FI118787B - Paikanmääritystekniikoita - Google Patents

Description

1 118787

Paikanmääritystekniikoita

Keksinnön tausta

Keksintö liittyy menetelmiin, laitteistoihin ja ohjelmistotuotteisiin kohdeobjektin ominaisuusjoukon määrittämiseksi ympäristössä. Havainnol-5 listavia esimerkkejä kohdeobjektista ovat esimerkiksi henkilö, eläin, ajoneuvo, instrumentti, ostoskärry tai projektikansio. Eräs havainnollistava esimerkki kohdeobjektin ominaisuusjoukosta sisältää sijainnin. Keksinnön eräs havainnollistava mutta ei-rajoittava sovellus käsittää langattoman matkaviestimen paikantamisen langattomassa tietoliikenneympäristössä, kuten 10 langattomassa lähiverkossa tai solukkoverkossa.

US-patentti 6393294 (Luis Perez-Breva et ai.) selostaa esimerkinomaisen tunnetun tekniikan langattoman yksikön paikantamiseksi langattomassa tietoliikennejärjestelmässä. Liikkuvan etäyksikön sijainti määritetään vertaamalla liikkuvan yksikön ottamaa kuvaa radiospektrin ennalta 15 määrätyltä osalta viitetietokantaan, joka sisältää useita eri sijainneista otettuja kuvia. Tämä tekniikka, kuten monet muutkin, perustuu siis liikkuvan laitteen kohdalla tehtyjen signaaliparametrihavaintojen vertaamiseen useassa tunnetussa sijainnissa määritettyjen kalibroitujen tai simuloitujen parametrien tietokantaaTunnetuilla tekniikoilla on ongelmia kohdeobjektin liikkeen 20 mallintamisessa. Monet tunnetut tekniikat mallintavat kohdeobjektin liikettä ; V: usean tilan avulla. Mahdollisten tilojen lukumäärän lisääminen lisää tilasiirtojen ·:· määrää nopeasti, mikä kuluttaa muistia ja aiheuttaa suuren laskenta- ··»» . kuormituksen.

• · · • · · * · • · “Y Keksinnön lyhyt selostus • · · ·*·· ·* 25 Keksinnön tavoitteena on tuottaa menetelmä ja sen toteuttava • · *··'* laitteisto siten, että yllä mainittuja haittoja lievennetään. Keksinnön tavoite saavutetaan menetelmillä, laitteistoilla ja ohjelmistotuotteilla, joilla on · : *·· tunnusomaista se, mitä sanotaan itsenäisissä patenttivaatimuksissa. Epä- itsenäiset patenttivaatimukset esittävät keksinnön edullisia suoritusmuotoja.

30 Keksintö perustuu siihen ajatukseen, että kohdeobjektin sijainti • · paikannusympäristössä määritetään syklisesti usean partikkelin avulla, joista kukin liittyy attribuuttijoukkoon, siten että kohdeobjektille osoitettujen partikkelien attribuutit kollektiivisesti mallintavat kohdeobjektin ominaisuuksia. "**: Partikkelit kehittyvät prosessissa, joka on jossakin määrin analoginen 35 luonnonvalinnan kanssa. Partikkelit, joiden attribuutit mallintavat kohdeobjektin 2 118787 ominaisuuksia suurella uskottavuudella, saavat suurella todennäköisyydellä jälkeläisiä seuraavassa päivityssyklissä ja päinvastoin. Sijainninmääritys-sovelluksessa partikkeliin voi assosioitua suuri uskottavuus, jos se selittää kohdeobjektin sijainnista tehtyjä havaintoja hyvin. Jos partikkeli selittää 5 havaintoja hyvin, sen attribuutit, jotka ovat karkeasti analogisia luonnon geenien kanssa, säilyvät todennäköisesti hengissä seuraaviin sykleihin.

Jälkeläispartikkelien ominaisuudet, kuten sijainti ja/tai nopeus, johdetaan vanhempiensa ominaisuuksista käyttämällä jotain sopivaa algoritmia. Algoritmi voi esimerkiksi muuttaa partikkelivanhemmilta perittyjä ominaisuuksia 10 satunnaisesti.

Keksinnön eräs näkökohta on menetelmä kohdeobjektin ominai-suusjoukon estimoimiseksi ympäristössä, joka ominaisuusjoukko käsittää sijainnin; jossa menetelmässä: - mallinnetaan ympäristöä topologiamallilla ja datamallilla, missä topologia-15 malli osoittaa sallittuja sijainteja ja siirtymiä ympäristössä ja datamalli osoittaa ainakin yhden sijainnista riippuvan fyysisen suureen kullekin useasta topologiamallin osoittamasta sijainnista; - mallinnetaan kohdeobjektin sijainninmuutosominaisuuksia yhdellä tai useammalla liikemallilla, joista kukin mallintaa spesifistä kohdeobjektin 20 tyyppiä ja noudattaa topologiamallin osoittamia sallittuja sijainteja ja siir- : - osoitetaan kohdeobjaktille yksi tai useampia samoin sijoitettuja anturi- laitteita, joista kukin pystyy tekemään havaintoja yhdestä tai useammasta sijainnista riippuvasta fyysisestä suureesta; 25 - osoitetaan kohdeobjektille joukko partikkeleja, joista kullakin on joukko attri-:buUtteja, joka attribuuttijoukko käsittää ainakin sijainnin suhteessa • M · topologiamalliin; - estimoidaan kohdeobjektin ominaisuusjoukkoa kohdeobjektille osoitettujen :·. partikkelien attribuuttijoukon avulla; ja • ·· 30 - päivitetään partikkelien joukko useassa päivityssyklissä, joista kukin *:** käsittää seuraavat vaiheet a)...c): a) määritetään kullekin partikkelille uskomusaste, jolla se tarkasti estimoi ·:*: kohdeobjektin ominaisuusjoukkoa, käyttämällä datamallia ja havaintoja . *·. ainakin yhdestä kohdeobjektiin assosioidusta anturilaitteesta; • · · 35 b) määritetään paino kullekin partikkelille perustuen ainakin määritettyyn uskomusasteeseen; ja 3 118787 c) kehitetään uusien partikkelien joukko päivityssykliä n+1 varten, missä: - ainakin jotkut uudet partikkelit perustuvat yhteen tai useampaan vanhempaan partikkeliin päivityssyklin n kohdalla, missä - päivityssyklissä n olevan partikkelin todennäköisyys tulla valituksi 5 vanhemmaksi partikkeliksi päivityssyklissä n+1 olevalle partikkelille on partikkelin painon ei-laskeva funktio; ja - attribuuttijoukko päivityssyklissä n+1 olevalle partikkelille johdetaan päivityssyklissä n olevan yhden tai useamman vanhemman partikkelin attribuuttijoukosta käyttämällä ainakin yhtä mainituista 10 yhdestä tai useammasta liikemallista ja ennalta määrättyä algoritmia.

Keksinnön muihin näkökohtiin kuuluu ominaisuuksien estimointi-laitteisto yllä mainitun menetelmän toteuttamiseksi ja tietokoneen ohjelmistotuote, joka aiheuttaa yllä mainitun menetelmän suorittamisen kun ohjelmistotuote suoritetaan dataprosessorissa.

15 Keksinnön etuna on hyvä häiriöiden sieto, joka johtuu ainakin osaksi siitä, että useat partikkelit selviävät kohdeobjektin odottamattomista liikkeistä paremmin kuin useat tunnetut tekniikat, jotka yrittävät sovittaa kohdeobjektiin vain yhtä liikemallia.

Keksintö perustuu siihen ajatukseen, että tunnetut tekniikat 20 kohdeobjektin sijainnin estimoimiseksi ovat deterministisiä, ja tällaiset :*:*: deterministiset lähestymistavat joutuvat vakaviin ongelmiin odottamattomissa tai epätodennäköisissä tilanteissa. Keksinnön mukainen tekniikka perustuu . .·. usean partikkelin käyttöön, jotka kollektiivisesti estimoivat kohdeobjektin :**·. ominaisuuksia, kuten sijaintia. Kun kohdeobjekti tekee epätodennäköisen * · · !’V 25 liikkeen tai käännöksen, deterministiset tekniikat menevät yleensä sekaisin.

Sen sijaan keksinnön mukaiset partikkelit kehittyvät tavalla, joka pitkälti vastaa • · ***** luonnollista evoluutiota. Kohdeobjektin ominaisuuksia parhaiten mallintavilla partikkeleilla on yleensä suurin todennäköisyys saada jälkeläisiä seuraavassa : *** syklissä, jolloin huonosti sopivat partikkelit yleensä kuolevat pois. Jopa erittäin ··· 30 epätodennäköisissä tilanteissa, jolla useimmat partikkelit häviävät, pieni määrä partikkeleita säilyy hengissä seuraaviin sykleihin.

Keksinnön eräässä tyypillisessä toteutuksessa kohdeobjektin • · . ominaisuusjoukko käsittää kohdeobjektin sijainnin tai sijaintiin liittyvän » :.:*.: ominaisuuden. Esimerkkeihin sijaintiin liittyvistä ominaisuuksista kuuluu ***" 35 sijainnin aikajohdannaiset, kuten nopeus ja kiihtyvyys. Tyypillisessä toteutuk sessa kohdeobjektin sijainti tai sijaintiin liittyvä ominaisuus määritetään ainakin 4 118787 tilapäisesti. Kohdeobjektin sijainnin tilapäinen määrittäminen tarkoittaa esimerkiksi sitä, että kohdeobjektin sijainti määritetään, mutta sitä käytetään vain tilapäisenä suureena määrittämään yksi tai useampia muita sijainnista riippuvia suureita, minkä jälkeen sijainti voidaan hylätä tai piilottaa ulkoisilta 5 olioilta. Jotta seuraava keksinnön selostus olisi helpompi ymmärtää, selostus perustuu oletukseen, että keksintöä käytetään määrittämään ainakin kohdeobjektin sijainti. Tulee kuitenkin huomata, että voidaan tuottaa hyödyllisiä sijainnista riippuvia palveluja ilman, että kohdeobjektin sijaintia missään koordinaatistossa paljastetaan tai edes määritetään sisäisesti. Toisin sanoen 10 sijaintiin ei välttämättä liity mitään metriikkaa ja mikä tahansa tai jotkut sijainnit voidaan ilmaista abstraktein termein, kuten mielivaltaisena solmutunnisteena topologiamallissa tai jonkun nimeämiskonvention avulla, kuten "huone 123".

Yllä olevassa keksinnön määrittelyssä anturilaite tarkoittaa laitetta, joka pystyy tekemään havaintoja yhdestä tai useammasta sijainnista riippu-15 vasta fyysisestä suureesta ympäristössä. Ei-kattavaan listaan soveltuvista fyysisistä suureista kuuluu: - radiometriset signaalin laatuarvot, kuten signaalinvoimakkuus, signaali-kohinasuhde, bittivirhetaajuus/-suhde, ajoitusennakko tai vastaavat; mikäli tällaisia signaalin laatuarvoja käytetään, ne määritetään edullisesti erikseen 20 kullekin useasta taajuuskaistasta, solusta, tukiasemasta tai vastaavasta; - ilmakehän fyysiset suureet, kuten ilmanpaine, lämpötila, kosteus ja vastaa- • * · , ·.* · vat; - akustiset suureet, kuten melutaso, jotka määritetään edullisesti erikseen •'.I,*: kullekin useasta taajuuskaistasta; j'!*: 25 - optiset suureet, kuten valon voimakkuus, väri, spektri ja vastaavat; • :’· - tunnistetut muodot liikkumattomissa tai liikkuvissa kuvissa tai tunnistetut .*··. äänet.

·

Kohdeobjekti viittaa olioon, jonka ominaisuusjoukko tulee määrittää.

;·. Keksinnön eräässä tyypillisessä suoritusmuodossa kohdeobjektin tai sen \.Γ 30 fyysisten ominaisuuksien toteuttaminen ei vaadi mitään erityisiä toimenpiteitä.

*·;** Kohdeobjekti voi olla ihminen, eläin, laitteisto, kulkuneuvo, ostoskärry, "**: projektikansio tai vastaava. Ominaisuusjoukko voi käsittää sijainnin ja/tai ·:··: sijaintiin liittyvän fyysisen ominaisuuden, kuten nopeuden tai kiihtyvyyden ( Lisäksi ominaisuusjoukko voi käsittää muita ominaisuuksia, jotka voidaan **\ 35 määrittää riippumatta sijainnista tai siihen liittyvästä ominaisuudesta. Tämä ····· tarkoittaa esimerkiksi, että ensimmäistä joukkoa sijainnista riippuvia fyysisiä 5 118787 suureita käytetään määrittämään kohdeobjektin sijaintia tai sijaintiin liittyvää ominaisuutta, ja toinen suurejoukko, joka määritetään riippumatta ensimmäistä suurejoukosta, kuvataan kohdeobjektin sijaintiin.

Tämän keksinnön puitteissa termejä "suure” (quantity), "ominaisuus” 5 (property) ja "attribuutti” (attribute) on tarkoitus käyttää seuraavasti. "Suure”, kuten yhteydessä sijaintiriippuva fyysinen suure, viittaa yhden tai useamman anturilaitteen havaitsemaan fyysiseen arvoon. "Ominaisuus”, kohdeobjektin ominaisuusjoukon yhteydessä, viittaa arvoon, joka on todellinen määritettävä tietoelementti. "Attribuutti” on kohdeobjektin ominaisuusjoukon estimointiin käy-10 tettävän kunkin partikkelin arvo. Eräässä havainnollistavassa mutta ei-rajoittavassa esimerkissä kohdeobjekti voi olla lääkäri, joka kuljettaa langatonta tietoliikennepäätelaitetta. Lääkärin sijainti ja nopeus ovat esimerkkejä kohdeobjektin ominaisuuksista. Signaaliarvot, kuten signaalinvoimakkuus ja bittivirhesuhde, ovat esimerkkejä anturilaitteen (päätelaitteen radiotaajuusyksikön) 15 havaitsemista sijaintiriippuvista fyysisistä suureista. Kohdeobjektin ominaisuus-joukkoa estimoidaan joukolla partikkeleita, joista kullakin on ainakin sijaintiatt-ribuutti ja nopeusattribuutti.

Kohdeobjektin sijainnin määritys perustuu oletukseen, että kohdeobjekti on lähellä yhtä tai useampaa anturilaitetta tai samoin sijoitettuna sen 20 kanssa. Joissakin toteutuksissa kohdeobjekti ja yksi tai useampi anturilaite voivat olla koteloituna samaan fyysiseen koteloon. Esimerkiksi paikannettava v : kohdeobjekti voi olla tietoliikennepääte, missä tapauksessa anturilaite voi olla sijaintiriippuvia suureita, kuten signaalinvoimakkuutta, signaali-kohinasuhdetta, bittivirhetaajuutta/-suhdetta, ajoitusennakkoa tai vastaavaa mittaava piiriosuus.

: 25 Joissakin toteutuksissa paikannettavaan kohdeobjektiin voidaan as- • :*: sosioida useita anturilaitteita. Esimerkiksi sairaalan potilaaseen tai hyvin ar- ♦ ·· · .·*·. vokkaaseen instrumenttiin voidaan liittää useita anturilaitteita paikannus- tarkkuuden, -varmuuden ja/tai -luotettavuuden lisäämiseksi.

:·, Eräässä toteutuksessa liikemalli on funktio, algoritmi tai muun tyyp- \.Γ 30 pinen toiminnallinen tietorakenne, jota käytetään kehittämään jälkeläis- partikkeleille joukko ehdokassijainteja ja liikeattribuutteja, kun annettuna on "**: vanhempien partikkelien sijainti ja liikeattribuutit sekä tietyn tyyppisen kohde- ·:·*: objektin liikkumisominaisuudet. Partikkelien siirtymät eri sukupolvien välillä . \m riippuvat edullisesti sukupolvien välisestä ajasta.

35 Myös toteutuksissa, joissa kuhunkin kohdeobjektiin assosioidaan vain yksi anturilaite, on edullista käsitellä kohdeobjektia ja anturilaitetta 6 118787 kahtena erillisenä käsitteenä. Näin siksi, että keksinnön monissa sovelluksissa varsinaisesti tärkeä tietoelementti ei ole kohdeobjektin sijainti vaan kohde-objektia kuljettavan henkilön, eläimen tai kulkuneuvon sijainti. Kohdeobjekti, kuten langaton tietoliikennepääte, voi olla vuorotellen eri henkilöiden tai 5 kulkuneuvojen kuljettamana. On siksi edullista ylläpitää useita erilaisia liikemalleja usean erilaisen kohdeobjektin liikkeiden mallintamiseksi. Esimerkiksi sairaalaympäristössä voi olla liikemalleja terveille ihmisille, pyörätuoli-potilaille (tai pyörätuoleille), kuljetussängyille, polkupyörille, potkulaudoille, jne. Eräs sopivasti valitun liikemallin etu nähdään tilanteissa, joissa anturilaitteen 10 havaintoja el voida prosessoida yhden tai useamman syklin osalta. Esimerkiksi anturilaite voi olla tilapäisesti kykenemätön mittaamaan pätevää signaalia, tai paikanmäärityslaitteisto, kuten palvelin, voi olla liian kuormitettu prosessoi-dakseen kaikkia havaintoja. Tällaisissa tilanteissa partikkelien liike jatkuu soveltuvan/soveltuvien liikemalli(e)n perusteella, riippumatta puuttuvista 15 havainnoista, kunnes havaintoja voidaan taas prosessoida ja uusi partikkeli-joukko kehittää. Liikemallin parametrit riippuvat siis kohdeobjektiin assosioidun henkilön tai ajoneuvon parametreista.

Datamalli ympäristön mallintamiseksi voidaan toteuttaa data-rakenteena tai fyysisenä rakenteena, joka osoittaa ainakin yhden sijainti-20 riippuvan fyysisen suureen kullekin useasta sijainnista ympäristössä. Eräässä toteutuksessa datamaili käsittää tai pystyy muuten osoittamaan useita näyte- ·*» v : pisteitä ja ainakin yhden sijaintiriippuvan fyysisen suureen kutakin näytepistettä kohti. Signaalin laatuarvot, kuten signaalinvoimakkuus tai signaali-kohinasuhde ovat ei-rajoittavia esimerkkejä sopivista sijaintiriippuvista suureista. Sanonta : 25 "pystyy muuten osoittamaan” tarkoittaa, että datamallin ei tarvitse tallentaa si- •jaintiriippuvien fyysisten suureiden todellisia arvoja, kunhan suureet voidaan ··· · .···. johtaa mistä tahansa datamallin tallentamista arvoista.

Mitä fyysiseen toteutukseen tulee, datamalli voi olla datarakenne tai ... datarakenteiden joukko, joka on tallennettu dataprosessorin, kuten mikro- • ·« 30 prosessorin muistiin. Jos yhden dataprosessorin tulee määrittää lukuisien koh-deobjektien ominaisuudet, dataprosessorin tulisi olla suuritehoinen mikropro-*"*: sessori tai prosessorimatriisi. Eräässä enemmän laitteisto-orientoituneessa ·:**: toteutuksessa datamalli voi käsittää tallennuselementin, kuten pienihäviöisen , \e kondensaattorin, kutakin sijaintiriippuvaa suuretta ja kutakin näytepistettä kohti, 35 siten että kondensaattorin varas vastaa fyysistä suuretta vastaavassa näyte-pisteessä.

7 118787

Anturilaitteet voidaan puolestaan assosioida useaan laitemalliin, niin että kukin erilainen laitemalli käsittää erilaisia korjausparametreja anturi-laitteiden havaintojen koijaamiseksi. Eräässä toteutuksessa kukin erilainen laitemalli voi olla erilainen kalibrointikäyrä. Keksinnön mukaisen tekniikan erää-5 seen suoritusmuotoon kuuluu usean laitemallin ylläpitäminen, joista kukin pystyy korjaamaan yhden tai useamman anturilaitteen havaintoja, spesifisen laitemallin valitseminen ainakin yhdelle yhteissijoitetulle anturilaitteelle ja mainitun ainakin yhden yhteissijoitetun anturilaitteen havaintojen korjaaminen valitun laitemallin avulla.

10 Silloinkin kun kohdeobjekti (tai siihen liitetty anturilaite) pystyy teke mään lähes täydellisiä mittauksia laboratorio-oloissa, sijainti tai orientaatio suhteessa läheisiin esineisiin tai korkeus voivat vaikuttaa sen näennäiseen mitta-uskykyyn. Esimerkiksi mielenkiinnon kohteena oleva kohdeobjekti voi olla sairaalapotilas, joka kantaa anturilaitteena toimivaa tunnistemerkkiä. Jos potilas 15 esimerkiksi kaatuu lattialle, anturilaitteen orientaatio ja korkeus muuttuvat. Vaihtoehtoisesti halkeama anturilaitteen antennissa voi vaikuttaa sen herkkyyteen. Tällaiset tilanteet voidaan havaita huomaamalla, että anturilaitteen havainnot ovat parhaiten selitettävissä käyttämällä laitemallia, joka soveltaa sopivaa, kokeellisesti johdettua korjausta. Niinpä yksi tai useampia laitemalleja 20 voidaan assosioida spesifisiin tilanteisiin, kuten murtuneeseen antenniin, potilaan makaamiseen lattialla, anturilaitteen joutumiseen esineiden katveeseen v : tms. Joissakin tilanteissa kohdeobjektille valitaan laitemalli adaptiivisesti, missä adaptiivinen valinta käsittää ainakin yhden spesifisen laitemallin valitsemisen kullekin partikkelille ja sen, että partikkelin attribuuttijoukkoon sisällytetään viit-25 taus kuhunkin partikkelille valittuun laitemalliin; ja kunkin partikkelin viittaaman : ;'· laitemallin soveltamisen korjaamaan havaintoja ainakin yhdeltä anturilaitteeita ··· · .*··. ennen uskomus uskomusasteen määritysvaihetta kyseiselle partikkelille.

Ei ole välttämätöntä olla etukäteistietoa siitä, mikä liikemalli :·, parhaiten mallintaa kohdeobjektia tai mikä laitemalli parhaiten mallintaa *... 30 anturilaitetta. Tämän sijasta kullekin liikemallille ja/tai laitemallille voidaan *"*’ osoittaa partikkelien osajoukko, ja sopivimmat liikemalllt ja laitemallit saavat *"*: yleensä enemmän jälkeläisiä kuin huonosti sopivat mallit, ja ne yleensä *:*·: säilyvät hengissä ajan kuluessa. Eräässä toteutuksessa kohdeobjektille , )·, valitaan liikemalli adaptiivisesti adaptiivinen valinta käsittää spesifisen t“\ 35 liikemallin valitsemisen kullekin partikkelille niin, että partikkelin attribuutti joukko sisältää viittauksen partikkelille valittuun liikemalliin; ja vaihe, jossa 8 118787 uuden partikkelin attribuuttijoukko johdetaan yhden tai useamman vanhemman partikkelin attribuuttijoukosta, käsittää vanhempien partikkelien viittaamien liikemallien käyttämisen.

Partikkelien evoluutiossa, siis uuden partikkelijoukon kehittämisessä 5 sykliä n+1 varten perustuen vanhempiin partikkeleihin syklissä n, vanhempien määrä yhtä jälkeläispartikkelia kohti voi olla yksi tai enemmän. Jos jälkeläispar-tikkelilla on yksi vanhempi partikkeli, niin jälkeläispartikkeli perii tämän yhden vanhemman partikkelin attribuutit, vaikka attribuutteja voidaan muuntaa, ja niitä yleensä muunnetaan sukupolvien välillä algoritmilla, joka voi lisätä perittyihin 10 attribuutteihin satunnaisia vaihteluita. Esimerkiksi partikkeli, jonka nopeusattri-buutti on 65, voi saada joukon jälkeläisiä, joiden nopeusattribuutit vaihtelevat välillä 55 - 75. Toisaalta kaksi partikkelia, joilla on erilaiset attribuutit, voidaan molemmat valita yhteisiksi vanhemmiksi joukolle jälkeläispartikkeleita siten, että molemmat vanhemmat vaikuttavat jälkeläistensä attribuutteihin. Esimer-15 kiksi kaksi partikkelia, joiden nopeusattribuutit ovat 30 ja 70, voidaan molemmat valita yhteisiksi vanhemmiksi joukolle jälkeläispartikkeleita. Jos ensimmäisen partikkelin (nopeus = 30) paino on kolme kertaa toisen partikkelin (nopeus = 70) paino, niin nopeus 40 on hyvä lähtökohta jälkeläisten nopeudelle. Tähän lähtökohtaan voidaan kohdistaa ennalta määrättyjä muutoksia, kuten satun-20 naisia tai näennäissatunnaisia vaihteluita. Tässä esimerkissä vanhempien määrä yhteistä jälkeläistä kohti oli kaksi, mutta vanhempien määrä voi olla mi-: kä tahansa käytännöllinen arvo.

Menetelmän tai laitteiston robustiutta, siis sen kykyä selviytyä odottamattomista tilanteista, voidaan edelleen parantaa kehittämällä jotkin : 25 partikkelit ilman vanhempia partikkeleita, ainakin joissakin sykleissä. Ääri- • tapauksissa, jos datamalli on muodostettu huonosti, voi sattua että kaikki tai ··· * .*··. melkein kaikki partikkelit lukkiutuvat sijainteihin, joissa on hyvin jyrkät paikalliset maksimit ja maksimien ulkopuolella oleviin sijainteihin kehitetyt ·», partikkelien jälkeläiset kuolevat pois. Tällaisten tilanteiden välttämiseksi on 30 edullista kehittää tällaisten sijantien ulkopuolelle partikkeleita ilman vanhempia. ’·;** Ilman vanhempia olevat partikkelit voidaan kehittää satunnaisesti valittuihin *:**: sijainteihin, joista ne voivat kehittää jälkeläispartikkeleita asteittain lähemmäksi ·:**: kohdeobjektin todellista sijaintia usean syklin kuluessa. Sen sijaan, että ilman , I·, vanhempia olevat partikkelit kehitetään satunnaisesti valittuihin sijainteihin, ne 35 voidaan kehittää sijainteihin, joista on olemassa jotain etukäteistietoa. Tällaista etukäteistietoa voidaan saada esimerkiksi määrittämällä datamallista jokin 9 118787 erityisen relevantti osa. Tämän sijasta tai lisäksi tällainen etukäteistieto voi perustua kohdeobjektin viimeiseen tunnettuun sijaintiin, joka voidaan saada redundanttien välineiden avulla. Oletetaan esimerkiksi, että kohdeobjekti paikannetaan normaalisti signaalin laatuhavaintojen perusteelta ja kohde-5 objektin sijaintia koskeva epävarmuus lisääntyi äkkiä. Mutta jos kohdeobjektin viimeinen sijainti voidaan määrittää jonkin toimenpiteen perusteella, kuten kulkemisen jonkin hyvin määritellyn tarkistuspisteen kautta, on edullista kehittää "tuoreita”, siis ilman vanhempia olevia partikkeleita hyvin määritellyn tarkistuspisteen läheisyyteen.

10 On edullista rajoittaa partikkelien liikkuvuutta sijainteihin, jotka järke vällä todennäköisyydellä ovat kohdeobjektin oikea sijainti. Eräs tapa tämän tekemiseksi on käyttää yllä mainittuja liikemalleja, koska liikemallit sulkevat pois attribuutit, kuten nopeuden, jotka ylittävät liikemallin määrittelemät kohde-objektin kyvyt. Kuten yllä todettiin, kohdeobjektin tyyppiä ei aina tiedetä varis muudella, ja väärin valittu liikemalli voi kehittää partikkeleita, joiden sijainti on kohdeobjektin oikea sijainti hyvin pienellä todennäköisyydellä, mutta tällaiset väärin valitut liikemallit kuolevat nopeasti pois.

Keksinnön joihinkin toteutuksiin kuuluu siirtymätodennäköisyyksien laskeminen peräkkäisten sijaintiestimaattien välisille siirtymille siten, että 20 siirtymätodennäköisyydet riippuvat liikemallista. Esimerkiksi sairaalassa sovellettava liikemalli ei välttämättä sulje pois nopeutta, joka vastaa juoksemista, : mutta liikemalli voi osoittaa pientä todennäköisyyttä juoksemista edellyttäville ...*·* siirtymille. Samoin pyörätuolit eivät normaalisti liiku portaissa, mutta ei ole mahdotonta, että pyörätuolia kannetaan portaissa. Sen vuoksi pyörätuolin siir-: 25 tymällä portaita pitkin voisi olla pieni, mutta nollasta poikkeava todennäköisyys.

• Toinen tapa rajoittaa partikkelien liikkuvuutta on käyttää graafia tai ··♦ · .···. muun tyyppistä mallia, joka mallintaa paikannusympäristön topologiaa. Viite- dokumentti 1 (W02004/008795) selostaa sijainninmääritystekniikoita, jotka .. käyttävät kohdeobjektin viestintäympäristön topologiaa mallintavaa graafia.

30 Viitedokumentti 1 opettaa topologiamallin käytön rajoittamaan kohdeobjektin • · *·;·* liikkuvuutta, mutta tämän keksinnön yhteydessä topologiamallia voidaan käyt- *"*: tää rajoittamaan partikkelien liikkuvuutta. Eräässä toteutuksessa topologiamalli *:·*: käsittää solmuja ja solmujen välisiä kaaria sallittujen sijantien ja siirtymien *. osoittamiseksi.

* · * 35 Keksinnön joissakin suoritusmuodoissa datamalli on tai siihen kuuluu probabilistinen malli, joka osoittaa todennäköisyysjakauman ainakin 10 118787 yhdelle sijaintiriippuvalle fyysiselle suureelle topologiamallin sallituissa sijainneissa; missä partikkelin uskomusasteen määritysvaihe käsittää todennäköisyysjakauman sijaintiriippuvalle fyysiselle suureelle partikkelin sijainti-kohdassa datamallia käyttämällä; ja osoitetun todennäköisyysjakauman 5 käyttämisen kohdeobjektiin assosioidun ainakin yhden anturilaitteen suureen havainnon todennäköisyyden määrittämiseksi.

Eräässä toteutuksessa probabilistinen malli osoittaa todennäköisyysjakauman ainakin yhdelle sijaintiriippuvalle fyysiselle suureelle useassa näytepisteessä; missä vaihe todennäköisyysjakauman osoittamiseksi käsittää 10 ainakin kahden näytepisteen valitsemisen partikkelin sijainnin lähellä ja suureen todennäköisyysjakaumien yhdistämisen valituissa näytepisteissä. Esimerkiksi vaihe todennäköisyysjakaumien yhdistämiseksi voi käsittää kertymä-funktion muodostamisen kullekin valitulle näytepisteelle ja kunkin kertymäfunk-tion painottamisen suhteellisella painolla ja painotettujen kertymäfunktioiden 15 yhdistelmän muodostamisen.

Probabilistinen malli ja topologiamalli voidaan yhdistää siten, että topologiamalli käsittää solmuja ja solmujen välisiä kaaria sallittujen sijaintien ja siirtymien osoittamiseksi, ja vaihe ainakin kahden näytepisteen valitsemiseksi käsittää ainakin kahden sellaisen näytepisteen valitsemisen, jotka voidaan 20 saavuttaa partikkelin sijaintikohdasta kaaria seuraamalla.

Uskomusaste (kuten todennäköisyys), että kukin partikkeli estimoisi v · kohdeobjektin todellisia ominaisuuksia (kuten sijaintia) voidaan määrittää pe- rustuen havaittujen signaaliarvojen todennäköisyyksiin partikkelin sijainnin kohdalla. Todennäköisyys voidaan määrittää esimerkiksi niin, kuin selostetaan : 25 viitedokumentissa 4 (W002/054813). Tässä käytetty termi "uskomusaste” kä- • ;*· sittää tavanomaisen todennäköisyyden samoin kuin vastaavia suureita, joita ·*» · .···. käytetään sovelletun matematiikan muilla aloilla, kuten sumeassa logiikassa.

Eräässä toteutuksessa uskomusaste on lähimmän naapurin tyyppinen etäi-··, syysmitta, kuten euklidinen etäisyys signaaliavaruudessa.

... 30 Todennäköisyysjakaumat näytepisteissä voidaan määrittää • · **:** todellisilla mittauksilla, tietokonesimuloinneilla (esimerkiksi säteenseuranta- *:* i tekniikoilla) tai millä tahansa tällaisten tekniikoiden yhdistelmällä. Useimmat ·:··: partikkelit eivät sijaitse datamallin näytepisteiden kohdalla, mutta toden näköisyysjakauma mille tahansa mielivaltaiselle sijainnille voidaan määrittää **:\ 35 todennäköisyysjakaumista näytepisteiden kohdalla interpoloinnin tai ekstra poloinnin avulla. Viitedokumentti 2 (WO03/102622) esittää tekniikoita, joita 11 118787 voidaan käyttää määrittämään signaaliarvojen todennäköisyysjakaumia kohde-objektin sijainneissa silloin, kun nämä sijainnit eivät yhdy näytepisteiden sijainteihin. Tämän keksinnön yhteydessä mainitun viitedokumentin 2 esittämiä tekniikoita voidaan soveltaa määrittämään signaaliarvojen todennäköisyys-5 jakaumia partikkelien sijainneissa. Interpoloituja tai ekstrapoloituja signaali-arvojen jakaumia voidaan tallentaa välimuistiin tulevia viittauksia varten.

Eräs partikkelien attribuutti voi olla signaaliarvojen aikasaija-estimaatti. Eräässä toteutuksessa signaaliarvojen aikasarjaestimaattia käytetään saamaan tietoa poikkeavista mittauksista. Tällainen mittausten poikkea-10 ma voi johtua anturilaitteen ja kohdeobjektin asemasta. Esimerkiksi kohde-objekti ja/tai jokin siihen liittyvä laitteisto voi vaimentaa anturilaitteen havaitsemia signaaleja.

Kunkin partikkelin paino määritetään ainakin osaksi määritetyn uskomusasteen perusteella. Yleisesti ottaen, mitä korkeampi partikkelin paino 15 on, sitä suurempi on kyseisen partikkelin todennäköisyys saada jälkeläispartik-keleita seuraavissa sykleissä, mutta tämä toteamus pätee vain probabilistisena periaatteena. Jälkeläisten kehittämisprosessiin sisältyvän satunnaisuuden vuoksi jollain yksittäisellä pienipainoisella partikkelilla voi olla yksi tai useampia jälkeläispartikkeleita, kun taas suuripainoisella partikkelilla ei ole yhtään.

20 Eräässä yksinkertaisessa toteutuksessa partikkelin paino on yhtä suuri kuin uskomusaste sille, että kyseinen partikkeli estimoi tarkasti kohdeob-

«M

v ; jektin ominaisuusjoukkoa. Vaihtoehtoisesti sanoen partikkelin paino voidaan ...*·* johtaa uskomusasteen jostain matemaattisesta funktiosta. Esimerkiksi tällaista : funktiota voidaan käyttää korostamaan suhteellisen pieniä eroja todennä- : 25 köisyysalueen (0-1) toisessa päässä. Muissa suoritusmuodoissa paino voi •perustua tekijöiden yhdistelmään, missä uskomusaste on vain yksi tekijä. Eräs .···. esimerkki tällaisista muista tekijöistä on ajan kesto edellisen syklin jälkeen.

Esimerkiksi partikkelin paino W voidaan laskea kaavasta W=pt/p, missä p on partikkelin todennäköisyys (tai jonkin muun tyyppinen uskomusaste) estimoida *..!* 30 tarkasti kohdeobjektin ominaisuusjoukkoa, t on aika painon edellisen päivityk- • · *·;·’ sen jälkeen ja β on skaalausvakio.

·:*·: Keksinnön jotkut suoritusmuodot hyödyntävät laitemalleja ·:·*: anturilaitteiden havaintojen korjaamiseksi. Tämä piirre on erityisen hyödyllinen sovelluksissa, joissa anturilaitteita ei ole erityisesti suunniteltu tarkkoihin 35 mittauksiin. Esimerkiksi langattomat tietoliikennepäätteet voivat sisältää vastaanotetun signaalinvoimakkuuden osoittimen (RSSI), mutta mitatut 12 118787 signaalinvoimakkuudet ovat räikeän epätarkkoja. Niinpä kukin laitemalli käsittää sopivia korjausparametreja tietyn anturilaitteen havaintojen korjaamiseksi. Korjausparametreihin voi kuulua esimerkiksi vakio skaalaus-parametreja ja/tai linearisointiparametreja. Jos tiettyyn kohdeobjektiin on liitetty 5 tai assosioitu useita anturilaitteita, on hyödyllistä soveltaa erillistä laitemallia kunkin anturilaitteen havainnoille.

Joissakin tilanteissa on käytettävissä etukäteistietoa optimaalisesta laitemallista. Esimerkiksi anturilaitteet voivat olla kalibroituja ja voidaan kehittää laitemalli ja jokin olemassa oleva laitemalli voidaan valita ja assosioida anturi-10 laitteeseen tulevia viittauksia varten. Jos tällaista etukäteistietoa ei ole olemassa .partikkelin attribuutteihin voi sisältyä käytettävän laitemallin tunniste. Kun kohdeobjektille osoitetaan "tuoreita” partikkeleita, siis partikkeleita, jotka eivät ole vanhempien partikkelien jälkeläisiä, käytettävän laitemallin tunniste voidaan osoittaa satunnaisesti. Tuoreiden partikkelien satunnainen osoitus kullekin lai-15 temallille perustuu edullisesti kyseisen laitemallin mukaisten laitteiden tunnettuun tai oletettuun osuuteen. Toisin sanoen, jos x % laitteista on laitemallin N mukaisia, niin x % tuoreista partikkeleista tulisi osoittaa laitemallille N. Tällä tavalla nykyisen laitemallin tunnisteeseen kohdistuu myös keksinnön tuottama luonnollisen evoluution prosessi, ja parhaiten soveltuva laitemalli saa enem-20 män jälkeläisiä kuin huonosti sopivat laitemallit.

Sellaisissakin tilanteissa, joissa on käytettävissä etukäteistietoa op-v : timaalisesta laitemallista, voi silti olla hyödyllistä, mikäli partikkelien attribuut- ,..T teihin kuuluu joko laitemallin tunniste tai laitemallin osoittamat korjausparamet- rit. Tämä tekniikka tekee laitemallin tuottaman korjauksen adaptiiviseksi. Täl-25 lainen adaptiivisuus on hyödyllinen tilanteissa, joissa anturilaitteiden kyky tark-: kojen mittausten tekemiseen muuttuu. Esimerkiksi jos anturilaite on signaaliar- s·· · .···. von mittauspiiri, kuten RSSI-ilmaisin, niin mittauspiirin havaintoihin voi vaikut taa anturilaitteen korkeus, suuntaus tai sijoitus, erityisesti sijoitus esteisiin näh-:·, den. Jos oletetaan, että anturilait on langattoman päätelaitteen RSSI-ilmaisin, 30 sen näennäinen herkkyys voi kasvaa huomattavasti, kuten päätelaite otetaan **:** pois käsilaukusta korvan tasolle. Tämän suoritusmuodon adaptiivinen luonne *·**: auttaa kompensoimaan tällaisia vaihteluita.

"**i Keksinnön jotkut suoritusmuodot liittyvät skaalattavuustarkas- . teluihin. Erään suoritusmuodon mukaisesti yhdelle tietylle kohdeobjektille tai 35 kullekin useasta kohdeobjektista osoitettujen partikkelien määrää säädetään dynaamisesti. Sen sijaan että dynaamisesti säädetään kohdeobjektille 13 118787 osoitettujen partikkelien määrää, tai tämän lisäksi, voidaan dynaamisesti muuttaa laskentasyklien kestoa (uskomusasteen määritys, painon määritys ja uusien partikkelien kehitys).

Eräs tekijä, joka voi vaikuttaa suorituskykyyn liittyvien parametrien 5 dynaamiseen muutokseen, on paikannuslaitteiston kokonaiskuormitus. Kun paikannettavien kohdeobjektien määrä on suuri, paikannuslaitteisto voi osoittaa vähemmän partikkeleita kohdeobjektia kohti ja/tai vähentää laskentasyklien määrää aikayksikköä kohti. Muihin suorituskykyyn liittyviin parametreihin voi kuulua tarkkuus- ja/tai luottamusvaatimukset, epävarmuuden määrä, käytettä-10 vissä olevat muistiresurssit ja saatavilla olevien havaintojen määrä ja/tai laatu. Vielä eräs mahdollisesti huomioon otettava tekijä on partikkelien attribuuttien varianssi. Suuri varianssi partikkelijoukkoon kuuluvan partikkelin attribuutin arvossa osoittaa tarvetta lisäpartikkeleille. Vielä eräs tekijä, joka voi vaikuttaa suorituskykyyn liittyvien parametrien dynaamiseen muutokseen on kohdeob-15 jektien määrä, missä paikannusjärjestelmässä käytettävissä olevien partikkelien kokonaismäärä jaetaan kohdeobjektien kesken. Lisäksi erilaisilla kohdeob-jekteilla voi olla erilaisia laatuvaatimuksia ominaisuusestimaattiensa suhteen. Kohdeobjektille, joka asettaa suuria laatuvaatimuksia ominaisuusestimaatil-leen, tulisi osoittaa enemmän partikkeleita kuin pieniä laatuvaatimuksia asetta-20 valle kohdeobjektille. Lisäksi kohdeobjektin liikehistoria voi vaikuttaa kohdeobjektille osoitettujen partikkelien määrään. Kohdeobjektille osoitettujen partikke-v : lien määrää voidaan pienentää, jos liikehistoria osoittaa stabiilia ja ennustetta- ..*·* vaa liikettä.

* V: Eräs toinen ominaisuuksien estimointilaitteiston kokonaistehokkuu- : 25 teen vaikuttava tekijä sisältää päivityssyklien välisen aikavälin dynaamisen • säätämisen yhden tai useamman seuraavan tekijän perusteella. Yksi tällainen »·* * .·*·. tekijä on partikkelien attribuuttien varianssi, missä suuri varianssi partikkeli- joukkoon kuuluvan partikkelin attribuutin arvossa osoittaa tarvetta tiheämmille päivityksille. Eräs toinen tekijä on yhteisellä ominaisuuksien estimointi-30 laitteistolla palveltavien kohdeobjektien määrä. Myös kohdeobjektilla, joka *·;·* asettaa suuria laatuvaatimuksia ominaisuusestimaatilleen, tulisi olla tiheämmät *"*: päivitykset kuin pieniä laatuvaatimuksia asettavalla kohdeobjektilla. Lisäksi *:·*: erilaisilla kohdeobjekteilla voi olla erilaisia prioriteetteja, joita voidaan jopa # \# vaihtaa dynaamisesti, kuten hätätilanteissa. Esimerkiksi hyvin lyhyttä 35 päivityssykliä voidaan käyttää potilaan kohdalla hätätilanteessa. Päivitysten väliin voi lisäksi vaikuttaa anturilaitteilta vastaanotettujen havaintojoukkojen 14 118787 yhdistetty saapumistiheys aikayksikköä kohti ja/tai kohdeobjektin liikehistoria. Lisäksi päivitysväliä kohdeobjektia kohti voidaan kasvattaa ominaisuuksien estimointilaitteiston kuormituksen kasvaessa.

Jotta vältettäisiin hyödyttömien laskutoimitusten tekemistä, jotkut 5 partikkelit voidaan eliminoida ulkoisen tiedon perusteella. Tässä käytettynä tällainen ulkoinen tieto viittaa tietoon, joka saadaan muuta kautta kuin anturi-laitteiden havainnoista. Eräs esimerkki tällaisesta ulkoisesta tiedosta on riippumattomasti saatu sijaintitieto, esimerkiksi anturilaite tai siihen assosioitu kohdeobjekti voidaan havaita jonkin RFID-portin (radio frequency identification) 10 läheisyydessä, missä tapauksessa riittävän kaukana tästä RFID-portista olevat partikkelit voidaan eliminoida. Vaihtoehtoisesti kohdeobjekti voi olla fyysisesti kytketty useaan riippumattomaan anturilaitteeseen, kuten GPS-paikannus-laitteeseen (global positioning system) ja RSSI-ilmaisimeen, mutta GPS-informaatio on käytettävissä vain ulkotiloissa. Kun GPS-informaatiota on käy-15 tettävissä, se voi ohittaa RSSI-ilmaisimen avulla saadun sijaintitiedon ja riittävän kaukana GPS-perusteisesta paikasta olevat partikkelit voidaan eliminoida. Vielä eräs tekniikka hyödyttömien laskutoimitusten välttämiseksi käsittää da-tamallin näytepisteiden alijoukon valitsemisen jonkin relevanssikriteerin perusteella. Tällaisia valittuja näytepisteitä kutsutaan relevanteiksi näytepisteiksi. 20 Tekniikoita niiden määrittämiseksi ja käyttämiseksi selostetaan lähemmin jäljempänä.

v : Jotkut suoritusmuodot liittyvät historiatarkasteluihin. Kuten yllä to- dettiin, kohdeobjektin ominaisuutta tai ominaisuusjoukkoa estimoidaan tai ap-proksimoidaan partikkelijoukkoa käyttämällä siten, että kullakin partikkelilla on :j‘: 25 assosioitu attribuuttijoukko. Esimerkiksi kullakin partikkelilla voi olla sijaintiattri- • buutti ja nopeusattribuutti, ja joidenkin tai kaikkien kohdeobjektille osoitettujen ··# t .···. partikkelien sijainti- ja nopeusattribuutit kollektiivisesti approksimoivat vastaa vasti kohdeobjektin sijainti ja nopeutta. Jotkut suoritusmuodot parantavat tätä ... kollektiivista approksimointiprosessia.

\.y 30 Erään suoritusmuodon mukaisesti partikkelin attribuuttien muutos- • · *;** historia analysoidaan partikkelien sukupuun avulla. Tätä tekniikkaa voidaan *:**: käyttää reitinlouhinnan (route mining) sovelluksissa, joita voidaan käyttää ana- ·:·*: lysoimaan kohdeobjektin käyttämää reittiä.

# Erään suoritusmuodon mukaisesti kohdeobjektin ominaisuusjoukon 35 approksimointiin käytettävä partikkelijoukko käsittää vain viimeisimmän ttttl sukupolven partikkeleita. Kohdeobjektin ominaisuuksien (kuten sijainnin ja/tai 15 118787 nopeuden) estimaatti voidaan laskea kohdeobjektin ominaisuusjoukon approksimointiin käytettävien partikkelien attribuuttien painotettuna keskiarvona. Painotetun keskiarvon laskenta voi käyttää samaa painoa, joka määrää partikkelin todennäköisyyden tulla valituksi vanhemmaksi partikkeliksi 5 seuraaville sukupolville, tai se voi käyttää erilaista painoa. Kummassakin tapauksessa painon tai painojen tulisi korreloida positiivisesti uskomusasteen kanssa sille, että partikkeli estimoi kohdeobjektin ominaisuusjoukkoa.

Erään toisen suoritusmuodon mukaisesti kohdeobjektin ominaisuus-joukon approksimointiin käytettävä partikkelijoukko käsittää usean sukupolven 10 partikkeleita. Kohdeobjektin ominaisuusjoukko voidaan määrittää esimerkiksi viimeisimmän sukupolven ja jonkin määrän edellisiä sukupolvia perusteella. Kunkin partikkelin paino painotetun keskiarvon laskennassa voi olla yhtä suuri kuin partikkelin jälkeläisten yhteinen paino. Eräässä toteutuksessa kunkin partikkelin paino yhdessä sukupolvessa lasketaan uudelleen perustuen partikkelin 15 jälkeläisten painoon viimeisimmässä sukupolvessa. Tämä suoritusmuoto voi parantaa paikannusvarmuutta muutamien mittaus/päivityssyklien hinnalla.

Eräs esimerkinomainen suoritusmuoto partikkelien käyttämisestä useassa sukupolvessa käsittää näytekuvan ("snapshot”) ottamisen päivitys-syklin k painotetuista partikkeleista, missä näytekuva sisältää päivityssyklin k 20 jotkut tai kaikki partikkelit, ja painon osoittamisen kullekin partikkelille seuraavi-en rekursiivisten sääntöjen mukaisesti. Jos k on viimeisin päivityssykli, partik-V : kelin paino perustuu patenttivaatimuksen 1 vaiheen b määrittämään painoon.

Mutta jos k ei ole viimeisin päivityssykli, niin partikkelin paino perustuu sen kaikkien suorien jälkeläisten painojen summaan, jotka jälkeläiset ovat päivitys-j'j': 25 sykliä k+1 varten muodostetussa näytekuvassa. Näytekuvaa käytetään esti- • moimaan kohdeobjektin ominaisuusjoukkoa päivityssyklin k päivityshetkellä.

··· · .*··. Eräässä toteutuksessa menetelmä käsittää lisäksi painotettujen partikkelien näytekuvan päivityssyklin k osalta jakamisen yhteen tai ·«. useampaan klusteriin, missä kukin klusteri sisältää partikkeleita, jotka ovat \..e 30 keskenään samanlaisia yhden tai useamman ennalta määrätyn **:** samanlaisuuskriteerin perusteella; ja ainakin yhden klusterin valitsemisen ja ‘"’i kohdeobjektin ominaisuusjoukon estimoimisen päivityssyklin k päivityshetkellä ·:··: kullekin valitulle klusterille käyttämällä valitussa klusterissa olevia partikkeleita . ]·. ja painoja ja jättämällä huomiotta klusteriin kuulumattomat partikkelit ja painot.

35 Esimerkiksi ainakin yksi samanlaisuuskriteeri voi perustua partikkelien

• S

16 118787 sijaintiin, missä kukin klusteri sisältää lähellä toisiaan olevia partikkeleita. Klusterointi voi perustua yllä mainittuun sukupuuhun.

Erään suoritusmuodon mukaisesti klusterointia käytetään yhdessä topologiamaliin kanssa ylläpitämällä useita ennalta määrättyjä vyöhykkeitä, 5 joista kukin vyöhyke sisältää yhden tai useamman sallitun sijainnin topologia-mallissa; ja missä ainakin yksi samanlaisuuskriteeri perustuu näihin useisiin vyöhykkeisiin, jolloin partikkelit, joiden sijainnit kuuluvat samaan vyöhykkeeseen, kuuluvat samaan klusteriin. Tässä yhteydessä termi ’’vyöhyke" tarkoittaa topologiamaliin yhtä tai useampaa sallittua sijaintia. Kukin vyöhyke voi käsittää 10 yhden tai useamman diskreetin sijainnin, jotka voidaan määritellä jonkin koor-dinaattijärjestelmän tai abstraktin nimeämiskäytännön avulla. Vaihtoehtoisesti vyöhykkeet voivat olla topologiagraafin sallittuja osuuksia, koordinaattialueita tms.

Klusterointiprosessia voidaan käyttää tuottamaan luottamusarvo 15 (confidence value). Luottamusarvo voidaan esimerkiksi assosioida klusterin avulla muodostettuun estimaattiin, jolloin luottamusarvo perustuu klusterin partikkelien kokonaispainoon jaettuna näytekuvan kokonaispainoon.

Erään suoritusmuodon mukaisesti kohdeobjektin ominaisuusjoukon approksimointiin käytettävää partikkelijoukkoa voidaan käyttää kehittämään 20 sijaintien todennäköisyysjakauma kahdelle tai useammalle kohdeobjektille, ja sijaintien todennäköisyysjakaumaa voidaan käyttää estimoimaan näiden kah-v den kohdeobjektin suhteellista läheisyyttä.

...T Klusterointitekniikan eräs toteutus käsittää partikkelien attribuutti- arvon estimaatin laskemisen käyttämällä partikkelien attribuuttiarvoja ja painoja : 25 kussakin klusterissa. Tällaisen estimaatin luottamusmitta voidaan määrittää • es v : jakamalla klusterin partikkelien yhteinen paino kaikkien partikkelien yhteisellä ··· · .··*. painolla. Klusterointitekniikan muihin toteutuksiin kuuluu estimaatin käytettä- vyysmitan määrittäminen. Tällainen käytettävyysmitta voidaan määrittää esi-··. merkiksi perustuen attribuuttiarvojen varianssiin ja/tai partikkelien prosent- 30 tiosuuteen ennalta määrätyn etäisyysmarglnaalin puitteissa estimaatin sijain-*·:** nista. Vielä eräs toteutus käsittää sellaisen alueen, kuten ympyrän, ellipsin tai *"*: monikulmion määrittämisen, joka ympäröi p % partikkeleista. Käytettävyysmitta *:**: on siis eri käsite kuin luottamusmitta. Esimerkiksi alueella, joka ympäröi koh- , deobjektin sijainnin, voi olla suuri luottamusarvo mutta pieni käytettävyysarvo, 35 mikäli tämä alue on riittävän suuri peittääkseen merkittävän osan koko paikan-nusympäristöstä.

17 118787

Muihin tekniikoihin partikkelien attribuuttiarvon laskemiseksi käyttämällä partikkelien attribuuttiarvoja ja painoja kussakin klusterissa kuuluu partikkelien attribuuttiarvojen painotetun keskiarvon laskeminen. Muihin toteutuksiin voi kuulua todennäköisyyden määrittäminen kullekin yhdestä tai 5 useammasta sijaintialueesta tai arvovälistä. Muihin toteutuksiin voi kuulua pienimmän sellaisen ympyrän, ellipsin tai monikulmion määrittäminen, joka ympäröi p % partikkeleista. Vielä muihin toteutuksiin voi kuulua kohdeobjektia parhaiten edustavan 1 ... M:n partikkelin.

Kuvioiden lyhyt selostus 10 Keksintöä selostetaan seuraavassa edullisten suoritusmuotojen avulla, viitaten oheisiin piirroksiin, joista:

Kuvio 1 esittää keksinnön toimintaperiaatetta;

Kuvio 2 näyttää esimerkin jälkeläispartikkelien luomisesta kohde-objektin sijainnin ja nopeuden seuraamiseksi; 15 Kuvio 3A esittää keksinnön ja sen suoritusmuotojen eri elementtien välisiä suhteita;

Kuvio 3B esittää kuviossa 3A näytettyjen olioiden kuvaamista reaalimaailman olioihin;

Kuvio 4 esittää tekniikkaa partikkelien todennäköisyyksien määrittä-20 miseksi ympäristön probabilistisen mallin perusteella; v*: Kuviot 5A - 5D näyttävät erilaisia toteutuksia ja sovelluksia topologi· giamalleista, jotka osoittavat sallittuja sijainteja ja/tai siirtymiä ympäristössä; • Kuvio 6 esittää, kuinka liikemalleja voidaan käyttää johtamaan jälke- M· : .*. läispartikkelien joukko vanhemmasta partikkelista; : 25 Kuvio 7 esittää suoritusmuotoa, jossa kohdeobjektille osoitetaan • · · aluksi useita erilaisia liikemalleja; '** Kuvio 8 esittää suoritusmuotoa, jossa jälkeläispartikkeli perii attri- buutteja usealta vanhemmalta partikkelilta; e e

Kuvio 9 esittää tekniikkaa kohdeobjektin sijaintiestimaatin luot-30 tamusmitan määrittämiseksi; ·:··· Kuvio 10 näyttää, kuinka tietoa partikkelin tulevaisuudesta voidaan käyttää vähentämään sen menneisyyttä koskevaa epävarmuutta; », Kuvio 11A esittää kohdeobjektia ja osaa radioverkosta, jossa on *·:·* kolme pääsypistettä, sekä joukkoa näytepisteitä; 35 Kuvio 11B näyttää mahdollisten signaalin laatuarvojen alueita yhdel lä näytepisteelle ja kolmelle pääsypisteelle; 118787 18

Kuvio 11C esittää prosessia relevanttien näytepisteiden joukon määrittämiseksi;

Kuviot 12A ja 12B esittävät tapausta, jossa signaaliparametrien arvoja käsitellään jatkuvina arvoina; 5 Kuvio 13 näyttää alustusalgoritmin relevanttien näytepisteiden jou kon alustamiseksi;

Kuvio 14 näyttää algoritmin relevanttien näytepisteiden joukon löytämiseksi;

Kuvio 15 näyttää kuvioissa 12A - 14 näytettyjen yhden huipun esi-10 merkkien laajentamisen useaan huippuun; ja

Kuvio 16 esittää graafiperusteisen paikannustekniikan käytön keksinnön mukaisten relevanssi-osoittimien yhteydessä.

Erityisten suoritusmuotojen yksityiskohtainen selostus

Kuvio 1 esittää keksinnön toimintaperiaatetta. Kuvion 1 selostus pe-15 rustuu oletukseen, että kohdeobjektin ominaisuusjoukko on tai siihen kuuluu kohdeobjektin sijainti. Viitenumero 101 osoittaa kohdeobjektin polkua. Polku 101 on varustettu tasavälein olevin merkkiviivoin. Kuvion 1 selostuksessa polun oletetaan muistuttavan uraa, jota pitkin kohdeobjekti voi liikkua vain eteenpäin tai taaksepäin (vasemmalle tai oikealla kuviossa 1).

20 Kuvio 1 esittää prosessia neljän peräkkäisen sijainninestimointi- v*: syklin suorittamiseksi kohdeobjektille. Kukin estimaatti tehdään tiettynä ajan- "•l· hetkenä. Aika etenee alhaalta ylös. Viitenumerot 111 - 116 liittyvät ensimmäi- : seen sijaintiestimaattiin, viitenumerot 121 - 126 toiseen estimaattiin jne.

··· : .·. Viitenumero 111 osoittaa kohdeobjektin sijaintia polun 101 varrella. Sijainnin- : 25 määritysrutiini ei tietenkään tiedä kohdeobjektin sijaintia 111, joka näytetään *··/ vain havainnollistamisen vuoksi. Viitenumero 112 osoittaa joukkoa * · kohdeobjektille osoitettuja partikkeleita, joita käytetään estimoimaan kohde-.. objektin sijaintia, kuten jäljempänä tarkemmin selostetaan. Kuvion 1 esi- merkissä partikkelien määrä on hyvin pieni (tarkasti sanottuna 15), mutta tämä 30 on vain selkeyden vuoksi. Todellisuudessa kullekin kohdeobjektille osoitettujen ·:··· partikkelien määrä on suurempi, edullisesti satojen tai tuhansien alueella, riippuen vaaditusta tarkkuudesta, luotettavuudesta ja robustiustarkasteiuista. \ Kullekin kohdeobjektille osoitettujen partikkelien määrää selostetaan lähemmin ’·“] otsikon "suorituskykytarkastelua” alla.

35 Tässä esimerkissä kullakin partikkelilla 112 on assosioitu sijainti ja nopeus. Jos polkua 101 käsitellään urana, nopeus voi olla skalaariluku (jolla 19 118787 on positiivinen tai negatiivinen arvo), mutta moniulotteisissa toteutuksissa nopeutta voidaan käsitellä vektorina.

Viitenumerot 111 - 116 liittyvät ensimmäiseen sijaintiestimointi-sykliin. Kuvion 1 esimerkissä voidaan olettaa, että ensimmäisessä sijainnin-5 estimointisyklissä partikkelit 112 ovat aluksi jakautuneet tasan polun 101 varrelle ja kunkin nopeus on nolla. Nämä arvot annetaan ei-rajoittavina esimerkkeinä, ja tullaan huomaamaan, että alkuarvot eivät ole kriittisiä.

Viitenumero 113 osoittaa todennäköisyyskäyrää, joka osoittaa kullekin partikkelille 112 todennäköisyyden estimoida kohdeobjektin 111 oikeaa 10 paikkaa. Itse asiassa sijaintiestimointitekniikka tarvitsee kullekin partikkelille 112 erillisen todennäköisyyden estimoida kohdeobjektin 111 oikeaa paikkaa, ja todennäköisyyskäyrä 113 näytetään vain lukijan mukavuutta ajatellen. Esimerkinomaisia tekniikoita todennäköisyyksien 113 määrittämiseksi selostetaan kuvion 4 yhteydessä sekä viitedokumentissa 2.

15 Viitenumero 114 osoittaa vaihetta painon määrittämiseksi kullekin partikkelille 112. Painotettujen partikkelien joukkoa osoitetaan viitenumerolla 115. Todennäköisyys 113 kullekin partikkelille 112 estimoida kohdeobjektin 111 oikeaa paikkaa on eräs päätekijä painon määrittämisessä vaiheessa 114, ja eräässä yksinkertaisessa toteutuksessa todennäköisyys 113 voi olla ainoa 20 tekijä painon määrittämisessä. Joissakin toteutuksissa painoon voi vaikuttaa myös muutkin tekijät, kuten partikkelin aiempi historia tai tulevaisuus. Partikke-‘V : Iin tulevaisuutta ei tietenkään tiedetä tosiaikaisessa sijainninestimoinnissa, mutta se voidaan tuntea analysoimalla kohdeobjektin kulkemaa polkua. Pai-:,:*** noon voi vaikuttaa myös ajan pituus viimeisimmän päivityssyklin jälkeen.

25 Viitenumero 116 osoittaa vaihetta uudet partikkelijoukon 122 kehit- :tämiseksi syklille 2 syklin 1 partikkelien 112 jälkeläisinä. Vaiheessa 116 syklin ··· · .***. 1 partikkelin jälkeläisten määrän odotusarvo syklissä 2 on partikkelin painon ei- laskeva funktio. Tämä tarkoittaa, että syklin 2 partikkelien joukko 122 johde- ··. taan syklin 1 partikkelien joukosta 112, mutta se ei tarkoita, että kullakin syklin • ·· 30 1 partikkelilla 112 on jälkeläinen syklin 2 partikkelien joukossa 12. Sen sijaan '"** kunkin partikkelin jälkeläiset määritetään siten, että suuripainoisella partikkelilla *"*: on suurempi todennäköisyys tulia valituksi vanhemmaksi jälkeläisille seuraa- *:*·: vassa syklissä kuin pienipainoisella partikkelilla. Mutta kuten probabilististen , t\ tekniikoiden yhteydestä hyvin tiedetään, epätodennäköiset tapahtumat 35 esiintyvät joskus, vaikka todennäköiset tapahtumat jäävät esiintymättä, ja • · 20 118787 tämän keksinnön yhteydessä, pienipainoisella partikkelilla voi olla yksi tai useampia jälkeläisiä, vaikka suuripainoisella partikkelilla ei ole yhtään.

Partikkelien 115 jälkeläiset 122 eivät ole vanhempiensa identtisiä kopioita vaikka painot jätettäisiin huomiotta. Sen sijaan kunkin partikkelin 5 attribuutit, kuten sijainti ja/tai nopeus saatetaan eroamaan vanhemman partikkelin vastaavista attribuuteista käyttämällä ennalta määrättyä algoritmia, joka eräässä havainnollistavassa toteutuksessa johtaa jälkeläisten attribuutit vanhempiensa attribuuteista satunnaisilla tai näennäissatunnaisilla variaatioilla. Esimerkiksi kunkin jälkeläispartikkeiin sijainti voi olla sen vanhemman 10 sijainti plus sen liike päivityssyklien välillä (vanhemman partikkelin nopeus kertaa kunkin päivityssyklin kestoaika). Jälkeläispartikkeiin nopeus voidaan muodostaa lisäämällä sen vanhemman nopeuteen sopivasti painotettu satunnainen vaihtelu. Esimerkiksi jälkeläispartikkeiin nopeudeksi voidaan laskea x % vanhemman nopeudesta plus 100-x % näennäissatunnaista vaihtelua.

15 Eräs etu (näennäis)satunnaisten vaihteluiden käytöstä jälkeläis- partikkelien nopeuksien laskennassa on, että jälkeläispartikkelit pyrkivät seuraamaan kohdeobjektin liikettä prosessilla, joka muistuttaa evoluutiota ja luonnonvalintaa. Kohdeobjektin sijaintia ja nopeutta hyvin vastaavat partikkelit saavat suuret painot ja tämän seurauksena niiden jälkeläisten määrän odotusarvo 20 on suuri. Näin siksi, että partikkelit pyrkivät keskittymään sijainteihin, joissa havaittujen signaaliarvojen todennäköisyys on suuri. Käänteisesti, kohdeobjek- • · · ·* ' tin sijainnista ja/tai nopeudesta poikkeavat partikkelit tulevat samaan pienet ···:* painot ja lopulta kuolevat pois.

Kuvion 1 esimerkissä kukin päivityssykli käsittää painonmääritys- :.· : 25 vaiheen ja jälkeläisten luontivaiheen. Esimerkiksi ensimmäinen päivityssykli käsittää painonmääritysvaiheen 114 ja jälkeläisten luontivaiheen 116. Toinen :]]*; ja kolmas päivityssykli käsittävät vastaavasti painonmääritysvaiheen 124, 134 ja jälkeläisten luontivaiheen 126, 136. Kunkin painonmääritysvaiheen 114, 124, 134, 144 jälkeen partikkelit näytetään eri kokoisina ympyröinä siten, että *···, 30 kunkin ympyrän koko vastaa partikkelin painoa.

• · V Kuvio 1 näyttää myös kaaviomaisesti sitä, että esitetty tekniikka ei häiriinny erillään olevista suuren todennäköisyyden huipuista, mikäli tällaiset huiput ovat riittävän kaukana kohdeobjektin sijainnista. Kuviossa 1 viitenumero . J·. 119 osoittaa suhteellisen suuren todennäköisyyden aluetta. Suuren 35 todennäköisyyden alueen 119 eräänä vaikutuksena on kahden vasemmanpuoleisen partikkelin kehittäminen toisen päivityssyklin partikkelijoukossa 124.

21 118787 Näillä partikkeleilla ei kuitenkaan ole jälkeläisiä kolmannessa syklissä, eikä toinen erillinen suuren todennäköisyyden alue 139 aiheuta jälkeläisten muodostumista neljännessä syklissä, koska suuren todennäköisyyden alueen 139 läheisyydessä ei ole potentiaalisia vanhempia partikkeleita.

5 Yllä selostettu menetelmä voidaan suoritta itse kohdeobjektissa, olettaen että se on varustettu sopivalla sijaintiestimointiohjelmistolla ja ympäristön datamallilla. Vaihtoehtoisesti kohdeobjekti tai siihen kytketty anturi-laite voi lähettää havaintonsa sijaintiestimointilaitteistoon, joka kohdeobjektille sijaintiestimaatin kohdeobjektin sijainnissa tehtyjen havaintojen perusteella.

10 Kuvio 2 esittää toisen esimerkin jälkeläispartikkelien luomisesta kohdeobjektin sijainnin ja nopeuden seuraamiseksi. Kuvio 2 on kuvion 1 yksinkertaistettu versio sikäli, että se näyttää vain yhden partikkelin jälkeläiset selkeyden vuoksi. Viitenumeroilla 2xx, eli numerolla '2' alkavilla viitenumeroilla osoitetut elementit ovat pitkälti analogisia niiden kanssa, joita kuviossa 1 osoi-15 tettiin viitenumeroilla 1xx. Viitenumerot 211, 221 jne. osoittavat kohdeobjektin sijaintia kuvion 2 ensimmäisessä, toisessa jne. päivityssyklissä. Viitenumerot 217, 2217 jne. osoittavat vastaavia kohdeobjektin nopeuksia peräkkäisissä päivityssykleissä.

Ensimmäisessä kuviossa 2 näytetyssä päivityssyklissä kohde-20 objektilla on sijainti 211 ja nopeus 217. Voidaan olettaa, että edellisen (ei näytetyn) päivityssyklin tuloksena erään edustavan partikkelin 215 nopeus on noin v : +3 (kuviossa 2 oikealle). Seuraavassa jälkeläisten luontivaiheessa 216 partik- kelillä 215 on viisi jälkeläistä, joita osoitetaan yhteisesti viitenumerolla 222 ja joiden nopeudet ovat 1, 2, 3,4 ja 5. Kukin jälkeläinen, jonka nopeus on n (n=1, 25 .... 5), on siirtynyt vanhempaansa nähden oikealle n etäisyyden yksikköä.

• **; Numerot 1 - 5 kunkin jälkeläisen oikealla puolella osoittavat lähimmän jälkeläi- .···. sen nopeuden.

Partikkelin 215 nopeus oli kolme, minkä vuoksi jälkeläisten 222 kes- :*. kimääräinen sijainti eroaa sijainnista 211 kolmella yksiköllä. Kuitenkin kohde- • ·· 30 objektin 217 todellinen nopeus oli noin neljä etäisyysyksikköä päivityssykliä **:** kohti, ja kohdeobjektin 221 sijainti on siirtynyt sijainnista 211 noin neljällä etäi- syysyksiköllä. Niinpä jälkeläisistä 222 sillä, jonka nopeus on neljä (neljäs va- ·:·*: sommalta), on suurin paino painonmääritysvaiheessa 224. Painotettuja partik- , I·, kelejä osoitetaan yhteisesti viitenumerolla 225.

• · » 35 Seuraavassa jälkeläisten luontivaiheessa 225 partikkelilla, jonka nopeus on neljä, on kolme jälkeläistä (joiden nopeudet ovat 3, 4 ja 5), 22 118787 partikkeleilla, joiden nopeudet ovat 3 ja 5, on yksi jälkeläinen kummallakin, kun taas partikkeleilla, joiden nopeudet ovat 1 ja 2, ei ole lainkaan jälkeläisiä ja ne kuolevat pois.

Seuraavassa päivityssyklissä kohdeobjektin nopeus kasvaa arvoon 5 +5, kuten nuoli 237 osoittaa. Niinpä viimeisessä kuviossa 2 näytetyssä pai-nonmääritysvaiheessa 244, partikkeleista 242 sillä, jonka nopeus on 5, on suurin paino jne. Kuviosta 2 voidaan nähdä, että partikkelien joukko seuraa kohdeobjektin liikettä erittäin hyvin, vaikka kohdeobjektin nopeus muuttuu.

Tähän asti keksinnön suoritusmuotojen selostus on rajoittunut yh-10 teen dimensioon. Eräs tapa mallintaa kohdeobjektin liikettä kahdessa dimensiossa on prosessoida liikkeen kumpikin komponentti x- ja y- (ja mahdollisesti z-) suunnassa yksiulotteisina, kuten kuvioiden 1 ja 2 yhteydessä on selostettu. Eräässä vaihtoehtoisessa suoritusmuodossa kohdeobjektin nopeutta mallinnetaan vektorina, jolla on suunta ja skalaarinen itseisarvo. Kolmas vaihtoehto 15 selostetaan topologiamallien yhteydessä, joita selostetaan kuvioiden 5A - 5D yhteydessä. Todellisen kolmeulotteisen koordinaatiston käytön sijasta monia kolmeulotteisia rakenteita voidaan mallintaa useina kaksiulotteisina rakenteina, kuten kerroksina tai tasoina.

Kuvio 3A esittää tiivistetysti keksinnön ja sen suoritusmuotojen eri 20 elementtien välisiä suhteita. Ympäristössä EN on yksi tai useampia kohde-objekteja TO. Kohdeobjektin sijainnin tai sijaintiriippuvien suureiden määritys :·* : perustuu oletukseen, että kohdeobjektin on yhden tai useamman anturilaitteen SD lähellä tai samoin sijoitettuna sen/niiden kanssa. Joissakin toteutuksissa * kohdeobjekti ja yksi tai useampi anturilaite voidaan koteloida yhteen fyysiseen 25 koteloon. Kohdeobjekti voi olla esimerkiksi tietoliikennepääte, missä tapauk-: :*: sessa anturilaite on piiri, joka mittaa sijaintiriippuvia fyysisiä suureita, kuten »M t signaalinvoimakkuutta, signaali-kohinasuhdetta, bittivirhetaajuutta/suhdetta, ·** ajoitusennakkoa tai vastaavaa.

:·. Myös toteutuksissa, joissa kuhunkin kohdeobjektiin assosioituu vain

• M

30 yksi anturilaite, on edullista käsitellä kohdeobjektia ja anturilaitetta kahtena V* erillisenä käsitteenä. Näin siksi, että keksinnön monissa sovelluksissa varsinaisesti tärkeä tietoelementti ei ole kohdeobjektin sijainti vaan kohde- *:·*: objektia kuljettavan henkilön, eläimen tai kulkuneuvon sijainti. Kohdeobjekti, . t\ kuten langaton tietoliikennepääte, voi olla vuorotellen eri henkilöiden tai • « * 35 kulkuneuvojen kuljettamana. On siksi edullista ylläpitää useita erilaisia liike-malleja usean erilaisen kohdeobjektin liikkeiden mallintamiseksi. Esimerkiksi 23 118787 sairaalaympäristössä voi olla llikemalleja terveille ihmisille, pyörätuolipotilaille (tai pyörätuoleille), kuljetussängyille, polkupyörille, potkulaudoille, jne. Eräs sopivasti valitun liikemallin etu nähdään tilanteissa, joissa anturilaitteen havaintoja ei voida prosessoida yhden tai useamman syklin osalta. Esimerkiksi 5 anturilaite voi olla tilapäisesti kykenemätön mittaamaan pätevää signaalia, tai paikanmäärityslaitteisto, kuten palvelin, voi olla liian kuormitettu prosessoi-dakseen kaikkia havaintoja. Tällaisissa tilanteissa partikkelien liike jatkuu soveltuvan/soveltuvien liikemalli(e)n perusteella, riippumatta puuttuvista havainnoista, kunnes havaintoja voidaan taas prosessoida ja uusi partikkeli-10 joukko kehittää. Liikemallin parametrit riippuvat siis kohdeobjektiin assosioidun henkilön tai ajoneuvon parametreista.

Kullakin kohdeobjektilla on joukko assosioituja tilaominaisuuksia SP. Tilaominaisuudet riippuvat kohdeobjektin sijainnista. Keksinnön eräässä yksinkertaisessa toteutuksessa kohdeobjektilla ei ole muita tilaominaisuuksia kuin 15 sijainti. Muissa toteutuksissa assosioitujen tilaominaisuuksien joukko sisältää sijaintiriippuvan palvelun. Esimerkiksi kohdeobjektit voivat olla henkilöitä, jotka kantavat langattomia päätelaitteita, ja sijaintiriippuva palvelu voi olla jonkin sähkölaitteen, kuten valaistuksen ohjaus. Paikannusjärjestelmä voi kytkeä huonevalaistuksen automaattisesti pois huoneista, joissa ei ole kohdeobjekte-20 ja. Tässä kaaviossa huonevalaistuksen on/ei -tila on eräs esimerkki tilaominai-suudesta.

M· v : Tilanteissa, joissa kohdeobjektin estimoitu ominaisuusjoukko sisäl- tää ainakin yhden tilaominaisuuden ympäristössä, datamaiii voi osoittaa tila-·*.·]· ominaisuuden kutakin sijaintia kohti ympäristössä. Kohdeobjektin ominaisuusia*: 25 joukon estimointivaihe voi käsittää tilaominaisuuden partikkelispesifisten esti- • (naattien kehittämisen kullekin partikkelille käyttämällä datamallia tilaominai- · .···. suuden osoittamiseksi partikkelin sijainnissa sekä partikkelispesifisten esti maattien yhdistämisen partikkelien painoja käyttämällä.

;·, Kullakin kohdeobjektilla on myös yksi tai useampi samoin sijoitettu 30 anturilaite SD. Kukin anturilaite havainnoi ainakin yhtä sijaintiriippuvaa fyysistä suuretta PQ. Datamaiii DAM mallintaa ympäristöä EN osoittamalla, kuinka yksi tai useampi fyysinen suure muuttuu sijainnista riippuen.

·:··: Ympäristöä EN mallinnetaan myös topologiamallilla TM, joka sisäl- , X tää siirtymätietoa, joka osoittaa mahdollisia sijainteja ja siirtymiä ympäristössä.

35 Sijainnit osoitetaan suhteessa topologiamalliin TM, johon voi kuulua tai olla kuulumatta assosioitu mittajärjestelmä tai metriikka. Mittajärjestelmä voi olla 24 118787 esimerkiksi jonkinlainen koordinaatisto, kuten suorakulmainen tai napa-koordinaatisto. Metriikka MT ei kuitenkaan ole välttämätön elementti, ja topologiamalli TM voi osoittaa sijainteja jonkun nimeämiskäytännön avulla, kuten ’’huone 123”, tai viittaamalla täysin abstrakteihin nimiin eri sijainneille.

5 Keksinnön mukainen menetelmä käsittää yhden tai useamman par tikkelien P sukupolven PG osoittamisen kullekin kohdeobjektille TO. Kullakin partikkelilla P on assosioitu attribuuttijoukko, joka käsittää ainakin yhden sijain-tiattribuutin LP, joka on partikkelin sijainnin estimaatti. Attribuuttijoukko voi käsittää myös nolla tai useampia liikeattribuutteja, jotka yhteisesti estimoivat koh-10 deobjektin liikeominaisuuksia MP, kuten nopeutta, kiihtyvyyttä tai vastaavia.

Keksinnön joissakin toteutuksissa partikkelien sijainnit mallintavat suoraan kohdeobjektin sijaintia, mutta monimutkaisemmissa toteutuksissa kohdeobjektin tila- ja liikeominaisuudet voidaan johtaa partikkelien attribuuteista monimutkaisemmilla funktioilla tai tekniikoilla.

15 Kohdeobjektin liikettä voidaan mallintaa liikemalleilla MM. Liikemallit MM käyttävät topologiamallia TM, ja ne vaikuttavat partikkelien sijainti- ja lii-keattribuuttien evoluutioon. Samoin anturilaitteiden havainnointikykyjä voidaan mallintaa ja korjata laitemalleilla DM. Kohdeobjektille TO ja anturi-laitteelle/laitteille SD vastaavasti assosioitujen liikemallien MM ja/tai laite-20 mallien DM parametrit voivat pysyä kiinteinä tai ne voivat olla osa partikkelien attribuuttijoukkoa, missä tapauksessa parametrit myös läpikäyvät keksinnön »·« v : mukaisia päivityssyklejä.

Kuvio 3B esittää ei-rajoittavan esimerkin kuviossa 3A näytettyjen : olioiden kuvaamisesta reaalimaailman olioihin. Henkilö 302 liikkuu toimistossa, • t· * · 25 118787 tms. Vaihtoehtoisesti kukin kohdeobjekti, kuten kannettava tai kädessä pidettävä tietokone, voidaan varustaa sisäisellä sijainninestimointiohjelmistolla.

Tässä mallissa radioverkko RN ja pohjapiirros 304 muodostavat ympäristön EN aspekteja. Signaalinlaatuparametrit radioverkossa RN ovat 5 esimerkkejä sijaintiriippuvista fyysisistä suureista PQ. Signaalinlaatuparametri voi olla esimerkiksi signaalinvoimakkuus, bittivirhetaajuus/-suhde tai signaali-kohinasuhde, tai mikä tahansa tällaisten parametrien yhdistelmä. Matkaviestimessä oleva mittauspiiri on esimerkki anturilaitteesta SD. Datamalli DAM mallintaa signaalinlaatuparametrien sijaintiriippuvuutta radioverkossa RN. To-10 pologiamalli TM mallintaa pohjapiirrosta 304. Sovelluksesta riippuen kohde-objekti TO voi vastata matkaviestintä MT tai sitä kantavaa henkilöä 302.

Keksinnön joissakin suoritusmuodoissa liikemalleja MM käytetään mallintamaan kohdeobjektin, matkaviestintä MT kantavan henkilön liikkeitä. Esimerkiksi sairaalaympäristössä voi olla liikemalleja terveille ihmisille, pyörä-15 tuolipotilaille (tai pyörätuoleille), kuljetussängyiile, polkupyörille, potkulaudoille, jne. Liikemallit voivat spesifioida joitakin tai kaikki seuraavista parametreista: keskimääräinen/maksimaalinen nopeus, keskimääräinen/maksimaalinen kiihtyvyys (kyky muuttaa vauhtia tai nopeutta), kyky kulkea portaissa, liukuportaissa tai hisseissä jne. Kun sijainninestimointilaitteisto havaitsee uuden paikan-20 nettavan kohdeobjektin, se ei välttämättä tiedä, mikä liikemalli parhaiten kuvaa kohdeobjektia. Sen sijaan sijainninestimointilaitteisto voi aluksi osoittaa osan ··· v : kohdeobjektin partikkeleista kullekin soveltuvalle liikemallille. Esimerkiksi tällai- it;:· nen alustava osoitus voidaan osittaa soveltuvien liikemallien tunnettujen edus- : tajien määrään. Jos sijainninestimointilaitteisto havaitsee kohdeobjektin liikku- • 25 van portaikossa, se voi määrittää, että useimmat pyörillä kulkevien laitteiden ··» · : .*. liikemallit eivät ole soveltuvia ja jakaa partikkelit muiden liikemallien kesken.

!··% Liikemallien suuri varianssi osoittaa epäluotettavaa sijaintiestimaattia. Uikemal- • · leja selostetaan lähemmin kuvioiden 6 ja 7 yhteydessä.

.. Kohdeobjektin tekemät havaintojoukot voidaan prosessoida yhden :.,7 30 tai useamman laitemallin DM kautta. Kukin laitemalli käsittää yhden tai

♦ V

*;·’ useamman korjausparametrin anturilaitteiden SD tekemien havaintojen korjaa- ·:·*: miseksi. Sopeutuvuus vaihteleviin olosuhteisiin paranee, jos partikkelien ·:··· attribuuttijoukot käsittävät laitemallin tunnisteen tai todellisia korjaus- ' ·. parametreja. Tällä tavalla sovellettava laitemalli myös läpikäy keksinnön 35 mukaisen evoluutioprosessin. Seuraavista sykleistä parhaiten hengissä selviä-* * vien partikkelien avulla on mahdollista saada tietää, mitä laitemallia tulisi 26 118787 käyttää tietyn kohdeobjektin yhteydessä. Muita tekniikoita laitemallien luomiseksi ja käyttämiseksi selostetaan viitedokumentissa 3 (W02004/008796).

Erään suoritusmuodon mukaisesti datamalli DAM voidaan toteuttaa radioverkon RN probabilistisena mallina. Probabilistinen malli käsittää yhden 5 tai useamman signaaliparametriarvon todennäköisyysjakauman radioverkon RN useassa tunnetussa sijainnissa. Tällaisia tunnettuja sijainteja kutsutaan näytepisteiksi. Näytepisteet ovat probabilistisen mallin pisteitä, joissa mainittujen yhden tai useamman mitattavan ja sijaintiriippuvan signaaliparametriarvon todennäköisyysjakaumat on määritetty. Signaaliparametriarvot näytepisteissä 10 voidaan määrittää esimerkiksi perustuen fyysiseen kalibrointiin (todellisiin mittauksiin), tietokonesimulointitekniikoihin, kuten säteenseurantaan tai vastaaviin, tai mihin tahansa tällaisten tekniikoiden yhdistelmiin. Kukin havaintojoukko käsittää saman tai liitännäisten signaaliparametrien mitattuja arvoja. Tässä yhteydessä "liitännäiset signaaliparametrif tarkoittavat signaaliparametreja, 15 jotka voidaan johtaa toisistaan. Esimerkiksi signaali-kohinasuhde voidaan johtaa signaalinvoimakkuuden ja kohinan mittauksista.

Kuvio 4 esittää tekniikkaa partikkelien todennäköisyyksien määrittämiseksi ympäristön probabilistisen mallin perusteella. Kuviossa 4 kahta näy-tepistettä A ja B merkitään vastaavilla viitenumeroilla 401 ja 402. Viitenumerot 20 411 ja 412 osoittavat näiden kahden näytepisteen A ja B vastaavia todennäköisyysjakaumia. Useimmissa paikannusympäristöissä tyypillinen kahden näy- «·· v : tepisteen välinen etäisyys on epäkäytännöllisen suuri, ja paikannustekniikan resoluutiota täytyy parantaa näytepisteiden välisellä interpoloinnilla. Kuviossa 4 : viitenumero 403 osoittaa sijaintia X kahden näytepisteen A ja B välissä. Intuitii- : 25 visesti voitaisiin ajatella, että todennäköisyysjakauma sijainnille X voidaan φ · · 1 : .*. saada interpoloimalla näytepisteiden A ja B todennäköisyysjakaumien 411, !···! 412 välillä. Mutta todennäköisyysjakaumien 411, 412 suoraviivainen sum

maaminen tai keskiarvon laskeminen tuottaa käyrän, jossa on erillinen huippu kummankin näytepisteen A ja B kohdalla. Tällainen tulos on ilmeisesti väärä, :..7 30 koska sijainnin X todennäköisyydellä tulisi ilmeisesti olla huippu sijainnin X

*·;·* kohdalla.

*:**: Viitenumero 2 (saman hakijan patenttihakemus WO03/102622) ·:·>· selostaa tekniikoita todennäköisyysjakaumien interpolointia varten kahden tai ' \ useamman näytepisteen välillä. Viitedokumentti 2 selostaa interpolointi- **:\ 35 tekniikoita, jotka perustuvat kahden tai useamman näytepisteen kertymä- * * funktion yhdistämiseen todennäköisyysjakaumien yhdistämisen sijasta.

27 118787

Kertymäfunktio ja todennäköisyysjakauma voidaan johtaa toisistaan. Mutta viitedokumentissa 2 selostettuja tekniikoita voidaan soveltaa, kun interpo-loitava sijainti tunnetaan, ja tämän keksinnön yhteydessä kohdeobjektin tarkkaa sijaintia ei tunneta, vaikka joissakin tapauksissa onkin mahdollista 5 määrittää, että kohdeobjekti sijaitsee jossakin kahden tunnetun näytepisteen välissä. Tämän keksinnön yhteydessä ei ole välittömästi ilmeistä, kuinka kahden (tai useamman) näytepisteen välillä voidaan tehdä järkeviä interpolointeja, ottaen huomioon että kohdeobjektin sijaintia ei tunneta, mistä johtuen mitään tekijöitä näytepisteiden todennäköisyysjakaumien yhdistä-10 miseksi ei tunneta.

Niinpä kuvion 4 yhteydessä selostettu suoritusmuoto perustuu osaksi siihen oivallukseen, että vaikka kohdeobjektin sijaintia ei tunneta, partikkelien sijainnit tunnetaan, vaikka mikään sijainninestimointilaitteisto ei tiedäkään, kuinka kaukana kohdeobjektin todellisesta sijainnista partikkelit ovat.

15 Yllä olevan oivalluksen perusteella sijainninestimointilaitteisto voi si joittaa partikkelin sijainnin X, 403 kohdalle ja määrittää tälle sijainnille todennäköisyysjakauman seuraavasti. Kuten yllä todettiin, kahden näytepisteen A ja B todennäköisyysjakaumia merkitään vastaavilla viitenumeroilla 411 ja 412. Kuvion 4 esimerkissä mitattava, sijaintiriippuva suure on RSSI (received signal 20 strength indicator), mutta RSSi esitetään vain ei-rajoittavana esimerkkinä. Todennäköisyysjakaumat 411 ja 412 muunnetaan vastaaviksi kertymiksi 421, • · · : 422. Sijainnin X kertymä 423 voidaan määrittää seuraavalla algoritmilla: kulle- (.v kin riippuvan suureen PCUm useasta arvosta riippumattoman suureen RSSI arvo : määritetään painottamalla näytepisteiden A ja B vastaavia kertymäfunktioita • ·.*: 25 411 ja 412 sopivilla painoilla. Kuviossa 4 suureet WA ja Wb osoittavat mille ta- ··· · : hansa kertymän 423 pisteelle vaakasuuntaisia etäisyyksiä kertymistä 421 ja 422. Viitenumero 430 osoittaa yhtälöä, joka suureiden dA, dB, WA ja Wb tulee • · täyttää. Viitedokumentissa 2 selostetaan muitakin tekniikoita, kuten tekniikoita kolmen näytepisteen välistä interpolointia varten, jotka eivät ole samalla suo- *‘.,7 30 ralla.

• · *·;·* Todennäköisyysjakaumia 411 ja 412 ei tule sekoittaa kuvioiden 1 ja ·:··: 2 yhteydessä selostettuihin todennäköisyyksiin 113, 123.....ja 213, 223, ...

·:··· Todennäköisyydet kuvioissa 1 ja 2 ovat todennäköisyyksiä tietylle partikkelille \ olla kohdeobjektin oikea sijainti. Kuviossa 4 näytetyt todennäköisyysjakaumat 35 411 ja 412 osoittavat todennäköisyyttä sille, että mitatulla signaaliparametrilla * * on tietty arvo (jos mittauksia käsitellään diskreetteinä arvoina) tai että se on 28 118787 tietyllä alueella (jos mittauksia käsitellään jatkuvina arvoina). Todennäköisyysjakaumia 411 ja 412 käytetään laskemaan todennäköisyyksiä 113,123.....ja 213, 223, mutta näitä kahta todennäköisyyttä ei tule sekoittaa toisiinsa.

5 Topologiamallit

Kuviot 5A - 5D näyttävät erilaisia toteutuksia ja sovelluksia topolo-giamalleista TM, jotka osoittavat sallittuja sijainteja ja/tai siirtymiä ympäristössä. Viitenumero 500 osoittaa topologiamallin suoritusmuotoa, joka mallintaa kuvion 5A vasemmalla puolella näytetyn huoneen pohjapiirrosta 501. Pohjapiir-10 ros 501 käsittää kolme pientä huonetta 503, 504 ja 505 sekä suuren huoneen 506, johon on pääsy käytävän 507 kautta. Tässä nimenomaisessa esimerkissä suurta huonetta 506 käsitellään neljänä osiona 506A - 506D. Topologiamalli 500 osoittaa sallittuja sijainteja ja siirtymiä ympäristössä (pohjapiirroksessa) 501. Kukin huonenumero topologiamallissa TM osoittaa sallittua sijaintia ja 15 kukin rivi osoittaa sallittua siirtymää. Tässä esimerkissä kaikki sallitut siirtymät oletetaan kaksisuuntaisiksi, mikä tarkoittaa esimerkiksi sitä, että ensimmäinen rivi osoittaa että 503:sta 507:ään ja 507:stä 503:een ovat kumpikin sallittuja siirtymiä.

On syytä huomata, että kuviossa 5A näytetty suoritusmuoto 500 pe- 20 rustuu kokonaan käytäntöihin (huonenumeroihin), eikä mitään metriikkaa, ku- :T: ten koordinaatistoa käytetä. Tällaista käytäntöperusteista topologiamallia voi- ·.*· daan käyttää esimerkiksi museoissa tai näyttelyissä. Kun vieras saapuu johon- ···· • kin huoneista 503 - 505 tai suuren huoneen johonkin osaan 506A - 506D, hä-

• M

: .·. nen kannettava laitteistonsa voi näyttää tai lukea ääneen kyseisessä huonees- :'V 25 sa tai huoneen osassa esillä olevien esineiden selostuksen. Visuaalisten tai » » » auditiivisten selostusten tuottaminen näyttelyesineistä on eräs esimerkki hyö-"** dyllisistä sijaintiriippuvista palveluista, joissa todellinen sijainti peitetään palve- .. lua pyytävältä oliolta tai sovellukselta.

Kuvio 5B esittää topologiagraafia 510, joka on topologiamallin TM 30 eräs toinen suoritusmuoto. Graafi 510 käsittää joukon solmuja ja joukon kaaria, ····· ja kukin solmu osoittaa sallittua sijaintia ja kukin kaari osoittaa sallittua siirtymää. Mustat suorakaiteet, joista kahta osoitetaan viitenumeroilla 512 ja ·. 513, edustavat solmuja. Tässä toteutuksessa kaaret, joista yhtä osoitetaan viitenumerolla 514 ovat suoria viivasegmenttejä, jotka yhdistävät solmuja 512, 35 513, mutta muissa toteutuksissa kaaret voidaan määritellä monimutkaisemmilla käyrillä. Kukin solmu on kohdeobjektille sallittu sijainti, mutta solmut 29 118787 eivät välttämättä ole ainoita sallittuja sijainteja. Joissakin toteutuksissa mikä tahansa sijainti, jonka etäisyys graafiin on pienempi kuin ennalta määrätty marginaali (esimerkiksi puolet pienimmästä käytävän leveydestä) on sallittu sijainti.

5 Topoiogiagraafilla 510 voi olla tai olla olematta assosioitu metriikka.

Ilman mitään metriikkaa topologiagraafi 510 on loogisesti ekvivalentti kuviossa 5A näytetyn topologiamallin 500 kanssa siten, että graafin 510 solmut 512, 513 vastaavat mallin 500 huoneita 503 - 507. Mikäli metriikkaa käytetään, se voi olla suhteellinen tai absoluuttinen. Suhteellinen metriikka voi osoittaa, että 10 graafi käsittää solmut 512 ja 513 ja että niiden välinen etäisyys on 7,5 yksikköä. Absoluuttinen metriikka voi osoittaa solmujen koordinaatit. Jos suhteellista metriikkaa käytetään, topologiagraafit 510 ja 510’ ovat ekvivalenttisia graafeja siinä mielessä, että solmujen absoluuttiset koordinaatit ovat epärelevantteja.

Topologiagraafia 510 voidaan käyttää monin tavoin määrittämään 15 kohdeobjektin sijaintia. Esimerkiksi partikkelien liike voidaan rajoittaa sallittuihin sijainteihin. Sallittujen sijaintien joukko käsittää graafin 510 solmut ja valinnaisesti kaaret tai mitkä tahansa sijainnit, jotka ovat enintään ennalta määrätyn marginaalin päässä kaarista.

Kuvio 5C esittää kaaviota, jossa partikkelien liike on rajoitettu 20 graafin 510 solmuihin ja kaariin. Viitenumero 522 osoittaa yhtä partikkelia, jonka assosioitu nopeus on 11 yksikköä oikealle. Oletetaan, että partikkelilla 522 v : on 12 jälkeläistä, joita osoitetaan kollektiivisesti viitenumerolla 524. Viitenume- * ro 526 osoittaa 12:n jälkeläisen nopeuksien joukkoa (skalaariarvoina). Kukin nopeuden yksikkö vastaa yhden merkkiviivan etäisyyttä minkä tahansa kahden : 25 päivityssyklin välillä. Kuvio 5C näyttää yhden esimerkin 12:n jälkeläisen 524 j jakamiseksi graafille 510, joka on yksi topologiamallin TM monista mahdollisis- .···! ta toteutuksista. Kuviossa 5C näytetty esimerkki perustuu oletukseen, että jo kainen haara on yhtä todennäköinen. Mutta joskus liikemallien käsitettä (ele-.. mentti MM kuviossa 3A) voidaan käyttää eliminoimaan joitakin vaihtoehtoja.

\.7 30 Esimerkiksi sijaintiestimointirnoduulilla LEM voi olla etukäteistietoa siitä, että • « *·;·’ tietty kohdeobjekti liikkuu pyörillä. Jos graafin jokin haara on portaikko, tällai- ;:**i nen haara on mahdoton pyörillä liikkuvalle kohdeobjektille. On ilmeistä, että ·:·*: mahdottomille haaroille tulisi osoittaa vähän tai ei yhtään partikkeleita.

, Kuvio 5D esittää topologiamaliia 530, joka käsittää solmuja 531 - 35 536 ja alueita, jotka on liitetty joihinkin solmuihin. Topologiamallissa 530 sallittuja sijainteja ovat solmut 531 - 536 ja valinnaisesti kaikki pisteet solmujen 30 118787 välisillä kaarilla sekä kaikki pisteet koordinaattien määrittelemillä kahdella alueella. Solmuun 533 liittyy koordinaattien (xi, yi), (X2, yi), (xi, y2), (x2, y2) määrittelemä monikulmio 537. Tai jos monikulmio on suorakaide, koordinaatit (xi. yi), (X2. yi) riittävät sen määrittelemiseen. Solmuun 535 liittyy ympyrä, 5 jonka säde on r. Topologia ma II in 530 määrittelevä datarakenne voi käsittää solmujen 531 - 536 koordinaatit sekä alueita 537, 538 määrittelevät tyypit ja koordinaatit.

Topologiagraafien muiden esimerkkien osalta lukijaa kehotetaan tutustumaan saman hakijan patenttihakemukseen W02004/008795, joka 10 esittää tekniikoita kohdeobjektin sijainnin tulkitsemiseksi topologiamallin avulla, kun taas tämä keksintö ehdottaa tällaisten graafien käyttöä kohdeobjektille osoitettujen partikkelien sijoittamiseen.

Liikemallit

Kuvio 6 esittää, kuinka liikemalleja voidaan käyttää johtamaan 15 jälkeläispartikkelien joukko vanhemmasta partikkelista. Kuvion 6 pitämiseksi yksinkertaisena sijainti näytetään yksiulotteisena, mutta käytännön toteutuksissa sijaintia voidaan käsitellä moniulotteisena tai kuviossa 5 näytettyä topologiamallia voidaan käyttää käsittelemään moniulotteinen avaruus vaihtoehtoisten yksiulotteisten polkujen perheenä.

20 Viitenumero 602 osoittaa kohdeobjektille osoitettua partikkelia.

:T: Partikkeli 602 sijaitsee koordinaatissa x. Kohdeobjektin liikemalli MM osoittaa v tyyppiä "normaali ihminen", joka pystyy liikkumaan portaissa, jne. Liikemalli • ·*· MM osoittaa maksiminopeutta vmax. maksimikiihtyvyyttä a-\ ja ··· : maksimihidastuvuutta a2. Liikemallin muut toteutukset voivat osoittaa myös : .·[ 25 nopeuden (itseisarvon ja suunnan) muutosten todennäköisyyttä. Tällaiset • · * !··/ nopeudenmuutosten todennäköisyydet voivat osoittaa esimerkiksi, että suurilla **** nopeuksilla terävät käännökset ovat hyvin epätodennäköisiä.

.. Viitenumero 604 osoittaa partikkelin 602 jälkeläisen sijaintia, kun s · oletuksena on vakionopeus. Tämä sijainti on koordinaatin x+vt kohdalla, missä 30 t on yhden partikkelisukupolven elinaika, ts. aikaperiodi partikkelin luomisesta ·:··· sen jälkeläispartlkkelin luomiseen. Viitenumero 606 osoittaa partikkelin 602 jälkeläisen sijaintia, kun oletuksena on maksimi hidastuvuus. Tämä sijainti on *, koordinaatin x+(v-a2t/2)t kohdalla. Viitenumero 608 osoittaa partikkelin 602 :»·* jälkeläisen sijaintia, kun oletuksena on maksimi kiihtyvyys. Tämä sijainti on 35 koordinaatin x+(v+ait/2)t kohdalla. Kuviossa 6 näytetyssä kaaviossa liikemalli MM ei tuota tällaista sijaintia, koska tässä esimerkissä maksimi kiihtyvyys ajan 31 118787 t kuluessa olisi johtanut maksiminopeuden Vmax ylitykseen, kuten osoittaa viiva 610, joka on sijainnin x+vmaxt kohdalla.

Partikkelin 602 kaikki tai useimmat jälkeläiset 612 jakaantuvat siis sijaintien 606 ja 610 välille. Jälkeläispartikkelit 612 voidaan jakaa sijaintirajojen 5 välille esimerkiksi näennäissatunnaisalgoritmilla 600, joka jakaa jälkeläis-partikkeiit 612 käyttämällä jotain sopivaa jakaumaa, kuten normaalijakaumaa tai tasaista jakaumaa. Jälkeläispartikkelien 612 pieni osa voidaan jollakin jäännöstodennäköisyydellä kehittää sijaintien 606 ja 610 määrittelemän alueen ulkopuolelle, koska kohdeobjekti ei välttämättä noudata sovellettavan liikemal-10 Iin MM rajoituksia. Esimerkiksi sijaintiestimointimoduuli on voinut määrittää kohdeobjektin tyypin väärin. Vaihtoehtoisesti normaalien ihmisten kohdalla sairaaloissa, maksiminopeus vmax voi vastata kävelyä, mutta juoksemisen mahdollisuutta ei voida täysin sulkea pois.

Kuvio 7 esittää suoritusmuotoa, jossa kohdeobjektille osoitetaan 15 aluksi useita erilaisia liikemalleja. Viitemerkit MM1 ja MM2 osoittavat kahta eri symbolia, jotka osoittavat kahteen erilaiseen liikemalliin assosioituja partikkeleita. Nämä kaksi liikemallia MM1 ja MM2 voivat erota toisistaan useassa suhteessa, mutta kuvion 7 tarpeisiin riittää, että MM1 kuvaa hitaan kohteen liikettä ja MM2 kuvaa nopean kohteen liikettä.

20 Liikemalleihin MM1 ja MM2 assosioituja partikkeleita osoitetaan vastaavasti kolmiolla ja ympyrällä. Kolmion tai ympyrän koko osoittaa v : partikkelin painoa painonmääritysvaiheen jälkeen.

Tapa, jolla kuvio 7 käyttää viitenumerolta ja esittää ajankulun neljän päivityssyklin yli on pitkälti analoginen kuvioissa 1 ja 2 käytettyyn tapaan. 25 Viitenumero 711 osoittaa kohdeobjektin alkupaikkaa. Viitenumero 712 osoittaa • ·*· kohdeobjektille aluksi osoitettujen partikkelien joukkoa. Tässä esimerkissä M· » .*··. 14:sta alkupartikkelista 712 seitsemän (kolmiot) on assosioitu hitaaseen liikemalliin MM1, kun taas muut seitsemän (ympyrät) on assosioitu nopeaan ... liikemalliin MM2. Viitenumero 713 osoittaa käyrää, joka osoittaa 14:n eri 30 sijainnin todennäköisyydet. Viitenumero 714 osoittaa ensimmäistä painon-**:*’ määritysvaihetta, jonka tuloksena on joukko painotettuja partikkeleita 715.

*:**: Viitenumero 716 osoittaa ensimmäistä jälkeläisten kehitysvaihetta. Tässä ·;·*; jonkin verran yksinkertaistetussa kaaviossa vain kolmella partikkelilla on ( \. lainkaan jälkeläisiä toisessa sukupolvessa. Todennäköisyyskäyrän 713 muoto 35 on sellainen, että kaksi kolmesta vanhemmaksi valitusta partikkelista sattuvat olemaan assosioituja hitaaseen liikemalliin (kolmiot) ja näillä kahdella 32 118787 partikkelilla on yhteensä yhdeksän jälkeläistä jälkeläispartikkelien 722 joukossa. Tässä esimerkissä vain yksi "nopea” partikkeli on valittu jälkeläispartikkelien 722 vanhemmaksi ja tällä partikkelilla on viisi jälkeläistä.

Tässä esimerkissä liikemaiiien satunnainen alkuosoitus on sellai-5 nen, että se sattuu suosimaan hidasta liikemallia MM1. Mutta kohdeobjekti osoittautuu olevan nopea, eli objekti, jota parhaiten mallintaa nopea liikemalli MM2. Viitenumero 721 osoittaa kohdeobjektin seuraavaa sijaintia, ja viitenumero 723 osoittaa partikkelien 722 sijaintien todennäköisyydet. Viitenumero 724 osoittaa toista painonmääritysvaihetta, jonka tulos on toinen joukko paino-10 tettuja partikkeleita 725. Jälkeläispartikkelien 722 joukossa "nopeat" partikkelit (ympyrät) sijaitsevat lähellä todennäköisyyskäyrän 723 huippua. Sen vuoksi niitä painotetaan paljon toisessa painonmääritysvaiheessa ja ne saavat paljon jälkeläisiä toisessa jälkeläisten kehitysvaiheessa 726. Kääntäen, "hitaat” partikkelit ennustavat kohdeobjektin liikettä huonosti ja ne pyrkivät sijaitsemaan 15 kaukana todennäköisyyskäyrän 723 huipusta. Sen vuoksi ne saavat pienet painot ja kehittävät vähän jälkeläisiä toisessa jälkeläisten kehitysvaiheessa 726.

Viitenumerot 731 - 736 liittyvät seuraavaan päivityssykliin (painotus-ja jälkeläisten kehitysvaiheet), jonka tuotos on neljäs joukko partikkeleita 742, 20 jotka kaikki on assosioitu nopeaan liikemalliin MM2.

Kuvion 7 selvyyden vuoksi tapahtumaketjua on yksinkertaistettu v : siinä mielessä, että nopeutta käsitellään skalaariattribuuttina. Tosielämän ...*:* tapahtumakaaviossa nopeutta voitaisiin käsitellä vektoriattribuuttina.

:„v Kuten kuviossa 7 näytetään, vaikka liikemaiiien satunnainen alku- : 25 osoitus sattuu suosimaan väärää, hidasta liikemallia MM1, siihen assosioidut : partikkeli kuolevat pian pois ja kaikki jäljellejäävät partikkelit assosioituvat nopeaan liikemalliin MM2, Mutta voi osoittautua, että kuviossa 7 näytetyt M· tapahtumat ovat poikkeuksellisia ja liikemalli MM1 voisi itse asiassa pitkän ajan :·. kuluessa olla parempi. Mutta jos kaikki jäljellejäävät partikkelit assosioidaan • ·· '... 30 nopeaan liikemalliin, on epätodennäköistä, että jäljellejäävät partikkelit ovat **:*’ kovin hyviä ennustamaan kohdeobjektin tulevia liikkeitä. Kehittämällä "tuoreita” eli vanhempia vailla olevia partikkeleita ainakin joissakin sukupolvissa on *:**: mahdollista estää sellaisten attribuuttien kuoleminen sukupuuttoon, jotka ovat , X tilapäisesti huonoja mutta pitkän ajan kuluessa potentiaalisesti hyviä.

• « « 35 Vaihtoehtoisesti jotkut partikkelit voivat olla edellisen sukupolven partikkelien • « 33 118787 jälkeläisiä, mutta niissä on voimakkaita mutaatioita. Toisin sanoen joidenkin partikkelien attribuutteihin voidaan kohdistaa voimakkaita vaihteluita.

Kuvio 8 esittää suoritusmuotoa, jossa jälkeläispartikkeli perii attribuutteja usealta vanhemmalta partikkelilta. Viitenumero 800 osoittaa kohdeob-5 jektin ominaisuusjoukkoa. Viitenumerot osoittavat vastaavasti kohdeobjektin X-ja Y-koordinaatteja. Viitenumero 803 osoittaa optimaalisen liikemallin osoitusta (MM#2 = iiikemalli nro 2). Viitenumero 804 osoittaa optimaalisen laitemallin osoitusta (DM#5 = laitemalli nro 5). Viitenumero 805 osoittaa muita ominaisuuksia, joita ei tässä yhteydessä selosteta. Partikkelin A attribuuttijoukko 810 10 osoittaa siis optimaalista laitemallia (DM#5) ja partikkelin B attribuuttijoukko 820 osoittaa optimaalista liikemallia (MM#2), mutta kummankaan partikkelin attribuuttijoukko ei osoita laite- ja liikemallien täydellistä yhdistelmää.

Viitenumerot 810 ja 820 osoittavat kohdeobjektille osoitetun kahden 15 partikkeliin A ja B attribuuttijoukkoja. Kummallakin partikkelilla on vastaava attribuutti kutakin kohdeobjektin estimoitavaa attribuuttia varten. Partikkelit (tai niiden attribuuttijoukot 810, 820) johdetaan syötteinä jälkeläistenkehitys-logiikalle tai -piirille DG, joka voi olla osa kuviossa 3 näytettyä sijainnin-estimointilaitteistoa. Tässä esimerkissä jälkeläiskehitin DG valitsee kaksi (tai 20 useampia) partikkeleita, jotka ovat kyllin lähellä toisiaan jälkeläispartikkelien yhteisiksi vanhemmiksi. Oletetaan, että partikkelien A ja B yhdistetty paino • s* v : (painojen summa tai tulo) on sellainen, että niillä on neljä jälkeläispartikkelia, jota osoitetaan viitenumeroilla 830, 840,850 ja 860.

Erään toteutuksen mukaisesti jälkeläiskehitin DG johtaa :25 jälkeläispartikkelien 830, 840, 850 ja 860 X- ja Y-koordinaatit määrittämällä ··· * • vanhempien partikkelien 810 ja 820 keskimääräiset arvot ja lisäämällä pieniä .···. (näennäis)satunnaisia variaatioita keskimääräisiin arvoihin. Vaihtoehtoisesti jälkeläiskehitin DG voi toimia niin, että jälkeläispartikkelit perivät vanhempien partikkelien attribuuttien eri yhdistelmiä.

:..i* 30 Kuten tässä esimerkissä näytetään, jälkeläiskehitin DG saa aikaan, • · *·;·* että neljä jälkeläispartikkelia 830, 840, 850 ja 860 perivät vanhempien *:**: partikkelien 810, 820 attribuuttijoukoissa olevien laitemalli- ja liikemalli- *:·: osoitusten erilaisia yhdistelmiä. Jälkeläispartikkelilla 830 ei kumpikaan malli ole ,oikein, partikkelilla 840 on oikea Iiikemalli mutta väärä laitemalli, partikkelilla 35 850 on oikea laitemalli mutta väärä Iiikemalli, ja partikkelin 860 molemmat • s··· mallit ovat oikeita. Koska partikkelin 860 attribuutit osoittavat kohdeobjektille 34 118787 optimaalista laitemallia ja optimaalista liikemallia, sillä on paras mahdollisuus säilyä hengissä ja saada jälkeläisiä tulevissa sukupolvissa.

Kuvio 8 esittää tapahtumasarjaa, jossa jälkeläispartikkelit 830, 840, 850 ja 860 johdetaan kahdesta yhteisestä vanhemmasta partikkelista, mutta 5 lukumäärä 2 on vain havainnollistava esimerkki ja vanhempien partikkelien määrä voi vaihdella, jopa yhden sukupolven puitteissa. Joillakin jälkeläispartik-keleilla voi olla yksi vanhempi partikkeli kun taas toisilla on kaksi tai enemmän.

Kuvio 8 esittää suoritusmuotoa, jossa jälkeläiskehitin DG prosessoi 10 (vastaanottaa ja tuottaa) laitemallien ja liikemallien tunnisteiden eri yhdistelmiä. Laitemallien ja liikemallien tunnisteiden soveltamisen sijasta on myös mahdollista, että jälkeläiskehitin kehittää laite- ja/tai liikemallien modifioituja parametreja. Jälkeläiskehitin voi esimerkiksi tuottaa jälkeläispartikkelin kolmesta vanhemmasta partikkelista, joiden laitemalleilla on korjausparametrit -2, +3 15 ja +5. Nämä arvot voivat osoittaa esimerkiksi signaalinvoimakkuushavaintoihin lisättäviä arvoja joko koko radiotaajuusspektrin yli tai spektrin jollakin kaistalla. Näiden kolmen korjausparametrin keskiarvo on +2, jota jälkeläiskehitin voi käyttää alkuarvona partikkelien seuraavalle sukupolvelle.

Luottamusmitat 20 Joissakin sovelluksissa on tarpeellista tai ainakin edullista tietää, kuinka luotettavasti kohdeobjekti voidaan paikantaa tiettyyn sijaintiin tai ··· alueelle. Luottamusmitta CM tarjoaa paikannusvarmuuden mitan. Keksinnön • ·· · : ;·; erään suoritusmuodon mukaisesti partikkelijoukon spatiaalista jakaumaa : .*. käytetään määrittämään luottamusmitta CM. Eräässä kohtuullisen

25 yksinkertaisessa toteutuksessa kohdeobjektin todennäköisyys sijaita alueella A

• · » "1/ on kohdeobjektin alueella A olevan partikkelijoukon PS suhde tälle ***** kohdeobjektille osoitettujen partikkelien kokonaismäärään. Eräässä toisessa toteutuksessa luottamusmitta CM perustuu kohdeobjektin alueella A olevien ί *** partikkelien todennäköisyyksien summaan jaettuna kaikkien tälle kohde- • · · 30 objektille osoitettujen partikkelien todennäköisyyksien summalla. Vielä erään • toteutuksen mukaisesti luottamusmitta voi perustua partikkelien kykyyn ennustaa tulevia havaintoja, kuten signaaliarvoja.

·' Kuvio 9 esittää tekniikkaa kohdeobjektin sijaintiestimaatin :.i.: luottamusmitan määrittämiseksi. Viitenumero 902 osoittaa kohdeobjektin *:**: 35 estimoitua sijaintia. Viitenumero 904 osoittaa aluetta tai viivasegmenttiä, joka muodostaa alijoukon kohdeobjektin mahdollisista sijainneista. Viitenumero 906 35 118787 osoittaa kollektiivisesti kohdeobjektille osoitettujen partikkelien joukkoa. Erään toteutuksen mukaisesti alueella 904 olevien partikkelien määrän suhdetta kohdeobjektille osoitettujen partikkelien kokonaismäärään käytetään luotta-musmittana. Erään vaihtoehtoisen toteutuksen mukaisesti luottamusmitta 5 perustuu todennäköisyyspainotettujen partikkelien suhteeseen, kuten alueella 904 olevan yhdistetyn todennäköisyyden suhteeseen kohdeobjektille osoitettujen kaikkien partikkelien yhdistettyyn todennäköisyyteen.

Samaa tekniikkaa luottamusmitan määrittämiseksi voidaan käyttää muidenkin attribuuttiarvojen, kuten nopeuden kanssa.

10 Kuvio 10 näyttää, kuinka tietoa partikkelin tulevaisuudesta voidaan käyttää vähentämään sen menneisyyttä koskevaa epävarmuutta. Viitenumero 1000 osoittaa pohjapiirroksen tai topologiamallin osaa. Selvyyden vuoksi kuviossa 10 näytetään vain 10 kohdeobjektille osoitettua partikkelia. Partikkelit kehittyvät neljässä sukupolvessa G1 ... G4. Ensimmäisen ja toisen sukupolven 15 G1 ja G2 välissä partikkelit jakautuvat kahteen mahdolliseen haaraan Aja B, ja sukupolvien kahta puolikasta osoitetaan sukupolvien perään liitetyillä kirjaimilla Ά’ ja ’B’. Taulukko 1010 näyttää kuviossa 10 näytettyjen partikkeliryhmien painojen summat. Ryhmä G1, joka on olemassa ennen jakaantumista, sisältää kaikki ensimmäisen sukupolven partikkelit, minkä vuoksi (normalisoitujen) 20 painojen yhdistelmä on yksi. Ryhmä G2A, eli sukupolven G2 A-haara, saa painoyhdistelmän x, minkä vuoksi B-haaran yhdistetyn painon on oltava 1-x, v : kun oletetaan että kaikki partikkelit on osoitettu joko A- tai B-haaralle, eikä yksikään käänny takaisin risteyksessä. Kolmannessa sukupolvessa A- ja B-haarojen partikkelien yhdistetyt painot ovat vastaavasti y ja 1-y. Kuvion 10 : :*· 25 esimerkki esittää tapausta, jossa A- ja B-haarat ovat aluksi yhtä todennäköisiä, M· · ; jolloin painot x, 1-x, y ja 1- ovat 50% tai lähellä sitä. Tässä esimerkissä ;···. kohdeobjekti kulkee solmun 1002 ohi. Tässä kohdassa kohdeobjektin sijainti voidaan määrittää käytännöllisesti katsoen varmasti. Esimerkiksi solmu 1002 voi olla piste, kuten poistumispiste, jossa kohdeobjektin sijainti voidaan 30 määrittää jonkin riippumattoman välineen avulla. Niinpä A-haaralla, jonne • · *·;·* kohdeobjekti ilmeisesti ei mennyt, on jäännöspaino ε, joka on nolla tai lähellä nollaa, ja B-haara saa yhdistetyn painon 1-ε. Kun kohdeobjektin käyttämä ·:··: haara tiedetään varmasti, edellisten sukupolvien yhdistettyjä painoja voidaan korjata, kuten taulukon 1010 viimeisellä rivillä näytetään. Tällaista ei-* 35 tosiaikaista luottamusmittojen korjausta voidaan käyttää esimerkiksi tunnistamaan kohdeobjektin käyttämiä polkuja.

36 118787

Kuviossa 10 näytetyssä esimerkissä voidaan sanoa, että partikkelien joukko yhdessä sukupolvessa muodostaa näytekuvan ("snapshot”) partikkeleista.

Suorituskykytarkasteluja 5 Mikä tahansa tekniikka yhden tai useamman kohdeobjektin sijainnin estimoimiseksi havainnoimalla sijaintiriippuvia fyysisiä suureita, on laskennallisesti vaativaa, eikä tämä keksintö muodosta poikkeusta. Keksintö tarjoaa kuitenkin laskennallisia etuja, kun näytepisteiden määrä on suuri verrattuna partikkelien määrään kohdeobjektia kohti. Tähän on useita syitä. Esimerkiksi on 10 usein välttämätöntä tallentaa kohdeobjektin liikehistoria siihen liittyvine todennäköisyyksineen. Monet tunnetut paikannustekniikat toteuttavat Markovin pii-lomalleja (hidden Markov models, HMM). HMM-järjestelmässä kohdeobjektin liikehistorian tallentamiseen vaatii suuren määrän aiempien tilojen tallentamista, ja kunkin tilan tallentaminen sisältää datan tallentamista valtavalle määrälle 15 näytepisteiden todennäköisyyksiä. Tässä keksinnössä liikehistorian tallentaminen voidaan toteuttaa tallentamalla partikkelien historia, ja partikkelien määrä voi olla huomattavasti pienempi kuin näytepisteiden määrä.

Tämän lisäksi keksintö parantaa robustisuutta tapauksissa, joissa 20 keskitetty sijainninestimointilaitteisto joutuu palvelemaan suurta määrää :T: kohdeobjekteja. Tarkastellaan esimerkiksi tapausta, jossa kohdeobjekti tekee "*;* signaaliparametrihavaintoja ensimmäisellä taajuudella, kuten kerran • ·'· sekunnissa. Keskitetty sijainninestimointilaitteisto ylikuormittuu ja voi päivittää • f : .·. sijaintiestimaatteja hitaammin, esimerkiksi kerran kolmessa sekunnissa.

:'!·! 25 Keksinnön mukaiset partikkelit voivat jatkaa liikkeitään, kunnes • · · "*/ sijainninestimointilaitteisto ehtii päivittää ne. Tunnetut HMM-jäijestelmät ovat *** paljon alttiimpia virheille, mikäli sijainninestimointilaitteisto hyppää .. sijaintiestimaatin laskennan yli. Näin siksi, että monet HMM-mallit perustuvat • · :a>“ tunnettuihin siirtymätodennäköisyyksiin näytepisteiden (tai muiden annettujen 30 sijaintien) välillä, ja jos sijaintiestimointisyklien välistä aikaa kasvatetaan, ·:··· mahdollisten siirtymien määrä kasvaa huomattavan suureksi, mikä lähes eliminoi laskennalliset hyödyt siitä, että sijaintiestimointisyklejä suoritetaan • harvemmin.

*·:·[ Tämä ei tarkoita, että keksintö ja HMM-mallit olisivat toisensa 35 poissulkevia; sen sijaan monet keksinnön hyödyt ovat suurimmillaan, kun 37 118787 keksintö toteutetaan jatkuvassa järjestelmässä ilman HMM-mallien tiloihin sisältyvää diskreettiä luonnetta.

Keksinnön joissakin suoritusmuodoissa sijainninestimointilaitteisto voi ottaa huomioon sijaintiestimaatin laskentaan käytettävissä olevan ajan, ja 5 jos käytettävissä oleva aika laskee jonkin kriittisen rajan alle, sijainninestimointilaitteisto voi ryhtyä asiaankuuluviin toimenpiteisiin. Se voi esimerkiksi vähentää partikkelien määrää kohdeobjektia kohti. Partikkelien määrän vähentäminen voi kohdistua kaikkiin kohdeobjekteihin tai se voi riippua muista tarkasteluista. Esimerkiksi nopeasti liikkuvat kohdeobjektit ja/tai sellaiset, joita ei voida 10 helposti selittää millään liikemalleilla, voivat saada enemmän partikkeleita kuin paikallaan pysyvät tai johonkin liikemalliin hyvin mukautuvat kohdeobjektit. Aikakriittisissä tilanteissa sijainninestimointilaitteisto voi myös jättää väliin partikkelien päivityssyklejä ja valinnaisesti sallia olemassa olevien partikkelien liikkua liikemalli(e)n määrääminä.

15 Relevantit näytepisteet

Eräs toinen tekniikka hyödyttömien laskelmien välttämiseksi sisältää datamallin näytepisteiden alijoukon valitsemisen jollakin relevanssikriteerillä. Tällaisia näytepisteitä kutsutaan relevanteiksi näytepisteiksi. Relevanttien näytepisteiden tekniikkaa voidaan käyttää esimerkiksi täydentämään keksintöä 20 seuraavilla vaiheilla: :T: - ylläpidetään relevanssiosoittimia yhden tai useamman relevant- tien näytepisteiden joukon osoittamiseksi, missä mainitut yksi tai • useampi relevanttien näytepisteiden joukko ovat näytepisteiden t«« : .*. alijoukkoja datamallissa; :*X 25 - perustuen havaintoihin mainitusta yhdestä tai useammasta • t » sijaintiriippuvasta fyysisestä suureesta kohdeobjektin sijainnin “** kohdalla ja relevanssiosoittimien joukkoon määritetään .. relevanttien näytepisteiden vallitseva joukko; ja • * - estimoidaan kohdeobjektin sijaintia perustuen havaintoihin 30 kohdeobjektin sijainnin kohdalla sekä relevanttien näytepisteiden ····· vallitsevaan joukkoon.

Tämän tekniikan etuna on, että relevanttien näytepisteiden vallitse-vaan joukkoon kuulumattomat näytepisteet voidaan jättää pois laskelmista, ·:*·; mikä vähentää laskentakuormitusta ja paristonkulutusta. Vaihtoehtoisesti 38 118787 keksinnön mukaisella tekniikalla säästettyjä resursseja voidaan käyttää saamaan tarkempi tai varmempi paikkaestimaatti enemmillä laskelmilla.

Keksinnön joissakin suoritusmuodoissa relevanttien näytepisteiden tekniikkaa voidaan käyttää laskentatehokkuuden parantamiseen. Datamalli voi 5 osoittaa joukon fyysisten suureiden odotusarvoja kullekin useasta näytepis-teestä ja menetelmä lisäksi käsittää relevanssiosoittimien ylläpitämisen yhden tai useamman relevanttien näytepisteiden joukon osoittamiseksi, jotka joukot ovat näytepisteiden alijoukkoja datamallissa. Perustuen havaintoihin mainitusta yhdestä tai useammasta sijaintiriippuvasta fyysisestä suureesta kohdeobjektin 10 sijainnin kohdalla ja relevanssiosoittimien joukkoon määritetään relevanttien näytepisteiden vallitseva joukko; jota käytetään laskentatehokkuuden parantamiseen. Esimerkiksi kaukana relevanttien näytepisteiden vallitsevasta joukosta sijaitsevat partikkelit voidaan hylätä. Tällaisten kaukana sijaitsevien partikkelien hylkäämisen sijasta tai sen lisäksi keksinnön mukaisen menetelmän 15 vaihe a) voi lisäksi käsittää minimaalisen uskomusasteen osoittamisen sellaisille partikkeleille, jotka sijaitsevat kaukana relevanttien näytepisteiden vallitsevasta joukosta, ilman enempää laskentaa. Tämän lisäksi keksinnön mukaisen menetelmän vaihe c) voi käsittää joidenkin ylimääräisten, ilman vanhempia olevien partikkelien luomisen relevanttien näytepisteiden lähelle.

Fyysisten suureiden odotusarvot kyseisessä näytepisteessä voivat «·· v : olla skalaariarvoja, todennäköisyysjakaumia (esimerkiksi normaalijakautu- neita), histogrammirakenteita tms. Relevanttien näytepisteiden tekniikka : käsittää relevanssiosoittimien joukon määrittämisen relevanttien näytepisteiden •25 joukon osoittamiseksi, joka joukko on näytepisteiden alijoukkoja datamallissa. ··· · : Tätä vaihetta selostetaan myöhemmin tarkemmin. Kohdeobjektin sijainnin !*··. kohdalla tehtyjä havaintoja ja relevanssiosoittimien joukkoa käytetään määrit tämään relevanttien näytepisteiden vallitseva joukko. Kohdeobjektin sijainti estimoidaan perustuen havaintoihin kohdeobjektin sijainnin kohdalla ja rele-30 vanttien näytepisteiden vallitsevaan joukkoon.

# · ***** Eräässä suoritusmuodossa vaihe relevanttien näytepisteiden *:*·: vallitsevan joukon osoittamiseksi käsittää sellaisten näytepisteiden valitsemi- *:**: sen, joiden fyysisten suureiden odotusarvot kattavat kohdeobjektin sijainnin ( kohdalla tehdyt havainnot ennalta määrätyllä relevanssikriteerillä.

35 Erään toisen suoritusmuodon mukaisesti relevanssikriteeriä lieven netään, jos syntyvä relevanttien näytepisteiden joukko on pienempi kuin 39 118787 ennalta määrätty minimikoko. Tällainen tilanne voi osoittaa poikkeusta, jolloin pitäisi liipaista hälytys, varsinkin jos poikkeus on pysyvä. Joissakin suoritusmuodoissa relevanssikriteeriä säädetään jäijestelmän kuormituksesta riippuen. Mitä suurempi on jäijestelmän kuormitus, sitä ankarampi on relevanssikriteeri 5 ja päinvastoin.

Vielä eräs suoritusmuoto käsittää topologiagraafin muodostamisen, joka mallintaa ympäristön topologiaa, missä topologiagraafi osoittaa joukon solmuja ja joukon kaaria siten, että kukin solmu osoittaa sallittua sijaintia ja kukin kaari osoittaa sallittua kohdeobjektin siirtymää kahden solmun välillä. 10 Topologiagraafia käytetään estimoimaan kohdeobjektin sijaintia. Topologia-graafia voidaan käyttää esimerkiksi tallentamaan kohdeobjektin liikehistoriaa ja sulkemaan pois jotkut valitut näytepisteet kohdeobjektin liikehistorian perusteella.

Kohdeobjektin (tai siihen liitettyjen anturilaitteiden) havainnot eivät 15 välttämättä ole raakaa mittausdataa vaan mitä tahansa mittausdatasta johdettuja arvoja. Havainnot voidaan esimerkiksi johtaa mittausdatasta matemaattisella prosessoinnilla, kuten tasoituksella (smoothing). Lisäksi keksinnön jotkut suoritusmuodot hyödyntävät laitemalleja anturilaitteiden havaintojen korjaamiseksi. Tämä piirre on erityisen hyödyllinen sovelluksissa, joissa 20 anturilaitteita ei ole erityisesti suunniteltu tarkkoihin mittauksiin.

Keksinnön joissakin suoritusmuodoissa etukäteistietoa optimaali- ··· : sesta laitemallista ei ole käytettävissä, ja relevanttien näytepisteiden tekniikkaa .. V käytetään valitsemaan paras laitemalli. Tämä menetelmä perustuu havaintoon, iii että kun signaaliarvot ovat hyvin vääristyneitä tai suuntautuneita, relevanttien : 25 näytepisteiden määrä pyrkii olemaan hyvin pieni tai jopa nolla. Toisaalta, jos :.·. havaitut signaalit vastaavat hyvin näytepisteisiin assosioitua dataa, relevanttien ι·« · .*··. näytepisteiden määrä on suuri.

Siis jos jonkin laitemallin soveltaminen kasvattaa relevanttien näyte- pisteiden määrää, voidaan päätellä, että laitemalli pystyy eliminoimaan osan \.7 30 laitekohtaisesta vääristymästä. Optimaalisesti valittu laitemalli on sellainen, • · **;·* joka maksimoi relevanttien näytepisteiden määrän. Laitemallin valintatark- *:··: kuutta voidaan edelleen parantaa analysoimalla havaintojen sarja. Voidaan *:**: esimerkiksi valita se laitemalli, jolla on korkein relevanttien näytepisteiden määrän keskiarvo havaintojen sarjan yli.

• t i ·*· *"*: 35 Kuvio 11A esittää kohdeobjektia ja radioverkon osaa, jossa on kolme pääsypistettä ja useita näytepisteitä. Kolmiot, jotka on merkitty A1 - A3, 40 118787 osoittavat kolmea pääsypistettä. Plusmerkit, jotka on merkitty S1 - S9, osoittavat yhdeksää näytepistettä datamallissa, joka mallintaa signaali-parametriarvoja, kuten signaalinvoimakkuutta radioverkossa. Viitemerkki TO osoittaa kohdeobjektin sijaintia. Asiayhteydestä riippuen viitemerkki TO voi 5 viitata itse kohdeobjektiin tai sen sijaintiin. Kohdeobjektin sijaintia ei tiedetä, kun paikannus aloitetaan, ja se on vain estimaatti, kun paikannus on loppuun suoritettu. Viitenumero 1102 osoittaa kohdeobjektin TO tekemien radiotaajuisten havaintojen joukkoa. Tässä esimerkissä signaaliparametrin havaitut arvot, kuten signaalinvoimakkuus, pääsypisteissä A1, A2 ja A3 ovat vastaa-10 vasti 2, 8 ja 9. Kohdeobjekti TO paikannetaan paikannuskoneella PE, joka joissakin suoritusmuodoissa voi sijaita itse kohdeobjektissa. Mutta keksinnön resursseja säästävät ominaisuudet hyödynnetään parhaiten paikantamalla suuri määrä kohdeobjekteja yhteisellä paikannuskoneella. Eräässä tyypillisessä toteutuksessa paikannuskone on datanprosessointilaitteisto, kuten 15 palvelin tai palvelinjoukko, joka käsittää datamalliin paikannusympäristöstä, välineet kohdeobjektin sijainnin kohdalla tehtyjen signaaliparametrihavaintojen vastaanottamiseksi sekä välineet keksinnön mukaisen menetelmän suorittamiseksi.

Havainnollisuuden vuoksi kuvio 11A näyttää myös kutakin kolmea 20 pääsypistettä kohti kolme yhtä suuren signaaliparametriarvon viivaa. Nämä yhtä suurten arvojen viivat esittävät sijainteja, joissa pääsypisteiden : signaaliarvot ovat 10 (sisin viiva), 5 (keskimmäinen viiva) ja 1 (uloin viiva).

Nämä viivat näytetään vain keksinnön ymmärtämisen helpottamiseksi eikä niitä käytetä laskelmiin. Kuviot 11A - 11C esittävät signaaliparametreja yksin-: 25 kertaisina skalaariarvoina välillä 0-12, selityksen tekemiseksi ymmärrettäväksi • sitä lukeville ihmisille. Tosielämän tilanteessa signaaliparametriarvot voisivat IM · .*··. olla esimerkiksi signaalinvoimakkuuksia, jotka ilmaistaan dBm-yksiköissä.

Kuviot 11B ja 11C esittävät yhteisesti esimerkinomaista relevanssi-··, osoittimien joukkoa relevanttien näytepisteiden joukon osoittamiseksi.

V M

30 Kuvio 11B esittää mahdollisten signaalin laatuarvojen alueita **:** yhdelle näytepisteelle, nimittäin S1 :lle, ja kolmelle pääsypisteelle A1 - A3, jotka *·**: näytettiin kuviossa 11 A. Tässä selostetussa suoritusmuodossa signaalipara- ·:··: metriarvoja käsitellään diskreetteinä arvoina. Kaikki digitaaliset mittaus- f \4 järjestelmät tuottavat tietenkin "diskreettejä” arvoja, mutta tässä käytettynä 35 termi "diskreetti" viittaa siihen, että mahdollisten arvojen alueet käsitellään suhteellisen pienenä määränä säiliöitä ("bin”) eikä lähestulkoon jatkumona 41 118787 digitaalisia numeroita. Tulisi ymmärtää, että termin "diskreetti” tarkka määritelmä ei ole oleellinen, sillä keksintöä voidaan soveltaa tekniikoihin, joissa mahdollisia signaalin laatuarvoja pidetään jatkuvina (ei diskreetteinä).

Kuvio 116 liittyy suoritusmuotoon, jossa datamalli on probabilistinen 5 malli. Probabilistinen malli osoittaa todennäköisyysjakaumia mitattaville fyysisille suureille, jotka tässä esimerkissä ovat signaaliparametriarvoja. Viitenumero 1121A osoittaa pääsypisteen A1 signaalien parametriarvojen todennäköisyysjakaumaa näytepisteessä S1. Eräässä tyypillisessä mutta ei-rajoittavassa toteutuksessa tämä tarkoittaa A1:stä lähtevän signaalin 10 voimakkuutta näytepisteessä (sijainnissa) S1. Tätä suuretta merkitään D(A1/S1):llä. Signaalinvoimakkuuden jakauma voidaan määrittää todellisilla mittauksilla, tietokonesimuloinneilla tai millä tahansa tällaisten tekniikoiden yhdistelmällä.

Vaakaviiva 1121B osoittaa mahdollisten signaaliparametriarvojen 15 aluetta yhdistelmälle A1 ja S1. Signaaliparametriarvoa pidetään mahdollisena, jos sen todennäköisyys poikkeaa nollasta tilastollisesti merkitsevällä marginaalilla. Tilastollisen merkitsevyyden kysymys sisältää kompromissin laskennan optimoimisen ja tarkkuuden/iuotettavuuden välillä. Jos vaadittu marginaali on korkea (signaaliarvot hyväksytään vain, jos niillä on "hyvin" suuri 20 todennäköisyys), niin vain pientä määrää näytepisteitä pidetään relevantteina ja laskentaresurssien säästö on suuri. Toisaalta on riski jättää huomiotta ··· •V : näytepiste, joka voisi vaikuttaa paikannukseen.

Viitenumerot 1122A ja 1123A osoittavat vastaavia jakaumia muille pääsypisteille A2 ja A3. Viitenumerot 1122B ja 1123B osoittavat vastaavia :25 mahdollisten signaaliparametriarvojen arvoja.

• I» · · : Kuvion 11B pitämiseksi kompaktina se näyttää mahdollisten .*··, signaaliparametriarvojen alueet yhdelle näytepisteelle (S1) ja kolmelle pääsy- pisteelle (A1 - A3). Tosielämän järjestelmässä mahdollisten signaalipara-metriarvojen alueet tulisi määrittää erikseen datamallin (tietokannan) kullekin 30 näytepisteelle.

• · *·;** Kuvio 11C esittää prosessia relevanttien näytepisteiden joukon *:··: saamiseksi. Viitenumero 1131A osoittaa mahdollisten signaaliparametriarvojen *:··· aluejoukkoa pääsypisteelle A1 ja kullekin kuviossa 11A näytetylle yhdeksälle e näytepisteelle S1 - S9. Viitenumerot 1132A ja 1133A osoittavat samanlaisia **:\ 35 aluejoukkoja kahdelle muulle pääsypisteelle A2 ja A3. Kussakin dataraken teessa 1131A - 1133A näytepisteen S1 ylin alue on sama, joka näytettiin jo 42 118787 kuviossa 11B, ja alueet muille näytepisteille S2 - S9 määritetään samoin. Esimerkiksi datarakenne 1131A näyttää, että pääsypisteen A1 radio-signaaliparametrin arvolla, näytepisteestä S3 nähtynä, on alue (noin) 1 - 5.

Viitenumerot 1131B - 1133B osoittavat kolmea arvoikkunaa, yksi 5 kutakin kolmea pääsypistettä kohti. Kukin arvoikkuna 131B - 1133B on sijoitettu vastaavan pääsypisteen signaaliparametriarvon kohdalle. Kuten kuvion 11A yhteydessä todettiin, kohdeobjekti havaitsi signaaliparametriarvot 2, 8 ja 9, vastaavasti kolmelta pääsypisteeltä A1, A2 ja A3. Tällöin arvoikkunat 1131B - 1133B sijoittuvat datarakenteissa 1131A - 1133A kohtiin 2, 8 ja 9. 10 Tämän selostuksen aluksi voidaan olettaa, että arvoikkunoiden leveys on yksi. Leveyttä selostetaan myöhemmin lähemmin.

Nyt ajatuksena on käyttää datarakenteita 1131A - 1133A ja arvoikkunoita 1131B - 1133B määrittämään relevanttien näytepisteiden joukko. Kohdeobjektin sijainnin kohdalla havaittu pääsypisteen A1 signaaliparametrin 15 arvo oli 2 (vai=2). Mahdollisten signaaliarvojen alueet näytepisteille S3, S6, S8 ja S9 osuvat päällekkäin arvoikkunan 1131B kanssa. Toisin sanoen näytepisteet S3, S6, S8 ja S9 ovat kandidaatteja relevanteiksi näytepisteiksi, kun annettuna on havainto vA1=2. Merkillä Ri osoitetaan näytepisteen Ai antamaa kandidaattinäytepisteiden joukkoa Toistamalla sama proseduuri 20 kahdelle muulle näytepisteelie paikannuskone määrittää seuraavat relevanttien näytepisteiden joukot: ;X: R1 = {S3, S6, S8, S9} R2 = {S2, S3, S5, S6, S8, S9} : R3 = {S5, S6, S7, S8, S9} : 25 Paikannuskone määrittää nämä relevanttien näytepisteiden joukot ··· · : .·. etukäteen kullekin näytepisteelie ja signaaliarvolle, tallentaa joukot ja käyttää !*··* niitä useassa myöhemmässä paikannussyklissä. Tallennettuja joukkoja • « voidaan käyttää, kunnes paikannusympäristö kalibroidaan uudelleen (mittauksilla tai simuloinneilla).

:..7 30 Seuraavaksi paikannuskone määrittää yllä mainittujen kolmen · '·;·* joukon R1, R2 ja R3 leikkauksen määrittääkseen niiden pääsypisteiden joukon, *:**: jotka ovat relevantteja, kun annettuna on kolme havaintoa {vA1=2, va2=8, ·;··· vA3=9}. Muodostuvaa joukkoa merkitään symbolilla R: R = R1flR2nR3 35 = {S3, S6, S8, S9}n{S2, S3, S5, S6, S8, S9}n{S5, S6, S7, S8, S9} = {S6, S8, S9}.

43 118787 Tässä esimerkissä siis relevanttien näytepisteiden joukko pieneni yhdeksästä kolmeen. Tosielämän tilanteessa, kun näytepisteiden määrä on suuri, vähennyssuhde tulee olemaan paljon suurempi kuin kolme. Yhdellä paikannuskoneella paikannettavien kohdeobjektien määrä kasvaa likimain 5 samalla kertoimella.

Yllä olevassa selostuksessa arvoikkunoiden 1131B - 1133B leveys oletettiin kiinteäksi. On kuitenkin parempi aloittaa suhteellisen pienellä leveydellä, ja jos syntyvä relevanttien näytepisteiden joukko on tyhjä tai liian pieni antamaan luotettavia tuloksia, määritetään toinen joukko lievennetyillä 10 kriteereillä, kuten laajemmilla arvoikkunoilla. On itsestään selvää, että fyysiset arvoikkunat on piirretty vain havainnollistamisen vuoksi ja dataprosessorit voivat tarkastaa numeroarvot ilman visualisointia.

Tässä esimerkissä käytettiin kolmen joukon R1, R2 ja R3 matemaattisesti yksinkertaista leikkausta määrittämään yksi, kaikille kolmelle 15 havainnolle relevanttien näytepisteiden joukko. Tämä tarkoittaa, että näytepisteen pitää olla relevantti jokaiselle havainnolle ollakseen relevantti havaintojen yhdistelmälle. Mutta tosielämän mittaukset ovat harvoin näin yksinkertaisia, ja myöhemmin, kuvion 14 yhteydessä selostetaan algoritmi, joka pitää näytepistettä relevanttina, vaikka se ei näytä olevan relevantti 20 yhdelle tai useammalle havainnolle.

Keksinnön joissakin suoritusmuodoissa Hipaistaan hälytys, jos ··« ·* kokeellisesti sopivaksi tiedetty arvoikkuna tuottaa tyhjän relevanttien näytepisteiden joukon. Tällainen tilanne voi olla oire laiteviasta itse : kohdeobjektissa tai jossakin pääsypisteessä (tukiaseman lähettimessä).

• :*; 25 Vaihtoehtoisesti signaalinkulkuominaisuudet paikannusympäristössä ovat : .·. muuttuneet tilapäisten esteiden tai seinärakenteiden pysyvien muutosten ,*··*.' seurauksena. Olipa tyhjän relevanttien näytepisteiden joukon syy mikä • · tahansa, se on tutkittava.

Kuviot 12A ja 12B esittävät tapausta, jossa signaaliparametriarvot ·*..;* 30 käsitellään jatkuvina arvoina ja mallinnetaan symmetrisinä, yksihuippuisina * · ’··♦* todennäköisyysjakaumina. Yleistys monihuippuisiin ja epäsymmetrisiin ·:··: todennäköisyysjakaumiin selostetaan kuvion 15 yhteydessä. Käytetään ·:··: seuraavaa notaatiota: ·. A = {ai, a2,..., %,} = pääsypisteiden joukko • · · *·*··* 35 S = {sj, S2,.... Sm) s näytepisteiden joukko v = {vi, v2,..., v„) = havaittujen signaaliparametriarvojen joukko (vektori) 44 118787 vi = signaaliarvo pääsypisteelle a, NA= ei käytettävissä oleva arvo (peittoalueen ulkopuolella, pyyhkäisy epäonnistui,...) P(V|Sj, aj) = pääsypisteen a, signaaliparametrin todennäköisyys- 5 jakauma näytepisteessä Sj £ (epsilon) - parametri, joka spesifioi riskin, että haku ohittaa relevantin näytepisteen; esim. ε G [0,1]

Kuviossa 12A viitenumero 1202 osoittaa x-akselia, joka edustaa pääsypisteestä havaittuja signaaliparametriarvoja. y-akseli 1204 edustaa pää-10 sypisteen aj signaaliparametriarvojen todennäköisyysjakaumaa P(V|Si, aj) näytepisteessä Sj. Todennäköisyysjakaumaa osoitetaan viitenumerolla 1206. Tämä tekniikka pyrkii määrittämään yhden tai useamman signaaliarvoalueen siten, että todennäköisyys havaita alueiden ulkopuolinen arvo ei ylitä ennalta määrättyä todennäköisyyskynnystä ε. Koska todennäköisyysjakauma kuviossa 15 12A on symmetrinen ja yksihuippuinen, on mahdollista määrittää yksi signaa-liarvoalue, jota rajaavat vaatimuksen täyttävät signaaliparametriarvot vmin ja Vmax- Viitenumerot 1210 ja 1212 edustavat vastaavasti signaaliparametriarvoja Vmin ja Vmax siten, että havaitun signaaliparametriarvon todennäköisyys olla välin Vmin ja vmax ulkopuolella on £, ja seuraavat yhtälöt ovat voimassa: 20 P(V < Vmin I s(l aj) = ε/2 P(V > Vmax | Sj, 3j) = ε/2

Toisin sanoen signaaliparametriarvojen minimi ja maksimi vmin ja Vmax eivät ole absoluuttisia minimi- ja maksimiarvoja vaan arvoja, jotka rajaavat 7.*·. sellaisen alueen ala- ja yläpäätä, joka alue sisältää valtaosan todennäköisyy- .*7, 25 destä P(V|si, aj). Tätä aluetta osoitetaan viivoituksella.

:*V Kuvio 12B osoittaa todennäköisyyskertymää 1226, joka johdetaan t · · ·*!/ kuviossa 12A näytetystä todennäköisyysjakaumasta 1206. Kuviossa 12A viite- numeroilla 1210 ja 1212 vastaavasti osoitetut signaaliparametriarvojen minimi ja maksimi vmin ja vmax rajaavat viivoitettua aluetta 228 siten, että todennä-j**·· 30 köisyyskertymä signaaliarvon olemiselle välillä vmjn ja vmax on 1-ε.

·[[[: Yllä selostusta todennäköisyystarkastelusta voidaan johtaa rele- vanssikriteeri sen määrittämiseksi, että tietty näytepiste on relevantti paikan- • * "a(. nettaessa kohdeobjektia, joka teki havaintovektorin v.

Kuten yllä todettiin, v, - signaaliarvo pääsypisteelle a. E A. Näyte-35 pistettä Sj pidetään relevanttina, jos V\ on jonkin sellaisen signaaliarvoalueen *:·*: sisällä, joka on määritetty pääsypisteelle aj näytepisteessä Sj. Mikäli näyte- pisteeseen Sj assosioitu signaaliarvojen jakauma on symmetrinen ja yksi- 45 118787 huippuinen, ja signaaliarvoalueen ala- ja ylärajat ovat vastaavasti v™ ja vmax, kuten yllä selostettiin, niin relevanssikriteeri voidaan kirjoittaa seuraavasti:

Vjnin £ Vj £ Vmax R,[v] osoittaa muodostuvaa relevanttien näytepisteiden joukkoa, 5 olettaen että pääsypisteen ai havaittu signaaliparametrin arvo on v.

Kuvio 13 esittää alustusalgoritmia 1300 relevanttien näytepisteiden joukon alustamiseksi. Rivi 1302 määrittelee Begin ... End -silmukan, joka suoritetaan kutakin pääsypistettä ai kohti näytepistejden joukossa A. Rivi 1304 tyhjentää relevanttien näytepisteiden joukon Rj[v] signaaliparametriarvon v 10 kullekin arvolle. Rivi 1306 määrittelee Begin ... End -silmukan, joka suoritetaan kutakin näytepistettä si kohti näytepisteiden joukossa S. Rivit 1308 ja 1310 laskevat signaaliparametriarvon minimin ja maksimin, vastaavasti vmin ja vmax, siten että havainnon todennäköisyys alittaa vmln tai ylittää vmax on ε. Rivi 1314 lisää nykyisen näytepisteen s·, relevanttien näytepisteiden joukkoon Rj[v] sig-15 naaliparametrin arvolle v.

Kuvio 14 esittää algoritmia 1400 relevanttien näytepisteiden joukon Rc S löytämiseksi, ts. näytepisteiden, jotka ovat relevantteja määritettäessä havaintoa v vastaavaa sijaintia. Rivi 1402 luo tyhjän joukon C, joka tulee sisältämään kandidaattinäytepisteiden joukon. Rivi 1404 alustaa muuttujan Fmax 20 kuultavien (havaittavien) pääsypisteiden määrää varten. Rivi 1406 alkaa For-silmukan, joka suoritetaan kutakin signaaliparametriarvoa Vj kohti havaintovek-torissa v, olettaen että signaaliparametriarvo ei ole “NA" (not available). Rivillä 1408 kuultavien pääsypisteiden määrän muuttujaa Fmax kasvatetaan yhdellä. "I*, Rivi 1410 alkaa For-silmukan, joka suoritetaan kutakin näytepistettä S\ kohti, 25 joka kuvioiden 11A -11C yhteydessä selostettujen aluetarkastelujen perusteel- • · · :-V la on mahdollinen näytepiste, kun annettuna on havainto Rj[Vj].

Rivi 1412 alkaa If... Then -rakenteen, jonka Then-osa suoritetaan, mikäli näytepiste Sj ei ole kandidaattinäytepisteiden joukon C jäsen. Rivillä 1414 näytepiste si lisätään kandidaattinäytepisteiden joukkoon C. Rivillä 1416 ;**.· 30 osumalaskuri F[j] alustetaan arvoon yksi. If... Then -rakenteen Else-osa sisäl- :***: tää rivin 1418, jolla osumalaskuria F[j] kasvatetaan yhdellä. Joissakin toteutuk- sissa osumalaskuriin F[j] lisättävä arvo ei ole kiinteästi yksi vaan riippuu havai- ! tun arvon todennäköisyydestä.

• ♦ ♦ * • · · • Λ · ·· * 9···· • · / 46 118787

Rivi 1420 alkaa algoritmin 1400 toisen osan. Rivillä 1420 relevanttien näytepisteiden joukko alustetaan tyhjäksi joukoksi. Rivi 1422 alkaa For-silmukan, joka suoritetaan kutakin näytepistettä s, kohti kandidaattinäyte-pisteiden joukossa C. Rivi 1424 on If... Then -rakenne, joka suoritetaan, jos 5 kuultavien pääsypisteiden määrä Fmax miinus osumalaskuri F[j] on pienempi tai yhtä suuri kuin tietty toleranssimarginaali K. Lopuksi, rivillä 1428, tuloksena oleva relevanttien näytepisteiden joukko R palautetaan kutsuvalle sovellukselle.

Toleranssimarginaalin K merkitys on seuraava. Jos K - 0, niin algo-10 ritmi 1400 toimii kuin proseduuri, joka näytettiin kuvioissa 11A -11C, erityisesti kuviossa 11C, siinä mielessä, että näytepistettä pidetään relevanttina vain, jos se on mahdollinen näytepiste kullekin signaaliparametriarvolle havaintovekto-rissa v. Kuitenkin voi käydä niin, että arvo K = 0 asettaa liian ankaran kriteerin ja tuottaa tyhjän tai hyvin pienen relevanttien näytepisteiden joukon. Arvo K = 15 n; n = 1, 2, ... , tarkoittaa, että näytepistettä pidetään relevanttina, vaikka se esiintyisikään määrässä n kuviossa 11C näytettyjä joukkoja R1 ... R3.

Kuvio 15 esittää kuvioissa 12A - 14 näytettyjen yhden huipun esimerkin laajentamista useaan huippuun. Viitenumero 1502 osoittaa X-Y -koordinaatistoa, jossa kynnystaso 1504 leikkaa käyrän 1506. Kuvio 5 näyttää 20 kaksi aluetta, joissa käyrä 1506 on korkeammalla kuin kynnystaso 1504. Alue A1 ulottuu Xi:stä x2:een ja alue A2 ulottuu X3:sta to X4:ään. Ajatuksena on aset-taa kynnystaso 1504 siten, että viitenumerolla osoitettu ehto täyttyy. Selväkielellä ehto 1508 määrää, että todennäköisyyden P(V=x) integraali, laskettuna *·*: huippualueiden Ai, A2.....yli, on yhtä suuri kuin 1-ε.

• · · 25 Keksinnön joissakin suoritusmuodoissa datamalli ei ole probabi-

t Φ I

listinen malli. Esimerkiksi näytepisteet voivat sisältää vain mitattavien fyysisten ί.ϊ i suureiden jonkin tilastollisen yhteenvedon, kuten keskiarvon, mediaanin, mini- • · · min tai maksimin. Lisäksi näytepisteet voivat sisältää yhden tai useamman havainnon alkuperäisesti mitattuna tai joitakin havainnoista johdettuja arvoja. Vie-30 lä eräs mahdollisuus on, että näytepisteet sisältävät arvoja, jotka johdetaan :*’*· tietokonesimuloinneilla, kuten säteenseurantatekniikoilla.

··* | ; Keksinnön joissakin suoritusmuodoissa relevanssikriteeri voi [ perustua etäisyyksiin arvoihin, jotka on assosioitu näytepisteisiin. Jos \ * esimerkiksi Xi on signaaliarvo pääsypisteelle assosioituna näytepisteeseen Sj, : 35 signaaliarvoaiueen ala- ja ylärajat voidaan määritellä käyttämällä ennalta ·:·*· määrättyä marginaalia z seuraavasti: 47 118787

Vmin = Xi-Z;

Vmax=Xi+Z.

Graafi- ja historiaperusteinen paikannus

Paikannuksen epävarmuutta voidaan vähentää edelleen käyttämäl-5 lä keksinnön mukaisia relevanssiosoittimia yhdessä graafiperusteisen paikannustekniikan kanssa, joka selostetaan saman hakijan PCT- hakemusjulkaisus-sa W02004/008795, jonka opetus sisältyy tähän viittauksena. Mainittu PCT-julkaisu esittää graafiperusteisen paikannustekniikan yhdessä Markovin piilo-mallien kanssa, mutta tämä keksintö ei rajoitu Markovin piilomalieihin. Graafi-10 perusteinen paikannustekniikka voidaan tiivistää seuraavasti. Topologiagraafi mallintaa langattoman viestintäympäristön topologiaa. Topologiagraafi osoittaa joukon solmuja, joista kukin osoittaa sallittua sijaintia langattomassa viestintäympäristössä. Topologiagraafi osoittaa myös joukon kaaria, joista kukin osoittaa sallittua kohdeobjektin siirtymää kahden solmun välillä. 15 Topologiagraafia käytetään estimoimaan kohdeobjektin sijaintia datamallin ja havaintosekvenssin perusteella. Langattoman viestintäympäristön topologiaa mallintavaa topologiagraafia voidaan käyttää esimerkiksi sulkemaan pois mahdottomia sijainteja ja/tai mahdottomia sijaintien välisiä siirtymiä.

Kuvio 16 havainnollistaa graafiperusteisen paikannustekniikan käyt-20 töä keksinnön mukaisten relevanssiosoittimien yhteydessä. Kuvion 6 esimer-kissä topologiagraafi TG mallintaa sallittuja sijainteja ja siirtymiä paikan- • · » ' . nusympäristössä. Tässä yksinerktaisessa esimerkissä näytetty topologiagraafi -I TG käsittää 20 solmua, joita osoitetaan viitemerkeillä N1 - N20. Tässä esimer- • · · [•:l kissä solmut N1 - N20 ovat myös datamallin näytepisteitä. Viitemerkit T1 - T4 ί·: : 25 osoittavat kohdeobjektiin sijainteja neljänä eri ajanhetkenä. Viitemerkit S11 - • · :.: : S14 osoittavat neljää erilaisten relevanttien näytepisteiden joukkoa, joista kukin vastaa eri ajanhetkeä T1 - T4. Relevanttien näytepisteiden joukot voidaan määrittää aiemmin tässä selostuksessa esitettyjen relevanssiosoittimien avulla.

Diagrammi 1610 havainnollistaa mahdollisten kohdeobjektin sijain-.·**. 30 tien määritystä ajanhetkinä T1 - T4. Hetkellä T1 relevanttien näytepisteiden ‘ , joukko S11 käsittää näytepisteet (solmut) N3 - N6, joita osoitetaan neljällä X- merkillä. Hetkellä T2 relevanttien näytepisteiden joukko S12 käsittää näyte-pisteet N6, N7, N14 ja N15. Hetkellä T3 relevanttien näytepisteiden joukko S13 : käsittää näytepisteet N6 - N9. Lopuksi, hetkellä T4 relevanttien näytepisteiden 35 joukko S14 käsittää näytepisteet N1, N9 - N13 ja N18.

48 118787 Tässä esimerkissä oletetaan, että kohdeobjekti voi pysyä paikallaan tai liikkua jostakin solmusta sen välittömään naapuriin yhdessä ajan yksikössä, mutta se ei voi liikkua taipeeksi nopeasti hypätäkseen kaksi tai useampia solmujen välisiä kaaria yhdessä ajan yksikössä. Perustuen tietoon ajanhetkellä 5 T1, kukin solmuista N3 - N6 on mahdollinen kohdeobjektin sijainti, vaikkakaan kaikki sijainnit eivät ole yhtä todennäköisiä. Mutta hetkellä T2 sääntö korkeintaan yhden solmuvälin hypystä aikayksikköä kohti sulkee pois solmut N3 ja N4 hetkellä T1, koska kohdeobjekti ei ole voinut liikkua kummastakaan näistä solmuista mahdolliseen solmuun hetkellä T2. Sama sääntö myös sulkee pois 10 solmut N14 ja N15 hetkellä T2, koska näitä solmuja ei voida saavuttaa mahdollisten solmujen joukosta, joka vallitsi hetkellä T1.

Hetkellä T3 relevanttien näytepisteiden joukko S13 käsittää näyte-pisteet N6 - N9. Mutta sääntö korkeintaan yhden solmuvälin hypystä aikayksikköä kohti sulkee pois solmun N9, koska se on kahden solmuvälin hypyn 15 päässä mistä tahansa hetkellä T2 mahdollisesta solmusta. Lopuksi, hetkellä T4 kohdeobjektin sijainti voidaan kiinnittää solmuun N9, vaikka relevanttien näytepisteiden joukko S14 käsittää myös solmut N1, N10 - N13 ja N18. Mutta N9 on ainoa mahdollinen solmu, joka voidaan saavuttaa yhdellä solmujenväli-sellä hypyllä jostakin hetkellä T3 mahdollisesta solmusta.

20 Voidaan nähdä, että kohdeobjektin siirtymähistoriaa ajanhetkinä T1 - T4 voidaan käyttää vähentämään (tai eliminoimaan) kohdeobjektin aiempia ·*·*; sijainteja koskevaa epävarmuutta, sen lisäksi että vähennetään kohdeobjektin nykyistä sijaintia koskevaa paikannusepävarmuutta. Kuten aiemmin todettiin, ajanhetkellä T1 käytettävissä olleen tiedon perusteella, kohdeobjekti olisi voi- • * i 25 nut olla missä tahansa solmussa N3 - N6. Mutta kun paikannuskoneella on i*Y käytettävissään koko siirtymähistoria (tässä esimerkissä neljä askelta), paikan- • · · :;γ nuskone voi muodostaa kohdeobjektin polun: N6 - N7 - N8 - N9, kuten neljä *···* ympyrää diagrammissa 1610 osoittavat.

Graafiperusteista paikannustekniikkaa, jota selostetaan tässä, kuvi- *· : *·* 30 on 16 yhteydessä, ja lähemmin yllä mainitussa PCT-hakemuksessa, voidaan käyttää edelleen vähentämään paikannusepävarmuutta, koska jotkut mahdot-tornia siirtymiä vaativat solmut voidaan sulkea pois. Graafiperusteista paikan- • « . nusta voidaan käyttää myös vähentämään laskentakuormitusta, joka on tämän keksinnön pääasiallinen tavoite, koska mahdottomia siirtymiä vaativat näyte- » :.j.: 35 pisteet (solmut) voidaan jättää laskelmien ulkopuolelle. Tässä esimerkissä re- *:**: levanttien näytepisteiden joukko S14 hetkellä T4 käsittää seitsemän solmua 49 118787 (N1, N9 - N13 ja N18), mutta vain yksi solmu, nimittäin N9, on mahdollinen solmu, kun kohdeobjektin koko siirtymähistoria otetaan huomioon.

Yllä oleva esimerkki voidaan kuvata formaalisti käyttämällä Markovin piilomalleihin perustuvia tekniikoita. L(si) osoittaa joukkoon si 5 kuuluvan näytepisteen naapureita, ts. näytepisteitä, jotka voidaan saavuttaa joukkoon Si kuuluvista näytepisteistä yhdellä askeleella. L(R) osoittaa relevanttien näytepisteiden naapurien joukkoa: £(Ä) = lJl(s,U sä i=l

Seuraavassa HMMi, HMM2, ... HMMi, osoittavat peräkkäisiä ha· 10 vaintosyklejä Markovin piilomallissa. Relevanttien näytepisteiden joukot (R) ovat seuraavat:

HMM-f. Rhmm/1 = R1 Q S

HMM2: Rhmm/2 = R2 Π L(Rhmm/i) HMMi: Rhmm/i = Ri Π L(Rhmm/i-i) 15 Tätä piirrettä havainnollistetaan diagrammissa 1610 vaakasuorilla viivoilla. Vaakasuorat katkoviivat osoittavat relevanttien näytepisteiden naapureita, ja yhtenäiset vaakaviivat osoittavat relevanttien näytepisteiden naapureita sen jälkeen mahdottomien siirtymien poissulkemisen jälkeen. Voidaan nähdä, että keksinnön mukainen tekniikka vähentää laskentakuormitusta, koska 20 havaintojen todennäköisyydet on laskettava vain niiden näytepisteiden osalta, ...( jotka kuuluvat Markovin piilomallitarkastelun perusteella relevanteiksi todettu- '**.* jen näytepisteiden joukkoihin Rhmm/i...u

• M

···; Jos relevanttien näytepisteiden joukko Rhmm^ on tyhjä tai hyvin lä- *.i.* hellä tyhjää, tämä tarkoittaa, että jotain odottamatonta on tapahtunut ja tulisi : 25 ryhtyä toimenpiteisiin ennen paikannuksen jatkamista. Esimerkiksi havaitut • · ·.· 5 signaalit voivat olla tilapäisesti estyneinä, datamalli voi olla vanhentunut, koh- f deobjektiin kiinnitetty anturilaite voi olla epäkunnossa tms. Jos ongelma jatkuu, tulisi Hipaista hälytys.

Kuvion 16 yhteydessä selostetussa esimerkissä topologiagraafia TG .···. 30 käytettiin siten, että kohdeobjektin TO sijainnin pääteltiin olevan jossakin topo- logiagraafin TG varrella olevassa solmussa. Eräässä vaihtoehtoisessa toteu-i tuksessa kohdeobjektin sijainti tulkitaan miksi tahansa pisteeksi topologia- graafin TG varrella, ei siis välttämättä joksikin ennalta määrätyksi solmuksi N1 . - N20. Vielä eräässä toteutuksessa kohdeobjektin sijainti tulkitaan miksi tahan- 35 sa pisteeksi, jonka etäisyys poikkeaa topologiagraafista TG korkeintaan ennalta määrätyn marginaalin verran, kuten käytävänleveyden puolikkaan. Edelleen, 50 118787 topologiagraafi TG voi käsittää yhdistelmän kaaria, jotka soveltuvat mallintamaan pitkänomaisia polkuja, sekä alueita, jotka soveltuvat mallintamaan avoimia tiloja, kuten suuria huoneita.

Lähdedokumentteja: 5 1. W02004/008795 selostaa sijainninmääritystekniikoita, jotka käyttävät koh- deobjektin viestintäympäristön topologiaa mallintavaa graafia.

2. WO03/102622 selostaa kohdeobjektin sijainninmääritystekniikoita langattomassa ympäristössä. Tekniikat käyttävät langattoman ympäristön useaa alimallia, joista kukin osoittaa signaaliarvojen todennäköisyysjakauman 10 langattoman ympäristön yhdessä tai useammassa pisteessä. Alimallit yhdistetään ympäristön probabilistiseksi malliksi, joka osoittaa signaaliarvojen todennäköisyysjakauman ympäristössä.

3. W02004/008796 selostaa sijainninmääritystekniikan, johon kuuluu usean laitemallin määrittäminen erojen kompensoimiseksi eri kohdeobjektien te- 15 kernien signaalinlaatuparametrihavaintojen välillä, ja useasta iaitemallista spesifisen laitemallin valitseminen spesifiselle kohdeobjektille.

4. W002/054813 selostaa menetelmiä ja laitteita vastaanottimen sijainnin es-timoimiseksi langattomassa viestintäympäristössä.

Yllä mainitut lähdedokumentit ovat saman haltijan patenttihakemuksia, jotka 20 sisältyvät tähän viittauksena.

··· * · » • · · » ··· m

«•M

* · · * · ♦ ··1 Ϊ ·1· : • •e : : ··· ·· • » : ·· ··· • · • s ··1 • · • ♦ • · · • · § ·«· ·

Claims (25)

51 118787

1. Menetelmä kohdeobjektin (TO) ominaisuusjoukon estimoimiseksi ympäristössä (EN, RN), joka ominaisuusjoukko käsittää sijainnin; jossa menetelmässä: 5. mallinnetaan ympäristöä topologiamallilla (TM) ja datamallilla (DAM), missä topologiamalli (TM) osoittaa sallittuja sijainteja ja siirtymiä ympäristössä ja datamalli osoittaa ainakin yhden sijainnista riippuvan fyysisen suureen (PQ) kullekin useasta topolo-giamallin (TM) osoittamasta sijainnista; 10. mallinnetaan kohdeobjektin sijainninmuutosominaisuuksia yhdel lä tai useammalla liikemallilla (MM), joista kukin mallintaa spesifistä kohdeobjektin tyyppiä ja noudattaa topologiamallin (TM) osoittamia sallittuja sijainteja ja siirtymiä; - osoitetaan kohdeobjektille yksi tai useampia samoin sijoitettuja 15 anturilaitteita (SD), joista kukin pystyy tekemään havaintoja (OS) yhdestä tai useammasta sijainnista riippuvasta fyysisestä suureesta (PQ); tunnettu siitä, että: - osoitetaan kohdeobjektille (TO) joukko partikkeleja (P, 112,122, 20 ...)> joista kullakin on joukko attribuutteja, joka attribuuttijoukko ..... käsittää ainakin sijainnin suhteessa topologiamaliiin (TM); *. - estimoidaan kohdeobjektin (TO) ominaisuusjoukkoa (PS; 111, *"! 121, 131, 141) kohdeobjektille osoitettujen partikkelien attribuut- tijoukon (AS; 112,122,...) avulla; ja :·: i 25 - päivitetään partikkelien joukko useassa päivityssyklissä, joista • · : kukin käsittää seuraavat vaiheet a) ...c): !.1.·’ a) määritetään kullekin partikkelille uskomusaste (113, 123, ...). jol la se tarkasti estimoi kohdeobjektin ominaisuusjoukkoa (PS), käyttämällä datamallia (DAM) ja havaintoja (OS) ainakin yhdestä .··1. 30 kohdeobjektiin assosioidusta anturilaitteesta (SD); b) määritetään paino (115, 125, ...) kullekin partikkelille perustuen ] ainakin määritettyyn uskomusasteeseen; ja c) kehitetään uusien partikkelien joukko päivityssykliä n+1 varten, : ·1: missä ··· 52 118787 - ainakin jotkut uudet partikkelit (122, 132, 142, 612) perustuvat yhteen tai useampaan vanhempaan partikkeliin päivityssyklin n kohdalla (112,122,132; 602), ja missä - päivityssyklissä n olevan partikkelin todennäköisyys tulla valituksi 5 vanhemmaksi partikkeliksi päivityssyklissä n+1 olevalle partikkelille on partikkelin painon ei-laskeva funktio; ja - attribuuttijoukko päivityssyklissä n+1 olevalle partikkelille johdetaan päivityssyklissä n olevan yhden tai useamman vanhemman partikkelin attribuuttijoukosta käyttämällä ainakin yhtä mainituista 10 yhdestä tai useammasta liikemallista (MM) ja ennalta määrättyä algoritmia (600).

2. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että: - luodaan painotettujen partikkelien näytekuva päivityssykliIle k, 15 missä näytekuva sisältää jotkut tai kaikki päivityssyklin k partikkelit, ja osoitetaan kullekin partikkelille seuraavien rekursiivisten sääntöjen määrittelemä paino, missä n on viimeisin päivityssykli, jolle painot on määritetty: - jos k = n, partikkelin paino perustuu patenttivaatimuksen 1 20 vaiheessa b määritettyyn painoon; ... - jos k < n, partikkelin paino perustuu partikkelin kaikkien • * t '·** suorien jälkeläisten, jotka ovat pä i vityssy kl il le k+1 luodussa ···*:* näytekuvassa, painojen summaan; ja - käytetään näytekuvaa estimoimaan kohdeobjektin (TO) · 25 ominaisuusjoukkoa (SP) päivityssyklin k ajanhetkellä. : .·. !·! S

·'·* 3. Patenttivaatimuksen 2 mukainen menetelmä, tunnettu siitä, että: „ - jaetaan painotettujen partikkelien näytekuva päivityssyklille k • · yhteen tai useampaan klusteriin, joista kukin sisältää 30 partikkeleita, jotka ovat keskenään samanlaisia yhden tai ····: useamman samanlaisuuskriteerin perusteella; ja - valitaan ainakin yksi klusteri ja estimoidaan kohdeobjektin (TO) *, ominaisuusjoukkoa (SP) päivityssyklin k ajanhetkellä kullekin va- lituile klusterille käyttämällä valitussa klusterissa olevia partikke- ····· » · 53 118787 leita ja painoja ja jättämällä pois klusteriin partikkelit ja painot, jotka eivät ole kyseisessä klusterissa.

4. Patenttivaatimuksen 3 mukainen menetelmä, tunnettu siitä, että ainakin yksi mainituista ainakin yhdestä samanlaisuuskriteeristä perustuu 5 partikkelien sijaintiin, jolloin kukin klusteri sisältää lähellä toisiaan olevia partikkeleita.

5. Patenttivaatimuksen 3 mukainen menetelmä, tunnettu siitä, että: - ylläpidetään useita ennalta määrättyjä vyöhykkeitä, joista kukin 10 sisältää yhden tai useamman sallitun sijainnin topologiamallissa (TM), ja missä: - ainakin yksi mainituista ainakin yhdestä samanlaisuuskriteeristä perustuu mainittuihin useaan vyöhykkeeseen siten, että partikkelit, joiden sijainnit kuuluvat samaan vyöhykkeeseen, kuuluvat 15 samaan klusteriin.

6. Patenttivaatimuksen 3 mukainen menetelmä, tunnettu siitä, että menetelmä käsittää luottamusarvon assosioimisen klusteria käyttämällä luotuun estimaattiin, missä luottamusarvo perustuu klusterissa olevien painojen summaan jaettuna näytekuvassa olevien painojen kokonaissummaan. • M • · · ** / 20

7. Patenttivaatimuksen 3 mukainen menetelmä, tu nnettu siitä, et- •••j tä kohdeobjektin (TO) estimoitu ominaisuusjoukko (PS) sisältää ainakin yhden spatiaalisen ominaisuuden (SP) ympäristössä ja menetelmä lisäksi käsittää: • · i - mallinnetaan mainittua ainakin yhtä spatiaalista ominaisuutta da- j.f: tamallilla (DAM), joka osoittaa spatiaalisen ominaisuuden (SP) f”: 25 kullekin useasta sijainnista ympäristössä; - missä kohdeobjektin (TO) ominaisuusjoukon (PS) estimointivai- :·. he käsittää: • ·· j···. - luodaan spatiaalisen ominaisuuden partikkeiispesifisiä esti- ’·* maatteja kullekin partikkelille, käyttäen datamallia (DAM) spa- 30 tiaalisen ominaisuuden osoittamiseksi partikkelin sijainnin m kohdalla; ja . .·. - yhdistetään partikkelispesifiset estimaatit käyttämällä partik- ··· kelien painoja. • · 54 118787

8. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että datamalli (DAM) on tai siihen kuuluu probabilistinen malli, joka osoittaa todennäköisyysjakauman (411, 412) mainitulle ainakin yhdelle sijaintiriippuvalle fyysiselle suureelle (PQ) topologiamaliin (TM) osoittamissa sijainneissa; ja 5 missä vaihe uskomusasteen määrittämiseksi partikkelille käsittää: - osoitetaan todennäköisyysjakauma (411, 412) sijaintiriippuvalle fyysiselle suureelle partikkelin sijainnin kohdalla käyttämällä da-tamallia (DAM); ja - käytetään osoitettua todennäköisyysjakaumaa määrittämään 10 kohdeobjektiin (TO) assosioidulta ainakin yhdeltä anturilaitteelta (SD) saadun fyysisen suureen (PQ) havainnon todennäköisyys.

9. Patenttivaatimuksen 8 mukainen menetelmä, tunnettu siitä, että datamalli (DAM) on tai siihen kuuluu probabilistinen malli, joka osoittaa todennäköisyysjakauman (411, 412) mainitulle ainakin yhdelle sijaintiriippuvalle 15 fyysiselle suureelle (PQ) useassa näytepisteessä (401, 402); ja missä vaihe todennäköisyysjakauman osoittamiseksi käsittää: - valitaan ainakin kaksi partikkelin sijainnin lähellä olevaa partikkelia; ja - yhdistetään fyysisen suureen todennäköisyysjakaumat (411, 20 412) valituissa näytepisteissä (401,402). ν’:

10. Patenttivaatimuksen 9 mukainen menetelmä, tunnettu siitä, "V että vaihe todennäköisyysjakaumien yhdistämiseksi käsittää: : ·*: - muodostetaan kertymäfunktio (421, 422) kullekin valitulle näyte- ··« : .·. pisteelle (401, 402) ja painotetaan kutakin kertymäfunktiota suh- 25 teellisellä painolla; ja - muodostetaan paonotettujen kertymäfunktioiden yhdistelmä (423).

{**.. 11. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että topologiamalli (TM, 530) käsittää solmuja ja solmujen välisiä kaaria (531 - | . 30 536) sallittujen sijaintien ja siirtymien osoittamiseksi.

• « :**: 12. Patenttivaatimuksen 9 mukainen menetelmä, tunnettu siitä, . !·. että topologiamalli (TM, 530) käsittää solmuja ja solmujen välisiä kaaria (531 - 536. sallittujen sijaintien ja siirtymien osoittamiseksi, ja missä vaihe ainakin kahden näytepisteen valitsemiseksi käsittää ainakin kahden sellaisen näytepis- 55 118787 teen valitsemisen, jotka voidaan saavuttaa partikkelin sijainnista kaaria seuraamalla.

13. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että menetelmä käsittää liikemallin valitsemisen kohdeobjektille adaptiivisesti, 5 missä adaptiivinen valinta käsittää: - valitaan spesifinen liikemalli (MM) kullekin partikkelille ja asetetaan partikkelin attribuuttijoukko (AS) sisältämään viite kyseiselle partikkelille valittuun liikemalliin; ja - vaihe attribuuttijoukon johtamiseksi uudelle partikkelille yhden tai 10 useamman vanhemman partikkelin attribuuttijoukosta käsittää vanhempien partikkelien viittaamien liikemallien käyttämisen

14. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että: - ylläpidetään useaa laitemallia (DM), joista kukin pystyy koijaa- 15 maan yhden tai useamman anturilaitteen (SD) havaintoja; - valitaan spesifinen laitemalli ainakin yhdelle yhteissijoitetulle anturi laitteelle (SD); ja - korjataan mainitun ainakin yhden yhteissijoitetun anturilaitteen (SD) havaintoja valitun laitemallin (DM) avulla.

15. Patenttivaatimuksen 14 mukainen menetelmä, tunnettu siitä, .% että menetelmä käsittää mainitun ainakin yhden laitemallin (DM) valitsemisen m 7", adaptiivisesti, missä adaptiivinen valinta käsittää: .’*ί - valitaan ainakin yksi spesifinen liikemalli (DM) kullekin partikkelil- ;*V le (P) ja asetetaan partikkelin attribuuttijoukko (AS) sisältämään • « · ·;;/ 25 viite kullekin kyseiselle partikkelille valittuun laitemalliin; ja :···: - sovelletaan kutakin partikkelin viittaamaa laitemallia korjaamaan havaintoja (OS) mainitulta ainakin yhdeltä anturilaitteelta (SD) ·· • *·· ennen uskomusasteen määritysvaihetta (113, 123, ...) partikke- lille (P). 4

16. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että datamalli osoittaa joukon fyysisten suureiden odotusarvoja kullekin useas-. ta näytepisteestä ja menetelmä lisäksi käsittää: - ylläpidetään relevanssiosoittimia (121A - 123B; 131A - 133B) • · yhden tai useamman relevanttien näytepisteiden joukon (R1- 56 118787 R3) osoittamiseksi, missä mainitut yksi tai useampi relevanttien näytepisteiden joukko ovat näytepisteiden (S1 - S9) alijoukkoja datamaiiissa; - perustuen havaintoihin (OS) mainitusta yhdestä tai useammasta 5 sijaintiriippuvasta fyysisestä suureesta kohdeobjektin sijainnin kohdalla ja relevanssiosoittimien joukkoon määritetään relevanttien näytepisteiden vallitseva joukko (R); ja - käytetään relevanttien näytepisteiden vallitsevaa joukkoa (R) laskentatehokkuuden lisäämiseksi.

17. Patenttivaatimuksen 16 mukainen menetelmä, tunnettu siitä, että menetelmä käsittää sellaisten partikkelien hylkäämisen, jotka sijaitsevat kaukana relevanttien näytepisteiden vallitsevasta joukosta (R).

18. Patenttivaatimuksen 16 mukainen menetelmä, tunnettu siitä, että patenttivaatimuksen 1 vaihe a) lisäksi käsittää minimaalisen uskomusas- 15 teen osoittamisen sellaisille partikkeleille, jotka sijaitsevat kaukana relevanttien näytepisteiden vallitsevasta joukosta (R), ilman enempää laskentaa.

19. Patenttivaatimuksen 16 mukainen menetelmä, tunnettu siitä, että patenttivaatimuksen 1 vaihe c) lisäksi käsittää joidenkin ylimääräisten, ilman vanhempia olevien partikkelien luomisen relevanttien näytepisteiden lä- 20 helle. • · · ·*· *‘*j

20. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, tunnettu siitä, että mainittu yksi tai useampi fyysinen suure käsittää ainakin * · j yhden signaaliarvon.

! **· • · · .*·*·,* 21. Jonkin edellisen patenttivaatimuksen mukainen menetelmä, • · 25 tunnettu siitä, että mainittu ominaisuusjoukko (PS) käsittää yhden tai use- „ ämmän liikeominaisuuden. • · e e·

:***; 22. Ominaisuuksienestimointilaitteisto kohdeobjektin (TO) ominai- suusjoukon estimoimiseksi ympäristössä (EN, RN), joka ominaisuusjoukko * · . käsittää sijainnin; joka ominaisuuksienestimointilaitteisto käsittää: 30. topologiamallin (TM) osoittamaan sallittuja sijainteja ja siirtymiä ympäristössä ja datamallin (DAM) osoittamaan ainakin yhden si-*:**: jainnista riippuvan fyysisen suureen (PQ) kullekin useasta topo logiamallin (TM) osoittamasta sijainnista; 57 118787 - yhden tai useamman liikemallin (MM) mallintamaan kohdeobjek-tiin sijainninmuutosominaisuuksia, missä kukin liikemalli mallintaa spesifistä kohdeobjektin tyyppiä ja noudattaa topologiamallin (TM) osoittamia sallittuja sijainteja ja siirtymiä; 5. yhden tai useamman samoin sijoitetun anturilaitteen (SD) asso siaation kohdeobjektille (TO), missä kukin anturilaite pystyy tekemään havaintoja (OS) yhdestä tai useammasta sijainnista riippuvasta fyysisestä suureesta (PQ); tunnettu siitä, että ominaisuuksienestimointilaitteisto käsittää: 10. välineet osoittamaan kohdeobjektille (TO) joukko partikkeleja (P, 112,122,...), joista kullakin on joukko attribuutteja (AS), joka attribuuttijoukko käsittää ainakin sijainnin suhteessa topologiamal-liin (TM); - ominaisuusestimoijan estimoimaan kohdeobjektin (TO) ominai- 15 suusjoukkoa (PS; 111, 121, 131, 141) kohdeobjektille osoitettu jen partikkelien attribuuttijoukon (AS; 112,122,...) avulla; ja - päivitysvälineet päivittämään partikkelien joukko useassa päivi-tyssyklissä, joista kukin käsittää seuraavat vaiheet a) ...c): a) uskomusasteen (113,123, ...) määrittäminen kullekin partikkelil- 20 le, jolla partikkeli estimoi tarkasti kohdeobjektin ominaisuusjouk- koa (PS), käyttämällä datamallia (DAM) ja havaintoja (OS) aina-kin yhdestä kohdeobjektiin assosioidusta anturilaitteesta (SD); b) painon (115, 125, ...) määrittäminen kullekin partikkelille perus- "". tuen ainakin määritettyyn uskomusasteeseen; ja • · · 25 c) uusien partikkelien joukon kehittäminen päivityssykliä n+1 var- ;V ten, missä - ainakin jotkut uudet partikkelit (122, 132, 142, 612) perustuvat yhteen tai useampaan vanhempaan partikkeliin päivityssyklin n kohdalla (112,122,132; 602), missä :**·· 30 - päivityssyklissä n olevan partikkelin todennäköisyys tulla valituk- si vanhemmaksi partikkeliksi päivityssyklissä n+1 olevalle partik-kelille on partikkelin painon ei-laskeva funktio; ja ! - attribuuttijoukko päivityssyklissä n+1 olevalle partikkelille johde taan päivityssyklissä n olevan yhden tai useamman vanhemman 35 partikkelin attribuuttijoukosta käyttämällä ainakin yhtä mainituista ·:··: yhdestä tai useammasta liikemallista (MM) ja ennalta määrättyä algoritmia (600). 58 118787

23. Patenttivaatimuksen 22 mukainen ominaisuuksienestimointi-laitteisto, tunnettu siitä, että se lisäksi käsittää välineet kohdeobjektille osoitettujen partikkelien määrän dynaamista säätämistä varten perustuen yhteen tai useampaan seuraavista: 5. partikkelien attribuuttien varianssi; - ominaisuuksienestimointilaitteiston palvelemien kohdeobjektien määrä; - ominaisuusestimaatin laatuvaatimukset; - havaintojoukkojen yhdistetty vastaanottotaajuus anturilaitteilta 10 aikayksikköä kohti; - kohdeobjektin liikehistoria; ja - ominaisuuksienestimointilaitteiston kokonaiskuormitus.

24. Patenttivaatimuksen 22 mukainen ominaisuuksienestimointi-laitteisto, tunnettu siitä, että se lisäksi käsittää välineet päivityssyklien 15 välisen aikaperiodin dynaamista säätämistä varten perustuen yhteen tai useampaan seuraavista: - partikkelien attribuuttien varianssi; - ominaisuuksienestimointilaitteiston palvelemien kohdeobjektien määrä; 20. ominaisuusestimaatin laatuvaatimukset; - kohdeobjektille osoitettu prioriteetti; ’·1'1 - havaintojoukkojen yhdistetty vastaanottotaajuus anturilaitteilta aikayksikköä kohti; - kohdeobjektin liikehistoria; ja 25. ominaisuuksienestimointilaitteiston kokonaiskuormitus. • · • · · • · ·

25. Ohjelmistotuote dataprosessoria varten, tunnettu siitä, että *"·1 ohjelmistotuote käsittää ohjelmakoodivälineitä patenttivaatimuksen 1 mukaisen menetelmän suorittamiseksi, kun ohjelmistotuote suoritetaan dataprosessoris- i 1· sa. ··· :...! 30 • 1 • · * • · « • · · «ta · 59 118787