JP2017524914A - 学習モデルに基づくデバイスローカライゼーション - Google Patents
学習モデルに基づくデバイスローカライゼーション Download PDFInfo
- Publication number
- JP2017524914A JP2017524914A JP2016573476A JP2016573476A JP2017524914A JP 2017524914 A JP2017524914 A JP 2017524914A JP 2016573476 A JP2016573476 A JP 2016573476A JP 2016573476 A JP2016573476 A JP 2016573476A JP 2017524914 A JP2017524914 A JP 2017524914A
- Authority
- JP
- Japan
- Prior art keywords
- sequence
- values
- learning model
- reference point
- user device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Telephonic Communication Services (AREA)
- Selective Calling Equipment (AREA)
Abstract
デバイスをローカライズする方法およびシステムが提示される。例示的一方法においては、デバイスからの通信信号は、ある期間に無線リファレンスポイントによって受信される。その期間に無線リファレンスポイントによって受信されると、値のシーケンスが通信信号から作成される。値のシーケンスは、値のシーケンスの過去の値と、値のシーケンスの少なくとも一つの予測された将来の値とに基づいて、出力を作成するように構成された学習モデルに提供される。デバイスの現在の位置は、学習モデルの出力に基づいてその期間に推定される。【選択図】図3
Description
[関連出願]
本出願は、2014年6月20日に出願された米国出願整理番号14/311,077に対する優先権の利益を享受する権利を主張し、米国出願整理番号14/311,077は、その全体において参照によって本明細書に組み入れられる。
本出願は、2014年6月20日に出願された米国出願整理番号14/311,077に対する優先権の利益を享受する権利を主張し、米国出願整理番号14/311,077は、その全体において参照によって本明細書に組み入れられる。
本出願は、概して、電子通信の分野に関し、例示的な一実施形態においては、学習モデルに基づいたデバイスのローカライゼーションに関する。
電子デバイスの位置のローカライゼーションまたは判定または評価は、デバイスで動作するグローバルポジショニングシステム(GPS)回路の使用をしばしば含む。デバイスは、多数のGPS衛星からGPSデータを受信し、デバイスの位置を判定するために受信したデータを処理することが出来る。しかしながら、建物内、駐車場または衛星信号に対する他の障害物など、幾つかの環境においては、デバイスは、GPSデータを受信することが出来ないことがある。
ラジオ周波数(RF)ローカライゼーションの様々な形態は、このような実施形態においては、デバイスの位置特定をするために、GPSローカライゼーションの代わりに使用されることがある。このようなシステムにおいては、しばしば、デバイスのローカライゼーション専用に設計された一つ以上の信号リーダ、無線アクセスポイントまたはインフラストラクチャデバイスなどの“リファレンスポイント”デバイスに対して、デバイスの位置を決定するために、受信信号強度インジケータ(RSSI)など、デバイスから受信された通信信号の特性が使用される。典型的に、リファレンスポイントの数を増加させることによって、このようなシステムの精度が高められる。
このようなローカライゼーションシステムは、また、実際のユーザデバイスのRFローカライゼーションのためにサービスインする前に、“フィンガープリンティング(指紋採取)”または“サイトサーベイ(実地調査)”動作をしばしば使用する。フィンガープリンティングまたはサイトサーベイ中、信号を伝送する試験デバイスは、典型的に所定の経路に沿って、リファレンスポイント近辺の領域にわたって動かされてもよく、これらのデバイスをローカライズするためにユーザデバイスから受信した信号が比較される参照情報を提供する。壁、仕切り、障害物および家具の位置および/または方向の変化など、興味ある領域における構造的な変化は、以前のフィンガープリンティングまたはその領域のサーベイの精度をしばしば劣化させ、別のフィンガープリンティングまたはサーベイ動作が有益になり得ることを示している。さらに、人々の存在など、興味ある領域内のRF環境における時間的変化は、リファレンスポイントにおいて受信されたユーザデバイスからの通信信号の到達または強度を変化させることがあり、それによって、リファレンスポイントに対するデバイスの位置を判定するタスクを複雑にする。
実施形態は、添付の図面に限定としてではなく例示として図示され、その図面において、類似の参照番号は、類似の要素を指す。
学習モデルに基づいてデバイスをローカライズするために使用可能な例示的な通信システムのブロック図である。
図1の通信システム内で使用可能な、例示的な無線リファレンスポイントのブロック図である。
図2の無線リファレンスポイントで使用可能な例示的な学習モデルモジュールのブロック図である。
学習モデルに基づいてデバイスをローカライズする例示的一方法のフロー図である。
学習モデルで使用するための、ユーザデバイスからの通信信号を処理する例示的一方法のフロー図である。
通信信号のサンプルに基づいて、値のシーケンスを処理する例示的一方法のフロー図である。
複数の無線リファレンスポイントの学習モデルからの出力に基づいて、三角測量を用いてデバイス位置を推定する例示的一方法のフロー図である。
複数の無線リファレンスポイント学習モデルを組み込む例示的なシステム学習モデルのブロック図である。
例示的な複数レベルの学習モデルの図である。
図9の複数レベルの学習モデルのレベルの例示的な個々のセルの図である。
コンピュータシステムの例示的形態におけるマシンの図であり、一組の命令は、本明細書で議論された任意の一つ以上の方法をマシンに実行させるために実行され得る。
以下の記述において、説明のために、本明細書に開示された実施形態の十分な理解を提供するために、多数の特定の詳細事項が説明される。しかしながら、これらの特定の詳細事項がなくても、実施形態が実施され得ることは当業者には明らかであろう。
図1は、学習モデルに基づいて、デバイス(例えば、ユーザデバイス104)をローカライズするために使用可能な例示的な通信システム100のブロック図である。通信システム100においては、家、共同住宅、デパート、レストラン、バー、アリーナ、スタジアムまたは他の類似の規定領域であり得るローカル領域101は、ユーザデバイス104とのローカル無線通信に携わることが出来る、少なくとも一つの無線リファレンスポイント102Aを含んでもよい。図1の具体例においては、3つの無線リファレンスポイント102A、102Bおよび102C(各々、代替的には、無線リファレンスポイント102)は、ユーザデバイス104からローカル無線通信120を少なくとも受信するために使用される。しかしながら、このような一つ以上の無線リファレンスポイント102は、他の実施形態において使用されてもよい。以下により詳細に記述されるように、無線リファレンスポイント102のうちのいずれか、またはその全ては、ユーザデバイス104から受信されたローカル無線通信を処理することが出来、ユーザデバイス104の位置をローカライズ、または幾らかのエラーマージンで判定する。さらに、これらの無線リファレンスポイント102の各々は、ユーザデバイス104のローカライゼーションを容易にするために、ローカル領域101内で定位置に留まることが出来る。
無線リファレンスポイント102の例は、Wi−Fi(登録商標)無線アクセスポイントもしくはルータなどの無線ローカルエリアネットワーク(LAN)のための無線アクセスポイント、Bluetooth(登録商標)通信デバイス、ラジオ周波数ID(RFID)タグリーダ、携帯電話ネットワーク(例えば、第三世代(3G)もしくは第四世代(4G))通信デバイス、ZigBee(登録商標)もしくは他のパーソナルエリアネットワーク(PAN)通信デバイス、または、ルータ、ピアデバイス、もしくは任意の他の通信機能で、任意の無線通信プロトコルを介してユーザデバイス104との無線通信に従事することが可能な他の無線通信デバイスを含むことが出来るが、そのいずれにも限定はされない。他の例においては、無線リファレンスポイント102は、ユーザデバイス104のローカライゼーションのために、正確に動作するデバイスであってもよい。このような無線リファレンスポイント102は、例えば、ユーザデバイス104と別の無線リファレンスポイント102との間、またはユーザデバイス104と別のユーザデバイス104との間でのローカル無線通信を単にインターセプトし、ユーザデバイス104をローカライズするためにその通信を処理することがある。
ユーザデバイス104の例は、デスクトップ、ラップトップおよびタブレットコンピュータ、ゲームシステム、スマートフォン、パーソナルデジタルアシスタント(PDA)、スマートテレビ、スマート家電製品、ならびに、例えば、Wi−Fi(登録商標)、Bluetooth(登録商標)、RFID、3G、4G、ZigBee(登録商標)または任意の他のLAN、PANもしくは他のローカライズされた無線ネットワークプロトコルなどの任意の無線通信ネットワークプロトコルを介して、無線リファレンスポイント102と通信することが可能な他の通信デバイスを含むことが出来るが、そのいずれにも限定はされない。図1には単一のユーザデバイス104が示されているが、無線リファレンスポイント102と通信することが出来る如何なる数のユーザデバイス104が、ローカルエリア101内にローカライズされてもよい。
図2は、図1の通信システム100で使用できる無線リファレンスポイント102の一例のブロック図である。この例においては、無線リファレンスポイント102は、ローカル通信インターフェイス202と、ルータモジュール204と、ユーザデバイス識別モジュール206と、学習モデルモジュール208とを含むことが出来る。これらのモジュールの各々とともに、本明細書に記述された他のモジュールは、以下により完全に記述されるように、モジュールに対応する様々な機能を実施するためのハードウェア、ソフトウェアまたはその幾つかの組み合わせを含むことが出来る。例えば、ワイドエリアネットワーク(WAN)インターフェイス、ユーザインターフェイスなどの他の可能なコンポーネントが、無線リファレンスポイント102に含まれることが出来るが、以下の議論を簡略化するために、図2には明示されていない。さらには、図2及び他の図面に示されたすべてのコンポーネントが全ての実施形態に含まれていないこともありうる。さらに、図2に示されたコンポーネントおよび本明細書の他のブロック図は、個別のコンポーネントにさらに分割されてもよく、または、より少数の、より大きいコンポーネントを作成するために組み合わせられてもよい。
ローカル通信インターフェイス202は、図1の無線リファレンスポイント102と一つ以上のユーザデバイス104との間でのローカル無線通信を容易にするように構成されてもよい。したがって、ローカル通信インターフェイス202は、上述されたように、3G、4G、ZigBee(登録商標)または任意の他のLAN、PANもしくは他のローカライズされた無線ネットワークプロトコルのうちの任意の一つ以上を介して、ローカル無線通信120を介して通信することが可能であってもよい。
無線リファレンスポイント102内に含まれる場合には、ルータモジュール204は、各ユーザデバイス104とWANなどの他のネットワークとの間で可能なのと同様に、ローカルエリア101のユーザデバイス104の間で通信するためのルータとして機能するように構成されてもよい。他の例においては、無線リファレンスポイント102は、無線リファレンスポイント102とユーザデバイス104との間での通信を容易にするために、外部LANルータと通信可能なように結合されてもよい。
ユーザデバイス識別モジュール206は、ユーザデバイス104を含むローカル無線通信120に含まれる情報に基づいて、ローカルエリア101内の一つ以上のユーザデバイス104を識別するように構成されてもよい。例えば、ローカル無線通信120は、データパケットを伝送するユーザデバイス104に対する識別子を組み込むデータパケットを含むことが出来る。このような識別子は、例えば、ユーザデバイス104のMAC(メディアアクセスコントロール)アドレスであってもよいが、ユーザデバイス識別モジュール206は、ユーザデバイス104を一意的に識別し、それによって、伝送されるローカル無線通信120を一意的に識別する任意の他の識別子を使用することが出来る。
学習モデルモジュール208は、そのユーザデバイス104の現在の位置を判定または少なくとも推定するために、ユーザデバイス識別モジュール206によって識別されるように、ローカルエリア101内に配置された各ユーザデバイス104と関連するそのローカル無線通信120を処理するために、学習モデルを使用するように構成されてもよい。以下により詳細に記述されるように、学習モデルモジュール208内で使用される学習モジュールは、ユーザデバイス104の実際のローカライズの前に、フィンガープリンティング、サイトサーベイまたはローカルエリア101の特性に関するデータを収集するための他の種類の“オフライン”動作の使用なしで、通常動作中に、ユーザデバイス104から受信した信号から生成したデータを用いて、“オンライン”で、ローカルエリア101内でユーザデバイス104をローカライズするように構成される。さらに、少なくとも幾つかの実施形態においては、学習モデルは、ローカルエリア101内で変化する条件に適応しながら、受信されたローカル無線通信120内の以前の時間的パターンを学習モデルが認識することが可能な、以前受信したローカル無線通信120に関する履歴データを保持する能力を有するように構成されてもよい。
図3は、図2の無線リファレンスポイント102で使用可能な学習モデルモジュール208の一例のブロック図である。図3の具体的な例においては、学習モデルモジュール208は、デバイスモデル作成モジュール302と、信号サンプリングモジュール304と、サンプルソーティングモジュール306と、サンプルエンコーディングモジュール308と、推測/予測エンジン310と、デバイス位置推定モジュール312とを含むことが出来る。図3に明示されていない他のモジュールも、学習モデルモジュール208内に含まれてもよいが、これらは、以下の議論を簡略化するために本明細書では言及されていない。他の実施形態においては、図3の一つ以上のモジュール302−312は、学習モデルモジュール308内に含まれなくてもよい。少なくとも幾つかの例においては、学習モデルモジュール208は、また、ユーザデバイスモデル320、リファレンスポイントモデル322および/または受信したローカル無線通信120を記述する履歴データ330のうちの一つ以上などの、一つ以上のデータベースもしくはデータセットを含んでもよい。さらに他の実施形態においては、一つ以上のモジュール302−312および/またはデータベース320、322および330は、例えば、他の無線リファレンスポイント102または無線リファレンスポイント102と通信可能なように結合されたサーバなど、他のデバイス内に代替的に配置されてもよい。
デバイスモデル作成モジュール302は、特定のユーザデバイス104のための学習モデルを作成するように構成されてもよい。学習モデルモジュール208は、フィンガープリンティングなどのローカルエリア101を特徴づけるための先行する“オフライン”動作なしで、通常動作中にオンラインで、ユーザデバイス104の位置を推定するために、作成された学習モデルを使用することが出来る。一例においては、デバイスモデル作成モジュール302は、ユーザデバイス識別モジュール206(図2)がユーザデバイス104を最初に発見するか、または識別するのに応じて、特定のユーザデバイス104に関連する学習モデルを作成することが出来る。さらに、デバイスモデル作成モジュール302は、ユーザデバイス識別モジュール206が、その後にローカルエリア101内の同一のユーザデバイス104を検出すると、その後の検索のためにユーザデバイスモデル320のうちの一つとして作成した学習モデルを格納することが出来る。
作成した学習モデルの一例は、大脳皮質などの人間の脳の一部に基づいたモデルであってもよい。例えば、幾つかの種類の人工ニューラルネットワーク(ANN)もしくは強化学習システムなど、他の可能なマシンベースの学習モデルまたは技術が、他の例で使用されてもよい。学習モデルの一例は、図9および図10と関連して以下に記述される。
幾つかの例においては、デバイスモデル作成モジュール302は、また、それに関連付けられたユーザデバイス104のために作成した学習モデルも構成することも出来る。例えば、ある態様のモデルは、ユーザデバイス104によって使用される特定の通信プロトコル、ユーザデバイス104で使用される特定のハードウェアなど、特定の種類のユーザデバイス104に適合することが出来る。他の例においては、全ての種類のユーザデバイス104は、同一のモデルに対応することが出来、それによって、特定の構成のモデルが保証されないことを示す可能性がある。
同様に、幾つかの実施形態においては、デバイスモデル作成モジュール302は、無線リファレンスポイント102で受信されると、ユーザデバイス104によって伝送される通信信号からサンプルのシーケンスに対するエンコーダを作成することが出来る。幾つかの実施形態においては、このようなエンコーダは、サンプルのシーケンス、またはそのサンプルの幾つかのバージョンを受信することが出来、作成された学習モデルが入力として受信し得る形式でそれらをエンコードすることが出来る。例えば、サンプルのシーケンスは、疎分散表現(sparse distributed representation(SDR))(または、代替的に疎分散メモリ(SDM))にエンコードされることが出来、学習モデルに対する入力のうちのごく一部のみが常にアクティブであるが、同時に、モデル内の特定の状態を表すために、学習モデルに対する入力のうちの個別の要素のかなりの絶対数がアクティブ化されるようにする。疎分散表現は、図10に関連して以下に議論される。
信号サンプリングモジュール304、サンプルソーティングモジュール306、サンプルエンコーディングモジュール308は、ユーザデバイス104のローカライズのために、ユーザデバイス104に対応する学習モデルに提供されるユーザデバイス104から受信された通信信号からの値のシーケンスを作成するように構成されることが出来る。これらのモジュール304、306および308のうちの一つ以上は、幾つかの実施形態では省略されることが出来る。
信号サンプリングモジュール304は、サンプルのシーケンスを作成するために、ときどき、ユーザデバイス104から受信された通信信号の特定の品質または特性をサンプリングするように構成されてもよい。一例においては、信号サンプリングモジュール304は、例えば、毎秒一回、二秒に一回などのある周期的速度で通信信号をサンプリングすることが出来る。他の例においては、周期的速度は、より速い(例えば、100ミリ秒(m秒)に一度、200m秒に一度など)またはより遅い(例えば、5秒に一度)などの任意の速度とすることが出来る。
幾つかの実施形態においては、信号サンプリングモジュール304は、ユーザデバイス104と無線リファレンスポイント102との間の距離に、少なくとも何かしら関連する任意の特定の種類の測定可能な特性をサンプリングすることが出来る。例えば、測定される特性は、受信される通信信号の受信信号強度インジケータ(RSSI)であってもよい。他の実施形態において使用され得る、受信された通信信号の他の測定される特性は、例えば、受信された通信信号のリンク品質およびチャネル品質を含む。
サンプルソーティングモジュール306は、例えば、ヒストグラムのビンなどの間隔に、ユーザデバイス104からのサンプルのシーケンスの各々をソートまたは分配するように構成されてもよい。幾つかの実施形態においては、このソーティング機能は、サンプルエンコーディングモジュール308内で提供され得るようなエンコーダに提供されることが可能な値の数を減少させることが出来る。可能な数を減少させることによって、今度は、エンコーダの構造を簡略化することが出来る。幾つかの例においては、信号サンプリングモジュール304によって作成されたサンプルが、サンプルエンコーディングモジュール308で直接受信され得る実施形態などにおいては、サンプルソーティングモジュール306は、必ずしも必要ではないことがある。
サンプルエンコーディングモジュール308は、ユーザデバイス104に対応する学習モデルに対する入力として使用するための値のシーケンスを作成するために、信号サンプリングモジュール304またはサンプルソーティングモジュール306から受信される、ユーザデバイス104からの通信信号のサンプルをエンコードするように構成されてもよい。上述されたように、一例においては、エンコードされたサンプルは、疎分散表現(SDR)の形式であってもよい。サンプルエンコーディングモジュール308は、ユーザデバイス104に対して使用される特定の学習モデルによって期待される入力の種類に依存して、受信されたサンプルを他の種類の表現にエンコードすることが出来る。
信号サンプリングモジュール304、サンプルソーティングモジュール306およびサンプルエンコーディングモジュール308のうちの任意またはその全ての様々なパラメータは、無線リファレンスポイント102のリファレンスポイントモデル322に基づいていてもよい。例えば、リファレンスポイントモデル322は、受信した通信信号がサンプリングされる速度または周期、サンプルがソートされ得る間隔の大きさおよび/またはソートされるか、もしくはソートされないサンプルに実施されるべきエンコードの種類を記述することが出来る。このようなパラメータは、無線リファレンスポイント102で使用される特定の回路およびソフトウェアに少なくとも部分的に基づいていてもよい。
信号サンプリングモジュール304、サンプルソーティングモジュール306、およびサンプルエンコーディングモジュール308のうちの任意またはその全ては、生サンプル、ソートされたサンプル、エンコードされたサンプル等を履歴データ330として格納することが出来る。履歴データ330は、無線リファレンスポイント102内、または無線リファレンスポイント102と通信可能なように結合される幾つかのデータ記憶デバイス(図1には図示せず)内に格納されてもよい。例えば、履歴データ330は、WANインターフェイス(図2の無線リファレンス102内には図示せず)を用いて、WAN(例えば、インターネット)を介して利用可能なサーバまたは他のクラウドインフラストラクチャに格納されてもよい。履歴データ330は、(通信信号の現在の生サンプル、ソートされたサンプルまたはエンコードされたサンプルに関連付けられた入力に加えて)現在興味あるユーザデバイス104に対応する学習モデルに対する機能的な入力として機能することが出来、および/または学習モデルモジュール208の任意の部分の性能の処理後の解析のために使用されてもよい。
推測/予測エンジン310は、ユーザデバイス104からの通信信号に基づいて、サンプルエンコーディングモジュール308によって作成された値のシーケンスを受信し、ユーザデバイス104をローカライズするために使用され得る、同一のユーザデバイス104のためのユーザデバイスモデル320を用いて出力または状態を作成するために値を処理するように構成されてもよい。他の実施形態においては、推測/予測エンジン310は、エンコードされていないサンプルを受信してもよく、エンコードされていないサンプルは、出力を作成するための処理用に、サンプルソーティングモジュール306によってソートされてもよいし、されなくてもよい。少なくとも幾つかの例においては、推測/予測エンジン310は、上述されたように、値を作成するために用いられるサンプルが特定の速度で捕捉されることが出来るとしても、その値に関連する時間に対する参照なしで(したがって、如何なる時間の観念または概念もなく)入ってくる値のシーケンスを処理することが出来る。
特定の一実施形態に対して以下により詳細に記述されるように、推測/予測エンジン310は、通信信号を伝送するユーザデバイス104に対するユーザデバイスモデル320の使用によって、モデル320にその入力が提供された特定の順序と共に、ユーザデバイスモデル320(あるいは、学習モデル320またはより簡潔にモデル320)に提供された以前の入力と現在の入力とに基づいて、特定の出力または状態を作成することが出来る。したがって、モデル320は、以前見た入力パターンに類似した入力の現在のパターンを、推測/予測エンジン310が推察または認識することを可能とすることが出来る。さらに、モデル320は、現在および過去の入力に基づいて、将来の入力を推測/予測エンジン310が予測することを可能にすることが出来る。
幾つかの例においては、推測/予測エンジン310は、値のシーケンスのうちの現在の値の前に、所定の数の将来の入力値(例えば、次の入力値、次の二つの入力値、次の3つの入力値など)を予測するように構成されてもよい。さらに、受信された各々の現在の入力値に対して予測された将来の入力値は、現在の入力値と、サンプルウインドウサイズによって決定された所定の数の直前の入力値とに基づいていてもよい。例えば、5つのサンプルのサンプルウインドウサイズを用いて、推測/予測エンジン310は、現在の入力値と4つの以前の入力値とに基づいて、一つ以上の将来の入力値を予測するように構成されてもよい。他の実施形態においては、サンプルウインドウサイズは、1より大きい任意の正の整数であってもよい。このような例においては、推測/予測エンジン310は、サンプルウインドウを満たすのに十分な入力値が作成されるまで、任意の予測を作成しなくてもよい。いったんサンプルウインドウが満たされると、推測/予測エンジン310は、作成された各入力値に対して一つ以上の将来の入力値を予測することが出来る。
さらに他の実施形態においては、推測/予測エンジン310は、先の入力値のうちの任意または全てを、一つ以上の将来の入力値の予測の基礎としてもよく、先の入力値は、今度は、履歴データ330のうちの任意またはその全ての基づいてもよく、したがって、特定のサンプルウインドウに限定されなくてもよい。さらに、予測が基づく特定の先行する入力値も、先行する入力値に基づいて予測された一つ以上の将来の入力値も、値のシーケンス内の一連の連続した入力値を形成する必要がない。
上述されたように、モデル320の推測および予測性能は、ローカルエリア101内での伝送条件の変化、ユーザデバイス104の伝送特性の変化、無線リファレンスポイント102の受信特性の変化などに照らして、適応性および安定性の双方を容易にすることが出来る。例えば、幾つかの実施形態においては、比較的大きいサンプルウインドウサイズは、比較的小さいサンプルウインドウサイズを用いて作成されることが出来るものよりも、より多数の将来の入力値または、より遠い将来に到達する一つ以上の入力値を推測/予測エンジン310が予測または推察することを可能にすることが出来る。したがって、比較的大きいウインドウサイズは、ユーザデバイス104の位置を推定するうえでの変動を減少させることが出来、および/または安定性を増加させることが出来る。逆に、比較的小さいウインドウサイズは、予測された入力値と実際に受信された入力値との間でより高い信頼性および精度を提供することが出来るが、ユーザデバイス104の位置を推定するうえでの全体の安定性にはそれほど寄与し得ない。
一例においては、無線リファレンスポイント102は、ユーザデバイス104に対する全体の学習モデルを作成するために、ローカルエリア101内の他の無線リファレンスポイント102によって作成されると、同一のユーザデバイス104のユーザデバイスモデル320とそれ自体のユーザデバイスモデル320とを組み合わせるように構成されてもよい。この例においては、無線リファレンスポイント102は、他の無線リファレンスポイント102に対するユーザデバイスモデル320を受信して格納することが出来る。デバイスモデル作成モジュール302は、全体の組み合わせられたユーザデバイスモデル320を作成することが出来る。推測/予測エンジン310は、このリファレンスポイント102および他の無線リファレンスポイント102からのサンプルデータ(例えば、生サンプルデータ、格納されたサンプルデータおよび/またはエンコードされたサンプルデータ)を受信して、ローカルエリア101内のユーザデバイス104の現在の位置を示し得る信号出力を生成するために、組み合わせられたユーザデバイスモデル320にその入力を提供することが出来る。
デバイス位置推定モジュール312は、ローカルエリア101内のユーザデバイス104の特定の位置または位置の集合へ、推測/予測エンジン310の出力をマッピングするように構成されてもよい。マッピングは、ユーザデバイス104の実際の位置を表す情報に対して、推測/予測エンジン310の現在または以前の出力の相関を取ることに部分的に基づいてもよい。このような情報は、ユーザデバイス104の位置の人間の知覚に基づき、例えば、近接場通信(NFC(商標))(例えば、ユーザデバイス104と相互作用し得るポイントオブセール(POS)ステーション)または他の手段など、別のデバイスまたはシステムとのユーザデバイス104の相互作用に基づくことが出来る。
幾つかの実施形態においては、デバイス位置推定モジュール312は、ローカルエリア101内の一つ以上の他の無線リファレンスポイント102から対応する出力を受信して、ユーザデバイス104の現在の位置の推定を提供するためにその出力を組み合わせることが出来る。例えば、デバイス位置推定モジュール312は、ユーザデバイス104の位置を三角測量するために、無線リファレンスポイント102の各々の位置に関する知識と出力とを組み合わせることが出来る。出力を組み合わせる他の方法は、他の例において、デバイス位置推定モジュール312内で使用されることが出来る。
複数の無線リファレンスポイント102からの情報の使用を考慮すると、任意の一つ以上の無線リファレンスポイント102は、上述されたようなユーザデバイスモデル320と同様に、通信信号サンプルなどの、他の無線リファレンスポイント102からの情報を受信することが出来る。他の実施形態においては、無線リファレンスポイント102の各々は、WANを介してサーバに、またはローカルエリア101内の別のデバイスに、サンプル情報とともに、ユーザデバイスモジュール320を提供することが出来、別のデバイスは、その後、ユーザデバイス104の現在の位置を導出または推定するためにその情報を処理することが出来る。
図4は、デバイスと関連付けられた学習モデル(例えば、図3のユーザデバイスモデル320)に基づいて、デバイス(例えば、図1のユーザデバイス104)をローカライズする例示的な方法400のフロー図である。以下の例においては、図1の無線リファレンスポイント102は、図3の学習モデルモジュール208に示された様々なコンポーネントを含むが、方法400の様々な動作を実施すると仮定される。しかしながら、本明細書に具体的には記述されていない他のデバイスまたはコンポーネントが、他の実施形態において、方法400の動作を実施することが出来る。
方法400においては、通信信号は、ある期間中にデバイスから受信される(動作402)。本明細書に記述される様々な例においては、デバイスは、スマートフォン、ラップトップコンピュータ、タブレットコンピュータまたはローカルエリア101内の無線リファレンスポイント102と通信するように構成された別のデバイスなどの、図1のユーザデバイス104を含むことが出来る。一例においては、デバイスから送信される通信信号は、ローカルエリア101内に配置された任意のさらなる無線リファレンスポイント102とともに、無線リファレンスポイント102を含む様々なリスナーに、ブロードキャスト形式でデバイスが伝送するリポートまたはビーコンとすることが出来る。別の例においては、デバイスから送信される通信信号は、Wi−Fi(登録商標)通信内のアクティブプローブ要求などの、無線リファレンスポイント102によって無線送信される要求に応じたものとすることが出来る。少なくとも幾つかの実施形態においては、その要求は、受信デバイスに対して特にユニキャストであるように向けられ、デバイスは、同様に応答する。
無線リファレンスポイント102または通信可能なようにそこに結合された幾つかのデバイスは、その後、ある期間、無線リファレンスポイント102によって受信される通信信号から値のシーケンスを作成することが出来る(動作404)。上述されたように、幾つかの例においては、値のシーケンスは、RSSIなどの通信信号の幾つかの特性の周期的サンプルに基づくことが出来、その通信信号は、ことによると、その後、ソーティングおよび/またはエンコーディングによって更に処理されることが出来る。
結果として生じる値のシーケンスは、その後、学習モデル320に提供されることが出来る(動作406)。一例においては、学習モデル320は、値のシーケンスのうちの少なくとも一つの予測された値とともに、値のシーケンス内の過去の値に基づいて状態または出力を作成するように構成されてもよい。少なくとも幾つかの実施形態においては、少なくとも一つの予測された値の使用は、シーケンス内の過去の値に基づくことも出来るが、値のシーケンスの顕著ではあるが一時的な変化が存在する際に、学習モデル320の安定した出力を容易にすることが出来る。幾つかの例においては、このような変化は、RSSIまたは通信信号サンプル用に使用される他の特性を使用するときに経験され得るが、他の種類の通信信号のサンプルは、他の実施形態で同様に影響を及ぼされ得る。このような変化は、例えば、ユーザデバイス104の通信信号特性における変化、通信信号に影響を及ぼし得る環境条件における変化、様々な物理的特徴(例えば、壁、仕切り、家具など)の存在、位置および/または方向などのローカルエリア101のレイアウト、ローカルエリア101内の人数および/または人の位置などによって引き起こされることがある。さらに、学習モデル320は、ローカルエリア101内のより永続的な変化に対して徐々に適応することが出来る。ローカルエリア101内のユーザデバイス104の現在の位置は、その後、学習モデル320の状態または出力に基づいて、ある期間に推定されることが出来る(動作408)。
(本明細書に図示された他の方法の動作と同様に)図4の動作402から408は、特定の順序で生じるものとして示されているが、二つ以上の動作の同時の実行を含む動作の他の順序もまた可能である。例えば、動作402から408は、上述されたように、ユーザデバイス104がローカルエリア101内の通信信号を伝送するのと並行して、同時または並列なように、周期的、継続的または幾つかの他の反復様式で生じることが出来、無線リファレンスポイント102は、その後、ユーザデバイス104の位置を推定するために、その通信信号を受信して処理することが出来る。さらに、動作402から408は、ローカルエリア101内の通信信号を伝送する各個別のユーザデバイス104に適用されることが出来、それによってローカルエリア101内のユーザデバイス104の各々の位置を推定することが出来る。
図5は、学習モデル(例えば、ユーザデバイスモデル320)を利用するために、ユーザデバイス104からの通信信号を処理する例示的一方法500のフロー図である。方法500においては、通信信号は、サンプルのシーケンスを作成するためにサンプリングされることが出来る(動作502)。作成されたサンプルのシーケンスは、ローカルエリア101内のユーザデバイス104の位置を決定するために、最終的に使用され得るユーザデバイス104によって伝送される通信信号のあらゆる特性のサンプルであってもよい。通信信号の特性の例は、RSSI、リンク品質およびチャネル品質を含むことが出来るが、そのいずれにも限定はされない。少なくとも幾つかの実施形態においては、サンプリングは、一秒以上毎に一回、一秒足らず毎に一回(例えば、500m秒毎に一回)、またはサンプリングされた特性における変化に関して有意義な情報を生成する幾つかの他の速度などのサンプリングレートで周期的に生じる。
幾つかの例においては、サンプルのシーケンスは、多数の間隔にソートされてもよい(動作504)。例えば、サンプルの各々は、その特性に対する値の特定の間隔に対応する“ビン”にソートされてもよい。その間隔は、特性の値の特定の範囲を集合的かつ連続的にカバーすることが出来る。さらに、ある場合には、その間隔は、特性の本質に基づいて、その特性に対して線形スケール、対数スケールまたは別のスケールにわたって、サイズが等しいことがある。さらに、間隔のサイズは、学習モデルに有意義な情報を提供しながら、測定されるサンプルの各々を表す有効な桁の数が減少するように、設定されることが出来る。
サンプルのソートされたシーケンスは、その後、図4の動作406に示されたように、学習モデル320に提供されるべき値のシーケンスを作成するようにエンコードされることが出来る(動作506)。一例においては、エンコーディングは、対応する疎分散表現(SDR)にマッピングされるソートされたサンプルの各々を生じることが出来る。一例においては、SDRは、多数のビット(2進数)(例えば、50ビット、100ビットなど)を含むことが出来、比較的低い割合のこれらのビット(例えば、5パーセント未満、3パーセント未満など)が、任意の一サンプル内でアクティブである。幾つかの実施形態においては、2サンプル間の類似性は、その2サンプル間で共通のアクティブビットの数または割合に基づいて評価されることが出来る。他の実施形態においては、動作502で提供されるサンプルのソートされていないシーケンスは、エンコーディング用に動作506に直接提供されてもよい。
図6は、ユーザデバイス104から受信される通信信号のサンプルに基づいて、値のシーケンスを処理する例示的一方法600のフロー図である。図1の無線リファレンスポイント102は、方法600の様々な動作を実施すると仮定されるが、ユーザデバイス104から通信信号を受信する無線リファレンスポイント102と通信可能なように結合された一つ以上の他のデバイスが、一つ以上の動作を実施してもよい。方法600においては、無線リファレンスポイント102でそこからの通信信号が受信される現在のユーザデバイス104のアイデンティティが判定される。(動作602)。一実施形態においては、現在のユーザデバイス104のアイデンティティは、ユーザデバイス104のメディアアクセスコントロール(MAC)アドレスなど、通信信号に含まれる情報に基づいて判定されてもよい。ユーザデバイス104およびユーザデバイス104のユーザのうちのいずれかまたはその双方に対する他の識別子が他の実施形態で使用されてもよい。
ユーザデバイス104の受信されたアイデンティティに基づいて、無線リファレンスポイント102は、その後、識別されたユーザデバイス104に対する学習モデル320が利用可能か否かを判定することが出来る(動作604)。例えば、無線リファレンスポイント102がユーザデバイス104からの通信信号を以前受信した場合、無線リファレンスポイント102は、ユーザデバイス104に対する学習モデル320を以前作成したかもしれない。学習モデル320が使用可能な場合、無線リファレンスポイント102は、その後、図3のユーザデバイスモデル320など、現在のユーザデバイス104に対するモデル320を検索することが出来る(動作610)。さもなければ、現在のユーザデバイス104に対する学習モデル320が存在しない場合、無線リファレンスポイント102は、ユーザデバイス104に対する学習モデル320を作成および/または構成することが出来る(動作606)。幾つかの例においては、無線リファレンスポイント102は、また、図5に関連して上述されたように、サンプルエンコーダを作成することもできる(動作608)。幾つかの例においては、作成され、構成された学習モデル320および/または作成されたエンコーダは、ローカルエリア101内の無線リファレンスポイント102によって検出されるユーザデバイス104の各々に対して同一であってもよい。他の例においては、作成され、構成される学習モデル320および/または作成されたエンコーダは、例えば、ユーザデバイス104の種類、製造者またはモデル番号などの一つ以上の要因に基づいて、他のユーザデバイス104に対して作成された他の物とは異なっていてもよい。このような情報は、幾つかの例においては、ユーザデバイス104から無線リファレンスポイント102で受信される通信信号内に組み込まれることが出来る。
現在のユーザデバイス104に対する適切な学習モデル320が作成されるか、検索されると、現在のユーザデバイス104から受信された通信信号のサンプリング、ソーティングおよび/またはエンコーディングから作成された値のシーケンスは、そのユーザデバイス104に対する学習モデル320に提供される(動作612)。幾つかの例においては、各値は、学習モデル320に対して、受信した順序で、一度に一つ提供され、学習モデル320の新しい出力または状態を作成する。そのような目的で、学習モデル320は、現在の入力値を処理するために、モデル320の現在の状態を使用することが出来、それによってモデル320の新しい状態を作成する(動作614)。上述されたように、モデル320の現在の状態は、モデル320によって作成された一つ以上の予測された将来の入力値とともに、モデル320に提供された通信信号の以前の入力値を含むか、反映することが出来る。
モデル320の新しい状態または出力に基づいて、ユーザデバイス104の現在の位置は、判定されるか推定されることが出来る(動作616)。幾つかの実施形態においては、学習モデル320またはより広範囲には、無線リファレンスポイント102は、ユーザデバイス104の現在の位置を示すさらなる情報を受信することが出来、モデル320によって作成された新しい状態が現在の位置に対して相関づけられ、モデル320の類似の将来の状態が同一または類似の位置を示すと解釈され得るようにする。上述されたように、このような情報は、ユーザデバイス104の位置の人間の知覚に対して、またはPOSデバイス、NFC(商標)ステーションもしくは他のシステムなどの別のデバイスまたはシステムとユーザデバイス104との相互作用に対して、モデル320の特定の出力もしくは状態を関連付けることが出来る。
幾つかの例においては、無線リファレンスポイント102内で使用される学習モデル320の現在の出力または状態は、ローカルエリア101内の現在のユーザデバイス104の位置を判定するために、一つ以上の他の無線リファレンスポイント102で使用される同一の現在のユーザデバイス104に対する一つ以上の学習モデル320の現在の出力または状態と組み合わされることが出来る。その例は、図7および図8に関連して以下により完全に記述される。
同一のユーザデバイス104の通信信号からの別の入力値が、値のシーケンス内で使用可能な場合(動作618)、その次の入力値は、ユーザデバイス104の学習モデル320に提供されることが出来(動作612)、次の状態を作成するために処理されることが出来(動作614)、それは、上述されたように、ユーザデバイス104の現在の位置を更新するために使用されることが出来る(動作616)。その代わりに、現在のユーザデバイス104と関連する値のシーケンスからの値が残っていない場合、無線リファレンスポイント102は、その後、別のユーザデバイス104からの通信信号を待つことが出来る(動作620)。そのユーザデバイス104のアイデンティティは、その後、判定され(動作602)、そのユーザデバイス104に関連するモデル320がその後作成されることが出来(動作606、608)るか、または検索されることが出来(動作610)、そのユーザデバイス104から伝送される通信信号から作成された値のシーケンスは、その後、適切なデバイスモデル320に提供されることが出来(動作612)、処理されることが出来(614)、上述されたように、そのユーザデバイス104の現在の位置を判定する(動作616)。2以上のユーザデバイス104が存在して、ローカルエリア101内で伝送している例においては、無線リファレンスポイント102は、各ユーザデバイス104に対する個別のモデル320をアクティブに維持し、各ユーザデバイス104の受信された通信信号から作成された入力値を同時に処理して、ローカルエリア101内の各ユーザデバイス104の現在の位置を判定または推定する。
図7は、複数の無線リファレンスポイント102の学習モデル320からの出力に基づいた三角測量を使用する、ユーザデバイス104の位置を推定する例示的な一方法700のフロー図である。方法700においては、複数の無線リファレンスポイント102内に維持された現在のユーザデバイス104に対する学習モデル320の現在の状態または出力が受信されることが出来る(動作702)。一例においては、現在の状態または出力は、さらなる処理のために無線リファレンスポイント102のうちの一つで受信されることが出来る。他の実施形態においては、現在の状態または出力は、その情報の処理が生じるべきサーバまたは他のシステムで受信されてもよい。複数の無線リファレンスポイント102の学習モデル320の現在の状態または出力に基づいて、ユーザデバイス104の現在の位置は、三角測量を介して推定または判定されることが出来る(動作704)。図1においては、例えば、無線リファレンスポイント102A、102Bおよび102Cの各々に対応する学習モデル320の状態または出力は、対応する無線リファレンスポイント102からの距離を示すことが出来る。ローカルエリア101内の対応する無線リファレンスポイント102のこれらの距離と位置とを利用する三角測量によって、ユーザデバイス104に対する位置が判定されるか、推定されることが出来る。
三角測量が使用され得るか、使用され得ない幾つかの実施形態においては、上述されたように、一つ以上の無線リファレンスポイント102がユーザデバイス104がローカライズされることが出来る、より狭く焦点を当てるエリアを規定することが出来るフェーズドアレイアンテナおよび/または指向性ビーム形成技術を使用することが出来る。その結果、本明細書で記述されるように、信号パラメータの安定化およびユーザデバイス104のローカライゼーションは、ハイエンドのインフラストラクチャ環境で見出され得るように、このようなアンテナおよび技術の利用によって向上することが出来る。
別の例においては、図8は、現在のユーザデバイス104に対して、ユーザデバイスモデル802A、802Bなど(または代替的には、ユーザデバイスモデル802もしくはユーザデバイス学習モデル802)を組み込む例示的なシステム学習モデル800のブロック図であり、各ユーザデバイスモデル802は、個別の無線リファレンスポイント102と関連付けられる。一実施形態においては、現在のユーザデバイス104に対するユーザデバイスモデル802の各々は、対応する無線リファレンスポイント102内で維持されることが出来、各々は、現在の状態または出力を作成する。これらの現在の状態または出力は、その後、無線リファレンスポイント102または他のシステムに提供されることが出来、その後、ユーザデバイス102のシステム学習モデル800の全体の状態または出力を生成するために現在の状態または出力を処理する。全体の状態または出力は、ユーザデバイス104の現在の位置を判定または推定するために使用されることが出来る。
別の実施形態においては、組み込まれたユーザデバイス学習モデル802の各々を含むユーザデバイス104に対する全体のシステム学習モデル800は、無線リファレンスポイント102のうちの一つまたは他のシステムによって使用されることが出来る。その結果、無線リファレンスポイント102またはシステム学習モデル800およびコンポーネントユーザデバイス学習モデル802を含む他のシステムは、対応するユーザデバイス104の通信信号からの値のシーケンスを受信することが出来、ユーザデバイス104の現在の位置を判定または推定するために、システム学習モデル800にその値を提供することが出来る。
上述されたように、値のシーケンスを受信し、値のシーケンス内のパターンを認識し、マシン学習モデルの様々な種類と人工ニューラルネットワーク(ANN)などの以前受信された値に基づいて将来の値を予測することが出来る任意の学習モデル320は、上述された様々な実施形態で使用されることが出来る。このような学習モデル320は、幾つかの例においては、SDRおよび人間の脳でモデル化された類似のメモリ表現を含むか、または使用することが出来る。
図9は、図3で示されたように、ユーザデバイスモデル320として機能することが出来る、例示的な複数レベルの学習モデル900の図である。このような複数レベルモデルの一例は、Numenta(登録商標),Inc.によってサポートされるNumenta Platform for Intelligent Computing(NuPIC(登録商標))の一部として提供されるHierarchical Temporal Memory(HTM)である。強化学習モデルおよび他のANNなどのマシン学習モデルの他の例が、同様に類似の概念または構造を組み込むことが出来る。図9に示されるように、学習モデル900は、複数の意味モデルレベル904を含むことが出来、その各々は、より低いモデルレベル904から提供される入力値を処理することが出来、レベル間通信908を介して、より高いモデルレベル904に出力を提供することが出来る。幾つかの例においては、情報は、また、レベル間通信908を介して、より高いモデルレベル904からより低いモデルレベル904へと提供されることもできる。また、幾つかの実施形態においては、レベル内通信906は、一つ以上のモデルレベル904内で生じることが出来る。図9の特定の例に示されるように、モデルレベル904の各々は、その入力を処理して、それに続くより高いモデルレベル904に、全体のより小さい結果または出力を提供することが出来る。しかしながら、他の例の複数レベルモデルは、そのように制約を受けることがなく、幾つかのモデルレベル904は、幾つかの実施形態においては、より大きいSDR表現など、より大量のデータをより高いモデルレベル904に実際に提供することが出来る。幾つかの実施形態においては、モデルレベル904は、人間の大脳皮質の副皮質部分の単一層と集合的に相関づけることが出来る。より具体的には、一例においては、モデルレベル904は、副皮質の“レイヤー3”ニューロンと通常呼ばれるものを集合的に表すことが出来る。
図9の例においては、学習モデル900は、上述されたように、ユーザデバイス104から受信された通信信号の一つ以上の特性のサンプルに基づいて、エンコードされたサンプル902(例えば、上述されたような値のシーケンス)を受信することが出来る。一例においては、値の各々は、サンプリングされた特性のSDRであってもよく、値の各々は、学習モデル900にサンプリングされたシーケンスで提供することが出来る。結果として生じる学習モデル900の現在の出力または状態910は、このように、学習モデル900によって容易にされるパターンマッチングおよび/または値予測に基づいて、ユーザデバイス104の現在の位置を反映することが出来る。
図10は、図9の学習モデル900のモデルレベル904の例示的な個々の“セル”1002の図である。特定の学習モデル900に依存して、セル1002は、単一のニューロンまたはニューロンの集合を表すことが出来、または人間の脳の一部を表すか、もしくは模倣する幾つかの他の構造を表すことが出来る。他の例は、単一の層1004以外を含むことが出来るが、示されるように、セル1002の複数の層1004は、学習モデル900の単一のモデルレベル904を形成することが出来る。各セル1002は、その層1004および近傍の層1004内の近傍のセル1002と通信するのと同様に、より低いセル層1004からのデータを受信して処理するように構成されることが出来る。このセル間通信の特定の特性は、図9のレベル内通信906およびレベル間通信908と同様に、学習モデル900に値のシーケンス902が提供されて、学習モデル900によって処理されると、時間の経過とともに適応または変化することがある。これらの種類の通信のこの特性は、例えば、各セル1002または層1004が通信する特定のセル1002および層1004、その通信の各々に適用される特定の重み付けもしくは他の処理等を含むことが出来る。
また、一実施形態においては、最低モデルレベル904の最低層1004のセル1002など、セル1002の組の各々は、学習モデル900に対する入力として提供されるエンコードされたサンプル902のSDRに対応するために設定されることが出来る。このような入力は、パターンマッチング、サンプル予測および学習モデル900の少なくとも幾つかの種類としばしば関連付けられる他の機能を容易にすることが出来る。
さらに他の例においては、図9および図10に関連して記述された学習モデル900の一つ以上の特性を示さない他のマシン学習またはANNモデルまたはアルゴリズムが、上述されたように、図3の学習モデルモジュール208の推測/予測エンジン310によって容易にされるような、学習モデル320として使用されることも出来る。
上述された実施形態のうちの少なくとも幾つかにおいては、学習モデルは、ユーザデバイスと無線リファレンスポイントとを含むローカルエリア内のユーザデバイスの位置を判定または推定するために、ユーザデバイスによって伝送され、無線リファレンスポイントによって受信される通信信号の一つ以上の特性のサンプルを処理するために使用されることが出来る。幾つかの例においては、学習モデルは、通信信号特性のサンプルを表す値の一つ以上のシーケンスを受信し、その値におけるパターンを認識し、その認識されたパターンを、ユーザデバイス位置の推定の基礎とすることが出来る。このサンプル履歴の利用は、フィンガープリンティング、サイトサーベイ、または位置特定システムの機能的動作の前にローカルエリアの通信特性を特徴づけるように専用に設計された類似の動作の必要なく、ユーザデバイス位置の判定を可能とすることが出来る。さらに、学習モデルは、シーケンスの将来の値を予測することが出来、信号ノイズ、一時的な環境変化、存在する人数の増減およびローカルエリア環境に対する他の変化の存在下でユーザデバイスのための正確な位置情報を提供するために、その予測された値を使用することが出来得る。学習モデルは、このようにして、ローカルエリアオフラインを再度特徴づけるための遅延させるような通常動作なしで、臨機応変にローカルエリア内のこのような変化に適応することが出来る。
図11は、コンピュータシステム1100の例示的形態におけるマシンの図を示し、コンピュータシステム1100内では、一組の命令が、本明細書で記述された方法のうちの任意の一つ以上をマシンに実行させるために実行され得る。代替的実施形態においては、マシンは、スタンドアロンデバイスとして動作するか、または他のマシンに対して接続(例えば、ネットワーク接続)されてもよい。ネットワーク接続された展開においては、マシンは、サーバ・クライアントネットワーク環境におけるサーバまたはクライアントマシンの性能で動作することができるか、または、ピアツーピア(もしくは分散)ネットワーク環境におけるピアマシンとして動作することが出来る。マシンは、パーソナルコンピュータ、タブレットコンピュータ、セットトップボックス(STB)、パーソナルデジタルアシスタント(PDA)、携帯電話、ウェブ電子製品、ネットワークルータ、スイッチもしくはブリッジ、またはそのマシンによって行われるべき動作を特定する(シーケンシャルな、またはそれ以外の)一組の命令を実行することが可能な任意のマシンとすることが出来る。さらに、唯一つのマシンのみが図示されているが、“マシン”という語は、また、本明細書で記述された方法のうちの任意の一つ以上を実行するための一組(または複数組)の命令を個々にまたは協働して実行するマシンの任意の集合を含むと解釈されるべきである。
コンピュータシステム1100の例は、プロセッサ1102(例えば、中央処理装置(CPU)、グラフィック処理ユニット(GPU)またはその双方)と、バス1108を介して互いに通信するメインメモリ1104およびスタティックメモリ1106とを含む。コンピュータシステム1100は、ビデオディスプレイ1110(例えば、液晶ディスプレイ(LCD)もしくはブラウン管(CRT))をさらに含むことが出来る。コンピュータシステム1100は、また、英数字入力デバイス1112(例えば、キーボード)と、ユーザインターフェイス(UI)ナビゲーションデバイス1114(例えば、マウス)と、ディスクドライブ1116と、信号生成デバイス1118(例えば、スピーカ)と、ネットワークインターフェイスデバイス1120と、を含む。
ディスクドライブ1116は、本明細書で記述された方法または機能のうちの任意の一つ以上によって具現化するかまたは使用される一つ以上の組の命令およびデータ構造(例えば、命令1124)が格納されるマシン可読媒体1122を含む。命令1124は、また、コンピュータシステム1100によるその実行中に、スタティックメモリ110内、メインメモリ1104内および/またはプロセッサ1102内に完全に、または部分的に常駐することも出来、メインメモリ1104およびプロセッサ1102はまた、マシン可読媒体を構成する。
命令1124は、多数の既知の伝送プロトコル(例えば、ハイパーテキスト転送プロトコル(HTTP))のうちの任意のものを用いて、ネットワークインターフェイスデバイス1120を介してコンピュータネットワーク1150によって、さらに伝送または受信されることが出来る。
マシン可読媒体1122は、例示的一実施形態においては、単一の媒体であるとして示されているが、“マシン可読媒体”という語は、一つ以上の組の命令1124を格納する単一の媒体もしくは複数の媒体(例えば、集中型もしくは分散型データベースおよび/または関連するキャッシュおよびサーバ)を含むものとして解釈されるべきである。“マシン可読媒体”という語は、マシンによって実行するための一組の命令を格納し、エンコードし、または担持することが可能で、本発明の主題の方法のうちの任意の一つ以上をマシンに実行させるか、または、このような一組の命令1124によって使用されるか、それに関連付けられるデータ構造を格納し、エンコードしもしくは担持することが可能な任意の媒体を含むものとして解釈されるべきでもある。“マシン可読媒体”という語は、したがって、ソリッドステートメモリならびに光学および磁気媒体を含むものとして解釈されるべきであるが、そのいずれにも限定はされない。
本明細書を通して、複数形は、単一形として記述されたコンポーネント、動作または構造を実装することが出来る。一つ以上の方法のうちの個々の動作は、個別の動作として図示され、記述されてきたが、個々の動作のうちの一つ以上は、同時に実施されることが出来、動作は、図示されるのとは別の順序で実施されることが出来る。例示的構成において個別のコンポーネントとして提案される構造および機能は、組み合わせられた構造またはコンポーネントとして実装されることが出来る。同様に、単一のコンポーネントとして提案される構造および機能は、個別のコンポーネントとして実装されることが出来る。これらのおよび他の変形、改変、追加および改良は、本発明の範囲内にある。
本明細書では、ある実施形態が、論理素子または多数のコンポーネント、モジュールもしくは機構を含むものとして記述される。モジュールは、ソフトウェアモジュール(例えば、マシン可読媒体上もしくは伝送信号内で具現化されたコード)またはハードウェアモジュールのいずれかを構成することが出来る。“ハードウェアモジュール”は、ある動作を実施することが可能な有形のユニットであって、ある物理的様式で構成されるか、または配置されることが出来る。様々な例示的実施形態においては、一つ以上のコンピュータシステム(例えば、スタンドアロンコンピュータシステム、クライアントコンピュータシステム、もしくはサーバコンピュータシステム)またはコンピュータシステムの一つ以上のハードウェアモジュール(例えば、プロセッサもしくはプロセッサの集合)は、本明細書で記述されたある動作を実施するために動作するハードウェアモジュールとして、ソフトウェア(例えば、アプリケーションもしくはアプリケーションの一部)によって構成されることが出来る。
幾つかの実施形態においては、ハードウェアモジュールは、機械的、電子的またはその任意の適切な組み合わせで実装されることが出来る。例えば、ハードウェアモジュールは、ある動作を実施するために恒久的に構成された専用回路もしくは論理素子を含むことが出来る。例えば、ハードウェアモジュールは、フィールドプログラマブルゲートアレイ(FPGA)もしくは特定用途向け集積回路(ASIC)などの専用プロセッサとすることが出来る。ハードウェアモジュールは、また、ある動作を実施するためのソフトウェアによって一時的に構成されるプログラマブル論理素子または回路も含むことが出来る。例えば、ハードウェアモジュールは、汎用プロセッサまたは他のプログラマブルプロセッサ内に包含されるソフトウェアを含むことが出来る。ハードウェアモジュールを専用の恒久的に構成された回路で機械的に実装するか、または一時的に構成された(例えば、ソフトウェアによって構成された)回路で実装するかの決定は、コストおよび時間を考慮して行われることが出来ることが理解されるだろう。
したがって、“ハードウェアモジュール”という語は、ある方法で動作するか、もしくは本明細書で記述されたある動作を実施するために、物理的に構成されるか、恒久的に構成される(例えば、ハードワイヤード)か、または一時的に構成される(例えば、プログラムされる)エンティティであるとしても、有形のエンティティを包含すると理解されるべきである。本明細書で用いられるように、“ハードウェア実装モジュール”とは、ハードウェアモジュールを指す。ハードウェアモジュールが一時的に構成される(例えば、プログラムされる)実施形態を考えると、ハードウェアモジュールの各々は、任意の時間に構成されるか、または例示化される必要はない。例えば、ハードウェアモジュールが、専用プロセッサになるためにソフトウェアによって構成される汎用プロセッサを含む場合、汎用プロセッサは、別の時間では其々異なるハードウェアモジュールとして構成されてもよい。したがって、ソフトウェアは、例えば、ある時には特定のハードウェアモジュールを構成し、別の時は別のハードウェアモジュールを構成するようにプロセッサを構成することが出来る。
ハードウェアモジュールは、他のハードウェアモジュールに情報を提供し、他のハードウェアモジュールから情報を受信することが出来る。したがって、記述されたハードウェアモジュールは、通信可能なように結合されるものとみなすことが出来る。複数のハードウェアモジュールが同時に存在する場合、通信は、二つ以上のハードウェアモジュールの間での信号伝送を通じて(例えば、適切な回路およびバスを介して)達成されることが出来る。複数のハードウェアモジュールが異なる時間に構成されるか、または例示化される実施形態においては、このようなハードウェアモジュール間の通信は、例えば、複数のハードウェアモジュールがアクセスを有するメモリ構造における情報の格納と検索とを通じて達成されることが出来る。例えば、一つのハードウェアモジュールが動作を実施して、通信可能なように結合されるメモリデバイス内に、その動作の出力を格納することが出来る。さらなるハードウェアモジュールは、その後、格納された出力を検索して処理するために、その後でメモリデバイスにアクセスすることが出来る。ハードウェアモジュールは、また、入力もしくは出力デバイスとの通信を開始することも出来、リソース(例えば情報の集合)上で動作することもできる。
本明細書で記述された例示的方法の様々な動作は、一時的に(例えば、ソフトウェアによって)構成された一つ以上のプロセッサによって、または関連する動作を実施するように恒久的に構成された一つ以上のプロセッサによって、少なくとも部分的に実施されることが出来る。一時的に構成されるか、恒久的に構成されるかによって、このプロセッサは、本明細書で記述された動作または機能の一つ以上を実施するように動作するプロセッサ実装モジュールを構成することが出来る。本明細書で用いられるように、“プロセッサ実装モジュール”とは、一つ以上のプロセッサを用いて実装されるハードウェアモジュールを指す。
同様に、本明細書で記述された方法は、少なくとも部分的にはプロセッサ実装されることが出来、プロセッサはハードウェアの一例である。例えば、方法の動作のうちの少なくとも幾つかは、一つ以上のプロセッサまたはプロセッサ実装モジュールによって実施されることが出来る。さらに、一つ以上のプロセッサは、また、“クラウドコンピューティング”環境または“ソフトウェア・アズ・ア・サービス(SaaS)”として関連する動作の実行をサポートするように動作することもできる。例えば、動作のうちの少なくとも幾つかは、(プロセッサを含むマシンの例として)コンピュータのグループによって実行されることが出来、これらの動作は、ネットワーク(例えば、インターネット)を介して、かつ一つ以上の適切なインターフェイス(例えば、アプリケーションプログラムインターフェイス(API))を介してアクセス可能である。
或る動作の実行は、一つ以上のプロセッサにわたって分散されることが出来、単一のマシン内に常駐するのではなく、複数のマシンにわたって展開される。幾つかの例示的実施形態においては、一つ以上のプロセッサまたはプロセッサ実装モジュールは、単一の地理的位置(例えば、ホーム環境、オフィス環境またはサーバファーム内)に配置されることが出来る。他の例示的実施形態においては、一つ以上のプロセッサまたはプロセッサ実装モジュールは、複数の地理的位置にわたって分散されることが出来る。
本明細書の幾つかの部分は、マシンメモリ(例えば、コンピュータメモリ)内のビットもしくはバイナリデジタル信号として格納されるデータ上の動作のアルゴリズムまたは記号的表現で提示された。これらのアルゴリズムまたは記号的表現は、当業者にその仕事内容を伝達するために、データ処理分野において当業者によって用いられる技術の例である。本明細書で用いられるように、“アルゴリズム”とは、所望の結果につながる動作または類似の処理の自己無撞着(self−consistent)なシーケンスである。この文脈においては、アルゴリズムおよび動作は、物理量の物理的操作を含む。典型的には、必ずしもそうではないが、このような量は、マシンによって格納され、アクセスされ、伝送され、組み合わせられ、比較され、または操作されることが可能な電気、磁気または光信号の形態をとることが出来る。“データ”、“コンテンツ”、“ビット”、“値”、“要素”、“記号”、“文字”、“用語”、“番号”、“数字”などの単語を用いてこのような信号に言及することは、主に恒例のために、時には便利である。しかしながら、これらの単語は、単に簡便なラベルに過ぎず、適切な物理量に関連付けられるできである。
そうでないと特に言及されない限りは、“プロセシング”“コンピューティング”“計算”“判定”“提示”“表示”などの語を用いた本明細書での議論は、メモリ(例えば、揮発性メモリ、不揮発性メモリもしくはその任意の適切な組み合わせ)、レジスタ、または情報を受信し、格納し、伝送するか、もしくは表示する他のマシンコンポーネントのうちの一つ以上の内の物理(例えば、電子、磁気または光)量として表されるデータを操作するか、または変換するマシン(例えばコンピュータ)の動作または処理を指すことが出来る。さらに、そうでないと特に言及されない限りは、特許文書によくあるように、一つまたは二以上の例を含むために、“一つ(a)”または“一つ(an)”という語が本明細書で用いられる。最後に、本明細書で用いられるように、接続詞“または(or)”は、そうでないと特に言及されない限りは、非排他的“or”を指す
本開示の概要は、技術的開示の本質を読者が迅速に確認することが出来るように提供される。要約書は、請求項の範囲または意味を解釈または限定するためには用いられないことを理解したうえで提出される。さらに、前述の詳細な説明においては、本開示を簡素化するために、単一の実施形態に様々な特徴がまとめられていることが分かる。本開示の方法は、権利を請求された実施形態が各請求項に明確に説明されたものより多い特徴を含むという意図を反映すると解釈されるべきではない。むしろ、以下の請求項の反映として、本発明の主題は、開示された単一の実施形態の全ての特徴より少ない特徴を有して存在する。したがって、以下の請求項は、詳細な説明に組み込まれ、各請求項は、個別の実施形態としてそれ自体独立している。
本開示の実施形態が具体的な例示的実施形態に関連して記述されてきたが、これらの実施形態のより広い範囲から逸脱することなく、これらの実施形態に様々な改変および変更が行われてもよいことは明らかであろう。したがって、本明細書と図面は、限定的な意味ではなく、例示的な意味でみなされるべきである。本明細書の一部を形成する添付の図面は、限定ではなく例示として、本発明の主題が実施され得る具体的な実施形態を示す。図示された実施形態は、本明細書に開示された教示を当業者が実施することが可能なように十分詳細に記述される。他の実施形態が使用されてもよいし、そこから派生されてもよく、構造的、論理的置換および変更が、本開示の範囲から逸脱することなく行われてもよい。したがって、この詳細な説明は、限定する意味で解釈されるべきではなく、様々な実施形態の範囲は、その請求項が権利を付与される均等物の全範囲と共に、添付の請求項によってのみ定義される。
二以上が実際には開示される場合に、任意の単一の発明の主題に、本出願の範囲を任意で限定する意図なく、単に簡便のために、本発明の主題のこのような実施形態は、“本発明”という語によって、本明細書では、個々におよび/または集合的に呼ばれることがある。したがって、本明細書では特定の実施形態が図示されて、記述されてきたが、同一の目的を達成すると推測される任意の配置が、示された特定の実施形態に対して置換されてもよいことを理解されたい。本開示は、様々な実施形態の任意および全ての適応または変更を包含することを意図される。上記の実施形態の組み合わせおよび本明細書には具体的に記述されていない他の実施形態は、上記の記述を考慮すると、当業者に明らかであろう。
Claims (20)
- デバイスをローカライズする方法であって、
ある期間に、無線リファレンスポイントによって、前記デバイスからの通信信号を受信することと、
前記期間に、前記無線リファレンスポイントによって受信されると、前記通信信号からの値のシーケンスを作成することと、
前記値のシーケンスの過去の値と、前記値のシーケンスの現在の値に対する、前記値のシーケンスの少なくとも一つの予測された将来の値と、に基づいて、出力を作成するように構成された学習モデルに、前記値のシーケンスを提供することと、
前記学習モデルの前記出力に基づいて、前記期間に少なくとも一つのハードウェアプロセッサを用いて、前記デバイスの現在の位置を推定することと、
を含む、
方法。 - 前記値のシーケンスは、前記無線リファレンスポイントによって受信されると、前記通信信号の受信された信号強度インジケータの値に基づく、
請求項1に記載の方法。 - 前記値のシーケンスは、前記無線リファレンスポイントによって受信されると、前記通信信号のリンク品質とチャネル品質のうちの少なくとも一つに基づく、
請求項1に記載の方法。 - 前記無線リファレンスポイントによって、前記デバイスに対する識別子を受信することと、
前記デバイスに対するデバイス専用モデルが存在するか否かを判定することと、
前記デバイスに対する前記デバイス専用モデルが存在しないことに基づいて、前記デバイスに対する前記デバイス専用モデルを作成することであって、前記学習モデルは、前記デバイス専用モデルを含む、ことと、
をさらに含む、
請求項1に記載の方法。 - 前記デバイスに対する前記識別子は、前記デバイスのメディアアクセスコントロールアドレスを含む、
請求項4に記載の方法。 - 前記値のシーケンスを前記作成することは、
サンプルのシーケンスを作成するために、前記デバイスからの前記通信信号の特性を、前記期間に周期的にサンプリングすることと、
前記値のシーケンスを作成するために、前記サンプルのシーケンスをエンコードすることと、
を含む、
請求項1に記載の方法。 - 前記値のシーケンスを前記作成することは、
前記サンプルの各々の大きさに従って、前記サンプルのシーケンスを複数の間隔にソートすることをさらに含み、
前記値のシーケンスを作成するために前記サンプルのシーケンスを前記エンコードすることは、前記ソートされたサンプルのシーケンスに基づく、
請求項6に記載の方法。 - 前記値のシーケンスは、前記サンプルのシーケンスの疎分散表現を含む、
請求項6に記載の方法。 - 前記学習モデルは、マシン学習モデルを含む、
請求項1に記載の方法。 - 前記値のシーケンスの前記少なくとも一つの予測された将来の値は、前記値のシーケンスの前記現在の値の前に、所定の数の値における、前記値のシーケンスの将来の値を含む、
請求項1に記載の方法。 - 前記学習モデルは、事前のサイトサーベイ動作なしで、前記値のシーケンスの前記過去の値に基づいて、前記出力を作成するように構成される、
請求項1に記載の方法。 - 前記無線リファレンスポイントは、第一の無線リファレンスポイントを含み、前記値のシーケンスは、値の第一のシーケンスを含み、前記学習モデルは、前記第一の無線リファレンスポイントに対応する第一の学習モデルを含み、
前記方法は、
前記期間に、少なくとも第二の無線リファレンスポイントによって、前記デバイスから前記通信信号を受信することと、
前記期間に、前記少なくとも第二の無線リファレンスポイントによって受信されると、前記通信信号からの値の少なくとも第二のシーケンスを作成することと、
前記少なくとも第二の値のシーケンスの過去の値と、前記少なくとも第二の値のシーケンスの少なくとも一つの予測された将来の値とに基づいて、少なくとも第二の出力を作成するように構成される、前記少なくとも第二の無線リファレンスポイントに対応しする、少なくとも第二の学習モデルに、前記少なくとも第二の値のシーケンスを提供することと、
をさらに含み、
前記デバイスの前記現在の位置を前記推定することは、前記第一の学習モデルの前記出力と、前記少なくとも第二の学習モデルの前記少なくとも第二の出力とに基づく、
請求項1に記載の方法。 - 前記デバイスの前記現在の位置を前記推定することは、前記第一の学習モデルの前記出力と、前記少なくとも第二の学習モデルの前記少なくとも第二の出力とに基づいて、前記デバイスの前記現在の位置を三角測量することを含む、
請求項12に記載の方法。 - 前記デバイスの前記現在の位置を前記推定することは、前記第一の学習モデルと、前記少なくとも第二の学習モデルとを含む第三の学習モデルの出力に基づく、
請求項12に記載の方法。 - マシンの少なくとも一つのハードウェアプロセッサによって実行されると、
ある期間に、デバイスからの通信信号を無線リファレンスポイントによって受信することと、
前記期間に、前記無線リファレンスポイントによって受信されると、前記通信信号からの値のシーケンスを作成することと、
前記値のシーケンスの過去の値と、前記値のシーケンスの少なくとも一つの予測された将来の値とに基づいて、出力を作成するように構成される学習モデルに、前記値のシーケンスを提供することと、
前記期間に、前記学習モデルの前記出力に基づいて、前記デバイスの現在の位置を推定することと、
を含む動作を前記マシンに実施させる命令を含む、
非一時的コンピュータ可読記憶媒体。 - 前記動作は、
前記無線リファレンスポイントによって、前記デバイスに対する識別子を受信することと、
前記デバイスに対するデバイス専用モデルが存在か否かを判定することと、
前記デバイスに対するデバイス専用モデルが存在しないことに基づいて、前記デバイスに対する前記デバイス専用モデルを作成することであって、前記学習モデルは、前記デバイス専用モデルを含む、ことと、
をさらに含む、
請求項15に記載の非一時的コンピュータ可読記憶媒体。 - 少なくとも一つのハードウェアプロセッサと、
前記少なくとも一つのハードウェアプロセッサによって実行されると、
ある期間に、デバイスからの通信信号を無線リファレンスポイントによって受信することと、
前記期間に、前記無線リファレンスポイントによって受信されると、前記通信信号からの値のシーケンスを作成することと、
前記値のシーケンスの過去の値と、前記値のシーケンスの少なくとも一つの予測された将来の値とに基づいて、出力を作成するように構成された学習モデルに、前記値のシーケンスを提供することと、
前記期間に、前記学習モデルの前記出力に基づいて、前記デバイスの現在の位置を推定することと、
を含む動作をシステムに実施させる命令を含むメモリと、
を含む、
システム。 - 前記動作は、
前記デバイスの識別子を前記無線リファレンスポイントによって受信することと、
前記デバイスに対するデバイス専用モデルが存在するか否かを判定することと、
前記デバイスに対する前記デバイス専用モデルが存在しないことに基づいて、前記デバイスに対する前記デバイス専用モデルを作成することであって、前記学習モデルは、前記デバイス専用モデルを含む、ことと、
をさらに含む、
請求項17に記載のシステム。 - 前記値のシーケンスを前記作成することは、
前記期間に、サンプルのシーケンスを作成するために、前記デバイスからの前記通信信号の特性を周期的にサンプリングすることと、
前記値のシーケンスを作成するために、サンプルの前記シーケンスをエンコードすることと、
を含む、
請求項17に記載のシステム。 - 前記値のシーケンスを前記作成することは、
前記サンプルの各々の大きさに従って、複数の間隔にサンプルの前記シーケンスをソートすることをさらに含み、
前記値のシーケンスを作成するために、前記サンプルのシーケンスを前記エンコードすることは、前記ソートされたサンプルのシーケンスに基づく、
請求項19に記載の方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/311,077 | 2014-06-20 | ||
US14/311,077 US9681270B2 (en) | 2014-06-20 | 2014-06-20 | Device localization based on a learning model |
PCT/US2015/035882 WO2015195579A1 (en) | 2014-06-20 | 2015-06-15 | Device localization based on a learning model |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2017524914A true JP2017524914A (ja) | 2017-08-31 |
Family
ID=54869972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016573476A Pending JP2017524914A (ja) | 2014-06-20 | 2015-06-15 | 学習モデルに基づくデバイスローカライゼーション |
Country Status (10)
Country | Link |
---|---|
US (2) | US9681270B2 (ja) |
EP (1) | EP3180949A4 (ja) |
JP (1) | JP2017524914A (ja) |
KR (1) | KR20170018902A (ja) |
CN (2) | CN106471851B (ja) |
AU (1) | AU2015277418B2 (ja) |
CA (1) | CA2952453A1 (ja) |
MX (1) | MX359535B (ja) |
SG (1) | SG11201609956WA (ja) |
WO (1) | WO2015195579A1 (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9681270B2 (en) * | 2014-06-20 | 2017-06-13 | Opentv, Inc. | Device localization based on a learning model |
US9659474B1 (en) * | 2014-12-30 | 2017-05-23 | Symantec Corporation | Automatically learning signal strengths at places of interest for wireless signal strength based physical intruder detection |
KR102372214B1 (ko) * | 2015-01-19 | 2022-03-14 | 삼성전자주식회사 | 영상 처리 장치, 의료영상 장치 및 영상 처리 방법 |
CN105676178B (zh) * | 2016-01-13 | 2019-05-24 | 南京邮电大学 | 基于压缩感知和bp神经网络的无线传感器网络定位方法 |
CN111264033B (zh) * | 2017-05-03 | 2021-07-20 | 弗吉尼亚科技知识产权有限公司 | 用无线电信号变换器学习无线电信号的方法、系统和装置 |
KR102360181B1 (ko) * | 2017-05-16 | 2022-02-08 | 삼성전자주식회사 | 차량의 동작을 제어하는 전자 장치 및 방법 |
US11058948B1 (en) * | 2017-08-18 | 2021-07-13 | Amazon Technologies, Inc. | Predictive modeling for multiplayer gaming |
KR102116824B1 (ko) * | 2017-11-10 | 2020-06-01 | (주)셀리지온 | 딥러닝 기반 측위 시스템 및 이의 구축 방법 |
WO2019122984A1 (en) * | 2017-12-22 | 2019-06-27 | Telefonaktiebolaget Lm Ericsson (Publ) | System and method to verify a response signature from a wireless communication device |
EP3734519A4 (en) * | 2017-12-26 | 2021-09-15 | Aising Ltd. | PROCESS FOR GENERATING A UNIVERSAL LEARNED MODEL |
CN110119808A (zh) * | 2018-02-06 | 2019-08-13 | 华为技术有限公司 | 一种基于机器学习的数据处理方法以及相关设备 |
KR20190132883A (ko) * | 2018-05-21 | 2019-11-29 | 삼성전자주식회사 | 객체 위치 추정 방법 및 이를 위한 장치 |
KR102209630B1 (ko) * | 2019-01-31 | 2021-01-29 | 경북대학교 산학협력단 | 심층 학습을 이용한 무선 통신 환경 적응 방법 및 장치, 그 방법을 수행하기 위한 기록 매체 |
WO2021061176A1 (en) * | 2019-09-27 | 2021-04-01 | Nokia Technologies Oy | Method, apparatus and computer program for user equipment localization |
JP2021140303A (ja) * | 2020-03-03 | 2021-09-16 | トヨタ自動車株式会社 | 学習方法、学習システム及び学習プログラム |
US20210282033A1 (en) * | 2020-03-09 | 2021-09-09 | Psj International Ltd. | Positioning system for integrating machine learning positioning models and positioning method for the same |
CN113328815B (zh) * | 2021-07-05 | 2022-09-09 | 重庆理工大学 | 一种消除映射误差的无线链路质量敏捷预测方法 |
WO2024072613A1 (en) * | 2022-09-30 | 2024-04-04 | Tile, Inc. | Power-efficient tracking using machine-learned patterns and routines |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3165391B2 (ja) * | 1996-03-22 | 2001-05-14 | 松下電器産業株式会社 | 移動体無線通信システムとその移動局の位置検出方法 |
JP2010166185A (ja) * | 2009-01-13 | 2010-07-29 | Ntt Docomo Inc | 電界強度を推定する装置及び方法 |
US20120190380A1 (en) * | 1996-09-09 | 2012-07-26 | Tracbeam Llc | Wireless location using network centric location estimators |
US20130054495A1 (en) * | 2011-08-25 | 2013-02-28 | Numenta, Inc. | Encoding of data for processing in a spatial and temporal memory system |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3881097A (en) | 1973-05-14 | 1975-04-29 | Weston Instruments Inc | Fully digital spectrum analyzer using time compression and discrete fourier transform techniques |
JP4093792B2 (ja) * | 2002-04-18 | 2008-06-04 | 富士通株式会社 | 移動無線局の位置を決定する測位システム、プログラムおよび位置決定方法 |
US8270994B2 (en) | 2002-07-10 | 2012-09-18 | Ekahau, Oy | Applications of signal quality observations |
US20050169452A1 (en) * | 2004-02-03 | 2005-08-04 | Sigma Dynamics, Inc. | Method and apparatus for self-evaluation and randomization for predictive models |
US8179870B2 (en) * | 2004-09-29 | 2012-05-15 | Intel Corporation | Method and apparatus for securing devices in a network |
US7424321B2 (en) | 2005-05-24 | 2008-09-09 | Cardiac Pacemakers, Inc. | Systems and methods for multi-axis cardiac vibration measurements |
US7853269B2 (en) * | 2007-05-16 | 2010-12-14 | Computer Associates Think, Inc. | System and method for providing wireless network services using three-dimensional access zones |
US8494798B2 (en) | 2008-09-02 | 2013-07-23 | Mks Instruments, Inc. | Automated model building and batch model building for a manufacturing process, process monitoring, and fault detection |
US20100135178A1 (en) | 2008-11-21 | 2010-06-03 | Qualcomm Incorporated | Wireless position determination using adjusted round trip time measurements |
US8929324B2 (en) * | 2009-07-16 | 2015-01-06 | Qualcomm Incorporated | Facilitating noise estimation in wireless communication |
US8473292B2 (en) * | 2009-09-02 | 2013-06-25 | At&T Intellectual Property I, L.P. | System and method for generating user models from transcribed dialogs |
JP5633734B2 (ja) * | 2009-11-11 | 2014-12-03 | ソニー株式会社 | 情報処理装置、情報処理方法、及び、プログラム |
US9250625B2 (en) * | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8831568B2 (en) * | 2011-09-27 | 2014-09-09 | Qualcomm Incorporated | Automatic configuration of a wireless device |
US9299027B2 (en) * | 2012-05-07 | 2016-03-29 | Runaway 20, Inc. | System and method for providing intelligent location information |
WO2014056183A1 (en) * | 2012-10-12 | 2014-04-17 | Intel Corporation | Location estimation based on adjusted distance values for a wireless device |
US9552550B2 (en) * | 2014-05-13 | 2017-01-24 | Cisco Technology, Inc. | Traffic shaping based on predicted network resources |
US9681270B2 (en) * | 2014-06-20 | 2017-06-13 | Opentv, Inc. | Device localization based on a learning model |
-
2014
- 2014-06-20 US US14/311,077 patent/US9681270B2/en active Active
-
2015
- 2015-06-15 CN CN201580033346.4A patent/CN106471851B/zh active Active
- 2015-06-15 SG SG11201609956WA patent/SG11201609956WA/en unknown
- 2015-06-15 KR KR1020177000731A patent/KR20170018902A/ko not_active Application Discontinuation
- 2015-06-15 CN CN202110235173.1A patent/CN113038386B/zh active Active
- 2015-06-15 CA CA2952453A patent/CA2952453A1/en not_active Abandoned
- 2015-06-15 JP JP2016573476A patent/JP2017524914A/ja active Pending
- 2015-06-15 EP EP15810105.5A patent/EP3180949A4/en not_active Withdrawn
- 2015-06-15 WO PCT/US2015/035882 patent/WO2015195579A1/en active Application Filing
- 2015-06-15 AU AU2015277418A patent/AU2015277418B2/en not_active Expired - Fee Related
- 2015-06-15 MX MX2016016740A patent/MX359535B/es active IP Right Grant
-
2017
- 2017-06-08 US US15/617,942 patent/US20170280299A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3165391B2 (ja) * | 1996-03-22 | 2001-05-14 | 松下電器産業株式会社 | 移動体無線通信システムとその移動局の位置検出方法 |
US20120190380A1 (en) * | 1996-09-09 | 2012-07-26 | Tracbeam Llc | Wireless location using network centric location estimators |
JP2010166185A (ja) * | 2009-01-13 | 2010-07-29 | Ntt Docomo Inc | 電界強度を推定する装置及び方法 |
US20130054495A1 (en) * | 2011-08-25 | 2013-02-28 | Numenta, Inc. | Encoding of data for processing in a spatial and temporal memory system |
Also Published As
Publication number | Publication date |
---|---|
EP3180949A1 (en) | 2017-06-21 |
US9681270B2 (en) | 2017-06-13 |
US20150371139A1 (en) | 2015-12-24 |
EP3180949A4 (en) | 2018-03-07 |
SG11201609956WA (en) | 2017-01-27 |
CN106471851B (zh) | 2021-03-26 |
MX2016016740A (es) | 2017-03-23 |
AU2015277418A1 (en) | 2017-02-02 |
CN106471851A (zh) | 2017-03-01 |
BR112016028415A2 (pt) | 2017-08-22 |
US20170280299A1 (en) | 2017-09-28 |
MX359535B (es) | 2018-10-01 |
AU2015277418B2 (en) | 2019-07-11 |
CN113038386B (zh) | 2024-06-25 |
KR20170018902A (ko) | 2017-02-20 |
WO2015195579A1 (en) | 2015-12-23 |
CA2952453A1 (en) | 2015-12-23 |
CN113038386A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2017524914A (ja) | 学習モデルに基づくデバイスローカライゼーション | |
US10565860B1 (en) | Offline tuning system for detecting new motion zones in a motion detection system | |
EP3139196B1 (en) | System and method for positioning, mapping and data management by using crowdsourcing | |
TWI587717B (zh) | 用於適應性多重特徵語意位置感測之系統及方法 | |
JP2020537744A (ja) | 動きインジケータ値に基づくワイヤレスメッシュネットワーク内の動きローカライゼーション | |
KR101556711B1 (ko) | 도달 시간 기초의 무선 위치결정 시스템 | |
Subhan et al. | Kalman filter‐based hybrid indoor position estimation technique in bluetooth networks | |
Ng et al. | A compressive sensing approach to detect the proximity between smartphones and BLE beacons | |
CN109313841B (zh) | 用于在传感器网络中实现自适应聚类的方法和系统 | |
Adege et al. | Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm | |
US9154984B1 (en) | System and method for estimating network performance | |
Jeong et al. | A tutorial on Federated Learning methodology for indoor localization with non-IID fingerprint databases | |
Sadio et al. | Rethinking intelligent transportation systems with Internet of Vehicles: Proposition of sensing as a service model | |
US9294877B2 (en) | Use of a trained classifier to determine if a pair of wireless scans came from the same location | |
US9766080B1 (en) | Systems and methods for indoor and outdoor mobile device navigation | |
Xu et al. | Variance-based fingerprint distance adjustment algorithm for indoor localization | |
JP7075486B2 (ja) | 時間ファクタに基づくワイヤレスメッシュネットワーク内の動きローカライゼーション | |
KR20200041341A (ko) | 네트워크 내 위치 검출 | |
US11070945B1 (en) | Proximity detection using device-to-device communication links | |
WO2020030527A1 (en) | Systems and methods for optimizing compression and reconstruction of sensor data in distributed computing networks | |
CN111226129B (zh) | 基于信道响应特性的运动定位 | |
US20160142870A1 (en) | Radio communication system and information identification method | |
BR112016028415B1 (pt) | Método, meio de armazenamento não transitório legível por computador e sistema para localizar um dispositivo com base em um modelo de aprendizagem | |
US20210241928A1 (en) | Apparatus and method for managing IoT devices | |
Li et al. | Node localisation in wireless sensor network based on self-organising isometric embedding |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180606 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190520 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190611 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200204 |