FI113409B - Sekvenssiperusteinen paikannustekniikka - Google Patents

Description

113409

Sekvenssiperusteinen paikannustekniikka 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, joka mallintaa kohdelaitteen 10 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). 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 koordinaattia. Joissakin erikoistapauksissa, kuten tunneleissa, 20 yksi koordinaatti voi olla riittävä, mutta useimmissa tapauksissa sijainti ilmais-taan koordinaattiparin avulla (x, y tai kulma/säde).

··· Tarkemmin sanottuna keksintö liittyy paikannustekniikkaan, joka pe- M I t .·*. rustuu Markovin piilomalliin (hidden Markov model). Kuvio 2 esittää kaavamai- sesti Markovin piilomallia. Malli koostuu sijainneista, sijaintien välisistä siirty-; 25 mistä ja sijainneissa tehdyistä havainnoista. Kuvion 2 esimerkissä kohdelaite liikkuu pitkin polkua, josta on näytetty viisi sijaintia q,.2 ... q,+2. Muodollisemmin t * 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 sijainnin jakauma voidaan helposti muuttaa yhdeksi sijainnin estimaatiksi, ly- :: 30 hyempää merkintää "sijainti q käytetään viittaamaan sijainnin jakaumaan q.

Kohdelaitteen polun varrella olevia sijainteja voidaan kutsua polku-pisteiksi. Kohdelaite kommunikoi signaalien avulla langattomassa ympäristössä, jossa olevia signaaliarvoja käytetään määrittämään kohdelaitteen sijainti.

: Eräs käytännön esimerkki kohdelaitteesta on datankäsittelylaite, jo- , : 35 ka kommunikoi langattomassa lähiverkossa (WLAN) tai solukkoradioverkossa.

Datankäsittelylaite voi olla yleiskäyttöinen salkku- tai kämmentietokone tai tie- 113409 2 toliikennelaite, tai se voi olla dedikoitu testi- tai mittalaite, kuten sairaalainstru-mentti, joka on kytketty langattomaan lähiverkkoon. Tässä käytetty termi ’’signaaliarvo” on mitattavissa oleva ja sijainnista riippuva kiinteän lähettimen signaalin suure. Esimerkiksi signaalinvoimakkuus ja bittivirhesuhde ovat esimerk-5 kejä mitattavista ja sijainnista riippuvista suureista.

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 ot.2 ... ot+2 signaaliarvojen perusteella, mutta havaintojen ot.2 ... ot+2 ja sijaintien qh2 ... q,+2 välillä ei ole mitään 10 yksinkertaista suhdetta. (Huomattakoon, että suorat nuolet sijaintien q,.2 ... q,+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 15 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.

Keksinnön lyhyt selostus

Keksinnön tavoitteena on siten kehittää menetelmä ja menetelmän 20 toteuttava laitteisto siten, että yllä mainittuja haittoja saadaan lievennettyä. Toi-sin sanoen keksinnön tavoitteena on vähentää epävarmuutta paikannusteknii-.·. kassa, joka perustuu probabilistiseen malliin odotetuista signaaliarvoista. Kek- .···. sinnön tavoite saavutetaan menetelmällä ja järjestelmällä, joille on tunnus- omaista se, mitä sanotaan itsenäisissä patenttivaatimuksissa. Keksinnön edul- • · . . 25 liset suoritusmuodot ovat epäitsenäisten patenttivaatimusten kohteena.

Keksintö perustuu siihen ideaan, että käytetään kohdelaitteen tule-via havaintoja vähentämään kohdelaitteen sijaintia koskevaa epävarmuutta. Ensi näkemältä tämä idea kuulostaa absurdilta, koska kunakin tiettynä hetkenä . .!:* kohdelaitteen tulevia havaintoja ei tunneta. Keksinnön ilmeinen rajoitus siis on, ; : 30 että se on käytettävissä vain havainnoille, joilla on ainakin yksi tuleva havainto.

.Toisin sanoen, keksintö ei voi suoraan vähentää epävarmuutta kohdelaitteen tuoreimmasta havainnosta, mutta keksintö perustuu osaksi siihen yllättävään ; huomioon, että on useita sovelluksia, jotka hyötyvät kohdelaitteen aiempiin : havaintoihin liittyvän epävarmuuden vähentämisestä. Keksintöä voidaan käyt- , I 35 tää esimerkiksi seuraamaan asiakkaiden polkuja kaupassa liittämällä sopivia kohdelaitteita ostoskärryihin. Tällaista informaatiota voidaan käyttää suunnitel- 113409 3 taessa tavaroiden sijoitusta kaupassa. Oletetaan, että asiakkaan polku alkaa ja päättyy paikoissa, joissa asiakas vastaavasti ottaa ja jättää ostoskärryt. Myymälän omistajaa ei siis kiinnosta määrittää tarkasti viimeisimpiä sijainteja, koska kaikki polut päättyvät uloskäynteihin. Toisaalta myymälän omistajaa kiinnos-5 taa määrittää asiakkaiden polut kaupan sisällä, ja viimeisimpiä havaintoja voidaan käyttää vähentämään epävarmuutta, joka koskee aiempia sijainteja kaupassa.

Keksinnön mukainen menetelmä käsittää seuraavat vaiheet: 1. ylläpidetään probabilistista mallia usealle näytepisteelle, joista 10 kukin käsittää näytesijainnin ja siinä olevien signaaliarvojen odotetun jakauman; 2. tehdään signaaliarvojen havaintojen o„, n = 1, 2, 3..., sekvenssi, missä kukin havainto vastaa vastaavaa sijaintia qn kohdelaitteen polun varrella, ja missä havaintojen sekvenssi ja vastaavat sijainnit muodostavat Markovin 15 piilomallin; 3. estimoidaan kohdelaitteen sijainti q„ perustuen probabilistiseen malliin ja havaintojen sekvenssiin, missä havaintojen sekvenssi käsittää yhden tai useamman tulevan havainnon on+m, jolle m on positiivinen kokonaisluku.

Näytepiste on probabilistisen mallin piste, ts. piste, jolle signaaliar-20 vojen jakaumat tunnetaan joko kalibroinnin (fyysisten mittausten) tai simulaatioiden tai teoreettisten laskelmien perusteella. Näytepisteitä voidaan saada : myös interpoloimalla tai ekstrapoloimalla muista tunnetuista sijainneista.

:♦ Paikannuksen tarkkuutta voidaan parantaa hyödyntämällä yhtä tai useampaa aiempaa havaintoa. Aiemmat ja tulevat havainnot yhdistetään edul-25 lisesti kaksisuuntaisella rekursiolla. Tämä tarkoittaa, että jos ajan näytetään : etenevän vasemmalta oikealle, aiemmat havainnot otetaan huomioon vasem- malta oikealle (eteenpäin) -rekursiolla ja tulevat havainnot oikealta vasemmalle (taaksepäin)-rekursiolla.

Jos keksintöä käytetään tosiaikaisessa paikannuksessa, on siedet-;;; 30 tävä ainakin yhden havainnon viive. Viiveen minimoimiseksi tosiaikaisessa ' ·. ·' paikannuksessa tulevien havaintojen määrä tulisi pitää pienenä. Tässä käytetty :*·: termi tosiaikainen paikannus tarkoittaa, että kohdelaite paikannetaan niin pian kuin se on teknisesti mahdollista, vaikka esiintyisikin yhden tai muutaman ha-/ ( vainnon mittainen viive.

113409 4

Kuvioiden lyhyt selostus

Keksintöä selostetaan nyt lähemmin edullisten suoritusmuotojen yhteydessä, viitaten oheisiin piirroksiin, joista:

Kuvio 1 esittää paikannustekniikkaa kaavamaisesti; 5 Kuvio 2 esittää Markovin piilomallia;

Kuvio 3 esittää keksinnön periaatetta;

Kuvio 4 esittää sijainninestimointimoduulia LEM kohdelaitteen sijainnin estimoimiseksi signaaliarvojen perusteella radiorajapinnassa Rl;

Kuviot 5A ja 5B ovat lohkokaavioita, jotka esittävät tyypillisiä kohde-10 laitteita, joiden sijainti tulee määrittää; ja

Kuvio 6 esittää yksinkertaista suoritusmuotoa paikantamisepävar-muuden pienentämiseksi.

Keksinnön yksityiskohtainen selostus

Viitataan edelleen kuvioon 2, joka esittää signaaliarvojen havainto-15 jen sarjaa o,.2... ot+2. Kullekin havainnolle on vastaava sijainti q,.2... q,+2 kohde-laitteen polun varrella. Nuolen 21 suunta tarkoittaa, että sijainti q, määrää havainnon ot sisältämät signaaliarvot, mutta käänteinen ei pidä paikkaansa. Toisin sanoen, voimme vain havaita suoraan signaaliarvoja, eikä havainnoista ot ole mitään yksinkertaista relaatiota sijainteihin q,. Aavalla merellä signaaliarvo 20 laskee ennustettavasi lähettimestä mitatun etäisyyden suhteen, mutta käytän-nöllisesti katsoen kaikissa ympäristöissä, joissa keksintöä tullaan käyttämään, :* 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 . : 25 signaaliarvoihin on kaikkea muuta kuin monotoninen, ja on todennäköisesti . / useita sijainteja, joilla on joitakin yhteisiä signaaliarvoja. Havaintojen tekeminen usealla kanavalla on eräs tapa vähentää kohdelaitteen sijaintia koskevaa epävarmuutta.

Kuvio 3 esittää keksinnön periaatetta. Keksinnön mukaisesti kohde-: 30 laitteen sijaintia koskevaa epävarmuutta voidaan edelleen vähentää käyttämäl lä tietoa kohdelaitteen tulevaisuudesta. Kuten aiemmin todettiin, sijainti jolla on . tunnettu tulevaisuus, esiintyy vain menneisyydessä, mutta keksintö perustuu osittain siihen havaintoon, että on monia tilanteita ja sovelluksia, joissa menneisyys on kiinnostava. Oletetaan, että haluamme määrittää kohdelaitteen si-35 jainnin hetkellä t, ts. sijainnin qt. Nuoli 33 osoittaa relaatiota sijaintia qt vastaa- 113409 5 vasta havainnosta o,. Normaalisti havainto ot on paras yksittäinen havainto sijainnin q, määrittämiseksi. Huomattakoon, että yksittäinen ’’havainto” voi sisältää ja tyypillisesti sisältääkin useita signaaliarvojen mittauksia yhdeltä tai useammalta kanavalta. Probabilistisessa mallissa ajatuksena on mitata signaaliar-5 von todennäköisyysjakauma, ja jos eri sijainneissa olevien signaaliarvojen välillä on lainkaan päällekkäisyyttä, sijainteja ei voida määrittää yhden mittauksen perusteella sijaintia kohti. Sen sijaan kunkin havainnon täytyy käsittää useita mittauksia todennäköisyysjakauman määrittämiseksi.

Tulisi myös ymmärtää, että kuvioissa 1 ja 2 aika on kvantisoitu. Tä-10 mä tarkoittaa, että kohdelaite, jolla on yksi radiovastaanotin, voidaan virittää uudelleen eri kanavalle millisekunneissa, kun taas havaintoja ot.2... ot+2 erottaa tyypillisesti ainakin sata millisekuntia. Havaintojen väliaika voidaan valita tyypillisen kohdelaitteen nopeuden perusteella. Yksi havainto voi käsittää signaaliarvoja usealta kanavalta, vaikka radiovastaanotin onkin viritettävä uudelleen 15 kanavien välillä.

Keksinnön mukaisesti kohdelaitteen sijaintia q, koskevaa epävarmuutta voidaan edelleen vähentää käyttämällä ei vain nykyistä havaintoa o, vaan myös yhtä tai useampaa tulevaa havaintoa ot+m, missä m on positiivinen kokonaisluku. Nuolet 34 ja 35 osoittavat kahta tulevaa havaintoa ot+i ja ot+2. 20 Aiempia havaintoja ou2 ja o,./ voidaan luonnollisesti käyttää kohdelaitteen sijaintia qt koskevan epävarmuuden vähentämiseen, kuten nuolet 31 ja 32 vastaavasti osoittavat.

Keksintöä voidaan käyttää estimoimaan kohdelaitteen sijaintia ja/tai . sen polkua. Nämä kaksi sovellusta (sijainnin ja polun estimointi) voidaan il- : 25 maista muodollisesti seuraavalla tavalla. Sijainnin estimoinnissa halutaan : maksimoida yhden sijainnin todennäköisyys, kun annettuna on havaintojen < » sekvenssi. Muodollisesti ilmaistuna, haluamme maksimoida termin p(qt|0^). *' (Vaihtoehtoisesti haluamme määrittää sijainnin, jolla on pienin virheen odo tusarvo; sijainnin estimaatti voi olla esimerkiksi usean sijainnin todennä-30 köisyyspainotettu keskiarvo.) Polun estimoinnissa halutaan maksimoida polun (sijaintien sekvenssin) todennäköisyys, kun annettuna on havaintojen sek-: venssi. Muodollisesti ilmaistuna, haluamme maksimoida termin p(q[|0[).

(Vaihtoehtoisesti haluamme määrittää polun, jolla on pienin virheen odotusarvo.) Näiden kahden sovelluksen välinen ero on siinä, että sijainnin estimoinnis-: 35 sa kukin sijainti estimoidaan erikseen (vaikkakin havaintojen sekvenssin perus- ; teella). Peräkkäisten sijaintien muodostama polku voi siis läpäistä seiniä tai 113409 6 olla muuten hyvin epätodennäköinen, mikäli kyseinen polku maksimoi yksittäisten sijaintien todennäköisyydet. Polun estimoinnissa valitaan todennäköisin polku. Polun estimointi voidaan suorittaa määrittämällä eri sijaintien väliset siirtymätodennäköisyydet ja määrittämällä polun, joka maksimoi yhdistelmän 5 yksittäisten sijaintien todennäköisyyksiä ja siirtymätodennäköisyyksiä siten, että määräytyy kaikkein todennäköisin polku.

Huomattakoon, että kuviot 2 ja 3 esittävät ensimmäisen kertaluvun Markovin piilomalleja, mutta keksinnön mukaiset tekniikat soveltuvat minkä tahansa kertaluvun Markovin piilomalleille.

10 Kuvio 4 esittää sijainninestimointimoduulia LEM kohdelaitteen si jainnin estimoimiseksi signaaliarvojen perusteella radiorajapinnassa Rl. Kuvio 4 esittää kompaktia sijainninestimointimoduulia LEM (location estimation module), vaikka hajautetummatkin toteutukset ovat yhtä mahdollisia. Eräs keksinnön oleellinen elementti on vastaanottimen langattoman ympäristön probabilis-15 tinen 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 ylläpitää probabilistisen mallin perustuen kalibrointidataan CD tai yhden tai 20 useamman propagointimallin muodossa olevaan propagointidataan PD, tai mihin tahansa näiden yhdistelmään. Kalibrointidata CD on tulosta signaaliarvopa jen fyysisistä mittauksista tunnetuista sijainneista (tai sijaintien koordinaattien ·* määrittämisestä, mikäli niitä ei muuten tunneta). Valinnaisesti kalibrointidata- I » Il ;···. tietueisiin voi kuulua myös aika, jolloin mittaus tehtiin, siinä tapauksessa että ____: 25 signaaliparametrit muuttuvat ajan mukana. Kalibrointidatan CD sijasta tai lisäk- » t ; 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, joista kalibrointimittauksia on kerätty, ovat kalibrointipisteitä. Kalibrointidata CD 30 käsittää datatietueita, joista kukin käsittää kyseisen kalibrointipisteen sijainnin v ja siinä mitattujen signaaliarvojen joukon. Sijainti voidaan ilmaista missä ta- : hansa absoluuttisessa tai suhteellisessa koordinaattijärjestelmässä. Erityista pauksissa, kuten junissa, valtateillä, tunneleissa, vesiväylillä tai vastaavissa voi riittää yksi koordinaatti, mutta normaalisti käytetään kahta tai kolmea koordi- : 35 naattia.

* 113409 7

On myös sijainninlaskentamoduuli LCM (location calculation module) tuottamaan sijainninestimaatti LE kohdelaitteen havaintojoukon OS (observation set) ja probabilistisen mallin PM perusteella. Sijainninlaskentamoduuli voidaan toteuttaa esimerkiksi salkku- tai kämmentietokoneessa suoritettavan 5 ohjelmistona. Teknisesti "mittaukset” ja "havainnot” voidaan suorittaa samalla 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.

10 Kuvio 5A 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 5A esittämässä suoritusmuodossa sijainninestimointimoduuli, joka käsittää probabi-15 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.

20 Kuvio 5B esittää vaihtoehtoista suoritusmuotoa, jossa kohdelaittee seen liitetty tietokone PC vastaanottaa probabilistisen mallin PM kopion irrotet-: : tavalla muistilla DM, kuten CD-ROM -levyllä, ja kohdelaite T pystyy määrittä mään oman sijaintinsa lähettämättä yhtään mitään. Vielä eräänä vaihtoehtona . Göta ei ole erikseen näytetty), liitännäinen tietokone PC voi vastaanottaa pro- 25 babilistisen mallin Internet- (tai muun data-) -yhteyden kautta sijainninestimoin-: timoduulille 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-30 vitykset lähetetään radiorajapinnan kautta.

: Kuvio 6 esittää yksinkertaista suoritusmuotoa paikantamisepävar- ; muuden pienentämiseksi. Tämä suoritusmuoto toimii seuraavasti. Sijaintiava- ruus kvantisoidaan diskreeteiksi sijainneiksi, joista sijainnit q1 -1 ... q3-8 näyte-tään risteinä kuviossa 6. Sijainneissa q1-1, q2-2, q2-3, q2-4 and q3-3 olevat : 35 mustat ympyrät osoittavat kohdelaitteen kulkemaa todennäköistä polkua. Ole- i tetaan, että kohdelaitteen toinen havainto on sellainen, että sijainti q1-3 on 112409 8 mahdollinen vaihtoehto sijainnille q2-2. Toisin sanoen yksi ainoa havainto ei riitä määrittämään, oliko kohdelaite kohdassa q2-2 vai q1-3, kun toinen havainto tehtiin. Samoin sijainti q 1-5 on mahdollinen vaihtoehto sijainnille q2-3 ja sijainti q1 -8 on mahdollinen vaihtoehto sijainnille q2-4. Kuitenkin tiedämme, että 5 viides havainto voidaan selittää vain sijainnilla q3-3. Esimerkiksi kohdelaitteen sijainti voidaan määrittää muilla tavoin, tai sijainti q3-3 on ainoa, jolla on viidettä havaintoa vastaavia signaaliarvoja. Kuvion 6 esimerkissä voimme sulkea pois sijainnin q1 -8, koska siirtymä tunnettuun sijaintiin q3-3 vaatisi nopeutta, johon kohdelaite ei pysty. Huomattakoon, että vaihtoehtoisista sijainneista q1-10 3, q1 -5 ja q1-8 ainoatakaan ei voida sulkea pois omien aiempien havaintojen sa perusteella, mutta kukin näistä sijainneista voidaan sulkea pois tulevaisuutensa perusteella. Sijainti q1-8 voidaan suoraan sulkea pois, koska sijainnin q3-3 saavuttaminen viidennen havainnon kohdalla vaatisi mahdottoman suurta nopeutta. Sijainti q1-5 voidaan sulkea pois, koska se johtaa mahdottomaan 15 sijaintiin q1 -8, jne.

Huomattakoon, että kuvio 6 esittää avointa tilaa, jossa ei ole esteitä. Todellisessa ympäristössä esteet tukkivat monia suoria siirtymiä sijaintien välillä. Tällaiset esteet voidaan ottaa huomioon määrittämällä siirtymätodennä-köisyksiä sijaintien (näytepisteiden) välisille siirtymille. Esimerkiksi kahden si-20 jainnin välisen siirtymän todennäköisyys on nolla, jos sijainteja erottaa seinä tai muu este, tai jos siirtymä vaatii nopeutta, johon kohdelaite ei pysty. Siirtymäto-: · : dennäköisyyksiä käsitellään myöhemmin enemmän, otsikon ’’Rekursioperus- * * teiset tekniikat” alla.

Kuvion 6 esimerkki ehdottaa keksinnölle vaihtoehtoista sovellusta. 25 Sen sijaan, että keksinnöllä lasketaan kohdelaitteen aiempia sijainteja, keksin-töä voidaan käyttää parantamaan tosiaikaisen sijainninestimoinnin luotetta-vuutta. Koska keksintöä voidaan käyttää vain jos on olemassa tunnettu tule-’" vaisuus, on siedettävä ainakin yhden havainnon viive. Mutta on jossakin mää rin yllättävää, että viiveen mukaan ottaminen voi parantaa sijainninestimoinnin 30 tarkkuutta. Oletetaan ensin, että kohdelaitteen sijainti raportoidaan tosiaikai-,: sesti, eli niin pian kuin teknisesti mahdollista ja käyttämättä tulevia havaintoja.

; Tässä tapauksessa kohdelaitteen sijainnin estimaatti raportoidaan nopeasti, mutta se voi olla räikeän epätarkka. Jos sen sijaan käytetään keksinnön mukaista tekniikkaa ja sijainnin estimaatti raportoidaan vain sijainnille, jolle on : 35 käytettävissä ainakin yksi tuleva havainto, sijainnin estimaatti raportoidaan vii- 113409 9 veellä, mutta estimaatti on paljon pienemmällä todennäköisyydellä räikeän epätarkka.

Kuvion 6 esittämässä suoritusmuodossa kohdelaitteen sijaintia käsitellään diskreettinä muuttujana. Toisin sanoen kohdelaite paikannetaan yhteen 5 diskreettiin sijaintiin q1-1 ... q3-8. Seuraavaksi selostetaan edistyneempi suoritusmuoto, jossa sijaintia käsitellään jatkuvana muuttujana.

Kuvion 6 esittämässä esimerkissä siirtymä sijainnista q1-1 sijaintiin q3-3 suljettiin pois, koska se olisi vaatinut kohdelaitteelta mahdottoman suurta nopeutta. Muodollisempi ilmaisutapa on, että tällaisen siirtymän siirtymätoden-10 näköisyys on nolla. Jos sijaintien väliset siirtymätodennäköisyydet tunnetaan, mallin luotettavuutta voidaan edelleen parantaa. Siirtymätodennäköisyydet voidaan määrittää kokeellisesti tai simuloimalla tai teoreettisilla laskelmilla.

Rekursioperusteiset tekniikat

Kun annettuna on ajan suhteen järjestetty havaintojen sekvenssi o/ 15 = {o/,...,οτ·}, haluamme määrittää sijainnin jakauman q, hetkellä t, l<t<T. Ole tetaan, että havainto ot riippuu vain sijainnista q{ ja että <?, riippuu vain aiemmasta sijainnista q^. Viimeksi mainittu oletus tarkoittaa, että historiaa ei tutkita pidemmälle kuin yhteen aiempaan havaintoon. Jos nämä oletukset täyttyvät, voimme esittää paikannusongelman ensimmäisen kertaluvun Markovin piilo-20 mallina (HMM), jossa o/ on havaintojen sekvenssi ja q/ sijaintien sekvenssi. .. . Tässä tapauksessa o/r:n ja qiTn yhdistetty todennäköisyys (joint probability) : on: «» · »< * t P(oiT,qiT)=P(qj) J7t=i...T-i P(qt+i\qt) n=i..TP(ot\qt) [1] , , Yhdistetty todennäköisyys on siis täysin määrätty seuraavien teki- * * » / 25 joiden perusteella: 1. alkutilan todennäköisyydet P(qi), \ 2. siirtymätodennäköisyydet P(qt\qt-i), ja 3. havaintojen todennäköisyydetpä!^. 1

Jos kaikkia sijainteja pidetään oletusarvoisesti yhtä todennäköisinä, . 30 voimme yksinkertaistaa yhtälöä 1 asettamalla alkutilan todennäköisyyden P(qi) , samaksi kaikille sijainneille. Yhdistetty todennäköisyys siis riippuu vain siirty- ; mätodennäköisyyksistä ja havaintojen todennäköisyyksistä. Nämä todennäköi- : syydet voidaan määritellä eri tavoin. Esimerkiksi siirtymätodennäköisyydet voi- 113409 10 vat perustua sijaintien väliseen spatiaaliseen etäisyyteen siten, että siirtymäto-dennäköisyys lähenee nollaa etäisyyden kasvaessa. Koska keksintöä voidaan soveltaa riippumatta siitä, kuinka siirtymä- ja havaintotodennäköisyydet määritetään, oletamme tästä lähtien, että siirtymä- ja havaintotodennäköisyydet ovat 5 annettuja.

Sijainnin jakauma hetkellä t voidaan määritellä seuraavasti: P(qt\o,T) = P(o;,qt)P(ot+IT\qt)/P(o,T) [ 2 ] missä P(oi,qt) ja P(ot+IT\qt) saadaan yhtälöistä 3 ja 4 (rekursiot eteenpäin ja taaksepäin) ja P(otT) on normalisointiin käytetty havaintojen ιοί o dennäköisyys. Olkoon S mahdollisten sijaintien joukko tässä mallissa n=\S\ ja «=|5| on S:n koko. Eteenpäin ja taaksepäin rekursioiden aikakompleksisuus on O(Tm), missä Γοη historian pituus ja m on nollasta poikkeavien siirtymätoden-näköisyyksien määrä kunkin askeleen kohdalla. Selvästikin m <n2, koska pahimmassa tapauksessa kaikilla siirtymillä on nollasta poikkeava todennäköi-15 syys. Kuitenkin useimpien siirtymien todennäköisyys on nolla, joten käytännössä m«n , mikä tekee laskennasta hyvin nopean.

P(o/,q,) = P(ot\q,) Xqt.iP(qt\qt.i)P(oi'1 ,qt.i) [ 3 ] P(ot+!T\qt) = Iqt+iP(ot±i\qt+i)P(qt+i\q<)P(ot+2r\qt+i) [ 4 ] . , 20 Tällä tavoin voimme saada selville eri sijaintien todennäköisyydet • ;* annettuna aikana. Monissa sovelluksissa tarvitaan kuitenkin sijainnin estimaat- ·;;; tia, joka on yksittäinen sijainti eikä sijainnin jakauma. Jälleen on useita tapoja laskea piste-estimaatti hetkellä t. Piste-estimaatti voi olla esimerkiksi sijaintien painotettu keskiarvo, missä painona käytetään sijainnin todennäköisyyttä, tai :; 25 se voi olla kaikkein todennäköisin sijainti.

: Todennäköisimmän reitin löytämiseksi voidaan käyttää Viterbi- algoritmia. Viterbi-algoritmi voi löytää sijaintien sekvenssin Si,...,sr, joka mak-simoi todennäköisyyden P(oIT\qI=sI,...,qT=ST). Selvästikin sijaintia st voidaan käyttää sijainnin estimaattina hetkellä t. Tällä menetelmällä on kuitenkin se : 30 haitta, että kullakin aika-askeleella sijainnin estimaatti voi olla vain yksi mah dollisista sijainneista. Sijainnin estimaatin tarkkuus riippuu siis mahdollisten sijaintien tiheydestä. Tarkkuutta voitaisiin parantaa käyttämällä suurta joukkoa . : S, jossa on mahdollisia sijainteja hyvin lähellä toisiaan. Valitettavasti tämä kas- : vattaisi radikaalisti algoritmin vaatimaa aikaa.

113409 11

Tarkkojen sijaintiestimaattien saamiseksi kohtuullisella laskennalla voidaan käyttää suhteellisen pientä joukkoa S ja laskea sijaintiestimaatti hetkelle t mahdollisten sijaintien painotettuna keskiarvona Hwi‘Si)/Ewj. Sijainnin s, paino w,· voidaan määritellä todennäköisyytenä todennäköisimmälle polulle, 5 joka kulkee sijainnin s, kautta hetkellä t. Polkujen todennäköisyydet saadaan käyttämällä Viterbi-algoritmia normaalisti aika-askeleille 1-t (luodaan polut eteenpäin) ja taaksepäin T:stä /:hen (luodaan polut eteenpäin) ja kertomalla eteenpäin ja taaksepäin polkujen todennäköisyydet, jotka päättyvät sijaintiin Sakullekin arvolle i=l..n.

10 Suorituskykyesimerkki

Seuraavat yksityiskohtaiset laskelmat osoittavat, kuinka ainakin joissakin tilanteissa keksintö voi parantaa paikannustarkkuutta tosiaikaisessa paikannuksessakin. Joissakin tilanteissa parannus voi olla merkittävä. Seuraa-va taulukko 1 sisältää havaintotodennäköisyydet sijainneille A - F (diskreettei-15 nä) aikoina t = 1 ... 5. Lihavoidut arvot osoittavat todennäköisyyksiä todelliselle polulle A,B,D,E,F kunkin aika-askeleen kohdalla. Huomattakoon, että vaikka todellinen sijainti hetkellä t=3 on D, sijainnilla C on korkeampi havaintotoden-näköisyys. Tämän vuoksi vain nykyisiin havaintotodennäköisyyksiin perustuva paikantaminen epäonnistuisi tässä kohdassa. Taulukko 2 sisältää sijaintien A -20 F väliset siirtymätodennäköisyydet. Taulukot 3-5 sisältävät vastaavasti normalisoituja laskentatuloksia eteenpäin, taaksepäin ja kaksisuuntaiselle rekursi-·:· oille (yhtälöt 3, 4, ja 2). Jälleen todellisten sijaintien todennäköisyydet kunkin aika-askeleen kohdalla on näytetty lihavalla tekstillä. Taulukko 6 esittää sijain-,,.: tien A - F todennäköisyydet hetkellä t=3.

t 113409 12

Taulukko 1, havaintotodennäköisyydet:

t A_BCD_E_F

1 0.6 0.2 0.08 0.1 0.01 0.01 2 0.2 0.62 0.1 0.05 0.02 0.01 3 0.08 0.15 0.45 0.3 0.01 0.01 4 0.01 0.01 0.1 0.2 0.58 0.1 5 0.01 0.01 0.1 0.05 0.1 0.73

Taulukko 2, siirtymätodennäköisyydet:

Mistä/Mihin A_B C_D_E_F

A 0.5 0.5 0 0 0 0 B 0.2 0.4 0.2 0.2 0 0 C 0 0.5 0.5 0 0 0 D 0 0.3 0 0.4 0.3 0 E 0 0 0 0.3 0.4 0.3 F 0 0 0 0 0.5 0.5

Taulukko 3, rekursio eteenpäin:

T A_B_C_D_E_F

1 0.6000 0.2000 0.0800 0.1000 0.0100 0.0100 2 0.1889 0.7750 0.0222 0.0115 0.0022 0.0002 3 0.0970 0.3056 0.3634 0.2337 0.0002 0.0000 4 0.0108 0.0417 0.2398 0.3054 0.4022 0.0001 5 0.0010 0.0165 0.0908 0.0889 0.1788 0.6239

Taulukko 4, rekursio taaksepäin:

T A_B_C_D_E_F

1 0.1761 0.3818 0.1798 0.2156 0.0376 0.0090 2 0.0069 0.2892 0.0291 0.3573 0.2876 0.0300 3 0.0006 0.0202 0.0092 0.2584 0.4017 0.3099 4 0.0070 0.0740 0.0520 0.0520 0.4200 0.3950 i* 5 0.1667 0.1667 0.1667 0.1667 0.1667 0.1667 5 Taulukko 5, kaksisuuntainen rekursio:

: T A_B_C_D_E_F

, 1 0.4838 0.3496 0.0659 0.0987 0.0017 0.0004 ‘Λ; 2 0.0056 0.9710 0.0028 0.0178 0.0027 0.0000 3 0.0008 0.0881 0.0476 0.8620 0.0012 0.0002 4 0.0004 0.0154 0.0622 0.0792 0.8426 0.0002 5 0.0010 0.0165 0.0908 0.0889 0.1788 0.6239

Taulukko 6, sijaintien A - F todennäköisyydet hetkellä t=3

Sijainti Eteenpäin Taaksepäin 2-suunt.

A 9.7% 0.1% 0.1% * · B 30.6% 2.0% 8.8% C 36.3 % 0.9 % 4.8 % : D 23.4% 25.8% 86.2% . E 0.0 % 40.2 % 0.1 % : F 0.0% 31.0% 0.0% 113409 13 Tässä esimerkissä viiden havainnon jälkeen kohdelaitteen paras si-jaintiestimaatti kolmannen havainnon kohdalla on D. D:n todennäköisyys olla oikea sijainti on 86 %, mikä näytetään lihavalla tekstillä taulukossa 6. Mutta ei eteenpäin eikä taaksepäin rekursio yksinään kykene määrittämään, että D on 5 todennäköisin sijainti. Eteenpäin rekursio osoittaa, että C ja B ovat todennäköisempiä sijainteja kuin D, kun taas taaksepäin rekursio suosii sijainteja E ja F. Kaksisuuntainen rekursio käytännöllisesti katsoen eliminoi virheelliset sijain-tiestimaatit.

Alan ammattilaiselle on ilmeistä, että tekniikan kehittyessä keksin-10 nön perusajatus voidaan toteuttaa monin eri tavoin. Keksintö ja sen suoritusmuodot eivät siten rajoitu yllä kuvattuihin esimerkkeihin vaan ne voivat vaihdella patenttivaatimusten puitteissa.

I 1 · » t · I · » t

Claims (10)

113409

1. Menetelmä kohdelaitteen (T) sijainnin estimoimiseksi, jossa menetelmässä: - ylläpidetään probabilistista mallia (PM) usealle näytepisteelle, jois-5 ta kukin käsittää näytesijainnin ja siinä olevien signaaliarvojen odotetun jakauman; - tehdään signaaliarvojen havaintojen on, n = 1, 2, 3...N, sekvenssi (OS), missä kukin havainto vastaa vastaavaa sijaintia qn kohdelaitteen polun varrella, ja missä havaintojen sekvenssi ja vastaavat sijainnit muodostavat

10 Markovin piilomallin; tunnettu siitä, että: estimoidaan kohdelaitteen sijainti qt perustuen probabilistiseen malliin (PM) ja havaintojen sekvenssiin, missä havaintojen sekvenssi käsittää yhden tai useamman tulevan havainnon Ot+m. jolle m on positiivinen kokonaisluku 15 siten, että t+m<N.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että havaintojen sekvenssi käsittää yhden tai useamman aiemman havainnon Ot-m-

3. Patenttivaatimuksen 2 mukainen menetelmä, tunnettu siitä, : . ·. 20 että kohdelaitteen sijainti qt estimoidaan perustuen: » · ’ - yhden tai useamman aiemman havainnon eteenpäin rekursioon; ja ;;: - yhden tai useamman tulevan havainnon taaksepäin rekursioon. ·" i

4. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että estimoidaan kohdelaitteen siirtymätodennäköisyydet 25 näytepisteiden välillä ja estimoidaan kohdelaitteen sijainti osaksi siirtymäto-dennäköisyyksien perusteella.

5. Patenttivaatimuksen 2 mukainen menetelmä, tunnettu siitä, : että estimoidaan siirtymätodennäköisyydet ja tallennetaan ne probabilistisen ; mallin kanssa ennen havaintojen sekvenssin tekemistä.

6. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, i tunnettu siitä, että vaihe sijainnin estimoimiseksi suoritetaan kohdelait- • teessä (T). 113409

7. Jonkin patenttivaatimuksen 1 - 5 mukainen menetelmä, tunnettu siitä, että vaihe sijainnin estimoimiseksi suoritetaan kiinteässä laitteistossa, jolle kohdelaite raportoi havaintojen sekvenssin radioverkon (RN) kautta.

8. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että ainakin yksi mitattava signaaliarvo (v) käsittää signaa-linvoimakkuuden.

9. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että ainakin yksi mitattava signaaliarvo (v) käsittää bittivir- 10 henopeuden tai-suhteen.

10. Sijainninestimointimoduuli (LEM) kohdelaitteen (T) sijainnin estimoimiseksi, johon sijainninestimointimoduuliin kuuluu: - probabilistinen malli (PM) usealle näytepisteelle, joista kukin käsittää näytesijainnin ja siinä olevien signaaliarvojen odotetun jakauman; 15. välineet tekemään signaaliarvojen havaintojen on, n = 1, 2, 3..., sekvenssi (OS), missä kukin havainto vastaa vastaavaa sijaintia q„ kohdelaitteen polun varrella, ja missä havaintojen sekvenssi ja vastaavat sijainnit muodostavat Markovin piilomallin; tunnettu siitä, että sijainninestimointimoduuliin kuuluu: 20. välineet estimoimaan kohdelaitteen sijainti qt perustuen probabilis- :· tiseen malliin (PM) ja havaintojen sekvenssiin, missä havaintojen sekvenssi käsittää yhden tai useamman tulevan havainnon Ot+m. jolle m on positiivinen .kokonaisluku siten, että t+m < N. 1 113409