FI113092B - Paikannusepävarmuuden mittauksia ja niiden sovelluksia - Google Patents

Description

113092

Paikannusepävarmuuden mittauksia ja niiden sovelluksia

Keksinnön tausta

Keksintö liittyy yleisesti paikannustekniikkaan, jossa kohdelaitteen paikka estimoidaan sen langattomasta kommunikointiympäristöstä tehtyjen 5 havaintojen sekvenssin perusteella. Kuvio 1 esittää kaaviona esimerkkiä tällaisesta paikannustekniikasta. Kohdelaite T kommunikoi tukiasemien BS kanssa radiorajapinnan Rl yli. Tässä esimerkissä kommunikoinnin oletetaan olevan radioviestintää. Kohdelaite T havainnoi signaaliarvoja radiorajapinnassa Rl. Havainnot O välitetään probabilistiselle mallille PM, joka mallintaa kohdelait-10 teen langatonta kommunikointiympäristöä ja tuottaa sijaintiestimaatin LE. Tässä käytetty termi ’’kohdelaite” on laite, jonka sijainti tulee määrittää. Kohdelaite kommunikoi signaalien avulla langattomassa ympäristössä, jossa olevia signaaliarvoja käytetään määrittämään kohdelaitteen sijainti. Kohdelaite voi olla esimerkiksi datankäsittelylaite, joka kommunikoi langattomassa lähiverkossa 15 (wireless local-area network, WLAN), missä tapauksessa tukiasemia yleensä kutsutaan pääsypisteiksi. Datankäsittelylaite voi olla yleiskäyttöinen salkku- tai kämmentietokone tai tietoliikennelaite, tai se voi olla dedikoitu testi- tai mittalaite, kuten sairaalainstrumentti, joka on kytketty langattomaan lähiverkkoon. Tässä käytetty termi ’’sijainti” on koordinaattijoukko, jossa on yhdestä kolmeen 20 koordinaattia. Joissakin erikoistapauksissa, kuten tunneleissa, yksi koordinaatti : ; : voi olla riittävä, mutta useimmissa tapauksissa sijainti ilmaistaan koordinaatti- •:. parin avulla (x, y tai kulma/säde).

• · * * .·*. Tarkemmin sanottuna keksintö liittyy paikannustekniikkaan, joka pe- rustuu Markovin piilomalliin (hidden Markov model). Kuvio 2 esittää kaavamai- • · . . 25 sesti Markovin piilomallia. Malli koostuu sijainneista, sijaintien välisistä siirty- mistä ja sijainneissa tehdyistä havainnoista. Kuvion 2 esimerkissä kohdelaite liikkuu pitkin polkua, josta on näytetty viisi sijaintia qt.2 ... qt+2. Muodollisemmin ilmaistuna, qt määrittelee sijainnin jakauman ajan hetkellä t, niin että P(qt=s) on : todennäköisyys sille, että kohdelaitteen sijainti on s hetkellä t. Kuitenkin, koska 30 sijainnin jakauma voidaan helposti muuttaa yhdeksi sijainnin estimaatiksi, ly-: hyempää merkintää "sijainti q" käytetään viittaamaan sijainnin jakaumaan q.

, j Tässä käytetty termi signaaliarvo on kiinteän lähettimen mitattava ja sijainnista riippuva suure. Esimerkiksi signaalinvoimakkuus ja bittivirhetaajuus/- » suhde ovat esimerkkejä mitattavista ja sijainnista riippuvista suureista.

2 113092

Markovin piilomallissa sana ’’piilo” tulee siitä, että meitä ensisijaisesti kiinnostavat sijainnit q,.2 ... qt+2, mutta sijainnit eivät ole suoraan havaittavissa. Sen sijaan voimme tehdä havaintojen sarjan o,.2 ... ol+2 signaaliarvojen perusteella, mutta havaintojen ot.2... o,+2 ja sijaintien qt.2 ... qt+2 välillä ei ole mitään 5 yksinkertaista suhdetta. (Huomattakoon, että suorat nuolet sijaintien q,.2... qt+2 kautta eivät tarkoita, että kohdelaite liikkuisi suoraa tietä tai vakionopeudella, tai että havaintoja tehtäisiin yhtä pitkin väliajoin.)

Keksinnön perustana oleva ongelma aiheutuu Markovin piilomallis-ta: emme voi suoraan havaita muuttujaa, jolla on monotoninen suhde sijaintiin 10 tai paikkaan. Sen sijaan paikannustekniikka perustuu havaintoihin signaaliarvoista. Kahdella tai useammalla sijainnilla voi olla lähes identtiset signaaliarvojen joukot, ja sijainnin estimaatti voi olla räikeän epätarkka. Vaikka keksinnön edut ovat selkeimmillään Markovin piilomalliin perustuvassa paikannustekniikassa, keksintö soveltuu muihinkin paikannustekniikoihin.

15 Keksinnön lyhyt selostus

Keksinnön tavoitteena on siten kehittää menetelmä ja menetelmän toteuttava laitteisto siten, että yllä mainittuja ongelmia voidaan vähentää. Toisin sanoen keksinnön tavoitteena on määrittää signaalin odotusarvojen proba-bilistiseen malliin perustuvan paikannustekniikan luotettavuusmitta. Keksinnön 20 tavoite saavutetaan menetelmillä ja järjestelmillä, joille on tunnusomaista se, j mitä sanotaan itsenäisissä patenttivaatimuksissa. Keksinnön edulliset suori- •« » · tusmuodot ovat epäitsenäisten patenttivaatimusten kohteena. Keksinnön jotkut . · · ·. edulliset suoritusmuodot liittyvät tällaisen luotettavuusmitan uusiin käyttöihin.

Tässä käytetty termi probabilistinen malli viittaa malliin, joka osoittaa . . 25 signaaliarvon jakauman usealle näytepisteelle. Kutakin kanavaa tai signaaliar- votyyppiä, kuten signaalinvoimakkuutta, bittivirhetaajuutta/-suhdetta tai signaa-*···’ li-kohinasuhdetta, varten tulisi olla erillinen malli, tai yhdessä mallissa voi olla useita kerroksia tai komponentteja. Näytepisteiden eli sijaintien odotetut sig-: naaliarvojen todennäköisyysjakaumat voidaan määrittää kalibroimalla (fyysisil- 30 lä mittauksilla) tai simuloinneilla tai teoreettisilla laskelmilla tai millä tahansa .·. : näiden tekniikoiden yhdistelmällä. Uusia näytepisteitä voidaan saada interpo- , *.. \ loimalla tai ekstrapoloimalla muista, olemassa olevista näytepisteistä.

Keksinnön eräs näkökohta on menetelmä kohdelaitteen sijainnin ’: : virhe-estimaatin määrittämiseksi seuraavasti: 35 E(x | o) = ^p(l | o)dist(l,x) [1] 3 113092 missä: x = kohdelaitteen estimoitu sijainti; / = sijaintimuuttuja ( 7” tarkoittaa sijaintia, ei numeroa 1); o = havaintopisteessä (estimoitu x:nä) tehty havainto; 5 p (l | o) = sijaintimuuttujan / mahdollisten arvojen todennäköisyysja kauma; dist = jokin etäisyysfunktio, esimerkiksi euklidinen etäisyys, neliöity etäisyys tai vastaava.

Yllä oleva yhtälö 1 pätee tarkasti vain diskreettiin sijaintimuuttujaan 10 l. Jos l on jatkuva, yhtälössä tuleva summa tulisi korvata integroinnilla: E(x | o) = Jp(l | o)dist(l, x) [2] l

Yhtälössä 2 p(l \ o) tulisi tulkita todennäköisyystiheydeksi (jakauman sijasta).

Eräs suureen p(l \ o) reaalimaailman tulkinta on todennäköisyys sil-15 le, että kohdelaite on sijainnissa /. Yhtälöt 1 ja 2 voidaan yhdistää loogisesti sanomalla, että virhe-estimaatti määritetään painotettuna keskiarvona, ts. tulojen yhdistelmänä usean näytepisteen yli, missä kukin tulo käsittää todennäköisyyden sille, että kyseinen näytepiste on kohdelaitteen sijainti, sekä etäisyys-funktion kyseisen näytepisteen ja kohdelaitteen estimoidun sijainnin välillä. 20 ’’Tulojen yhdistelmä” tarkoittaa summaa tai integraalia, riippuen siitä, onko malli : vastaavasti diskreetti vai jatkuva, ja jatkuvan mallin tapauksessa todennä- köisyysjakauma tulisi tulkita todennäköisyystiheydeksi.

Keksinnön erään edullisen suoritusmuodon mukaisesti virhe-esti-·:··: maattia käytetään määrittämään uusia näytepisteitä, joiden signaaliarvojen : 25 todennäköisyysjakauma tulee määrittää, tai olemassa olevia näytepisteitä, jot- • · .···, ka on määritettävä uudelleen, esimerkiksi uusimalla kalibrointi.

i I

Keksinnön eräs toinen edullinen suoritusmuoto käsittää kartan näyt- ... tämisen, joka näyttää useita näytepisteitä ja osoittaa graafisesti virhe-estimaa- \ tin kussakin näytepisteessä. Tällainen kartta tuottaa nopean visuaalisen esti- ‘ * 30 maatin paikannuksen luotettavuudesta eri sijainneissa.

: ‘ , i Keksinnön erään toisen edullisen suoritusmuodon mukaisesti kartal- * · ; * · le superponoituna näytetään alue, jolla kohdelaite sijaitsee ennalta määrätyllä todennäköisyydellä n, missä n on jokin arvo, esimerkiksi 80 - 100 %. Jatkuva [ alue voi olla esimerkiksi ellipsi. Tällainen alue esimerkiksi antaa käyttäjän näh- II»*· ’ ’ 35 dä, onko lähellä joitakin vaarapaikkoja, joita tulisi välttää.

, 113092 4

Keksinnön vielä erään edullisen suoritusmuodon mukaisesti virhe-estimaattia käytetään paikantamaan potentiaalisesti käyttökelpoisia uusia näy-tepiste-ehdokkaita. Signaaliarvojen todennäköisyysjakaumat määritetään sitten fyysisellä kalibroinnilla tai propagointimalliin perustuvilla laskelmilla. Tämä suo-5 ritusmuoto perustuu siihen ideaan, että sijainnit, joilla on suuri odotettu tuleva virhe, ovat lupaavia ehdokkaita uusiksi näytepisteiksi. Tuleva virheen odotusarvo voidaan laskea yhtälöistä 1 ja 2 tiheää hilaa käyttämällä. Hilaväli voi olla esimerkiksi noin yksi metri. Uusina näytepisteinä käytetään sitten yhtä tai useampaa hilan pistettä, joilla on suuri odotettu virhe, tai usean tällaisen hila-10 pisteen ympäröimiä pisteitä.

Koska tulevaisuutta ei tunneta, odotettu tuleva virhe voidaan estimoida summaamalla kaikkien mahdollisten tulevien havaintojen yli: EE(x) = £E(x|o)p(°) [3]

O

kullekin hilapisteelle x, missä E(x\o) on odotettu virhe yhtälöstä 1 15 (summa) tai 2 (integrointi). Jos havaintovektorin dimensio on niin suuri, että yhtälön 3 mukainen summaus ei ole toteutettavissa, summaa voidaan approksimoida ottamalla näytteitä. Vielä yksinkertaisempi lähestymistapa on käyttää kalibrointidataa joukkona, jonka yli näytteenotto tapahtuu, missä tapauksessa on summattava vain kalibroitujen havaintojen yli.

20 Yllä olevan, yhtälöön 3 perustuvan menetelmän toteuttamiseksi on : määritettävä tulevien havaintojen todennäköisyysjakauma tai -tiheys. Eräs • ·» » edullinen tapa tämän approksimoimiseksi on seuraava. Kun EE(x) lasketaan < M f .···, yhtälöstä 3, todennäköisyysjakauman tai -tiheyden p(o) oletetaan olevan las- kettu todennäköisyysjakauma tai -tiheys, joka perustuu aiempiin havaintoihin, • 1 . . 25 jotka on tehty sijaintia x lähimmässä näytepisteessä. Algoritmin tehokkuutta voidaan parantaa, mikäli E(x\o):\a approksimoidaan tekijällä dist(l*,x), missä l* on paikannusjärjestelmän tuottama piste-estimaatti havainnon o näkemisen jälkeen.

* t » * * t * Kuvioiden lyhyt selostus | ; 30 Keksintöä selostetaan nyt lähemmin edullisten suoritusmuotojen yh- ‘ ; teydessä, viitaten oheisiin piirroksiin, joista: * f » s » ‘ Kuvio 1 esittää paikannustekniikkaa kaavamaisesti; ‘: Kuvio 2 esittää Markovin piilomallia; *; · · i Kuvio 3 esittää kaavamaisesti diskreettiä probabilistista mallia; 35 Kuvio 4 on keksinnön periaatetta havainnollistava vuokaavio; 5 113092

Kuvio 5 esittää sijainninestimointimoduulia LEM kohdelaitteen sijainnin estimoimiseksi signaaliarvojen perusteella radiorajapinnassa Rl;

Kuviot 6A ja 6B ovat lohkokaavioita, jotka esittävät tyypillisiä kohde-laitteita, joiden sijainti tulee määrittää; 5 Kuvio 7 näyttää esimerkin visualisointitekniikasta paikkaestimaatin luotettavuuden visualisoimiseksi;

Kuviot 8A ja 8B esittävät suoritusmuotoa sellaisten vierekkäisten pisteiden tai alueen valitsemiseksi, joiden yhdistetty todennäköisyysmassa kohdelaitteen sijainnin sisältämiseksi ylittää annetun kynnysarvon; 10 Kuviot 9A - 9C esittävät erästä suoritusmuotoa sellaisen ellipsin määrittämiseksi, jonka yhdistetty todennäköisyysmassa ylittää annetun kynnysarvon; ja

Kuviot 10A - 10C esittävät erästä suoritusmuotoa sellaisen epäsäännöllisen muotoisen alueen määrittämiseksi, jonka yhdistetty todennä-15 köisyysmassa ylittää annetun kynnysarvon

Keksinnön yksityiskohtainen selostus

Viitataan edelleen kuvioon 2, joka esittää signaaliarvojen havaintojen sarjaa ou2... ot+2. Kullekin havainnolle on vastaava sijainti qt.2... qt+2 kohde-laitteen polun varrella. Nuolen 21 suunta tarkoittaa, että sijainti qt määrää ha-20 vainnon o, sisältämät signaaliarvot, mutta käänteinen ei pidä paikkaansa. Toi-: sin sanoen, voimme vain havaita suoraan signaaliarvoja, eikä havainnoista ot t * · · ole mitään yksinkertaista relaatiota sijainteihin qt. Aavalla merellä signaaliarvo .···. laskee ennustettavasi lähettimestä mitatun etäisyyden suhteen, mutta käytän- nöllisesti katsoen kaikissa ympäristöissä, joissa keksintöä tullaan käyttämään, . . 25 suora tie lähettimestä on usein estetty, ja silloinkin kun niin ei ole, se ei ole ai- • · · *;,/ noa lähetysten käyttämä tie. Vaiheesta riippuen useiden teiden kautta tulevat '*··’ lähetykset voivat yhdistyä lisäävästi tai vähentävästi. Niinpä relaatio sijainnista signaaliarvoihin on kaikkea muuta kuin monotoninen, ja on todennäköisesti : V useita sijainteja, joilla on joitakin yhteisiä signaaliarvoja. Havaintojen tekeminen 30 usealla kanavalla on eräs tapa vähentää kohdelaitteen sijaintia koskevaa epä-: varmuutta. Kuitenkin, vaikka tunnetut paikannustekniikat estimoivat kohdelait- t · · _'i(| teen sijainnin probabilistisen mallin todennäköisimpänä näytepisteenä tai näy- * · tepisteiden välisenä sijaintina, Markovin piilomalleihin perustuvat tunnetut pai-kannustekniikat eivät tarjoa mitään estimaattia paikkaestimaatin luotettavuu-35 desta.

6 113092

Kuvio 3 esittää kaavamaisesti diskreettiä probabilistista mallia PM. Malli PM käsittää useita näytepisteitä, joihin yleisesti viitataan viitemerkillä SP. Kutakin näytepistettä SP kohti on ennalta määrätty (kalibroitu, laskettu tai simuloitu) signaaliarvojen v todennäköisyysjakauma p kohdelaitteen langatto-5 massa ympäristössä, tyypillisesti radioympäristössä, kuten WLAN- tai solukko-verkossa. Viitenumero 30 osoittaa yleisesti tällaisia signaaliarvojen todennäköisyysjakaumia, joita on kaavamaisesti esitetty kolme, näytepisteille SP1 -SP3. Kohdelaitteen estimoitua sijaintia osoitetaan viitenumerolla 32, ja se määritetään signaaliarvojen todennäköisyysjakauman perusteella näytepisteissä 10 SP. Tämä tunnetaan mistä tahansa paikannustekniikasta, joka perustuu pro-babilistiseen malliin kohdelaitteen langattomasta tietoliikenneympäristöstä. Signaaliarvojen todennäköisyysjakaumat 31 ovat riippumattomia kohdelaitteen sijainnista.

Keksinnön mukaisesti kutakin useaa probabilistisen mallin sijaintia 15 kohti, kuten esimerkiksi kutakin näytepistettä SP kohti, määritetään todennäköisyys sille, että kohdelaite sijaitsee kyseisessä sijainnissa. Lisäksi määritetään etäisyysfunktio estimoidun sijainnin ja probabilistisen mallin kunkin usean sijainnin välillä. Esimerkiksi erästä näytepistettä osoitetaan viitenumerolla 33. Näytepisteen 33 ja estimoidun sijainnin 32 välistä etäisyyttä osoitetaan viite-20 numerolla 34. Etäisyydelle 34 määritetään etäisyysfunktio, kuten euklidinen etäisyys, neliöity etäisyys tai vastaava. On siis kaksi todennäköisyysjakaumaa, • joita ei tule sekoittaa toisiinsa. Ensimmäinen on signaaliarvojen todennä- • r · köisyysjakauma eri näytepisteissä. Tämä todennäköisyysjakauma on riippuma- !·'·. ton kohdelaitteen estimoidusta sijainnista. Toinen todennäköisyysjakauma on • · t't \ 25 laskettu todennäköisyys kullekin eri sijainnille olla kohdelaitteen sijainti. Sijain-

. . nit, joille toinen todennäköisyys lasketaan, voivat olla probabilistisen mallin PM

• i * / näytepisteitä, näytepisteiden alijoukko tai jokin muu sijaintien joukko. Kutakin ’· *’ yksittäistä sijaintia kohti toinen todennäköisyys on yksittäinen arvo, mutta kun tarkastellaan kaikkia sijainteja, todennäköisyydet muodostavat todennäköi- : ' ,·* 30 syysjakauman (jos sijainti on diskreetti) tai -tiheyden (jos se on jatkuva).

Kuvio 4 on keksinnön periaatetta havainnollistava vuokaavio. Kuvi- ,Ί ; on 4 vuokaaviosta puuttuvat vaiheet kohdelaitteen sijainnin määrittämiseksi » > · probabilistisen mallin perusteella, ja kuviossa näytetään vain virheen estimoin-. ’ tiin liittyvät vaiheet. Vaiheessa 4-1 määritetään sijainnille 32 todennäköisyysja- 35 kauma tai -tiheys 41 käytettäväksi yhtälössä 1 tai 2. Vaiheessa 4-2 määrite-•; · i tään etäisyysfunktio 42 etäisyydelle 34. Vaiheessa 4-3 todennäköisyysjakauma 7 113092 tai -tiheys 41 kerrotaan etäisyysfunktiolla 42 ja tulo lisätään virhe-estimaattiin 43. Vaiheessa 4-4 prosessi toistetaan (summataan tai integroidaan) koko sijaintialueen tai näytepisteiden näytteitetyn alijoukon yli, riippuen käytettävissä olevista ja vaadituista laskentaresursseista. Sijaintialue viittaa siihen fyysiseen 5 alueeseen, jossa paikannusjärjestelmä toimii.

Kuvio 5 esittää sijainninestimointimoduulia LEM kohdelaitteen sijainnin estimoimiseksi signaaliarvojen perusteella radiorajapinnassa Rl. Kuvio 5 esittää kompaktia sijainninestimointimoduulia LEM (location estimation module), vaikka hajautetummatkin toteutukset ovat yhtä mahdollisia. Eräs keksin-10 nön oleellinen elementti on vastaanottimen langattoman ympäristön probabilistinen malli PM, joka malli kykenee ennustamaan vastaanottimen sijainnin, kun annettuna on useita havaintoja radiorajapinnassa. Tässä esimerkissä probabilistinen malli muodostetaan ja sitä ylläpidetään mallinmuodostusmoduulilla MCM (model construction module). Mallinmuodostusmoduuli muodostaa ja 15 ylläpitää probabilistisen mallin perustuen kalibrointidataan CD tai yhden tai useamman propagointimallin muodossa olevaan propagointidataan PD, tai mihin tahansa näiden yhdistelmään. Kalibrointidata CD on tulosta signaaliarvojen fyysisistä mittauksista tunnetuista sijainneista (tai sijaintien koordinaattien määrittämisestä, mikäli niitä ei muuten tunneta). Valinnaisesti kalibrointidata-20 tietueisiin voi kuulua myös aika, jolloin mittaus tehtiin, siinä tapauksessa että signaaliparametrit muuttuvat ajan mukana. Kalibrointidatan CD sijasta tai lisäk-: si yhtä tai useampaa propagointimallia voidaan käyttää mallintamaan radiora- japintaa Rl. Propagointimallit voidaan muodostaa tekniikoilla, jotka ovat analo-gisia visuaalisen simuloinnin säteenseurantatekniikoille (ray-tracing). Sijainnit, • ·

25 joista kalibrointimittauksia on kerätty, ovat kalibrointipisteitä. Kalibrointidata CD

| ’ käsittää datatietueita, joista kukin käsittää kyseisen kalibrointipisteen sijainnin * · · ja siinä mitattujen signaaliarvojen joukon. Sijainti voidaan ilmaista missä ta-hansa absoluuttisessa tai suhteellisessa koordinaattijärjestelmässä. Erityistapauksissa, kuten junissa, valtateillä, tunneleissa, vesiväylillä tai vastaavissa voi ; 30 riittää yksi koordinaatti, mutta normaalisti käytetään kahta tai kolmea koordi- \· naattia.

. On myös sijainninlaskentamoduuli LCM (location calculation modu- ’ ; le) tuottamaan sijainninestimaatti LE kohdelaitteen havaintojoukon OS (obser- ' vation set) ja probabilistisen mallin PM perusteella. Sijainninlaskentamoduuli i 35 voidaan toteuttaa esimerkiksi salkku- tai kämmentietokoneessa suoritettavan :··: ohjelmistona. Teknisesti "mittaukset” ja "havainnot” voidaan suorittaa samalla 8 113092 tavalla, mutta sekaannuksen välttämiseksi ’’mittausta” käytetään yleisesti kalib-rointimittausten yhteydessä, ja kohdelaitteen nykyisessä sijainnissa mitattuja saatuja signaaliparametreja kutsutaan ’’havainnoiksi”. Kohdelaitteen viimeisintä havaintojoukkoa kutsutaan nykyisiksi havainnoiksi.

5 Kuvio 6A on lohkokaavio, joka esittää tyypillistä kohdelaitetta T, jon ka sijainti tulee määrittää. Tässä esimerkissä kohdelaite T esitetään kannettavana tietokoneena, joka kommunikoi radioverkon RN kautta. Radioverkko voi olla esimerkiksi WLAN (wireless local-area network) -verkko. Kuvion 6A esittämässä suoritusmuodossa sijainninestimointimoduuli, joka käsittää probabi- 10 listisen mallin PM, ei ole asennettu kohdelaitteeseen T. Tämän vuoksi kohde-laitteen T täytyy lähettää havaintojoukkonsa OS sijainninestimointimoduulille yhden tai useamman sellaisen tukiaseman kautta, johon se on kytkeytynyt. Sijainninestimointimoduuli LEM palauttaa kohdelaitteelle tämän sijainninesti-maatin LE radiorajapinnan Rl kautta.

15 Kuvio 6B esittää vaihtoehtoista suoritusmuotoa, jossa kohdelaittee seen liitetty tietokone PC vastaanottaa probabilistisen mallin PM kopion irrotettavalla muistilla DM, kuten CD-ROM -levyllä, ja kohdelaite T pystyy määrittämään oman sijaintinsa lähettämättä yhtään mitään. Vielä eräänä vaihtoehtona (jota ei ole erikseen näytetty), liitännäinen tietokone PC voi vastaanottaa pro- 20 babilistisen mallin Internet- (tai muun data-) -yhteyden kautta sijainninestimointimoduulille LEM. Laajakaistaiset matkaviestimet voivat vastaanottaa probabi- • listisen mallin radiorajapinnan Rl kautta. Voidaan käyttää myös hybriditekniik- • · * · kaa siten, että vastaanotin vastaanottaa alustavan probabilistisen mallin lan- .’··*, goitetun yhteyden tai irrotettavan muistin kautta, mutta mallin myöhemmät päi- • · 25 vitykset lähetetään radiorajapinnan kautta.

. Seuraavaksi selostetaan keksinnön mukaisen virhe-estimaatin mää- * · · ritystekniikan kaksi käytännön sovellusta. Yhdessä sovelluksessa virhe-esti-’··* maatti näytetään käyttäjälle visuaalisena osoittimena sijaintiestimaatin luotetta vuudesta.

♦ 30 Virhe-estimaatin visualisointi

Seuraavassa sijaintialue tarkoittaa sitä fyysistä aluetta, jossa pai- » · ; kannusjärjestelmä toimii. Seuraavassa selostuksessa sijaintialue oletetaan » f · » * ' ' kaksiulotteiseksi, mutta keksintö soveltuu yhtä hyvin 3- tai 4-ulotteisiin ava- : ·· ruuksiin. Kuten aiemmin todettiin, termi ’’todennäköisyysjakauma” tarkoittaa . 35 joko todennäköisyysjakaumaa tai todennäköisyystiheyttä, riippuen asiayhtey destä eli siitä, onko alue diskreetti vai jatkuva.

9 113092

Ehdotettu visualisointitekniikka koostuu kahdesta päävaiheesta, joita tässä kutsutaan vaiheiksi 1 ja 2. Vaihe 1 käsittää 2-ulotteisen todennäköisyysjakauman muodostamisen koko sijaintialueen yli. Vaihe 1 voi olla tarpeeton, mikäli perustana oleva paikannusjärjestelmä on probabilistinen. Jotkut 5 paikannusjärjestelmät voivat kuitenkin perustua todennäköisyysjakaumaan rajoitetun, pienen sijaintijoukon yli, esimerkiksi yli niiden kalibrointipisteiden joukon, joissa näytedataa on kerätty. Tässä tapauksessa diskreetti todennäköisyysjakauma on laajennettava koko sijaintialueen yli. Tämä laajennus voidaan tehdä usealla eri tavalla. Sijaintialue voidaan esimerkiksi osittaa ns. Vo-10 ronoin alialueiksi siten, että kukin alialue koostuu yhdestä kalibrointipisteestä ja kaikista ei-kalibrointipisteistä, jotka ovat lähempänä tätä kalibrointipistettä kuin mitään muuta kalibrointipistettä. Vaihtoehtoisesti laajennettu todennäköisyysjakauma sijainnissa x voi olla todennäköisyyksien painotettu summa kalibroin-tipisteissä, missä painot lasketaan etäisyyksistä. Vielä eräs mahdollisuus on 15 olettaa normaali jakauma pistemäisen sijaintiestimaatin ympärillä, kuten kuvioiden 9A - 9C yhteydessä selostetaan. Tämä voidaan nähdä erityistapauksena yleisemmästä tekniikasta nimeltään “entropification”, joka selostetaan yksityiskohtaisesti Peter GrCinwaldin väitöskirjassa “The Minimum Description Length and Reasoning under Uncertainty”. Vielä eräs tekniikka selostetaan kuvioiden 20 10A -10D yhteydessä.

Vaihe 2 käsittää paikannusepävarmuuden visualisoinnin. Tässä vai-: *: heessa useat suoritusmuodot ovat mahdollisia. Esimerkiksi erään visualisoin- • · I · ·· nin suoritusmuodon mukaisesti todennäköisyysjakauma visualisoidaan koko « » » sijaintialueen yli. Sijaintialueen kuhunkin pisteeseen liittyvä todennäköisyysar-25 vo viestitään käyttäjälle visuaalisesti, esimerkiksi numerona, väriarvona, kirk-: kautena, viivankorkeutena, ympyrän kokona jne. Sijaintialueen piste tarkoittaa , ‘ joko diskreetin vaihtoehtojoukon (esimerkiksi kalibrointipisteiden tai visuaalisen näytön pikselien joukon) jäsentä. Ideana on, että käyttäjä voi helposti nähdä, kuinka todennäköisyysmassa jakautuu sijaintialueella. Kuvio 7 näyttää esimer-·’ ·’ 30 kin tällaisesta visualisointitekniikasta. Kartan tai pohjapiirroksen 70 päälle on \ superponoitu viitenumerolla 71 yleisesti osoitettujen visuaalisten osoittimien, ; kuten viivojen, muodostama hila. Visuaalisten osoittimien 71 yksi tai useampi .... · visuaalinen attribuutti osoittaa todennäköisyyden sille, että vastaava hilan piste on kohdelaitteen oikea sijainti. Tässä esimerkissä visuaalinen attribuutti on ': : 35 viivan pituus. On välittömästi nähtävissä, että kohdelaite sijaitsee todennäköi- simmin lähellä viivaa 72, koska viiva 72 on pisin viiva ja pitkien viivojen keskit- 10 113092 tymän keskipiste. Viivan pituuden sijasta tai sen lisäksi voidaan käyttää monia muitakin visuaalisia attribuutteja.

Erään toisen visualisoinnin suoritusmuodon mukaisesti käyttäjälle näytetään lähellä oleva alue, jossa käyttäjän oletetaan sijaitsevan ennalta 5 määrätyllä todennäköisyydellä, kuten 85, 90 tai 95 prosenttia. Ennalta määrätty todennäköisyys on edullisesti käyttäjän valittavissa. Ideana on määrittää pienin alue, joka sisältää ennalta määrätyn todennäköisyyden, kuten 90%, ylittävän todennäköisyysmassan. Kuviot 8A ja 8B esittävät yksinkertaista algoritmia sellaisen jatkuvan alueen määrittämiseksi, jonka yhdistetty todennäköisyysmassa 10 ylittää ennalta määrätyn kynnysarvon. Kuviossa 8A näytetään myös kuviossa 7 näytetty kartta tai pohjapiirros 70. Kartalle 70 superponoituna on hila, joka muodostuu hilapisteistä, joista kahdeksaa osoitetaan viitenumeroilla 81 - 88. Taulukko 80 osoittaa todennäköisyyden p sille, että jokin hilapiste 81 - 88 on kohdelaitteen sijainti. Hilapiste 81, jonka todennäköisyys on 18%, näyttää ole-15 van todennäköisin sijainti, seuraavana hilapiste 82 jne. Kartalle 70 superponoituna näytetään myös jatkuva alue 89, jonka yhdistetty todennäköisyysmassa ylittää ennalta määrätyn todennäköisyyden, kuten 90%.

Kuviossa 8B esitetään algoritmi kohdealueen, kuten alueen 89, määrittämiseksi. Vaihe 8-1 käsittää alustustoimenpiteet, kuten kynnysarvon 20 määrittämisen. Kynnystaso voi olla esimerkiksi kiinteä tai käyttäjän asetettavissa. Seuraavaksi kohdealue alustetaan tyhjäksi joukoksi. Vaiheessa 8-2 vali-: taan aloituspiste ja lisätään se kohdealueeseen. Aloituspiste voi olla satunnai- *·· nen piste, mutta mieluiten se on piste, joka suurella todennäköisyydellä on » ♦ * · ;··. kohdelaitteen sijainti. Aloituspiste voi olla esimerkiksi kohdelaitteen estimoitu 25 sijainti tai todennäköisin hilan piste. Tämä esimerkki esittää viime mainittua « ; vaihtoehtoa. Niinpä kuvioissa 8A ja 8B näytetty esimerkki alkaa lisäämällä > · ./ kohdealueeseen hilan pisteen 81, jonka todennäköisyys on 18%. Seuraavaksi, vaiheessa 8-3 tarkastetaan, onko kohdealueen yhdistetty todennäköisyysmassa suurempi (tai yhtä suuri) kuin ennalta määrätty kynnystaso, kuten 90%. Ellei • · ·* 30 ole, prosessi etenee vaiheeseen 8-4, jossa valitaan piste siten, että valittu piste on kohdealueen naapuri ja sillä on suurin todennäköisyys niistä pisteistä, joita ; ei vielä ole lisätty kohdealueeseen. Tässä esimerkissä valitaan piste 82, jonka . todennäköisyys on 15%, minkä jälkeen prosessi palaa vaiheen 8-3 riittävyys- t testiin. Tässä esimerkissä silmukkaa 8-3, 8-4 toistetaan, kunnes kohdealue ' : 35 käsittää pisteet 81 - 88, joiden yhdistetty todennäköisyysmassa on 91%. Jos • · 11 113092 haetaan epäjatkuvaa aluetta, vaiheen 8-4 naapuruusvaatimuksesta voidaan joustaa.

Tarkemmin sanottuna kuviossa 8B näytetty algoritmi ei tuota tarkasti kuviossa 8A näytettyä rajaviivaa 89 vaan valitsee rajaviivan 89 sisäpuoliset 5 hilan pisteet. Valittujen hilan pisteiden joukko voidaan sitten osoittaa käyttäjälle piirtämällä sopiva rajaviiva tai osoittamalla valitut hilan pisteet jollakin muulla tavalla, kuten eri värillä tai kirkkaudella.

Kuviossa 8B näytetyn algoritmin parannettu versio toimii seuraavasti. Kuviossa 8B näytetty algoritmi suoritetaan ottamalla aloituspisteeksi mikä 10 tahansa todennäköisimmistä hilan pisteistä. Jokainen algoritmin suoritus tuottaa (tai voi tuottaa) erilaisen kohdealueen. Lopuksi valitaan pienin kohdealue ja näytetään se käyttäjälle. Jos tämä parannettu algoritmi on kattava, toisin sanoen jokainen hilan piste valitaan aloituspisteeksi ja lopuksi valitaan pienin muodostuva alue, niin aloituspisteen ensimmäinen valinta on luonnollisesti merki-15 tyksetön.

Kuviot 9A - 9C esittävät erästä visualisoinnin suoritusmuotoa ellipsin 91 tai ellipsin approksimaation määrittämiseksi, siten, että ellipsi peittää alueen yhdistetyllä todennäköisyysmassalla, joka on yhtä suuri tai suurempi kuin ennalta määrätty kynnystaso. Termi ’’ellipsin approksimaatio” tarkoittaa monikul-20 miota 92, jonka kärjet sijaitsevat ellipsin 91 kehällä. Kuvio 9A näyttää tällaisen ellipsin 91 tai monikulmion 92 superponoituna kartalle 70.

· Kuvio 9B esittää algoritmia ellipsin laskemiseksi. Aloitetaan oletta- < maila, että on edeltäkäsin laskettu todennäköisyysarvo p sille, että kukin hilan piste on kohdelaitteen sijainti. Tällainen todennäköisyysarvojen joukko näytet- 25 tiin kuviossa 8A taulukkona 80. Jos hilan piste sijaitsee kohdassa (x, y), niin ,\ ; tämän hilan pisteen todennäköisyys on p(x, y). Kohdelaitteen piste-estimaattia ,··»,' osoitetaan odotusarvolla (E[x], E[y]). Ellipsi 91 perustuu p:n kovarianssimatrii- • · siin seuraavasti.

. Vaiheessa 9-1 määritetään seuraavat arvotp:n suhteen: • * · ‘ 30 koordinaattien * ja y odotusarvot: E[x] and E[y]\ » » * · ’ koordinaattien x ja y varianssit: var[x] and var[y]\ : ‘ : kovarianssi cov[x, y]\ p:n kovarianssimatriisia jota matemaattisesti merkitään S:\\ä, osoitetaan viitenumerolla 93.

[ 35 Vaiheessa 9-2 määritetään 5:n ensimmäinen ominaisvektori (eigen- ' ‘ vector) (xl, yl) ja kaksi ominaisarvoa (eigenvalue) vl ja v2 seuraavasti: 12 113092 _ var[x]+ var[y]+-^/(var[x]-var[y])2 +4cov[x,y]2 V‘_ 2 _ var[x]+ var[y]-^/(varjx]- var[y])2 +4cov[x,y]2 r κ Ί

v2= 2 1 J

y1=“fed. [6] vi ~ var[yj », = ι/ϊ+Ϋ7 [7] 5 [81 y,=y,~ [9] missä li on tilapäismuuttuja.

Lopuksi, vaiheessa 9-3 piirretään ellipsi siten, että (E[x], E[y]) on ellipsin keskipiste, (xl, yl) on pääakselin puolikas, ja vl ja v2 ovat ellipsin pää- ja 10 pikkuakselin puolikkaiden pituudet. Esimerkinomainen pseudokoodilistaus 94 ellipsimäisen monikulmion piirtämiseksi näytetään kuviossa 9C. Listauksessa 94 k on piirrettävän monikulmion kärkien määrä, r on ellipsin säde, valittuna chi2 -taulukosta, ja taulukot xs ja ys sisältävät kärkien koordinaatit. Jos esimerkiksi £=20, niin monikulmio näyttää kohtalaisen sileältä, ja arvolla r=2,448 ellip-: . . 15 si sisältää 95% normaalijakautuneesta todennäköisyysmassasta, jonka kova- i a t t rianssimatriisi on S.

.*·*·, Kuviot 10A - 10D esittävät erästä suoritusmuotoa sellaisen epä-

• I

säännöllisen muotoisen alueen määrittämiseksi, jonka yhdistetty todennä-köisyysmassa ylittää annetun kynnysarvon. Tämä algoritmi käyttää seuraavia • * » *;" 20 syötearvoja: ‘· · ·' D: todennäköisyysjakauma näytepisteiden yli C: näytepisteiden data (suorakulmaisessa koordinaatistossa) »» > : ’,: e: näytepisteen koordinaatit suorakulmaisessa koordinaatistossa , ,: Parametrit: ; 25 m: katettava todennäköisyysmassa ! a: kulmatarkkuus * ! ! S » d\ tarkkuus etäisyydelle origosta ’;: Algoritmin tulos U on sellaisen alueen koordinaattijoukko, joka osoit- taa piste-estimaattiin liittyvää epävarmuutta.

113092 13

Vaiheessa 10-1 näytepisteen data C kuvataan napakoordinaatis-toon, jonka origo on piste-estimaatin kohdalla. Jos esimerkiksi C on kaksiulotteinen, voidaan käyttää kuviossa 10C viitenumerolla 102 osoitettua pseudo-koodilistausta.

5 Vaiheessa 10-2, D muunnetaan jakaumaksi napakoordinaatistossa.

Voidaan käyttää esimerkiksi kuviossa 10D viitenumerolla 103 osoitettua pseu-dokoodilistausta. Listaus 103 näyttää esimerkin, joka käyttää algoritmia, jossa kulma ja etäisyys piste-estimaatista on diskretisoitu parametreillä a ja d. E osoittaa odotettuja etäisyyksiä kunkin sektorin origosta, ja Dp osoittaa kaksi-10 ulotteista jakaumaa napakoordinaatistossa.

Vaihe 10-3 käsittää sellaisen alueen suorakulmaisten koordinaattien etsimisen, joka alue kattaa m:n. Eräs tapa tämän tekemiseksi käyttää odotettuja etäisyyksiä piste-estimaatista, jotka määrittelevät alueen muodon. Tämä muoto skaalataan sitten niin, että se kattaa m:n. Voidaan käyttää esimerkiksi 15 kuviossa 10D näytettyä pseudokoodilistausta 104, mutta mitä tahansa sopivaa algoritmia voidaan käyttää.

Vaiheessa 10-4 skaalatut etäisyydet origosta muunnetaan suora-kulmakoordinaateiksi. Voidaan käyttää esimerkiksi kuviossa 10D näytettyä pseudokoodilistausta 105. Listauksessa 105 oleva jossakin määrin epäviralli-20 nen termi ”blob” (möykky) viittaa epäsäännölliseen kohdealueeseen, jota kuviossa 10A osoitetaan viitenumerolla 101.

• · · • > t

Muita virhe-estimaatin sovelluksia . 1 · ·. Yllä selostetut suoritusmuodot liittyvät virhe-estimaatin visualisointiin ."j; käyttäjälle. Mutta virhe-estimaattia voidaan käyttää muihinkin tarkoituksiin, ku- » · . , 25 ten kalibroinnin avustamiseen. Jos esimerkiksi virhe-estimaatti joissakin pai- ; koissa on suuri, niin suuri virheen odotusarvo voi toimia osoituksena siitä, että ’· 1' läheiset näytepisteet on kalibroitava uudelleen tai että probabilistiseen malliin tulisi lisätä uusia näytepisteitä tai että koko malli on kalibroitava uudelleen.

* · . Alan ammattilaiselle on ilmeistä, että tekniikan kehittyessä keksin- 30 nön perusajatus voidaan toteuttaa monin eri tavoin. Keksintö ja sen suoritus-

I I

- ; muodot eivät siten rajoitu yllä kuvattuihin esimerkkeihin vaan ne voivat vaihdel- *: : la patenttivaatimusten puitteissa.

tiili i

Claims (15)

1. Menetelmä kohdelaitteen (T) sijaintia koskevan virhe-estimaatin (EE, 43) määrittämiseksi, kun kohdelaite on sovitettu liikkumaan langattomassa ympäristössä (RN) ja liikennöimään sen kanssa käyttäen signaaleja, joista 5 kullakin on ainakin yksi mitattava signaaliarvo (v); jossa menetelmässä: ylläpidetään langattomasta ympäristöstä (RN) probabilistista mallia (PM), joka osoittaa signaaliarvojen todennäköisyysjakauman (31) useassa näytepisteessä (SP) langattomassa ympäristössä; 10 tehdään signaaliarvojen (v) havaintojen joukko (OS) langattomassa ympäristössä kohdelaitteen (T) sijainnin kohdalla; estimoidaan kohdelaitteen sijainti probabilistisen mallin (PM) ja havaintojen joukon (OS) perusteella; tunnettu siitä, että: 15 määritetään virhe-estimaatti tulojen yhdistelmänä usean näytepis- teen (SP) yli, missä kukin tulo käsittää: - todennäköisyyden (41) sille, että kyseinen näytepiste on kohdelaitteen sijainti; ja - kyseisen näytepisteen ja kohdelaitteen estimoidun sijainnin välisen 20 etäisyysfunktion (34).

: 2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, M että virhe-estimaattia (43) käytetään tuottamaan visuaalinen osoitus (71, 89, 91,92, 101) käyttäjälle. • * a t

3. Patenttivaatimuksen 2 mukainen menetelmä, tunnettu siitä, V · · 25 että visuaalinen osoitus superponoidaan kartalle (70). » »· * « • ·

4. Patenttivaatimuksen 3 mukainen menetelmä, t u n n ett u siitä, .. . että visuaalinen osoitus on joukko diskreettejä osoittimia (71), joista kullakin on ; ainakin yksi sijainnista riippuva visuaalinen attribuutti. < I

, ’ : 5. Patenttivaatimuksen 3 mukainen menetelmä, tunnettu siitä, I < · ' ! 30 että visuaalinen osoitus on sijaintien joukko (89), siten, että joukko käsittää ’, ’ kohdelaitteen sijainnin ainakin ennalta määrätyllä todennäköisyydellä. I) M I > · t • f I t · I · 15 113092

6. Patenttivaatimuksen 3 mukainen menetelmä, tunnettu siitä, että visuaalinen osoitus on alue (91, 92, 101), siten, että alue käsittää kohde-laitteen sijainnin ainakin ennalta määrätyllä todennäköisyydellä.

7. Patenttivaatimuksen 6 mukainen menetelmä, tunnettu siitä, 5 että estimoidaan pienin alue, joka käsittää kohdelaitteen sijainnin ainakin ennalta määrätyllä todennäköisyydellä.

8. Patenttivaatimuksen 7 mukainen menetelmä, tunnettu siitä, että mainittu pienin alue on ellipsi.

9. Patenttivaatimuksen 7 mukainen menetelmä, tunnettu siitä, 10 että mainittu pienin alue on epäsäännöllisen muotoinen.

10. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että virhe-estimaattia käytetään probabilistisen mallin (PM) päivittämiseen.

11. Patenttivaatimuksen 10 mukainen menetelmä, tunnettu siitä, että probabilistisen mallin päivittäminen käsittää uusien näytepisteiden li- 15 säämisen sijainteihin tai sellaisten sijaintien lähelle, jossa virhe-estimaatti on keskimääräistä suurempi.

12. Patenttivaatimuksen 10 tai 11 mukainen menetelmä, tunnet- : tu siitä, että probabilistisen mallin päivittäminen käsittää olemassa olevien l· näytepisteiden uudelleenkalibroimisen. • · ’ “ | 20

13. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, * I » > t [ että suoritetaan tulojen yhdistelmä usean näytepisteen yli vain näytteitetylle : alijoukolle probabilistisen mallin näytepisteitä. » ·

14. Sijainninestimointimoduuli (LEM) kohdelaitteen (T) sijainnin es-; . timoimiseksi, kun kohdelaite on sovitettu liikkumaan langattomassa ympäris- » I \ 25 tössä (RN) ja liikennöimään sen kanssa käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo (v); · johon sijainninestimointimoduuliin kuuluu: ' : probabilistinen malli (PM) langattomasta ympäristöstä (RN), joka . ' : probabilistinen malli osoittaa signaaliarvojen todennäköisyysjakauman (31) , . 30 useassa näytepisteessä (SP) langattomassa ympäristössä; 16 113092 välineet tekemään tai vastaanottamaan signaaliarvojen (v) havaintojen joukko (OS) langattomassa ympäristössä kohdelaitteen (T) sijainnin kohdalla; välineet estimoimaan kohdelaitteen sijainti probabilistisen mallin 5 (PM) ja havaintojen joukon (OS) perusteella; tunnettu siitä, että sijainninestimointimoduuliin kuuluu: välineet määrittämään virhe-estimaatti tulojen yhdistelmänä usean näytepisteen (SP) yli, missä kukin tulo käsittää: - todennäköisyyden (41) sille, että kyseinen näytepiste on kohdelait-10 teen sijainti; ja - kyseisen näytepisteen ja kohdelaitteen estimoidun sijainnin välisen etäisyysfunktion (34).

14 113092

15. Patenttivaatimuksen 14 mukainen sijainninestimointimoduuli, tunnettu siitä, että siihen kuuluu välineet visuaalisen osoituksen tuottami-15 seksi (71,89, 91,92, 101) virhe-estimaatista (43, EE). > · > * · • · I • MM » i * • · • I * * · · · * I · * » · * » % i > · • I i i t • · * · « I » ‘ > » · » * 1 ! » » * ! - I * I 17 113092