JP5165181B2 - 携帯型コンピュータデバイスの所在と動態を割り出すシステムおよび方法 - Google Patents

Description

本発明は、機器の所在特定システムに関し、より詳細には、無線信号の強度を用いて機器の所在と動きを割り出す確率的な所在特定システムに関する。

無線ネットワークへのアクセスの遍在性が増しつつあることが要因となって、無線信号の強度の測定に基づいて無線クライアントの所在を特定することを目的とするいくつかの方法が生み出されている。そうした所在特定に基づくシステムは正確性と使用の容易さの点では改良を続けているが、従来の試みでは、周囲に存在する無線インフラストラクチャ（インフラ基板）を使用して、クライアントの動きや速度などの動態を直接的な形で特定することは未だ検討されていない。所在の推定に使用される信号と同じ信号を動態の推定に使用することができる。そして、動態についての情報は、一般にはクライアントの位置と状況の両方を推定する助けとなるのに有用である。クライアントの動きについての認識を直接的に得ることは、やがて受信される一連の信号を融合させるのに最良の方式の示唆となる。例えば、クライアントに動きがないという認識から、所在特定アルゴリズムは、現在の位置についての推定のセットを融合して確実性がより高い単一の推定（見積）とする。モバイル機器（およびモバイルクライアントに関連のユーザ）が動いているかどうかの知識は、例えば、重要なメッセージをユーザに通知するかどうかと、その方式についての指示を提供するのに有用である可能性がある。ユーザがある場所に到達するまでメッセージの通知を抑制する、あるいはユーザが移動中の際は非常に重要なメッセージだけを通知することが好ましい場合がある。別の例では、ユーザが移動中の際は要約するか、一部を切り詰めることによりメッセージを短縮する、あるいは通知方式の音量を上げる、あるいはディスプレイの文字サイズを大きくすることが好ましい場合もある。

所在情報を使用して、当該（対象）の人、場所、および目標物を見つけることができる。所在情報は、人およびアイテム（品目）の現在の状態へのアクセスを提供するのに加えて、ユーザの将来の存在や連絡可能性についての情報を提供する存在予測サービスを支援することができる。他の応用例では、位置は、機器の利用可能性と、様々な状況に伴う割り込みのコストを考慮して、通知をユーザに中継する最良の方式を特定する場合にも有用である。所在情報は、近隣にある機器または機器コンポーネントのセットを整理するタスクに利用することもできる。

屋外の応用例は、ＧＰＳ（全地球測位サービス）またはＧＬＯＮＡＳＳ（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ）の衛星ナビゲーションシステムからのタイミング信号の復号に依拠して信頼性の高い所在情報を得ることができる。不都合なことに、屋内の応用例には、屋外の応用例と同程度に遍在する位置の測定手段を利用することができない。アクティブバッジ（active badges）や無線周波識別（ＲＦＩＤ）タグなどの特殊化されたシステムは屋内で良好に機能するが、その設置コストは法外に高い場合があり、またユーザが特別な機器を携行することが必要となる。

そのような特殊化された所在特定システムに依拠する代替となる方式として有望なのは、建物に備わる既存のＩＥＥＥ８０２．１１の無線インフラストラクチャ（以下「Ｗｉ−Ｆｉ」とも称する）によって生成される信号を利用することにより位置を推定するものである。Ｗｉ−Ｆｉ（ワイ・ファイ）の設置は、個人の場所および公衆の場所に急速に広がっている。それと同時に、ＩＥＥＥ８０２．１１のネットワークインターフェースハードウェアあるいは内蔵されたＷｉ−Ｆｉの感知を備えるモバイル機器が次第に多く利用できるようになっている。Ｗｉ−Ｆｉのインフラストラクチャが広く普及するのに従って、Ｗｉ−Ｆｉは位置の推定を目的とするものではないという事実にもかかわらず、周囲の無線信号を利用した所在特定技術がその普及と共に発展することができる。

既存のＩＥＥＥ８０２．１１のＷｉ−Ｆｉネットワークインフラストラクチャからの機器情報にアクセスするための現在発達しつつある方法は、周囲信号と受信機を使用するとブロードキャストと感知のための特殊なハードウェアを必要とせずに済むために魅力的である。ＩＥＥＥ８０２．１１の無線信号から位置を確定する過去の試みは、信号を場所にマッピングすることを目的とした伝送の詳細なモデルの構築と煩瑣な較正の作業に依拠していた。

複数のＩＥＥＥ８０２．１１アクセスポイントからの信号強度を測定することにより屋内の無線クライアントの位置を特定する能力は、新しいものではない。信号強度のサイン（signatures）を一致させることは、ＲＡＤＡＲと称する最初の方式を含む８０２．１１から位置を測定するすべての技術で使用される技術と同じ基本的技術である。ＲＡＤＡＲの最近隣接アルゴリズムは、手作業で較正された信号強度の表を使用しておよそ２．９４メートルの中位空間誤差を得る。続く作業で、ヴィテルビ（viterbi）的なアルゴリズムを使用してこの誤差をおよそ２．３７メートルに縮小する。さらなる調査により、無線伝播のモデルと建物の間取り図を使用して信号強度のサインをあらかじめ計算しておく。これにより、信号強度の中間位置誤差が４．３メートルに増大するのと引き換えに較正の手間が軽減される。

従来用いられる別のシステム、そしておそらくは最も正確なＩＥＥＥ８０２．１１を利用した所在特定システムは、ベイズ推論（Bayesian reasoning）と隠れマルコフモデル（ＨＭＭ）を使用するものである。このシステムは、信号強度だけでなく、所与の位置からアクセスポイントが見える確率も考慮する。他の作業と同様に、この作業は手作業の較正に基づく。このシステムは、方向を明示的にモデル化し、通路内で約１．５メートル（５フィート）ごとに取られた較正サンプルを使用して約１メートルの中間空間誤差を達成した。例えば、より一般的に用いられる生の信号強度の代わりに信号対雑音比を用い、アクセスポイントまでの距離を信号強度の関数として近似するために使用される式を用いる、多くの従来のシステムがさらに採用されている。

Ｗｉ−Ｆｉ中心のシステムは、所在情報が秘匿されることを含むいくつかの魅力的な特性を有する。すべての位置計算はクライアントデバイスで行うことができ、デバイスは、ユーザの識別またはその他の情報を有線ネットワークへの無線インターフェースに開示する必要がない。伸びつつあるＷｉ−Ｆｉインフラストラクチャの遍在性、それに対応する機能を持つ既存のクライアントデバイス、および機密解決手法(privacy solutions)が相まって、ＩＥＥＥ８０２．１１は場所を特定する強力な方式となっている。

しかし、必要とするトレーニング時間がより短く、同時に所在と動態に関連する付加情報を提供する、Ｗｉ−Ｆｉの所在特定を利用したシステムがなお必要とされる。

以下に、本発明のいくつかの態様の基本的な理解を提供するために本発明の簡単な概要を述べる。この概要は本発明を広範囲に概説するものではない。また、この概要は、本発明の主要／不可欠な要素を明らかにするものでも、本発明の範囲を詳細に説明するものでもない。その唯一の目的は、以下のより詳細な説明の前置きとして簡略化した形で本発明の一部の概念を述べることである。

ここに開示し、特許権を請求する本発明は、その一態様で、無線ネットワーク中のワイヤレス信号の強度を分析することにより携帯型コンピューティングデバイスの動きと所在の状態を割り出しするためのアーキテクチャを備える。移動中と移動中でない状態についての状態およびより正確な所在情報を得ることは、ユーザに通知するのに最適な時間と機器を決定するシステムを含む各種の応用例に有用である。本発明は、個人および／またはコンポーネント（コンピュータ関連品）の追跡を容易にし、また無線ネットワーク中のユーザに関連情報（例えば状態ならびに推測される将来の状態についての）を提供することを容易にする。本発明は、通信を最適化すること、例えば通信とデータのスループットを維持することも容易にする。

より詳細には、本発明は、信号強度と有形（visible）アクセスポイントとの一貫性のある確率的解釈を導入し、ＨＭＭの表現を用いる。ただし、本発明は、状態遷移確率の推定を提供するために従来のシステムに比べて洗練されたモデルを使用し、その結果較正の手間が軽減される点で独自性がある。この新規のシステムは、建物のフロア上の離散的な（ｘ，ｙ）の高密度位置ノードの連結グラフから働きかける。信号強度のセットを受け取ると、ＨＭＭを使用して、機器が各位置ノードにある確率を計算する。各時点で、各位置ノードの対は、機器がその対の第１のメンバから第２のメンバに移動するであろう確率を与える、それに関連付けられた遷移確率を有する。この遷移確率は、最後の信号強度が読み取られてから経過した時間、ノードの対間の距離、および機器が現在移動中である確率の関数である。ノードの対間の距離をユークリッド距離と考えるのではなく、最短経路の距離は、経路が壁を通過できないものとして建物の間取り図の壁を考慮に入れる、制約に影響される経路プラニングアルゴリズムに基づく。

本発明は、堅牢性（robustness）を高め、かつ、周囲に存在するＩＥＥＥ８０２．１１のインフラストラクチャに基づく所在特定サービスに伴うトレーニング（あるいは較正）の手間を軽減する確率的方法を含む。ここに開示されるアーキテクチャは、確率的グラフを用い、ここでは所在（location）がノードであって、そのノード間の遷移確率は、建物（または間取り図）のレイアウト、予想される歩行者の歩行速度、および機器が移動中であるか否かの独立した推測の関数として導き出される。信号強度の較正は、この種の他のシステムに比べて比較的容易である。本発明は、比較的正確な所在感知システムを提供するとともに、まばらにサンプリングされた較正ノードのセットからの信号強度の補間を含め、建物の内部構造によって課される経路の制約（壁やドア）を利用し、人間が歩行する速度の考慮事項を取り入れ、クライアントデバイスが移動中であるか否かについての独立した推測を行い、その推測を所在の分析に組み込むことにより較正の手間を可能な限り軽減する。したがって、モバイルクライアントは、入手するのに単調なまばらな較正データ（calibration data）にもかかわらず正確性を維持するために、可能な限り高性能になる。全体として、本発明は、通例は雑音のある生信号データから有用なデータを抽出するために重要な経路、時間、および速度の制約を含めることにより、正確性と較正の手間との優れたトレードオフを表す、原理に基づくフレームワークを提供する。

ここに開示するシステムは、従来のシステムに比べてはるかにまばらな位置ノードのセットを較正のためにアクセスする（visit）ことを容易にする。補間を用いて、低密度の較正ノードから高密度の位置ノードにおける観測確率を推定する。これにより必要な較正の手間が大幅に減る。位置ノードのグラフ、遷移確率、および観測確率をヴィテルビアルゴリズムで組み合わせて、システムの実際の動作中に得られた観測信号強度のすべてのセットから高密度ノードにわたる確率分布を計算する。機器の所在の予想値が最終結果として報告され、中位誤差が約１．５３ｍであることが示される。

前述の目的および関連する目的を実現するために、本発明の特定の例示的実施態様について以下の詳細な説明と添付図面との関連で説明する。ただし、これらの態様は、本発明の原理を用いることが可能な各種方式の数例を示すに過ぎず、本発明は、そのような態様およびその均等物をすべて包含するものとする。本発明のこの他の利点および新規の特徴は、図面と合わせて考察することにより以下の本発明の詳細な説明から明らかになろう。

次いで図面を参照して本発明を説明するが、すべての図面を通じて同様の要素は同様の参照符号を使用して参照する。以下の説明では、説明のために、本発明の完全な理解を提供するために多数の具体的な詳細事項を述べる。ただし、本発明はそれらの特定の詳細事項を用いずとも実施できることは明らかであろう。他の例では、本発明の説明を容易にするためによく知られる構造および装置はブロック図の形で示す。

本願で使用される用語「コンポーネント」および「システム」とは、ハードウェア、ハードウェアとソフトウェアの組合せ、ソフトウェア、実行中のソフトウェアなど、コンピュータに関連するエンティティを意味するものとする。コンポーネントは、例えば、これらに限定しないが、プロセッサで実行中のプロセス、プロセッサ、オブジェクト、実行可能ファイル、実行のスレッド、プログラム、および／またはコンピュータである。例示として、サーバで実行されるアプリケーションとサーバのどちらもコンポーネントになりうる。１つまたは複数のコンポーネントがプロセスおよび／または実行のスレッド中に存在することができ、コンポーネントは、１つのコンピュータに局所化しても、かつ／または２つ以上のコンピュータに分散してもよい。

本明細書で使用する用語「推測（inference）」とは、一般に、事象および／またはデータを介して捕捉された観測結果のセットから、システム、環境、および／またはユーザの状態について推論または推定するプロセスを指す。推測を使用して、例えば特定の状況や動作を特定することができ、また推測により複数の状態にわたる確率分布を生成することができる。推測は確率的にすることができ、すなわち、データおよび事象の考慮に基づいた対象とする複数の状態への確率分布の計算とすることができる。推測は、事象および／またはデータのセットから、より高レベルの事象を構成するために用いられる技術も指すことができる。そのような推測の結果、事象間に時間的に近接しているという相関関係があるかどうかに関係なく、また事象およびデータが１つのイベントおよびデータのソースから得たものか、数個のソースから得たものかに関係なく、観測された事象のセットおよび／または記憶された事象データから新しい事象または動作が構築される。

次に、図１に、本発明による所在および瞬間的な動態の割り出しを容易にするシステム１００のブロック図を示す。測定コンポーネント１０２は、１つの入力として、アクセスポイント（ＡＰ）とも称する複数の無線ネットワークインターフェースゆかりの無線信号から得た信号強度１０４を受け取る。測定コンポーネント１０２は、生信号を受信し、次いでその生信号を処理して信号強度データを得るように構成してもよいことに留意されたい。いずれの場合も、信号強度データ１０４は処理され、確率的処理コンポーネント１０６によって利用されて、携帯機器がある場所にある予測値１０８と、その機器が現在移動中である確率を最終的に出力として報告する。

下記でより詳細に述べるように、確率的処理コンポーネント１０６は確率グラフを用い、ここでは所在が位置ノードとして表され、複数の位置ノード間の遷移確率が、建物（あるいは間取り図）のレイアウト、予測される歩行者の歩行速度、および機器が移動中か否かの独立した推測の関数として得られる。

確率的コンポーネント１０６は、状態遷移確率の推定を提供するために従来のシステムに比べて洗練されたモデルを使用し、その結果較正の手間が軽減される。より詳細に述べると、システム１００は、信号強度と有形アクセスポイントとの確率的な解釈を提供し、隠れマルコフモデル（ＨＭＭ）表現を用いる。信号強度のセット１０４を受け取ると、ＨＭＭを使用して携帯機器が各位置ノードにある確率を計算する。各時点で、各ノードの対は、機器が対の第１のメンバから第２のメンバに移動する確率を示す、それらノードにゆかりの遷移確率を有する。この遷移確率は、最後の信号強度を読み取ってから経過した時間、ノードの対間の距離、および機器が現在移動している確率の関数である。ノードの対間の距離をユークリッド距離と考えるというよりはむしろ、最短経路の距離は、経路が壁を通過できないものとして建物の間取りの壁を考慮に入れる、制約に影響される経路プラニングアルゴリズムに基づく。

システム１００は、比較的正確な所在感知システムを提供するのと同時に、まばらにサンプリングされたセットからの信号強度の補間を含め、建物の内部構造によって課される経路の制約（例えば壁やドア）を利用し、人間が歩行する速度の考慮を取り込み、クライアントデバイスが移動中であるか否かについての独立した推測を行い、その推測を所在の分析に組み込むことにより、較正の手間を可能な限り軽減する。したがって、モバイルクライアントは、取得するのに時間を要する場合があるまばらな較正データにもかかわらず正確性を保つために、可能な限り高性能になる。全体として、本発明は、通例は雑音がある生信号データから有用なデータを抽出するために重要である経路、時間、および速度の制約を含めることにより正確性と較正の手間との間の優れたトレードオフを表す、原理に基づくフレームワークを提供する。

確率的コンポーネント１０６は、密度がより低い較正ノードから密度が高い位置ノードにおける観測確率を推定するために補間を行うことにより、回帰（regression）を用いることで較正の手間を大幅に軽減する。位置ノードのグラフ、遷移確率、および観測確率をヴィテルビアルゴリズムで組み合わせて、観測されたすべての信号強度のセットから位置ノードにわたる確率分布を計算する。最終結果として位置の予測値が報告され、中位誤差が約１．５３メートルであることが示される。

携帯機器の予想される速度は、機器が移動中である尤度を推測することにより、きちんと考察される。動きを推測するためのモデルについては下記でより詳細に説明する。携帯機器の速度は、人間が歩行する速度の確率分布の考慮と、機器が移動中であるか否かの推測とに基づいて、予想される速度として計算される。

位置ノードのグラフ、遷移確率、および観測確率をヴィテルビアルゴリズムで組み合わせて、観測されたすべての信号強度のセットから位置ノードにわたる確率分布を計算する。本発明は、最終的な結果として位置の予想値を報告する。

次いで図２に、本発明の確率的コンポーネントのプロセスの流れ図を示す。説明を簡潔にするために、例えば流れ図の形でここに示す１つまたは複数の方法論は一連の動作として図示し、説明するが、本発明は動作の順序によって限定されず、一部の動作は、本発明によりここに図示し、説明する順序とは異なる順序で行ってもよく、かつ／または他の動作と同時に行うことが可能であることを理解されたい。例えば、当業者には、方法論は、流れ図に代えて、状態図など相互に関連する一連の状態または事象として表してもよいことが理解され、認識されよう。さらに、本発明により方法論を実施するために図に示すすべての動作が必要であるとは限らない。

ここに開示されるアーキテクチャは、ＩＥＥＥ８０２．１１の信号強度を使用して携帯機器の所在を推定し、動きを推測する。信号は、モバイル機器と有線ネットワーク間の無線リンクを提供する、静的に配置されたＩＥＥＥ８０２．１１のアクセスポイントから受信される。

アクセスポイントの代わりに、またはアクセスポイントと組み合わせて、他のタイプのワイヤレスＲＦ送信機を用いることが可能なので、この新規のアーキテクチャはアクセスポイントを使用することに制限されないことに留意されたい。例えば、資産管理用の所在特定システムでは、リアルタイムロケーションシステム（ＲＴＬＳ）が、ここに開示する本発明の利点を利用することができる。ＲＴＬＳは、資産および／または従業員の場所を継続的に監視する完全に自動化されたシステムであり、通例はバッテリによって作動する無線タグと、そのタグの存在と位置を検出するセルラ方式の所在特定システムを利用する。この所在特定システムは、通例は、５０〜１０００フィート（１５．２５〜３０５ｍ）の間隔で設置された所在特定機器のマトリックスとして配置される。この所在特定機器は、任意の物品または人に配置することが可能な無線タグの位置を測定する。したがって、ＲＦ送信機から信号強度が受信され、その信号強度によってトランスポンダタグがアクティブ化されて物品の位置、人の位置および／または動きを割り出しする。この点で、ＲＴＬＳシステムは、ＩＥＥＥ８０２．１１のアクセスポイントを利用する方式と同じ方式で較正し、分析することができる。

初めに、較正する区域の間取り図を使用して密度の低いノードを展開する。このノードは、携帯機器のユーザが通例使用する歩行経路の近似値を求める、間取り中の位置のまばらなネットワークを定義するノードのセットである。間取り図を利用することにより、補間プロセスで使用されるノードを選択することが容易になる。低密度のノードは、ネットワークの直線線分の端点（endpoints）であり、最終的に機器の動きと所在を推測するために使用されるノードの総数のサブセットである。低密度ノードを展開すると、ユーザが定義した空間的基準に従って、低密度のノードの間取り図中にコンピュータで高密度のノードを自動的に点在させる。

間取り図の様々な位置で信号強度を測定することが、すべての高密度ノードでいくつかの確率分布関数を得る較正プロセスであり、各確率分布関数は、その高密度ノードで所与のアクセスポイントから所与の信号強度が「見える(seeing)」確率を与える。所与の高密度ノードの確率分布をそのノードの観測確率と称する。間取り図の各位置を訪れ、信号強度を記録するのは現実的ではないので、較正のためにはるかにまばらな位置ノードのセットを訪れる。次いで補間を用いて、その較正ノードから高密度ノードにおける観測確率を推定する。これにより必要な較正の手間が大幅に減る。

したがって、２００で、コンピュータで生成した処理可能な間取り図の地図を展開して、その地図上に低密度ノードと高密度ノードの両方を設定する。２００にはまとめて記載しているが、初めに低密度のノードが手動の入力によって展開され、それに続いて、低密度ノードの間に点在させた高密度ノードで間取り図が自動的に埋められる。２０２で、一セットの較正ノードそれぞれで信号強度を測定し、記録する較正プロセスによってシステムをトレーニングする。較正ノードの位置は、必ずしも低密度ノードおよび／または高密度ノードの位置と同じになるようには選択されないが、偶然同じ位置になる場合がある。この較正プロセスにより、各較正ノードの信号強度分布を得ることが容易になる。２０４で、観測確率を生成し、各較正ノードで観測された信号強度に基づいて各高密度ノードに割り当てる。

２０６で、各高密度ノードの対の間の経路の制約情報、移動中／静止中の確率情報、および速度の分布データを使用して、遷移確率を生成し、各高密度ノードの対に割り当てる。２０８で、ヴィテルビアルゴリズムを使用してＨＨＭの要素を組み合わせて、観測されたすべての信号強度についてすべての高密度ノードに確率のセットを生成する。他のアルゴリズムを用いてもよい。次いで、２１０に示すように、各高密度ノードに、携帯機器がそのノードに位置する位置確率値を割り当てる。２１２に示すように、高密度のデータに基づいて補間を使用して、機器が高密度ノードに位置する、またはその近くにある尤度を求める。そしてこのプロセスは「終了（stop）」のブロックに達する。

次いで図３Ａに、システムをセットアップする者によって描かれた間取り図３００の低密度の位置ノードの図式表現を示す。間取りの構造３００によって課される経路の制約（壁やドア）を容易にするために、ここに開示する所在特定システム(location system)は、離散的な位置ノードの図式表現を提供する。最初に、図３Ａに表すように、ユーザは、較正する区域の間取り図３００を利用して、較正対象区域のすべての位置間の予想される歩行経路３０２を表す線を手動で描く。これにより、低密度ノードのネットワーク３０４（端点ノード（endpoint nodes）と中間の直線線分の端点ノードを含む）が間取り図３００に取り込まれる。

図３Ｂに、低密度ノードの間に自動的に点在させた高密度ノードを含む間取り図の図式表現を示す。データ収集アルゴリズムにより、ユーザが入力した空間的基準に従って、低密度位置ノードのセット中に高密度ノードのセットを自動的に計算し、分配させる。したがって、図３Ｂは、間取り図３００にマッピングされた離散的なノードの全セットを示しており、このセットは、高密度ノードで機器の所在を推測するために使用されるすべての低密度の位置ノードを含んでいる。太線３０８は、２つの位置ノード（３１０と３１２）を結ぶ最短経路を示す。エッジウエイト（すなわちノード間の接続）は、隣接する任意の２ノード間の距離として定義される。図３Ｃに、信号強度の読み取りを測定するための間取り図の較正ノード位置３１４の図式表現を示す。

ヴィテルビアルゴリズムを利用してすべてのデータが処理されると、その結果は、その機器がその位置にある、またはその位置の近くにある確率を示す、各位置ノード（３０４と３０６）に結び付けられた数値になる。

次いで図４に、ここに開示されるアーキテクチャのコンピュータ描画またはマッピングプログラムによって使用される低密度および高密度ノードを設定するプロセスの流れ図を示す。４００で、較正しようとする間取り図のコンピュータによるグラフィカルなビットマップ表現を生成する。建物の間取り図のビットマップを背景として表示する描画プログラムが提供される。間取り図のビットマップは、間取り図の電子データベースから、またはスキャンして取り込まれた設計図から得ることができる。ピクセル（画素）からフロア座標への変換は、ビットマップ中の対応する点と実際の間取り図とに基づく変換行列についての単純な最小二乗フィット法を用いて計算する。

４０２で、先に図３Ａに示したように、低密度ノードを配置するために、取られるであろう歩行経路の近似値を求める人間の経路線または進路のセットを、マッピングプログラムインターフェースを介して間取り図全体に手作業で描き込む。この進路は、ユーザが間取り図の区域中を移動する際に取られることが考えられるユーザと携帯機器の可能な歩行経路を表す。描画プログラムでユーザは間取り図に直線を描くことができ、その端点はある位置に固定するか、または先に描かれた線上の任意の位置につなぐ（hinge）ことができる。このプログラムはまた、線と端点を移動するための単純な編集コントロールも提供する。すべての経路線を描きこむと、プログラムは、４０４に示すように、各経路の直線の端点を１つの位置ノードとして処理することにより線を低密度ノードに変換する。

４０６で、マッピングプログラムが、ユーザによって提供された空間的基準に従って、間取り図のビットマップ全体にわたり低密度ノード間に高密度ノードを自動的に分配させる。例えば、間隔が１メートルである場合には、図３Ｂに示すようにこの間取り図には計３１７個の低密度ノードと高密度ノードの合計が生成される。

高密度ノードは、完全につながった双方向線図である線図(グラフ)を表し、すなわちすべてのノードがすべての他のノードにつながっている。４０８で、隣接する高密度ノードまでの最短経路をユークリッド距離として計算し、記憶する。図３Ｂに示すエッジは隣接ノード間のエッジのみであり、エッジウエイトは、ノード間のユークリッド距離である。４１０で、隣接しない高密度ノードを通る最短経路を最短経路アルゴリズムに従って計算し、記憶する。最短経路は、著名な科学者Edsger W．Dijkstraによる最短経路アルゴリズムを用いて計算される。隣接しないノードについては、エッジウエイトは、一続きの隣接ノードを通る最短経路距離になる。すべての距離は、後にＨＭＭで使用するために記憶される。

最短経路の距離は、間取り図の構造によって課される経路の制約を組み込む（embody）。例えば、図３Ｂに太線３１２で２つの部屋のおよその中心を結ぶ最短経路を示す。この経路は２つの端点（３１０と３１２）間の最短経路であり、この経路は、この２つの点の間を移動するには、機器は、はるかに短い直接のユークリッド距離とは対照的に、少なくともこの最短距離の長さを移動しなければならないという事実を包含している。形式上、ノードｉとｊの間の距離をｄ_ｉｊと称する。この距離は、後に線図中のすべてのノード間の現実的な遷移確率を計算するために使用される。遷移確率については下記でより詳細に説明する。

ノードが離散している性質により、所在を特定されるべき機器が、あらかじめ定義された低密度または高密度のノードのいずれにも正確には存在しない可能性があるという些細な問題が生じる。この課題は、ノードは互いとかなり近く（隣接するノードからの間隔はわずか１メートル）、最終的にはすべてのノード座標にわたる離散確率分布の予想値に基づいて連続的な位置推定を計算するという事実によって緩和される。ただし、将来開発される可能性がある位置に固有の各種応用例には、通例は、この解決で十分である。

位置の確率を計算する際、ＨＭＭに使用されるヴィテルビアルゴリズムにより、測定された信号強度の履歴に対して、ノードを通るすべての予想経路を最適化することにより最良の位置を探す。この過去の測定の考慮を実現する別の方式は、連続しているという利点を持つカルマンフィルタ（Kalman filter）を使用するものである。ただし、カルマンフィルタは、より一般的なＨＭＭの定式化で行われる、ここで課される種の経路の制約も、位置に対する多様な確率分布を表す能力も可能でない。ＨＭＭの定式化に代わる別の方式は、ロボットの位置決めに従来使用されているパーティクルフィルタ（particle filter）である。パーティクルフィルタは、同じ種類の制約を組み込むことができるが、計算コストがより高いというリスクがある。

携帯機器の移動の測定
先に述べたように、所在の推測では機器の動きの状態についての推測を考慮する。すなわち、高密度ノードの対間の遷移確率を利用するために、携帯機器の移動または移動の欠如を考慮しなければならない。したがって、機器が移動中である、または静止している尤度を求める必要がある。移動中の機器と静止している機器の判別は先験的に課題とされており、これは複数のＡＰからのＩＥＥＥ８０２．１１信号が、人々が複数のＡＰと機器の間にある区域を歩いていることなどの複数の要因により、システムが静止している時でも無秩序に信号強度が変化するためである。異なるＡＰからの信号が静止中にそのように「ちらつく（twinkle）」ことを考慮しても、ここに記載する方法は、短時間枠にわたる異なるＡＰからの信号の揺らぎの性質と程度を調べることにより、機器が移動中であるか静止しているかについての有用な推測を提供する。この方法の背後にある基本的な概念は、機器が静止している時よりも移動している時の方が、ＡＰからのより大きい信号強度の変動を統計的分析で利用できるということである。すなわち、信号強度は通例、機器が静止している時よりも移動している時に様々な形で変化するものと思われる。

次いで図６に、機器の動態の状態を割り出しするために使用される２状態のマルコフモデル（Markov model）６００の状態図を示す。同図に示すように、モデル６００は、移動中の状態６０２と静止状態６０４を含む。移動状態から静止状態への遷移６０６をａ_ＭＳと定義し、静止状態から移動状態への遷移６０８をａ_ＳＭと定義する。機器が移動状態を保っている時、これをａ_ＭＭとして定義されるループバック(折り返し)経路６１０で表す。同様に、機器が動きのない状態を保っている時、これをａ_ＳＳとして定義されるループバック経路６１２で表す。機器の動態の状態（移動と静止）についてのＨＭＭは、機器の所在のＨＭＭとは異なることに留意されたい。

平滑化しない状態確率
次いで図５の（Ａ）に、時間の経過とともに移動する機器の平滑化していない事後確率（posteriori probability）のグラフを示す。この確率は、時間の経過に伴う信号強度の変動を捕らえる機能に基づいて計算される。すなわち、所与の時間に最も強い信号を有するアクセスポイントを感知し、その所与の時間に終わる短い期間にわたるそのアクセスポイントの信号の変化を計算する。携帯型コンピュータ測定システムは、信号強度を測定しながら歩き回り、そして室内で立ち止まることを交互に行うことでラベル付けされた信号強度のセットを収集することによってトレーニングされたデータ収集プログラムを利用する。このプロセスを、信号強度を記録しながら３０分間にわたって行う。データ収集プログラムは、無線接続されたラップトップ機(ラップトップ型パソコン)が移動していたか否かも記録する。この変化を２０サンプルウィンドウで計算し、この結果、３．１６Ｈｚのサンプリングレートで１つのアクセスポイントにつきおよそ６３回の読み取りが行われることになる。

次いで図７に、上記で説明した静止している場合と移動している場合の分散のヒストグラム図７００を示す。

を使用して時間枠で区切られた現在の最大の信号強度の分散を表し、このヒストグラムを使用して条件付き確率分布

および

を表す。

の値を与えられて、移動している確率

と静止している確率

の推定を行う。ベイズ規則のクラシファイアを使用すると、クライアントが移動している事後確率は

であると言う事ができる。

ここで、ｐ（ｓｔｉｌｌ）とｐ（ｍｏｖｉｎｇ）は、機器の動態の状態の事前確率である。事前確率についての他の情報の代わりに、両方の確率を０．５に設定する。

トレーニングデータの数日後に取られた３２００回のテスト読み取りのセットについてのヒストグラムを使用して、機器が「静止」していたかまたは「移動中」であったかについての区分への分類が、データのおよそ８５％で正確に行われた。このようにして計算された時間の経過に伴う事後確率を図５の（Ａ）に示す。

ベイズ規則のクラシファイア（分類子）を使用する代わりに、本発明は各種の統計的分析を用いて本発明の各種態様を実施できることに留意されたい。例えば、同期プロセスのために選択すべきあて先を決定するプロセスは、自動的な分類システムとプロセスを利用して容易にすることができる。そのような分類では、確率的および／または統計に基づく分析（例えば有用性とコストを分析の考慮に入れる）を用いて、ユーザが自動的に行ってほしいと考える動作を予測または推測することができる。例えば、ベイジアン（Bayesian）ネットワークモデルまたはサポートベクトルマシン（ＳＶＭ）によるクラシファイアを用いることができる。別の分類方式は決定木を含む。本発明で使用する分類は、優先順位モデルを展開するために利用される統計的回帰も包含する。そのようなモデルは、最大の信号とその他の信号との関係の考慮、時間の経過に伴う複数の信号にわたる異なる分布モード、および相対的な強度の概念など、複数のＡＰからの信号にわたる分布の構造の詳細を含む全体的な変動を超える複数の観測事項を考慮することができる。

平滑化した状態確率
次いで図５の（Ｂ）に、時間の経過に伴って移動している機器の平滑化した事後確率のグラフを示す。３２００回のテスト点の時間の関数である平滑化していない移動中の確率

の図を図５の（Ａ）に示す。モデル化対象のプロセスを考えると、平滑化していない事後確率は高い状態から低い状態に過度に頻繁にジャンプすることが見て取れる。人々と携行される機器はこれほど頻繁には静止状態から移動状態に遷移しないことが分かっており、したがって、静止状態と移動状態を調整する明示的な遷移確率を課すことにより事後確率を平滑化することが望ましい。図５の（Ｃ）には、図５の（Ａ）の平滑化した確率図とおよび図５の（Ｂ）の平滑化していない確率図に対応する実際のデータを示す。

単に、時間Ｔにおける単一の特徴

からその時間における状態ｑ_Ｔの確率を推定しようとする代わりに、一続きの観測結果

から最も可能性の高い状態の連続Ｑ＝ｑ_１，ｑ_２，．．．，ｑ_Ｔを見つける。この場合は２つの可能な状態、すなわち静止状態と移動状態しかないので、したがってｑ_Ｔ∈｛Ｓ，Ｍ｝になる。簡潔にするために、一次のマルコフ仮定を使用して状態間の遷移を抑制し、これはすなわち現在の状態の確率が最も新しい状態を除くすべての状態から独立しており、したがってＰ（ｑ_１＋１＝ｊ｜ｑ_１＝ｉ）＝ａ_ｉｊとなることを意味する。ａ_ｉｊは遷移確率であり、ｉ，ｊ∈｛Ｓ，Ｍ｝である。

遷移確率は、人間の振る舞いについての仮定から推定することができる。人がｓ秒間にｍ回の移動を行うことが提案される。信号強度のサンプリングレートがｒの場合は、ｓ秒間に合計ｓ／ｒ個のサンプルが得られることになる。したがって、それらサンプルの１つで移動が生じる確率はｍｒ／ｓになる。静止から移動状態への各遷移（ＳＭ）に最終的には移動から静止状態への（ＭＳ）遷移が伴うと仮定すると、
ａ_ＳＭ＝ａ_ＭＳ＝ｍｉｎ（ｍｒ／ｓ，１）
ａ_ＳＳ＝１−ａ_ＳＭ （２）
ａ_ＭＭ＝１−ａ_ＭＳ
となる。

ｍｉｎ（）関数は、遷移確率を範囲内に維持する。ａ_ＳＳとａ_ＭＭの式は、ａ_ＳＳ＋ａ_ＳＭ＝ａ_ＭＭ＋ａ_ＭＳ＝１という制約から得られる。

一般的な会社員の場合は、１回の８時間勤務の日に１０回の移動（すなわちｍ＝１０）が行われると推定され、ｓ＝２８，８００秒になる。３．１６Ｈｚの無線信号強度表示（ＲＳＳＩ）のサンプリングレートでは、ｓ_ＳＭとｓ_ＭＳの値は次のように計算される。
ａ_ＳＭ＝ａ_ＭＳ＝０．００１１
ａ_ＳＳ＝ａ_ＭＭ＝０．９９８９ （３）

マルコフモデルの別の要素は、静止状態にある初期確率π_Ｓと移動状態にある初期確率π_Ｍである。他に情報がないので両方とも０．５に設定される。

状態を直接見ることができないことから、マルコフモデルは実際には「隠れて」いる。各サンプル時間ｔに観測されるのは、

であり、これは、

および

を通じて実際の状態に確率的に結び付けられる。

これで、ＨＭＭに必要なすべての要素、すなわち状態、遷移確率、初期状態確率、および観測確率が求められた。ヴィテルビアルゴリズムを使用して、現在の時間Ｔにおける事後状態確率ｐ（ｑ_Ｔ＝ｓｔｉｌｌ｜Ｏ）とｐ（ｑ_Ｔ＝ｍｏｖｉｎｇ｜Ｏ）を計算する。ヴィテルビアルゴリズムは、すべての過去の観測結果

に基づいて状態確率を計算する効率的な方法を提供する。このアルゴリズムは再帰的であり、そのため以前の観測結果の記憶を必要としない。したがって、このアルゴリズムをＴにおける観測で実行することにより、すべての以前の観測が自動的に考慮される。この効率性のために、ヴィテルビアルゴリズムはすべての新しい観測ごとに繰り返し実行する。

ＨＭＭを使用することの全体的な効果は、遷移確率により、システムが状態の条件付き確率密度

および

の些少な変化または短い変化が原因で状態が変化しにくくなることである。ただし、

の一部の値については、その

のヒストグラムの値域がトレーニング中に埋められないので、上記の密度の１つまたは両方がゼロに低下する。密度のうち１つだけがゼロになった場合は、反対の状態である証拠が弱くとも、また反対の状態に遷移する確率が非常に低くとも、当該状態である確率もゼロに低下する。決して完全ではないトレーニングデータのために時折発生するこうした状態の一時的な変化を平滑化するのを助けるために、状態の条件付き確率にわずかなオフセットを付加する標準的な数学的な試みを使用する。詳細には以下の通りである。

アルファはα＝０．０１になるように選択され、ＨＭＭのｐ（）の代わりにｐ（）を使用する。このオフセットは、確率密度の最も基本的な特性の１つ（積分すると１になる）に違反するが、平滑化の作業をはるかに良好にする。

上記で計算された遷移確率とαオフセットを用いて、３２００点のテストデータセットの各サンプルに状態の条件付き密度Ｐ（ｑ_Ｔ＝ｍｏｖｉｎｇ｜Ｏ）を計算する。図５の（Ｂ）にこの結果得られる図を示す。この図は、遷移確率と過去の状態の概念を使用することにより状態確率の変動が大きく減少することを示している。分類の誤り率は、ＨＭＭの平滑化を使用することにより約１５．５％から１２．６％に低下している。分類精度の利得はわずかであるが、実際の利得は、誤って報告される状態遷移が減少するという形で得られる。テストセットには１４回の実際の遷移があった。平滑化されていない分類では１７２回（１５８回過剰）の遷移が報告され、平滑化された分類では２４回の遷移（わずか１０回過剰）が報告される。偽の遷移を減らすことは、ワイヤレス機器の所在を特定する（ここに開示されるアーキテクチャの重要な態様である）のを助けることと、ユーザの状況を推測することの両方に重要である。状況に関しては、機器が移動中であると判断された場合は、恐らくはその機器を携行する者が２つの位置間を移動しており、会合中でもオフィスにいるのでもないことを意味する。

位置の遷移確率
先の項では、Ｗｉ−Ｆｉ機器が移動中である確率を計算する方法を説明した。これは、位置ノード間の遷移確率を計算する際の要素の１つであり、それらの要素は最終的には所在を計算するためのＨＭＭで使用される。性質上、近隣ノードへの遷移確率は、遠く離れたノードへの遷移確率よりも大きいことが求められる。動きを定量化するために、上記で説明した最短経路距離を人間が歩行する速度の確率分布と併せて使用する。より正確な速度の分布を得るには、先に説明したＨＭＭで平滑化した

の推定を用いる。

ノード間の速度
次いで人間が歩行する速度の確率分布を求める。オフィスビル内では、人々は大抵の場合は歩いて移動する。歩行速度の分布は、図８に示す従来の研究から得られる人間の歩行速度の分布の図を使用して近似することができる。この歩行速度の分布をここではP(walking speed｜moving)と数学的に表す。さらに人々は時にはすり足でゆっくり移動し、時には全力で走って移動することがある。この振る舞いを、ゼロから最大でおよそ１０．２２ｍ／秒（人間が走る最大の速度の推定）の範囲をとる速度の一様分布を用いてモデル化し、これを数学的にP(other speed｜moving)と表す。人が移動する時には、一部の時間ωは歩き、残りの時間は何らかの他の速度で費やすものと仮定する。ある人が移動しているとすると、その速度分布は次のようになる。
P(s｜moving)＝ωP(walking speed｜moving)＋(１−ω)P(other speed｜moving)
（５）
ｓはｍ／秒単位の速度を表し、ωは０．９であると想定する。

無条件のＰ（ｓ）は、先の項で述べた動態の推定から得られる、その者が移動中であるか静止しているかの確率を考慮に入れる。これをP(moving)およびP(still)と略記すると、Ｐ（ｓ）は次のように定義され
P(s)＝P(s｜moving)P(moving)＋P(s｜still)P(still)
（６）
ここで、人の歩行速度は静止時にはゼロなのでP(s｜still)＝δ（０）になる。δ（ｘ）はディラック（Dirac）のデルタ関数である。これにより、その人が移動していると考えられるか否かに基づいて人の歩行速度の確率分布が得られ、移動していると考えられる場合は、歩行速度および考えられる最大の走る速度の分布が得られる。

遷移確率
２つの位置ノード間の遷移確率は、人が、そのノード間の距離を横断するのに必要な速度で移動している確率に比例する。機器がノードｉからノードｊに移動した場合、その速度はｒｄ_ｉｊであったことになり、上記のように、ｒはＲＳＳＩのサンプリングレート（例えばここに開示する例では３．１６Ｈｚ）であり、ｄ_ｉｊは、２つのノード間の最短経路距離である。この速度を観測する確率はｐ_ｉｊ＝Ｐ（ｓ＝ｒｄ_ｉｊ）である。これらの確率は正規化して、あるノードから生じるすべての遷移確率を合計して１にしなければならない。したがって、遷移確率は

になり、Ｎ＝３１７は位置ノードの数である。これらは、ノードを通る最も可能性の高い経路を計算するために使用される遷移確率である。これらの確率は、間取り図のレイアウトと機器の速度について分かっていることを包含する。ａ_ｉｊは時間の経過とともに変化するｐ（ｍｏｖｉｎｇ）の関数なので、ａ_ｉｊは、時間ステップごとに再計算しなければならない。最も可能性の高い経路を計算するのに使用されるヴィテルビアルゴリズムは過去の遷移確率を記憶する必要がないので、必要な更新によってメモリ要件が増大することはない。

信号強度の観測尤度
位置を推測する際には、機器の信号強度を、以前に建物中の様々な位置ノードで較正の際に求められた信号強度の確率分布と比較する。この以前に認められた信号強度の分布は、分かっている較正ノードのセットに物理的に機器を持って行くことにより得られたデータに基づいて推定される。単純な実施では、較正のためにすべてのＮ＝３１７個の高密度の位置ノードをアクセスすることが必要となる。各較正点でおよそ６０秒かかるので、各位置ノードで較正を行うとコストが法外に高くなる。その代わりにはるかに少ない数の位置（この例では６３個）で較正の読み取りを行い、その読み取りを使用して高密度の位置ノードで補間を行う。これは、高密度の位置ノードのグラフ中で使用される点の数の約２０％で較正が行われたことを意味する。

信号強度分布の収集
以下で、間取り図に従って信号強度を収集する方法と、信号強度の確率分布をすべての高密度位置ノードに補間する方法を説明する。

次いで図９に、較正データの信号強度の記録を容易にするデータ収集プログラムのグラフィカルユーザインターフェース（ＧＵＩ）９００のスクリーンショット(画面例)を示す。ＧＵＩ９００は、図３Ａの間取り図とその部屋の図式表現９０２を容易に表示することができる。ユーザは、マウス、キーボード、あるいはその他の従来の入力装置を介して、フロアの表現９０２から（ｘ，ｙ）位置を選択することにより携帯型受信機器の位置を指示する。また、近隣にある送信機からの測定された信号強度の表現を表示する信号強度表示グラフ９０５を提示する信号強度のサブウィンドウ９０４も提示される。例えば、第１の棒グラフ９０６は、較正対象の現在のフロアにある送信機から信号が受信されたことを示す第１の色または塗りつぶしパターンを含む。棒グラフ９０６には、信号強度データ、その部屋が位置するフロア、および送信機がある部屋番号（すなわち１１３／３／３３２７）を示すデータ９０８が関連付けられている。この特定の例では、送信機は、建物番号（１１３）の３階（３）の部屋番号３３２７（９１０に図としても表す）にあったものである。

第２の棒グラフの識別９１２（図示しない）は、較正している現在のフロア以外のフロアにある送信機から受信された測定結果を示すために使用することができる。棒グラフ９１２は、建物１１３の４階にある部屋４３２７である部屋１１３／４／４３２７に関連付けられている。このＧＵＩは、そのようなインターフェース機能を提供する際に通常利用できる点滅するバー、テキスト、音声出力信号など、測定された信号に対する各種のグラフィックによる応答を提供するようにプログラムできることを理解されたい。

インターフェース９００は、位置入力のサブウィンドウ９１４も含み、このウィンドウで、ユーザは、地図拡大のサブウィンドウを介して間取り図を拡大し、フロア選択のサブウィンドウを介して較正するフロアを選択することができる。

インターフェース９００はさらに、信号検出のためのスキャンレート（単位Ｈｚ）を選択するスキャン制御のサブウィンドウ９１６を含む。ユーザは、ロギングパスのフィールド９１８を介して、データの記録を受信装置上のある場所に指示することができる。ユーザは、パスフィールド９１８に対応するネットワークパスを入力することにより、遠隔のネットワークストレージの場所を選択することもできる。入力されると、すべてのデータは、指示されたファイル位置に自動的に記憶される。

ＩＥＥＥ８０２．１１信号強度の分布は、無線接続されたラップトップコンピュータを建物内の様々な低密度較正ノードに持って行き、それらの場所で信号強度の測定を行うことによって収集した。その６３個の低密度ノードの場所を図３Ａに示す。携帯型コンピュータで、場所と信号強度の両方を記録するデータ収集プログラムを実行した。図９にそのインターフェースウィンドウの１つを示すこのプログラムにより、ユーザは、間取り図の地図上でクリックすることにより自分の場所を指示し、同時にすべての「見える」ＩＥＥＥ８０２．１１のアクセスポイントからの信号強度を記録することができる。この地図により、機器のおよその位置を較正のために指示することが容易になる。このような地図の使用に代わる方法は、フロア上の点を測定するものである。ただし、この方法は大きな建物を較正する場合には著しく時間がかかる。したがって、部屋の中心や通路が交差する点のように地図上で特定するのが容易な場所に立つことによって地図上の点を近似した。この較正を行う場所は、地図上で位置を選択することによって求められる場所と同等に正確であった。ただし、この方法は、展開がより大規模な場合に較正の手間を現実的なレベルまで軽減するために必要な妥協である。

図３Ｃに示す各較正位置ノードで、所定の位置で機器をゆっくり回転させながら信号強度の読み取りを６０秒間にわたって行った。回転させる態様は、方向の影響を考慮から除外するためである。これは、方向を明示的にモデル化し、記録する従来のシステムと対照的である。このデータを用いて、較正点ごとに、所与のアクセスポイントが見える確率と、そのアクセスポイントからの信号強度の確率分布とを記述する離散確率分布を構築した。数学的に表すと、較正点は

となり、建物のアクセスポイントはＡＰ_ｉ，ｉ＝１．．．Ｎ_ＡＰと表される。較正点

からアクセスポイントＡＰ_ｉを検出する確率は

である。この確率は、単に、その所与の較正ノードにおける較正中にそのアクセスポイントが検出された回数とすべてのアクセスポイントがスキャンされた回数との比によって推定した。（スキャンレート３．１６Ｈｚで６０秒間スキャンすると、すべての位置からすべてのアクセスポイントを約１９０回照会することになることに留意されたい。）この確率は、あるアクセスポイントの範囲外にある場合と範囲内にある場合に対応してゼロか１になることが予想される。ここに開示する実験では、図７に示すようにこの確率はゼロから１の間の値をとることが示され、図７には、すべてのアクセスポイントとすべての較正ノード位置で観測された

の値のヒストグラムを示す。この変動を考慮すると、この影響をモデル化することが重要である。

あるアクセスポイントからの信号が所与の位置から測定可能であった場合は、

を表す、信号強度の正規化したヒストグラムも構築した。ｓは信号強度であり、ｓ_ｋは、ヒストグラムの値域の境界である。この実施の場合、ｓ_ｋは３０段階で−１２０ｄＢｍから０ｄＢｍの範囲をとる。（ｄＢｍはデシベルミリワットを表し、ＩＥＥＥ８０２．１１の信号強度の一般的な単位であることに留意されたい。）較正の総合的な結果は、所与のアクセスポイントが所与の位置から見える頻度と、見える場合には信号強度の分布との両方を捉えた。これらの確率は、機器が観測する信号強度から機器の所在を推測するために使用される信号強度のサインを組み込んでいる。

信号強度の分布の補間
６３個の較正点は比較的広い間隔が空けられ、各地点から最も近い隣接地点までは平均して約２．６４メートルであった。較正ノードよりも密な間隔で配置された位置ノードのセットを用いてより高い空間分解度を達成することが望ましい。図３Ａに示すように、高密度の位置ノードは、較正ノードよりもはるかに密度が高い。密度の高い位置ノードのセットにわたって位置を推測するために、信号強度のサインを高密度の位置ノードそれぞれで計算する必要がある。これは、まばらな較正ノードのセットにおける確率分布をより密度の高い高密度ノードのセットに拡大する必要があることを意味する。これは、動径基底関数を使用して補間によって達成される。

較正ノードで得られた較正の測定結果から、それらの較正点における確率が分かる。すなわち、

は、較正点

から所与のアクセスポイントが見える確率を記述し、

は、較正点

でアクセスポイントＡＰ_ｉから見える信号強度の分布を記述する。求めようとするのは、高密度の位置ノード

における確率である。アクセスポイントの確率は、較正点でサンプリングされた連続関数と考えることができる。同様に、信号強度の分布の離散確率は、２次元空間の連続関数と考えることができる。補間を容易にするために、各較正点の信号強度の特性を、アクセスポイントの確率と較正点

からの信号強度の離散確率とからなるベクトル

で表す。より正確に言うと、Ｎ_ＡＰ個のアクセスポイントがあり、かつ信号強度がＫ個の値域に離散化されている（すなわちｓ_ｋ，ｋ＝１．．．Ｋ）場合には、ベクトル

は、所与のアクセスポイントが見える確率を表すＮ_ＡＰ個の要素と、各アクセスポイントの信号強度の分布を表すＫＮ_ＡＰ個の追加的要素を有する。（較正点

からアクセスポイントが見えなかった場合、そのアクセスポイントの信号強度分布はすべてゼロに設定する。）したがって、目標は、較正の対

から、高密度の位置ノード

の確率に補間することである。

この補間は、このような作業を行う場合に一般的な選択肢である正規化された動径基底関数（radial basis function）を使用して行う。動径基底関数の定式化は、較正点を中心とする２次元の基底関数のセットの加重和を作って、選択された地点ｘのｄベクトルのｋ番目の成分を生成する。

カーネル関数Ｋ（ｒ）の場合は、Ｋ（ｒ）＝exp（−r^２／σ^２）と選択される。いくらかの試験を行った後で、シグマは、良好な結果が得られたパラメータであるσ＝１．０に選択した。重みβ_ｊｋは、較正点に適合する標準的な最小二乗を用いて計算した。

すべての位置ノード

で動径基底関数を評価して、対応する確率パラメータのベクトル

を生成した。次いで、そのパラメータを抽出してアクセスポイントの確率

と信号強度の確率

を形成し、したがって、比較的まばらな較正点のセットにおける確率から、より密度の高い位置ノードのセットにおける推定確率に移行する。正規化した動径基底関数は、範囲［０，１］内の確率を生成することも、積分すると１になる確率分布を生成することも保証されていない。しかし、実際には、適正な範囲を回復するためにわずかな抑制（ｃｌａｍｐｉｎｇ）と正規化のみを行えばよいところまで近づいた。

ＨＭＭを用いた所在の推測
ＨＭＭの基本的な要素は、状態、初期状態確率、遷移確率、および観測確率に要約されている。位置のＨＭＭの状態は、描画プログラムで生成される高密度の位置ノード

である。機器が位置する可能性がある場所についての他のデータがない場合、初期状態確率π_ｉ，ｉ＝１．．．Ｎ_１は位置ノードに一様分配し、すなわちπ_ｉ＝１／Ｎ_１となる。遷移確率については上記で説明し、建物のレイアウト、予想される歩行者の速度、および機器が移動中であるか否かについての推測に影響される。観測確率は、これも上記で説明した補間した確率から得られる。

時間Ｔにおける位置を推測するために、機器は、すべてのアクセスポイントからの信号強度を求めてスキャンする。この結果は、インジケータベクトル

であり、Ｎ_ＡＰ個のアクセスポイントそれぞれにつき１つのブール要素がそのアクセスポイントが検出されたか否かを表す。もう一つの結果は、検出された各アクセスポイントの信号強度を与える信号強度のベクトル

である。これら２つのベクトル中の対応する要素が同じアクセスポイントに対応する。アクセスポイントが検出されなかった場合、そのアクセスポイントの信号強度の値は、その値が使用されないので任意の値とすることができる。位置

でこのスキャンが見える確率は

になる。

ここでＩ_Ｔｊは、

のｊ番目の要素を意味し、ｓ_Ｔｊは

のｊ番目の要素を意味する。この積の各被乗数は１つのアクセスポイントを表し、各アクセスポイントのスキャン結果がその他のアクセスポイントから独立していることを意味する。ｊ番目のアクセスポイントが見えた場合

、その被乗数は、そのアクセスポイントが観測された信号強度ｓ_Ｔｊで見える確率を表す。ｊ番目のアクセスポイントが見えなかった場合

は、この被乗数は、そのアクセスポイントが見えない確率を表す。

これらのＨＭＭ要素をヴィテルビアルゴリズムで組み合わせて、高密度の位置ノードにわたる状態確率のセット、すなわち

を生成する。最終的な位置の推定では、位置の予想値は次になる。

ここに開示されるアーキテクチャは、間取り図の例に対して使用されると、較正の手間を低減し、同時に精度(正確さ)を向上させることにより、従来のシステムを上回る著しい改良を提供する。位置ノードの制約と動態を入念にモデル化するので、従来のこの種のシステムと比べて較正が減るのにもかかわらず高い精度が維持される。ここで説明した例への応用では、煩瑣な較正の手間なしに約１．５３メートルの中心誤差が示された。位置以外にも、本システムは、機器が移動中か否かも推測する。移動の有無は、ユーザの状況を示す重要な指標となりうる。

ＩＥＥＥ８０２．１１の信号強度から位置を計算することは、多くのオフィス街空間にはすでにＩＥＥＥ８０２．１１のアクセスポイントが配線されており、無線ネットワークハードウェアを備えるモバイル機器が増加していくと予想されるので魅力的である。本明細書ではＩＥＥＥ８０２．１１の信号に適用したが、この新規のアーキテクチャは、上記で指摘したように他のタイプの位置の感知に容易に適用することができ、またセンサを融合するためのプラットフォームとして機能することもできる。

次いで図１０に、ここに開示されるアーキテクチャを実行するように動作することが可能なコンピュータのブロック図を示す。本発明の各種態様の追加的な関連事項を提供するために、図１０および以下の説明は、本発明の各種の態様を実施することが可能な適切なコンピューティング環境１０００についての簡潔で概略的な説明を提供する。本発明について上記では、１つまたは複数のコンピュータで実行することができるコンピュータ実行可能命令に概ね即して説明したが、当業者は、本発明は、他のプログラムモジュールと組み合わせて、かつ／またはハードウェアとソフトウェアの組合せとしても実施できることを理解されよう。一般に、プログラムモジュールには、特定のタスクを行うか、特定の抽象データ型を実施するルーチン、プログラム、コンポーネント、データ構造などが含まれる。さらに、当業者には理解されるように、本発明の方法は、単一プロセッサまたはマルチプロセッサのコンピュータシステム、ミニコンピュータ、メインフレームコンピュータ、パーソナルコンピュータ、ハンドヘルド型コンピューティングデバイス、マイクロプロセッサを利用した、あるいはプログラム可能な家庭電化製品などを含む他のコンピュータシステム構成を用いて実施することができ、これらはそれぞれ、１つまたは複数の関連のデバイスに動作的に結合することができる。ここに説明する本発明の態様は、通信ネットワークを通じてリンクされた遠隔の処理機器によって特定のタスクが行われる分散コンピューティング環境でも実施することができる。分散コンピューティング環境では、プログラムモジュールは、ローカルおよびリモート両方のメモリ記憶装置に配置することができる。

再度図１０を参照すると、本発明の各種態様を実施する典型的環境１０００はコンピュータ１００２を含み、コンピュータ１００２は、処理装置１００４、システムメモリ１００６、およびシステムバス１００８を含む。システムバス１００８は、これに限定しないがシステムメモリ１００６を含むシステム構成要素を処理装置１００４に結合する。処理装置１００４は、市販される各種のプロセッサのいずれでもよい。デュアルマイクロプロセッサおよびその他のマルチプロセッサアーキテクチャも処理装置１００４に用いることができる。

システムバス１００８は、各種の市販バスアーキテクチャを使用したメモリバスまたはメモリコントローラ、ペリフェラルバス、およびローカルバスを含む数種のバス構造のいずれでもよい。システムメモリ１００６は、読み取り専用メモリ（ＲＯＭ）１０１０およびランダムアクセスメモリ（ＲＡＭ）１０１２を含む。起動時などにコンピュータ１００２内の要素間の情報転送を助ける基本ルーチンを含んだ基本入出力システム（ＢＩＯＳ）は、ＲＯＭ１０１０に記憶される。

コンピュータ１００２はさらに、ハードディスクドライブ１０１４、磁気ディスクドライブ１０１６（例えば取り外し可能ディスク１０１８の読み書きを行う）、および光ディスクドライブ１０２０（例えばＣＤ−ＲＯＭディスク１０２２を読み取る、または他の光学媒体の読み書きを行う）を含む。ハードディスクドライブ１０１４、磁気ディスクドライブ１０１６、および光ディスクドライブ１０２０は、それぞれハードディスクドライブインターフェース１０２４、磁気ディスクドライブインターフェース１０２６、および光ドライブインターフェース１０２８によってシステムバス１００８に接続することができる。これらのドライブとそれに関連のコンピュータ可読媒体は、データ、データ構造、コンピュータ実行可能命令などの不揮発性の記憶を提供する。コンピュータ１００２の場合、これらのドライブと媒体は、適切なデジタルフォーマットによるブロードキャストプログラミングの記憶に対応する。上記のコンピュータ可読媒体の説明では、ハードディスク、取り外し可能磁気ディスク、およびＣＤを参照したが、当業者には、ｚｉｐドライブ、磁気カセット、フラッシュメモリカード、デジタルビデオディスク、カートリッジなど、コンピュータによる読み取りが可能な他のタイプの媒体もこの典型的動作環境で使用でき、さらにそのような媒体は、本発明の方法を実行するコンピュータ実行可能命令を保持できることが理解されよう。

ドライブとＲＡＭ１０１２には複数のプログラムモジュールを記憶することができ、これにはオペレーティングシステム１０３０、１つまたは複数のアプリケーションプログラム１０３２、他のプログラムモジュール１０３４、およびプログラムデータ１０３６が含まれる。本発明は、各種の市販されるオペレーティングシステムまたはオペレーティングシステムの組合せを用いて実施できることが理解されよう。

ユーザは、キーボード１０３８と、マウス１０４０などのポインティングデバイスを通じてコンピュータ１００２にコマンドと情報を入力することができる。他の入力装置（図示せず）としては、マイクロフォン、赤外線リモートコントロール、ジョイスティック、ゲームパッド、衛星受信アンテナ、スキャナなどが可能である。これらおよびその他の入力装置は、システムバス１００８に結合されたシリアルポートインターフェース１０４２を通じて処理装置１００４に接続されることが多いが、パラレルポート、ゲームポート、ユニバーサルシリアルバス（「ＵＳＢ」）、赤外線インターフェースなど他のインターフェースで接続することも可能である。モニタ１０４４または他のタイプの表示装置も、ビデオアダプタ１０４６などのインターフェースを介してシステムバス１００８に接続される。モニタ１０４４に加えて、コンピュータは通例、スピーカやプリンタなどの他の周辺出力装置（図示せず）を含む。

コンピュータ１００２は、リモートコンピュータ１０４８など１つまたは複数のリモートコンピュータとの論理接続を使用するネットワーク環境で動作することができる。リモートコンピュータ１０４８は、ワークステーション、サーバコンピュータ、ルータ、パーソナルコンピュータ、携帯型コンピュータ、マイクロプロセッサを利用した娯楽機器、ピアデバイス、またはその他の一般的なネットワークノードでよく、図を簡潔にするために図にはメモリ記憶装置１０５０しか示していないが、通例はコンピュータ１００２との関係で上述した要素の多くまたはすべてを含む。図の論理接続には、ローカルエリアネットワーク（ＬＡＮ）１０５２およびワイドエリアネットワーク（ＷＡＮ）１０５４が含まれる。このようなネットワーク環境は、オフィス、企業内のコンピュータネットワーク、イントラネット、およびインターネットに一般的に見られる。

ＬＡＮネットワーキング環境で使用する場合、コンピュータ１００２は、ネットワークインターフェースあるいはアダプタ１０５６を通じてローカルネットワーク１０５２に接続される。アダプタ１０５６は、ＬＡＮ１０５２との有線または無線通信を容易にすることができ、ＬＡＮ１０５２は、無線アダプタ１０５６と通信するために配置された無線アクセスポイントを含む。ＷＡＮネットワーキング環境で使用する場合、コンピュータ１００２は通例、モデム１０５８を含むか、ＬＡＮ上の通信サーバに接続されるか、インターネットなどのＷＡＮ１０５４を通じて通信を確立する他の手段を含む。モデム１０５８は内蔵型でも外付け型でもよく、シリアルポートインターフェース１０４２を介してシステムバス１００８に接続される。ネットワーク環境では、コンピュータ１００２に関連して図示するプログラムモジュールまたはその一部を遠隔のメモリ記憶装置１０５０に記憶することができる。図のネットワーク接続は例示的なものであり、コンピュータ間に通信リンクを確立する他の手段を使用してよいことは理解されよう。

次いで図１１に、本発明による典型的コンピューティング環境１１００の図式的なブロック図を示す。システム１１００は、１つまたは複数のクライアント１１０２を含む。クライアント１１０２は、ハードウェアおよび／またはソフトウェア（例えばスレッド、プロセス、コンピューティングデバイス）である。クライアント１１０２は、例えば、本発明を用いることにより、クッキー（cookie）および／または関連のコンテクスト情報を保持することができる。システム１１００は、１つまたは複数のサーバ１１０４も含む。サーバ１１０４もハードウェアおよび／またはソフトウェア（例えばスレッド、プロセス、コンピューティングデバイスなど）である。サーバ１１０４は、例えば、本発明を用いることにより変換を行うスレッド(thread)を保持することができる。クライアント１１０２とサーバ１１０４間の可能な通信の１つは、２つ以上のコンピュータプロセス間で送信されるように構成されたデータパケットの形態である。データパケットは、例えばクッキーおよび／または関連のコンテクスト情報を含むことができる。システム１１００は、クライアント１１０２とサーバ１１０４間の通信を容易にするために用いることができる通信フレームワーク１１０６（例えばインターネットなどの世界規模の通信ネットワーク）を含む。通信は、有線技術（光ファイバを含む）および／または無線技術を介して容易にすることができる。クライアント１１０２は、クライアント１１０２にとってローカルな情報（クッキーおよび／または関連のコンテクスト情報など）を記憶するために用いることができる１つまたは複数のクライアントデータストア１１０８に動作的に接続される。同様に、サーバ１１０４も、サーバ１１０４にとってローカルな情報を記憶するために用いることができる１つまたは複数のサーバデータストア１１１０に動作的に接続される。

上記の説明内容は、本発明の例を含む。言うまでもなく、本発明を説明するために構成要素または方法論の着想しうるすべての組合せを述べることは可能でなく、当業者には、多くのさらなる本発明の組合せと置換が可能であることを認識されよう。したがって、本発明は、特許請求の範囲に記載の要旨および特許請求の範囲内に含まれるそのような変更形態、修正形態、および変形形態をすべて包含するものとする。さらに、用語「〜を含む（ｉｎｃｌｕｄｅｓ）」が詳細な説明または特許請求の範囲内で使用される限りでは、用語「〜を備える（ｃｏｍｐｒｉｓｉｎｇ）」は特許請求の範囲内で用いられる場合には暫定的な単語と解釈されるので、用語「〜を備える」と同様「〜を含む」は包含的な意味とする。

本発明による所在と動態の割り出しを容易にするシステムのブロック図である。 本発明の確率コンポーネントのプロセスの流れ図である。 システムをセットアップする者によって描かれた間取り図上の低密度ノードの図式表現の図である。 間取り図の低密度ノードに自動的に追加された高密度ノードの図式表現の図である。 本発明のデータ収集システムによって提供される、信号強度の読み取りを得るために使用される間取り図の較正ノードの図式表現の図である。 ここで開示されるアーキテクチャのコンピュータ描画またはマッピングプログラムによって使用される低密度ノードおよび高密度ノードを設定するプロセスの流れ図である。 （Ａ）は機器が時間の経過と共に移動しているか否かについての未処理の平滑化されていない事後確率、（Ｂ）は機器が時間の経過と共に移動しているか否かについての平滑化された事後確率の図、（Ｃ）はそれら（Ａ）および（Ｂ）に関連の機器の実際の動きの状態を示す図である。 機器の動態の状態を割り出しするために使用される２状態のマルコフモデルの状態図である。 静止中の場合と移動している場合の分散のヒストグラム図である。 本発明で使用される人間が歩行する速度の通常の分布の図である。 較正データの信号強度ロギングを容易にするデータ収集プログラムのグラフィカルユーザインターフェースの画面例の図である。 ここで開示されるアーキテクチャを実行するように動作することが可能なコンピュータのブロック図である。 本発明に従う典型的なコンピューティング環境の概略的ブロック図である。

符号の説明

１０４ 信号強度
１０２ 測定コンポーネント
１０６ 確率的処理コンポーネント
１０８ 予想される位置（所在）の値
６０４ 静止
６０２ 移動中
１００４ 処理装置
１００６ システムメモリ
１０２４ インターフェース
１０２６ インターフェース
１０２８ インターフェース
１０４６ ビデオアダプタ
１０４２ シリアルポートインターフェース
１０５６ ネットワークアダプタ
１０５８ モデム
１０１４ ハードドライブ
１０１６ フロッピー（登録商標）ドライブ
１０１８ ディスク
１０２０ ＣＤ−ＲＯＭドライブ
１０２２ ディスク
１０３０ オペレーティングシステム
１０３２ アプリケーション
１０３４ モジュール
１０３６ データ
１０４４ モニタ
１０３８ キーボード
１０４０ マウス
１０４８ リモートコンピュータ
１０５０ 記憶装置
１１０６ 通信フレームワーク
１１０８ クライアントデータストア
１１０２ クライアント
１１０４ サーバ
１１１０ サーバデータストア

Claims (34)

1. モバイル機器の所在を割り出しするシステムであって、
   前記モバイル機器が使用される場所の地図に、前記地図上の個々の位置に関連付けられた低密度ノード、前記低密度ノード間を結ぶ前記地図中の歩行可能な経路、所定の空間的基準に従って前記低密度ノード間に点在させた高密度ノードをマッピングするマッピングコンポーネントと、
   前記低密度ノードそれぞれに関連付けられた較正ノードで受信される信号プロパティを測定して、前記位置をトレーニングする測定コンポーネントと、
   前記受信された信号プロパティに基づいて前記較正ノードそれぞれに信号強度の分布を生成し、
   前記歩行可能な経路の制約に基づいて、各高密度ノードの対に、前記モバイル機器が第１の高密度ノードから第２の高密度ノードに移動する確率を示す遷移確率を生成して割り当て、
   前記信号プロパティに基づいて、前記低密度ノードそれぞれに観測確率を生成して割り当て、
   前記信号強度分布、遷移確率、および観測確率を処理して、すべての高密度ノードにわたる確率分布を計算して、各高密度ノードに、前記モバイル機器が当該高密度ノードに位置する確率値を割り当て、
   前記高密度ノードの前記確率値に基づいて、前記高密度ノードの１つに前記モバイル機器がある、または前記高密度ノードの１つの近くにある確率を補間する
   確率処理コンポーネントと
   を備えることを特徴とするシステム。
2. 前記確率処理コンポーネントは、前記モバイル機器が現在移動中である確率を出力することを特徴とする請求項１に記載のシステム。
3. 前記確率処理コンポーネントは、前記モバイル機器が移動中の時と前記モバイル機器が静止している時の信号強度の分散を顧慮する統計的分析を用いることを特徴とする請求項１に記載のシステム。
4. 前記信号強度の分散は時間的に分析されることを特徴とする請求項３に記載のシステム。
5. 前記分析はさらに、前記分散の構造、時間の経過に伴う信号への異なる分布モード、および相対的な信号強度の少なくとも１つを考慮することを特徴とする請求項３に記載のシステム。
6. 前記信号プロパティは、ＩＥＥＥ８０２．１１機器から得られることを特徴とする請求項１に記載のシステム。
7. 前記信号プロパティは、従来の商業放送によって使用されるＡＭまたはＦＭラジオの無線放送から得られることを特徴とする請求項１に記載のシステム。
8. 前記確率処理コンポーネントは、隠れマルコフモデルを利用して状態遷移確率を求めることを特徴とする請求項１に記載のシステム。
9. 前記遷移確率は、最後に信号強度を測定してから経過した時間、前記高密度ノードの対間の距離、および前記モバイル機器が現在移動中である確率の関数であることを特徴とする請求項１に記載のシステム。
10. ノードの対間の最短経路は、前記ノードの対間にある物理的障害を考慮する、制約に影響される経路プラニングアルゴリズムに基づくことを特徴とする請求項１に記載のシステム。
11. 前記モバイル機器の予想される速度は、前記モバイル機器が移動中である尤度を推測することにより明示的に考慮されることを特徴とする請求項１に記載のシステム。
12. 前記モバイル機器の速度は、人間の歩行速度の確率分布の考慮に基づく予想速度と、動きの推測との少なくとも１つから計算されることを特徴とする請求項１に記載のシステム。
13. 前記確率処理コンポーネントは、ヴィテルビアルゴリズムを使用して確率分布を計算することを特徴とする請求項１に記載のシステム。
14. 前記確率処理コンポーネントは、無線送信機が前記ノードの１つから感知されると、前記無線送信機の信号強度の確率分布を自動的に記憶させることを特徴とする請求項１に記載のシステム。
15. 前記信号強度の確率分布は、前記ノードに関連付けられることを特徴とする請求項１４に記載のシステム。
16. 前記確率処理コンポーネントは、前記モバイル機器の所在を表す予想値を出力することを特徴とする請求項１に記載のシステム。
17. 前記マッピングコンポーネントは、前記ノード間の距離を求めることを特徴とする請求項１に記載のシステム。
18. 前記確率処理コンポーネントは、最大尤度復号アルゴリズムを使用して、前記測定された信号プロパティの履歴に対して、前記ノード間のすべての予想経路にわたって最適化することを特徴とする請求項１に記載のシステム。
19. 前記確率処理コンポーネントは、前記モバイル機器が移動中か静止中の少なくとも１つである尤度に基づいて前記モバイル機器の所在を割り出しすることを特徴とする請求項１に記載のシステム。
20. 前記確率処理コンポーネントは、ベイズ規則およびサポートベクトルマシンの少なくとも１つを使用して、前記モバイル機器が移動中である事後確率を求めることを特徴とする請求項１に記載のシステム。
21. 前記確率処理コンポーネントは、最も強い信号を有する無線送信機を感知し、その最大の信号の時間の経過に伴う分散を計算することにより、前記無線送信機の信号強度の変動を定量的に捉えることを特徴とする請求項１に記載のシステム。
22. 前記確率処理コンポーネントは、前記モバイル機器の事後確率データに平滑化操作を行うことを特徴とする請求項２０に記載のシステム。
23. 前記平滑化操作は、前記事後確率データに明示的な遷移確率を課すことによって達成され、前記明示的な遷移確率は、前記モバイル機器の静止状態と移動中の状態を制御することを特徴とする請求項２２に記載のシステム。
24. 前記確率処理コンポーネントは、前記モバイル機器の静止状態および移動中の状態、前記ノード間の遷移確率、前記モバイル機器の初期状態確率、前記ノード間の速度値、および前記ノードそれぞれにおける信号プロパティに基づく観測確率、の少なくとも１つを得ることを特徴とする請求項１に記載のシステム。
25. 前記確率処理コンポーネントは、前記ノードの確率分布を新しい位置に拡大する補間関数を使用することを特徴とする請求項１に記載のシステム。
26. 前記確率処理コンポーネントは、較正データを使用して、前記ノードに対する前記モバイル機器の所在の近似値を求めることを特徴とする請求項１に記載のシステム。
27. 前記確率処理コンポーネントは、時間の経過に伴う前記無線信号の１つまたは複数の変動の統計の分析に基づいて、前記モバイル機器が移動中であるか静止しているかの尤度を直接的に推測することを特徴とする請求項１に記載のシステム。
28. 前記確率処理コンポーネントは、時間の経過に伴う前記無線信号の１つまたは複数の変動の統計の分析に基づいて、前記モバイル機器の速度にわたる確率分布を直接的に推測することを特徴とする請求項１に記載のシステム。
29. 前記確率処理コンポーネントは、少なくとも部分的には前記信号強度データに基づく回帰関数を使用して前記モバイル機器の動きおよび位置の少なくとも１つを割り出し、前記回帰関数は、前記信号強度データに基づいて新しい位置を推定することを特徴とする請求項１に記載のシステム。
30. 前記マッピングコンポーネントは、隣接するノードおよび非隣接ノードにエッジウエイトを割り当てる能力を提供することを特徴とする請求項１に記載のシステム。
31. 前記測定コンポーネントは、前記ノードを含む区域全体にわたって位置をずらされた、ネットワーク化された送信デバイスの信号強度を測定することを特徴とする請求項１に記載のシステム。
32. モバイル機器の所在を割り出しする方法であって、
    前記モバイル機器が使用される場所の地図を生成するステップと、
    前記地図上の個々の位置にそれぞれが関連付けられた低密度ノードを前記地図に取り込むステップと、
    前記低密度ノード間を結ぶ前記地図中の歩行可能な経路を前記地図に取り込むステップと、
    前記低密度ノードそれぞれに関連付けられた較正ノードで受信される信号プロパティを測定することにより前記位置をトレーニングするステップと、
    前記受信された信号プロパティに基づいて前記較正ノードそれぞれに信号強度の分布を生成するステップと、
    所定の空間的基準に従って、前記低密度ノード間に点在させた高密度ノードを前記地図に取り込むステップと、
    前記歩行可能な経路の制約に基づいて、各高密度ノードの対に、前記モバイル機器が第１の高密度ノードから第２の高密度ノードに移動する確率を示す遷移確率を生成して割り当てるステップと、
    前記信号プロパティに基づいて、前記低密度ノードそれぞれに観測確率を生成して割り当てるステップと、
    前記信号強度分布、遷移確率、および観測確率を処理して、すべての高密度ノードにわたる確率分布を計算して、各高密度ノードの、前記モバイル機器が当該高密度ノードに位置する確率値を生成するステップと、
    前記高密度ノードの前記確率値に基づいて、前記高密度ノードの１つに前記モバイル機器がある、または前記高密度ノードの１つの近くにある確率を補間するステップと
    を備えることを特徴とする方法。
33. 高密度ノードと低密度ノード間の遷移確率を生成するステップをさらに備えることを特徴とする請求項３２に記載の方法。
34. 前記モバイル機器の所在は、建物のフロアに対して近似されることを特徴とする請求項３２に記載の方法。

Images