FI113410B - Probabilistinen malli paikannustekniikkaa varten - Google Patents
Probabilistinen malli paikannustekniikkaa varten Download PDFInfo
- Publication number
- FI113410B FI113410B FI20021044A FI20021044A FI113410B FI 113410 B FI113410 B FI 113410B FI 20021044 A FI20021044 A FI 20021044A FI 20021044 A FI20021044 A FI 20021044A FI 113410 B FI113410 B FI 113410B
- Authority
- FI
- Finland
- Prior art keywords
- wireless environment
- target device
- location
- probabilistic model
- sub
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S3/00—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received
- G01S3/02—Direction-finders for determining the direction from which infrasonic, sonic, ultrasonic, or electromagnetic waves, or particle emission, not having a directional significance, are being received using radio waves
- G01S3/04—Details
- G01S3/06—Means for increasing effective directivity, e.g. by combining signals having differently oriented directivity characteristics or by sharpening the envelope waveform of the signal derived from a rotating or oscillating beam antenna
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
- G01S5/02528—Simulating radio frequency fingerprints
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
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)
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
Priority Applications (10)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20021044A FI113410B (fi) | 2002-05-31 | 2002-05-31 | Probabilistinen malli paikannustekniikkaa varten |
PCT/FI2003/000413 WO2003102622A1 (en) | 2002-05-31 | 2003-05-27 | Probabilistic model for a positioning technique |
CNB038154080A CN100538391C (zh) | 2002-05-31 | 2003-05-27 | 用于定位技术的概率模型 |
AU2003240884A AU2003240884A1 (en) | 2002-05-31 | 2003-05-27 | Probabilistic model for a positioning technique |
ES03730250T ES2701983T3 (es) | 2002-05-31 | 2003-05-27 | Modelo probabilístico para una técnica de posicionamiento |
DK03730250.2T DK1514130T3 (en) | 2002-05-31 | 2003-05-27 | Probabilistic model for a positioning technique |
JP2004509450A JP3955595B2 (ja) | 2002-05-31 | 2003-05-27 | 位置決め技法のための確率モデル |
EP03730250.2A EP1514130B1 (en) | 2002-05-31 | 2003-05-27 | Probabilistic model for a positioning technique |
US10/999,140 US7196662B2 (en) | 2002-05-31 | 2004-11-30 | Probabilistic model for a positioning technique |
US11/653,350 US20070117568A1 (en) | 2002-05-31 | 2007-01-16 | Probabilistic model for a positioning technique |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20021044A FI113410B (fi) | 2002-05-31 | 2002-05-31 | Probabilistinen malli paikannustekniikkaa varten |
FI20021044 | 2002-05-31 |
Publications (3)
Publication Number | Publication Date |
---|---|
FI20021044A0 FI20021044A0 (fi) | 2002-05-31 |
FI20021044A FI20021044A (fi) | 2003-12-01 |
FI113410B true FI113410B (fi) | 2004-04-15 |
Family
ID=8564054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FI20021044A FI113410B (fi) | 2002-05-31 | 2002-05-31 | Probabilistinen malli paikannustekniikkaa varten |
Country Status (9)
Country | Link |
---|---|
US (2) | US7196662B2 (fi) |
EP (1) | EP1514130B1 (fi) |
JP (1) | JP3955595B2 (fi) |
CN (1) | CN100538391C (fi) |
AU (1) | AU2003240884A1 (fi) |
DK (1) | DK1514130T3 (fi) |
ES (1) | ES2701983T3 (fi) |
FI (1) | FI113410B (fi) |
WO (1) | WO2003102622A1 (fi) |
Families Citing this family (88)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9507494B1 (en) | 2006-11-30 | 2016-11-29 | Nexrf, Corp. | Merchant controlled platform system and method |
US9373116B1 (en) | 2001-07-05 | 2016-06-21 | NexRf Corporation | Player tracking using a wireless device for a casino property |
US20020142844A1 (en) | 2001-02-06 | 2002-10-03 | Kerr Michael A. | Biometric broadband gaming system and method |
US9615347B1 (en) | 2006-11-30 | 2017-04-04 | NEXRF Corp. | Location positioning engine system and method |
US8942995B1 (en) | 2001-02-06 | 2015-01-27 | Nexrf, Corp. | Mobile autonomous dynamic graphical user interface |
US9396487B1 (en) | 2006-11-30 | 2016-07-19 | NexRf Corporation | System and method for weighting content items |
US8738024B1 (en) | 2008-03-29 | 2014-05-27 | Nexrf, Corp. | Delivering content within a boundary with beacons |
US10430492B1 (en) | 2006-11-30 | 2019-10-01 | Nexrf, Corp. | System and method for handset positioning with dynamically updated RF fingerprinting |
US9408032B1 (en) | 2006-11-30 | 2016-08-02 | NexRf Corporation | Content delivery system, device and method |
US9773020B2 (en) | 2001-07-05 | 2017-09-26 | NEXRF Corp. | System and method for map based exploration |
US9349128B1 (en) | 2006-11-30 | 2016-05-24 | Nevrf Corporation | Targeted content delivery |
US6990428B1 (en) | 2003-07-28 | 2006-01-24 | Cisco Technology, Inc. | Radiolocation using path loss data |
US7293088B2 (en) * | 2003-07-28 | 2007-11-06 | Cisco Technology, Inc. | Tag location, client location, and coverage hole location in a wireless network |
US7286515B2 (en) * | 2003-07-28 | 2007-10-23 | Cisco Technology, Inc. | Method, apparatus, and software product for detecting rogue access points in a wireless network |
US7545326B2 (en) * | 2003-10-22 | 2009-06-09 | Awarepoint Corporation | Wireless tracking system and method with multipath error mitigation |
US7212122B2 (en) * | 2003-12-30 | 2007-05-01 | G2 Microsystems Pty. Ltd. | Methods and apparatus of meshing and hierarchy establishment for tracking devices |
US7394372B2 (en) * | 2003-12-30 | 2008-07-01 | G2 Microsystems Pty. Ltd. | Method and apparatus for aggregating and communicating tracking information |
US7260408B2 (en) * | 2004-02-20 | 2007-08-21 | Airespace, Inc. | Wireless node location mechanism using antenna pattern diversity to enhance accuracy of location estimates |
US7286833B2 (en) * | 2004-02-27 | 2007-10-23 | Airespace, Inc. | Selective termination of wireless connections to refresh signal information in wireless node location infrastructure |
US7205938B2 (en) * | 2004-03-05 | 2007-04-17 | Airespace, Inc. | Wireless node location mechanism responsive to observed propagation characteristics of wireless network infrastructure signals |
US7116988B2 (en) * | 2004-03-16 | 2006-10-03 | Airespace, Inc. | Location of wireless nodes using signal strength weighting metric |
US7433696B2 (en) * | 2004-05-18 | 2008-10-07 | Cisco Systems, Inc. | Wireless node location mechanism featuring definition of search region to optimize location computation |
US20060122944A1 (en) * | 2004-07-20 | 2006-06-08 | Ryan Philip J | Methods and systems for enabling communication to and from asset tracking devices |
US7315281B2 (en) * | 2004-07-30 | 2008-01-01 | G2 Microsystems Pty. Ltd. | Location determination method and system for asset tracking devices |
US7286835B1 (en) * | 2004-09-10 | 2007-10-23 | Airespace, Inc. | Enhanced wireless node location using differential signal strength metric |
US7313421B2 (en) * | 2004-09-28 | 2007-12-25 | G2 Microsystems Pty. Ltd. | GPS receiver having RF front end power management and simultaneous baseband searching of frequency and code chip offset |
JP2006220487A (ja) * | 2005-02-09 | 2006-08-24 | Toshiba Corp | 位置推定装置、位置推定方法及び位置推定プログラム |
US7370362B2 (en) * | 2005-03-03 | 2008-05-06 | Cisco Technology, Inc. | Method and apparatus for locating rogue access point switch ports in a wireless network |
US7403784B2 (en) * | 2005-03-10 | 2008-07-22 | Avaya Technology Corp. | Method and apparatus for positioning a set of terminals in an indoor wireless environment |
US7653400B2 (en) * | 2005-06-28 | 2010-01-26 | Research In Motion Limited | Probabilistic location prediction for a mobile station |
EP1791064A1 (en) * | 2005-11-29 | 2007-05-30 | Hitachi Ltd. | Computer system for simulating a physical system |
FI118715B (fi) * | 2005-12-07 | 2008-02-15 | Ekahau Oy | Paikannustekniikka |
FI118787B (fi) * | 2005-12-07 | 2008-03-14 | Ekahau Oy | Paikanmääritystekniikoita |
US7904097B2 (en) | 2005-12-07 | 2011-03-08 | Ekahau Oy | Location determination techniques |
US11185604B2 (en) | 2006-03-31 | 2021-11-30 | Deep Science Llc | Methods and systems for monitoring sterilization status |
US8114342B2 (en) * | 2006-03-31 | 2012-02-14 | The Invention Science Fund I, Llc | Methods and systems for monitoring sterilization status |
US8277724B2 (en) * | 2006-03-31 | 2012-10-02 | The Invention Science Fund I, Llc | Sterilization methods and systems |
US8932535B2 (en) | 2006-03-31 | 2015-01-13 | The Invention Science Fund I, Llc | Surveying sterilizer methods and systems |
US20070231192A1 (en) * | 2006-03-31 | 2007-10-04 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Sterilization methods and systems |
US8758679B2 (en) * | 2006-03-31 | 2014-06-24 | The Invention Science Fund I, Llc | Surveying sterilizer methods and systems |
US7761350B1 (en) * | 2006-04-26 | 2010-07-20 | Aol Inc. | Biasing of search result clustering to ensure more effective point of interest (POI) targeting |
US20070254015A1 (en) * | 2006-04-28 | 2007-11-01 | Searete Llc, A Limited Liability Corporation Of The State Of Delaware | Sanitizing surfaces |
US7616555B2 (en) * | 2006-10-03 | 2009-11-10 | Cisco Technology, Inc. | Minimum variance location estimation in wireless networks |
US7835749B1 (en) | 2006-10-03 | 2010-11-16 | Cisco Technology, Inc. | Location inspector in wireless networks |
US7626969B2 (en) * | 2006-10-04 | 2009-12-01 | Cisco Technology, Inc. | Relative location of a wireless node in a wireless network |
US7983667B2 (en) * | 2006-10-05 | 2011-07-19 | Cisco Technology, Inc. | Radio frequency coverage map generation in wireless networks |
WO2008115209A2 (en) * | 2006-10-25 | 2008-09-25 | Massachusetts Institute Of Technology | Cooperative localization for wireless networks |
US9043222B1 (en) | 2006-11-30 | 2015-05-26 | NexRf Corporation | User interface for geofence associated content |
US9501786B1 (en) | 2006-11-30 | 2016-11-22 | Nexrf, Corp. | Interactive display system |
US9406079B1 (en) | 2006-11-30 | 2016-08-02 | NexRf Corporation | Content relevance weighting system |
CN101212808B (zh) * | 2006-12-27 | 2010-09-29 | 财团法人工业技术研究院 | 无线系统中目标装置定位的置信度指标给定方法 |
TWI321928B (en) * | 2006-12-28 | 2010-03-11 | Ind Tech Res Inst | Method for determining the new sample points of the location determination system in a wireless environment |
US7904092B2 (en) * | 2007-01-04 | 2011-03-08 | Cisco Technology, Inc. | Locally adjusted radio frequency coverage maps in wireless networks |
EP2118810B1 (en) * | 2007-02-05 | 2012-08-15 | Andrew Corporation | System and method for optimizing location estimate of mobile unit |
WO2008129488A2 (en) * | 2007-04-24 | 2008-10-30 | Koninklijke Philips Electronics N. V. | System and method for recalculation of probabilities in decision trees |
KR101236910B1 (ko) | 2007-10-09 | 2013-02-25 | 삼성전자주식회사 | 근거리 무선 통신을 통하여 다른 디바이스와 관련된 동작을수행하는 방법 및 그 장치 |
EP2071355B1 (en) | 2007-12-13 | 2015-07-29 | Swisscom AG | System and method for determining a location area of a mobile user |
US11706733B1 (en) | 2008-03-29 | 2023-07-18 | NEXRF Corp. | Location positioning engine system and method |
US11729576B2 (en) | 2008-03-29 | 2023-08-15 | NEXRF Corp. | Targeted content delivery |
WO2009122000A1 (en) * | 2008-04-02 | 2009-10-08 | Ekahau Oy | Positioning of mobile objects based on mutually transmitted signals |
US8213389B2 (en) * | 2008-04-15 | 2012-07-03 | Apple Inc. | Location determination using formula |
DE102008038451A1 (de) * | 2008-04-30 | 2009-11-05 | Siemens Aktiengesellschaft | Verfahren zur rechnergestützten Lokalisation eines mobilen Objekts mit Hilfe eines merkmalbasierten Ortungsverfahrens |
EP2141957A1 (en) * | 2008-07-02 | 2010-01-06 | IBBT vzw | System and method for position estimation |
CN101742545B (zh) * | 2009-12-15 | 2012-11-14 | 中国科学院计算技术研究所 | WiFi环境中的定位方法及其系统 |
US8412649B2 (en) * | 2009-12-29 | 2013-04-02 | Mitsubishi Electric Research Laboratories, Inc. | Method for converting dynamical systems with continuous states into Markov decision processes with discrete states |
US10721705B1 (en) | 2010-06-04 | 2020-07-21 | NEXRF Corp. | Content Relevance Weighting System |
US8412232B2 (en) * | 2010-08-20 | 2013-04-02 | Qualcomm Incorporated | Methods and apparatuses for use in estimating a location of a mobile device within a structure |
EP2492707B1 (en) * | 2011-02-28 | 2016-06-08 | Mitsubishi Electric R&D Centre Europe B.V. | Method for determining a map of an area associated to a base station |
JP5796329B2 (ja) * | 2011-04-11 | 2015-10-21 | セイコーエプソン株式会社 | 位置算出方法及び位置算出装置 |
US20130155102A1 (en) * | 2011-12-20 | 2013-06-20 | Honeywell International Inc. | Systems and methods of accuracy mapping in a location tracking system |
JP2014048697A (ja) * | 2012-08-29 | 2014-03-17 | Hitachi Ltd | 設備状態監視方法及び設備状態監視装置 |
GB201222376D0 (en) * | 2012-12-12 | 2013-01-23 | Al Najjar Ahmad | System and method for determining a postion of a mobile unit |
CN103139907B (zh) * | 2013-02-04 | 2016-02-10 | 北京工业大学 | 一种利用指纹法的室内无线定位方法 |
US10152874B2 (en) | 2013-04-18 | 2018-12-11 | Airista Flow, Inc. | Processing alert signals from positioning devices |
CN103476113B (zh) * | 2013-09-06 | 2016-06-01 | 上海万畅交通科技有限公司 | 基于mnl概率辨识室内定位系统及方法、定位模型建立系统 |
US9674656B2 (en) | 2014-02-20 | 2017-06-06 | Microsoft Technology Licensing, Llc | Wireless-based localization using a zonal framework |
US10503912B1 (en) | 2014-08-12 | 2019-12-10 | NEXRF Corp. | Multi-channel communication of data files |
US9904744B2 (en) | 2014-09-23 | 2018-02-27 | International Business Machines Corporation | Probabilistic simulation scenario design by using multiple conditional and nested probability distribution input functions |
US9734682B2 (en) | 2015-03-02 | 2017-08-15 | Enovate Medical, Llc | Asset management using an asset tag device |
US9788155B1 (en) | 2015-04-22 | 2017-10-10 | Michael A. Kerr | User interface for geofence associated content |
US10219166B2 (en) | 2015-04-30 | 2019-02-26 | Mist Systems, Inc. | Methods and apparatus for generating, transmitting and/or using beacons |
US9743254B2 (en) | 2015-04-30 | 2017-08-22 | Mist Systems, Inc. | Methods and apparatus relating to the use of received signals to determine wireless terminal location and/or refine location determination models |
US9363784B1 (en) | 2015-04-30 | 2016-06-07 | Mist Systems Inc. | Methods and apparatus relating to the use of real and/or virtual beacons |
US9967803B2 (en) | 2015-04-30 | 2018-05-08 | Mist Systems, Inc. | Dynamic virtual beacon methods and apparatus |
US10838582B2 (en) | 2016-06-15 | 2020-11-17 | NEXRF Corp. | Mobile autonomous dynamic graphical user interface |
JP7136437B2 (ja) * | 2018-05-17 | 2022-09-13 | 国立大学法人九州大学 | 端末装置、方法およびプログラム |
CN109490914B (zh) * | 2018-11-30 | 2020-05-29 | 北京摩拜科技有限公司 | 物体定位方法、服务器及系统 |
KR102391139B1 (ko) * | 2020-10-27 | 2022-04-29 | (주)휴빌론 | Nlos 환경에서 거리기반 확률 추정을 이용한 위치 결정 방법 및 장치 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH07253446A (ja) | 1994-03-16 | 1995-10-03 | Mitsubishi Electric Corp | 電界強度分布作成方法及びその装置 |
JP3165391B2 (ja) | 1996-03-22 | 2001-05-14 | 松下電器産業株式会社 | 移動体無線通信システムとその移動局の位置検出方法 |
US6112095A (en) * | 1997-01-08 | 2000-08-29 | Us Wireless Corporation | Signature matching for location determination in wireless communication systems |
US6021330A (en) * | 1997-07-22 | 2000-02-01 | Lucent Technologies Inc. | Mobile location estimation in a wireless system using designated time intervals of suspended communication |
US6393294B1 (en) | 1998-09-22 | 2002-05-21 | Polaris Wireless, Inc. | Location determination using RF fingerprinting |
US6269246B1 (en) * | 1998-09-22 | 2001-07-31 | Ppm, Inc. | Location determination using RF fingerprinting |
US20040198386A1 (en) * | 2002-01-16 | 2004-10-07 | Dupray Dennis J. | Applications for a wireless location gateway |
US6564065B1 (en) * | 1999-04-20 | 2003-05-13 | Lucent Technologies Inc. | Bayesian-update based location prediction method for CDMA systems |
AU4282200A (en) | 1999-05-06 | 2000-11-21 | Cell-Loc Inc. | Wireless location system |
US6263208B1 (en) * | 1999-05-28 | 2001-07-17 | Lucent Technologies Inc. | Geolocation estimation method for CDMA terminals based on pilot strength measurements |
JP3943339B2 (ja) | 2000-02-25 | 2007-07-11 | 株式会社エヌ・ティ・ティ・ドコモ | 移動通信システムにおける移動機の位置推定方法及びシステム |
WO2001086492A1 (en) * | 2000-05-05 | 2001-11-15 | Abm Industries Pty. Ltd. | End user to mobile service provider message exchange system based on proximity |
RU2183021C1 (ru) * | 2000-12-25 | 2002-05-27 | Гармонов Александр Васильевич | Способ определения местоположения мобильного абонента |
US7159176B2 (en) * | 2001-08-29 | 2007-01-02 | Digeo, Inc. | System and method for focused navigation within a user interface |
US20030134648A1 (en) * | 2001-10-04 | 2003-07-17 | Reed Mark Jefferson | Machine for providing a dynamic data base of geographic location information for a plurality of wireless devices and process for making same |
US6891500B2 (en) * | 2002-03-18 | 2005-05-10 | Christopher J. Hall | Method and apparatus for geolocating a wireless communications device |
FI113092B (fi) * | 2002-05-31 | 2004-02-27 | Ekahau Oy | Paikannusepävarmuuden mittauksia ja niiden sovelluksia |
FI113409B (fi) * | 2002-05-31 | 2004-04-15 | Ekahau Oy | Sekvenssiperusteinen paikannustekniikka |
US8270994B2 (en) * | 2002-07-10 | 2012-09-18 | Ekahau, Oy | Applications of signal quality observations |
FI114535B (fi) * | 2002-07-10 | 2004-10-29 | Ekahau Oy | Paikannustekniikka |
US6822583B2 (en) * | 2002-08-12 | 2004-11-23 | Bae Systems Information And Electronic Systems Integration Inc. | Method for passive “360-degree coverage” tactical fighter target tracking incorporating adaptive pilot maneuver cue processing |
US7149531B2 (en) * | 2003-02-13 | 2006-12-12 | Ekahau Oy | Location applications for wireless networks |
-
2002
- 2002-05-31 FI FI20021044A patent/FI113410B/fi not_active IP Right Cessation
-
2003
- 2003-05-27 ES ES03730250T patent/ES2701983T3/es not_active Expired - Lifetime
- 2003-05-27 CN CNB038154080A patent/CN100538391C/zh not_active Expired - Fee Related
- 2003-05-27 DK DK03730250.2T patent/DK1514130T3/en active
- 2003-05-27 AU AU2003240884A patent/AU2003240884A1/en not_active Abandoned
- 2003-05-27 EP EP03730250.2A patent/EP1514130B1/en not_active Expired - Lifetime
- 2003-05-27 WO PCT/FI2003/000413 patent/WO2003102622A1/en active Application Filing
- 2003-05-27 JP JP2004509450A patent/JP3955595B2/ja not_active Expired - Lifetime
-
2004
- 2004-11-30 US US10/999,140 patent/US7196662B2/en not_active Expired - Lifetime
-
2007
- 2007-01-16 US US11/653,350 patent/US20070117568A1/en not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
JP2005528622A (ja) | 2005-09-22 |
CN1666111A (zh) | 2005-09-07 |
US20070117568A1 (en) | 2007-05-24 |
WO2003102622A1 (en) | 2003-12-11 |
US20050128139A1 (en) | 2005-06-16 |
AU2003240884A1 (en) | 2003-12-19 |
FI20021044A (fi) | 2003-12-01 |
DK1514130T3 (en) | 2018-12-03 |
FI20021044A0 (fi) | 2002-05-31 |
ES2701983T3 (es) | 2019-02-26 |
EP1514130B1 (en) | 2018-09-19 |
JP3955595B2 (ja) | 2007-08-08 |
CN100538391C (zh) | 2009-09-09 |
EP1514130A1 (en) | 2005-03-16 |
US7196662B2 (en) | 2007-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
FI113410B (fi) | Probabilistinen malli paikannustekniikkaa varten | |
US8279840B2 (en) | Systems and methods for providing location based services (LBS) utilizing WLAN and/or GPS signals for seamless indoor and outdoor tracking | |
JP5741223B2 (ja) | 情報処理装置、補正方法、及び補正プログラム | |
JP3899356B2 (ja) | 系列にもとづく位置決め技法 | |
Arias et al. | Malguki: an RSSI based ad hoc location algorithm | |
KR100938047B1 (ko) | 시스템 교정 방법, 위치 탐색 시스템 및 컴퓨터 | |
Mehmood et al. | Indoor positioning system using artificial neural network | |
FI114535B (fi) | Paikannustekniikka | |
JP6525325B2 (ja) | デバイスのロケーションを求める方法およびデバイス | |
US20100103048A1 (en) | Method and Apparatus for Determining the Location of a Mobile Object | |
TW201329486A (zh) | 定位方法 | |
KR20090033819A (ko) | 네트워크 측정 리포트를 이용한 이동 수신기의 지리 위치 계산 | |
US20150119076A1 (en) | Self-calibrating mobile indoor location estimations, systems and methods | |
Moghtadaiee et al. | New reconstructed database for cost reduction in indoor fingerprinting localization | |
Sun et al. | Robust RSS-based source localization with unknown model parameters in mixed LOS/NLOS environments | |
WO2016079656A1 (en) | Zero-calibration accurate rf-based localization system for realistic environments | |
WO2006132721A1 (en) | Method and apparatus for determining the location of a node in a wireless system | |
Zaeemzadeh et al. | Robust target localization based on squared range iterative reweighted least squares | |
Tian et al. | Toward a quality-aware online pricing mechanism for crowdsensed wireless fingerprints | |
Farnham | Radio environment map techniques and performance in the presence of errors | |
Veletić et al. | On the Cramer-Rao lower bound for RSS-based positioning in wireless cellular networks | |
JP4727421B2 (ja) | 電磁場評価方法及びシステム | |
Malik et al. | The indoor positioning system using fingerprint method based deep neural network | |
Gholami et al. | Robust distributed positioning algorithms for cooperative networks | |
KR20190042540A (ko) | 인공 신경망을 이용한 자기장 기반 위치 추정 모델 생성 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
MM | Patent lapsed |