JP4904137B2 - ロケーション決定技法 - Google Patents

Description

本発明は、ある環境においてターゲット・オブジェクトのプロパティ・セットを決定するための方法、装置、およびソフトウェア製品に関する。

ターゲット・オブジェクトの例には、人間、動物、車両、機器、ショッピング・カート、またはプロジェクト・フォルダが含まれる。ターゲット・デバイス・プロパティ・セットの一例にはロケーションが含まれる。本発明の一例ではあるが限定的でない応用例には、無線ローカル・エリア・ネットワーク（ＷＬＡＮ）またはセルラ・ネットワークなどの無線通信環境における、無線移動体端末のロケーション探索が含まれる。

Ｌｕｉｓ Ｐｅｒｅｚ−Ｂｒｅｖａ等の米国特許第６３９３２９４号では、無線通信システムにおける移動体ユニットのロケーション探索のための代表的な従来技術の技法が開示される。リモート移動体ユニットのロケーションは、移動体ユニットによって取得された無線周波数スペクトルの事前に定義された部分のスナップショットと、様々なロケーションで取得された複数のスナップショットを含む参照データベースとを比較することによって、決定される。したがってこの技法は、多くの他の技法と同様に、移動体デバイスのロケーションでの信号パラメータの観察と、いくつかの既知のロケーションでの較正済みまたはシミュレート済みパラメータのデータベースとの比較に基づく。

従来の技法には、ターゲット・オブジェクトの動きをモデル化する際に問題がある。多くの従来の技法では、ターゲット・オブジェクトの動きをいくつかの状態ごとにモデル化する。起こり得る状態の数が増加すると、状態移行の数が急速に増加し、それによってメモリが消費され、計算負荷が高くなる。
米国特許第６３９３２９４号 ＷＯ２００４／００８７９５号 ＷＯ０２／０５４８１３号 ＷＯ０３／１０２６２２号 ＷＯ２００４／００８７９６号

本発明の目的は、前述の欠点を緩和するような方法およびこの方法を実施するための装置を提供することである。

本発明のこの目的は、独立請求項に示された内容によって特徴付けられる、方法、装置、およびソフトウェア製品によって達成される。本発明の好ましい諸実施形態は、従属請求項で開示される。

本発明は、位置決定環境において、ターゲット・オブジェクトに割り当てられたパーティクルの属性がターゲット・オブジェクトのプロパティを集合的にモデル化するように、そのそれぞれが属性セットに関連付けられた複数のパーティクルを利用して、ターゲット・オブジェクトのロケーションを周期的に決定する考え方に基づく。パーティクルは、自然選択にやや類似したプロセスで展開する。その属性がターゲット・オブジェクトのプロパティを高い信頼度でモデル化するパーティクルは、次の更新サイクルにおいて子孫パーティクルを有する確率が高く、またその逆も同様である。ロケーション推定アプリケーションでは、パーティクルがターゲット・オブジェクトのロケーションで行った観察を十分に説明している場合、関連する高い信頼度を有する可能性がある。パーティクルが観察を十分に説明している場合、自然界の遺伝子におよそ類似するその属性は、その後のサイクルまで存続する可能性が高い。

ロケーションおよび／または速度などの子孫パーティクルのプロパティは、それらの親パーティクルのプロパティから適切なアルゴリズムを使用して導出される。たとえばアルゴリズムは、親パーティクルから引き継いだプロパティをランダムに変更する場合がある。

本発明の態様は、ある環境においてターゲット・オブジェクトのプロパティ・セットを推定するための方法であり、このプロパティ・セットはロケーションを含む。この方法は、
−トポロジ・モデルおよびデータ・モデルによって環境をモデル化するステップであって、トポロジ・モデルは、環境内の許容されるロケーションおよび移行を示し、データ・モデルは、トポロジ・モデルによって示されたいくつかの許容されるロケーションのそれぞれについて少なくとも１つのロケーションに依存した物理量を示す、モデル化するステップと、
−１つまたは複数の動きモデルによってターゲット・オブジェクトのロケーション変更特徴をモデル化するステップであって、各動きモデルは、特定タイプのターゲット・オブジェクトをモデル化し、トポロジ・モデルによって示された許容されるロケーションおよび移行に従う、モデル化するステップと、
−それぞれが１つまたは複数のロケーションに依存した物理量を観察することが可能な、１つまたは複数の共同設置感知デバイスを、ターゲット・オブジェクトに関連付けるステップと、
−それぞれが属性セットを有するパーティクルのセットを、ターゲット・オブジェクトに割り当てるステップであって、属性セットはトポロジ・モデルに関して少なくとも１つのロケーションを有する、割り当てるステップと、
−ターゲット・オブジェクトに割り当てられたパーティクルの属性セットを使用して、ターゲット・オブジェクトのプロパティ・セットを推定するステップと、
−複数の更新サイクルにおいてパーティクル・セットを更新するステップであって、各更新サイクルは、
ａ）ターゲット・オブジェクトに関連付けられた少なくとも１つの感知デバイスからのデータ・モデルおよび観察を使用して、ターゲット・オブジェクトのプロパティ・セットを正確に推定するために、各パーティクルの信頼度を決定する段階と、
ｂ）少なくとも決定された信頼度に基づいて、各パーティクルの重みを決定する段階と、
ｃ）更新サイクルｎ＋１に関する新しいパーティクル・セットを生成する段階であって、
−新しいパーティクルのうちの少なくともいくつかが、更新サイクルｎに関する１つまたは複数の親パーティクルに基づき、
−更新サイクルｎに関するパーティクルが更新サイクルｎ＋１において新しいパーティクルに関する親パーティクルとして選択されることになる可能性が、パーティクルの重みの非減少関数であり、
−更新サイクルｎ＋１に関する新しいパーティクルの属性セットが、１つまたは複数の動きモデルおよび所定のアルゴリズムのうちの少なくとも１つを使用して、更新サイクルｎに関する１つまたは複数の親パーティクルの属性セットから導出される、
生成する段階と、
を含む、更新するステップと、
を含む。

本発明の他の態様は、前述の方法を実行するためのプロパティ推定装置と、データベース・プロセッサ内でコンピュータ・プログラム製品が実行される場合に前述の方法を実行させるコンピュータ・プログラム製品とを含む。

本発明の利点は、複数のパーティクルが、単一の動きモデルをターゲット・オブジェクトに当てはめようと試みるほとんどの従来技術の技法よりも適切に、予測しないターゲット・オブジェクトの動きに対処するという事実から少なくとも部分的に生じる、ある種の堅固さである。

本発明は、ターゲット・オブジェクトのロケーションを推定するための従来技術の技法が決定論的であり、こうした決定論的手法は、予期しないかまたは起こりそうにない状況において深刻な問題に遭遇する、という考え方に基づく。本発明の技法は、ロケーションなどのターゲット・オブジェクトのプロパティを集合的に推定する、複数のパーティクルの使用に基づいている。ターゲット・オブジェクトが起こりそうにない動きまたは回転をした場合、決定論的手法は混乱する傾向がある。しかしながら本発明に従ったパーティクルは、自然な展開とほとんど等価の様式で発展する。ターゲット・オブジェクトのプロパティを最良にモデル化するパーティクルは、次のサイクルで子孫パーティクルを有する確率が高い傾向にあり、これによって不適合なパーティクルは消滅する傾向にある。たとえまったくありそうにない状況であっても、ほとんどのパーティクルが壊滅した場合、次のサイクルまで存続するパーティクルの数はわずかである。

本発明の典型的な実施では、ターゲット・オブジェクトのプロパティ・セットには、ターゲット・オブジェクトのロケーションまたはターゲット・オブジェクトのロケーション関連プロパティが含まれる。ロケーション関連プロパティの例には、速度および加速度などの、ロケーションの時間導関数が含まれる。典型的な実施では、ターゲット・オブジェクトのロケーションまたはロケーション関連プロパティは、少なくとも一時的に決定される。ターゲット・オブジェクトのロケーションを一時的に決定するということは、たとえば、ターゲット・オブジェクトのロケーションが決定されるが、１つまたは複数の他のロケーション依存量を決定するための一時的な量として使用されるだけであり、その後、そのロケーションは外部エンティティから廃棄または隠蔽することが可能であることを意味する。本発明の以下の説明をよりわかりやすくするために、本発明は、少なくともターゲット・オブジェクトのロケーションを決定するために使用されることになるという仮定に基づいて説明される。しかしながら、任意の座標系におけるターゲット・オブジェクトのロケーションを明らかにするかまたは内部的に決定することさえもなしに、有用なロケーション依存サービスが提供可能であることに留意されたい。言い換えれば、ロケーションにはいかなるメトリクスも含む必要はなく、任意または一部のロケーションを、トポロジ・モデル内の任意のノード識別子などの抽象的な用語で、または「部屋番号１２３」などの何らかの命名規則によって、表すことができる。

本発明の前述の定義では、感知デバイスとは、環境内で１つまたは複数のロケーションに依存した物理量を観察することが可能なデバイスを意味する。適用可能な物理量の非完全リストには、
−信号強度、信号対雑音比、ビット誤りレート／率、タイミング前進などの、放射信号品質値。こうした信号品質値は、使用される場合、好ましくはいくつかの周波数帯、チャネル、セル、基地局などのそれぞれについて、別々に決定される
−気圧、温度、湿度などの、大気物理量
−好ましくはいくつかの周波数帯のそれぞれについて別々に決定される、雑音レベルなどの聴覚的量
−光の強度、色、スペクトルなどの、光学的量
−静止またはライブ・イメージにおいて認識された形状、あるいは認識されたサウンド
が含まれる。

ターゲット・オブジェクトとは、そのプロパティ・セットが決定されることになるエンティティのことである。本発明の典型的な実施形態では、ターゲット・オブジェクトまたはその物理プロパティを実施するために特定の行為は必要でない。ターゲット・オブジェクトは、人間、動物、装置、車両、ショッピング・カート、プロジェクト・フォルダ、などとすることができる。プロパティ・セットは、ロケーション、および／または、速度または加速度などのロケーション関連の物理プロパティを含むことができる。加えて、プロパティ・セットは、ロケーションまたはロケーション関連プロパティとは独立に決定することさえも可能であり、ロケーションまたはロケーション関連プロパティにマッピングすることが可能な、他のプロパティを含むことが可能である。これは、たとえば、ロケーションに依存した物理量の第１のセットが、ターゲット・オブジェクトのロケーションまたはロケーション関連プロパティを決定するために使用され、この量の第１のセットとは独立に決定された量の第２のセットが、ターゲット・オブジェクトのロケーションにマッピングされることを意味する。

本発明との関連において、「量」、「プロパティ」、および「属性」という用語は、以下のように使用されることが意図される。ロケーションに依存した物理量との関連におけるように、「量」とは、１つまたは複数の感知デバイスによって検出される物理値を言い表す。ターゲット・オブジェクトのプロパティ・セットとの関連において、「プロパティ」とは、決定されることになる実際の情報項目である値を言い表す。「属性」とは、ターゲット・オブジェクトのプロパティ・セットを推定するために使用される各パーティクルの値である。例示的であるが比限定的な例では、ターゲット・オブジェクトは、無線通信端末を携帯している医師とすることができる。この医師のロケーションおよび速度が、ターゲット・オブジェクトのプロパティの例である。信号強度またはビット誤り率などの信号値は、通信端末の無線周波数ユニットである、感知デバイスによって観察されるロケーションに依存した物理量の例である。ターゲット・オブジェクトのプロパティ・セットは、この例ではそのそれぞれが少なくともロケーション属性および速度属性を有する、パーティクルのセットによって推定される。

ターゲット・オブジェクトのロケーションの決定は、ターゲット・オブジェクトが１つまたは複数の感知デバイスに近接しているかまたはこれらと共同設置されているという想定に基づくものである。いくつかの実施では、ターゲット・オブジェクトおよび１つまたは複数の感知デバイスを単一の物理格納装置内に封入することができる。たとえば、位置決定されることになるターゲット・オブジェクトは通信端末とすることが可能であり、この場合、感知デバイスは、信号強度、信号対雑音比、ビット誤りレート／率、タイミング前進などの、ロケーションに依存した物理量を測定する回路とすることができる。

いくつかの実施では、位置決定されることになるターゲット・オブジェクトをいくつかの感知デバイスに関連付けることができる。たとえば、位置決定の正確さ、確実性、信頼性を向上させるために、病院患者または非常に高価な機器にいくつかの感知デバイスを備えることができる。

一実施では、動きモデルは、親パーティクルのロケーションおよび動き属性ならびに特定タイプのターゲット・オブジェクトの動き特徴が与えられた場合、子孫パーティクルに関するロケーションおよび動き属性の候補セットを生成するために使用される、関数、アルゴリズム、または他のタイプの関数データ構造である。世代間のパーティクルの移行は、好ましくは世代間の時間に依存する。

たとえ各ターゲット・オブジェクトが単一の感知デバイスに関連付けられている実施であっても、ターゲット・オブジェクトおよび感知デバイスを２つの別個の概念として扱うことが有利である。これは、本発明の多くの応用例において、本当に重要な情報はターゲット・オブジェクトのロケーションではなく、ターゲット・オブジェクトを携行している人物、動物、または車両のロケーションであるためである。別の方法として、無線通信端末などのターゲット・オブジェクトは、様々な人物または車両によって携行されるものとすることもできる。したがって、いくつかの異なるターゲット・オブジェクトの動きをモデル化するために、複数の異なる動きモデルを維持することが有利である。たとえば、病院環境では、健康な人間、車椅子の患者（または車椅子）、運搬ベッド、自転車、スクータなどに関する動きモデルが存在する可能性がある。適切に選択された動きモデルの特典の１つは、感知デバイスの観察が１つまたは複数のサイクルについて処理できない状況で見られる。たとえば、感知デバイスが一時的に有効な信号を測定できないか、または、サーバなどの位置推定装置が忙しすぎてすべての観察を処理できない場合がある。こうした状況では、パーティクルの動きは、観察が再度処理可能となり、新しいパーティクル・セットが生成可能となるまで、適用可能な動きモデルに基づいて欠落した観察とは無関係に続行される。したがって、動きモデルのパラメータは、ターゲット・オブジェクトに関連付けられた人物または車両のパラメータに依存する。

環境をモデル化するためのデータ・モデルは、環境内のいくつかのロケーションのうちのそれぞれについて、少なくとも１つのロケーションに依存した物理量を示すデータ構造または物理構造として実施することができる。一実施では、データ・モデルは、サンプル・ポイントのそれぞれについて、複数のサンプル・ポイントおよび少なくとも１つのロケーションに依存した物理量を含むか、またはこれらをそれ以外の方法で示すことができる。信号強度または信号対雑音比などの信号品質値は、好適なロケーションに依存した物理量の非制限的な例である。「それ以外の方法で示すことができる」という言い回しは、ロケーションに依存した物理量に関する実際の値を、この量がデータ・モデルによって格納された任意の値から導出可能な限り、データ・モデルが格納しなくてもよいことを意味する。

物理的な実施に関して、データ・モデルとは、マイクロプロセッサなどのデータ・プロセッサのメモリに格納されたデータ構造またはデータ構造セットとすることができる。単一のデータ・プロセッサが多数のターゲット・オブジェクトのプロパティを決定するものである場合、このデータ・プロセッサは高性能マイクロプロセッサまたはプロセッサ・アレイとすべきである。よりハードウェア指向の実施の場合、データ・モデルは、コンデンサの電荷が対応するサンプル・ポイントでの物理量の値に対応するように、ロケーションに依存した物理量のそれぞれ、およびサンプル・ポイントのそれぞれについて、低損失コンデンサなどの記憶要素を含むことができる。

次に、それぞれの異なるデバイス・モデルが、感知デバイスの観察を修正するための異なる修正パラメータを含むように、感知デバイスを複数のデバイス・モデルに関連付けることができる。一実施では、それぞれの異なるデバイス・モデルを異なる較正曲線とすることができる。本発明技法の実施形態は、それぞれが１つまたは複数の感知デバイスの観察を修正することが可能な複数のデバイス・モデルを維持するステップと、共同設置された感知デバイスのうちの少なくとも１つについて特定のデバイス・モデルを選択するステップと、選択されたデバイス・モデルを使用して共同設置された感知デバイスのうちの少なくとも１つの観察を修正するステップとを含む。

たとえターゲット・オブジェクト（またはこれに取り付けられた感知デバイス）が研究室条件でのほぼ完璧な測定を実行できる場合であっても、その見かけの測定機能は、近くのオブジェクトに対する配置および／または配向、ならびに／あるいは高さによって、影響を受ける場合がある。たとえば対象となるターゲット・オブジェクトは、感知デバイスを構成する識別タグを着用している病院患者とすることができる。患者が床に倒れこんでしまった場合、この感知デバイスの配向および高さが変化することになる。別の方法として、感知デバイスのアンテナが破損することでその感度に影響を与える可能性もある。こうした状況は、適切な実験に基づいて導出された修正を適用するデバイス・モデルを使用することにより、感知デバイスの観察が最適に説明されることを通知することによって、検出することができる。したがって、１つまたは複数のデバイス・モデルを、破損したアンテナ、床に横たわる患者、オブジェクトにさえぎられた感知デバイスなどの、特定の状況に関連付けることが可能である。いくつかの実施では、ターゲット・オブジェクトに取り付けられた感知デバイスに関するデバイス・モデルが適応的に選択され、この適応的な選択は、各パーティクルについて少なくとも１つの特定のデバイス・モデルを選択するステップ、およびそのパーティクルについて選択された各デバイス・モデルへの参照を含むようにパーティクルの属性セットを設定するステップと、パーティクルの信頼度を決定する前に、少なくとも１つの感知デバイスからの観察を修正するようにパーティクルによって参照される各デバイス・モデルを適用するステップと、を含む。

ターゲット・オブジェクトを最適にモデル化する動きモデル、または感知デバイスを最適にモデル化するデバイス・モデルに関する、先験的情報を有する必要はない。その代わりに、パーティクルのサブセットをいくつかの動きモデルおよび／またはデバイス・モデルのそれぞれに割り当てることが可能であり、最適な動きモデルおよびデバイス・モデルはあまり適合しないモデルよりも多くの子孫を有する傾向にあり、長期的に存続する傾向にある。一実施では、ターゲット・オブジェクトの動きモデルが適応的に選択され、この適応的な選択は、パーティクルの属性セットがそのパーティクルについて選択された動きモデルへの参照を含むように、各パーティクルについて特定の動きモデルを選択するステップを含み、１つまたは複数の親パーティクルの属性セットから新しいパーティクルの属性セットを導出するステップは、親パーティクルによって参照される動きモデルを使用するステップを含む。

パーティクルの展開、すなわち、サイクルｎに関する親パーティクルに基づくサイクルｎ＋１に関する新しいパーティクル・セットの世代では、単一の子孫パーティクルに対する親の数を１つまたは複数とすることができる。子孫パーティクルが単一の親パーティクルを有する場合、その子孫パーティクルは単一の親パーティクルの属性を引き継ぐが、属性は、引き継がれた属性にランダムな変化を加えることが可能なアルゴリズムによって、世代間で変換することが可能であり、典型的には変換される。たとえば、速度属性が６５の値を有するパーティクルは、速度属性が５５から７５の範囲の子孫セットを有することができる。これに対して、異なる属性を有する２つのパーティクルはどちらも、この２つの親がどちらもそれらの子孫の属性に寄与するように、ある子孫パーティクル・セットに対する共通の親として選択することが可能である。たとえば、３０および７０の速度属性を有する２つのパーティクルは、どちらも子孫パーティクル・セットに対する共通の親として選択することができる。第１のパーティクル（速度＝３０）の重みが第２のパーティクル（速度＝７０）の重みの３倍である場合、子孫の速度にとっては速度４０が良好な始点である。この始点は、ランダムまたは擬似ランダム変化などの所定の修正が行われる可能性がある。この例では、共通の子孫に対する親の数は２つであったが、親の数は任意の実用値とすることができる。

方法または装置の堅固さ、すなわち予測できない状況に対処する能力は、少なくともいくつかのサイクルのおいていかなる親パーティクルも持たないいくつかのパーティクルを生成することによって、さらに向上させることができる。極端なケースでは、データ・モデルが不適切に構築された場合、すべてまたはほぼすべてのパーティクルがかなり著しいローカル最大重みを有するロケーションにロックされ、その最大ロケーションの外部で生成されたパーティクルの子孫は消滅することになる。こうした状況を避けるために、こうしたロケーションの外部に親のないパーティクルを生成することが有利である。親のないパーティクルは、いくつかのサイクル中にターゲット・オブジェクトの真のロケーションに漸進的に近づいていく子孫パーティクルをそこから生成することが可能な、ランダムに選択されたロケーションで生成することが可能である。親のないパーティクルをランダムに選択されたロケーションで生成する代わりに、いくつかの先験的情報が存在するロケーションで生成することができる。こうした先験的情報は、たとえばデータ・モデルの特に関連する部分を決定することによって取得することができる。あるいはまたは加えて、こうした先験的情報は、ターゲット・オブジェクトの最新の既知ロケーションに基づくものとすることが可能であり、最新の既知ロケーションは、冗長手段によって取得することができる。たとえば、ターゲット・オブジェクトは、通常は信号品質観察によってロケーション探索されるものであり、ターゲット・オブジェクトのロケーションに関する不確実性は突然増加するものと想定される。しかしながら、明確なチェック・ポイントを通って進むことなどの何らかの行為に基づいて、ターゲット・オブジェクトの最近のロケーションが決定できる場合、「フレッシュな」、すなわち親のないパーティクルを、明確なチェック・ポイントの近くに生成することが有利である。

パーティクルの移動度を、ターゲット・オブジェクトの真のロケーションであるという妥当な可能性を備えたロケーションに制限することが有利である。そのための方法の１つが、前述の動きモデルを使用することであるが、これは動きモデルが、動きモデルによって指定されたターゲット・オブジェクトの能力を超えた速度などの属性を除外するためである。前述のように、ターゲット・オブジェクトのタイプは必ずしも確実にわかっているわけではなく、動きモデルが誤って選択されると、そのロケーションがターゲット・オブジェクトの正しいロケーションであるという可能性が非常に低いパーティクルを生成することになる可能性があるが、こうした誤って選択された動きモデルは急速に消滅する。

本発明のいくつかの実施には、移送の確率が動きモデルに依存するように、連続したロケーション推定間での移送に関して移送確率を計算するステップが含まれる。たとえば、病院内で適用される動きモデルは、走ることに一致した速度を厳密には排除しない場合があるが、この動きモデルは走る必要のある移送に関して低い確率を示す可能性がある。同様に、通常、車椅子は階段を移動しないが、車椅子を階段で運ぶことはあり得なくはない。したがって、車椅子に関する階段に沿った移行の確率は低いが、ゼロではない。

パーティクルの移動度を制限する他の方法は、位置決定環境のトポロジをモデル化するグラフまたは他のタイプのモデルを使用することである。参照文書１（ＷＯ２００４／００８７９５号）は、ターゲット・オブジェクトの通信環境のトポロジをモデル化するグラフを使用するロケーション決定技法を開示する。参照文書１は、ターゲット・オブジェクトの移動度を制限するためのトポロジ・モデルの使用を教示するが、本発明との関連では、このトポロジ・モデルを使用してパーティクルの移動度を制限することができる。一実施では、トポロジ・モデルは、許容されるロケーションおよび移行を示すためのノードおよびノード間の弧を有する。

本発明のいくつかの実施形態では、データ・モデルは、トポロジ・モデル内の許容されるロケーションでの少なくとも１つのロケーションに依存した物理量に関する確率分布を示す確率モデルであるか、または確率モデルを含み、ここでパーティクルに関する信頼度を決定するステップは、データ・モデルを使用することによって、パーティクルのロケーションでのロケーションに依存した物理量に関する確率分布を示すステップと、ターゲット・オブジェクトに関連付けられた少なくとも１つの感知デバイスからの量の観察の確率を決定するために、示された確率分布を使用するステップと、を含む。

一実施では、確率モデルは、いくつかのサンプル・ポイントでの少なくとも１つのロケーションに依存した物理量に関する確率分布を示し、ここで確率分布を示すステップは、パーティクルのロケーション近くの少なくとも２つのサンプル・ポイントを選択するステップと、選択されたサンプル・ポイントでの量に関する確率分布を組み合わせるステップとを含む。たとえば、確率分布を組み合わせるステップは、選択された各サンプル・ポイントに関する累積分布関数を形成するステップ、およびそれぞれの累積分布関数を相対重みによって重み付けするステップと、重み付けされた累積分布関数の組合せを形成するステップと、を含むことができる。

トポロジ・モデルが、許容されるロケーションおよび移行を示すためのノードおよびノード間の弧を含み、少なくとも２つのサンプル・ポイントで選択するステップが、弧をたどることによってパーティクルのロケーションから到達することができるサンプル・ポイントのうちの少なくとも２つを選択するステップを含むように、確率モデルおよびトポロジ・モデルを組み合わせることができる。

ターゲット・オブジェクトの真のプロパティ（ロケーションなど）を推定するための各パーティクルに関する信頼度（確率など）は、パーティクルのロケーションで観察された信号値の確率に基づいて決定することができる。たとえば確率は、参照文書４（ＷＯ０２／０５４８１３号）に開示されたように決定することができる。本明細書で使用される場合、「信頼度」とは、従来の確率ならびにファジー論理などの適用される数学の他の分野で使用される対応する量を包含する用語である。一実施では、信頼度は、信号空間におけるユークリッド距離などの最近隣タイプの距離速度である。

サンプル・ポイントでの確率分布は、実際の測定値、コンピュータ・シミュレーション（たとえばレイ・トレーシング技法）、またはこうした技法の任意の組合せによって、決定することができる。ほとんどのパーティクルはデータ・モデルのサンプル・ポイントには位置しないが、任意のロケーションに関する確率分布は、補間または外挿によってサンプル・ポイントでの確率分布から導出することができる。参照文書２（ＷＯ０３／１０２６２２号）は、ターゲット・オブジェクトのロケーションがサンプル・ポイントのロケーションと一致しない場合に、これらのロケーションでの信号値に関する確率分布を決定するために使用可能な技法を開示する。本発明との関連において、当該参照文書２で開示された技法を適用して、パーティクルのロケーションでの信号値に関する確率分布を決定することができる。補間または外挿された信号値分布を、将来参照するためにキャッシュに入れることができる。

パーティクルの属性の１つは、信号値の時系列推定とすることができる。一実施では、測定バイアスに関する情報を取得するために信号値の時系列推定が使用される。こうした測定バイアスは、感知デバイスおよびターゲット・オブジェクトの並置によって生じる可能性がある。たとえば、ターゲット・オブジェクトおよび／または何らかの関連機器が、感知デバイスによって観察された信号を減衰させる可能性がある。

各パーティクルの重みは、少なくとも部分的に、決定された信頼度に基づいて決定されることになる。概して、パーティクルの重みが大きくなるほど、そのパーティクルがその後のサイクルで子孫パーティクルを有する可能性は高くなるが、このステートメントは確率原理としてのみ真理である。子孫生成プロセスにおいて引き継がれるランダム性により、個々の低重みパーティクルが１つまたは複数の子孫パーティクルを有する一方で、高重みパーティクルは何も有さない可能性がある。

単純な実施では、パーティクルの重みは、ターゲット・オブジェクトのプロパティ・セットを正確に推定するためのそのパーティクルに関する信頼度に等しい。すなわち、パーティクルの重みは、信頼度の何らかの数学関数から導出することができる。たとえば、こうした関数を使用して、確率範囲（０から１）のいずれかの端で相対的にわずかな相違を強調することができる。他の実施では、重みは諸要素の組合せに基づくものとすることが可能であり、信頼度はたった１つの要素である。こうした他の要素の一例が、前のサイクルからの時間長さである。たとえば、パーティクルの重みＷは、Ｗ＝ｐ^ｔ／βとして計算することが可能であり、この式でｐは、ターゲット・オブジェクトのプロパティ・セットを正確に推定するためのパーティクルに関する確率（または他の種類の信頼度）であり、ｔは前の重みの更新からの時間であり、βはスケーリング定数である。

本発明のいくつかの実施形態では、感知デバイスの観察を修正するためにデバイス・モデルを使用する。この機能は、感知デバイスが正確な測定用に特別に設計されていない適用例で、特に有用である。たとえば、無線通信端末は受信信号強度インジケータ（ＲＳＳＩ）を備えるが、測定される信号強度はかなり不正確な可能性がある。したがって、各デバイス・モデルは、特定の感知デバイスの観察を修正するために適切な修正パラメータを備える。たとえば修正パラメータは、一定のスケーリング・パラメータおよび／または線形化パラメータを含むことができる。特定のターゲット・オブジェクトにいくつかの感知デバイスが提供されるか、またはこれらに関連付けられる場合、各感知デバイスの観察に別々のデバイス・モデルを適用することが有用である。

いくつかの状況では、最適なデバイス・モデルに関する先験的情報が利用可能である。たとえば、感知デバイスが較正可能である、デバイス・モデルが生成可能である、または、既存のデバイス・モデルのうちの１つを選択し、将来の参照のために感知デバイスに関連付けることが可能である。こうした先験的情報が利用可能でない場合、パーティクルの属性は、使用されているデバイス・モデルの識別子を含むことができる。「フレッシュな」パーティクル、すなわち親パーティクルの子孫でないパーティクルが、ターゲット・オブジェクトに割り当てられる場合、使用されることになるデバイス・モデルの識別子をランダムに割り当てることができる。フレッシュ・パーティクルを各デバイス・モデルにランダムに割り当てることは、好ましくは、デバイス・モデルに適合する既知または想定の割合のデバイスに基づく。言い換えれば、ｘ％のデバイスがデバイス・モデルＮに対応する場合、ｘ％のフレッシュ・パーティクルがデバイス・モデルＮに割り当てられるはずである。この場合、現在のデバイス・モデルの選択は、本発明によって提供される自然な展開プロセスにも従い、最適合デバイス・モデルの方が、あまり適合しないデバイス・モデルよりも多くの子孫を持つことになる。

たとえ最適なデバイス・モデルに関する先験的情報が利用可能な状況であっても、パーティクルの属性が、デバイス・モデルの識別子またはデバイス・モデルによって示される修正パラメータのいずれかを含む場合は、依然として有利な可能性がある。この技法によって、デバイス・モデルによって提供される修正が適応的となる。こうした適応性は、感知デバイスの正確な観察機能が変化する状況で有用である。たとえば、感知デバイスがＲＳＳＩ検出器などの信号値測定回路である場合、測定回路によって実行される観察は、感知デバイスの高さ、配向、または配置、特に障害物に対する配置によって、影響を受ける可能性がある。感知デバイスが無線端末のＲＳＳＩ検出器であると想定した場合、端末をハンドバッグから出して耳の高さにもって行くと、その見かけの感度はかなり上昇する可能性がある。この実施形態の適応的性質は、こうした変動を補償するのに役立つ。

本発明のいくつかの実施形態は、スケーラビリティの考慮すべき点に関する。一実施形態では、１つの特定のターゲット・オブジェクトまたはいくつかのターゲット・オブジェクトのそれぞれに割り当てられたパーティクルの数が動的に調整される。ターゲット・オブジェクトに割り当てられるかまたはこれに加えられるパーティクルの数を動的に変更する代わりに、計算サイクル（信頼度の決定、重みの決定、および新しいパーティクル・セットの生成）の持続期間を動的に変更することができる。

性能関連パラメータの動的変更に影響を与える可能性のある要素の１つが、位置決定装置の全体負荷である。ロケーション探索されることになるターゲット・オブジェクトの数が多い場合、位置決定装置はターゲット・オブジェクトあたりのパーティクルをより少なく割り当てる、ならびに／あるいは、単位時間あたりの計算サイクル数を減少させることができる。性能関連パラメータに影響を与える他の要素は、正確さおよび／または信頼要件、不確実性の程度、使用可能メモリ・リソース、ならびに、使用可能観察の数および／または品質を含むことができる。考慮可能な他の要素は、パーティクルの属性における変動性である。パーティクル・セット間でのパーティクルの属性値における変動性が高いということは、より多くのパーティクルが必要であることを示す。性能関連パラメータの動的変更に潜在的に影響を与える他の要素は、ターゲット・オブジェクトの数であり、位置決定システムで使用可能なパーティクルの合計数は、ターゲット・オブジェクト間で分けられる。また、異なるターゲット・オブジェクトがそれらのプロパティ推定に関する異なる品質要件を有することもできる。プロパティ推定に関する高品質要件を有するターゲット・オブジェクトには、低品質要件を有するターゲット・オブジェクトよりも多くのパーティクルが割り当てられなければならない。さらに、ターゲット・オブジェクトの動き履歴が、ターゲット・オブジェクトに割り当てられるパーティクルの数にも影響を与える可能性がある。動き履歴が安定した予測可能な動きを示す場合、ターゲット・オブジェクトに割り当てられるパーティクルの数は減らすことができる。

プロパティ推定装置の全体効率に関する他の技法には、以下の要素のうちの１つまたは複数に基づいて更新サイクル間の時間間隔を動的に調整するステップが含まれる。こうした要素の１つが、パーティクルの属性における変動性であり、パーティクル・セット間でのパーティクル属性値の変動が大きいということは、より頻繁な更新が必要なことを示す。他の要素は、共通のプロパティ推定装置によって処理されるターゲット・オブジェクトの数である。また、プロパティ推定に関する高品質要件を備えたターゲット・オブジェクトは、低品質要件を備えたターゲット・オブジェクトよりもより頻繁に更新しなければならない。また、異なるターゲット・オブジェクトが、緊急事態などの場合に動的に変更することも可能な、異なる優先順位を有することも可能である。たとえば、緊急患者のケースでは、非常に短い更新サイクルを使用することができる。また、単位時間あたりに感知デバイスから受信する観察セットの組合せレートおよび／またはターゲット・オブジェクトの動き履歴が、更新間隔に影響を与える場合もある。さらに、ターゲット・オブジェクトあたりの更新間隔は、プロパティ推定装置の負荷の上昇に伴って増加する場合がある。

不要な目的で行われる計算を避けるために、外部情報に基づいていくつかのパーティクルを消去することができる。本明細書で使用される場合、こうした外部情報とは、感知デバイスによって行われる観察以外の手段を通じて取得される情報のことを言い表す。こうした外部情報の一例が、独自に取得されるロケーション情報である。たとえば、感知デバイスまたはこれに関連付けられたターゲット・オブジェクトは、何らかのＲＦＩＤ（無線周波数識別）ゲート付近で検出可能であり、この場合、そのＲＦＩＤゲートから十分に遠い任意のパーティクルは消去可能である。あるいは、ターゲット・オブジェクトを、全地球測位システム（ＧＰＳ）の位置決定デバイスおよびＲＳＳＩ検出器などのいくつかの独立した感知デバイスに物理的に結合することができるが、ＧＰＳ情報は屋外でのみ入手可能である。ＧＰＳ情報が入手可能な場合、これはＲＳＳＩ検出器を介して取得されたロケーション情報を上書きすることが可能であり、ＧＰＳベースのロケーションから十分に遠い任意のパーティクルを消去することができる。不要な目的で行われる計算を避けるための他の技法には、何らかの関連基準に基づいて、データ・モデルのサンプル・ポイントのサブセットを選択するステップが含まれる。こうした選択されたサンプル・ポイントが、関連サンプル・ポイントと呼ばれる。これらを決定および使用するための技法について、さらに詳しく説明する。

いくつかの実施形態は、履歴の考慮すべき点に関する。前述のように、ターゲット・オブジェクトのプロパティは、パーティクルのセットを使用して、各パーティクルが属性の関連セットを有するように推定または概算される。たとえば、各パーティクルはロケーション属性および速度属性を有することが可能であり、ターゲット・オブジェクトに割り当てられたパーティクルのすべてまたは一部のロケーションおよび速度属性が、ターゲット・オブジェクトのロケーションおよび速度プロパティをそれぞれ、まとめて概算する。いくつかの実施形態で、この集合的概算プロセスが改良される。

一実施形態では、パーティクルの系統ツリーを使用してパーティクル属性の修正履歴が分析される。この技法は、ルート検索アプリケーションで使用可能であり、これを使用してターゲット・オブジェクトがたどるルートを分析することができる。

一実施形態では、ターゲット・オブジェクトのプロパティ・セットを概算するために使用されるパーティクルのセットが、最新の世代におけるパーティクルのみを含む。ターゲット・オブジェクトのプロパティ（ロケーションおよび／または速度など）の推定は、ターゲット・オブジェクトのプロパティの概算に使用されるパーティクルの属性の重み付け平均として計算することができる。重み付け平均の計算は、パーティクルが続く世代に関して親パーティクルとして選択される可能性を決定する同じ重みを使用するか、または、異なる重さを使用することができる。いずれの場合も、重みは、ターゲット・オブジェクトのプロパティ・セットを推定するパーティクルの信頼度との正相関を有するはずである。

他の実施形態では、ターゲット・オブジェクトのプロパティ・セットを概算するのに使用されるパーティクル・セットは、いくつかの世代におけるパーティクルを含む。たとえば、ターゲット・オブジェクトのプロパティ・セットは、最新の世代およびいくつかの以前の世代に基づいて決定することができる。重み付け平均の計算における各パーティクルの重みは、パーティクルの子孫の組み合わされた重みに等しい可能性がある。一実施では、一世代における各パーティクルの重みが、最も新しい世代におけるパーティクルの子孫の重み合計に基づいて再計算される。この実施形態は、何らかの測定／更新サイクルのコストで、位置決定の正確さを向上させることができる。

いくつかの世代のパーティクルを使用するための例示的実施形態には、更新サイクルｋに対して重み付けされたパーティクルのスナップショットを生成するステップであって、スナップショットは更新サイクルｋに対する一部またはすべてのパーティクルを含む、生成するステップと、以下の再帰的規則によって定義された重みを各パーティクルに割り当てるステップとが含まれる。ｋが最新の更新サイクルの場合、パーティクルの重みは請求項１のステップｂで決定された重みに基づく。これに対して、ｋが最新の更新サイクルでない場合、パーティクルの重みは更新サイクルｋ＋１に対して生成されたスナップショットに存在するパーティクルのすべての直接の子孫の重み合計に基づく。スナップショットは、更新サイクルｋでターゲット・オブジェクトのプロパティ・セットを推定するために使用される。

一実施では、この方法は、更新サイクルｋに対して重み付けされたパーティクルのスナップショットを１つまたは複数のクラスタに分割するステップであって、各クラスタは１つまたは複数の所定の類似基準に従って互いに類似するパーティクルを含む、分割するステップと、少なくとも１つのクラスタを選択するステップ、選択されたクラスタ内のパーティクルおよび重みを使用することによって、選択された各クラスタに対する更新サイクルｋでのターゲット・オブジェクトのプロパティ・セットを推定するステップ、およびクラスタ内にないパーティクルおよび重みを除外するステップと、をさらに含む。たとえば、少なくとも１つの類似基準は、パーティクルのロケーションに基づくものとすることが可能であり、これによって各クラスタは互いに近いパーティクルを含む。クラスタ化は、前述の系統ツリーに基づくものとすることができる。

一実施形態では、クラスタ化は、複数の所定のゾーンを維持することによって、トポロジ・モデルとの組合せで使用され、各ゾーンはトポロジ・モデルの１つまたは複数の許容されるロケーションを含み、少なくとも１つの類似基準は複数のゾーンに基づき、ロケーションが同じゾーンに属するパーティクルは同じクラスタに属する。本明細書で使用される場合、ゾーンとは、トポロジ・モデルの１つまたは複数の許容されるロケーションを意味する用語である。各ゾーンは、座標系または抽象命名規則によって定義可能な１つまたは複数の離散ロケーションを含むことができる。すなわち、ゾーンはトポロジ・グラフ、座標レンジなどの許容部分とすることができる。

クラスタ化プロセスは、信頼値を提供するために使用することができる。たとえば、信頼値は、クラスタを使用して生成された推定に関連付けることが可能であり、ここで信頼値は、クラスタ内のパーティクルの重み合計をスナップショット内のパーティクルの重み合計で割った値に基づく。

一実施形態では、ターゲット・オブジェクトのプロパティ・セットを概算するために使用されるパーティクル・セットを使用して、２つまたはそれ以上のターゲット・オブジェクトのロケーションの確率分布を生成することが可能であり、このロケーションの確率分布を使用して、２つまたはそれ以上のターゲット・オブジェクトの相対近接を推定することができる。

クラスタ化技法の一実施には、各クラスタ内の属性値およびパーティクルの重みを使用することによって、パーティクルの属性値の推定を計算するステップが含まれる。こうした推定の信頼測度は、クラスタ内のパーティクルの組み合わされた重みを、すべてのパーティクルの組み合わされた重みで割ることによって、決定することができる。クラスタ化技法の他の実施には、推定の有用性測度を決定するステップが含まれる。たとえば、こうした有用性測度は、属性値の変動性および／または推定のロケーションから所定の距離限界内にあるパーティクルの割合に基づいて決定することができる。他の実施には、パーティクルのｐ％を包含する、円、楕円、または多角形などの領域を決定するステップが含まれる。したがって、有用性測度は、信頼測度とはまったく異なる概念を有する。たとえば、ターゲット・オブジェクトのロケーションを包含する領域は、その領域が位置決定環境全体の重要な部分をカバーするだけの十分な広さである場合、信頼値は高いが有用性値は低い可能性がある。

各クラスタ内の属性値およびパーティクルの重みを使用してパーティクルの属性値の推定を計算するための他の技法には、パーティクルの属性値の重み付け平均を計算するステップが含まれる。他の実施は、１つまたは複数のロケーション領域または値範囲のそれぞれについて、確率を決定するステップを含むことができる。他の実施は、パーティクルのｐ％を包含する最も小さい円、楕円、または多角形を決定するステップを含むことができる。さらに他の実施は、１．．．Ｎ番目までの高密度領域、すなわちパーティクルのｐ％を集合的に包含するロケーション領域または値範囲を、決定するステップを含むことができる。他の実施は、ターゲット・オブジェクトを最も良く表す１．．．Ｍ番目までのパーティクルを決定するステップを含むことができる。

次に、添付の図面を参照しながら、特定の実施形態を使用して本発明についてより詳細に説明する。

図１は、本発明の動作原理を示す図である。図の説明は、ターゲット・オブジェクトのプロパティ・セットがターゲット・オブジェクトのロケーションであるかまたはこれを含むという想定に基づいている。参照番号１０１は、ターゲット・オブジェクトのパスを示す。パス１０１には等間隔に区切られたメモリが提供されている。図１の説明では、パスは、ターゲット・オブジェクトがそれに沿って前方または後方（図１では左または右）にのみ移動可能なトラックに類似すると想定される。

図１は、ターゲット・オブジェクトに対して４つの連続するロケーション推定サイクルを実行するプロセスを示す。各推定は、特定の時間インスタンスで実行される。時間は下から上へと進行する。参照番号１１１〜１１６は第１のロケーション推定に関し、参照番号１２１〜１２６は第２の推定に関する、という具合である。参照番号１１１は、パス１０１に沿ったターゲット・オブジェクトのロケーションを示す。必然的に、ターゲット・オブジェクトのロケーション１１１はロケーション推定ルーティンに知られておらず、例示の目的でのみ示されている。参照番号１１２はターゲット・オブジェクトに割り当てられたパーティクル・セットを示し、以下でより詳細に説明するように、これを使用してターゲット・オブジェクトのロケーションが推定されることになる。図１に示された例では、パーティクルの数は非常に少ない（正確には１５）が、これは単に図をわかりやすくするためである。実際には、各ターゲット・オブジェクトに割り当てられるパーティクルの数はもっと多く、好ましくは必要な正確さ、信頼度、および堅固さに関する考慮すべき点に応じて、何百または何千の範囲となる。各ターゲット・オブジェクトに割り当てられるパーティクルの数については、小見出し「性能に関する考慮すべき点」でさらに説明する。

この例では、パーティクル１１２のそれぞれが関連付けられたロケーションおよび速度を有する。パス１０１がトラックとして扱われる場合、速度は（正または負の値を備えた）スカラー数とすることが可能であるが、多次元の実施では速度はベクトルとして扱われる場合がある。

参照番号１１１〜１１６は、第１のロケーション推定サイクルに関する。図１に示された例では、第１のロケーション推定サイクルでは、パーティクル１１２は初期にパス１０１に沿って等間隔に配置され、それぞれが速度ゼロを有すると想定することができる。これらの値は非制限的な例として与えられ、初期値は重要でないことがわかる。

参照番号１１３は、ターゲット・オブジェクトの真のロケーション１１１を推定するための各パーティクル１１２に関する確率を示す、確率曲線を示す。実際のところ、ロケーション推定技法に必要なのは、ターゲット・オブジェクトの真のロケーション１１１を推定するための各パーティクル１１２の別個の確率であり、確率曲線１１３は単に読者にとって便利なように示されている。確率１１３を決定するための例示的な技法は、図４に関連して、参照文書２で開示される。

参照番号１１４は、パーティクル１１２のそれぞれの重みを決定するステップを示す。重み付けされたパーティクルのセットは、参照番号１１５によって示される。ターゲット・オブジェクトの真のロケーション１１１を推定するためのパーティクル１１２のそれぞれに関する確率１１３は、ステップ１１４で重みを決定する際の主要な要素であり、単純な実施では、確率１１３は重みを決定する際の唯一の要素とすることができる。いくつかの実施では、重みは、パーティクルの過去の履歴または将来などの他の要素によっても影響を受ける場合がある。通常、パーティクルの将来は、実時間のロケーション推定ではわからないが、ターゲット・オブジェクトがたどるパスの分析時に知ることができる。重みは、前の更新サイクルからの時間の長さによって影響を受ける可能性もある。

参照番号１１６は、サイクル１のパーティクル１１２の子孫として、サイクル２のパーティクル１２２の新しいセットを生成するステップを示す。ステップ１１６では、サイクル１におけるパーティクルのサイクル２における子孫の予測数は、パーティクルの重みの非減少関数である。これは、サイクル２に対するパーティクル１２２の新しいセットが、サイクル１に対するパーティクル１１２のセットから導出されることを意味するが、サイクル１に対するパーティクル１１２のそれぞれが、サイクル２に対するパーティクル１２２のセットに子孫を持つことは意味しない。その代わりに、各パーティクルの子孫は、高重みのパーティクルの方が、低重みのパーティクルよりも、次のサイクルにおいて子孫の親として選択される可能性が高いように決定される。しかし、確率技法に関連して良く知られるように、低確率のイベントは時々発生するが、高確率のイベントは発生せず、さらに本発明では、低重みのパーティクルは１つまたは複数の子孫を有する可能性があるが、高重みのパーティクルは何も有さない可能性がある。

パーティクル１１５の子孫１２２は、たとえ重みを無視した後でも、それらの親と同一のコピーではない。その代わりに、ロケーションおよび／または速度などの各子孫パーティクルの属性は、例示的な実施ではランダムまたは擬似ランダム変動によって子孫の属性をそれらの親から導出する所定のアルゴリズムを使用することによって、親パーティクルのそれぞれの属性とは異なるように作られる。たとえば、各子孫パーティクルのロケーションは、その親のロケーションに更新サイクル間の動き（親パーティクルの速度に各更新サイクルの時間長さを掛ける）を加えたものとすることができる。子孫パーティクルの速度は、好適に重み付けされたランダム変動をその親の速度に追加することによって形成することができる。たとえば、子孫パーティクルの速度は、親の速度のｘパーセントに擬似ランダム変動の１００−ｘパーセントを加えたものとして計算することができる。

子孫パーティクルの速度の計算において（擬似）ランダム変数を使用することの利点は、子孫パーティクルのセットが、展開および自然選択に類似したプロセスによってターゲット・オブジェクトの動きを追う傾向があることである。ロケーションおよび速度がターゲット・オブジェクトのそれと一致するパーティクルは高重みを有することになり、したがって子孫の予測数も多くなる。これは、観察される信号値が高い確率を有するロケーションに、パーティクルが集中する傾向があるためである。これとは逆に、ロケーションおよび／または速度がターゲット・オブジェクトのそれとは異なるパーティクルは低重みを有することになり、最終的には消滅する。

図１に示された例では、各更新サイクルが重み決定ステップおよび子孫作成ステップを含む。たとえば、第１の更新サイクルは重み決定ステップ１１４および子孫作成ステップ１１６を含む。第２および第３の更新サイクルは、それぞれ、重み決定ステップ１２４、１３４および子孫作成ステップ１２６、１３６を含むという具合である。各重み決定ステップ１１４、１２４、１３４、１４４の後、パーティクルは、各円のサイズがパーティクルの重みに対応するような、サイズの異なる円として示される。

図１は、分離された高確率のピークがターゲット・オブジェクトのロケーションから十分に遠い場合、こうしたピークによって説明された技法が混乱することはないという事実も、概略的に示している。図１において、参照番号１１９は相対的に高い確率の領域を示す。高確率領域１１９の効果は、第２の更新サイクルにおいて、パーティクル・セット１２４で左端の２つのパーティクルが生成されることである。しかしながら、これらのパーティクルは、第３のサイクルでは子孫を有さず、他の分離された高確率領域１３９は、分離された高確率領域１３９の近くに潜在的な親パーティクルが存在しないため、第４の更新サイクルにおいていかなる子孫も生成させない。

前述の方法は、適切なロケーション推定ソフトウェアおよび環境のデータ・モデルが提供されると想定した場合、ターゲット・オブジェクトそれ自体で実行することが可能である。別の方法として、ターゲット・オブジェクトまたはこれに結合された感知デバイスは、その観察結果をロケーション推定装置に送信することが可能であり、この装置が、ターゲット・オブジェクトのロケーションで実行された観察に基づいてターゲット・オブジェクトに関するロケーション推定を決定する。

図２は、ターゲット・オブジェクトのロケーションおよび速度を追跡するための子孫パーティクルの作成の一例を示す図である。図２は、図をさらに見やすくするために、単一のパーティクルの子孫のみを示しているという点で、図１の単純化バージョンである。参照番号２ｘｘ、すなわち「２」で始まる番号で示された項目は、図１において参照番号１ｘｘで示された項目とかなり類似している。参照番号２１１、２２１などは、図２に示された第１、第２などの更新サイクルにおけるターゲット・オブジェクトのロケーションを示す。参照番号２１７、２２７などは、連続した更新サイクルにおける対応するターゲット・オブジェクトの速度を示す。

図２に示された第１の更新サイクルでは、ターゲット・オブジェクトはロケーション２１１および速度２１７を有する。前の更新サイクル（図示せず）の結果として、代表パーティクル２１５がおよそ＋３の速度（図２の右側に）を有するものと想定できる。続く子孫作成ステップ２１６で、パーティクル２１５は５つの子孫を有し、これらはまとめて参照番号２２２で示され、速度１、２、３、４、および５を有する。速度ｎ（ｎ＝１、．．．、５）の各子孫は、その親の右へと単位距離ｎだけオフセットされる。各子孫の右側の番号１〜５は、最も近い子孫の速度を示す。

パーティクル２１５の速度は速度３を有し、これは子孫２２２の平均ロケーションがロケーション２１１とは３単位だけ異なるためである。しかしながら、ターゲット・オブジェクトの実際の速度２１７は、更新サイクルあたりおよそ４単位距離であり、ターゲット・オブジェクトのロケーション２２１は、ロケーション２１１からおよそ４単位距離だけオフセットされる。したがって、速度４の子孫パーティクル２２２（左から４番目）が、重み決定ステップ２２４で最高の重みを有する。重み付けされたパーティクルは、まとめて参照番号２２５で示される。

続く子孫作成ステップ２２６では、速度４のパーティクルは３つの子孫（速度３、４、および５）を有し、速度３および５のパーティクルはそれぞれ１つの子孫を有し、速度１および２のパーティクルは子孫を有さずに消滅する。

次の更新サイクルでは、矢印２３７が示すように、ターゲット・オブジェクトの速度は＋５まで増加する。したがって、図２に示された最後の重み決定ステップ２４４では、速度５のパーティクル２４２のうちの１つが最高の重みを有するという具合である。図２から、たとえターゲット・オブジェクトの速度が変化する場合であっても、パーティクルのセットはターゲット・オブジェクトの動きを非常に良く追跡することがわかる。

ここまでのところ、本発明の諸実施形態の説明は１次元に限定されてきた。ターゲット・オブジェクトの動きを２次元でモデル化するための方法の１つは、ｘおよびｙ（およびオプションでｚ）方向の動き構成要素のそれぞれを、図１および２に関連して説明してきたように、１次元として処理することである。代替の実施形態では、ターゲット・オブジェクトの速度は、方向およびスカラーの大きさを備えるベクトルとしてモデル化される。第３の代替形態についてはトポロジ・モデルに関連して説明するが、これは図５Ａから５Ｄに関連して説明する。真の３次元座標系を使用する代わりに、多くの３次元構造を床または層などの複数の２次元構造として扱うことができる。

図３Ａは、本発明およびその諸実施形態の様々な要素間の関係を示す図である。環境ＥＮ内に１つまたは複数のターゲット・オブジェクトＴＯがある。ターゲット・オブジェクトのロケーションまたはロケーションに依存したプロパティの決定は、ターゲット・オブジェクトが１つまたは複数の感知デバイスＳＤに最も近いかまたはそれらと共同設置されている、という想定に基づくものである。いくつかの実施では、ターゲット・オブジェクトおよび１つまたは複数の感知デバイスを単一の物理エンクロージャ内に封入することができる。たとえば、ターゲット・オブジェクトは通信端末とすることが可能であり、この場合、感知デバイスは、信号強度、信号対雑音比、ビット誤りレート／率、タイミング前進などの、ロケーションに依存した物理量を測定する回路とすることができる。

たとえ各ターゲット・オブジェクトが単一の感知デバイスに関連付けられた実施においても、ターゲット・オブジェクトおよび感知デバイスを２つの別個の概念として扱うことが有利である。これは、本発明の多くの適用例において、本当に重要な情報は感知デバイスのロケーションではなく、それを携行している人物、動物、または車両のロケーションであるからである。無線通信端末などの感知デバイスは、様々な人物または車両によって様々な時点で携行される可能性がある。したがって、いくつかの異なるターゲット・オブジェクトの動きをモデル化するために、複数の異なる動きモデルを維持することが有利である。たとえば、病院環境では、健康な人間、車椅子の患者（または車椅子）、運搬ベッド、自転車、スクータなどに関する動きモデルが存在する可能性がある。適切に選択された動きモデルの特典の１つは、感知デバイスの観察が１つまたは複数のサイクルについて処理できない状況で見られる。たとえば、感知デバイスが一時的に有効な信号を測定できないか、または、サーバなどの位置推定装置が忙しすぎてすべての観察を処理できない場合がある。こうした状況では、パーティクルの動きは、観察が再度処理可能となり、新しいパーティクル・セットが生成可能となるまで、適用可能な動きモデルに基づいて欠落した観察とは無関係に続行される。したがって、動きモデルのパラメータは、問題の人物または車両のパラメータに依存する。

各ターゲット・オブジェクトＴＯは関連する空間プロパティＳＰのセットを有する。空間プロパティはターゲット・オブジェクトのロケーションに依存する。本発明の単純な実施では、ターゲット・オブジェクトのロケーション以外に追加の空間プロパティはない。他の実施では、関連する空間プロパティのセットにロケーションに依存したサービスが含まれる。たとえば、ターゲット・オブジェクトは無線端末を携行している人物とすることが可能であり、ロケーションに依存したサービスは、室内照明などの何らかの電気機器の制御とすることができる。位置決定システムは、ターゲット・オブジェクトを含んでいない部屋の室内照明のスイッチを自動的に切ることができる。このシナリオでは、室内照明のオン／オフ状況が空間プロパティの一例である。

ターゲット・オブジェクトのプロパティの推定されたセットが、環境内の少なくとも１つの空間プロパティを含む状況では、データ・モデルが環境内の各ロケーションに関する空間プロパティを示すことができる。ターゲット・オブジェクトのプロパティ・セットを推定するステップは、パーティクルのロケーションでの空間プロパティを示すためにデータ・モデルを使用して、各パーティクルについて空間プロパティのパーティクル特有の推定を生成するステップと、パーティクルの重みを使用してパーティクル特有の推定を結合するステップとを含むことができる。

各ターゲット・オブジェクトＴＯは、１つまたは複数の共同設置された感知デバイスＳＤも有する。各感知デバイスは、少なくとも１つのロケーションに依存した物理量ＰＱを観察する。データ・モデルＤＡＭは、１つまたは複数の物理量がロケーションに依存してどのように変化するかを示すことによって、環境ＥＮをモデル化する。

環境ＥＮは、環境内で可能なロケーションおよび移行を示す移行情報を含むトポロジ・モデルＴＭによっても、モデル化される。ロケーションは、関連する測定システムまたはメトリクスＭＴを有するかまたは有さない場合のある、トポロジ・モデルＴＭに対して示される。たとえば測定システムは、直交座標または極座標などの、何らかの種類の座標系とすることができる。しかしながら、メトリクスＭＴは必須の要素でなく、トポロジ・モデルＴＭは、「部屋番号１２３」などの何らかの命名規則によって、または様々なロケーションに関する全体的な抽象名を参照することによって、ロケーションを示すことができる。

本発明に従った方法は、パーティクルＰの１つまたは複数の世代ＰＧを各ターゲット・オブジェクトＴＯに割り当てるステップを含む。各パーティクルＰは関連付けられた属性セットを有し、これが、パーティクルのロケーションの推定である少なくとも１つのロケーション属性ＬＰを含む。属性セットは、速度、加速度などのターゲット・オブジェクトの動きプロパティＭＰを集合的に推定する、ゼロまたはそれ以上の動き属性も含むことができる。

本発明のいくつかの実施では、パーティクルのロケーションはターゲット・オブジェクトのロケーションを直接モデル化するが、より複雑な実施では、ターゲット・オブジェクトの空間および動きプロパティを、より複雑な関数または技法によってパーティクルの属性セットから導出することができる。

ターゲット・オブジェクトの動きは、動きモデルＭＭによってモデル化することができる。動きモデルＭＭはトポロジ・モデルＴＭを使用し、パーティクルのロケーションおよび動き属性の展開に影響を与える。同様に、感知デバイスの観察機能は、デバイス・モデルＤＭによってモデル化および修正することができる。ターゲット・オブジェクトＴＯおよび感知デバイスＳＤにそれぞれ割り当てられる動きモデルＭＭおよび／またはデバイス・モデルＤＭのパラメータは、固定されたままとするか、またはパーティクルの属性セットの一部とすることが可能であり、この場合、パラメータは本発明に従った更新サイクルも受ける。

図３Ｂは、図３Ａに示されたエンティティを実世界シナリオのエンティティにマッピングする非制限的な例を示す図である。人物３０２は、フロア・プラン３０４を有するオフィス内を移動する。この人物は、無線ネットワークＲＮ内の移動体端末ＭＴと通信する。移動体端末ＭＴは、無線ネットワークＲＮ内の１つまたは複数のロケーションに依存する信号品質パラメータを観察し、その信号品質観察結果を、基地局ＢＳおよびゲートウェイ要素ＧＷを介して、本発明に従ったプロパティ推定装置の一例であるロケーション推定装置ＬＥＡに送信する。ロケーション推定装置は、ターゲット・オブジェクトおよびそれらの関連付けられた感知デバイスを識別するデータ構造を維持する。さらにこの装置は様々なモデルを維持し、パーティクル生成の属性も更新する。ロケーション推定装置ＬＥＡは、ロケーション探索されるターゲット・オブジェクトの数、必要な精度、信頼度、および応答時間などの、スケーラビリティおよび性能の考慮すべき点に依存して、サーバまたはサーバのクラスタなどのスタンドアロン型装置として実施することができる。別の方法として、ポータブルまたはパームトップ・コンピュータなどの各ターゲット・オブジェクトが、内部ロケーション推定ソフトウェアを装備することもできる。

このシナリオでは、無線ネットワークＲＮおよびフロア・プラン３０４が環境ＥＮの諸態様を構築する。無線ネットワークＲＮにおける信号品質パラメータが、ロケーションに依存した物理量ＰＱの例である。たとえば、信号品質パラメータは、信号強度、ビット誤りレート／率、信号対雑音比、またはこうしたパラメータの任意の組合せとすることができる。移動体端末内の測定回路は、感知デバイスＳＤの一例である。データ・モデルＤＡＭは、無線ネットワークＲＮ内の信号品質パラメータのロケーション依存性をモデル化する。トポロジ・モデルＴＭはフロア・プラン３０４をモデル化する。適用例に応じて、ターゲット・オブジェクトＴＯは移動体端末ＭＴまたはこれを携行する人物３０２に対応することができる。

本発明のいくつかの実施形態では、動きモデルＭＭを使用して、移動体端末を携行している人物３０２などのターゲット・オブジェクトの動きがモデル化される。各動きモデルは、特定タイプのターゲット・オブジェクトの移動度をモデル化する。たとえば病院環境では、健康な人間、車椅子の患者（または車椅子）、運搬ベッド、自転車、スクータなどに関する動きモデルが存在する可能性がある。この動きモデルは、平均／最高スピード、平均／最高加速度（スピードまたは速度を変更する能力）、階段、エスカレータ、またはエレベータで移動する能力、などのパラメータのうちの、１つまたは複数を指定することができる。ロケーション推定装置は、ロケーションを探索する新しいターゲット・オブジェクトを検出した場合、どの動きモデルがターゲット・オブジェクトを最適に説明するかがわからない可能性がある。その代わりにロケーション推定装置は、最初に、ターゲット・オブジェクトのパーティクルの一部を各適用可能な動きモデルに割り当てることができる。たとえば、こうした初期の割り当てを、適用可能な動きモデルの既知の代表数に従って分布することができる。ロケーション推定装置が階段を移動しているターゲット・オブジェクトを検出した場合、車輪付デバイスに関するほとんどの動きモデルが適用不可能であると判断し、残りの動きモデル間にパーティクルを分布することができる。動きモデルの変動が大きい場合は、信頼できないロケーション推定を示す。動きモデルについては、図６および７に関連してさらに説明する。

ターゲット・オブジェクトからの観察セットは、いくつかのデバイス・モデルＤＭのうちの１つを介して処理することができる。各デバイス・モデルには、感知デバイスＳＤによって実行された観察を修正するための１つまたは複数の修正パラメータが含まれる。変化する条件に対する適応性は、パーティクルの属性セットがデバイス・モデルの識別子または実際の修正パラメータを含む場合に向上する。このように、適用されるデバイス・モデルには、本発明に従った展開プロセスも施される。その後のサイクルへと最も良く存続するパーティクルを使用して、所与のターゲット・オブジェクトに関連してどのデバイス・モデルを使用すべきであるかを習得することが可能である。デバイス・モデルの作成および使用に関する他の技法は、参照文書３（ＷＯ２００４／００８７９６号）で開示される。

一実施形態では、データ・モデルＤＡＭを無線ネットワークＲＮの確率モデルとして実施することができる。確率モデルは、無線ネットワークＲＮのいくつかの既知のロケーションでの、１つまたは複数の信号パラメータ値の確率分布を含む。こうした既知のロケーションはサンプル・ポイントと呼ばれる。サンプル・ポイントは、１つまたは複数の測定可能でありロケーションに依存した信号パラメータ値に関する確率分布が決定されている、確率モデルのポイントである。たとえば、サンプル・ポイントでの信号パラメータ値は、物理的較正（実際の測定値）、レイ・トレーシングなどのコンピュータ・シミュレーション技法、またはこうした技法の任意の組合せによって、決定することができる。各観察セットは、同じかまたは関係する信号パラメータの測定値を含む。本明細書で使用される場合、「関係する」信号パラメータとは、互いに相手から導出可能な信号パラメータを意味する。たとえば信号対雑音比は、信号強度および雑音測定値から導出可能である。

図４は、環境の確率モデルに基づいてパーティクルの確率を決定するための技法を示す図である。図４では、２つのサンプル・ポイントＡおよびＢが、それぞれ参照番号４０１および４０２で示されている。参照番号４１１および４１２は、それぞれ２つのサンプル・ポイントＡおよびＢの確率分布を示す。しかしながら、ほとんどの位置決定環境では、サンプル・ポイント間の典型的な距離は非実際的に長く、位置決定技法の解決はサンプル・ポイント間の補間によって機能強化しなければならない。図４で、参照番号４０３は２つのサンプル・ポイントＡおよびＢの間のロケーションＸを示す。直感的に言えば、ロケーションＸの確率分布は、サンプル・ポイントＡおよびＢの確率分布４１１、４１２の間の補間によって得られると考えるであろう。しかし、この２つの確率分布４１１および４１２を直接合計または平均すると、結果として、２つのサンプル・ポイントＡおよびＢのそれぞれで別々のピークを有する曲線が生じることになる。ロケーションＸの確率分布はロケーションＸにピークを有するはずなのは明らかであるため、こうした結果はどう見ても誤りである。

参照文書２（本願の譲受人に譲渡された特許出願ＷＯ０３／１０２６２２号）は、２つまたはそれ以上のサンプル・ポイント間での確率分布を補間するための技法を開示する。参照文書２では、確率分布の組合せではなく、２つまたはそれ以上のサンプル・ポイントの累積分布の組合せに基づく、補間技法を説明する。累積分布および確率分布は、互いに相手から導出することができる。しかしながら、参照文書２で開示された技法は、補間されることになるロケーションがわかっている場合に適用可能であり、本発明との関連では、たとえ何らかのケースで、ターゲット・オブジェクトが２つの既知のサンプル・ポイント間のどこかに配置されていると判定できる場合であっても、ターゲット・オブジェクトの精密なロケーションは未知である。本発明との関連において、ターゲット・オブジェクトのロケーションが未知であるという事実、したがって、サンプル・ポイントの確率分布を組み合わせるためのいずれの要素も未知であるという事実を考えると、任意の２つ（またはそれ以上）のサンプル・ポイント間での補間が実行できることがどれほど有意義であるかは、即時にはわからない。

したがって、図４に関連して説明する実施形態は、たとえターゲット・オブジェクトのロケーションが未知であっても、パーティクルのロケーションはわかっているという認識に部分的に基づいているが、いかなるロケーション推定装置も、そのパーティクルがターゲット・オブジェクトの真のロケーションからどれほど遠く離れているかはわからない。

前述の認識に基づき、ロケーション推定装置は、パーティクルをロケーションＸ、４０３に配置し、そのロケーションの確率分布を以下のように決定することができる。ロケーションＸ、４０３からサンプル・ポイントＡおよびＢまでの距離は、それぞれｄ_Ａおよびｄ_Ｂである。前述のように、２つのサンプル・ポイントＡおよびＢの確率分布は、それぞれ参照番号４１１および４１２によって示される。図４に示された例では、測定可能なロケーションに依存した変数はＲＳＳＩ（受信信号強度インジケータ）であるが、ＲＳＳＩは非制限的な例としてのみ提供されている。確率分布４１１および４１２は、それぞれ累積分布４２１、４２２に変換される。ロケーションＸの累積分布４２３は、従属変数Ｐ_ｃｕｍのいくつかの値のそれぞれについて、サンプル・ポイントＡおよびＢの累積分布関数４１１および４１２にそれぞれ適切な重みで重み付けすることによって、独立変数ＲＳＳＩの値が決定される、というアルゴリズムによって決定可能である。図４で、量Ｗ_ＡおよびＷ_Ｂは、累積分布４２３上の任意のポイントに対する、累積分布４２１および４２２からの水平距離を示す。参照番号４３０は、量、ｄ_Ａ、ｄ_Ｂ、Ｗ_Ａ、およびＷ_Ｂによって満たされなければならない数式を示す。共通する１本の直線に沿っていない３つのサンプル・ポイント間での補間に関する技法などの他の技法は、参照文書２で開示される。

確率分布４１１および４１２を、図１および２に関連して論じた確率１１３、１２３、．．．、および２１３、２２３、．．．と混同してはならない。図１および２の確率は、ターゲット・オブジェクトの真のロケーションとなる所与のパーティクルに関する確率である。図４に示された確率分布４１１および４１２は、測定された信号パラメータが、所与の値を有する（測定結果が離散値として扱われる場合）、または所与の範囲内にある（測定値が連続値として扱われる場合）確率を示す。確率分布４１１および４１２は、確率１１３、１２３、．．．、および２１３、２２３を計算するために使用されるが、この２つの異なる確率を互いに混同してはならない。

トポロジ・モデル
図５Ａから５Ｄは、環境内で許容されるロケーションおよび／または移行を示す、トポロジ・モデルＴＭの様々な実施および適用例を示す。参照番号５００は、図５Ａの左側に示された部屋のレイアウト５０１をモデル化するトポロジ・モデルの実施形態を示す。部屋のレイアウト５０１は、通路５０７を介して利用可能な、３つの小部屋５０３、５０４、および５０５と、１つの大部屋５０６とを含む。この特定の例では、大部屋５０６は４つの区画５０６Ａから５０６Ｄとして扱われる。トポロジ・モデル５００は、環境（部屋のレイアウト）５０１内での許容されるロケーションおよび移行を示す。トポロジ・モデル５００中の任意の部屋番号は許容できるロケーションを示し、任意の行は許容される移行を示す。この例では、すべての許容される移行は双方向であると想定され、たとえば１行目では、５０３から５０７へ、および５０７から５０３への、両方が許容される移行であることを意味する。

図５Ａに示される実施形態５００は全体が取り決め（部屋番号）に基づいており、座標系などのメトリクスはまったく使用されていない、ということは何の価値もない。こうした取り決めベースのトポロジ・モデルは、たとえば博物館または展示会で使用することができる。ある客が部屋番号５０３〜５０５または大部屋の区画５０６Ａ〜５０６Ｄのうちの１つに入った場合、その人のポータブル装置はその部屋または部屋の区画に表示されたアイテムの説明を表示するかまたは読み取ることができる。展示アイテムを視覚的または聴覚的に説明することが、実際のロケーションがサービス要求エンティティまたはアプリケーションから隠されている、有用なロケーションに依存したサービスの一例である。

図５Ｂは、トポロジ・モデルＴＭの他の実施である、トポロジ・グラフ５１０を示す図である。グラフ５１０はノードのセットおよび弧のセットを含んでおり、各ノードは許容されるロケーションを示し、各弧は許容される移行を示す。黒い矩形はノードを表し、そのうちの２つが参照番号５１２および５１３で示される。この実施では、弧はノード５１２、５１３を接続する直線セグメントであり、そのうちの１つが参照番号５１４で示されるが、他の実施では、弧はより複雑な曲線で画定される場合がある。各ノードはターゲット・オブジェクトに関する許容されるロケーションであるが、ノードは必ずしも許容されるロケーションのみとは限らない。いくつかの実施では、任意の２つのノード間の任意の弧に沿った任意のポイントが許容されるロケーションである。他の実施では、グラフまでの距離が所定のマージン（たとえば、最低通路幅の半分）より短い任意のロケーションが、許容されるロケーションである。

トポロジ・グラフ５１０は、関連付けられたメトリクスを有する場合、または有さない場合がある。いかなるメトリクスもないトポロジ・グラフ５１０は、図５Ａに示されたトポロジ・モデル５００と論理的に等価であり、結果として、グラフ５１０のノード５１２、５１３はモデル５００の部屋５０３〜５０７に対応する。メトリクスが使用される場合は、相対的または絶対的とすることができる。相対的メトリクスは、グラフがノード５１２および５１３を含むこと、およびそれらの間の距離が７．５単位であることを、示すことができる。絶対的メトリクスは、ノードの座標を示すことができる。相対的メトリクスが使用される場合、トポロジ・グラフ５１０および５１０’は、ノードの絶対座標が無関係であるという意味で等価のグラフである。

ターゲット・オブジェクトのロケーションを決定する際にトポロジ・グラフ５１０を使用する方法は多数ある。たとえば、パーティクルの動きを許容されるロケーションに限定することができる。許容されるロケーションのセットは、グラフ５１０のノード、ならびにオプションで、弧、または弧から最大でも所定のマージンにある任意のロケーションを含む。

図５Ｃは、パーティクルの動きがグラフ５１０のノードおよび弧に限定されるシナリオを示す図である。参照番号５２２は、関連付けられる速度が右へ１１単位である、１つのパーティクルを示す。パーティクル５２２が、まとめて参照番号５２４で示される１２の子孫を有すると想定してみる。参照番号５２６は、１２の子孫の（スカラー値としての）速度セットを示す。速度の各単位は、２つの連続する更新サイクル間の１目盛りの距離に対応する。図５Ｃは、トポロジ・モデルＴＭの多くの可能な実施の１つである、グラフ５１０に沿った１２の子孫５２４のセットの分布の一例を示す。図５Ｃに示された例は、各分岐が等しく起こり得るという想定に基づいている。しかし時には、動きモデル（図３ＡのアイテムＭＭ）の概念を使用して、いくつかのオプションを消去することができる。たとえば、ロケーション推定モジュールＬＥＭは、所与のターゲット・オブジェクトが車輪で移動するという先験的知識を有する場合がある。グラフ内の分岐の１つが階段である場合、車輪で移動するターゲット・オブジェクトにはこうした分岐は不可能である。不可能な分岐に割り当てられるべきパーティクルはまったくないか、またはあったとしても非常に少ないことは明らかである。

図５Ｄは、ノード５３１〜５３６と、ノードの一部に取り付けられた領域とを含む、トポロジ・モデル５３０を示す図である。トポロジ・モデル５３０での許容されるロケーションは、ノード５３１〜５３６であり、オプションで、ノード間の弧に沿った任意のポイント、さらには座標によって画定された２つの領域内の任意のポイントである。座標（ｘ_１，ｙ_１）、（ｘ_２，ｙ_１）、（ｘ_１，ｙ_２）、（ｘ_２，ｙ_２）によって画定された多角形５３７が、ノード５３３に取り付けられる。あるいは多角形が長方形の場合、これを画定するには座標（ｘ_１，ｙ_１）、（ｘ_２，ｙ_２）で十分である。半径ｒの円５３８がノード５３５に取り付けられる。トポロジ・モデル５３０を定義するデータ構造は、ノード５３１〜５３６の座標、ならびに領域５３７、５３８を画定するタイプおよび座標を含むことが可能である。

トポロジ・グラフの他の使用例について、読者はトポロジ・モデルによってターゲット・オブジェクトのロケーションを解釈するための技法を開示した本願の所有者が所有する特許出願ＷＯ２００４／００８７９５号に目を向けるが、本発明は、こうしたグラフを使用してターゲット・オブジェクトに関連付けられたパーティクルの位置を決定するように提案する。

動きモデル
図６は、親パーティクルから子孫パーティクルのセットを導出するために動きモデルがどのように使用できるかを示す図である。図６を簡略にしておくために、ロケーションは１次元として示されるが、実際の実施では、ロケーションは多次元として扱うことが可能であるか、または図５Ａ〜５Ｄに関連して説明したトポロジ・モデルを使用して、多次元空間を１群の代替１次元パスとして扱うことが可能である。

参照番号６０２は、ターゲット・オブジェクトに割り当てられたパーティクルを示す。パーティクル６０２は座標ｘに配置される。ターゲット・オブジェクトの動きモデルＭＭは、階段などを移動できる一種の「健康人」を示す。動きモデルＭＭは、最大速度ｖ_ｍａｘ、最大加速度ａ_１、および最大減速度ａ_２を示す。動きモデルの他の実施は、速度の変化（大きさおよび方向）に関する確率を示すこともできる。こうした速度の変化に関する確率は、たとえば、高速での急旋回がほとんどあり得ないことを示すことができる。

参照番号６０４は、一定速度を想定した、パーティクル６０２の子孫パーティクルに関するロケーションを示す。このロケーションは座標ｘ＋ｖｔにあり、ここでｔはパーティクルの１世代の寿命、すなわちあるパーティクルの作成からその子孫パーティクルの作成までの期間である。参照番号６０６は、最大減速度を想定した、パーティクル６０２の子孫パーティクルに関するロケーションを示す。このロケーションは座標ｘ＋（ｖ−ａ_２ｔ／２）ｔにある。参照番号６０８は、最大加速度を想定した、パーティクル６０２の子孫パーティクルに関するロケーションを示す。このロケーションは座標ｘ＋（ｖ＋ａ_１ｔ／２）ｔにある。図６に示されたシナリオでは、このロケーションは動きモデルＭＭによって出力されることはなく、これは、この例では時間ｔ中の最大加速度が、結果として、ロケーションｘ＋ｖ_ｍａｘｔのライン６１０で示される最大速度ｖ_ｍａｘを超えることになるためである。

したがって、パーティクル６０２の子孫パーティクルのすべてまたはほとんどが、ロケーション６０６と６１０の間に分布される。たとえば子孫パーティクル６１２は、正規分布または均等分布などの何らかの適切な分布を使用して子孫パーティクル６１２を分布する、擬似ランダムアルゴリズム６００によって、境界ロケーション６０６と６１０の間に分布することができる。ターゲット・オブジェクトは適用されている動きモデルＭＭの制約に準拠しない場合があるため、ロケーション６０６および６１０によって画定された領域外に、子孫パーティクル６１２のわずかな部分を生成する確率が残っている。たとえば、ロケーション推定モジュールがターゲット・オブジェクトのタイプを不適切に決定した可能性がある。あるいは、病院内にいる健康人の場合、最大速度ｖ_ｍａｘを歩行に対応させることができるが、走る確率を完全に排除することはできない。

図７は、複数の異なる動きモデルが初期にターゲット・オブジェクトに割り当てられる実施形態を示す図である。参照記号ＭＭ１およびＭＭ２は、２つの異なる動きモデルに関連付けられたパーティクルを示す２つの異なる記号を示す。２つの動きモデルＭＭ１およびＭＭ２はいくつかの点で互いに異なる場合があるが、図７では、動きモデルＭＭ１が低速オブジェクトの動きを記述するのに対して、ＭＭ２は高速オブジェクトの動きを記述するという点だけで十分である。

動きモデルＭＭ１およびＭＭ２に関連付けられたパーティクルは、それぞれ三角形および円によって示される。三角形または円のサイズは、重み決定ステップ後のパーティクルの重みを示す。

図７が参照番号を使用し、４つの更新サイクルの時間帯を提示する方法は、図１および２で使用される方法とほぼ同じである。参照番号７１１はターゲット・オブジェクトの初期のロケーションを示す。参照番号７１２は、ターゲット・オブジェクトに初期に割り当てられるパーティクルのセットを示す。この例では、１４の初期パーティクル７１２のうちの７つ（三角形）が低速動きモデルＭＭ１に関連付けられ、残りの７つ（円）は高速動きモデルＭＭ２に関連付けられる。参照番号７１３は、１４の異なるロケーションに関する確率を示す曲線を示す。参照番号７１４は、重み付けされたパーティクル７１５のセットを生じさせる第１の重み決定ステップを示す。参照番号７１６は、第１の子孫生成ステップを示す。この多少単純化されたシナリオでは、３つのパーティクルのみが第２世代に何らかの子孫を有する。確率曲線７１３の形状は、親として選択された３つのパーティクルのうちの２つが、偶発的に低速動きモデルＭＭ１（三角形）に関連付けられることになり、これら２つのパーティクルが子孫パーティクル７２２のセットのうちの合計９つの子孫を有する。この例では、１つの「高速」パーティクルのみが子孫パーティクル７２２の親として選択され、このパーティクルは５つの子孫を有する。

この例では、動きモデルの初期のランダムな割り当ては、偶発的に低速動きモデルＭＭ１を優遇することになる。しかし、ターゲット・オブジェクトは最終的に高速となり、すなわちあるオブジェクトが高速動きモデルＭＭ２によって最適にモデル化される。参照番号７２１はターゲット・オブジェクトの次のロケーションを示し、参照番号７２３はパーティクル７２２のロケーションに関する確率を示す。参照番号７２４は、結果として重み付けされたパーティクルの第２のセット７２５を生じさせる、第２の重み決定ステップを示す。子孫パーティクルのセット７２２では、「高速」パーティクル（円）が確率曲線７２３のピーク近くに配置される。したがって、第２の重み決定ステップ７２４では高速パーティクルが多量に重み付けされ、第２の子孫生成ステップ７２６で多くの子孫を受け取ることになる。これとは逆に、「低速」パーティクル（三角形）はターゲット・オブジェクトの動きを適切に予測せず、曲線７２３における確率のピークから遠くに配置される傾向がある。したがって、低速パーティクルは少量の重みを受け取り、第２の子孫生成ステップ７２６でわずかな子孫しか生成しないことになる。

参照番号７３１から７３６は、続く更新サイクル（重み付けおよび子孫生成ステップ）に関し、その出力はパーティクルの第４セット７４２であって、それらはすべて高速動きモデルＭＭ２に関連付けられる。

図７をさらにわかりやすくするために、図７に示されたシナリオは、速度がスカラー属性として扱われるという意味で単純化されている。現実のシナリオでは、速度はベクトル属性として扱われる場合がある。

図７に示されるように、たとえ動きモデルの初期のランダム割り当てが、偶発的に誤った低速動きモデルＭＭ１を優遇する場合であっても、これに関連付けられたパーティクルはじきに消滅し、残ったパーティクルはすべて高速動きモデルＭＭ２に関連付けられる。しかし結局は、図７に示されたイベントは例外的であることがわかり、実際には低速動きモデルＭＭ１の方が長期的に良好な可能性がある。しかし、すべての残りのパーティクルが高速動きモデルに関連付けられた場合、残りのパーティクルがターゲット・オブジェクトの将来の動きを非常に良く予測することになる可能性は低い。「フレッシュな」、すなわち親のないパーティクルを少なくともいくつかの世代で生成することによって、一時的には良くない長期的には潜在的に良好な属性がこのようにすべて消滅してしまうのを避けることは可能である。別の方法として、いくつかのパーティクルを、かなり変化してはいるが前の世代のパーティクルの子孫とすることができる。言い換えれば、いくつかのパーティクルの属性が強い変動性を受ける可能性がある。

図８は、子孫パーティクルが複数の親パーティクルから属性を引き継ぐ実施形態を示す図である。参照番号８００はターゲット・オブジェクトのプロパティ・セットを示す。参照番号８０１および８０２は、それぞれターゲット・オブジェクトのＸおよびＹ座標を示す。参照番号８０３は、最適な動きモデルのインジケーションを示す（ＭＭ＃２＝動きモデル番号２）。参照番号８０４は、最適なデバイス・モデルのインジケーションを示す（ＤＭ＃５＝デバイス・モデル番号５）。参照番号８０５は、この記述を越える他のプロパティを示す。したがって、パーティクルＡの属性セット８１０は最適なデバイス・モデルを示し（ＤＭ＃５）、パーティクルＢの属性セット８２０は最適な動きモデル（ＭＭ＃２）を示すが、どちらのパーティクル属性セットもデバイス・モデルおよび動きモデルの完全な組合せは示さない。

参照番号８１０および８２０は、ターゲット・オブジェクトに割り当てられた２つのパーティクルＡおよびＢの属性セットを示す。各パーティクルは、推定されることになるターゲット・オブジェクトのプロパティそれぞれについて対応する属性を有する。パーティクルＡおよびＢ（またはそれらの属性セット８１０、８２０）は、図３に示されたロケーション推定装置の一部とすることが可能な、子孫生成プログラム論理または回路ＤＧへ入力として印加される。この例では、子孫生成プログラムＤＧは、子孫パーティクルのセットに対する共通の親として互いに十分近い２つ（またはそれ以上）のパーティクルを選択する。パーティクルＡおよびＢの組み合わされた重み（たとえば重みの合計または積）が、参照番号８３０、８４０、８５０、および８６０で示される４つの子孫パーティクルを有するものと想定してみる。

一実施によれば、子孫生成プログラムＤＧは、親パーティクル８１０および８２０の平均値を決定すること、およびこの平均値にわずかな（擬似）ランダム変動を加えることによって、子孫パーティクル８３０、８４０、８５０、および８６０のＸおよびＹ座標を導出する。別の方法として、子孫生成プログラムＤＧは、子孫パーティクルが親パーティクルの属性の様々な組合せを引き継ぐように操作することができる。

この例に示されるように、子孫生成プログラムＤＧは、４つの子孫パーティクル８３０、８４０、８５０、および８６０に、親パーティクル８１０、８２０の属性セットにおけるデバイス・モデルおよび動きモデルのインジケーションの様々な組合せを引き継がせる。子孫パーティクル８３０はどちらの正しいモデルも有さず、子孫パーティクル８４０は正しい動きモデルは有するが正しいデバイス・モデルは有さず、パーティクル８５０は正しいデバイス・モデルは有するが正しい動きモデルは有さず、パーティクル８６０はどちらの正しいモデルも有する。パーティクル８６０の属性がターゲット・オブジェクトに関する最適なデバイス・モデルおよび最適な動きモデルを示すことから、存続して将来の世代に子孫を有する最高のチャンスを持つ。

図８は、子孫パーティクル８３０、８４０、８５０、および８６０が２つの共通の親パーティクルから導出されるシナリオを示すが、２という数字は単なる例に過ぎず、親パーティクルの数は、単一世代においても変化する可能性がある。いくつかの子孫パーティクルは１つの親パーティクルを有し、いくつかは２つまたはそれ以上を有することが可能である。

図８は、子孫生成プログラムＤＧが、デバイス・モデルおよび動きモデルの識別子の様々な組合せを処理（受信および出力）する、一実施形態を示す。デバイス・モデルおよび動きモデルの識別子を適用する代わりに、子孫生成プログラムがデバイスおよび／または動きモデルの修正済みパラメータを生成することも可能である。たとえば、子孫生成プログラムは、そのデバイス・モデルが−２、＋３、および＋５の修正パラメータを有する３つの親パーティクルから、子孫パーティクルを生成することができる。たとえば、これらの値は、ＲＦスペクトル全体またはスペクトルの一部の帯域で、信号強度観察家かに加えられることになる値を示すことができる。これら３つの修正パラメータの平均値は＋２であり、子孫生成プログラムはこれを次の世代のパーティクルの開始値として使用することができる。

信頼測度
いくつかの適用例では、ターゲット・オブジェクトを所与のロケーションまたは領域に配置することがどれほど信頼できるかを知ることは、必要であるかまたは少なくとも有利である。本発明の一実施形態では、パーティクル・セットの空間分布を使用して信頼測度が決定される。適度に単純な一実施では、ターゲット・オブジェクトが領域Ａに配置されることになる確率は、ターゲット・オブジェクトの領域Ａ内のパーティクル・セットとそのターゲット・オブジェクトに割り当てられたパーティクルの合計数との比である。他の実施では、信頼測度は、領域Ａ内のターゲット・オブジェクトのパーティクルの確率の合計を、そのターゲット・オブジェクトに割り当てられたすべてのパーティクルの確率の合計で割った値に基づくものである。さらに他の実施では、信頼測度は、パーティクルが信号値などの後続の観察結果を予測する能力に基づくものとすることができる。

図９は、ターゲット・オブジェクトのロケーション推定に関して信頼測度を決定するための技法を示す図である。参照番号９０２は、ターゲット・オブジェクトの推定されたロケーションを示す。参照番号９０４は、ターゲット・オブジェクトの可能なロケーションのサブセットを構築する領域または線セグメントを示す。参照番号９０６は、ターゲット・オブジェクトに割り当てられたパーティクルのセットを示す。一実施では、領域９０４内のパーティクルの数と、ターゲット・オブジェクトに割り当てられたパーティクルの合計数との比が、信頼測度として使用される。代替実施では、信頼測度は、領域９０４内の組み合わされた確率と、ターゲット・オブジェクトに割り当てられたすべてのパーティクルの組み合わされた確率との比などの、確率重み付けされたパーティクルの比に基づくものである。

信頼値を決定するための同じ技法を、速度などの他の属性値でも使用することができる。

図１０は、過去に関する不確実性を削減するためにパーティクル・セットの将来に関する情報をどのように使用するかを示す図である。参照番号１０００は、フロア・プランまたはトポロジ・モデルの断片を示す。わかりやすくするために、図１０はターゲット・オブジェクトに割り当てられた１０個のパーティクルのみを示す。パーティクルは４つの世代Ｇ１からＧ４で展開する。第１の世代Ｇ１と第２の世代Ｇ２との間で、パーティクルは２つの可能な分岐ＡおよびＢに分割され、この２等分された世代は世代の数に「Ａ」および「Ｂ」を添えて示される。表１０１０は、図１０に示されたパーティクル・グループの重みの合計を示す。分割される前に存在するグループＧ１は、第１世代のすべてのパーティクルを含み、これによって組み合わされた（正規化された）重みは１である。グループＧ２Ａ、すなわち世代Ｇ２のＡ分岐は、ｘの組み合わされた重みを有し、これによってＢ分岐Ｇ２Ｂの組み合わされた重みは１−ｘでなければならず、すべてのパーティクルが分岐ＡおよびＢのいずれかに割り当てられ、分岐点で戻るものはないと想定する。第３世代では、分岐ＡおよびＢ上のパーティクルの組み合わされた重みはそれぞれｙおよび１−ｙである。図１０に示された例では、分岐ＡおよびＢが初期には等しく起こり得るケースを示し、これによってそれぞれの重みｘ、１−ｘ、ｙ、および１−ｙは５０％またはそれに近い。この例では、ターゲット・オブジェクトはノード１００２を通過する。このポイントで、ターゲット・オブジェクトのロケーションは事実上確実に決定することができる。たとえば、ノード１００２は、チェックアウト・ポイントなどのポイントとすることが可能であり、ここで、ターゲット・オブジェクトのロケーションは何らかの独立手段で決定することができる。したがって、ターゲット・オブジェクトが明らかにたどらなかったＡ分岐は、ゼロまたはゼロに近い残余重みεを有し、Ｂ分岐は組み合わされた重み１−εを取得する。ターゲット・オブジェクトがたどった分岐が確実にわかっている場合、表１０１０の最終行に示されるように、前の世代の組み合わされた重みを訂正することができる。こうした信頼測度の非実時間修正を使用して、たとえばターゲット・オブジェクトがたどったパスを識別することができる。

図１０に示される例では、１つの世代のパーティクル・セットがパーティクルのスナップショットを構築すると言える。

性能に関する考慮すべき点
ロケーションに依存した物理量の観察によって１つまたは複数のターゲット・オブジェクトのロケーションを推定するための任意の技法は、計算上骨の折れるものであり、本発明も例外ではない。しかしながら本発明は、ターゲット・オブジェクトあたりのパーティクル数に比べてサンプル・ポイントの数が多い場合、計算上の特典を提供することができる。これにはいくつかの理由がある。たとえば、しばしば、関連付けられた確率と共にターゲット・オブジェクトの動き履歴を格納する必要がある。多くの従来技術の位置決定技法では、隠れマルコフ・モデル（ＨＭＭ）を実施する。ＨＭＭシステムでは、ターゲット・オブジェクトの動き履歴を格納するステップには、いくつかの前の状態を格納するステップが含まれ、各状態を格納するステップには大量のサンプル・ポイントの確率に関するデータを格納するステップが含まれる。本発明では、動き履歴を格納するステップは、サンプル・ポイントの数よりもかなり少ない数のパーティクルの履歴を格納することによって実施できる。

加えて、本発明は、集中型ロケーション推定装置が大量のターゲット・オブジェクトを処理しなければならない場合の堅固さを向上させる。ターゲット・オブジェクトが毎秒１回などの第１の割合で信号パラメータの観察を行うシナリオを想定してみる。集中型ロケーション推定装置は過負荷であり、たとえば３秒ごとに１回など、さらにゆっくりとロケーション推定を更新することができる。本発明に従ったパーティクルは、ロケーション推定装置がそれらを更新する時間ができるまで、動きを維持することができる。既知のＨＭＭシステムでは、ロケーション推定装置にとって、ロケーション推定の計算を省略することはさらに多くの間違いを起こしやすい。これは、多くのＨＭＭモデルが、サンプル・ポイント（または他の所与のロケーション）間での既知の移行確率に基づいているためであり、ロケーション推定サイクル間の間隔が増加した場合、可能な移行の数は極端に多くなり、これによってロケーション推定サイクルをそれほど頻繁でなく実行する計算上の利点はほとんどなくなる。

本発明およびＨＭＭモデルが相互に排他的であるというわけではなく、むしろ本発明の多くの特典は、ＨＭＭモデルの状態に内在する離散性のない連続システムで実施された場合に、最高となる。

本発明のいくつかの実施形態では、ロケーション推定装置はロケーション推定を計算するために使用できる時間量を考慮することが可能であり、使用できる時間が臨界しきい値未満に減少した場合、ロケーション推定装置は適切な手段を講じることができる。たとえば、ターゲット・オブジェクトあたりのパーティクル数を削減することができる。パーティクルの削減はターゲット・オブジェクトをまたがって実行することも可能であり、あるいは、さらなる考慮に依存することができる。たとえば、素早く移動する、および／またはいずれかの動きモデルによって容易に説明されないターゲット・オブジェクトには、静止しているかまたは何らかの動きモデルに十分に適合しているターゲット・オブジェクトよりも、多くのパーティクルを割り当てることができる。時間が重要視される状況では、ロケーション推定装置はパーティクル更新サイクルをスキップすることも可能であり、オプションで既存のパーティクルを動きモデルが決定したように移動させることができる。

関連サンプル・ポイント
役に立たない計算を避けるための他の技法には、何らかの関連基準に基づいて、データ・モデルのサンプル・ポイントのサブセットを選択するステップが含まれる。こうして選択されたサンプル・ポイントが、関連サンプル・ポイントと呼ばれることになる。たとえば、関連サンプル・ポイント技法は、
−関連サンプル・ポイントの１つまたは複数のセットを示すための関連性インジケータのセットを維持するステップであって、関連サンプル・ポイントの１つまたは複数のセットがデータ・モデル内のサンプル・ポイントのサブセットである、維持するステップと、
−ターゲット・オブジェクトのロケーションでの観察および関連性インジケータのセットに基づいて、関連サンプル・ポイントの現在のセットを決定するステップと、
−ターゲット・オブジェクトのロケーションでの観察および関連サンプル・ポイントの現在のセットに基づいて、ターゲット・オブジェクトのロケーションを推定するステップと、
を使用して、本発明を補足することによって使用可能である。

この技法の特典は、関連サンプル・ポイントの現在のセットに含まれないサンプル・ポイントを、計算から省略できることであり、これによって計算負荷およびバッテリの消耗が削減される。別の方法として、本発明の技法によって節約されたリソースを使用して、さらに計算することにより、より正確な、またはよりセキュアな位置推定を得ることができる。

本発明のいくつかの実施形態では、関連サンプル・ポイント技法を使用して、計算の効率を向上させる。データ・モデルは各サンプル・ポイントに関する物理量の予測値のセットを示すことが可能であり、この方法は、データ・モデル内のサンプル・ポイントのサブセットである関連サンプル・ポイントの１つまたは複数のセットを示すために、関連性インジケータのセットを維持するステップをさらに含む。ロケーションに依存した物理量のうちの１つまたは複数の観察、および関連性インジケータのセットに基づいて、関連サンプル・ポイントの現在のセットが決定され、計算の効率を上げるために使用される。たとえば、関連サンプル・ポイントの現在のセットから遠くはなれて配置されているパーティクルを廃棄することができる。こうした遠距離パーティクルを廃棄する代わりに、または廃棄に加えて、本発明方法のステップａ）は、さらなる計算なしに、関連サンプル・ポイントの現在のセットから遠くにあるパーティクルに最低の信頼度を割り当てるステップをさらに含むことができる。また、本発明方法のステップｃ）は、関連サンプル・ポイント近くにいくつかの追加の親なしパーティクルを生成するステップをさらに含むことができる。

そのサンプル・ポイントで予測される信号値は、スカラー値、（たとえば正規分布された）確率分布、ヒストグラム構造、などとすることが可能である。関連サンプル・ポイント技法は、データ・モデル内のサンプル・ポイントのサブセットである関連サンプル・ポイントのセットを示すための、関連性インジケータのセットを決定するステップを含む。このステップについては、後でより詳細に説明する。ターゲット・オブジェクトのロケーションでの観察と関連性インジケータのセットとを使用して、関連サンプル・ポイントの現在のセットが決定される。ターゲット・オブジェクトのロケーションは、ターゲット・オブジェクトのロケーションでの観察と、関連サンプル・ポイントの現在のセットとに基づいて推定される。

一実施形態では、関連サンプル・ポイントの現在のセットを決定するステップが、その物理量の予測値のセットがターゲット・オブジェクトのロケーションでの観察結果を所定の関連性基準で測る、サンプル・ポイントを選択するステップを含む。

他の実施形態では、結果として生じる関連サンプル・ポイントのセットが所定の最低サイズよりも小さい場合、所定の関連性基準が緩和される。こうした条件が異常を示す場合があり、特にこの異常が持続的である場合には、それによってアラームが起動するはずである。いくつかの実施形態では、関連性基準はシステム負荷に応じて調整される。システム負荷が高いほど関連性基準は厳しく、逆もまた同様である。

他の実施形態は、環境のトポロジをモデル化するトポロジ・グラフを形成するステップを含み、ここでトポロジ・グラフは、各ノードが許容されるロケーションを示し、各弧が許容されるターゲット・オブジェクトの２つのノード間での移行を示すような、ノードのセットおよび弧のセットを示す。トポロジ・グラフは、ターゲット・オブジェクトのロケーションを推定するために使用される。たとえば、トポロジ・グラフを使用して、ターゲット・オブジェクトの動き履歴を記録すること、および選択されたサンプル・ポイントのいくつかをターゲット・オブジェクトの動き履歴に基づいて除外することが可能である。

ターゲット・オブジェクト（またはターゲット・オブジェクトに取り付けられた感知デバイス）の観察結果は、必ずしも生の測定データではなく、測定データから導出された任意の値である。たとえば観察結果は、平滑化などの数学的処理によって測定データから導出することができる。さらに、本発明のいくつかの実施形態では、感知デバイスの観察結果を修正するためにデバイス・モデルを使用する。この機能は、感知デバイスが具体的に正確な測定向けに設計されていない適用例で、特に有用である。

本発明のいくつかの実施形態では、感知デバイスにとって最適なデバイス・モデルに関する先験的情報が入手できず、最良のデバイス・モデルを選択するために関連サンプル・ポイント技法が使用される。この方法は、信号値がかなり破損するかまたは偏っている場合、関連サンプル・ポイントの数が非常に少なくなるかまたはゼロにまでなる傾向があることの発見に基づくものである。他方で、観察された信号がサンプル・ポイントに関連付けられたデータに適切に対応している場合、関連サンプル・ポイントの数は多い。

したがって、デバイス・モデルを適用する作業によって関連サンプル・ポイントの数が増えた場合、デバイス・モデルがデバイス特有の偏りをある程度なくすことができると結論付けることができる。最適に選択されたデバイス・モデルは、関連サンプル・ポイントの数を最大にする。デバイス・モデル選択の正確さは、一連の観察結果を分析することによってさらに向上させることができる。たとえば、一連の観察にわたって、関連サンプル・ポイントの平均数が最高であるデバイス・モデルを選択することができる。

図１１Ａは、ターゲット・オブジェクトと、３つのアクセス・ポイントおよびいくつかのサンプル・ポイントを備えた無線ネットワークのセクションとを示す図である。Ａ１からＡ３とマーク付けされた三角形は、３つのアクセス・ポイントを示す。Ｓ１からＳ９とマーク付けされたプラス記号は、無線ネットワーク内の信号強度などの信号パラメータ値をモデル化するデータ・モデルの９つのサンプル・ポイントを示す。参照記号ＴＯはターゲット・オブジェクトのロケーションを示す。状況に応じて、参照記号ＴＯはターゲット・オブジェクト自体またはそのロケーションを表す場合がある。ターゲット・オブジェクトのロケーションは、位置決定が開始された時点では未知であり、完了した時点では単なる推定である。参照番号１１０２は、ターゲット・オブジェクトＴＯによって実行されたＲＦ信号パラメータ観察のセット（ベクトル）を示す。この例では、アクセス・ポイントＡ１、Ａ２、およびＡ３での信号強度などの信号パラメータの観察値は、それぞれ２、８、および９である。ターゲット・オブジェクトＴＯは、いくつかの実施形態ではターゲット・オブジェクトそれ自体の中に配置することが可能な位置決定エンジンＰＥによって、位置決定される。しかし、大量のターゲット・オブジェクトが１つの共通の位置決定エンジンによって位置決定される場合、本発明のリソース節約機能が最適に利用される。典型的な実施では、位置決定エンジンは、サーバまたはサーバ・セットなどのデータ処理機器であり、この機器は位置決定環境のデータ・モデルと、ターゲット・オブジェクトのロケーションでの信号パラメータ測定結果を受信するための手段と、本発明に従って方法を実施するための手段とを備える。

例示のために、図１１Ａは、３つのアクセス・ポイントそれぞれについて等しい信号パラメータ値の３本の線も示している。これらの等値線は、アクセス・ポイントの信号値が１０（最も内側の線）、５（真ん中の線）、および１（最も外側の線）であるロケーションを示す。これらの線は、本発明をより良く理解するためのみに示されており、いかなる計算にも使用されない。図１１Ａから１１Ｃでは、人間の読者が図を理解しやすいように、０から１２までの間の単純なスカラー値として信号パラメータを示している。現実のシナリオでは、信号パラメータ値は、たとえばｄＢｍ単位で表される信号強度とすることができる。

図１１Ｂおよび１１Ｃは、関連サンプル・ポイントのセットを示すための関連性インジケータの例示的なセットを集合的に示す。

図１１Ｂは、図１１Ａに示された１つのアクセス・ポイント、すなわちＳ１と、３つのアクセス・ポイントＡ１からＡ３とについて、可能な信号品質値の範囲を示す。本明細書で説明される実施形態では、信号パラメータ値は離散値として扱われる。もちろん、任意のデジタル測定システムは「離散」値を生成するが、本明細書で使用される場合、「離散」とは、可能な値の範囲が、仮想連続デジタル数ではなく比較的小さな数のビンとして処理されることを示唆する。本発明は、可能な信号品質値が連続している（非離散）とみなされる技法に適用可能であるため、「離散」の精密な定義が不可欠ではないことを理解されたい。

図１１Ｂは、データ・モデルが確率モデルである実施形態に関する。確率モデルとは、この例では信号パラメータ値である測定可能な物理量の確率分布を示す。参照番号１１２１Ａは、サンプル・ポイントＳ１でのアクセス・ポイントＡ１からの信号パラメータ値の確率分布を示す。典型的であるが非制限的な実施では、これは、サンプル・ポイント（ロケーション）Ｓ１でのＡ１からの信号強度の確率分布を意味する。この量は、Ｄ（Ａ１／Ｓ１）で示される。信号強度分布は、実際の測定、コンピュータ・シミュレーション、またはこうした技法の任意の組合せによって決定することができる。

水平バー１１２１Ｂは、Ａ１およびＳ１の組合せに対して可能な信号パラメータ値の範囲を示す。信号パラメータ値は、ゼロから統計的に有意なマージンだけ偏差する確率を有する場合に、可能であるとみなされる。問題の統計的有意性には、計算最適化と正確さ／信頼度との間の妥協が含まれる。必要なマージンが大きい（信号値が「非常に」高い確率を有する場合にのみ受け入れられる）場合、少数のサンプル・ポイントのみが関連するとみなされ、計算リソースは大幅に節約される。他方で、位置決定に影響を与える可能性のあるサンプル・ポイントを無視するリスクがある。

参照番号１１２２Ａおよび１１２３Ａは、残りのアクセス・ポイントＡ２、Ａ３それぞれの対応する分布を示す。参照番号１１２２Ｂおよび１１２３Ｂは、対応する可能な信号パラメータ値を示す。

図１１Ｂをコンパクトに維持するために、１つのサンプル・ポイント（Ｓ１）および３つのアクセス・ポイント（Ａ１からＡ３）について可能な信号パラメータ値の範囲のみが示される。現実のシステムでは、可能な信号パラメータ値の範囲は、データ・モデル（データベース）内の各サンプル・ポイントについて別々に決定されるはずである。

図１１Ｃは、関連サンプル・ポイントのセットを取得するプロセスを示す。参照番号１１３１Ａは、図１１Ａに示されたアクセス・ポイントＡ１および９つのサンプル・ポイントＳ１からＳ９それぞれについての、可能な信号パラメータ値の範囲セットを示す。参照番号１１３２Ａおよび１１３３Ａは、他の２つのアクセス・ポイントＡ２およびＡ３についての同様の範囲セットを示す。データ構造１１３１Ａから１１３３Ａのそれぞれにおいて、一番上のサンプル・ポイントＳ１に対する範囲は図１１Ｂですでに示された範囲と同じであり、残りのサンプル・ポイントＳ２からＳ９に対する範囲が同様に決定される。たとえばデータ構造１１３１Ａは、アクセス・ポイントＡ１のＲＦ信号パラメータ値が、サンプル・ポイントＳ３からわかるように、１から５（およそ）の範囲を有することを示す。

参照番号１１３１Ｂから１１３３Ｂは、３つのアクセス・ポイントそれぞれについて１つの、３つの値ウィンドウを示す。各値ウィンドウ１１３１Ｂから１１３３Ｂは、対応するアクセス・ポイントの信号パラメータ値に配置される。図１１Ａに関連して述べたように、ターゲット・オブジェクトは、アクセス・ポイントＡ１、Ａ２、およびＡ３からそれぞれ信号パラメータ値２、８、および９を観察した。したがって、値ウィンドウ１１３１Ｂから１１３３Ｂは、データ構造１１３１Ａから１１３３Ａ内の位置２、８、および９に配置される。この説明では、初期に、値ウィンドウの幅が１となるように想定することができる。この幅については、後で詳細に説明する。

次に、関連サンプル・ポイントのセットを決定するために、データ構造１１３１Ａから１１３３Ａおよび値ウィンドウ１１３１Ｂから１１３３Ｂを使用することを考える。ターゲット・オブジェクトのロケーションで観察されたアクセス・ポイントＡ１の信号パラメータ値は２（ｖ_Ａ１＝２）であった。サンプル・ポイントＳ３、Ｓ６、Ｓ８、およびＳ９について可能な信号パラメータ値の範囲は、値ウィンドウ１１３１Ｂと重複する。言い換えれば、観察値ｖ_Ａ１＝２の場合、サンプル・ポイントＳ３、Ｓ６、Ｓ８、およびＳ９は関連サンプル・ポイントの候補である。サンプル・ポイントＡｉの場合、サンプル・ポイント候補のセットはＲｉで示すことになる。他の２つのアクセス・ポイントについても同じ手順を繰り返すことによって、位置決定エンジンは関連サンプル・ポイントのセットを以下のように決定する。
Ｒ１＝｛Ｓ３，Ｓ６，Ｓ８，Ｓ９｝
Ｒ２＝｛Ｓ２，Ｓ３，Ｓ５，Ｓ６，Ｓ８，Ｓ９｝
Ｒ３＝｛Ｓ５，Ｓ６，Ｓ７，Ｓ８，Ｓ９｝

位置決定エンジンは、各アクセス・ポイントおよび信号値についてこれらの関連サンプル・ポイントのセットを事前に決定し、このセットを格納し、いくつかの将来の位置決定サイクルでこれらを使用する。格納されたセットは、位置決定環境が（測定および／またはシミュレーションによって）再較正されるまで使用可能である。

次に、位置決定エンジンは、所与の３つの観察値｛ｖ_Ａ１＝２，ｖ_Ａ２＝８，ｖ_Ａ３＝９｝それぞれに関連するアクセス・ポイントのセットを決定するために、上記３つのセットＲ１、Ｒ２、およびＲ３の交差部分を決定することになる。結果として生じるセットは、Ｒによって以下のように表される。
Ｒ＝Ｒ１∩Ｒ２∩Ｒ３
＝｛Ｓ３，Ｓ６，Ｓ８，Ｓ９｝∩｛Ｓ２，Ｓ３，Ｓ５，Ｓ６，Ｓ８，Ｓ９｝∩｛Ｓ５，Ｓ６，Ｓ７，Ｓ８，Ｓ９｝
＝｛Ｓ６，Ｓ８，Ｓ９｝

したがってこの例では、関連サンプル・ポイントのセットが９個から３個に減少した。多数のサンプル・ポイントがある現実の状況では、この減少率は３よりもかなり大きくなるであろう。単一の位置決定エンジンによって位置決定可能なターゲット・オブジェクトの数は、ほぼ同じ倍率で増加することになる。

前述の説明では、値ウィンドウ１１３１Ｂから１１３３Ｂの幅は固定されるように想定した。しかしながら、最初は相対的に小さな幅から開始して、結果として生じる関連サンプル・ポイントのセットが空であるかまたは信頼できる結果を出すには小さすぎる場合、より幅の広い値ウィンドウなどの緩和された基準によって、他のセットが決定されることが好ましい。物理値ウィンドウが例示の目的でのみ描画されたものであり、データ・プロセッサは視覚化せずに数値をチェックできることは自明である。

この例では、３つのセットＲ１、Ｒ２、およびＲ３の数学的に単純な交差部分を使用して、３つの観察すべてに関連するアクセス・ポイントの単一セットが決定された。これは、観察の組合せに関連させるために、サンプル・ポイントをそれぞれの観察に関連させなければならないことを意味する。しかしながら、現実の観察はこのように単純であることはほとんどなく、たとえ１つまたは複数の観察に関連しているようには見えない場合であっても、サンプル・ポイントの関連について考慮するアルゴリズムについて、後で図１４に関連して説明する。

本発明のいくつかの実施形態では、実験に基づいて適切であることがわかった値ウィンドウが関連サンプル・ポイントの空のセットを生成した場合、アラームが起動される。こうした状況は、ターゲット・オブジェクトそれ自体、またはアクセス・ポイントの１つ（基地局送信機）におけるデバイス障害の兆候の可能性がある。あるいは、壁構造物内での一時遮断または永続変更によって、位置決定環境の伝播特徴が変更されている可能性がある。関連サンプル・ポイントの空のセットに関する原因が何であれ、この原因は詳細に調べるべきである。

図１２Ａおよび１２Ｂは、信号パラメータ値が連続値として扱われ、左右対称の信号ピーク確率分布としてモデル化されるケースを示す図である。複数ピークおよび非対称確率分布についての概括は、図１５に関連して説明することになる。以下の表記法が使用される。
Ａ＝｛ａ_１，ａ_２，．．．，ａ_ｎ｝＝アクセス・ポイントのセット
Ｓ＝｛ｓ_１，ｓ_２，．．．，ｓ_ｍ｝＝サンプル・ポイントのセット

＝｛ｖ_１，ｖ_２，．．．，ｖ_ｎ｝＝観察された信号パラメータ値のセット（ベクトル）
ｖ_ｉ＝ａ_１の信号値
ＮＡ＝使用不可の値（対象範囲外、スキャン失敗、．．．）
Ｐ（Ｖ｜ｓ_ｉ，ａ_ｊ）＝ｓ_ｉでのａ_ｊの信号パラメータの確率分布
ε（エプシロン）＝ルックアップが関連サンプル・ポイントを無視するリスクを指定したパラメータ、たとえばε∈［０，１］

図１２Ａで、参照番号１２０２は、アクセス・ポイントから観察された信号パラメータ値を表すｘ軸を示す。ｙ軸１２０４は、サンプル・ポイントｓ_ｉでのアクセス・ポイントａ_ｊの信号パラメータの確率分布Ｐ（Ｖ｜ｓ_ｉ，ａ_ｊ）を表す。確率分布は、参照番号１２０６によって示される。この技法は、領域外の値を観察する確率が所定の確率しきい値εを超えないように、１つまたは複数の信号値領域を決定することを目的とするものである。図１２Ａの確率分布は左右対称かつ単一ピークであるため、要件を満たす信号パラメータ値ｖ_ｍｉｎおよびｖ_ｍａｘによって境界が定められた信号値領域を決定することが可能である。参照番号１２１０および１２１２はそれぞれ、観察される信号パラメータ値がｖ_ｍｉｎからｖ_ｍａｘまでの範囲外となる確率がεとなるような、信号パラメータ値ｖ_ｍｉｎおよびｖ_ｍａｘを表し、以下の数式が適用される。
Ｐ（Ｖ＜ｖ_ｍｉｎ｜ｓ_ｉ，ａ_ｊ）＝ε／２
Ｐ（Ｖ＞ｖ_ｍａｘ｜ｓ_ｉ，ａ_ｊ）＝ε／２

言い換えれば、最小および最大信号パラメータ値ｖ_ｍｉｎおよびｖ_ｍａｘは、絶対最小および最大値ではなく、確率Ｐ（Ｖ｜ｓ_ｉ，ａ_ｊ）のバルクを含む領域の下限および上限の境界を定める値である。この領域が網掛けによって示されている。

図１２Ｂは、図１２Ａの確率分布１２０６から導出された累積確率分布１２２６を示す図である。図１２Ａでは、それぞれ参照番号１２１０および１２１２で示された最小および最大信号パラメータ値ｖ_ｍｉｎおよびｖ_ｍａｘが、信号値がｖ_ｍｉｎからｖ_ｍａｘまでの間となる累積確率が１−εとなるように、網掛け領域１２２８の境界を定める。

前述の確率に関する考察から、ある種のサンプル・ポイントが、観察ベクトル

を作成したターゲット・オブジェクトのロケーション探索に関連するかどうかを判別するための関連性基準を導出することができる。

前述のように、ｖ_ｉ＝アクセス・ポイントａ_ｉの信号値∈Ａである。サンプル・ポイントｓ_ｊは、ｖ_ｉが、サンプル・ポイントｓ_ｊ内のアクセス・ポイントａ_ｉについて決定された信号値領域のうちの１つに入る場合、関連するとみなされる。サンプル・ポイントｓ_ｊに関連付けられた信号値分布が左右対称および単一ピークであり、ｖ_ｍｉｎおよびｖ_ｍａｘがそれぞれ、前述のように決定された信号値領域の上限および下限である場合、関連性基準は、
ｖ_ｍｉｎ≦ｖ_ｉ≦ｖ_ｍａｘ
として表すことができる。

アクセス・ポイントａ_ｉの観察された信号パラメータ値がｖであると想定すると、Ｒ_ｉ［ｖ］は、結果として生じる関連サンプル・ポイントのセットを示す。

図１３は、関連サンプル・ポイントのセットを初期設定するための初期設定アルゴリズムを示す図である。行１３０２は、サンプル・ポイントのセットＡにおいて各アクセス・ポイントａ_ｊに対して実行されるＢｅｇｉｎ．．．Ｅｎｄループを定義する。行１３０４は、信号パラメータ値ｖの各可能値に関する関連サンプル・ポイントのセットＲ_ｊ［ｖ］を空にする。行１３０６は、サンプル・ポイントのセットＳにおいて各サンプル・ポイントｓ_ｉに対して実行されるＢｅｇｉｎ．．．Ｅｎｄループを定義する。行１３０８および１３１０は、観察値がｖ_ｍｉｎより低くなるかまたはｖ_ｍａｘより高くなる確率がεとなるように、最小および最大信号パラメータ値ｖ_ｍｉｎおよびｖ_ｍａｘをそれぞれ計算する。行１３１４は、信号パラメータ値ｖの関連サンプル・ポイントのセットＲ_ｊ［ｖ］に、現在のサンプル・ポイントｓ_ｉを加える。

図１４は、関連するサンプル・ポイント、すなわち、観察

に対応するロケーションを決定するために関連するサンプル・ポイントのセットＲ⊆Ｓを見つけるためのアルゴリズム１４００を示す図である。行１４０２は、候補サンプル・ポイントのセットを含むことになる、空のセットＣを作成する。行１４０４は、可聴（検出可能）アクセス・ポイントの数に関する変数Ｆ_ｍａｘを初期設定する。行１４０６は、信号パラメータ値が「ＮＡ」（使用不可）でないという条件で、観察ベクトル

において各信号パラメータ値ｖ_ｉに対して実行されるＦｏｒループを開始する。行１４０８で、可聴アクセス・ポイント数に関する変数Ｆ_ｍａｘが、１だけ増加される。行１４１０は、図１１Ａから１１Ｃに関連して説明した範囲に関する考慮点に基づいて、観察が与えられた可能サンプル・ポイントＲ_ｉ［ｖｉ］である、各サンプル・ポイントｓ_ｊに対して実行されるＦｏｒループを開始する。

行１４１２は、Ｉｆ．．．Ｔｈｅｎ構造を開始し、そのＴｈｅｎ部分は、サンプル・ポイントｓ_ｊが候補サンプル・ポイントのセットＣのメンバでない場合に実行される。行１４１４で、サンプル・ポイントｓ_ｊが候補サンプル・ポイントのセットＣに加えられる。行１４１６で、ヒット・カウンタＦ［ｊ］が１に初期設定される。Ｉｆ．．．Ｔｈｅｎ構造のＥｌｓｅ部分は行１４１８を含み、ここでヒット・カウンタＦ［ｊ］が１だけ増加される。いくつかの実施では、ヒット・カウンタＦ［ｊ］に追加される値は１に固定されず、観察される値の尤度に依存する。

行１４２０は、アルゴリズム１４００の第２の部分を開始する。行１４２０では、関連サンプル・ポイントのセットが空のセットに初期設定される。行１４２２は、候補サンプル・ポイントのセットＣにおいて各サンプル・ポイントｓ_ｊに対して実行されるＦｏｒループを開始する。行１４２４は、可聴アクセス・ポイント数Ｆ_ｍａｘからヒット・カウンタＦ［ｊ］を減じた数が、ある許容マージンＫより小さいかまたは等しい場合に実行される、Ｉｆ．．．Ｔｈｅｎ構造である。行１４２６で、サンプル・ポイントｓ_ｊがセットＲに加えられる。最後に、行１４２８で、結果として生じた関連サンプル・ポイントのセットＲが呼び出し元アプリケーションに戻される。

許容マージンＫの有意性は以下の通りである。Ｋ＝０の場合、アルゴリズム１４００は、サンプル・ポイントが観察ベクトル

内のあらゆる信号パラメータ値にとって可能なサンプル・ポイントである場合に限って関連するとみなされるという意味において、図１１Ａ〜１１Ｃ、特に図１１Ｃに示された手順どおりに動作する。しかしながら、Ｋ＝０の値が課す基準が厳密すぎて、関連アクセス・ポイントの空または非常に少ないセットを生成してしまう場合がある。ｎ＝１、２、．．．のＫ＝ｎの値は、サンプル・ポイントが、たとえ図１１Ｃに示されたセットＲ１．．．Ｒ３のｎ内に存在しない場合であっても、関連するとみなされることを意味する。

図１５は、図１２Ａ〜１４に示された単一ピーク例の複数ピークへの拡張を示す図である。参照番号１５０２は、しきい値レベル１５０４が曲線１５０６と交差する、Ｘ−Ｙ座標系を示す。図１５は、曲線１５０６がしきい値レベル１５０４よりも上になる２つの領域を示す。領域Ａ_１はｘ_１からｘ_２まで延在し、領域Ａ_２はｘ_３からｘ_４まで延在する。参照番号１５０８によって示される条件が満たされるように、しきい値レベル１５０４が設定されると考える。プレーン・テキストで、条件１５０８は、ピーク領域Ａ_１、Ａ_２、．．．にわたって計算される確率Ｐ（Ｖ＝ｘ）の積分が、１−εに等しいことを示す。

本発明のいくつかの実施形態では、データ・モデルは確率モデルではない。たとえば、サンプル・ポイントは、平均、中央値、最低、または最高などの、測定可能な物理量のいくつかの統計要約のみを含むことができる。また、サンプル・ポイントは、１つまたは複数の観察結果を、最初に測定されたか、または観察結果から導出された何らかの値として含むことができる。さらに、サンプル・ポイントが、レイ・トレーシング技法などのコンピュータ・シミュレーションから取得された値を含むことも可能である。

本発明のいくつかの実施形態では、関連性基準は、サンプル・ポイントに関連付けられた値までの距離に基づくものとすることができる。たとえば、ｘ_ｉがサンプル・ポイントｓ_ｊに関連付けられたアクセス・ポイントａ_ｉに対する信号値の場合、信号値領域の上限および下限は所定のマージンｚを使用して、次のように定義することができる。
ｖ_ｍｉｎ＝ｘ_ｉ−ｚ
ｖ_ｍａｘ＝ｘ_ｉ＋ｚ

グラフおよび履歴ベースの位置決定を伴う関連性インジケータ
位置決定の不確実性は、参照文書１に開示されたグラフ・ベースの位置決定技法を伴う関連性インジケータを使用することによって、さらに削減することができる。この文書では、隠れマルコフ・モデルに関連したグラフ・ベースの位置決定技法を開示するが、本発明は隠れマルコフ・モデルに制限されるものではない。グラフ・ベースの位置決定は、次のように要約することができる。トポロジ・グラフとは、無線通信環境のトポロジをモデル化するものである。トポロジ・グラフはノード・セットを示し、各ノードは位置決定環境において許容されるロケーションを示す。トポロジ・グラフは弧のセットも示し、各弧は２つのノード間での許容されるターゲット・オブジェクトの移行を示す。トポロジ・グラフを使用し、データ・モデルおよび一連の観察に基づいてターゲット・オブジェクトのロケーションが推定される。たとえば、位置決定環境のトポロジをモデル化するトポロジ・グラフを使用して、不可能なロケーションおよび／またはロケーション間での不可能な移行を除外することができる。

図１６は、本発明の関連性インジケータに関連したグラフ・ベースの位置決定技法の使用を示す図である。図１６に示された例では、トポロジ・グラフＴＧが位置決定環境において許容されるロケーションおよび移行をモデル化する。この単純な例に示されるトポロジ・グラフＴＧは、参照番号Ｎ１〜Ｎ２０で示された２０個のノードを含む。この例では、ノードＮ１〜Ｎ２０はデータ・モデルのサンプル・ポイントでもある。参照記号Ｔ１〜Ｔ４は、４つの異なる時間インスタンスでのターゲット・オブジェクトのロケーションを示す。参照記号Ｓ１１〜Ｓ１４は、関連サンプル・ポイントの４つの異なるセットを示し、各セットが異なる時間インスタンスＴ１〜Ｔ４に対応する。関連サンプル・ポイントのセットは、本明細書で前述した関連性インジケータによって決定することができる。

図１６１０は、時間Ｔ１〜Ｔ４で可能なターゲット・オブジェクトのロケーションの決定を示す。時間Ｔ１で、関連ポイントのセットＳ１１は、４つのＸ記号で示されるサンプル・ポイント（ノード）Ｎ３〜Ｎ６を含む。時間Ｔ２で、関連ポイントのセットＳ１２はノードＮ６、Ｎ７、Ｎ１４、およびＮ１５を含む。時間Ｔ３で、関連サンプル・ポイントのセットＳ１３はノードＮ６〜Ｎ９を含む。最後に時間Ｔ４で、関連サンプル・ポイントのセットＳ１４はノードＮ１、Ｎ９〜Ｎ１３、およびＮ１８を含む。

この例では、ターゲット・オブジェクトは静止できるか、または１つのノードからそのすぐ隣へは移動できるが、１時間単位中に２つまたはそれ以上のノード間弧を飛び越えるだけの十分な速さでは移動できないものと、想定する。時間Ｔ１で使用可能な情報に基づけば、ノードＮ３〜Ｎ６のそれぞれは、たとえすべてのロケーションが等しく可能でなくとも、可能なターゲット・オブジェクトのロケーションである。しかし、時間Ｔ２では、単位時間あたり最高でも１ノード間ジャンプという規則によれば、時間Ｔ１のノードＮ３およびＮ４は、これらのノードのどちらからもＴ２で可能なノードへとターゲット・オブジェクトが移動できないために、除外される。同じ規則によって、時間Ｔ２のノードＮ１４およびＮ１５は、これらのノードがＴ１での可能なノードのセットから到達不可能であるため、除外される。

時間Ｔ３では、関連サンプル・ポイントのセットＳ１３はノードＮ６〜Ｎ９を含む。しかし、単位時間あたり最高でも１ノード間ジャンプという規則によれば、Ｎ９は時間Ｔ２のいかなる可能なノードからも２ノード間ジャンプであるため、ノードＮ９は除外される。最後に、時間Ｔ４では、ターゲット・オブジェクトのロケーションはノードＮ９に固定することができるが、関連サンプル・ポイントのセットＳ１４はノードＮ１、Ｎ１０〜Ｎ１３、およびＮ１８も含む。しかし、Ｔ３のいかなる可能なノードからも１ノード間ジャンプによって到達できるノードは、Ｎ９のみである。

時間Ｔ１からＴ４でのターゲット・オブジェクトの移行履歴を使用して、ターゲット・オブジェクトの現在のロケーションに関する位置決定の不確実性を削減することに加えて、ターゲット・オブジェクトの前のロケーションに関する不確実性も削減（または消去）できることがわかる。前述のように、時間Ｔ１で使用可能な情報に基づけば、ターゲット・オブジェクトはノードＮ３〜Ｎ６のいずれにも存在可能である。しかし、位置決定エンジンが自由に使用できる全移行履歴（この例では４ステップ）を有する場合、位置決定エンジンは、ターゲット・オブジェクトのパスを、図１６１０で４つの円で示されるようにＮ６〜Ｎ７〜Ｎ８〜Ｎ９として確立することができる。

図１６に関連して本明細書で、および前述のＰＣＴ出願でより詳細に説明した、グラフ・ベースの位置決定を使用して、不可能な移行を必要とするいくつかのノードを除外することができるため、位置決定の不確実性をさらに削減することができる。グラフ・ベースの位置決定を使用して、不可能な移行を必要とするサンプル・ポイント（ノード）を計算から省略できるため、本発明の主要な目的である計算上の負荷を削減することも可能である。この例では、時間Ｔ４の関連サンプル・ポイントのセットＳ１４は７つのノード（Ｎ１、Ｎ９〜Ｎ１３、およびＮ１８）を含むが、ターゲット・オブジェクトの全移行履歴が考慮される場合、可能なノードは１つ、すなわちＮ９のみである。

前述の例は、隠れマルコフ・モデル・ベースの技法を使用して、正式に説明することができる。Ｌ（ｓ_ｉ）が、セットｓ_ｉ内のサンプル・ポイントの近傍セット、すなわち、セットｓ_ｉ内のサンプル・ポイントから１ステップで到達可能なサンプル・ポイントを示すものとする。Ｌ（Ｒ）は、以下のように、関連サンプル・ポイントの近傍セットを示す。

続いて、ＨＭＭ_１、ＨＭＭ_２、．．．ＨＭＭ_ｉ、は隠れマルコフ・モデルにおける連続する観察サイクルを示す。関連サンプル・ポイント（Ｒ）のセットは以下の通りである。
ＨＭＭ_１：Ｒ_{ＨＭＭ／１}＝Ｒ_１⊆Ｓ
ＨＭＭ_２：Ｒ_{ＨＭＭ／２}＝Ｒ_２∩Ｌ（Ｒ_{ＨＭＭ／１}）
ＨＭＭ_ｉ：Ｒ_{ＨＭＭ／ｉ}＝Ｒ_ｉ∩Ｌ（Ｒ_{ＨＭＭ／ｉ−１}）

この特徴は、図１６１０で水平バーによって示されている。点線の水平バーは関連サンプル・ポイントの近傍を示し、実線の水平バーは不可能な移行を除外した後の関連サンプル・ポイントの近傍を示す。本発明の技法は、ＨＭＭを考慮することにより、関連すると思われるサンプル・ポイントのセットＲ_{ＨＭＭ／１．．．ｉ}内に属するサンプル・ポイントに関してのみ観察確率を計算すればよいため、計算負荷を削減することがわかる。

関連サンプル・ポイントのセットＲ_{ＨＭＭ／ｋ}が空であるか、またはかなり空に近い場合、これは何らかの予期せぬ事態が起こったことを意味し、位置決定を再開する前に何らかの手段を講じるべきである。たとえば、観察される信号が一時的に遮断された、データ・モデルが期限切れである、ターゲット・オブジェクトに取り付けられた感知デバイスが誤動作している、などの可能性がある。問題が持続する場合は、警告が起動されるはずである。

図１６に関連して説明した例では、ターゲット・オブジェクトＴＯのロケーションがトポロジ・グラフＴＧに沿ったノードのうちの１つであるとみなされるような、トポロジ・グラフＴＧが使用された。代替の実施では、ターゲット・オブジェクトのロケーションは、トポロジ・グラフＴＧに沿った任意のポイントである、すなわち、必ずしも所定のノードＮ１〜Ｎ２０のうちの１つではない、として解釈される。他の実施では、ターゲット・オブジェクトのロケーションは、通路幅の半分などの、所定のマージン以下だけトポロジ・グラフＴＧとは異なる距離の任意のポイントとして解釈される。さらにトポロジ・グラフＴＧは、長いパスをモデル化するのに好適な弧と、大部屋などのオープン・スペースをモデル化するのに好適な領域との、組合せを含むことができる。

当業者であれば、技術の進歩につれて、本発明の概念が様々な方法で実施できることが容易に理解されよう。本発明およびその諸実施形態は前述の例に限定されず、特許請求の範囲内で変更することが可能である。

参照文書
１．ＷＯ２００４／００８７９５号は、ターゲット・オブジェクトの通信環境のトポロジをモデル化するグラフを使用する、ロケーション決定技法を開示する。
２．ＷＯ０３／１０２６２２号は、無線環境におけるターゲットのロケーション探索のための技法を開示する。この技法は無線環境の複数のサブモデルを使用し、各サブモデルは無線環境における１つまたは複数のロケーションでの信号値に関する確率分布を示す。サブモデルは、環境における信号値の確率分布を示す環境の確率モデルと組み合わされる。
３．ＷＯ２００４／００８７９６号は、信号品質パラメータの異なるターゲット・オブジェクトの観察結果間の相違を補償する、複数のデバイス・モデルを決定するステップと、複数のデバイス・モデル間で特定のターゲット・オブジェクトに対する特定のデバイス・モデルを選択するステップとを含む、ロケーション決定技法を開示する。
４．ＷＯ０２／０５４８１３号は、無線通信環境において受信機のロケーションを推定するための方法および装置を開示する。
上記参照文書は、参照により本明細書に組み込まれた、本願の所有者が所有する特許明細書である。

本発明の動作原理を示す図である。 ターゲット・オブジェクトのロケーションおよび速度を追跡するための子孫パーティクルの作成の一例を示す図である。 本発明およびその諸実施形態の様々な要素間の関係を示す図である。 図３Ａに示されたエンティティの実世界エンティティへのマッピングを示す図である。 環境の確率モデルに基づいてパーティクルの確率を決定するための技法を示す図である。 環境内での許容されるロケーションおよび／または移行を示す、トポロジ・モデルの様々な実施および適用例を示す図である。 環境内での許容されるロケーションおよび／または移行を示す、トポロジ・モデルの様々な実施および適用例を示す図である。 環境内での許容されるロケーションおよび／または移行を示す、トポロジ・モデルの様々な実施および適用例を示す図である。 環境内での許容されるロケーションおよび／または移行を示す、トポロジ・モデルの様々な実施および適用例を示す図である。 親パーティクルから子孫パーティクルのセットを導出するために動きモデルがどのように使用できるかを示す図である。 複数の異なる動きモデルが初期にターゲット・オブジェクトに割り当てられる実施形態を示す図である。 子孫パーティクルが複数の親パーティクルから属性を引き継ぐ実施形態を示す図である。 ターゲット・オブジェクトのロケーション推定に関して信頼測度を決定するための技法を示す図である。 過去に関する不確実性を削減するためにパーティクル・セットの将来に関する情報をどのように使用するかを示す図である。 ターゲット・オブジェクトと、３つのアクセス・ポイントおよびいくつかのサンプル・ポイントを備えた無線ネットワークのセクションとを示す図である。 １つのサンプル・ポイントおよび３つのアクセス・ポイントに関する可能な信号品質値の範囲を示す図である。 関連するサンプル・ポイントのセットを取得するプロセスを示す図である。 信号パラメータ値が連続値として扱われるケースを示す図である。 信号パラメータ値が連続値として扱われるケースを示す図である。 関連するサンプル・ポイントのセットを初期設定するための初期設定アルゴリズムを示す図である。 関連するサンプル・ポイントのセットを見つけるためのアルゴリズムを示す図である。 図１２Ａ〜１４に示された単一ピーク例の複数ピークへの拡張を示す図である。 本発明の実施形態の関連性インジケータに関連したグラフ・ベースの位置決定技法の使用を示す図である。

符号の説明

１０１ パス
１１１ ターゲット・オブジェクトのロケーション
１１２ パーティクル
１１３ 確率曲線
１１４ 重み決定ステップ
１１５ 重み付けされたパーティクル
１１６ 子孫作成ステップ
１１９ 高確率領域
１２１ ロケーション
１２２ パーティクル
１２３ 確率曲線
１２４ 重み決定ステップ
１２５ 重み付けされたパーティクル
１２６ 子孫作成ステップ
１３１ ロケーション
１３２ パーティクル
１３３ 確率曲線
１３４ 重み決定ステップ
１３５ 重み付けされたパーティクル
１３６ 子孫作成ステップ
１３９ 高確率領域
１４１ ロケーション
１４２ パーティクル
１４３ 確率曲線
１４４ 重み決定ステップ
１４５ 重み付けされたパーティクル
２１１ 速度
２１５ パーティクル
２１６ 子孫作成ステップ
２１７ 速度
２２１ ロケーション
２２２ 子孫
２２４ 重み決定ステップ
２２５ 重み決定ステップ
２２６ 子孫作成ステップ
２３７ 矢印
２４２ パーティクル
２４４ 重み決定ステップ
３０２ 人物
３０４ フロア・プラン
４０１ サンプル・ポイント
４０２ サンプル・ポイント
４０３ ロケーションＸ
４１１ 確立分布
４１２ 確立分布
４２１ 累積分布
４２２ 累積分布
４２３ ロケーションの累積分布
４３０ 数式
５００ トポロ
５０１ 部屋のレイアウト
５０３ 小部屋
５０４ 小部屋
５０５ 小部屋
５０６ 大部屋
５０７ 通路
５１０ トポロジ・グラフ
５１２ ノード
５１３ ノード
５１４ 孤
５２２ パーティクル
５２４ 子孫
５２６ 速度セット
５３０ トポロジ・モデル
５３１ ノード
５３２ ノード
５３３ ノード
５３４ ノード
５３５ ノード
５３６ ノード
５３７ 多角形
５３８ 円
６０２ パーティクル
６０４ ロケーション
６０６ ロケーション
６０８ ロケーション
６１０ ライン
６１２ 子孫パーティクル
７１１ ロケーション
７１２ パーティクル
７１３ 曲線
７１４ 曲線
７１５ パーティクル
７１６ 子孫生成ステップ
７２１ ロケーション
７２２ 子孫パーティクル
７２３ 曲線
７２４ パーティクル
７２５ パーティクル
７２６ 子孫生成ステップ
７３１ 更新サイクル
７３２ 更新サイクル
７３３ 更新サイクル
７３４ 更新サイクル
７３５ 更新サイクル
７３６ 更新サイクル
７４２ パーティクル
８００ プロパティ・セット
８０１ Ｘ
８０２ Ｙ
８０３ インジケーション
８０４ インジケーション
８０５ プロパティ
８１０ 属性セット
８２０ 属性セット
８３０ 子孫パーティクル
８４０ 子孫パーティクル
８５０ 子孫パーティクル
８６０ 子孫パーティクル
９０２ ロケーション
９０４ サブセット
９０６ パーティクル・セット
１０００ フロア・プランまたはトポロジ・モデルの断片
１００２ ノード
１０１０ 重みの合計
１１２２ 信号パラメータ
１１２３ 信号パラメータ
１１３１ データ構造
１１３２ データ構造
１１３３ データ構造
１２０２ ｘ軸
１２０４ ｙ軸
１２０６ 確率分布
１２１０ 信号パラメータ
値 ｖ_ｍｉｎ
１２１２ 信号パラメータ
値 ｖ_ｍａｘ
１２２６ 累積確率分布
１２２８ 網掛け領域
１３０２ 行
１３０４ 行
１３０６ 行
１３０８ 行
１３１０ 行
１３１４ 行
１４００ アルゴリズム
１４０２ 行
１４０４ 行
１４０６ 行
１４０８ 行
１４１０ 行
１４１２ 行
１４１４ 行
１４１６ 行
１４１８ 行
１４２０ 行
１４２２ 行
１４２４ 行
１４２６ 行
１４２８ 行
１５０２ Ｘ−Ｙ座標系
１５０４ しきい値レベル
１５０６ 曲線
１５０８ 条件
１６１０ 図

Claims (25)

1. 環境（ＥＮ、ＲＮ）においてターゲット・オブジェクト（ＴＯ）のプロパティ・セット（ＳＰ）を推定するための方法であって、前記プロパティ・セットはロケーションを含み、
   トポロジ・モデル（ＴＭ）およびデータ・モデル（ＤＡＭ）によって前記環境をモデル化するステップであって、前記トポロジ・モデル（ＴＭ）は、前記環境内の許容されるロケーションおよび移行を示し、前記データ・モデルは、前記トポロジ・モデル（ＴＭ）によって示されたいくつかの許容されるロケーションのそれぞれについて少なくとも１つのロケーションに依存した物理量（ＰＱ）を示す、モデル化するステップと、
   １つまたは複数の動きモデル（ＭＭ）によって前記ターゲット・オブジェクト（ＴＯ）のロケーション変更特徴をモデル化するステップであって、各動きモデルは、特定タイプのターゲット・オブジェクトをモデル化し、前記トポロジ・モデル（ＴＭ）によって示された許容されるロケーションおよび移行に従う、モデル化するステップと、
   それぞれが１つまたは複数の前記ロケーションに依存した物理量（ＰＱ）を観察（ＯＳ）することが可能な、１つまたは複数の共同設置感知デバイス（ＳＤ）を、前記ターゲット・オブジェクト（ＴＯ）に関連付けるステップと、
   それぞれが属性セット（ＡＳ）を有するパーティクルのセット（Ｐ、１１２、１２２、．．．）を、前記ターゲット・オブジェクトに割り当てるステップであって、前記属性セットは前記トポロジ・モデル（ＴＭ）に関して少なくとも１つのロケーションを有する、割り当てるステップと、
   前記ターゲット・オブジェクトに割り当てられた前記パーティクル（Ｐ）の前記属性セット（ＡＳ；１１２、１２２、．．．）を使用して、前記ターゲット・オブジェクト（ＴＯ）の前記プロパティ・セット（ＳＰ；１１１、１２１、１３１、１４１）を推定するステップと、
   複数の更新サイクルにおいて前記パーティクル・セットを更新するステップであって、各更新サイクルは、
   ａ）前記ターゲット・オブジェクト（ＴＯ）に関連付けられた少なくとも１つの感知デバイス（ＳＤ）からの前記データ・モデル（ＤＭ）および観察（ＯＳ）を使用して、前記ターゲット・オブジェクトの前記プロパティ・セット（ＳＰ）を正確に推定するために、各パーティクル（Ｐ）の信頼度（１１３、１２３、．．．）を決定する段階と、
   ｂ）少なくとも前記決定された信頼度に基づいて、各パーティクルの重み（１１５、１２５、．．．）を決定する段階と、
   ｃ）更新サイクルｎ＋１に関する新しいパーティクル・セットを生成する段階であって、
   前記新しいパーティクル（１２２、１３２、１４２；６１２）のうちの少なくともいくつかが、更新サイクルｎ（１１２、１２２、１３２；６０２）に関する１つまたは複数の親パーティクルに基づき、
   更新サイクルｎに関するパーティクルが更新サイクルｎ＋１において新しいパーティクルに関する親パーティクルとして選択されることになる可能性が、前記パーティクルの前記重みの非減少関数であり、
   更新サイクルｎ＋１に関する新しいパーティクルの前記属性セットが、前記１つまたは複数の動きモデル（ＭＭ）および所定のアルゴリズム（６００）のうちの少なくとも１つを使用して、更新サイクルｎに関する１つまたは複数の親パーティクルの前記属性セットから導出される、
   生成する段階と、
   を含む、更新するステップと、
   を含む、方法。
2. 更新サイクルｋに対して重み付けされたパーティクルのスナップショットを生成するステップであって、前記スナップショットは更新サイクルｋに対する一部またはすべてのパーティクルを含む、生成するステップと、以下の再帰的規則によって定義された重みを各パーティクルに割り当てるステップと、ｎは前記重みが決定された最新の更新サイクルであって、
   ｋがｎに等しい場合、パーティクルの前記重みは請求項１のステップｂで決定された前記重みに基づき、
   ｋがｎより小さい場合、パーティクルの前記重みは更新サイクルｋ＋１に対して生成されたスナップショットに存在する前記パーティクルのすべての直接の子孫の重み合計に基づく、
   更新サイクルｋで前記ターゲット・オブジェクト（ＴＯ）のプロパティ・セット（ＳＰ）を推定するために前記スナップショットを使用するステップと、
   をさらに含む、請求項１に記載の方法。
3. 更新サイクルｋに対して重み付けされたパーティクルの前記スナップショットを、１つまたは複数のクラスタに分割するステップであって、各クラスタは１つまたは複数の所定の類似基準に従って互いに類似するパーティクルを含む、分割するステップと、
   少なくとも１つのクラスタを選択するステップ、前記選択されたクラスタ内のパーティクルおよび重みを使用することによって、選択された各クラスタに対する更新サイクルｋでの前記ターゲット・オブジェクト（ＴＯ）の前記プロパティ・セット（ＳＰ）を推定するステップ、および前記クラスタ内にないパーティクルおよび重みを除外するステップと、
   をさらに含む、請求項２に記載の方法。
4. 前記１つまたは複数の所定の類似基準のうちの少なくとも１つは、前記パーティクルのロケーションに基づくものであり、これによって各クラスタは互いに近いパーティクルを含む、請求項３に記載の方法。
5. 複数の所定のゾーンを維持するステップであって、各ゾーンは前記トポロジ・モデル（ＴＭ）の１つまたは複数の許容されるロケーションを含む、維持するステップをさらに含み、
   前記１つまたは複数の所定の類似基準のうちの少なくとも１つは、前記複数のゾーンに基づき、ロケーションが同じゾーンに属するパーティクルは同じクラスタに属する、
   請求項３または４に記載の方法。
6. クラスタを使用して生成された推定に信頼値を関連付けるステップをさらに含み、前記信頼値は、前記クラスタ内のパーティクルの前記重み合計を前記スナップショット内の重み合計で割った値に基づく、請求項３、４、または５に記載の方法。
7. 前記ターゲット・オブジェクト（ＴＯ）の推定されたプロパティ・セット（ＳＰ）は、環境（ＥＮ）内の少なくとも１つの空間プロパティ（ＳＰ）を含み、前記方法は、
   前記データ・モデル（ＤＡＭ）で前記少なくとも１つの空間プロパティをモデル化するステップであって、前記データ・モデルは前記環境内のいくつかのロケーションそれぞれに関する前記空間プロパティ（ＳＰ）を示す、モデル化するステップをさらに含み、
   前記ターゲット・オブジェクト（ＴＯ）のプロパティ・セット（ＳＰ）を推定するステップは、
   前記パーティクルのロケーションで前記空間プロパティを示すために前記データ・モデル（ＤＡＭ）を使用して、各パーティクルについて前記空間プロパティのパーティクル特有の推定を生成するステップと、
   各パーティクルの重みを使用してパーティクル特有の推定を結合するステップと、
   を含む、請求項３から６のいずれか一項に記載の方法。
8. 前記データ・モデル（ＤＡＭ）は、前記トポロジ・モデル（ＴＭ）によって示される許容されるロケーションでの少なくとも１つのロケーションに依存した物理量（ＰＱ）に関する確率分布（４１１、４１２）を示す確率モデルであるか、または確率モデルを含み、パーティクルに関する信頼度を決定するステップは、
   前記データ・モデル（ＤＡＭ）を使用することによって、前記パーティクルの前記ロケーションでのロケーションに依存した物理量に関する確率分布（４１１、４１２）を示すステップと、
   前記ターゲット・オブジェクト（ＴＯ）に関連付けられた少なくとも１つの感知デバイス（ＳＤ）からの前記物理量（ＰＱ）の観察の確率を決定するために、前記示された確率分布を使用するステップと、
   を含む、請求項１から７のいずれか一項に記載の方法。
9. 前記データ・モデル（ＤＡＭ）は、いくつかのサンプル・ポイント（４０１、４０２）での少なくとも１つのロケーションに依存した物理量（ＰＱ）に関する確率分布（４１１、４１２）を示す確率モデルであるか、または確率モデルを含み、確率分布を示すステップは、
   前記パーティクルの前記ロケーション近くの少なくとも２つのサンプル・ポイントを選択するステップと、
   前記選択されたサンプル・ポイント（４０１、４０２）での前記物理量に関する前記確率分布（４１１、４１２）を組み合わせるステップと、
   を含む、請求項８に記載の方法。
10. 前記確率分布を組み合わせるステップは、
    選択された各サンプル・ポイント（４０１、４０２）に関する累積分布関数（４２１、４２２）を形成するステップ、およびそれぞれの前記累積分布関数を相対重みによって重み付けするステップと、
    前記重み付けされた累積分布関数の組合せ（４２３）を形成するステップと、
    を含む、請求項９に記載の方法。
11. 前記トポロジ・モデル（ＴＭ、５３０）は、前記許容されるロケーションおよび移行を示すためのノードおよび前記ノード（５３１〜５３６）間の弧を含む、請求項１から１０のいずれか一項に記載の方法。
12. 前記トポロジ・モデル（ＴＭ、５３０）は、前記許容されるロケーションおよび移行を示すためのノードおよび前記ノード（５３１〜５３６）間の弧を含み、少なくとも２つのサンプル・ポイントを選択するステップは、前記弧をたどることによって前記パーティクルの前記ロケーションから到達することができる前記サンプル・ポイントのうちの少なくとも２つを選択するステップを含む、請求項９、１０、または１１に記載の方法。
13. 前記ターゲット・オブジェクトの動きモデルを適応的に選択するステップをさらに含み、前記適応的な選択は、
    各パーティクル（Ｐ）について特定の動きモデル（ＭＭ）を選択するステップ、およびパーティクルの前記属性セット（ＡＳ）を前記パーティクルについて選択された前記動きモデルへの参照を含むように設定するステップを含み、
    １つまたは複数の親パーティクルの前記属性セットから新しいパーティクルの属性セットを導出するステップは、前記親パーティクルの前記属性セットによって参照される前記動きモデルを使用するステップを含む、
    請求項１から１２のいずれか一項に記載の方法。
14. それぞれが１つまたは複数の感知デバイス（ＳＤ）の観察を修正することが可能な複数のデバイス・モデル（ＤＭ）を維持するステップと、
    共同設置された前記感知デバイス（ＳＤ）のうちの少なくとも１つについて特定のデバイス・モデル（ＤＭ）を選択するステップと、
    前記選択されたデバイス・モデル（ＤＭ）を使用して前記共同設置された感知デバイス（ＳＤ）のうちの少なくとも１つの観察を修正するステップと、
    をさらに含む、請求項１から１３のいずれか一項に記載の方法。
15. 前記少なくとも１つのデバイス・モデル（ＤＭ）を適応的に選択するステップをさらに含み、前記適応的に選択するステップは、
    各パーティクル（Ｐ）について少なくとも１つの特定のデバイス・モデル（ＤＭ）を選択するステップ、および前記パーティクルについて選択された各デバイス・モデルへの参照を含むようにパーティクルの前記属性セット（ＡＳ）を設定するステップと、
    前記パーティクル（Ｐ）の信頼度（１１３、１２３、．．．）を決定するステップの前に、前記少なくとも１つの感知デバイス（ＳＤ）からの観察（ＯＳ）を修正するように前記パーティクルの前記属性セット（ＡＳ）によって参照される各デバイス・モデルを適用するステップと、
    を含む、請求項１４に記載の方法。
16. 前記データ・モデルは、複数のサンプル・ポイント（Ｓ１〜Ｓ９）のそれぞれについて前記ロケーションに依存した物理量の予測値セットを示し、
    関連サンプル・ポイントの１つまたは複数のセット（Ｒ１〜Ｒ３）を示すための関連性インジケータのセット（１２１Ａ〜１２３Ｂ；１３１Ａ〜１３３Ｂ）を維持するステップであって、前記関連サンプル・ポイントの１つまたは複数のセットは前記データ・モデル内の前記サンプル・ポイント（Ｓ１〜Ｓ９）のサブセットである、維持するステップと、
    前記１つまたは複数のロケーションに依存した物理量（ＰＱ）の前記観察（ＯＳ）および前記関連性インジケータのセットに基づいて、関連サンプル・ポイントの現在のセット（Ｒ）を決定するステップと、
    計算の効率を上げるために前記関連サンプル・ポイントの現在のセット（Ｒ）を使用するステップと、
    をさらに含む、請求項１から１５のいずれか一項に記載の方法。
17. 前記関連サンプル・ポイントの現在のセット（Ｒ）から遠くはなれて配置されているパーティクルを廃棄するステップをさらに含む、請求項１６に記載の方法。
18. 請求項１のステップａ）は、さらなる計算なしに、前記関連サンプル・ポイントの現在のセット（Ｒ）から遠くにあるパーティクルに最低の信頼度を割り当てるステップをさらに含む、請求項１６に記載の方法。
19. 請求項１のステップｃ）は、前記関連サンプル・ポイント近くにいくつかの追加の親なしパーティクルを生成するステップをさらに含む、請求項１６に記載の方法。
20. 前記１つまたは複数の物理量は少なくとも１つの信号値を含む、請求項１から１９のいずれか一項に記載の方法。
21. 前記プロパティ・セット（ＳＰ）は１つまたは複数の動きプロパティを含む、請求項１から２０のいずれか一項に記載の方法。
22. 環境（ＥＮ、ＲＮ）においてターゲット・オブジェクト（ＴＯ）のプロパティ・セット（ＳＰ）を推定するためのプロパティ推定装置であって、前記プロパティ・セットはロケーションを含み、
    前記環境内の許容されるロケーションおよび移行を示すためのトポロジ・モデル（ＴＭ）、および前記トポロジ・モデル（ＴＭ）によって示されたいくつかの許容されるロケーションのそれぞれについて少なくとも１つのロケーションに依存した物理量（ＰＱ）を示すためのデータ・モデル（ＤＡＭ）と、
    前記ターゲット・オブジェクト（ＴＯ）のロケーション変更特徴をモデル化するための１つまたは複数の動きモデル（ＭＭ）であって、各動きモデルは、特定タイプのターゲット・オブジェクトをモデル化し、前記トポロジ・モデル（ＴＭ）によって示された許容されるロケーションおよび移行に従う、動きモデル（ＭＭ）と、
    １つまたは複数の共同設置感知デバイス（ＳＤ）の前記ターゲット・オブジェクト（ＴＯ）への関連付けであって、感知デバイスはそれぞれが１つまたは複数の前記ロケーションに依存した物理量（ＰＱ）を観察（ＯＳ）することが可能な、関連付けと、
    それぞれが属性セット（ＡＳ）を有するパーティクルのセット（Ｐ、１１２、１２２、．．．）を、前記ターゲット・オブジェクトに割り当てるための手段であって、前記属性セットは前記トポロジ・モデル（ＴＭ）に関して少なくとも１つのロケーションを有する、割り当てるための手段と、
    前記ターゲット・オブジェクトに割り当てられた前記パーティクル（Ｐ）の前記属性セット（ＡＳ；１１２、１２２、．．．）を使用して、前記ターゲット・オブジェクト（ＴＯ）の前記プロパティ・セット（ＳＰ；１１１、１２１、１３１、１４１）を推定するためのプロパティ推定装置と、
    複数の更新サイクルにおいて前記パーティクル・セットを更新するための更新手段であって、各更新サイクルは、
    ａ）前記ターゲット・オブジェクト（ＴＯ）に関連付けられた少なくとも１つの感知デバイス（ＳＤ）からの前記データ・モデル（ＤＭ）および観察（ＯＳ）を使用した、前記ターゲット・オブジェクトの前記プロパティ・セット（ＳＰ）を正確に推定するための、各パーティクル（Ｐ）の信頼度（１１３、１２３、．．．）の決定と、
    ｂ）少なくとも前記決定された信頼度に基づいた、各パーティクルの重み（１１５、１２５、．．．）の決定と、
    ｃ）更新サイクルｎ＋１に関する新しいパーティクル・セットの生成であって、
    前記新しいパーティクル（１２２、１３２、１４２；６１２）のうちの少なくともいくつかが、更新サイクルｎ（１１２、１２２、１３２；６０２）に関する１つまたは複数の親パーティクルに基づき、
    更新サイクルｎに関するパーティクルが更新サイクルｎ＋１において新しいパーティクルに関する親パーティクルとして選択されることになる可能性が、前記パーティクルの前記重みの非減少関数であり、
    更新サイクルｎ＋１に関する新しいパーティクルの前記属性セットが、前記１つまたは複数の動きモデル（ＭＭ）および所定のアルゴリズム（６００）のうちの少なくとも１つを使用して、更新サイクルｎに関する１つまたは複数の親パーティクルの前記属性セットから導出される、
    生成と、
    を含む、更新手段と、
    を含む、プロパティ推定装置。
23. 前記パーティクルの属性における変動性と、
    前記プロパティ推定装置によって処理されるターゲット・オブジェクトの数と、
    前記プロパティ推定に関する品質要件と、
    前記ターゲット・オブジェクトに割り当てられた優先順位と、
    単位時間あたりに前記感知デバイスから受信する観察セットの組合せレートと、
    前記ターゲット・オブジェクトの動き履歴と、
    前記プロパティ推定装置の全体負荷と、
    のうちの１つまたは複数に基づいて、ターゲット・オブジェクトに割り当てられるパーティクルの数を動的に調整するための手段をさらに含む、請求項２２に記載のプロパティ推定装置。
24. 前記パーティクルの属性における変動性と、
    前記プロパティ推定装置によって処理されるターゲット・オブジェクトの数と、
    前記プロパティ推定に関する品質要件と、
    前記ターゲット・オブジェクトに割り当てられた優先順位と、
    単位時間あたりに前記感知デバイスから受信する観察セットの組合せレートと、
    前記ターゲット・オブジェクトの動き履歴と、
    前記プロパティ推定装置の全体負荷と、
    のうちの１つまたは複数に基づいて、更新サイクル間の時間間隔を動的に調整するための手段をさらに含む、請求項２２または２３に記載のプロパティ推定装置。
25. コンピュータ・プログラム製品がデータ・プロセッサ内で実行された場合、請求項１の方法を実施するためのプログラム・コード手段を含む、データ・プロセッサ用のコンピュータ・プログラム製品。

Images