JP6562933B2 - ターゲットゾーンにおける無線ユーザ設備デバイスの位置決め - Google Patents

Description

位置決め情報は、様々な位置に基づくサービス（例えば、ナビゲーション、モバイルコマース、など）のためにますます活用されている。それらの位置に基づくサービスは、多数のコンピューティングアプリケーションを可能にするよう、モバイルデバイスの位置に関する情報を利用する。しばしば、モバイルデバイスの位置は、ほとんどのデバイスがＧＰＳ受信機を装備されているという事実により、既存のグローバルポジショニングシステム（ＧＰＳ；global positioning system）（すなわち、ＧＰＳ衛星）の使用を通じて取得されてよい。

しかし、ある環境（例えば、屋内環境）では、ＧＰＳ信号は利用可能でない。ＧＰＳ信号を遮る建物及び同様の物は、位置決めのために使用されるＧＰＳ信号をしばしば利用できなくする。このことは、他の非ＧＰＳアプローチによるモバイルデバイスの位置決めに対する研究活動へとつながっている。少なくとも１つのアプローチは、利用できないＧＰＳ信号の代わりに、利用可能な無線周波数（ＲＦ；radio-frequency）信号に基づき位置決めを可能にするよう、Ｗｉ−Ｆｉ（登録商標）アクセスポイントの既存のインフラストラクチャを活用することである。Ｗｉ−Ｆｉインフラストラクチャは、広く展開されたインフラストラクチャであり、従って、Ｗｉ−Ｆｉ信号の性質を保つ局所性により位置決めに適している。

Ｗｉ−Ｆｉに基づく位置決めに使用される２つの技術、すなわち、（１）フィンガープリントに基づく位置決め、及び（２）モデルに基づく位置決め、が一般に存在する。フィンガープリントに基づく位置決めは、観測されたＷｉ−Ｆｉサンプルを、多数の収集されたＷｉ−Ｆｉサンプル及びそれらの関連する位置を含む位置データベースと比較することによって、デバイスの位置を推測する。信号クエリに最も良く適合するＷｉ−Ｆｉサンプルが、位置決めのために使用される。しかし、フィンガープリントに基づく位置決めは、正確な位置決めのための十分なトレーニングサンプルを含む位置データベースを構築するために、大規模且つ費用がかかる、配置前の労力を必要とする。

モデルに基づく位置決めは、他方で、トレーニングサンプルの密度にそれほど依存しない。然るに、モデルに基づく位置決めに使用されるトレーニングサンプルの数は、フィンガープリントに基づく位置決め方法と比べて大いに削減され得る。これにより、はるかに安価なシステムが得られる。モデルに基づく位置決めは、領域内の様々な場所での受信信号強度（ＲＳＳ；received signal strength）を予測するためにＷｉ−Ｆｉアクセスポイント（ＡＰ；access point）のモデルパラメータを得るよう、Ｗｉ−Ｆｉ信号の信号伝搬モデル（例えば、長距離経路損失（ＬＤＰＬ；long-distance path loss）モデル）を使用することによって働く。その後に、あるＷｉ−Ｆｉ観測を伴った位置クエリは、Ｗｉ−Ｆｉ観測を信号伝搬モデルに最も良く適合させる位置に決定されてよい。

モデルに基づく位置決めアプローチは、配置前の労力及びシステムの関連費用を、フィンガープリントに基づく位置決めと比べて大いに削減するが、既存のモデルに基づくアプローチは、夫々のＡＰについて領域全体（例えば、屋内環境）内の位置決めのために単一の（“大域的な”）モデルを利用する。大域的な経路損失モデルは、ＲＳＳが所与のＷｉ−ＦｉＡＰからの距離の増大とともに一様に低下すべきとの前提を反映するよう、単一の経路損失定数を使用する。しかし、Ｗｉ−Ｆｉ信号の伝搬に完全に作用し得る多くの環境（例えば、壁、間仕切りで小さく区切った場所、歩行者、など）の複雑性により、この前提は多くの環境で当てはまらず、複雑な性質を持つ環境の異なるサブエリアにわたって一様でないモデル適応を生じさせる。言い換えると、領域全体のための大域的な信号伝搬モデルを使用するモデルに基づく位置決めは簡素化されすぎており、モデルに基づく位置決めシステムの次善の性能をもたらす。

本願では、ゾーンフレームワークに少なくとも部分的に基づき、無線に基づく位置決めを実施する技術及びシステムが記載される。領域（すなわち、表面又は空間）は複数のゾーンに分けられてよく、１つ以上の信号伝搬モデルが夫々のゾーン内の１つ以上の無線アクセスポイント（ＡＰ）のために生成されてよい。結果として、ゾーンごとに改善されたモデル適応を可能にするゾーン信号伝搬モデルの組が得られ、領域内の無線通信デバイスの位置決めを実施する際の改善された精度をもたらす。本願で開示される実施形態は、既存の無線通信インフラストラクチャを含む如何なる環境でも利用されてよい。本願で記載される技術及びシステムは、ＧＰＳ信号が通常は利用不可能である屋内環境に関してしばしば提示されるが、本願で開示される実施形態は、利用可能なＧＰＳ信号の存在にかかわらず、無線通信インフラストラクチャが利用可能である屋外環境に同様に適用可能である。よって、本願で記載される技術及びシステムは、屋内の位置決めに制限されない。

いくつかの実施形態において、未知の場所にある無線通信デバイスの位置決めを実施する、コンピュータにより実施されるプロセスは、無線通信デバイスに関連する位置クエリを受け、領域の複数の利用可能なゾーンの中からターゲットゾーンを選択し、ターゲットゾーンに関連する信号伝搬モデル（すなわち、ゾーンモデル）又はフィンガープリントに基づく位置決めのうちの１つに少なくとも部分的に基づき無線通信デバイスの位置を推定することを含む。

いくつかの実施形態において、ゾーンフレームワークに基づく位置決めを実施するよう構成されるシステムは、１つ以上のプロセッサと、次のコンポーネント、すなわち、無線通信デバイスに関連する位置クエリを受けるゾーン位置決めコンポーネント、及び領域の複数の利用可能なゾーンの中からターゲットゾーンを選択するゾーン選択コンポーネントを備えた１つ以上のメモリとを含む。ゾーン位置決めコンポーネントは、ターゲットゾーンに関連する信号伝搬モデル又はフィンガープリントに基づく位置決めのうちの１つに少なくとも部分的に基づき無線通信デバイスの位置を推定するよう構成されてよい。

ゾーン位置決めを容易にするために領域を複数のゾーンに分けるゾーンフレームワークを利用することによって、性能（すなわち、位置決め精度）は、無線通信デバイスからの如何なる所与の位置クエリについてもより良いモデル適応を達成することで、改善され得る。十分なトレーニングデータが、無線ＡＰのための有効なゾーン信号伝搬モデルの生成を可能にするために利用可能である限りは、ゾーンフレームワークは、如何なる所与の無線通信インフラストラクチャによってもモデルに基づく位置決めを改善する。加えて、より密なトレーニングデータは、開示されているゾーンフレームワークの性能を更に改善するが、本願で開示される実施形態は、利用可能なトレーニングデータが最小限であっても、高い精度の位置決めに適している。

この概要は、以下詳細な説明で更に記載される選ばれた概念を簡単に紹介するために設けられている。この概要は、請求されている対象の重要な特徴又は必須の特徴を特定するよう意図されておらず、請求されている対象の適用範囲を制限するために使用されるようにも意図されていない。

詳細な説明は、添付の図を参照して記載される。図において、参照番号の最左の数字は、その参照番号が最初に現れる図を特定する。異なる図における同じ参照番号は、類似した又は同じ項目を示す。

ゾーン信号伝搬モデルを使用した無線に基づく位置決め技術による使用のために複数のゾーンに分けられ得る領域を例示する。

例となる位置決めサーバを表すブロック図を含め、ゾーンフレームワークを使用した無線に基づく位置決めを実施するアーキテクチャを例示する。

ゾーンモデルトレーニングのためのプロセスの実例のフロー図である。

ゾーン位置決めのためのプロセスの実例のフロー図である。

ゾーン位置決めの間にターゲットゾーンを選択するプロセスの実例のフロー図である。

ゾーン位置決めのためのターゲットフロアを決定するプロセスの実例のフロー図とともに、複数のフロアから成る領域の図を例示する。

デバイス利得ダイバーシティ補償のためのプロセスの実例のフロー図である。

本開示の実施形態は、とりわけ、ゾーンフレームワークを使用した無線に基づく位置決めを実施する技術及びシステムに向けられている。本願で記載される技術及びシステムは、多数の方法で実装されてよい。例となる実施は、図を参照して以下で与えられる。

［例となる領域及びゾーン分割］
図１は、ゾーン信号伝搬モデルを使用した無線に基づく位置決め技術による使用のために複数のゾーン１０２（１）、１０２（２）、・・・、１０２（Ｎ）に分けられ得る領域１００を例示する。図１は、屋内環境（例えば、オフィス建物）を表す２次元（２Ｄ）領域として領域１００を示す。なお、当然ながら、本願で使用される領域は屋内領域に制限されず、無線通信インフラストラクチャを配備された屋外領域も、開示されている技術及びシステムから恩恵を受け得る。領域１００は２Ｄ領域として表されているが、領域１００は３次元（３Ｄ）空間を有し、場合により、ゾーンに分けられるべき領域１００のサブ部分として扱われ得る複数のレベル（例えば、フロア）を含む。領域１００内に含まれている如何なる２Ｄ表面も、平坦又は湾曲、連続又は不連続、且つ、あらゆるサイズ及び／又は形状であってよい。図１は、形状が長方形（多くの屋内環境で典型的である。）であるものとして領域１００を示す。

図１の領域１００は、環境に存在する壁、扉、間仕切りで小さく区切った場所（cubicles）（以下、「小個室」と呼ぶ。）、パーティション、ガラス窓、及び人々（一般に、本願では“オブジェクト”と呼ばれる。）に関して“複雑な”性質を含むことが示されている。それに反して、如何なるオブジェクトも配置されていない完全に空の屋内空間は、簡単且つ一様である、又は別な言い方では、“複雑でない”領域１００と見なされてよい。

領域１００は、領域１００の全体にわたって様々な場所に配置されている複数の無線アクセスポイント（ＡＰ）１０４（１）、１０４（２）、・・・、１０４（Ｐ）（例えば、Ｗｉ−ＦｉＡＰ）を更に含んでよい。無線ＡＰ１０４（１）〜（Ｐ）（ときどき、本願では“Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）”と呼ばれる。）は、無線通信デバイス（例えば、携帯電話機、タブレット、など）のグループを無線ローカルエリアネットワーク（ＬＡＮ；local area network）へ接続するよう構成される無線周波数（ＲＦ）送信機として働く。Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）は、接続されている無線通信デバイスと、接続されている有線デバイスとの間でデータを中継するよう構成されるネットワークハブ（例えば、Ｅｔｈｅｒｎｅｔ（登録商標）ハブ又はスイッチ）として働いてよい。このセットアップは、複数の無線通信デバイスが他の有線及び無線通信デバイスとの通信のために有線接続を利用することを可能にする。

いくつかの実施形態において、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）は、ルータ機能、又はＥｔｈｅｒｎｅｔスイッチ自体として働くことによるハブ／スイッチング機能、のような他の機能も組み込んでよい。他の実施形態において、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）は、無線データを単に送信及び受信する“シン（thin）”ＡＰであってよい。一般に、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）は、ＩＥＥＥ８０２．１１標準によって定義される周波数を介した通信をサポートするが、利用可能なインフラストラクチャによる如何なる適切な無線通信プロトコルも、本願で開示される技術及びシステムとともに使用されてよい。ＩＥＥＥ８０２．１１標準に基づくＷｉ−ＦｉＡＰは、広く展開されており、従って、図１に示されるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）としての使用のために考えられている。よって、Ｗｉ−ＦｉＡＰは、ネットワークへのアクセスを提供する無線通信トランシーバデバイス（すなわち、アクセスポイント）である。更には、Ｗｉ−Ｆｉ対応デバイスは、他の同様のデバイス及びＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）とデータを交換するために無線ローカルエリアネットワーク（ＷＬＡＮ）通信を使用する無線通信デバイスを言う。ＷＬＡＮ通信は、ＩＥＥＥ８０２．１１標準によって定義される周波数を介して実施されてよい。

図１は、領域１００の少なくとも一部分にわたって観測されている複数の無線通信サンプル１０６（１）、１０６（２）、・・・、１０６（Ｑ）（ときどき、本願では“Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）”と呼ばれる。）を更に表す。特に、Ｗｉ−Ｆｉ対応デバイス（例えば、携帯電話機、タブレット、など）を持ち運び、領域１００にわたって位置しているユーザは、その様々な場所で彼らが見ることができるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の一つ一つに対応する受信信号強度（ＲＳＳ）測定を記録する。いくつかの実施形態において、Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）は、Ｗｉ−Ｆｉサンプル１０６を捕捉するＷｉ−Ｆｉ対応デバイスによって確認される夫々のＷｉ−ＦｉＡＰ１０４について＜位置，ＲＳＳ＞タプルを示す。Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）の夫々のサイズ（図１では様々なサイズのバブルとして示されている。）は、その位置でのＷｉ−Ｆｉ信号強度に関するＲＳＳ測定を示す。すなわち、図１に示される夫々のＷｉ−Ｆｉサンプル１０６（１）〜（Ｑ）のバブルが大きければ大きいほど、ＲＳＳ測定はますます大きくなる。然るに、Ｗｉ−Ｆｉサンプル１０６（１）、１０６（２）、・・・、１０６（Ｑ）の夫々は、特定の場所での無線通信信号の強さを示す無線通信サンプルである。

夫々のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）についてのモデルパラメータは、Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）によって報告される情報から、経路損失信号伝搬モデル（例えば、ＬＤＰＬモデル）について計算され得るので、図１に示されるＷｉ−Ｆｉサンプル１０６（１）〜（Ｑ）は、モデルに基づく位置決めのためのトレーニングデータを構成してよい。本願の実施形態は、主として、ＬＤＰＬモデルを使用することを参照して記載されるが、線形モデルのような他のモデルが、システムの基本特性を変更せずに本願で利用されてよい。一般に、Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）は、位置決めサーバへ報告され、ゾーン信号伝搬モデルをトレーニングするために且つゾーンモデルを用いてＷｉ−Ｆｉ対応デバイスの位置決めを実施するために使用されてよい。

本願で記載される技術及びシステムは、領域１００が区分又は分割される複数のゾーン１０２（１）〜（Ｎ）に基づくゾーンフレームワークを使用する。図１は、第１のゾーン１０２（１）が、複数の小個室を含む領域１００のサブ領域を包含し、一方、第２のゾーン１０２（２）が、人々が領域１００を横断する廊下又は歩行経路／通路である他のサブ領域を包含し、Ｎ番目のゾーン１０２（Ｎ）が会議室を包含することを示す。図１に示されるゾーン分割は、領域１００が複数のゾーン１０２（１）〜（Ｎ）に分けられ得る様式のほんの一例であり、当然ながら、領域１００を複数のゾーン１０２（１）〜（Ｎ）に分けるための様々な適切な技術が、本願で開示されるシステムの基本特性を変更することなしに考えられている。様々なゾーン分割技術の例は、以下で更に詳細に論じられる。

本願の実施形態に従って、ゾーン信号伝搬モデルは、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）について、各々のゾーン１０２（１）〜（Ｎ）からの観測に基づき生成又は構築されてよい。一般に、有効なゾーン信号伝搬モデルは、特定のゾーン１０２内で観測される閾数のトレーニングサンプルから生成されてよい。いくつかの実施形態において、観測されるべきトレーニングサンプルの閾数は、５つのトレーニングサンプルである。５つのトレーニングサンプルという、この閾数は、各々のゾーン信号伝搬モデルを構築する際に解かれるべきＬＤＰＬモデルの４つのパラメータが一般に存在するという事実に主として基づく。次の式（１）は、いずれかの所与のゾーン信号伝搬モデルのために使用され得るＬＤＰＬ式を示す：

式（１）において、ｐ_ｉｊは、ｉ番目のＷｉ−ＦｉＡＰ１０４から離れたある未知の位置ｊにあるＷｉ−Ｆｉ対応デバイスで確認されるＲＳＳ測定（例えば、デシベル−ミリワット（ｄＢｍ）で測定される。）を表す。Ｐ_ｉは、ｉ番目のＷｉ−ＦｉＡＰ１０４の基準点（通常、ＡＰから１メートル離れている。）で測定されるＲＳＳであり、γ_ｉは経路損失定数（すなわち、ｉ番目のＷｉ−ＦｉＡＰ１０４の近くでのＲＳＳの低下の割合）である。ｄ_ｉｊは、位置ｊにあるＷｉ−Ｆｉ対応デバイスからｉ番目のＷｉ−ＦｉＡＰ１０４までの距離であり、Ｒは、マルチパス効果によるＲＳＳの変動をモデリングするために使用されるランダム定数である。夫々のゾーン１０２（１）〜（Ｎ）について閾数（式（１）の場合には、５つ）のＷｉ−Ｆｉサンプル１０６（１）〜（Ｑ）を集めた後、夫々のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）についてのパラメータの組は、次の式（２）に従って、平均モデル適応エラーを最小化することによって計算されてよい：

式（２）において、ｋは、モデルが生成されることになっている各々のゾーン１０２で観測されるＷｉ−Ｆｉサンプル１０６（１）〜（Ｑ）の数である。然るに、１つ以上のゾーンモデルは、領域１００内の夫々のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）についてトレーニングされてよい。然るに、如何なる所与のＷｉ−ＦｉＡＰ１０４も、Ｗｉ−Ｆｉ対応デバイスがその所与のＷｉ−ＦｉＡＰ１０４を複数のゾーン１０２（１）〜（Ｎ）の中の異なるゾーンから見ることができるので、複数のゾーンモデルを有してよい。反対に、所与のＷｉ−ＦｉＡＰ１０４は、有効なゾーンモデルを構築するために利用可能な十分なトレーニングデータがない場合には、如何なるゾーンモデルにも関連付けられなくてよい。

いくつかの実施形態において、フォールバック措置は、領域１００におけるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の特定の一つ一つについて大域モデルをトレーニングすることによってとられてよい。そのような大域モデルは、少なくとも１つのゾーン１０２についてのゾーン信号伝搬モデルに関連付けられていないＷｉ−ＦｉＡＰ１０４のために使用されてよい。例えば、特定のゾーン１０２内の所与のＷｉ−ＦｉＡＰ１０４について、その特定のゾーン１０２内のＷｉ−Ｆｉサンプル１０６の数が不十分であり（例えば、有効なゾーンモデルに必要なサンプルの閾数を下回る。）、一方、所与のＷｉ−ＦｉＡＰ１０４から見えるところにおける全てのＷｉ−Ｆｉサンプルの数が十分（例えば、閾数以上）である場合には、大域モデルは、所与のＷｉ−ＦｉＡＰ１０４についてトレーニングされ、特定のゾーン１０２に関連付けられてよい。然るに、Ｗｉ−Ｆｉサンプル１０６の数は、ゾーン１０２（１）〜（Ｎ）のうちの他のゾーンについて不十分であっても、ゾーン１０２（１）〜（Ｎ）のうちの一部のゾーンについて十分であることがある。例えば、領域が１０個のＷｉ−Ｆｉサンプル（１）〜（Ｑ）を含み、そのうちの６個は第１のゾーン１０２（１）にあり、残り４個は第２のゾーン１０２（２）にあるならば、第１のゾーン１０２（１）は、６個のサンプル１０６がゾーンモデル生成のために十分である場合に、その第１のゾーンについて生成されたゾーンモデルを有してよく、一方、第２のゾーン１０２（２）は、１０個全てのＷｉ−Ｆｉサンプル（１）〜（Ｑ）に基づくトレーニングされた大域モデルを使用することに後退してよい。

［例となるアーキテクチャ］
図２は、ゾーンフレームワークを使用した無線に基づく位置決めを実施するアーキテクチャ２００を例示する。アーキテクチャ２００において、１人以上のユーザ２０２は、モバイル無線通信コンピュータデバイス（“無線通信デバイス”又は“Ｗｉ−Ｆｉ対応デバイス”）２０４（１）、２０４（２）、・・・、２０４（Ｎ）に関連付けられる。デバイス２０４（１）〜（Ｎ）は、ゾーン（及び大域）モデルトレーニングを支援するよう、且つ、無線対応デバイス２０４（１）〜（Ｎ）の位置決めを助けるよう構成される。モデルトレーニングを可能にするよう、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）は、その範囲内にある、図１に示されるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）のようなＷｉ−ＦｉＡＰをスキャンするよう、且つ、領域（例えば、図１の領域１００）にわたる様々な場所でそれらが見ることができる（すなわち、範囲内にある）Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）に対応するＲＳＳ測定を受信及び記録するよう構成されてよい。Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）は、そのようなＲＳＳ測定に基づくＷｉ−Ｆｉサンプル２０６を１つ以上の位置決めサーバ２０８（１）、２０８（２）、・・・、２０８（Ｐ）へネットワーク２１０を介して送信してよい。それらのＷｉ−Ｆｉサンプル２０６は、ゾーン及び大域信号伝搬モデルをトレーニングするためのトレーニングデータとして使用されるＲＳＳ測定の観測を有してよい。

なお、位置決めプロセスを容易にするよう、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）は、現在の位置又は場所を決定するためにＷｉ−Ｆｉサンプル２０６の形で位置クエリを位置決めサーバ２０８（１）〜（Ｐ）へ送信するよう単に構成されてよい。トレーニングプロセス又は位置決めプロセスのいずれにおいても、Ｗｉ−Ｆｉサンプル２０６の検出及びネットワーク２１０を介した送信は、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）が情報を周期的にスキャンして位置決めサーバ２０８（１）〜（Ｐ）へ転送するプッシュモデルとして、あるいは、位置決めサーバ２０８（１）〜（Ｐ）がスキャンを要求するプルモデルとして、実装されてよい。

Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）は、ラップトップコンピュータ、ポータブルデジタルアシスタント（ＰＤＡ；portable digital assistant）、携帯電話機、タブレットコンピュータ、ポータブルメディアプレイヤー、ポータブルゲーム機、スマートウォッチ、などを含む、いくつのコンピュータデバイスとしても実施されてよい。夫々のクライアントコンピュータデバイス２０４（１）〜（Ｎ）は、１つ以上のプロセッサと、アプリケーション及びデータを記憶するメモリとを備えられている。いくつかの実施形態に従って、位置決めアプリケーションはメモリに記憶されており、Ｗｉ−Ｆｉサンプル２０６を位置決めサーバ２０８（１）〜（Ｐ）へ供給し、且つ／あるいは、例えば、トレーニングされたゾーン（及び大域）信号伝搬モデルがネットワーク２１０上で位置決めサーバ２０８（１）〜（Ｐ）からダウンロードされ得る場合に、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）で位置決めプロセスを実行するよう、１つ以上のプロセッサで実行される。このようにして、モデルトレーニングは位置決めサーバ２０８（１）〜（Ｐ）で実施されてよく、一方、位置決めはＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）で実施されてよい。代替的に、トレーニング及び位置決めのいずれもが位置決めサーバ２０８（１）〜（Ｐ）で実施されてよい。

ネットワーク２１０はウェブベースのシステムに関して記載されているが、他のタイプのクライアント／サーバベースの通信及び関連するアプリケーションロジックが使用されてよい。ネットワーク２１０は、ケーブルネットワーク、インターネット、ローカルエリアネットワーク、携帯電話網、ワイドエリアネットワーク及び無線ネットワーク、又はそのようなネットワークの組み合わせのような、多種多様なネットワークを表す。

位置決めサーバ２０８（１）〜（Ｐ）は、大方はサーバファーム又はサーバクラスタとして配置される１つ以上のサーバを有してよい。他のサーバアーキテクチャも、位置決めサーバ２０８（１）〜（Ｐ）を実装するために使用されてよい。いくつかの実施形態において、位置決めサーバ２０８（１）〜（Ｐ）は、多くのユーザ２０２からの位置クエリのような要求を処理し、それに応答して、位置決定に関する様々な情報及びデータをＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）へ提供し、ユーザ２０２が、位置決めサーバ２０８（１）〜（Ｐ）によって供給されるデータと相互作用することを可能にすることができる。このようにして、位置決めサーバ２０８（１）〜（Ｐ）は、位置に基づくサービス、ナビゲーションサービス、モバイルコマースサービスなどを含む、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）に関連するユーザのための位置決めをサポートする如何なるサイト又はサービスの部分としても実装されてよい。

いくつかの実施形態において、Ｗｉ−Ｆｉサンプル２０６は、例えば、ゾーン（及び大域）信号伝搬モデルをトレーニング又は構築するトレーニングフェーズの間に、位置決めサーバ２０８（１）〜（Ｐ）によって受信され、調査データ２１２としてデータ記憶部に記憶される。この調査データ２１２は、制限なしに、データベース、ファイルシステム、分配ファイルシステム、又はそれらの組み合わせを含む、データを記憶するためのあらゆる適切なタイプのデータ記憶部において、収集されてよい。調査データ２１２は、範囲内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）に関するＲＳＳ測定、識別及び位置情報、などのような、ネットワーク２１０を介して受信されるＷｉ−Ｆｉサンプル２０６に含まれる如何なる適切な情報も収集するよう構成されてよい。

一般に、位置決めサーバ２０８（１）〜（Ｐ）は、１つ以上のプロセッサ２１４と、１つ以上の形態のコンピュータ可読媒体２１６とを備えられている。位置決めサーバ２０８（１）〜（Ｐ）は、例えば、磁気ディスク、光ディスク、又はテープのような、追加のデータ記憶デバイス（リムーバブル及び／又は非リムーバブル）を更に含んでよい。そのような追加の記憶部は、リムーバブルストレージ及び／又は非リムーバブルストレージを含んでよい。コンピュータ可読媒体２１６は、少なくとも２つのタイプのコンピュータ可読媒体２１６、すなわち、コンピュータ記憶媒体及び通信媒体を含んでよい。コンピュータ記憶媒体は、コンピュータ可読命令、データ構造、プログラムモジュール、又は他のデータのような情報の記憶のための如何なる方法又は技術においても実装される揮発性及び不揮発性のリムーバブル及び非リムーバブル媒体を含んでよい。システムメモリ、リムーバブルストレージ及び非リムーバブルストレージは、コンピュータ可読媒体の全ての例である。コンピュータ可読媒体は、制限なしに、ランダムアクセスメモリ（ＲＡＭ；random access memory）、リードオンリーメモリ（ＲＯＭ；read-only memory）、消去可能なプログラム可能リードオンリーメモリ（ＥＰＲＯＭ；erasable programmable read-only memory）、フラッシュメモリ若しくは他のメモリ技術、コンパクトディスク・リードオンリーメモリ（ＣＤ−ＲＯＭ；compact disc read-only memory）、デジタルバーサタイルディスク（ＤＶＤ；digital versatile disk）若しくは他の光学ストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ若しくは他の磁気記憶デバイス、又は所望の情報を記憶するために使用されてよく且つ位置決めサーバ２０８（１）〜（Ｐ）によってアクセスされ得るあらゆる他の非伝送媒体を含む。そのようなコンピュータ記憶媒体はいずれも、位置決めサーバ２０８（１）〜（Ｐ）の部分であってよい。更には、コンピュータ可読媒体２１６は、プロセッサ２１４によって実行される場合に、本願で記載される様々な機能及び／又は動作を実施するコンピュータ実行可能命令を含んでよい。

対照的に、通信媒体は、搬送波のような変調データ信号、又は他の伝送メカニズムにおいて、コンピュータ可読命令、データ構造、プログラムモジュール、又は他のデータを具現してよい。本願で定義されるように、コンピュータ記憶媒体は通信媒体を含まない。

コンピュータ可読媒体２１６は、ソフトウェアとして実行されるようプロセッサ２１４で実行可能であるプログラム及びプログラムモジュールのような、機能的な又は実行可能なコンポーネントをいくつでも記憶するために使用されてよい。コンピュータ可読媒体２１６に含まれるコンポーネントは、主として２つの目的のうちの１つを果たしてよい。それは、信号伝搬モデルを作成しトレーニングすること（図２のブロック図では“トレーニング”と記されている。）、又はＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）の位置決めを実施すること（図２のブロック図では“位置決め”と記されている。）のいずれかである。

［トレーニング］
本願で開示される実施形態に従って、ゾーン信号伝搬モデルの開発及びトレーニングに使用されるメインコンポーネントは、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の各個について１つ以上のゾーン信号伝搬モデルを生成するよう構成されるゾーンモデルトレーニングコンポーネント２１８である。ゾーンモデルトレーニングコンポーネント２１８は、調査データ２１２から得られたゾーン１０２（１）〜（Ｎ）の特定の一つ一つの中の観測に基づき、経路損失モデルのモデルパラメータの値を求めることによって、１つ以上のゾーン伝搬モデルを生成してよい。

このゾーンモデルトレーニングプロセスの部分として、ゾーンモデルトレーニングコンポーネント２１８は、関心のある領域１００を複数のゾーン１０２（１）〜（Ｎ）に分割又は区分するよう構成されるゾーン分割コンポーネント２２０を含んでよい。ゾーン分割は、様々な技術及びアルゴリズムにより様々な適切な方法で実施されてよい。

いくつかの実施形態において、領域１００は、平面マップをタイルに分けるために多段階の詳細（すなわち、ズームレベル）にわたって例えば四分木構造を使用するマップタイルシステムを利用することによって、複数のゾーンに分けられてよい。特定の領域の夫々のタイルは、領域１００のゾーンとして扱われてよい。このシナリオでは、ゾーンは、マップ解像度がズームレベルの関数であることから、マップタイルシステムの所与のレベルでサイズ及び形状が一様である。マップタイルシステムの実例の１つは、ワシントン州レドモンドのマイクロソフト（登録商標）コーポレイションによって提供されているＢｉｎｇ（登録商標）マップタイルシステムである。そのようなマップタイルシステムにおいて、領域のマップは、レンダリングされる地域及びズームレベルに基づき実際の距離測定（すなわち、フィート、メートル、など）で測定され得る特定の辺長の正方サブ領域を有して、種々のレベルでレンダリングされてよい。既知の辺長の夫々のタイルは、その場合に、ゾーンとして表されてよい。夫々のタイルの識別子は、領域１００の夫々のゾーンを識別するために使用されてよい。図１に示される例となる領域１００では、領域１００全体は、地球の表面に比較的近いズームレベルでのマップタイルシステムのレンダリングされたマップを表してよい。

いくつかの実施形態において、ゾーン分割コンポーネント２２０は、領域１００に適した幾何学形状の最大又は最小サイズを特定する基本ルールを使用することによって、領域１００を複数のゾーンに分けてよい。例えば、最大又は最小サイズの如何なる適切な多角形状も、領域１００を複数のゾーンに分けるために用いられてよい。他の実施形態において、ゾーンは、手動の、すなわち、人による、プロセスを少なくとも部分的に用いて、分割されてよい。

更なる他の実施形態において、ゾーン分割コンポーネント２２０は、領域１００内のトレーニングデータの利用可能性に基づき、領域１００を分割してよい。例えば、ゾーン分割コンポーネント２２０は、少なくとも閾数（５つ）の、Ｗｉ−Ｆｉサンプル２０６のような、観測されたトレーニングサンプルを含む領域１００内のサブ領域を決定するよう構成されてよく、閾基準を満たす夫々のサブ領域を領域１００内の別個のゾーンとして指定してよい。他の例として、閾数よりも多い観測されたトレーニングサンプルを含むと判断されたサブ領域は、結果として得られるサブ領域が閾数のトレーニングサンプルを含む限り、より小さいサブ領域に等分されてよい。更なる他の例として、ゾーン分割コンポーネント２２０は、“シーディング（seeding）ロケーション”（領域１００の“最内”部又は領域１００の角のように、ランダムに又は規則により選択される。）を指定してよく、閾数のトレーニングサンプルがサブ領域内に含まれるまでシーディングロケーションの周囲にサブ領域を広げてよく、それらが領域１００のゾーンとして指定されてよい。領域１００を複数のゾーンに分ける他の適切な手段は、本願で開示されるシステムの基本特性から外れることなしに利用されてよい。

いくつかの実施形態において、ゾーン分割コンポーネント２２０は、複数のゾーンのうちの少なくともいくつかが互いに重なり合うように領域を複数のゾーンに分けてよい。重なり合ったゾーンの使用は、ゾーン境界で観測される如何なる大きいモデル適応エラーも軽減することができる。

いくつかの実施形態において、少しも又は十分なトレーニングデータを含まないサブ領域は、“エンプティゾーン（empty zone）”と見なされるか又は指定されてよい。有効なゾーン信号伝搬モデルは閾量のトレーニングサンプルを必要とし得るので、エンプティゾーンはゾーン信号伝搬モデルに関連付けられなくてよい。然るに、ゾーン分割は、トレーニングデータの利用可能性に関係なく実施されてよく、その場合に、いくつかのゾーンはエンプティゾーンであるという結果になり得る。他の実施形態において、ゾーン分割は、トレーニングデータの利用可能性に依存するか又はそれによって駆動されてよく、それにより、領域１００の特定のサブ領域のみがゾーンとして指定され、一方、領域１００の残りの部分は、“大域（global）”ゾーンとして扱われ得る領域の部分を構成する。

あるシナリオでは、領域１００の部分は、他よりも激しくＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）により横断されることがあり、それらのサブ領域は、それらのサブ領域におけるトレーニングデータの高い密度に基づき、より小さいゾーンサイズに順応する。例えば、歩行通路、又は環境内の同様の“共通領域”は、より多くの利用可能なトレーニングデータを有してよく、一方、専用事務室又は他の制限された場所は、有効なゾーン信号伝搬モデルを構築するために少しも又は十分なトレーニングデータを有さないことがある。然るに、ゾーン分割コンポーネント２２０は、より細かいゾーン分割のために、領域１００のサブ領域を“通信量の多い（high traffic）”サブ領域として識別するよう構成されてよい。このことは、より高い位置決め精度をもたらし得る。

コンピュータ可読媒体２１６は、位置決めサーバ２０８（１）〜（Ｐ）のモデルトレーニング機能の部分として、大域モデルトレーニングコンポーネント２２２を更に含んでよい。大域モデルトレーニングコンポーネント２２２は、領域１００内の全てのＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）からの全ての観測（すなわち、Ｗｉ−Ｆｉサンプル２０６）に基づき所与の領域１００のための大域モデルをトレーニングするよう構成される。よって、大域モデルは、より高い精度でＷｉ−Ｆｉ対応デバイス２０４の位置を決定するよう様々な位置決めプロセスのフォールバック措置又は増強のために取得され利用されてよい。

ゾーンモデルトレーニングコンポーネント２１８及び大域モデルトレーニングコンポーネント２２２のいずれも、ゾーンモデル及び大域モデルをトレーニングするために使用される調査データ２１２（すなわち、トレーニングデータ）を収集するよう、Ｗｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）を、複数のゾーン１０２（Ｎ）〜（Ｎ）内に含みながら領域１００に割り当ててよい。加えて、又は代替的に、領域１００内に既にあるＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）に関連するユーザ２０２は、調査データ２１２のためのＷｉ−Ｆｉサンプル２０６を受信するために活用されてよい。いずれの場合にも、領域１００は、トレーニングサンプルに関係なく複数のゾーンに分けられてよく、あるいは、割り当てられた／既存のトレーニングサンプルは、ゾーンへの領域１００の分割を実際に駆動してよい。ゾーン１０２内の如何なる所与のＷｉ−ＦｉＡＰ１０４についても、十分なトレーニングデータが利用可能である限り、所与のＷｉ−ＦｉＡＰ１０４のためのゾーンモデルが確立され得る。然るに、全てのＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）が、夫々のゾーンについてゾーン信号伝搬モデルを有するわけではない。特定のゾーンにおけるゾーン信号伝搬モデルを有さない如何なるＷｉ−ＦｉＡＰ１０４も、位置決めを目的として、ゾーン信号伝搬モデルによらず、そのゾーンのためにフォールバック大域モデルを使用してよい。大域モデルは、大域モデルトレーニングコンポーネント２２２によって作成されてよい。

トレーニング後に、ゾーンモデルトレーニングコンポーネント２１８は、夫々のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）についてのモデルパラメータセット（例えば、伝送電力Ｐ、経路損失係数γ、など）を保持してよい。それらのモデルパラメータセットは、上述されたように、モデル適応エラーを最小限にすることに基づき生成されてよい。よって、複数のゾーン１０２（１）〜（Ｎ）の夫々のゾーンは複数のパラメータセットに関連してよく、夫々のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）について１つのパラメータセットである。同様に、単一のＷｉ−ＦｉＡＰ１０４は、複数のゾーン１０２（１）〜（Ｎ）の異なる一つ一つについて異なるモデルパラメータセットを有してよい。

いくつかの実施形態において、ゾーン信号伝搬モデルは、近くのゾーンからのトレーニングデータの特定の部分を含めることで、ゾーンモデルトレーニングコンポーネント２１８によって最適化されてよい。すなわち、所与のゾーンについてのゾーンモデルを作成する際に、ゾーンモデルトレーニングコンポーネント２１８は、その所与のゾーンについての有効なゾーン信号伝搬モデルを作成するために、その所与のゾーンの近くにある（例えば、隣接する）ゾーンにおける利用可能なトレーニングデータに目を向けてよい。近くのゾーンからのトレーニングデータを含める当該技術は、近くのゾーンから利用可能なトレーニングデータが十分にある限りは、エンプティゾーンが有効なゾーンモデルを得ることを可能にすることができる。

［位置決め］
本願で開示される実施形態に従って、ゾーン位置決めのために使用されるメインコンポーネントは、トレーニングフェーズの間に作成されたゾーン信号伝搬モデル、又はフィンガープリントに基づく位置決めスキーム、のうちの１つに少なくとも部分的に基づき、所与のＷｉ−Ｆｉ対応デバイス２０４の位置を推定するよう構成されるゾーン位置決めコンポーネント２２４である。

このゾーン位置決めプロセスの部分として、ゾーン位置決めコンポーネント２２４は、領域（例えば、図１の領域１００）の複数の利用可能なゾーンの中からターゲットゾーンを選択するよう構成されるゾーン選択コンポーネント２２６を含んでよい。ゾーン選択コンポーネント２２６の目的は、Ｗｉ−Ｆｉ対応デバイス２０４から受信された所与の位置クエリについて最良の局所性を有するゾーンを見つけることである。すなわち、選択されたターゲットゾーンは、クエリ元のＷｉ−Ｆｉ対応デバイス２０４が現在配置されているゾーンであるべきである。なお、クエリ元のＷｉ−Ｆｉ対応デバイス２０４は知られていないでの、様々な方法及び技術が、位置決めのためにゾーン選択を実施するのに用いられてよい。

一般に、ゾーン選択コンポーネント２２６は、ありそうにないゾーンを取り除くこと又は別なふうに無視することによってターゲットゾーンを選択し、最良の候補ゾーンをターゲットとして選ぶよう構成される。ありそうにないゾーンを取り除くこと又は無視することによって、ゾーン選択コンポーネント２２６は、位置決め精度を妥協することなしに、ゾーン選択プロセスのシステム複雑性を低減し得る。いくつかの実施形態において、このような除外又はフィルタリングは、ブルームフィルタ（bloom filter）を用いて実装されてよく、ゾーンが候補ゾーンの組から除外されるかどうかを迅速に且つメモリ効率良く判定する。より具体的には、ブルームフィルタは、夫々のゾーンにおけるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の全てに関する情報へのアクセスをもって、夫々のゾーンについて生成されてよい。ブルームフィルタは、次いで、夫々のゾーンにおけるＷｉ−Ｆｉ対応デバイス２０４からＷｉ−Ｆｉサンプル２０６において観測されたＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の全てをハッシングし、Ｗｉ−Ｆｉサンプル２０６におけるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）をＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の各ゾーンのリストと比較してよい。Ｗｉ−ＦｉＡＰ１０４の共通識別子が比較に基づき特定のゾーンについて見つけられる場合には、ゾーンのブルームフィルタの対応するビットは１にセットされてよく、１にセットされていないゾーンは、候補ゾーンの組から除外される。ゾーン選択コンポーネント２２６は、次いで、ゾーンにおける共通のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の数が閾数（例えば、４つの共通Ｗｉ−ＦｉＡＰ）を満足するか又は超えるかどうかを判定してよく、満足しない場合には、ゾーンは候補の組から除外されてよい。候補の組に含まれるゾーンは、Ｗｉ−Ｆｉサンプル２０６において報告されているＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）に対する共通のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の数に基づき順位付けされてよい。

いくつかの実施形態において、ゾーン選択コンポーネント２２６は、Ｗｉ−Ｆｉ対応デバイス２０４からＷｉ−Ｆｉサンプル２０６を受信して、Ｗｉ−Ｆｉサンプル２０６がＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）のうちの１つ以上からのＲＳＳ測定を報告することを伴うナイーブベイズのゾーン選択技術を用いて複数の利用可能なゾーン１０２（１）〜（Ｎ）からターゲットゾーンを選択する。選択に基づき、ゾーン選択コンポーネント２２６は、受信されるＷｉ−Ｆｉサンプル２０６を複数の利用可能なゾーン１０２（１）〜（Ｎ）の各個において観測する可能性を計算するために、１つ以上のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）のヒストグラムを使用する。Ｗｉ−Ｆｉサンプル２０６を観測する可能性を最大化するゾーンは、次いで、位置決めのためのターゲットゾーンとして選択される。このゾーン選択プロセスは、Ｗｉ−Ｆｉサンプル２０６において報告されているＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）に対して少なくとも１つの共通Ｗｉ−ＦｉＡＰ１０４を有する候補ゾーンの組を得るよう、Ｗｉ−Ｆｉサンプル２０６において報告されているＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）と領域１００におけるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）との比較に基づき、ゾーンを除外又は削除することを含んでよい。このようにして、候補ゾーン内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）のヒストグラムのみが、ゾーン選択プロセスにおいて考慮されるべきである。

当然ながら、本願で開示されている実施形態を実施するために、ゾーンにおけるＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の全てはヒストグラムに関連してよい。夫々のヒストグラムは、領域１００のゾーン内の様々な位置での観測されたＲＳＳ測定の確率分布である。然るに、夫々のゾーンは、単一のＷｉ−ＦｉＡＰ１０４についての確率分布に関連する。上述されたように、Ｗｉ−ＦｉＡＰ１０４（１）〜（Ｐ）のヒストグラムは、ゾーン選択のために利用されてよい。他方で、エンプティゾーンはヒストグラムを必要としないはずである。上述されたように、大域信号伝搬モデルはそのようなエンプティゾーンに利用されてよく、いくつかの実施形態において、エンプティゾーンは、位置決めのために大域信号伝搬モデルを利用する単一の“ゾーン”にマージされてよい。

いくつかの実施形態において、ゾーン選択コンポーネント２２６は、領域１００全体に関連する大域信号伝搬モデルを用いてＷｉ−Ｆｉ対応デバイス２０４の推定された位置を得、その後に、その推定された位置に最も近い中心を有するゾーンとしてターゲットゾーンを選択することによる“最近ゾーン（Closest Zone）”アプローチを用いて、ターゲットゾーンを選択する。最近中心を決定する距離決定は、いくつかの実施形態に従って、ユークリッド距離に基づいてよい。

いくつかの実施形態において、ゾーン選択コンポーネント２２６は、大域信号伝搬モデルを用いてＷｉ−Ｆｉ対応デバイス２０４の推定された位置を得、複数のゾーン１０２（１）〜（Ｎ）の中から、その推定された位置までのそれらのゾーンの距離に基づき、最近ゾーンのサブセットを選択することによる“最小誤差（Minimum Error）”を用いて、ターゲットゾーンを選択する。それらの最近ゾーンに関連するゾーン信号伝搬モデルは、次いで、Ｗｉ−Ｆｉ対応デバイス２０４の各々の位置決めを実施するために使用されてよく、ターゲットゾーンは、Ｗｉ−Ｆｉサンプル２０６と異なったゾーン信号伝搬モデルとの間のモデル適応エラーを最小限にするゾーンとして選択されてよい。

いくつかの実施形態において、ゾーン選択コンポーネント２２６は、上記の技術のいずれかを用いて候補ゾーンの組を得、候補ゾーンの組に含まれるゾーンの夫々についてゾーン信号伝搬モデルに基づき位置決めを実施するよう構成されてよい。最終的なゾーンに基づく位置は、次いで、夫々のゾーンモデルを用いて得られた位置の平均とされてよい。いくつかの実施形態において、加重平均が使用されてよく、重みは、ことによると、共通のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の数、又は他の適切なスコアリング若しくはランキング方法に基づく、ゾーン選択スコアである。最終的な位置を決定するために異なるゾーンからの複数のゾーン位置決めの平均を使用することは、“不適切な”ゾーン（すなわち、クエリ元のＷｉ−Ｆｉ対応デバイス２０４が実際に位置されていないゾーン）を選択する影響を軽減するのを助ける。

いくつかの実施形態において、ゾーン位置決めコンポーネント２２４は、ターゲットゾーンがゾーン選択コンポーネントによって選択された後に、ゾーンモデルに基づくアプローチとフィンガープリントに基づくアプローチとの間で位置決めスキームを決定するよう構成される。ゾーンモデルに基づくアプローチを使用することとフィンガープリントに基づくアプローチとの間の選択は、選択されたターゲットゾーン内のトレーニングデータの密度及び範囲に依存してよい。どちらのスキームが用いられようとも、ゾーン位置決めコンポーネント２２４は、選択されたスキームに従って、Ｗｉ−Ｆｉ対応デバイス２０４の位置を決定する。

図２は、コンピュータ可読媒体２１６が、Ｗｉ−Ｆｉ対応デバイス２０４からの位置クエリのための位置決めを実施するよう大域信号伝搬モデルを使用するよう構成される大域モデル位置決めコンポーネントを更に有してよい。大域モデルの位置決めプロセスは、大域信号伝搬モデルが領域１００全体及び全てのＷｉ−Ｆｉ対応デバイス２０４に基づくのでプロセスにおいてゾーン選択が必要とされない点を除いて、ゾーンモデルに基づく位置決めと同じである。大域モデル位置決めコンポーネント２２８は、例えば、帯域モデルが位置決め精度を改善し得るフォールバック又は増強能力の一方又は両方を提供する。例えば、有効なゾーンモデルが確立され得ないエンプティゾーン及び／又はＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）がある場合に、大域信号伝搬モデルは位置決めのために使用されてよい。加えて、特定のゾーンについて、大域信号伝搬モデルはより良い性能を実際にもたらし得る。この場合に、大域信号伝搬モデルは、大域モデルによって推定された位置が、それがモデル適応エラーを小さくする場合に使用され得るように、位置決めのための永続的な候補として扱われてよい。

コンピュータ可読媒体２１６は、複数の推定された位置が計算される場合に、例えば、大域モデル位置決めコンポーネント２２８が、ゾーン位置決めコンポーネント２２４による推定された位置に加えて位置を推定し、モデル適応エラーが最終的な位置推定を決定するよう比較される場合に、最終的な位置を決定するよう構成される最終位置決定コンポーネント２３０を更に含んでよい。

［例となるプロセス］
図３乃至７は、ハードウェア、ソフトウェア、又はそれらの組み合わせにおいて実装され得る動作のシーケンスを表す、論理フロー図においてブロックの集合として表されている実例のプロセスを記載する。ソフトウェアに関して、ブロックは、１つ以上のプロセッサによって実行される場合に、挙げられている動作を実施するコンピュータ実行可能な命令を表す。一般に、コンピュータ実行可能な命令は、特定の機能を実施するか又は特定の抽象データ型を実装するルーチン、プログラム、オブジェクト、コンポーネント、データ構造、などを含む。動作が記載されている順序は、制限として解釈されるよう意図されず、記載されているブロックはいくつでも、プロセスを実施するために如何なる順序でも及び／又は同時に組み合わされてよい。

図３は、ゾーンモデルトレーニングのための実例となるプロセス３００のフロー図である。説明のために、プロセス３００は、図２のアーキテクチャ２００を参照して、具体的に、ゾーン分割コンポーネント２２０を含むゾーンモデルトレーニングコンポーネント２１８を参照して、記載される。

３０２で、ゾーン分割コンポーネント２２０は、領域（例えば、図１の領域１００）を複数のゾーン（例えば、複数のゾーン１０２（１）〜（Ｎ））に分けてよい。上述されたように、領域１００は、様々な技術を用いて、例えば、マップタイルシステムを用いて、マップタイルシステムのあるレベルでのタイルを領域内の別個のゾーンとして指定することによって、分けられてよい。他の基本規則（例えば、最小又は最大サイズの幾何学形状を特定すること）又は手動プロセスは、３０２でのゾーン分割に用いられてよい。ゾーンは分離されていても、又は重なり合っていてもよく、且つ、一様又は非一様なサイズ及び形状を有してよい。更には、トレーニングデータの利用可能性は、例えば、閾数の利用可能なトレーニングデータの周囲のサブ領域を領域１００のゾーンとして指定することによって、ゾーンへの領域の分割を駆動してよい。他の実施形態において、３０２でのゾーン分割は、トレーニングデータの利用可能性に依らない。このことは、上述されたように、“エンプティ”ゾーンであるいくつかのゾーンを最終的に生じさせ得る。

３０４で、ゾーンモデルトレーニングコンポーネント２１８は、３０２で決定された複数のゾーンの夫々の中の１つ以上のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の各個について１つ以上の信号伝搬モデルを生成又は構築する。十分な調査データ２１２は、有効なゾーン信号伝搬モデルを構築するよう取得される。特定のゾーン内のトレーニングサンプルの観測は、ゾーン内の調査データ２１２を用いてモデルパラメータの値を決定することによって、そのゾーンについてのゾーン信号伝搬モデルを構築するために使用されてよい。なお、トレーニングデータが特定のゾーンについて利用可能でない場合には、その特定のゾーンはエンプティゾーンとされてよく、あるいは、特定のゾーンは、近くのゾーンにおいて利用可能なトレーニングデータの少なくとも一部を“借り”てよい。プロセス３００の結果は、領域１００の複数のゾーン１０２（１）〜（Ｎ）についてのゾーン信号伝搬モデルに関連するＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）によるゾーンモデルフレームワークである。

図４は、ゾーン位置決めのための実例となるプロセス４００のフロー図である。実例となるプロセス４００は、ことによると、実時間のゾーンモデルトレーニング及び位置決めプロセスの部分として、図３のプロセス３００のステップ３０４から続いてよい（図３及び４の“Ａ”インジケータによって表される。）。説明のために、プロセス４００は、図２のアーキテクチャ２００を参照して、具体的には、ゾーン選択コンポーネント２２６を含むゾーン位置決めコンポーネント２２４を参照して、記載される。

４０２で、ゾーン位置決めコンポーネント２２４は、Ｗｉ−Ｆｉ対応デバイス２０４に関連する位置クエリを受ける。この位置クエリは、範囲内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）及びＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）からの関連するＲＳＳ測定を示すＷｉ−Ｆｉサンプル２０６の形をとってよい。

４０４で、ゾーン選択コンポーネント２２６は、Ｗｉ−Ｆｉ対応デバイス２０４が位置しているターゲットゾーンを領域１００の複数の利用可能なゾーンの中から選択する。上述されたように、領域１００内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の少なくともいくつかのヒストグラムに基づくナイーブベイズのゾーン選択技術を用いることを含め、ターゲットゾーンが４０４で選択され得る様々な方法がある。適切なアプローチには、上述されたように、“最小誤差”アプローチ又は“最近ゾーン”アプローチがある。４０４でのターゲットゾーンの選択は、例えば、夫々のゾーンにおける共通のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）を、４０２で受信されたＷｉ−Ｆｉサンプル２０６に含まれている範囲内Ｗｉ−ＦｉＡＰと比較するために、各々のゾーンについてブルームフィルタを使用することによって、ありそうにないゾーンを取り除くこと又は別なふうに無視することを含んでよい。

４０６で、ゾーン位置決めコンポーネント２２４は、４０４で選択されたターゲットゾーン内の位置決めのために使用すべき位置決めスキームを、ゾーンモデルに基づく位置決めスキームとフィンガープリントに基づく位置決めスキームとの間で選択する。いくつかの実施形態において、４０６でのスキーム選択は、４０４で選択されたターゲットゾーン内のトレーニングデータ（すなわち、Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ））の密度及び範囲に依存してよい。

４０８で、ゾーン位置決めコンポーネント２２４は、Ｗｉ−Ｆｉ対応デバイス２０４の位置を推定するよう、４０６で選択された位置決めスキームを適用する。例えば、ゾーンモデルに基づくスキームが選択される場合に、ターゲットゾーンに関連するゾーン信号伝搬モデルが、Ｗｉ−Ｆｉ対応デバイス２０４の位置を推定するために適用されてよい。フィンガープリントに基づくスキームが４０６で選択される場合に、ゾーン位置決めコンポーネント２２４は、Ｗｉ−Ｆｉ対応デバイス２０４の位置を推定するために、Ｗｉ−Ｆｉサンプル１０６（１）〜（Ｑ）及びそれらの対応する位置のデータベース内で、一致するＷｉ−Ｆｉサンプル１０６を特定してよい。然るに、プロセス４００は、より高い位置決め精度のためにより良い性能を提供するようより良いモデル適応をもたらす位置決めのために、ゾーンの信号伝搬モデル及び／又はゾーンのフィンガープリントに基づくスキームの利用を助ける。

図５は、ゾーン位置決めの間にターゲットゾーンを選択するための実例となるプロセス５００のフロー図である。実例となるプロセス５００は、図４に示されているプロセス４００のステップ４０４内に含まれる、より詳細なプロセスであってよい。説明のために、プロセス５００は、図２のアーキテクチャ２００を参照して、具体的には、ゾーン選択コンポーネント２２６を参照して、記載される。

５０２で、ゾーン選択コンポーネント２２６は、領域（例えば、図１の領域１００）内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の各個に関連するＲＳＳ確率分布を含むヒストグラムを得る。５０４で、Ｗｉ−Ｆｉサンプル２０６は、位置クエリを提起しているＷｉ−Ｆｉ対応デバイス２０４から受信される。このＷｉ−Ｆｉサンプル２０６は、Ｗｉ−Ｆｉ対応デバイス２０４の視野内（すなわち、範囲内）にある全てのＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）と、視野内のＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）の夫々に関するＷｉ−Ｆｉ対応デバイス２０４でのＲＳＳ測定を詳述するＲＳＳフィンガープリントとを含む。

５０６で、ゾーン選択コンポーネント２２６は、領域１００の複数のゾーン１０２（１）〜（Ｎ）の各個において報告されたＲＳＳフィンガープリントを観測する可能性を計算する。いくつかの実施形態において、ありそうにないゾーンは、候補ゾーンのヒストグラムをもっぱら使用して候補の組に含まれるゾーンのみを考慮するために、除外される。

５０８で、ゾーン選択コンポーネント２２６は、受信されたＷｉ−Ｆｉサンプル２０６における報告されたＲＳＳフィンガープリントを観測する可能性を最大化するターゲットゾーンを、領域１００の複数の利用可能なゾーンの中から選択する。プロセス５００は、クエリ元のＷｉ−Ｆｉ対応デバイス２０４についての最良の局所性をもってターゲットゾーンを選択することへの１つの適切なアプローチとして、上記のナイーブベイズのゾーン選択技術を反映する。

いくつかの場合に、位置決めが実施されるべき領域は、複数のフロア又はレベルを伴った３Ｄボリュームを有する空間を有してよい。図６は、複数のフロア（１）〜（Ｎ）を有するそのような領域６００を表す。このマルチフロアシナリオにおいて、複数の利用可能なフロア（１）〜（Ｎ）の中のターゲットフロアは、Ｗｉ−Ｆｉ対応デバイス２０４の位置を決定するために選択されるべきである。様々なアプローチが、本願で開示されている実施形態に従って、ターゲットフロアを検出するために考えられてよい。アプローチの一例は、夫々のフロアをゾーンとして扱い、上述されたのと同じようにゾーン選択を処理することである。

他のアプローチは、夫々のフロアを領域として扱って、上述されたのと同じようにフロアを複数のゾーンに分けることである。大域信号伝搬モデルは、夫々のフロアについてトレーニングされてよい。その場合に、フロア検出はゾーン選択の副産物になる。すなわち、上記の技術のいずれかを用いて、ターゲットゾーン６０２は、Ｗｉ−Ｆｉ対応デバイス２０４からの位置クエリに応答して、位置決めプロセスの間に選択されてよく、ターゲットゾーン６０２に関連するフロア（例えば、この場合に、フロア２）は、ゾーンとフロアとの間で保持されている関連情報から特定されてよい。Ｗｉ−Ｆｉ対応デバイス２０４の位置を決定するよう、ターゲットゾーン６０２に関連するゾーン信号伝搬モデルが使用されてよく、いくつかの場合に、フロア２に関連する大域モデルが使用されてよい（他のフロアに関連する大域モデルとは異なってよい。）。

図６は、ゾーン位置決めのためのターゲットゾーンを決定するための実例となるプロセス６０４のフロー図を更に表す。６０６で、Ｗｉ−Ｆｉサンプル２０６は、位置クエリを提起しているＷｉ−Ｆｉ対応デバイス２０４から受信される。このＷｉ−Ｆｉサンプル２０６は、その視野内（すなわち、範囲内）にある全てのＷｉ−ＦｉＡＰ１０４（１）〜（Ｐ）と、視野内の夫々のＷｉ−ＦｉＡＰ１０４に対応するＷｉ−Ｆｉ対応デバイス２０４でのＲＳＳ測定を詳述するＲＳＳフィンガープリントとを含む。

６０８で、ゾーン選択コンポーネント２２６は、領域６００の複数のゾーンの各個で報告されたＲＳＳフィンガープリントを観測する可能性を計算する。いくつかの実施形態において、ありそうにないゾーンは、候補ゾーンのヒストグラムのみを用いて候補の組に含まれるゾーンのみを考慮するために、除外される。

６１０で、ゾーン選択コンポーネント２２６は、受信されたＷｉ−Ｆｉサンプル２０６における報告されたＲＳＳフィンガープリントを観測する可能性を最大化するターゲットゾーン６０２を、領域６００の複数の利用可能なゾーンの中から選択する。６１２で、ターゲットフロアは、選択されたターゲットゾーン６０２に基づき特定される。

図７は、デバイス利得ダイバーシティを補償する実例となるプロセス７００のフロー図である。すなわち、異なるＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）は、同じ位置でさえ異なるＷｉ−Ｆｉ信号強度測定（すなわち、異なる感度）を報告する傾向がある。異なるＷｉ−Ｆｉ対応デバイス２０４（１）〜（Ｎ）の間のそのようなデバイス利得ダイバーシティは、どのゾーンがターゲットゾーンとして選択されるべきかを含め、モデルに基づく位置決めプロセスに影響を及ぼす。調査データ２１２に含まれるトレーニングサンプルも、異なるデバイスがモデルトレーニングのためのトレーニングサンプルを収集するために使用される場合に、デバイス利得ダイバーシティによって影響を及ぼされ得る。

７０２で、Ｗｉ−Ｆｉ対応デバイス２０４からのＲＳＳ測定は、とり得る利得オフセットの範囲内にある複数の利得オフセット値によってシフトされる。例えば、−２０ｄＢから＋２０ｄＢまでの利得オフセット範囲が利得オフセット範囲として使用されてよく、Ｗｉ−Ｆｉサンプル２０６における所与のＲＳＳ測定は、その場合に、とり得る利得オフセットの範囲にわたって繰り返しオフセットされる。例えば、１つのシフトは、測定されたＲＳＳを−２０ｄＢだけオフセットしてよく、一方、次のシフトは、測定されたＲＳＳを−１９ｄＢだけオフセットしてよく、以降、最後のシフトが測定されたＲＳＳを＋２０ｄＢだけオフセットするまで続く。

７０４で、夫々のシフトされたＲＳＳ測定は、領域１００の複数のゾーンの各個において各々のシフトされたＲＳＳ測定を観測する可能性に関して解析され、シフトされたＲＳＳを観測する可能性を最大化するゾーンが選択される。７０６で、夫々のシフトされたＲＳＳ測定からの全ての可能性のうちの最大値に対応する利得オフセットは、受信されたＲＳＳ測定の利得オフセットとして７０６で選択される。いくつかの実施形態において、７０４で選択されたゾーンは、位置決めのためのターゲットゾーン（例えば、図４のプロセス４００の４０４で選択されたターゲットゾーン）であってよい。このシナリオでは、利得オフセットは、図４のプロセス４００のような、位置決めプロセスの間に、使用されてよい。

本願で記載される環境及び個々の要素は、当然に、多くの他の論理的、プログラム的、及び物理的コンポーネントを含んでよく、それらのうち添付の図面で示されているコンポーネントは、本願での説明に関連した例にすぎない。

本願で記載される様々な技術は、コンピュータ可読記憶装置において記憶され、図示されているもののような１つ以上のコンピュータ又は他のデバイスのプロセッサによって実行される、プログラムモジュールのようなコンピュータ実行可能命令又はソフトウェアの一般的な背景において実装されると、与えられている例において考えられている。一般に、プログラムモジュールは、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造、などを含み、特定のタスクを実行するためのオペレーティングロジックを定義するか、又は特定の抽象データ型を実装する。

他のアーキテクチャは、記載される機能を実装するために使用されてよく、本開示の適用範囲内にあるよう意図される。更には、負担の特定の分担が説明のために先に定義されているが、様々な機能及び負担が、状況に応じて、様々な方法で分担及び分割されてよい。

同様に、ソフトウェアは、様々な方法において種々の手段を用いて記憶及び分配されてよく、上述された特定のソフトウェア記憶及び実行構成は、多種多様な方法において様々であってよい。よって、上記の技術を実装するソフトウェアは、具体的に記載されているメモリの形に制限されずに、様々なタイプのコンピュータ可読媒体で分配されてよい。

［結論］
締めくくりに、様々な実施形態が、構造的な機構及び／又は方法論的な動作に特有の言語において記載されてきたが、添付の説明において定義されている対象は、必ずしも、記載されている具体的な機構又は動作に制限されない点が理解されるべきである。むしろ、具体的な機構及び動作は、請求されている対象を実施する例となる形として開示されている。

Claims (7)

1. コンピュータデバイスが、無線通信デバイスに関連する位置クエリを受信するステップと、
   前記コンピュータデバイスが、領域内の前記無線通信デバイスの推定される位置を決定するステップであって、前記推定される位置は、前記領域に関連する大域的な信号伝搬モデルに少なくとも部分的に基づく、ステップと、
   前記コンピュータデバイスが、前記領域の複数のゾーンの中からターゲットゾーンを選択するステップであって、前記ターゲットゾーンを選択することは、前記コンピュータデバイスが、前記複数のゾーンの中から、前記無線通信デバイスの前記推定される位置に最も近いゾーンを前記ターゲットゾーンとして選択することを含む、ステップと、
   前記コンピュータデバイスが、前記ターゲットゾーンに関連するゾーン信号伝搬モデルのモデル適応エラーが前記大域的な信号伝搬モデルのモデル適応エラーよりも小さい場合、前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデルに少なくとも部分的に基づき、前記無線通信デバイスの最終の推定される位置を決定するステップであって、前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデルは、前記複数のゾーンの個々のゾーンに関連する各々のゾーン信号伝搬モデルのうちの１つである、ステップと、
   を有する方法。
2. 前記コンピュータデバイスが、前記ターゲットゾーン内でのみ観測されたトレーニングサンプルに基づき、前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデルを生成するステップ
   を更に有する、請求項１に記載の方法。
3. 前記コンピュータデバイスが、前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデルを生成する前に、観測された前記トレーニングサンプルの数が、トレーニングサンプルの閾数を満足する又は超えると判定するステップ
   を更に有する、請求項２に記載の方法。
4. 前記コンピュータデバイスが、前記ターゲットゾーン内の異なる位置で受信信号強度（ＲＳＳ）を報告する複数のトレーニングサンプルを集めるステップと、
   前記コンピュータデバイスが、前記複数のトレーニングサンプルに基づき、前記ターゲットゾーンにおける個々の無線アクセスポイントについて、前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデルのパラメータの組を得るステップと、
   を更に有する、請求項１に記載の方法。
5. 前記複数のゾーンの中から、前記無線通信デバイスの前記推定される位置に最も近いゾーンを前記ターゲットゾーンとして選択することは、
   前記コンピュータデバイスが、前記ターゲットゾーンの中心が、前記複数のゾーンのうちの他のゾーンの他の中心よりも、前記推定される位置に近いと判定すること
   を含む、請求項１に記載の方法。
6. 前記ターゲットゾーンに関連する前記ゾーン信号伝搬モデル及び前記領域に関連する前記大域的な信号伝搬モデルは、経路損失信号伝搬モデルである、
   請求項１に記載の方法。
7. プロセッサと、
   コンピュータ実行可能命令を記憶しているメモリであって、前記コンピュータ実行可能命令は、前記プロセッサによって実行されると、
   無線通信デバイスに関連する位置クエリを受信することと、
   領域内の前記無線通信デバイスの第１の位置推定を、前記領域に関連する大域的な信号伝搬モデルに少なくとも部分的に基づき決定することと、
   前記領域の複数の利用可能なゾーンの中からターゲットゾーンを選択することであって、前記ターゲットゾーンは、ゾーン信号伝搬モデルに関連する、選択することと、
   前記ゾーン信号伝搬モデルに少なくとも部分的に基づき、前記領域内の前記無線通信デバイスの第２の位置推定を決定することと、
   前記大域的な信号伝搬モデルの第１のモデル適応エラーが、前記ゾーン信号伝搬モデルの第２のモデル適応エラーよりも小さいと判定することと、
   前記大域的な信号伝搬モデルに少なくとも部分的に基づき、前記無線通信デバイスの最終の位置推定を決定することと、
   を含む動作を前記プロセッサに実行させる、メモリと、
   を有するシステム。

Images