erneuten Auswertung unter Verwendung der verbleibenden Komponenten zu vergleichen. Permutation ist unter Verwendung verschiedener Komponenten für jede Iteration oder auch für die tatsächliche Positionierung einer Vorrichtung möglich, was das Verfahren robuster gegenüber schnell wechselnden Änderungen der Signalstärke einzelner Zugangspunkte macht (d. h. durch temporäres Blockieren oder Dämpfen) .
Die vorliegende Erfindung bietet eine Lösung, die zwei allgemein verwendete Techniken für die Positionierung kombiniert. Sie nutzt den Vorteil beider Ansätze und kompensiert deren Schwächen mit der Verwendung von unüberwachtem Lernen, um kontinuierlich die Parameter, die verwendet werden, um die Position aus einer RSSI-Messung abzuleiten, zu verbessern oder anzupassen. Das Verfahren des überwachten Lernens ermöglicht es der vorliegenden Erfindung, zu lernen und eine Gitterstruktur ähnlich dem bekannten Fingerprinting von Grund auf zu erzeugen. Im Gegensatz zu dem herkömmlichen Verfahren wird die Unflexibilität des Fingerprinting-Ansatzes, sich an Änderungen in der Umgebung anzupassen, durch das unüberwachte Lernen überwunden. Das Lernen ermöglicht die Anpassung der Auflösung des Gitters an die Bedürfnisse, ist durch Anpassung robust gegenüber langsamen Änderungen und bietet die Bestimmung von robusteren Pfadverlustparametern.
Bezugszeichenliste

AP1, AP2, ... AP4: Zugangspunkte
A: Anker
R: Innenraum
C1, C2, ... C4: Cluster
G1, G2, ... G4: Gitteranker
PLO: Anfangspfadverlustparametersatz
AN: Antenne
S: System
M: Speicher
DB: Datenbank
D1, D2, D3: mobile Vorrichtungen

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

WO 2015/183998 A1 [0004]
WO 2015/183998 [0005]

Claims

Verfahren zur Auswertung der Positionsparameter in einem definierten Raum, insbesondere in einem Innenraum, wobei der definierte Raum durch mindestens drei stationäre Zugangsstrahlpunkte (AP1, AP2, AP3) beeinflusst wird und über den ein Gittermuster mit mindestens zwei Gittern gelegt wird, wobei jedes Gitter einen Anker (G1, G2, G3), aufweist, wobei das Verfahren durch die Schritte gekennzeichnet ist: - Zuweisen eines Positionsparameteranfangsvektors an jeden Anker; - Erfassen und Speichern einer Vielzahl von RSSI-Messungen innerhalb des definierten Bereichs durch Empfangen von Signalen von mindestens drei stationären Zugangsstrahlpunkten; - Clustern der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen, wobei insbesondere die Anzahl der Teilmengen der Anzahl der mindestens zwei Gitter entspricht; - Zuordnen jeder Teilmenge der Vielzahl von Teilmengen zu einem jeweiligen der mindestens zwei Gitter; - Aktualisieren des Anfangsvektors, der dem Anker des jeweiligen einen der mindestens zwei Gitter basierend auf dem Vektor der Anfangspositionsparameter und der Teilmenge der Vielzahl von Teilmengen, die dem jeweiligen einen der mindestens zwei Gitter zugeordnet sind, zugewiesen ist.
Verfahren nach Anspruch 1, wobei der Vektor der Anfangspositionsparameter Pfadverlustparameter umfasst.
Verfahren nach einem der vorstehenden Ansprüche, ferner umfassend mindestens einen der Schritte: - Weiterleiten des für mindestens eine Teilmenge von Ankern der mindestens zwei Gitter aktualisierten Vektors an eine oder mehrere mobile Vorrichtungen zur Positionierung; - Bestimmen der Position basierend auf einer jeweiligen RSSI-Messung und dem aktualisierten Positionsparametervektor.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Erfassens und Speicherns einer Vielzahl von RSSI-Messungen mindestens einen der Schritte umfasst: - Bereitstellen eines Zeitstempels für jede erfasste RSSI-Messung; und - Bestimmen der Position unter Verwendung der RSSI-Messung und des Positionsparameteranfangsvektors;
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Clusterns der Vielzahl von RSSI-Messungen in einer Vielzahl von Teilmengen mindestens einen der Schritte umfasst: - Erweiterung der Vielzahl von RSSI-Messungen einschließlich eines Ansatzes zur dynamischen Zeitnormierung (DTW-Ansatz) unter Verwendung einer zu einer ausgewählten RSSI-Messung benachbarten Vielzahl von RSSI-Messungen, - Autocodieren der RSSI-Messungen, um eine codierte Darstellung zu erzeugen; und Einspeisen der codierten Informationen in den Clusteralgorithmus; - Clustern der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen unter Verwendung von K-Means- oder HAC-Algorithmen.
Verfahren nach Anspruch 5, wobei der Autoencoder zusammen mit dem Clusteralgorithmus trainiert wird, um Schwerpunkte und Codiergewichtungen gemeinsam zu verbessern.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Clusterns der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen das Identifizieren einer Vielzahl von Teilmengen umfasst, wobei sich die Anzahl von Teilmengen von der Anzahl der mindestens zwei Gitter unterscheidet.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Clusterns der Vielzahl von RSSI-Messungen umfasst: - Vorauswahl einer ersten Vielzahl von RSSI-Messungen aus der Vielzahl von RSSI-Messungen basierend auf Auswahlkriterien, um weitere Schritte mit der ersten Vielzahl durchzuführen, wobei die Auswahlkriterien mindestens eines der Nachstehenden umfassen: - Zeit, Datum oder Alter der jeweiligen RSSI-Messung; - Anzahl der empfangenen Signale von verschiedenen Zugangspunkten - Signalstärke von einem oder mehreren der Zugangspunkte.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Clusterns der Vielzahl von RSSI-Messungen umfasst: - Zuweisen eines Gewichtungsparameters zu jeder RSSI-Messung basierend auf der Zeit, zu der die RSSI genommen wurde oder dem Alter der RSSI-Messung, sodass die Gewichtung kleiner wird, je älter die RSSI-Messung ist.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des Erfassens und Speicherns einer Vielzahl von RSSI-Messungen das Speichern der empfangenen Signalstärke aus den empfangenen Signalen von den mindestens drei stationären Zugangsstrahlpunkten als Komponenten einer RSSI-Messung umfasst und der anschließende Schritt des Clusterns die Verwendung von einigen Komponenten der einen RSSI-Messung zum Clustern in einer Vielzahl von Teilmengen umfasst.
Verfahren nach Anspruch 10, wobei die Komponenten zwischen aufeinander folgenden Iterationen des Verfahrens permutiert werden.
Computerlesbares Medium, das eine Anweisung zur Ausführung des Verfahrens nach einem der vorstehenden Ansprüche enthält, wenn es in einem Computer mit einem Speicher und einem oder mehreren Prozessoren ausgeführt wird.
System zur Auswertung von Positionsparametern in einem definierten Raum, insbesondere in einem Innenraum, wobei der definierte Raum durch mindestens drei stationäre Zugangsstrahlpunkte beeinflusst wird und über den ein Gittermuster mit mindestens zwei Gittern gelegt wird, wobei jedes Gitter einen Anker aufweist, und wobei das System umfasst: - einen Speicher - einen oder mehrere Prozessoren, - wobei der eine oder die mehreren Prozessoren zur Ausführung von Anweisungen angepasst sind zum: - Zuweisen eines Positionsparameteranfangsvektors an jeden Anker; - Erfassen und Speichern einer Vielzahl von RSSI-Messungen innerhalb des definierten Bereichs durch Empfangen von Signalen von mindestens drei stationären Zugangsstrahlpunkten; - Clustern der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen, wobei die Anzahl der Teilmengen der Anzahl der mindestens zwei Gitter entspricht; - Zuweisen eines jeweiligen Gitters der mindestens zwei Gitter zu jeder Teilmenge der Vielzahl von Teilmengen; - Aktualisieren des Anfangsvektors, der dem Anker des jeweiligen einen der mindestens zwei Gitter basierend auf dem Vektor der Anfangspositionsparameter und der Teilmenge der Vielzahl von Teilmengen, die dem jeweiligen einen der mindestens zwei Gitter zugeordnet sind, zugewiesen ist.
System nach Anspruch 13, wobei der eine oder die mehreren Prozessoren zur Ausführung mindestens nachstehender Anweisungen angepasst sind: - Weiterleiten des für mindestens eine Teilmenge von Ankern der mindestens zwei Gitter aktualisierten Vektors an eine oder mehrere mobile Vorrichtungen zur Positionierung; und/oder - Bestimmen der Position basierend auf einer jeweiligen RSSI-Messung und dem aktualisierten Positionsparametervektor.
System nach einem der Ansprüche 13 bis 14, wobei der eine oder die mehreren Prozessoren zur Ausführung mindestens nachstehender Anweisungen angepasst sind: - Erweitern der Vielzahl von RSSI-Messungen, einschließlich eines Ansatzes zur dynamischen Zeitnormierung (DTW-Ansatz) unter Verwendung einer zu einer ausgewählten RSSI-Messung benachbarten Vielzahl von RSSI-Messungen, - Autocodieren der RSSI-Messungen, um eine codierte Darstellung zu erzeugen; und Einspeisen der codierten Informationen in den Clusteralgorithmus; und - Clustern der Vielzahl von RSSI-Messungen in eine Vielzahl von Teilmengen unter Verwendung von K-Means- oder HAC-Algorithmen.