FI113410B - Probabilistinen malli paikannustekniikkaa varten - Google Patents

Description

\ 113410

Probabilistinen malli paikannustekniikkaa varten

Keksinnön tausta

Keksintö liittyy yleisesti paikannustekniikkaan, jossa kohdelaitteen paikka estimoidaan sen langattomasta kommunikointiympäristöstä tehtyjen 5 havaintojen perusteella. Kuvio 1 esittää kaaviona esimerkkiä tällaisesta paikannustekniikasta. Kohdelaite T kommunikoi tukiasemien BS kanssa radiorajapinnan Rl yli. Tässä esimerkissä kommunikoinnin oletetaan olevan radiovies-tintää. Kohdelaite T havainnoi signaaliarvoja radiorajapinnassa Rl. Havainto-joukko O välitetään probabilistiselle mallille, joka mallintaa kohdelaitteen langa-10 tonta kommunikointiympäristöä ja tuottaa sijaintiestimaatin LE.

Käytännön esimerkki kohdelaitteesta on datankäsittelylaite, joka kommunikoi langattomassa lähiverkossa (wireless local-area network, WLAN) tai solukkoverkossa. Datankäsittelylaite voi olla yleiskäyttöinen salkku- tai kämmentietokone tai tietoliikennelaite, tai se voi olla dedikoitu testi- tai mittalai-15 te, kuten sairaalainstrumentti, joka on kytketty langattomaan lähiverkkoon. Tässä käytetty termi ’’signaaliarvo” on kiinteä lähettimen mitattavissa oleva ja sijainnista riippuva suure. Signaalinvoimakkuus ja bittivirhetaajuus/-suhde ovat esimerkkejä mitattavissa olevista ja sijainnista riippuvista suureista. Esimerkki paikannustekniikasta, joka perustuu probabilistiseen malliin laitteen radioympä-20 ristöstä, esitetään US-patentissa 6112 095 (Mäti Wax et ai). t>;;· Keksinnön perustana oleva ongelma liittyy siihen, että tällainen pro- ·:♦ babilistinen malli toimii parhaiten ollessaan tiheä. Tämä tarkoittaa, että näyte- pisteiden välisen etäisyyden ei tulisi olla liian suuri. Näytepiste on probabilisti-sen mallin piste. Ihannetapauksessa näytepisteiden välinen etäisyys on sama .·, : 25 kuin probabilistisen mallin haluttu resoluutio, mikä tarkoittaa että kohdelaitteen ! havaintoja parhaiten vastaavan näytepisteen katsotaan olevan kohdelaitteen ’ * sijainti. Ongelmana on, että on aikaa vievää ja kallista määrittää suuri määrä näytepisteitä fyysisellä kalibroinnilla. Tämä prosessi on vaikea suorittaa auto-; j maattisesti. Sen vuoksi jotkut näytepisteet tulisi määrittää johtamalla ne tunne- 30 tuista kalibroiduista sijainneista, esimerkiksi interpoloimalla. Mutta yllättävää : i kyllä, tällainen interpolointi ei suinkaan ole triviaalia.

Kuvio 2 esittää signaaliarvojen interpolointiin liittyvää ongelmaa. t Riippumaton muuttuja x edustaa mitattavaa signaaliarvoa, kuten signaalinvoi- • makkuutta. Riippuva muuttuja P(x) on tämän signaaliarvon todennäköisyys.

: 35 Kuvio 2 esittää kahden sijainnin Qi ja Q2 todennäköisyysjakaumat, vastaavasti 21 ja 22. Kuvion 2 pitämiseksi yksinkertaisena, todennäköisyysjakaumien 21 ja 113410 2 22 oletetaan olevan ei-päällekkäisiä. Sijainnin signaaliarvot ovat keskittyneet arvon Xi ympärille ja Sijainnin Q2 signaaliarvot ovat keskittyneet arvon X2 ympärille.

Oletetaan, että haluamme ennustaa signaaliarvoja sijaintien Qi ja 5 Q2 välisessä näytepisteessä. Voimme esimerkiksi haluta lisätä probabilistiseen malliin näytepisteen, joka on kahden sellaisen sijainnin välissä, joista on käytettävissä todellisia mittauksia tai simulointituloksia. Intuitiivinen tapa luoda tällaisia uusia näytepisteitä on yhdistää sijaintien Q-ι ja Q2 todennäköisyysjakaumat 21 ja 22. Lihavalla katkoviivalla esitetty käyrä 23 edustaa tällaista yh-10 distettyä Qa normalisoitua) todennäköisyysjakaumaa. Mutta tällainen yhdistetty todennäköisyysjakauma 23 ei ennusta kahden sijainnin välissä olevia signaaliarvoja, ei ainakaan kovin hyvin. Tämä johtuu siitä, että yhdistetyn todennäköisyysjakauman 23 todennäköisyysarvot ovat nollasta poikkeavia vain signaaliarvoille, joilla on nollasta poikkeavia todennäköisyyksiä jommassa kummassa 15 alkuperäisessä todennäköisyysjakaumassa 21 tai 22. Näin ollen intuitiivinen tapa yhdistää todennäköisyysjakaumat 21 ja 22 tuottaa tuloksen joka on hyvin epäintuitiivinen ja ilmeisen väärä. Kuviossa 2 signaaliarvo on kvantisoitu diskreeteiksi arvoiksi, mutta tulos on sama, mikäli x käsitellään jatkuvana muuttujana.

20 Ongelma on siis, kuinka luoda näytepiste perustuen kahden tai useamman tunnetun sijainnin interpolointiin. Tämä ongelma voidaan yleistää seuraavasti: kuinka luoda probabilistinen malli, joka mallintaa kohdelaitteen langatonta ympäristöä kohdelaitteen paikantamiseksi, niin että probabilistinen malli voidaan muodostaa vaihtelevan informaation perusteella. Malli voi perus-• 25 tua kalibrointimittauksiin, simulaatioihin tai teoreettisiin laskelmiin tai mihin ta- : hansa niiden yhdistelmiin. Mallin tulisi olla riittävän yleispätevä hyödyntääk seen parhaalla mahdollisella tavalla mitä tahansa käytettävissä olevaa informaatiota.

Keksinnön lyhyt selostus .: 30 Keksinnön tavoitteena on kehittää menetelmä ja menetelmän toteut- tava laitteisto siten, että yllä mainitut ongelmat saadaan ratkaistua. Toisin sa-. noen keksinnön tavoitteena tuottaa probabilistinen malli paikannustekniikkaa varten siten, että probabilistinen malli voi hyväksyä ja yhdistää informaatiota : erilaisista lähteistä. Tällainen informaatio voi olla kalibrointimittauksia, simulaa- , : 35 tioita tai teoreettisia laskelmia tai mitä tahansa niiden yhdistelmiä. Kalibrointi- mittaukset on voitu tehdä eri aikoina, ja keksinnön mukaisen probabilistisen 113410 3 mallin tulisi kyetä yhdistämään tällainen informaatio järkevällä tavalla eikä vain korvata vanhoja mittauksia uusilla. Keksinnön tavoite saavutetaan menetelmällä ja järjestelmällä, joille on tunnusomaista se, mitä sanotaan itsenäisissä patenttivaatimuksissa. Keksinnön edulliset suoritusmuodot ovat epäitsenäisten 5 patenttivaatimusten kohteena.

Keksintö perustuu siihen ajatukseen, että muodostetaan probabilistinen malli yksinkertaisempien alimallien tai kalibrointimittausten perusteella siten, että probabilistinen malli osoittaa todennäköisyysjakauman signaaliarvoille useassa sijainnissa langattomassa ympäristössä. Keksinnön erään edul-10 lisen suoritusmuodon mukaisesti yhdistäminen tapahtuu yhdistämällä odotettujen signaaliarvojen kertymäfunktioiden käänteisfunktiot (inverse cumulative distribution functions). Todennäköisyysteoriaa tuntevat henkilöt ymmärtävät, että voidaan käyttää useita matemaattisesti ekvivalentteja tekniikoita, kuten että yhdistetään kertymäfunktiot (eikä kertymäfunktioiden käänteisfunktiot) ja 15 vaihdetaan x- ja y-akselit. Keksinnön etuna on, että yhdistämällä kertymäfunktioiden käänteisfunktiot saadaan probabilistinen malli, joka ennustaa signaaliarvoja paljon paremmin kuin malli, joka perustuu itse signaaliarvojen tai niiden todennäköisyysjakaumien yhdistämiseen. Keksintöä voidaan käyttää esimerkiksi lisäämään uusia näytepisteitä probabilistiseen malliin kahden tai useam-20 man sellaisen sijainnin perusteella, joista on käytettävissä kalibrointimittauksia tai laskenta- tai simulointituloksia. Tällaista uusien näytepisteiden luomista olemassa olevien kalibrointipisteiden perusteella voidaan kutsua interpoloin-niksi tai ekstrapoloinniksi, riippuen siitä, onko lisätty näytepiste olemassa ole-vien kalibrointipisteiden rajaaman viivan tai alueen sisä- vai ulkopuolella. Täl-25 laista interpolointia tai ekstrapolointia sijaintien suhteen voidaan kutsua spati-i aaliseksi interpoloinniksi tai ekstrapoloinniksi. Sen lisäksi keksintöä voidaan .··. käyttää temporaaliseen interpolointiin tai ekstrapolointiin. Toisin sanoen voi daan luoda uusi probabilistinen malli yhdistämällä kaksi tai useampia aikaisempia probabilistisia malleja. Käytännön esimerkki temporaalisesta interpo-30 loinnista tai ekstrapoloinnista on, että päivitetty probabilistinen malli ei perustu ;·' vain viimeisimpiin mittauksiin (tai laskenta- tai simulointituloksiin) vaan viimei- ; ! simmän ja aikaisemman informaation yhdistelmään. Edelleen, keksintöä voi- daan käyttää yhdistämän eri tyyppisiä probabilistisia malleja. Keksinnön mu-' , kaisella tekniikalla luotu probabilistinen malli voi perustua usean tyyppiseen ; 35 informaatioon, mukaanlukien todelliset kalibrointimittaukset ja simulointien tai : teoreettisten laskelmien tulokset ja mitkä tahansa niiden yhdistelmät Interpoloi- 113410 4 tuja tai ekstrapoloituja näytepisteitä voidaan luoda mitattujen tai laskettujen näytepisteiden perusteella. Interpolointi tai ekstrapolointi voi olla spatiaalista ja/tai temporaalista.

Keksinnön eräs näkökohta on menetelmä kohdelaitteen sijainnin es-5 timoimiseksi, missä kohdelaite on sovitettu liikkumaan langattomassa ympäristössä ja liikennöimään sen kanssa käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo. Menetelmään kuuluu vaiheet: a) muodostetaan langattomasta ympäristöstä useita alimalleja, joista kukin osoittaa signaaliarvojen todennäköisyysjakauman yhdessä tai 10 useammassa sijainnissa langattomassa ympäristössä; b) yhdistetään alimallit langattoman ympäristön probabilistiseksi malliksi, joka osoittaa signaaliarvojen todennäköisyysjakauman useassa sijainnissa langattomassa ympäristössä; c) tehdään signaaliarvojen havaintojen sekvenssi langattomassa ym- 15 päristössä kohdelaitteen sijainnin kohdalla; ja d) estimoidaan kohdelaitteen sijainti probabilistisen mallin ja havaintojen sekvenssin perusteella

Keksinnön eräs näkökohta on menetelmä, johon kuuluu vaiheet: a) muodostetaan langattoman ympäristön probabilistinen malli (PM), 20 joka osoittaa signaaliarvojen todennäköisyysjakauman (F1 - F3) *· useassa sijainnissa (Q1 - QY) langattomassa ympäristössä; * · » » b) lisätään probabilistiseen malliin (PM) uuden sijainnin (QX; QY) to- , dennäköisyysjakauma, missä lisäysvaihe käsittää olemassa olevien » · , sijaintien (Q1, Q2; QA - QC) todennäköisyysjakaumien yhdistämi- 25 sen; c) tehdään signaaliarvojen (x) havaintojen sekvenssi (OS) langatto- ’ · · * ’ massa ympäristössä kohdelaitteen (T) sijainnin kohdalla; ja d) estimoidaan kohdelaitteen sijainti probabilistisen mallin (PM) ja ha- ..‘Γ vaintojen sekvenssin perusteella.

30 Sijainnin estimointivaihe voidaan suorittaa kohdelaitteessa. Tässä tapauksessa kohdelaitteen täytyy sisältää probabilistinen malli ja toteuttaa si-jainnin estimoivat ohjelmarutiinit. Jos sijainnin estimointivaihe suoritetaan koh-:'· I delaitteessa, etuna on, että kohdelaitteen ei tarvitse lähettää signaaliarvojen •. : havaintoja saadakseen sijaintinsa estimoiduksi.

5 112410

Vaihtoehtoisesti sijainnin estimointivaihe voidaan suorittaa ulkoisessa sijainninestimointilaitteistossa, jolle kohdelaite raportoi havaintojen sek-venssinsä radioverkon kautta. Tämän suoritusmuodon etuna on, että kohde-laitteen ei tarvitse sisältää probabilistista mallia tai sijainninestimointirutiineja.

5 Sen kuitenkin täytyy lähettää havaintonsa ulkoiselle sijainninestimointilaitteis-tolle.

Mitattaviin signaaliarvoihin kuuluu edullisesti signaalinvoimakkuus. Sen sijasta tai lisäksi mitattaviin signaaliarvoihin voi kuulua bittivirhenope-us/suhde tai signaali-kohinasuhde.

10 Keksinnön vielä eräs näkökohta on mallinmuodostusmoduuli muo dostamaan probabilistinen malli langattomasta ympäristöstä, jossa kohdelaite on sovitettu liikkumaan ja liikennöimään käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo. Mallinmuodostusmoduulissa on ohjelma-koodiosia ensimmäisen menetelmän vaiheiden a) ja b) suorittamiseksi.

15 Keksinnön vielä eräs näkökohta on mallinmuodostusmoduuli toisen menetelmän vaiheiden a) ja b) suorittamiseksi.

Kuvioiden lyhyt selostus

Keksintöä selostetaan nyt lähemmin edullisten suoritusmuotojen yhteydessä, viitaten oheisiin piirroksiin, joista: 20 Kuvio 1 esittää paikannustekniikkaa kaavamaisesti; ·:· Kuvio 2 kuvaa keksinnön perustana olevaa ongelmaa;

Kuvio 3 esittää keksinnön periaatetta; * * * * .··. Kuviot 4 ja 5 esittävät vastaavasti interpolointia yhdessä ja kahdesti sa dimensiossa; . . 25 Kuvio 6 esittää probabilistista mallia, joka on tuloksena eri alimainen 5 I · !,.* yhdistämisestä; ···’ Kuvio 7 esittää sijainninestimointimoduulia LEM kohdelaitteen si jainnin estimoimiseksi signaaliarvojen perusteella radiorajapinnassa Rl; ja .iKuviot 8A ja 8B ovat lohkokaavioita, jotka esittävät tyypillisiä kohde-..,: 30 laitteita, joiden sijainti tulee määrittää.

Keksinnön yksityiskohtainen selostus T ’ Kuvio 3 esittää keksinnön periaatetta. Keksintö perustuu ajatukseen

• I

:/·· yhdistää eri sijainneissa odotettujen signaaliarvojen kertymäfunktioiden kään- ' *,; teisfunktiot (inverse cumulative distribution functions) signaaliarvojen tai niiden 35 todennäköisyysjakaumien sijasta. Kuvio 3 on piirretty samaan mittakaavaan 113410 6 kuin kuvio 2, ja x-akselit on kohdistettu. Käyrä 31 edustaa sijainnin Qi kertymä-funktiota. Kullekin nollasta poikkeavalle todennäköisyysarvolle todennäköisyysjakaumassa 21 kertymäfunktiossa 31 on vastaava porras. Vastaavasti käyrä 32 edustaa sijainnin Q2 kertymäfunktiota. Käyrä 33 on sijaintien Q1 ja Q2 välis-5 sä olevan sijainnin Qx (kuten uuden näytepisteen) kertymäfunktio. Tässä esimerkissä uuden näytepisteen Qx oletetaan olevan sijaintien Q1 ja Q2 välisen suoran viivan keskellä, ja kertymäfunktio luodaan seuraavalla algoritmilla: kullekin useasta riippuvasta muuttujan arvosta P(x), riippumaton muuttujan arvo x määritetään painottamalla yhtä suurilla painoilla sijaintien Q1 ja Q2 kertymä-10 funktioita, vastaavasti 31 ja 33.

Käyrä 34 on uuden sijainnin Qx odotettu todennäköisyysjakauma. Käyrä 34 on kohdistettu käyrien 21 ja 22 kanssa, ja intuitiivisesti näyttää, että todennäköisyysjakauma 34 ennustaa signaaliarvoja sijainnin Qx kohdalla paljon paremmin kuin kuviossa 2 esitetty todennäköisyysjakauma 23, koska sig-15 naaliarvot, joiden todennäköisyydet poikkeavat nollasta, ovat jossakin signaaliarvojen Xϊ ja X2 välissä eikä lähellä jompaa kumpaa arvoa.

Kuviossa 3 uuden näytepisteen Qx oletettiin olevan sijaintien Q1 ja Q2 välisen suoran viivan keskellä. Mikäli tämä olettamus ei päde, sijainnin Qx kertymäfunktio 33 voidaan määrittää sijaintien Q1 ja Q2 kertymäfunktioiden 31 20 ja 32 etäisyyspainotuksella, riippuen suhteellista etäisyyksistä Q1 - Qx ja Qx -Q2. Kuviot 4 ja 5 esittävät tällaista etäisyyspä!notusta.

, Kuvio 4 esittää interpolointia yhdessä dimensiossa. Q1, Q2 ja Qx i* ovat kolme sijaintia siten, että di on etäisyys Q1 - Qx ja d2 on etäisyys Qx - Q2.

: Ihannetapauksessa sijaintien Q1 ja Q2 kertymäfunktioiden painot W^ ja W2 va- . : 25 littaisiin niin, että W^i = W2d2. Tätä painotusta esittää vaakasuora palkki 41, . , : jonka päät ovat kohdissa Q1 ja Q2 ja palkki on nivelletty kohdasta Qx (viitenu- .·* meron 42 kohdalla). Palkki on tasapainossa, jos painot W1 ja W2 suhtautuvat käänteisesti etäisyyksiin W1 ja W2. Koska painot ja etäisyydet ovat käänteisessä suhteessa, tätä painotusta voidaan kutsua käänteiseksi etäisyyspainotuk-•;;; 30 seksi.

*·<«* Interpoloinnin lisäksi tasapainotetun palkin analogiaa voidaan käyt- :·· tää myös lineaariseen ekstrapolointiin. Oletetaan ekstrapoloitu sijainti Qx’, jolle tasapainotetun palkin nivelpiste 43 on esitetty katkoviivoin. Palkki 41 voidaan ,· , edelleen tasapainottaa käyttämällä negatiivisia painoja. Ekstrapolointi ei tietys- * » ; 35 tikään ole luotettava pitkillä etäisyyksillä.

» > 113410 7

Kuvio 5 esittää interpolointia kahdessa dimensiossa. Kolmen tunnetun sijainnin QA, Qb ja Qc perusteella haluamme ennustaa signaaliarvoja uudelle sijainnille QY. Ensin määritetään kunkin tunnetun sijainnin QA, Qb ja Qc kertymäfunktiot, kuten kuvion 3 yhteydessä esitettiin. Sitten piirretään kuviteltu 5 kolmio siten, että sen kärjet ovat tunnettujen sijaintien QA, QB ja Qc kohdalla. Kuviteltu kolmio nivelletään uuden sijainnin QY kohdalta. Lopuksi valitaan tunnettujen sijaintien QA, QB ja Qc painot siten, että kolmio on tasapainossa. (Kuvioissa 4 ja 5 palkki 41 ja kolmio 51 oletetaan painottomiksi.)

Yleisesti ottaen painot voidaan määrittää vektoreiden avulla. Olkoon 10 a vektori QY:stä QA:han, b QY:stä QB:hen jac vektori QY:stä Qc:hen. Sijaintien Qa, Qb ja Qc painot wA, wB ja wc voidaan saada ratkaisemalla seuraava yhtälöpari: wAa + wB-b+wc-c = 0 [1] wa+\vb+wc=1 [2] 15 Tässä 2-ulotteisessa esimerkissä ratkaisu löytyy helposti huomaa malla, että ensimmäinen yhtälö pätee vain, jos vektorien x-koordinaattien painotettu summa on nolla, samoin kuin y-koordinaattien painotettu summa. Painot saadaan siis seuraavan yhtälöryhmän ainoana ratkaisuna: WA'ax+WBbx+WC-Cx=0 [3] 20 WA · ay + wB · by + wc · cy = 0 [4] wA+wB+wc=l [5] ...V Menetelmää voidaan yleistää N-ulotteiseen avaruuteen. Olkoon v,, ’ v2.....vN+1 vektoreita ja w-i, w2, ..., wN+i vektorien painoja. Huomattakoon, että *··>* tarvitaan tasan N+1 vektoria, jotta painot olisivat ratkaistavissa. Nyt painot * ‘ : 25 saadaan seuraavan yhtälöparin ainoana ratkaisuna: : N+i _

Xwi vi=0 [6] : : i=i N+l =1 l7l , , i=l 'li t Jos uusi sijainti muodostetaan useamman kuin kolmen tunnetun si- jainnin perusteella, alue voidaan kolmioida. Voidaan käyttää esimerkiksi De- ' : 30 launay:n kolmiointia (Delaunay triangulation) missä tapauksessa kolmioiden kärjet ovat tunnetuissa sijainneissa. Kutakin uutta sijaintia kohti valitaan kol-‘ : mio, joka joko peittää uuden sijainnin (interpolointi) tai on lähinnä sitä (ekstra- > I * l ! polointi).

• ‘ * I i 113410 8

Tekniikka painotettujen kertymäfunktioiden yhdistämiseksi on hyvin yleispätevä. Tekniikkaa voidaan käyttää: 1. interpoloimaan tai ekstrapoloimaan tunnetuista sijainneista (fyysisesti kalibroiduista kalibrointipisteistä tai simuloiduista tai lasketuista sijainneis- 5 ta); 2. yhdistämään eri ikäisiä malleja (sen sijaan, että vanhat tiedot vain korvattaisiin uusilla); 3. yhdistämään eri tyyppisiä malleja, kuten fyysiseen kalibrointiin perustuvia malleja ja simulaatioihin tai teoreettisiin laskelmiin perustuvia malleja.

10 Mallin yleispätevä luonne tuo mieleen mallin uuden tulkinnan. Sen sijaan, että on yksi malli, jossa on useita näytepisteitä, useasta mallista kussakin voi olla vain yksi näytepiste (kalibroitu, simuloitu tai laskettu), ja mallit sitten yhdistetään yhdistämällä niiden painotetut kertymäfunktiot. Tästä lähtien termi probabilistinen malli viittaa yhdistämisen tulokseen, ja malleja, joiden perus-15 teella probabilistinen malli muodostetaan, kutsutaan alimalleiksi. Huomattakoon, että probabilistinen malli voi itsekin toimia alimallina päivitettävälle pro-babilistiselle mallille.

Muodollisesti probabilistinen malli voidaan ilmaista seuraavasti: P(q | o) °c P(o | q) P(q) [ 8 ] 20 missä o merkitsee havaintoa (vektoria) ja q on sijainti. Jos a priori todennäköisyysjakauma P(q) oletetaan tasaiseksi (jolloin saadaan yhtä suuret ·*·; a priori todennäköisyysjakaumat kaikille sijainneille q), niin voimme huomata, ··.: että sijainnin q todennäköisyys on verrannollinen siihen todennäköisyyteen, jonka malli antaa havainnolle o sijainnin q kohdalla. Toisin sanoen voimme 25 saada todennäköisyysjakauman sijaintien q joukolle laskemalla ensin havain-! tomme o todennäköisyys kussakin sijainnissa ja sitten normalisoimalla syntyvät : todennäköisyydet niin, että niiden summa on yksi. Tämä tarkoittaa, että mei dän tulee määrittää vain ehdolliset todennäköisyysjakaumat P(o|q) kunkin sijainnin q kohdalla. Eräs mahdollisuus näiden todennäköisyysjakaumien määrit- · . 30 tämiseksi on olettaa, että yksittäiset signaaliarvohavainnot Oj ovat riippumatto- '1 mia, kun annettuna on sijainti q, missä tapauksessa yksittäiset signaaliarvojen : : todennäköisyydet yhdistetään yksinkertaisesti kertomalla ne seuraavasti: : ' P(o|q) = ΠΡ(θ| Iq) [9] .1 1=1 ! Todellisessa maailmassa signaaliarvo on käytännöllisesti katsoen 35 jatkuva suure ja minkä tahansa annetun signaaliarvon todennäköisyys on infi- 113410 9 nitesimaalinen. Näin ollen tulisi käyttää signaaliarvoalueen [o, - ε, Oj + ε] todennäköisyyttä: P([Oj - ε, Oj + e]|q) = F(Oj + c|q) - F(oj - 8|q) [ 10 ] missä F on kertymäfunktio ja ε on pieni vakio.

5 Kuvio 6 esittää probabilistista mallia, joka on tuloksena tällaisesta alimainen yhdistämisestä. Kuvio 6 esittää kahden tyyppisiä alimalleja. Ensimmäinen tyyppi on kalibrointi-alimalli. Tämä alimalli perustuu fyysisiin kalibroin-timittauksiin. Toinen tyyppi on propagointi-alimalli, ja se perustuu langattoman tietoliikenneympäristön mallintamiseen simulaatioilla tai laskelmilla. Propagoin-10 ti-alimallit vaativat erittäin hyvää tietämystä langattomasta ympäristöstä sekä tukiasemien sijoituksesta ja ominaisuuksista. Propagointi-alimalli voidaan luoda tekniikalla, joka on analoginen säteenseurantaan (ray-tracing) perustuvan visualisoinnin kanssa. Lamput korvataan tukiasemilla, valoon liittyvät ominaisuudet (kuten heijastumien tai taittuminen) korvataan radiosignaaleihin liittyvillä 15 ominaisuuksilla, jne. Propagointi-alimallin muodostaminen on aikaa vievää, mutta kun malli on luotu, se voi tuottaa useita näytepisteitä ilman fyysisiä mittauksia. Toisaalta kalibrointimittaukset eivät vaadi mitään tietoa ympäristöstä tai tukiasemista, ja mittaukset ovat suhteellisen yksinkertaisia, mutta ne on tehtävä pienin välein ja toistettava usein.

20 Koska keksinnön mukainen tekniikka tukee usean erilaisen alimallin yhdistämistä, laskelmia voidaan yksinkertaistaa osoittamalla alimalli kullekin kalibroidulle sijainnille. Viitenumerot 611 - 613 osoittavat kolmea tällaista kalib- ’ rointi-alimallia. Jokainen kalibrointi-alimalli 611 - 613 on itsessään hyvin yksin- . kertainen. Esimerkiksi alimalli 611 sanoo, että jos Fi on paras vastaavuus sig- [ 25 naaliarvon havaitulle todennäköisyysjakaumalle, niin kohdelaite sijaitsee koh- » : dassa Qi. Kukin kalibrointi-alimalli 611 - 613 voidaan muodollisesti ilmaista kaavalla:

Fc(o | q) = Fa(o) [11] missä F on signaaliarvon kertymäfunktio, o on havainto, q on sijainti, 30 ja A on alimallin kattama alue. Alueet A voidaan valita siten, että Q,:hin perus-; tuva alimalli kattaa koko sen alueen, jolle sijainti Qi on lähin kalibroitu sijainti.

: Selväkielellä yhtälö 11 sanoo, että funktio F ei itse asiassa ole sijainnin q funk- • , tio vaan vakio koko alueella A. Viitenumerot 621 - 623 osoittavat kalibrointi- ; alimallien 611 - 613 vanhempia versioita.

113410 10

Viitenumero 631 osittaa propagointi-alimallia. Propagointimalli voidaan muodollisesti ilmaista kaavalla: FP = F(o|q) [12]

Yhtälö 12 tarkoittaa, että funktio FP propagointimallille on sijainnista 5 riippuva, eli sijainnin q funktio. Funktio F(o | q) voi olla diskreetti funktio, mikä tarkoittaa, että funktion arvot lasketaan usealle näytepisteelle, tai se voi olla jatkuva funktio. Jatkuva funktio voidaan muodostaa sovittamalla polynomi, splinikäyrä tai jokin muu sopiva käyrä laskettuihin näytepisteisiin.

Eri mallit 611 - 631 voidaan yhdistää käyttämällä seuraavaa yhtälöä: £lf(o|q)-W,(q) 10 lS,Co|q)=J=>—h- [13] i=l

Yhtälössä 13 N on alimallien määrä, Fr1 on alimallin i funktion F käänteisfunktio ja Wj(q) on sijainnin q kohdalla alimallille i osoitettu paino. Painot siis riippuvat sijainnista, kuten kuvioiden 4 ja 5 yhteydessä selostettiin. Selväkielellä yhtälö 13 sanoo, että probabilistisen mallin käänteisfunktio, nimittäin 15 F",),, voidaan laskea painottamalla ja summaamalla kunkin alimallin i funktion

Fj käänteisfunktiot F;"1. Sitten painotettu summa normalisoidaan jakamalla painojen Wj(q) summalla. Probabilistisen mallin PM funktio FPM lasketaan ottamalla käänteisfunktion Fp^ käänteisarvo. Yhtälön 13 laskenta tulisi toistaa kutakin j* kanavaa kohti. Se tulisi toistaa myös kutakin signaaliarvo tyyppiä kohti, kuten ·*· 20 signaalinvoimakkuutta, bittivirhenopeutta/suhdetta, signaali-kohinasuhdetta : jne.

, .,: Kuviossa 6 näytetty probabilistinen malli PM käsittää funktion F (to- .·. : dennäköisyysjakauman) usealle näytepisteelle, joista näytetään viisi, nimittäin t:. t’ Qi, Q2, Q3, Qx ja Qy. Viitenumerot 641 - 645 osoittavat viittä paria näytepistettä I I _ 25 Qi ja vastaavaa funktiota F; kyseisessä pisteessä. Tässä esimerkissä näytepis-teet Q-i, Q2, ja Q3 ovat kalibroituja sijainteja, toisin sanoen on olemassa vas-·; taava kalibrointi-alimalli 611 - 613. Näytepisteet Qx ja Qy ovat pisteitä, joille

:: todellisia kalibrointimittauksia ei ole käytettävissä, ja vastaavat funktiot Fx ja FY

; \ johdetaan interpoloinnilla/ekstrapoloinnilla kalibrointi-alimalleista 611 - 623 , 30 ja/tai propagointimallista 631.

Yhtälö 13 lasketaan kullekin probabilistisen mallin näytepisteelle » j 641 - 645. Jäljellä on suhteellisten painojen Wj osoittaminen. Koska yhtälö 13 on normalisoitu, painojen absoluuttiset arvot ovat merkityksettömiä; tärkeitä 113410 11 ovat suhteelliset painot. Viitenumero 65 osoittaa yleisesti painoja Wj. Kaavamaisesti on näytetty neljä eri painoa. Paksu nuoli edustaa suurta painoa, ohut nuoli edustaa keskisuurta painoa ja katkoviivanuoli pientä painoa. Puuttuva nuoli edustaa nollapainoa. Painot valitaan jonkin luottamustason (confidence 5 level) perusteella, joka mittaa alimallin kykyä ennustaa funktiota Fj kyseisessä näytepisteessä. Esimerkiksi viitenumero 641 osoittaa funktiota F[ näytepisteel-le Q-|. Tässä esimerkissä, koska näytepisteelle on Q-i kalibrointi-alimalli 611, jonka oletetaan olevan hyvin tuore, alimallin 611 luottamustaso on korkea ja funktio Fj näytepisteelle määritetään vain alimallin 611 perusteella. Viite-10 numero 642 osoittaa funktiota F2 näytepisteelle Q2. Tässä oletetaan, että tuo-reimmalla kalibrointi-alimallilla 612 on suuri paino ja edellisellä kalibrointi-alimallilla 622 on pieni paino. Viitenumero 643 osoittaa funktiota F3 näytepisteelle Q3. Funktioon F3 vaikuttaa voimakkaasti vastaava alimalli 613 ja heikosti edellinen kalibrointi-alimalli 623. Siihen vaikuttaa heikosti myös propagointimal-15 li 631.

Viitenumerot 644 ja 645 osoittavat vastaavasti näytepisteitä Qx ja Qy, joille vastaavia kalibrointimittauksia ei ole käytettävissä. Tässä esimerkissä näytepiste Qx (viitenumero 644) määritetään pelkästään interpoloimalla kolmen kalibrointi-alimallin 611 - 613 perusteella. Näytepisteen Qx oletetaan ole-20 van olennaisesti yhtä kaukana kalibroiduista sijainneista Q1t Q2, ja Q3, ja suhteelliset painot ovat likimain yhtä suuria. Näytepisteen Qy (viitenumero 645) , oletetaan olevan lähellä Q3:a, ja suhteellinen paino on suuri, mutta vastaavaan . · funktioon FY vaikuttaa myös propagointimalli 631 ja kalibrointi-alimalli 612 si jaintia Q2 varten.

j 25 Kuvio 7 esittää esimerkinomaista sijainninestimointimoduulia LEM

, : kohdelaitteen sijainnin estimoimiseksi radiorajapinnassa Rl vallitsevien signaa-

Harvojen perusteella. Kuvio 7 esittää kompaktia sijainninestimointimoduulia LEM (location estimation module), vaikka hajautetummatkin toteutukset ovat yhtä mahdollisia. Eräs keksinnön oleellinen elementti on vastaanottimen lan-30 gattoman ympäristön probabilistinen malli PM, joka malli kykenee ennusta-*’ maan vastaanottimen sijainnin, kun annettuna on useita havaintoja radioraja- • pinnassa. Tässä esimerkissä probabilistinen malli muodostetaan ja sitä ylläpi detään mallinmuodostusmoduulilla MCM (model construction module). Mallin-muodostusmoduuli muodostaa ja ylläpitää probabilistisen mallin perustuen ka-35 librointidataan CD tai yhden tai useamman propagointimallin muodossa ole-: vaan propagointidataan PD, tai mihin tahansa näiden yhdistelmään. Kalibroin- 113410 12 tidata CD on tulosta signaaliarvojen fyysisistä mittauksista tunnetuista sijainneista (tai sijaintien koordinaattien määrittämisestä, mikäli niitä ei muuten tunneta). Valinnaisesti kalibrointidatatietueisiin voi kuulua myös aika, jolloin mittaus tehtiin, siinä tapauksessa että signaaliparametrit muuttuvat ajan mukana.

5 Kalibrointidatan CD sijasta tai lisäksi yhtä tai useampaa propagointimallia PD voidaan käyttää mallintamaan radiorajapintaa Rl. propagointimallit voidaan muodostaa tekniikoilla, jotka ovat analogisia visuaalisen simuloinnin säteen-seurantatekniikoille (ray-tracing). Sijainnit, joista kalibrointimittauksia on kerätty, ovat kalibrointipisteitä. Kalibrointidata CD käsittää datatietueita, joista kukin 10 käsittää kyseisen kalibrointipisteen sijainnin ja siinä mitattujen signaaliarvojen joukon. Sijainti voidaan ilmaista missä tahansa absoluuttisessa tai suhteellisessa koordinaattijärjestelmässä. Erityistapauksissa, kuten junissa, valtateillä, tunneleissa, vesiväylillä tai vastaavissa voi riittää yksi koordinaatti, mutta normaalisti käytetään kahta tai kolmea koordinaattia.

15 On myös sijainninlaskentamoduuli LCM (location calculation modu le) tuottamaan sijainninestimaatti LE kohdelaitteen havaintojoukon OS (observation set) ja probabilistisen mallin PM perusteella. Sijainninlaskentamoduuli voidaan toteuttaa esimerkiksi salkku- tai kämmentietokoneessa suoritettavan ohjelmistona. Teknisesti ’’mittaukset” ja ’’havainnot” voidaan suorittaa samalla 20 tavalla, mutta sekaannuksen välttämiseksi ’’mittausta” käytetään yleisesti kalib-rointimittausten yhteydessä, ja kohdelaitteen nykyisessä sijainnissa mitattuja Γ saatuja signaaliparametreja kutsutaan ’’havainnoiksi”. Kohdelaitteen viimeisintä j* havaintojoukkoa kutsutaan nykyisiksi havainnoiksi.

Kuvio 8A on lohkokaavio, joka esittää tyypillistä kohdelaitetta T, jon- ·: 25 ka sijainti tulee määrittää. Tässä esimerkissä kohdelaite T näytetään kannetta- .vana tietokoneena, joka kommunikoi radioverkon RN kautta. Radioverkko voi .· ! olla esimerkiksi WLAN (wireless local-area network) -verkko. Kuvion 8A esit- ♦ | tämässä suoritusmuodossa sijainninestimointimoduuli, joka käsittää probabilistisen mallin PM, ei ole asennettu kohdelaitteeseen T. Tämän vuoksi kohde-·;;; 30 laitteen T täytyy lähettää havaintojoukkonsa OS sijainninestimointimoduulille yhden tai useamman sellaisen tukiaseman kautta, johon se on kytkeytynyt. :· i Sijainninestimointimoduuli LEM palauttaa kohdelaitteelle tämän sijainninesti- ; ‘ : maatin LE radiorajapinnan Rl kautta.

. Kuvio 8B esittää vaihtoehtoista suoritusmuotoa, jossa kohdelaittee- ; 35 seen liitetty tietokone PC vastaanottaa probabilistisen mallin PM kopion irrotet- tavalla muistilla DM, kuten CD-ROM -levyllä, ja kohdelaite T pystyy määrittä- 113410 13 mään oman sijaintinsa lähettämättä yhtään mitään. Vielä eräänä vaihtoehtona (jota ei ole erikseen näytetty), liitännäinen tietokone PC voi vastaanottaa pro-babilistisen mallin Internet- (tai muun data-) -yhteyden kautta sijainninestimoin-timoduulille LEM. Laajakaistaiset matkaviestimet voivat vastaanottaa probabi-5 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 päivitykset lähetetään radiorajapinnan kautta.

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.

» »

Claims (13)

14 113410

1. Menetelmä kohdelaitteen sijainnin estimoimiseksi, missä kohde-laite on sovitettu liikkumaan langattomassa ympäristössä (RN) ja liikennöimään sen kanssa käyttäen signaaleja, joista kullakin on ainakin yksi mitattava 5 signaaliarvo (x), tunnettu siitä, että: - muodostetaan langattomasta ympäristöstä (RN) useita alimalleja (611 - 631), joista kukin osoittaa signaaliarvojen todennäköisyysjakauman (Fi -F3) yhdessä tai useammassa sijainnissa (Qi - QY) langattomassa ympäristössä; 10. yhdistetään alimallit langattoman ympäristön probabilistiseksi mal liksi (PM), joka osoittaa signaaliarvojen todennäköisyysjakauman useassa sijainnissa langattomassa ympäristössä; - tehdään signaaliarvojen (x) havaintojen sekvenssi (OS) langattomassa ympäristössä kohdelaitteen (T) sijainnin kohdalla; ja 15. estimoidaan kohdelaitteen sijainti probabilistisen mallin (PM) ja ha vaintojen sekvenssin perusteella.

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että yhdistämisvaihe käsittää alimainen painotettujen todennäköisyysjakaumien yhdistämisen. :. 20

3. Patenttivaatimuksen 1 tai 2 mukainen menetelmä, tunnettu ’ siitä, että yhdistämisvaihe käsittää vaiheet: : - muodostetaan kullekin alimallille kertymäfunktio (31, 32) ja paino tetaan se suhteellisella painolla (W^ W2, W,; 65); - muodostetaan painotettujen kertymäfunktioiden yhdistelmä (33); ja . : 25 - muodostetaan todennäköisyysjakauma (34; 641 - 645) probabilis- : tista mallia varten painotettujen kertymäfunktioiden yhdistelmän (33) perusteel la. • i

4. Jonkin patenttivaatimuksen 1 - 3 mukainen menetelmä, tun nettu siitä, että mainittuihin useisiin alimalleihin kuuluu useita kalibrointi- 30 alimalleja (611 - 613) siten, että kukin kalibrointi-alimalli liittyy tasan yhteen kalibroituun sijaintiin (Q1 - Q3).

5 W2, Wjj 65) perustuen lisättävän näytepisteen etäisyyteen kalibroidusta sijain nista siten, että suhteelliset painot ja etäisyydet ovat käänteisessä suhteessa toisiinsa.

5. Patenttivaatimuksen 4 mukainen menetelmä, tunnettu siitä, että: 113410 - lisätään probabilistiseen malliin (PM) näytepisteitä (Qx, QY; 644, 645), joille kalibrointimittauksia ei ole käytettävissä, interpoloimalla tai ekstrapoloimalla kahden tai useamman kalibroidun sijainnin perusteella; ja - osoitetaan kullekin kalibroidulle sijainnille suhteellinen paino (Wi,

6. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että mainittuihin useisiin alimalleihin kuuluu ainakin yksi 10 propagointimalli (631).

7. Menetelmä kohdelaitteen sijainnin estimoimiseksi, missä kohde-laite on sovitettu liikkumaan langattomassa ympäristössä (RN) ja liikennöimään sen kanssa käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo (x), tunnettu siitä, että: 15. muodostetaan langattoman ympäristön probabilistinen malli (PM), joka osoittaa signaaliarvojen todennäköisyysjakauman (F-ι - F3) useassa sijainnissa (Q1 - Qy) langattomassa ympäristössä; - lisätään probabilistiseen malliin (PM) uuden sijainnin (Qx; QY) todennäköisyysjakauma, missä lisäysvaihe käsittää olemassa olevien sijaintien 20 (Qi, Q2; Qa - Qc) todennäköisyysjakaumien yhdistämisen; : · · j - tehdään signaaliarvojen (x) havaintojen sekvenssi (OS) langatto- Γ massa ympäristössä kohdelaitteen (T) sijainnin kohdalla; ja - estimoidaan kohdelaitteen sijainti probabilistisen mallin (PM) ja ha- : vaintojen sekvenssin perusteella.

8. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että sijainnin estimointivaihe suoritetaan kohdelaitteessa (T).

:· 9. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että sijainnin estimointivaihe suoritetaan kiinteässä laitteistossa, jolle kohdelaite raportoi havaintojen sekvenssin radioverkon (RN) kaut- 30 ta.

[ : 10. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, | tunnettu siitä, että ainakin yksi mitattava signaaliarvo (x) käsittää signaa- linvoimakkuuden. 113410

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

12. Mallinmuodostusmoduuli (MCM) probabilistisen mallin (PM) 5 muodostamiseksi langattomasta ympäristöstä (RN), jossa kohdelaite (T) on sovitettu liikkumaan ja liikennöimään käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo (x); tunnettu siitä, että mallinmuodostusmoduuliin kuuluu: - ensimmäinen ohjelmakoodiosa muodostamaan langattomasta ym- 10 päristöstä (RN) useita alimalleja (611 - 631), joista kukin osoittaa signaaliarvojen todennäköisyysjakauman (F^ - F3) yhdessä tai useammassa sijainnissa (Q1 - Qy) langattomassa ympäristössä; sekä - toinen ohjelmakoodiosa yhdistämään alimallit langattoman ympäristön probabilistiseksi malliksi (PM), joka osoittaa signaaliarvojen todennä- 15 köisyysjakauman useassa sijainnissa langattomassa ympäristössä.

13. Mallinmuodostusmoduuli (MCM) probabilistisen mallin (PM) muodostamiseksi langattomasta ympäristöstä (RN), jossa kohdelaite (T) on sovitettu liikkumaan ja liikennöimään käyttäen signaaleja, joista kullakin on ainakin yksi mitattava signaaliarvo (x); 20 tunnettu siitä, että mallinmuodostusmoduuliin kuuluu: » ; - ensimmäinen ohjelmakoodiosa muodostamaan langattoman ym päristön probabilistinen malli (PM), joka osoittaa signaaliarvojen todennäköisyysjakauman (F1 - F3) useassa sijainnissa (Q1 - Qy) langattomassa ympä- t : ristössä; 25. toinen ohjelmakoodiosa lisäämään probabilistiseen malliin (PM) ' uuden sijainnin (Qx; Qy) todennäköisyysjakauma, missä lisäysvaihe käsittää olemassa olevien sijaintien (Q1, Q2; Qa - Qc) todennäköisyysjakaumien yhdis-tämisen. 113410