JP6592517B2 - モバイル端末の少なくとも一つの位置を算出する装置及び方法 - Google Patents

Description

本発明は、モバイル端末、特にスマートフォンの少なくとも一つの位置を算出する装置及び方法に関する。

衛星に支援された信号によりモバイル端末の位置を直接的に特定できるシステムが公知である。この種のシステムは、全球測位衛星システム（ＧＮＳＳ）として知られており、これには、特にＧＰＳシステム、ＧＬＯＮＡＳＳ並びに構築中のシステムであるＧａｌｉｌｅｏ及びＢｅｉＤｏｕが含まれる。しかしながら、これらのシステムは、衛星とモバイル端末との間の信号到達時間を用いてマルチラテレーションによって位置を特定するので、衛星信号の受信に頼っている。これらの信号は、障害物によって反射されたり到達時間が延びたりすることがあり、これによって位置特定の精度が失われる。特に建物の中や地下において信号が遮断されることで、位置特定はできなくなる。

ＧＮＳＳシステムの欠点を解消する公知の手段は、近くのＧＳＭアンテナマスト（ＧＳＭ Ｍａｓｔ）やＷｉＦｉステーションの信号を分析するシステムである。この場合、近くにあるＧＳＭアンテナマストとＷｉＦｉステーションの立地場所を記憶装置から受け取って、次にこれらのＧＳＭアンテナマストとＷｉＦｉステーションに対する相対位置を三角測量により特定することが必要である。この種の方法は、全般的に特許文献１に、そして地下鉄でのルート決定について特許文献２に記載されている。これらの方法の欠点は、全てのＧＳＭアンテナマストとＷｉＦｉステーションの位置を持ったデータベースを先に用意しなければならないことにある。この地図作り（マッピング）（Ｋａｒｔｏｇｒａｐｈｉｅｒｅｎ）が、かなりの手間で高額である。さらに、個々のＧＳＭアンテナマストは、いつも一義的に識別できるものでもない。例えば、地下鉄システムではよくあることだが、別々のＧＳＭアンテナマストが一つのいわゆる仮想アクセスポイント（Ｚｕｇａｎｇｓｐｕｎｋｔ）に統合されるときがこれに当たる。このとき、個々のアクセスポイントは、もはや一つの位置には割り当てられないか或いは極めて大雑把にしか割り当てられない。このことは、ＷｉＦｉステーションについても同じである。

他のシステムは、新たなインフラを構築することが必要である。これは高額であるし、周波数帯を不必要に占有することにもなる。

外部信号源を必要とするシステムの欠点を回避する一つの方法は、慣性航法装置（ＩＮＳ）を利用することである。ＩＮＳは、空間内を自由に動ける物体の動きを測定するために、加速度計とジャイロスコープとを組み合わせて使用する。そのため理論的には、スタート位置と方角が分かっていれば、外部信号を利用することなく位置特定を行なうことができる。ところが実際には、センサのドリフトによって位置特定が時間とともに急速に精度を失うという問題が生じる。このため、ＩＮＳは、主としてＧＮＳＳといった別のナビゲーションシステムの短期間の信号のドロップアウトを凌ぐのに使用される。

米国特許第５５１９７６０号明細書 独国特許出願公開第１０２００７０１４５２８号明細書

この従来技術を出発点として上述の欠点に対処する装置又は方法を提供するという課題が発生する。特に、効率的な位置特定を行う装置が実現されなければならない。さらなる課題は、現在位置を別途指示しなくても位置特定を行うことができる位置特定のための装置を提供することである。さらに、停留所やトンネル内における公共近距離交通の車両内での位置特定を可能にする装置が実現されなければならない。

この課題は、請求項１による装置と請求項１４による方法により解決される。

特に、この課題は、
少なくとも一つの記憶装置、
磁力計センサデータを出力する磁力計センサユニット、
クラス分類ユニット、
モバイル端末の位置を特定する位置算出ユニット、
を有する装置により解決される。

クラス分類ユニットは、
ａ）磁力計センサデータを用いることで少なくとも一つの電動モータの状態及び／又は少なくとも一つの電動モータにより駆動される車両の状態を算出し、
ｂ）算出された状態を少なくとも一つの記憶装置に記憶する
ように構成されている。

位置算出ユニットは、少なくとも一つの記憶装置から状態を読み出し、この状態を用いてモバイル端末の少なくとも一つの位置を特定する。

電動モータは、電気的なエネルギーが力学的なエネルギーに変換される原理を用いている。つまり、通電されるコイル導線に磁場が及ぼす力が、力学的なエネルギーに変換される。発生する影響は、電動モータの外側でも然るべきセンサを用いて測定できる。例えば、電動モータの回転数ないし所望のトルクに伴って磁束密度の大きさが変化する。従って、磁気的及び／又は電気的な場（例えば向きや強さ）の測定により、電動モータの状態を特定することができる。この影響を測るために、モバイル端末を使用することができる。

好ましくも、モバイル端末の構成部品は高集積化されており、例えば最近のスマートフォンのように、モバイル端末はユーザが持ち運べるものである。こういった類の最近のスマートフォンは、通常、デジタル式のコンパスを実装するために磁力計センサを備えている。これは、磁束密度を測定するホールセンサを使用したＩｎｖｅｎＳｅｎｓｅ（インベンセンス）社製のＭＰＵ−９２５０といった９自由度測定センサでもよい。この磁力計センサユニットは、例えば、電動モータにより誘起された場の磁束密度やその他の固有の場の性状を測定し、磁力計センサデータをクラス分類ユニットに転送するために用いることができる。他の実施形態では、磁力計センサデータは、モバイル端末のメモリ内に書き込むことができる。

また、場の性状を測定するためにフェルスタープローブ（Ｆｏｅｒｓｔｅｒ−Ｓｏｎｄｅ）を用いることもできる。

本発明の他の実施形態において、モバイル端末は、クラス分類ユニットを実装し、このユニットが、磁力計センサデータを受け取り、磁力計センサデータのクラス分類を行う。そのために、磁力計センサデータの個々の部分に対して状態を割り当てることができる。位置算出ユニットは、これらの状態を用いながら位置を割り出す（算出する）ことができる。

本発明によれば、位置特定は：
空間内における絶対的な位置の算出、
及び／又は相対的な位置の算出、
及び／又は或る位置に対する時間的な関係性のあるイベントの算出。
を意味するのでもよい。

有利な形態において、ユーザは、地下鉄の乗客であってもよい。ユーザは、自分が希望する停留所についたときに、降車するのを忘れないように教えてもらえる。スマートフォンは、磁力計センサユニットのデータだけからその時刻を特定するのでもよいであろう。クラス分類ユニットは、地下鉄の状態を算出するのでもよいであろう。それは、車両の加速中及び／又は停車中の状態というのでもよいであろう。位置算出ユニットは、加速と停止のプロセスの各組を、二つの駅の間の路線（Ｖｅｒｂｉｎｄｕｎｇ）を進んだものとして解釈することができるものであり、ユーザによって予め入力された駅の数に従って、ユーザが到着したことを適時にユーザに知らせることになろう。

他の実施形態において、モバイル端末の受信領域内にあるＧＳＭアンテナマスト、ＷｉＦｉステーション及びＧＰＳ衛星からの信号を、より正確な位置特定のために用いることができる。この信号は、追加情報として位置推定に取り入れることができ、それにより推定の信頼性を改善することができる。

本発明の他の形態において、位置推定の良さの度合を決定するために、ＧＳＭアンテナマスト及びＷｉＦｉステーションの追加的な信号から現在位置データを生成することができる。この種の現在位置データは、サービスへのパブリックインターフェースを介して、例えば、ＧｏｏｇｌｅのＡｎｄｒｏｉｄシステムのインターフェースを介して利用できる。現在位置データは、位置推定の良さについての判断を下すために使用することができる。目下の推定の品質についてユーザに通知できる点が有利である。

位置算出ユニットは、決定論的又は非決定論的な方法を用いるように構成されていてもよい。一の形態において、例えば、位置を特定するために決定論的な決定木が用いられてもよい。他の形態において、位置算出ユニットは、例えば、
逐次モンテカルロ法、
動的ベイジアンネットワーク（Ｄｙｎａｍｉｓｃｈｅｓ Ｂａｙｅｓｓｃｈｅｓ Ｎｅｔｚ）或いは
カルマンフィルタ
といった確率論的な方法を用いるように構成されていてもよい。

位置算出ユニットが逐次モンテカルロ法を用いるように構成されている一つの有利な構成においては、複数のいわゆる粒子（パーティクル）の雲（クラウド）（Ｗｏｌｋｅ）ないし群（クラスタ）（Ｓｃｈｗａｒｍ）が生成され、これがモバイル端末の取り得る位置を表す。それぞれの粒子は、状態空間内の点と重みとを有した少なくとも二つの値を持つタプル（組）である。このとき、群は、全体として初期状態における確率密度を表している。個々の粒子のそれぞれには、システムダイナミクスのモデル― 今の場合には記憶ユニット内に格納された複数の状態 ―を用いて一又は複数の解曲線、つまり位置が割り当てられる。例えば追加の信号データといった測定値と、位置に関する予測とに基づいて、粒子の重みが調整される。これにより、状態空間における確率密度の進化（Ｅｖｏｌｕｔｉｏｎ）の推定が逐次的なやり方で改善されることになる。こうして、より正確な結果が得られるように、群（Ｓｃｈｗａｒｍ）の初期の構成（Ｚｕｓａｍｍｅｎｓｅｔｚｕｎｇ）を適したものに変えていくことができる。重み付けされた粒子雲（Ｐａｒｔｉｋｅｌｗｏｌｋｅ）から確率密度への移行は、ノンパラメトリック密度推定（ｎｉｃｈｔｐａｒａｍｅｔｒｉｓｃｈｅｎ Ｄｉｃｈｔｅｓｃｈａｅｔｚｕｎｇ）法により行うことができる。これにより、複数の駅からの出発と、それに伴う測定とを用いて、位置推定を改善することが可能になる。

一実施形態において、クラス分類ユニットにおけるクラス分類は、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ， ＳＶＭ）ないし線形判別分析（ＬＤＡ）を使用するものでもよい。このために、或る期間に記録された磁気計センサデータの信号変化曲線がｍ次多項式（ここで、ｍ＝３は一つの有利な選択である。）により補間される。この多項式の係数は、一定期間の場の強さの振幅或いは一定期間の場の強さの傾きの変化といった、信号の他の性状とともに、ｎ次元超空間（ｎ−ｄｉｍｅｎｓｉｏｎａｌｅｎ Ｈｙｐｅｒｒａｕｍ）内の点として解釈することができる。予め訓練データによって訓練されたＳＶＭないしＬＤＡは、こうして、電動モータや電動モータを用いて駆動される車両がいかなる状態で稼働しているのかについて判断する能力がある。このとき、長所は、速くて信頼性のあるクラス分類並びにクラス分類規則のコンパクトな表現にある。

他の有利な実施形態において、装置は、カージナリティが１０より少ない、特に５より少ない状態の有限集合（ｅｎｄｌｉｃｈｅｎ Ｍｅｎｇｅ ｖｏｎ Ｚｕｓｔａｅｎｄｅｎ）から状態を算出するクラス分類ユニットを有している。これには、個々の走行区間のクラス分類を容易にして、正確に認識される状態の数が多くなるという長所がある。

一つの構成において、状態は、車両のモータの稼動状態を表すものでもよいであろう。取り得る状態は、ＡＫＴＩＶ（活性）とＩＮＡＫＴＩＶ（非活性）でもよいであろう。ここでＡＫＴＩＶは、電動モータに駆動電圧が印加された状態を意味し、ＩＮＡＫＴＩＶは、駆動電圧が印加されていない状態を意味する。このように状態を選択する長所は、普通なら抽象化レベル（Ａｂｓｔｒａｋｔｉｏｎｓｅｂｅｎｅ）が高すぎることによる情報損失が少ないことや、クラス分類において間違える割合が低いことにある。これは、使用された磁力計センサデータに対して状態の選択が簡単に対応付けられているためである。さらに、技術が進歩したときに、状態量の精緻化、つまりモータの稼動状態をより詳細に描写することが容易に可能である。

他の構成において、状態は、場の状態でもよいであろう。こうして、閾値を下回る全ての値が、場の状態ＮＩＥＤＲＩＧ（低）に数えられ、閾値を上回る全ての値が、場の状態ＨＯＣＨ（高）に数えられることができる。他の形態において、場の状態は、ＳＴＥＩＧＥＮＤ（上昇）及びＫＯＮＳＴＡＮＴ（一定）とすることもできよう。ここで、ＳＴＥＩＧＥＮＤは、信号値が時間とともに上昇することを意味し、ＫＯＮＳＴＡＮＴは、信号値が時間とともに一定であることを意味する。状態をこのように選択する長所は、モータや車両といった外部構成要素に関する仮定を行わずに済み、代わりに手元にあるデータだけで処理される点である。

他の構成において、可能な状態は、ＢＥＳＣＨＬＥＵＮＩＧＥＮ（加速）（静止状態から一定の速度に達するまでの走行区間又は減速過程の走行区間を表す。）及びＳＴＥＨＥＮ（停車）（車両の加速と減速の間の走行区間を象徴する。）でもよい。この場合、純粋なモータデータ −モータデータを車両との関係において位置付ける意味があるもの− を集める長所がある。これにより、データを簡単に解析できるとともに、それにより、車両の位置特定に関連して装置のさらなる構成要素を容易に開発できる。

さらに、他の一構成において、可能な状態は、ＫＯＮＳＴＡＮＴＥＦＡＨＲＴ（定走行）（ここで、ＫＯＮＳＴＡＮＴＥＦＡＨＲＴは、車両が略等速度で動いていることを表す。）及びＢＲＥＭＳＥＮ（制動、減速）（車両が減速工程を目下実行していることを示す。）でもよい。状態ＢＲＥＭＳＥＮは、制動時にエネルギー回生用ユニットが使える車両の場合には特に効果的に認識され得る。これは、エネルギー回生用ユニットの磁場との相互作用に起因するものである。

他の実施形態において、磁力計センサデータに加えて、センサデータと関係している或いは関係付けられているメタ情報も記憶することができる。これは、例えば、データの容易な後処理（Ｗｅｉｔｅｒｖｅｒａｒｂｅｉｔｕｎｇ）を可能にするタイムスタンプでもよい。また、例えば、記録と並行して振幅ないし傾きの算出といった計算を実行してこれらを信号とともに記憶することができるようになり、これにより、空きリソースを有効に活用することができる。

本発明の有利な形態は、公共の近距離交通の路線図を示す路線データを受信できるモバイル端末を企図している。これらのデータには、公共の近距離交通における決まった走行時間と距離を持った路線（Ｖｅｒｂｉｎｄｕｎｇ）と駅とが蓄えられていてもよい。この種のモバイル端末のユーザが、自身の出発位置、自身が選択した交通手段及び自身の最終停留所を指定すれば、乗客が目的停留所に到達したそのときに、装置が降車のためのアラームを出力することが可能であろう。これは、選択された交通手段を使うと出発及び目的停留所間にいくつの駅があるかを位置算出ユニットが算出することにより実現される。

他の構成において、クラス分類器（Ｋｌａｓｓｉｆｉｋａｔｏｒ）は、記憶ユニットからの磁力計センサデータの特徴的な信号変化曲線を新しい測定データと比較する。比較パラメータ、例えば信号の振幅に基づいて、クラス分類を実行することができる。これは、クラス分類が簡単で早いという長所を持つ。

他の形態において、少なくとも一つの記憶ユニットは、補間する多項式の係数として磁力計センサデータを記憶するように設けられていてもよく、これらの係数は、例えば、超空間における座標としてクラス分類に用いることができる。これは、必要メモリ（Ｓｐｅｉｃｈｅｒｂｅｄａｒｆ）をかなり低減するので、メモリによるボトルネックが通常存在するような特にモバイル端末においてはまさにメリットがある。

他の構成において、モバイル端末は、少なくとも一つの圧力計を有していてもよい。圧力計のセンサデータを利用することで、モバイル端末ないしそのユーザが建物の階を移ったかどうかを算出することができる。例えば、地下鉄の駅に降りて行くことを認識することができる。さらに、ユーザが地下鉄の駅の中で階を変えたかどうかを認識することが考えられる。これは、地下鉄の路線を変更するための指標であってもよいであろう。クラス分類ユニットは、圧力状態を求めるために圧力センサデータを用いるよう構成されていてもよい。状態は、位置推定の精度を向上させるために位置算出ユニットにより利用することができる。

さらに、モバイル端末の位置を特定するための、特に先の構成において述べられたような装置を用いた方法により課題が解決され、当該方法は、以下のステップを有する：
ａ）電動モータの磁気的及び／又は電気的な場のデータを検知し、
ｂ）磁気的及び／又は電気的な場のデータを少なくとも一つの記憶装置に記憶し、
ｃ）電動モータの状態又は電動モータにより駆動される車両の状態を分類し、
ｄ）少なくとも一つの記憶装置にその状態を記憶し、
ｅ）少なくとも一つの記憶ユニット内にある状態を用いてモバイル端末の位置を特定する。

装置との関係で既に述べられたものと同様もしくは同等の長所が得られる。

本発明による課題は、さらに、実行可能な命令を備え、その命令が実行されるときに記載された方法をコンピュータに実施させる、コンピュータにより読み取り可能な記憶媒体により解決される。

以下に、図面に基づいて詳細に説明される複数の構成例により本発明を述べる。

三相交流誘導電動機２０と第一のスマートフォン３０を有する地下鉄１０の概略的な平面図である。 図３による第一のスマートフォン３０を用いた位置算出のフロー図である。 位置算出に必要な第一のスマートフォン３０の構成要素に関して図１の第一のスマートフォン３０を概略的に示す図である。 磁力計センサユニット３１によって取得された磁力計センサデータ６０を示す図である。 図２及び図７による位置算出に使用される公共の近距離交通の路線図６２である。 図１による三相交流誘導電動機２０と第二のスマートフォン３０’とを有する地下鉄１０の概略的な平面図であって、ＧＳＭアンテナマスト５０とＷｉＦｉステーション４０とが地下鉄１０の近くに配置されていることを示す図である。 図６の構成との関連で位置検出する第二の手段を示す図である。 図７による位置算出に必要な構成要素に関して図６の第二のスマートフォン３０’を概略的に示す図である。

以下の記載において、同一の部分及び同じ作用の部分は同じ符号が用いられる。

第一の構成における位置算出の目的は、地下鉄１０内で携帯されるスマートフォン３０の位置を公共近距離交通の路線図６２において推定することである。

図１は、三相交流誘導電動機２０により駆動される地下鉄１０と、乗客によって使用される第一のスマートフォン３０の概略的な平面図である。

第一のスマートフォン３０の位置算出の基本的な流れが図２に示されている。

最初に、三相交流誘導電動機２０により誘起された磁場の性状を磁力計センサユニット３１が捉える。磁力計センサデータ６０は、関連付けられたタイムスタンプとともにクラス分類ユニット３２に転送される。

次に、クラス分類ユニット３２において、磁力計センサデータ６０に状態６１が割り当てられる。それぞれ算出された状態６１は、続いて記憶装置３４内にタイムスタンプとともに記憶される。

例えば一分毎、或いは状態が新たに記憶されたらその都度といった所定の時刻において、位置算出ユニット３３は、記憶装置３４から状態６５を読み出す。状態６５とタイムスタンプとから、地下鉄１０の走行時間が推定される。路線図６２とそこに設定された停留所間の走行時間とを組み合わせることで、本発明によるシステムは、位置推定６３を算出する。

図３は、位置算出に必要な構成要素を持つ第一のスマートフォン３０を示す。第一のスマートフォン３０は、特に磁力計センサユニット３１、クラス分類ユニット３２、位置算出ユニット３３及び記憶装置３４を有する。

記憶装置３４は、フラッシュＥＥＰＲＯＭメモリとして構成されている。記憶装置３４には、公共の近距離交通の路線図６２が蓄えられている。本発明によれば、物理的に離れた場所にデータを蓄える例えばネットワークストレージソリューション（Ｎｅｔｚｗｅｒｋｓｐｅｉｃｈｅｒｌｏｅｓｕｎｇ）やインターネットストレージソリューション（Ｉｎｔｅｒｎｅｔｓｐｅｉｃｈｅｒｌｏｅｓｕｎｇ）（クラウドメモリ）といった記憶装置の他の構成も可能である。

磁力計センサユニット３１は、システム・イン・パッケージ集積化のアプローチにより実現されている９自由度センサの構成部品である。残りの６自由度を使用可能にする他の構成部品は、ジャイロスコープと加速度センサである。磁力計センサユニット３１は、三相交流誘導電動機２０により誘起された磁場の場の性状をベクトル的に表現できるようにする。測定された場の性状は、記録時刻とともにタプル（組）として捉えられる。

図４は、第一のスマートフォン３０の磁力計センサユニット３１により記録された、地下鉄１０の走行中における三相交流誘導電動機２０の磁場強度の測定値を示す。地下鉄１０が加速していて、そのために状態：ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン：加速）Ｚ１にある領域と、地下鉄１０が停まっていて、そのために状態：ＳＴＥＨＥＮ（シュテーエン：停車）Ｚ２にある領域とが分かる。

図３のクラス分類ユニット３２は、注釈付き訓練データ（ａｎｎｏｔｉｅｒｔｅｎ Ｔｒａｉｎｉｎｇｓｄａｔｅｎ）により事前に訓練されたサポートベクタマシンとして実装されている。

サポートベクタマシンは、入力値を超空間内の点として解釈する。入力値は、磁力計センサデータ６０から取り出される。訓練によって求められた超平面を用いて、異なる複数のクラスが分割される。クラス分類のために、超平面のどの側に点が存在するかが算出される。第一の構成例では、超空間の次元は、次のものである：
磁場強度の大きさ；
磁場強度の経時変化を補間するｎ次補間多項式の係数に関するｎ次元

さらに、クラス分類ユニット３２は、算出された状態６１を記憶装置３４内のタイムスタンプと一緒に記憶する。

クラス分類ユニット３２は、ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン）とＳＴＥＨＥＮ（シュテーエン）の状態のクラス間を区別するように訓練されている。ここで、ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン）は、地下鉄１０が加速していることを示し、ＳＴＥＨＥＮ（シュテーエン）は、地下鉄１０がじっとしていることを示す。

位置算出ユニット３３は、クラス分類ユニット３２において算出された状態６５を解釈する。それで、状態ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン）Ｚ１は、地下鉄１０が路線図６２の或る駅を出発すると解釈され、これに対して、状態ＳＴＥＨＥＮ（シュテーエン）Ｚ２は、地下鉄１０が路線図６２の或る駅にいるものと解釈される。こうして、一つの駅から次の駅への走行は、一連のＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン）Ｚ１状態とＳＴＥＨＥＮ（シュテーエン）Ｚ２状態とみなされる。加えて、状態６５と一緒に記憶されたタイムスタンプを用いて、二つの駅の間の終了した走行のそれぞれに対して、地下鉄１０の推定走行時間が算出される。

位置算出ユニット３３は、逐次モンテカルロ法を用いるように構成されている。位置算出ユニット３３は、多数のステップによる方法をとり、そのときに路線図６２のデータを用いるように構成されている。

記憶装置内に蓄えられた図５に示される路線図６２は、５つの駅ｓ_１，…，ｓ_５と４つの路線ｖ_１，…，ｖ_４を有する。路線の各々は、二つの駅を結んでいて、それに対して見込まれる一つの走行時間ｔ_１，…，ｔ_４に対応付けられている。路線図６２は、ノードとノードを結ぶエッジを持つ無向グラフとして解釈される。路線図６２の駅はグラフのノードとして、路線図の路線はグラフのエッジとして表される。グラフのエッジには、路線図６２の対応する路線の走行時間ｔ_１，…，ｔ_４が重みとして割り当てられる。

これらの情報を用いて、位置算出ユニット３３は、路線図６２内におけるスマートフォン３０の位置を以下のアルゴリズムに従って推定することができる。

初期化段階において、いわゆる粒子が生成される。これは、２組（２−Ｔｕｐｅｌ）（２タプル）であり、グラフの一つのノードと一つの粒子重み（Ｐａｒｔｉｋｅｌ Ｇｅｗｉｃｈｔ）がそれぞれ割り当てられている。粒子重みは、必ずしも整数ではない正の数である。

グラフの各ノードに対して、ちょうど一つの粒子が生成される。粒子重みは、初期化の間は全ての粒子に対して等しく、例えば１である。

後続のプロセスは、以下のステップを有する：

１．各粒子に対する以下の作業の遂行：
粒子に割り当てられたノードの各接続エッジ（ｉｎｚｉｄｅｎｔｅ Ｋａｎｔｅ）について、或る数を粒子重みに加える。その数の大きさは、地下鉄１０の測定された走行時間と、グラフにおける接続エッジの重みとの差分がどれくらい大きいかに依る。接続エッジの重みに対する差が非常に小さければ、粒子の重みに大きな数が加えられる。差が大きければ、小さな数が加えられる。

２．新たな量の粒子の生成。
初期化段階におけるのと同数の粒子が生成される。粒子へのノードの割り当ては、次のようなものになる：
一つの粒子に一つの特定のノードが割り当てられる確率は、その該当するノードに割り当てられている粒子のステップ１．による粒子重みがどれくらい大きいかに依存する。このとき、新たな粒子の群（Ｂａｌｌｕｎｇ）が出来上がる。これらの粒子には、ステップ１．においてノードの粒子に大きな粒子重みが割り当てられたノードが割り当てられている。次に考えるときは、ステップ２．において生成された粒子だけを見る。

このステップにおいて一つの粒子に最も多く割り当てられたノードが、現在の位置推定６３としてユーザに示される駅を表している。同数の粒子に設定されているノードがいくつか存在する場合は、これらのノードの中からランダムなやり方で選び出された一つのノードと、位置算出の不確かさについての情報とがユーザに宛てて示される。

３．第一の駅から第二の駅への地下鉄１０の移行のシミュレート。
ここでは、地下鉄１０は、走行の度に路線図６２において可能な路線ｖ_１，…，ｖ_４の一つだけをいつも走行するものと仮定される。

この移行をシミュレートするために、各ノードについて当該ノードへの接続エッジとちょうど同数の粒子が存在することになるまで全ての粒子が複製される。次に、各粒子について、ノードは、グラフ内で隣接するノードにより置き換えられる。

こうして次にステップ１．を行う。

第一の実施形態を基にした第二の実施形態において、位置算出ユニット３２は、ＷｉＦｉ信号６６とＧＳＭ信号６７をさらに用いるように構成されている。この例では、粒子の重みを特定するために、上記段落のステップ１．において、追加の推定規準としてＷｉＦｉ信号６６とＧＳＭ信号６７とが用いられる。

図６には、図１による概略的な平面図が示されている。さらに、第二のスマートフォン３０’は、地下鉄１０内で乗客が持ち運んでいる。地下鉄１０の近くには、ＧＳＭアンテナマスト５０とＷｉＦｉステーション４０が配置されている。

図７は、図８に示された第二のスマートフォン３０’と、図６の配置構成とを用いた第二の構成例による位置算出の流れを示す。この流れは、基本的には、位置推定６３を改善するために位置算出ユニット３３においてＷｉＦｉ信号６６とＧＳＭ信号６７を用いる点が図２に示されている流れとは異なっている。つまり、第二のスマートフォン３０’は、ＷｉＦｉステーション４０のＷｉＦｉ信号６６をＷｉＦｉ受信ユニット３５により、また、ＧＳＭアンテナマスト５０のＧＳＭ信号６７をＧＳＭ受信ユニット３６により受け取る。ＷｉＦｉ信号６６とＧＳＭ信号６７とは、追加のパラメータとして位置算出ユニット３３に転送される。

図８は、図６による位置算出に必要な第二のスマートフォン３０’の構成要素を示す。第一のスマートフォン３０とは異なり、さらにＧＳＭ受信ユニット３６とＷｉＦｉ受信ユニット３７とがある。

第二の実施形態において、位置算出ユニット３３は、既述したように、ＧＳＭ信号６７とＷｉＦｉ信号６６とを用いるように構成されている。それには、第一の実施形態による位置特定に用いられるアルゴリズムを適切なものに変更しなければならない。この変更は、概ねアルゴリズムのステップ２．に限られる：

より優れた位置推定６３を実現するために、ＧＳＭ信号６７とＷｉＦｉ信号６６が解析され、それらが路線図６２内の多数の駅に対して関連付けられる。これは、ＧＳＭ信号６７とＷｉＦｉ信号６６が路線図内に予めマッピングされている（ｋａｒｔｏｇｒａｐｈｉｅｒｔ）ということを前提としている。普通はこの場合に該当し、公にアクセス可能なインターフェースを介して照会することができる。

適用されるアルゴリズムのステップ２．では、ＧＳＭ信号６７或いはＷｉＦｉ信号６６が存在する一つの駅を表すノードが割り当てられている全ての粒子が、より大きな重みを追加的に取得する。これにより、測定としての走行時間だけが位置推定６３に影響するのではなくなるため、結果が改善されることになる。

第一又は第二の実施形態に基づいた第三の実施形態では、路線図６２にさらに地下鉄系統（Ｕ−Ｂａｈｎ Ｓｙｓｔｅｍ）の線路が含まれていてもよい。位置算出ユニット３２は、どの線路に乗客がいるかについても特定することで、クラス分類の誤りに対して位置算出がロバストになるように構成されている。

本発明の第四の実施形態では、地下鉄１０の乗客は、所定数の駅を後にすると降車のためのアラームを受け取る。

このとき、第四の実施形態では記憶ユニット３４内に路線図６２が蓄えられない。

第四の実施形態では、位置算出ユニット３３は、決定論的な方法に置き換えられている。具体的には、決定論的な決定木が実装されている。決定木は、その根ノードの他に、自身がさらに子を持つことのない第一の葉と第二の葉、つまりノードだけを持つ。

第四の実施形態においては或る規則が用いられる。それは、ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン：加速）Ｚ１の状態にあるときは第一の葉を選択し、ＳＴＥＨＥＮ（シュテーエン：停車）Ｚ２の状態にあるときは第二の葉を選択するというものである。

第一の葉が選ばれると、関数“ＩｎｆｏｒｍＵｓｅｒ”（１に初期化された変数を１だけ増やす。）が呼び出される。次に関数は、最大数ＭＡＸに達しているかどうかを確かめる。第四の実施形態では、変数ＭＡＸの値は、ユーザにより設定され、最大で走行すべき地下鉄駅数を表す。ＭＡＸに達していたら、その数に達したことをユーザに知らせる。状態ＳＴＥＨＥＮ（シュテーエン：停車）にあるときは、他に何もしなくてよい。こういった決定木を実施する関数“ＩｎｆｏｒｍＵｓｅｒ”は、以下の擬似コードとして表されている。

ＩｎｆｏｒｍＵｓｅｒ（Ｚｕｓｔａｎｄ， ＭＡＸ）： ／／ クラス分類ユニットからの状態（Ｚｕｓｔａｎｄ），
／／ ユーザ又はメモリのＭＡＸ
ＩＦ Ｚｕｓｔａｎｄ ＥＱＵＡＬＳ ＢＥＳＣＨＬＥＵＮＩＧＥＮ：
Ｃｏｕｎｔ ＝ Ｌｏａｄ（Ｃｏｕｎｔ） ／／ Ｃｏｕｎｔのロード
Ｉｆ ｎｏｔ Ｃｏｕｎｔ： ／／ 最初の実行時にＣｏｕｎｔを初期化
Ｃｏｕｎｔ ＝ １
Ｃｏｕｎｔ ＝ Ｃｏｕｎｔ ＋ １
Ｉｆ Ｃｏｕｎｔ ＥＱＵＡＬ ＭＡＸ：
ＩｎｆｏｒｍｉｅｒｅＢｅｎｕｔｚｅｒ（「あなたの駅に着きました」）
Ｃｏｕｎｔ ＝ １ ／／ プログラムのリセット
ＥＬＳＥ：
Ｓａｖｅ（Ｃｏｕｎｔ） ／／ カウントを保存
ＥＮＤ Ｅｎｔｓｃｈｅｉｄｕｎｇｓｂａｕｍ
（エンド 決定木）

示された実施形態では、クラス分類ユニット３２と位置算出ユニット３３とがソフトウェアとして置き換えられており、その命令がプロセッサにより読み込まれて実行され得る点が有利である。これは、開発技術的及び経済的観点から有意義である。さらに、両方の構成要素がデジタル化されたハードウェア構成要素として置換されている実施形態もあり得る。

１０ 地下鉄
２０ 三相交流誘導電動機
３０ 第一のスマートフォン
３０’ 第二のスマートフォン
４０ ＷｉＦｉステーション
５０ ＧＳＭアンテナマスト
３１ 磁力計センサユニット
３２ クラス分類ユニット
３３ 位置算出ユニット
３４ 記憶装置
３５ ＷｉＦｉ受信ユニット
３６ ＧＳＭ受信ユニット
６０ 磁力計センサデータ
６１ 状態
６２ 路線図
６３ 位置推定
６５ 状態
６６ ＷｉＦｉ信号
６７ ＧＳＭ信号
ｔ_１ 時間間隔１
ｔ_２ 時間間隔２
ｔ_３ 時間間隔３
ｔ_４ 時間間隔４
ｖ_１ 路線１
ｖ_２ 路線２
ｖ_３ 路線３
ｖ_４ 路線４
ｓ_１ 駅Ａ
ｓ_２ 駅Ｂ
ｓ_３ 駅Ｃ
ｓ_４ 駅Ｄ
ｓ_５ 駅Ｅ
Ｚ１ ＢＥＳＣＨＬＥＵＮＩＧＥＮ（ベシュロイニゲン：加速）
Ｚ２ ＳＴＥＨＥＮ（シュテーエン：停車）

Claims (15)

1. モバイル端末（３０，３０’）又はスマートフォンの少なくとも一つの位置を特定する装置であって、
   少なくとも一つの記憶装置（３４）と、
   磁力計センサデータ（６０）を出力する磁力計センサユニット（３１）と、
   クラス分類ユニット（３５）と、
   モバイル端末の位置（３０，３０’）を特定する位置算出ユニット（３３）と
   を有する装置において、
   クラス分類ユニット（３５）は、
   ａ）少なくとも一つの電動モータ（２０）の状態及び／又は少なくとも一つの電動モータにより駆動される車両（１０）の状態又は稼動状態を、磁力計センサデータ（６０）を用いて算出し、
   ｂ）算出された状態（６１）を少なくとも一つの記憶装置（３４）に記憶するように構成されており、
   位置算出ユニット（３３）は、少なくとも一つの記憶装置（３４）から状態を読み出し、
   この状態を用いてモバイル端末（３０，３０’）の少なくとも一つの位置（６３）を特定することを特徴とする装置。
2. 請求項１に記載の装置において、
   位置算出ユニット（３３）は、モバイル端末の少なくとも一つの位置（３０，３０’）を特定するために追加の信号又はＧＳＭアンテナマスト（６８）の信号及びＷｉＦｉアクセスポイント（６６）の信号を用いるように構成されていることを特徴とする装置。
3. 請求項１または２のいずれか一項に記載の装置において、
   位置算出ユニット（３３）は、追加の信号データから、位置推定の良さの度合を計算するように構成されていることを特徴とする装置。
4. 請求項１から３のいずれか一項に記載の装置において、
   位置算出ユニット（３３）は、逐次モンテカルロ法及び／又は動的ベイジアンネットワーク及び／又はカルマンフィルタを用いて位置を特定することを特徴とする装置。
5. 請求項１から４のいずれか一項に記載の装置において、
   クラス分類ユニット（３２）は、電動モータの状態及び／又は電動モータにより駆動される車両の状態を、クラス分類のためにサポートベクタマシン及び／又は線形判別分析を用いて特定することを特徴とする装置。
6. 請求項１から５のいずれか一項に記載の装置において、
   クラス分類ユニット（３２）は、カージナリティが１０より少ない又は５より少ない状態の有限集合から状態を算出することを特徴とする装置。
7. 請求項１から６のいずれか一項に記載の装置において、
   クラス分類ユニット（３２）は、少なくとも一つの第一のモータ状態及び少なくとも一つの第二のモータ状態を算出するように構成されており、第一の状態は、電動モータに駆動電圧がかかっていることを示し及び／又は第二の状態は、電動モータに駆動電圧かかっていないことを示すことを特徴とする装置。
8. 請求項１から７のいずれか一項に記載の装置において、
   クラス分類ユニット（３２）は、少なくとも一つの第一の場の状態及び少なくとも一つの第二の場の状態を算出するように構成されており、第一の場の状態は、測定された値が閾値よりも下にあることを示し、第二の状態は、値が閾値よりも上にあることを示すことを特徴とする装置。
9. 請求項１から８のいずれか一項に記載の装置において、
   クラス分類ユニット（３２）は、少なくとも一つの第一の車両状態及び少なくとも一つの第二の車両状態を算出するように構成されており、第一の車両状態は、車両が加速していることを示す及び／又は第二の車両状態は、車両が停止していることを示すことを特徴とする装置。
10. 請求項１から９のいずれか一項に記載の装置において、
    モバイル端末（３０，３０’）は、磁力計センサデータ（６０）及びメタ情報又はタイムスタンプを記憶するように構成されており、メタ情報は、磁力計センサデータ（６０）に関連付けできることを特徴とする装置。
11. 請求項１から１０のいずれか一項に記載の装置において、
    位置算出ユニット（３３）は、モバイル端末の少なくとも一つの位置（３０，３０’）を特定するために、
    少なくとも、
    複数の駅、
    駅の間の路線、
    及び付加的に、
    駅の間の距離、
    駅の間の走行時間
    を有した路線図を表す路線データ（６２）を受信することを特徴とする装置。
12. 請求項１から１１のいずれか一項に記載の装置において、
    少なくとも一つの記憶装置（３４）は、特徴的な信号変化を示すデータを記憶し、
    クラス分類ユニット（３５）は、状態を算出するために、このデータを磁力計センサデータと比較することを特徴とする装置。
13. 請求項１から１２のいずれか一項に記載の装置において、
    少なくとも一つの記憶装置（３４）は、特徴的な信号変化を表す多項式係数を記憶することを特徴とする装置。
14. 請求項１から１３のいずれか一項に記載の装置を用いてモバイル端末（３０，３０’）の位置を特定する方法であって、
    電動モータ（２０）の磁気的な及び／又は電気的な場のデータを検知し、
    磁気的な及び／又は電気的な場のデータを少なくとも一つの記憶装置（３４）に記憶し、
    電動モータ（２０）の状態又は電動モータにより駆動される車両の状態を分類し、
    その状態を少なくとも一つの記憶装置（３４）に記憶し、
    モバイル端末の位置を、少なくとも一つの記憶装置（３４）の中にある状態を用いて特定するステップを有する方法。
15. コンピュータにより読み取り可能な記憶媒体であって、実行可能な命令を有し、命令が実行されると、請求項１４に記載の方法をコンピュータに実施させる記憶媒体。

Images