JP6933584B2 - 移動モデルを用いた物体への位置測定のマッピング - Google Patents

Description

（関連出願の相互参照）
本願は、２０１５年９月２９日に出願された共有に係る米国仮特許出願第６２／２３４，３２１号に対する優先権を主張するものであり、該米国仮特許出願は、あらゆる目的のために参照により本明細書中に援用される。

本開示は、ユーザの手または指等の物体によって行われるジェスチャを検出するためのシステムのための信号処理等、移動する物体を追跡するための信号処理に関する。

センサシステムが、ジェスチャを検出および分析し、電子デバイスの拡張制御機能を提供することが可能なタッチ式および非タッチ式入力システムを提供するために開発されている。タッチ検出システムは、通常、マトリクスに配列される水平および垂直電極を伴う、容量システムを使用する。相互および自己静電容量測定が、１つまたはそれを上回るタッチ点を判定するために使用されることができる。コントローラは、移動を追跡し、ジェスチャを評価するように構成されることができる。例示的タッチコントローラは、本願の譲受人によって製造されたＭＴＣＨ６３０３である。Ｍｉｃｒｏｃｈｉｐ Ｔｅｃｈｎｏｌｏｇｙ， Ｉｎｃ．から入手可能なアプリケーションノート「ＭＴＣＨ６３０３ Ｐｒｏｊｅｃｔｅｄ Ｃａｐａｃｉｔｉｖｅ Ｔｏｕｃｈ Ｃｏｎｔｒｏｌｌｅｒ Ｄａｔａ Ｓｈｅｅｔ」ＤＳ４０００１８０３が、参照することによって全体として本明細書に組み込まれる。

いくつかのセンサシステムでは、測定されたタッチ位置を接点識別子（ＩＤ）にマップすることは、測定されたタッチ位置と既知の接点の予測される位置との間の距離を計算し、それらの距離に基づいて最適割当を判定することによって解決される、組み合わせ割当問題である。タッチセンサシステムの状況では、用語「接点」および「接点識別子」は、同義的に使用され得る。さらに、本開示はまた、用語「物体」および「物体識別子」を「接点」ならびに「接点識別子」の使用と同意語として使用し得る。

ＭＴＣＨ６３０３ Ｐｒｏｊｅｃｔｅｄ Ｃａｐａｃｉｔｉｖｅ Ｔｏｕｃｈ Ｃｏｎｔｒｏｌｌｅｒ Ｄａｔａ Ｓｈｅｅｔ、ＤＳ４０００１８０３

種々の実施形態によると、接点への新しく測定された位置のマッピングのためのコスト関数が、非自明距離測定とは対照的に、接点の移動のための確率論的モデルの状態から導出される。したがって、コスト関数は、自己調節モデルならびに移動方向と水平および垂直な加速の尤度によって推定される、移動の速度ならびに方向を考慮することができる。

物体追跡システムでは、タスクは、測定された位置と物体の組み合わせ割当問題を解くことに遭遇する。それに加えて、コストマトリクスが、各物体への各測定された位置の割当のための個々のコストから構成される。最適割当が、次いで、例えば、ハンガリアン（Ｋｕｈｎ−Ｍｕｎｋｒｅｓ）アルゴリズム［Ｈａｒｏｌｄ Ｗ． Ｋｕｈｎ，"Ｔｈｅ Ｈｕｎｇａｒｉａｎ Ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｓｓｉｇｎｍｅｎｔ ｐｒｏｂｌｅｍ"，Ｎａｖａｌ Ｒｅｓｅａｒｃｈ Ｌｏｇｉｓｔｉｃｓ Ｑｕａｒｔｅｒｌｙ，２：８３−９７，１９５５］を用いて判定されることができる。

最適割当は、典型的には、最小総コストを伴う割当を含み得る。

割当毎のコストは、接点の新しく測定されたタッチ位置と最新（または予測）位置との間のマンハッタン距離または（平方）ユークリッド距離のような単純メトリックであってもよい。我々の新しいアプローチでは、本メトリックは、移動モデルから導出される。

本開示の実施形態は、位置追跡システムを含む。本システムは、プロセッサと、プロセッサに結合されるメモリとを含んでもよい。メモリは、プロセッサによってロードおよび実行されると、プロセッサに、複数の測定をセンサから受信させ、確率論的モデルを使用して、推定される物体の場所を測定にマップさせる、命令を含んでもよい。マッピングは、場所および測定に関するコストに基づいてもよい。確率論的モデルは、場所に基づいてもよい。

さらに、本開示の実施形態は、命令を含む、非一過性コンピュータ可読媒体を含む。命令は、プロセッサによってロードおよび実行されると、プロセッサに、複数の測定をセンサから受信させ、確率論的モデルを使用して、推定される物体の場所を測定にマップさせる。マッピングは、場所および測定に関するコストに基づいてもよい。確率論的モデルは、場所に基づいてもよい。

また、本開示の実施形態は、方法を含む。本方法は、複数の測定をセンサから受信するステップと、確率論的モデルを使用して、推定される物体の場所を測定にマップするステップとを含んでもよい。マッピングは、場所および測定に関するコストに基づいてもよい。確率論的モデルは、場所に基づいてもよい。
本発明は、例えば、以下を提供する。
（項目１）
位置追跡システムであって、
少なくとも１つのプロセッサと、
前記プロセッサに通信可能に結合される、少なくとも１つのコンピュータ可読媒体であって、前記媒体は、前記プロセッサによってロードおよび実行されると、前記プロセッサに、
複数の測定をセンサから受信することと、
移動モデルを使用して、物体の場所を測定にマップすることであって、前記マッピングは、前記移動モデル、測定データ、および前記場所から算出されるコストに基づく、ことと
を行わせるための命令を含む、媒体と、
を備える、位置追跡システム。
（項目２）
前記測定は、位置データを含む、項目１に記載の位置追跡システム。
（項目３）
前記移動モデルは、確率論的モデルを含む、項目１または２に記載の位置追跡システム。
（項目４）
前記移動モデルは、前記物体の過去の軌道に基づく、前記項目のいずれか一項に記載の位置追跡システム。
（項目５）
前記移動モデルは、前記物体の移動方向と前記物体の移動に直交する方向との間で異なる、確率分散を含む、前記項目のいずれか一項に記載の位置追跡システム。
（項目６）
前記移動モデルは、前記物体の移動に直交する方向より前記物体の移動方向に関して大きい確率を含む、前記項目のいずれか一項に記載の位置追跡システム。
（項目７）
前記物体の移動方向および前記物体の移動に直交する方向に関する確率を判定するための前記移動モデルの分散は、カルマンフィルタから得られる、前記項目のいずれか一項に記載の位置追跡システム。
（項目８）
命令を備える、少なくとも１つの非一過性コンピュータ可読媒体であって、前記命令は、プロセッサによってロードおよび実行されると、前記プロセッサに、
複数の測定をセンサから受信することと、
移動モデルを使用して、物体の場所を測定にマップすることであって、前記マッピングは、前記移動モデル、前記測定、および前記場所から算出されるコストに基づく、ことと
を行わせる、媒体。
（項目９）
測定データは、位置データを含む、項目８に記載の媒体。
（項目１０）
前記移動モデルは、確率論的モデルを含む、項目８または９に記載の媒体。
（項目１１）
前記移動モデルは、前記物体の過去の軌道に基づく、項目８〜１０のいずれか一項に記載の媒体。
（項目１２）
前記移動モデルは、前記物体の移動方向と前記物体の移動に直交する方向との間で異なる、確率分散を含む、項目８〜１１のいずれか一項に記載の媒体。
（項目１３）
前記移動モデルは、前記物体の移動に直交する方向より前記物体の移動方向に関して大きい確率を含む、項目８〜１２のいずれか一項に記載の媒体。
（項目１４）
前記物体の移動方向および前記物体の移動に直交する方向に関する確率を判定するための前記移動モデルの分散は、カルマンフィルタから得られる、項目８〜１３のいずれか一項に記載の媒体。
（項目１５）
方法であって、
複数の測定をセンサから受信するステップと、
移動モデルを使用して、物体の場所を測定にマップするステップであって、前記マッピングは、移動モデル、前記測定、および前記場所から算出されるコストに基づく、ステップと、
を含む、方法。
（項目１６）
前記測定は、位置データを含む、項目１５に記載の方法。
（項目１７）
前記移動モデルは、確率論的モデルを含む、項目１５または１６に記載の方法。
（項目１８）
前記移動モデルは、前記物体の過去の軌道に基づく、項目１５〜１７のいずれか一項に記載の方法。
（項目１９）
前記移動モデルは、前記物体の移動方向と前記物体の移動に直交する方向との間で異なる、確率分散を含む、項目１５〜１８のいずれか一項に記載の方法。
（項目２０）
前記移動モデルは、前記物体の移動に直交する方向より前記物体の移動方向に関して大きい確率を含む、項目１５〜１９のいずれか一項に記載の方法。

図１は、物体の移動を追跡するためのシステムの例示的実施形態を図示する。 図２は、物体の移動を追跡するために行われる測定を図示する。 図３は、ユークリッド距離を使用した物体の移動の例示的分析を図示する。 図４は、移動モデルから得られるコスト関数の例示的実施形態を図示する。 図５は、確率論的モデルを使用した物体の移動の例示的分析を図示する。 図６は、物体の移動を追跡するための方法の例示的実施形態を図示する。

図１は、物体の移動を追跡するためのシステム１００の例示的実施形態の例証である。システム１００は、指、手、他の身体部分、または物体全体等の物体を追跡してもよい。物体は、電子デバイス１０４等の電子デバイスとインターフェースをとる、またはその近傍で動作するにつれて、追跡されてもよい。追跡されるべき物体は、図１に示されないが、追跡されるべきこれらの物体は、センサまたはセンサのセットの感知範囲に触れる、ほぼ触れる、もしくは別様にその中にあってもよい。一実施形態では、システム１００は、物体が将来位置するであろう場所を予測することによって、物体の移動を追跡してもよい。センサからの測定を前提として、システム１００は、測定が、雑音である、ある物体からのものである、または電子デバイス１０４によって追跡され得る１つを上回る物体の物体からのものであるかどうかを判定してもよい。一実施形態では、システム１００は、新しい測定を物体の移動の以前の測定または計算されたトレースに関連させる確率モデルに基づいて、そのような判定を行ってもよい。別の実施形態では、システム１００は、物体の垂直移動ではなく、物体の以前の線形移動、加速、または減速に関連する、より高い確率を測定に割り当てることによって、そのような判定を行ってもよい。

任意の好適なセンサが、物体の移動を追跡するシステム１００内で使用されてもよい。例えば、電子デバイス１０４は、センサ１０６を含んでもよい。センサ１０６は、容量、光学、赤外線、超音波、または他のセンサ等のタッチセンサもしくは近接度センサとして実装され、ユーザの手等の物体の移動を検出およびトレースしてもよい。

センサ１０６は、分析のための測定を発してもよい。システム１００は、センサ１０６からの測定を分析し、そのような測定が感知された特定の物体に割り当てられるべきかどうかを判定するための任意の好適な機構を含んでもよい。さらに、システム１００は、そのような物体の移動のトレースをマップするための任意の好適な機構を含んでもよい。例えば、システム１００は、移動分析モジュール（ＭＡＭ）１０２を含んでもよい。ＭＡＭ１０２は、任意の好適な様式で実装されてもよい。例えば、ＭＡＭ１０２は、ハードウェア、ソフトウェア、アナログ回路、デジタル回路、再構成可能論理、または任意の好適なそれらの組み合わせにおいて実装されてもよい。一実施形態では、ＭＡＭ１０２は、プロセッサ１０８によって実行されると、本開示に説明される動作を行うようにＭＡＭ１０２を構成し得る、メモリ１１０等のコンピュータ可読媒体内の命令によって実装されてもよい。そのような場合、ＭＡＭ１０２は、プロセッサ１０８上での実行のために、１つまたはそれを上回る関数、コード、プロセス、スクリプト、実行可能ファイル、アプリケーション、オブジェクト、または他のエンティティによって実装されてもよい。プロセッサ１０８は、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、特定用途向けインターフェース回路（ＡＳＩＣ）、マイクロコントローラ、または汎用再構成可能プロセッサ等によって、任意の好適な様式で実装されてもよい。種々の実施形態では、ＭＡＭ１０２は、移動モデル１１２およびコストマトリクス１１４を含む、またはそれに通信可能に結合されてもよい。

ＭＡＭ１０２は、任意の好適な数の物体または次元を追跡するように構成されてもよい。以下の実施例では、ＭＡＭ１０２は、トラックパッド、ディスプレイ入力、または電子デバイス１０４への他の類似入力に対して２本の指を追跡するように示される。しかしながら、ＭＡＭ１０２の動作および構成は、これらの実施例から、センサの可用性に応じて、任意の好適な数ならびに種類の物体を追跡することに拡張されてもよい。例えば、ＭＡＭ１０２は、消費者電子機器内の測位システム、２次元または３次元空間、医学（血管内の移動する粒子の追跡等）、軍用標的追跡、ロボット、ビデオ監視、屋内および／または屋外測位システムにおいて複数の物体を追跡するように構成されてもよい。いくつかの事例では、エンドユーザが着目し得ない物体が、追跡され得る。例えば、２次元タッチパッド上の水滴は、指のタッチに類似する測定を生じさせ得る。しかしながら、最終的に、そのような物体は、より高レベルの用途のために無視されるべきである。これらの物体は、標的物体と異なる移動モデルを有し得る。

図２は、例示的タッチデータの例証である。２つの物体（指等）ＩＤ０およびＩＤ１を前提として、そのような物体は、円形マークによって図２に示される個別の位置にあることが事前に判定されていてもよい。そのような判定は、それ自体が予測または推定となっていてもよい。２次元または３次元移動を判定および追跡することが可能であるが、ＭＡＭ１０２は、したがって、これらの基準点を物体トレースにマップし得る。

図２において＃０および＃１として表され、十字マークを使用して示される、２つの新しい測定を検討する。ＭＡＭ１０２は、これらの測定のそれぞれがすでに追跡されている物体、新しく検出された物体に属するか、またはいかなる物体にも全く属さないかどうかを判定するように構成されてもよい。例えば、そのような測定は、雑音または不注意によるタッチである場合がある。

他の用途は、（平方）ユークリッド距離、マンハッタン距離、または個別の物体からの他の距離に基づいて、測定＃０および＃１を物体ＩＤ０ならびにＩＤ１のいずれかに割り当ててもよい。例えば、測定＃０は、ＩＤ１から３コスト単位であって、ＩＤ０から２コスト単位である。したがって、本単純比較に基づいて、測定＃０は、ＩＤ０に割り当てられ得る。しかしながら、同時またはほぼ同時に、測定＃１が、行われた。測定＃１は、ＩＤ１から４単位であって、ＩＤ０から３単位であることが判定され得、したがって、任意の他の考慮を伴わない場合、測定＃１もまた、ＩＤ０に割り当てられるであろう。しかしながら、両測定は、同一物体に同時に帰属することができない。その結果、いくつかの追跡モデルは、組み合わせ割当アルゴリズムを適用し、該当する場合、どの測定がどの物体に属するかを判定してもよい。そのような組み合わせ割当アルゴリズムを用いても、誤差が、生成され得る。

例えば、図３は、物体の最後の既知のまたは計算された位置への測定値からの平方ユークリッド距離の結果として生成され得る追跡された物体への測定のマッピングを図示する。図３は、グラフの上からグラフの下に向かって移動する、２つの物体（ＩＤ０およびＩＤ１）の移動のＸ−Ｙプロットを図示する。図中の各十字「×」は、測定を表す。前の測定は、グラフを通して移動されるにつれて、物体のトレースのうちの１つに帰属し得る。

面積３０１内には、測定位置ｂ_１が約ｘ＝１０にあって、測定位置ｂ_２が約ｘ＝１２にある、新しい測定のセットが見出され得ることが表される。距離のみの判定を前提として、ユークリッドまたは別の距離のいずれか使用すると、測定位置ｂ_１は、ＩＤ１に帰属し得、測定位置ｂ_２は、ＩＤ０に帰属し得る。これは、ｂ_１とＩＤ１の予測される接点位置との間の距離＋ｂ_２およびＩＤ０の予測される接点位置との間の距離が、ｂ_１とＩＤ０の予測される接点位置との間の距離＋ｂ_２とＩＤ１の予測される接点位置との間の距離より小さいためであり得る。距離計算判定は、したがって、正しくない可能性が高い交差トレースを生じさせ得る。これは、接点識別子への測定されたタッチ位置のマッピングが、全測定されたタッチ位置と全既知の接点の予測される位置との間の距離を計算し、次いで、それらの距離に基づいて、最適割当を判定することによって（正しくなく）解かれ得る、組み合わせ割当問題である、従来のタッチマッピングから生じ得る。コストマトリクスからの測定の割当は、例えば、ハンガリアン（Ｋｕｈｎ−Ｍｕｎｋｒｅｓ）アルゴリズム［Ｈａｒｏｌｄ Ｗ． Ｋｕｈｎ，"Ｔｈｅ Ｈｕｎｇａｒｉａｎ Ｍｅｔｈｏｄ ｆｏｒ ｔｈｅ ａｓｓｉｇｎｍｅｎｔ ｐｒｏｂｌｅｍ"，Ｎａｖａｌ Ｒｅｓｅａｒｃｈ Ｌｏｇｉｓｔｉｃｓ Ｑｕａｒｔｅｒｌｙ，２：８３-９７，１９５５］を使用して個々の物体に行われ得る。しかしながら、実際には、これは、例えば、２本の指がその前の平行トレース動作を維持する可能性が高いため、正しいマッピングである可能性が低くあり得る。

故に、一実施形態では、ＭＡＭ１０２は、物体への新しく測定された位置のマッピングのための異なるコスト関数を利用してもよい。そのようなコスト関数は、他の距離のみの計算と異なり得る。さらなる実施形態では、コスト関数は、物体の移動の確率論的モデルに基づいてもよい。

図４は、本開示の実施形態による、ＭＡＭ１０２によって適用され得る、確率論的モデルを用いたコスト関数値の例証である。確率論的モデルは、完全または部分的に、移動モデル１１２を実装してもよい。ＭＡＭ１０２は、確率論的モデルをセンサ１０６から受信された測定に適用し、コストマトリクス１１４を求めてもよく、そこから、最適マッピングが、判定されてもよい。確率論的モデルは、前の位置と、そのような位置から、速度、加速、または躍度とを考慮してもよい。さらに、確率論的モデルは、角度、弧、およびその派生物を含む、移動方向を考慮してもよい。確率論的モデルは、所与の現在のまたは予測される位置およびこれらの他のパラメータのうちの１つもしくはそれを上回るものを前提として、物体の次の測定がドメイン空間（ＸＹまたは付加的次元）空間内の任意の所与の位置であろう確率を識別してもよい。ドメイン空間の種々の部分は、確率の代表値として定義されてもよい。部分は、図４に示されるように、等値線を用いて定義されてもよい。最新位置を含有する部分は、最高確率であり得る。本第１の部分から離れるように移動する部分は、低下確率を表し得る。第１の部分に関する任意の好適な初期確率値および任意の勾配確率が、使用されてもよい。

確率論的モデルは、追跡されている物体毎に生成または適用されてもよい。したがって、新しい測定を前提として、ＭＡＭ１０２は、各物体の確率論的モデルを新しい測定に適用し、新しい測定が各個別の物体に属する確率を判定してもよい。本分析の結果は、コストマトリクス１１４等のマトリクス内に記憶されてもよい。続いて、ＭＡＭ１０２は、最適化ルーチンを適用し、１つまたはそれを上回る測定のために、種々の物体にマップされるように、または雑音として判定されるように、測定のための最良適合を判定してもよい。

次の測定が現在の位置推定に関連するであろう種々のコスト関数値を表す等値線の特定の形状が、任意の好適な基準に従って判定されてもよい。例えば、物体が高速で移動するほど、物体の軌道内の将来の測定が物体にマップするであろう確率が高くなる。したがって、物体の移動は、確率論的モデルを判定するために使用されてもよい。確率論的モデルによって判定されるコスト関数は、モデル化されている物体の移動の速度および方向を考慮してもよい。一実施形態では、確率論的モデルは、自己調節してもよい。物体が移動し、方向を変化させるにつれて、確率論的モデルのパラメータおよび変数は、再計算されてもよい。

一実施形態では、確率論的モデルは、物体が、垂直、加速、または減速ではなく、線形を伴って移動するであろう可能性がより高いことを定義してもよい。したがって、追跡されている物体は、方向を変化させるよりも既存の軌道内で加速または減速するであろう（線形もしくは別様に）可能性がより高い。図４に示される卵形等値線は、そのような確率を反映する。

確率論的モデルは、物体が、図４における矢印によって示されるように、一定速度で一定方向の移動（ニュートンの運動）を保つ傾向となるであろうと仮定し得る。いくつかの測定は、物体の雑音または意図的移動に起因して、ランダム要素を含み得る。等値線および確率値を定義する確率分布は、物体のニュートンの運動に適用されるガウス分布等の分布に従って行われてもよい。確率は、移動が一定であると仮定して割り当てられてもよい。移動方向と平行の加速は、移動方向と垂直な加速より可能性が高いと予測され得る。偏差に関する確率分布は、図４の輪郭に示されるように、それに直交する方向より線形または平行移動方向に大きな分散を有する。

確率論的モデルは、追跡される物体毎にパラメータのセットを維持してもよい。確率分布の分散は、一定である、または物体の移動の現在の速度、加速、躍度、角度、もしく軌道に適合されてもよい。測定を物体に割り当てるためのメトリックは、測定位置が個別の物体の移動モデルを用いて得られる、確率（または対数尤度）である。

確率論的モデルは、カルマンフィルタが基づくモデルから適合されてもよい。カルマンフィルタは、新しい位置推定が古いモデル状態から予測される、予測段階と、決定論的入力と、ランダムプロセス雑音の分散の自己調節推定とを含む。位置推定は、典型的には、直接、フィルタ状態内に含有されるであろう。確率論的モデルは、物体の位置推定、物体の推定される一定移動からの制御入力に基づいてもよく、プロセス雑音が、予測される位置からのランダム偏差によって実装され得る。カルマンフィルタの他の使用に対する変更は、ｘ−およびｙ−方向における移動のみを区別するのではなく、移動方向および移動と直交する方向におけるプロセス雑音分散を区別することも含んでもよい。

確率論的モデルは、好適な様式で判定されたパラメータを伴う、ガウス分布に基づいてもよい。一実施形態では、平均値μ、標準偏差σ、および以下の確率分布を伴う、ガウス分布ランダム変数ｚに関して、

（対数）尤度関数は、以下のように定義され得る。

２つのそのようなランダム変数の同時確率分布は、相関しない場合、非相関成分を伴う二変量ガウス確率分布に類似する、その個々の確率分布の積となる。対応する尤度関数は、２つの個々の尤度関数の和である。次元ｘおよびｙを伴う２次元デカルト座標系内に指数ｉを伴う追跡される物体に関して、ａ_ｉ＝［ｘ_ａ，ｉ、ｙ_ａ，ｉ］を予期される位置、ｖ_ｉ＝［ｖ_ｘ，ｉ、ｖ_ｙ，ｉ］を予期される移動量、ならびに

をそれぞれ予期される移動方向と平行ならびに垂直な移動に関する標準偏差とする。平行移動および垂直移動は、相関しないと仮定され得る。故に、点ｂ＝［ｘ_ｂ、ｙ_ｂ］が測定される尤度は、以下となる（定数項を省略する）。

演算子「・」によって表されるｖ_ｉとの（ｂ−ａ_ｉ）の内積によってｖ_ｉの方向における（ｂ−ａ_ｉ）の部分が抽出され、演算子「×」によって表されるｖ_ｉとの（ｂ−ａ_ｉ）の外積によって、ｖ_ｉの方向と垂直な（ｂ−ａ_ｉ）の部分が、抽出される場合、ベクトルおよびスカラーのユークリッドノルムは、それぞれ、||・||および｜・｜によって表され、．^Ｔは、ベクトル転置を表す。図２では、ａ_ｉ＝［０、０］、ｖ_ｉ＝［２、１］、

である。予期される移動がゼロ（ｖ_ｉ＝［０、０］）である場合、例外が、要求される。したがって、無方向移動が有利に働き、尤度は、以下によって計算されることができる

すなわち、ｂおよびａ_ｉのユークリッド距離に依存する。

図５は、本開示の実施形態による、ＭＡＭ１０２の例示的動作を図示する。図５では、ＭＡＭ１０２は、測定されたタッチ位置の検出に先立って、移動モデルに従ってトレースを生成していてもよい。各トレースにわたる重畳は、追跡される物体毎に、所与の領域内の測定がその物体に起因するであろう可能性を示す、確率モデルである。測定されたタッチ位置は、図３に示されるものと同一であってもよい。しかしながら、図５では、確率論的モデルの使用は、物体ＩＤ１の軌道をトレースし、トレースからの確率論的モデルを適用していてもよい。図５におけるドメイン上に示されるようなモデルは、ＭＡＭ１０２が、ＩＤ１からの将来的タッチが右の一連の等値線内のドメインの種々の部分内に生じる可能性が高い一方、ＩＤ０からの将来的タッチが左の一連の等値線内のドメインの種々の部分内に生じる可能性が高いことを予期することを示す。約ｘ＝１０における測定ｂ_１は、ＩＤ０モデルの高確率内にあって、約ｘ＝１２における測定ｂ_２は、ＩＤ１モデルの中程度の確率内にある。これは、測定ｂ_２が、概して、ＩＤ１の前の軌道内にあって、垂直移動ではなく、軌道の同一方向における減速を表すためである（ＩＤ０と関連付けられる、または測定ｂ_１がＩＤ１物体である場合に該当するであろうように）。また、新しい位置の予測が基づく位置は、すでに平滑トレース上にある。したがって、相互に交差するのではなく、ＩＤ０およびＩＤ１のトレースは、平行のままである。

故に、ＭＡＭ１０２は、位置を追跡し、コストまたは分布関数Ｆ_ｉ（ａ_ｉ、ｂ_ｊ）に基づいて、セットＡからの位置ａ_ｉをセットＢからの位置ｂ_ｊ（またはその逆）へとマップしてもよい。Ｆ_ｉは、位置ａ_ｉに基づいて、変更または生成されてもよい。Ａは、追跡される物体と関連付けられた位置推定のセットであってもよい。Ｂは、測定データから得られる位置推定のセットであってもよい。Ｆ_ｉは、ａ_ｉおよびｂ_ｊに関する尤度（または逆に、コスト、距離）測定を返してもよい。戻り値は、対（ａ_ｉ、ｂ_ｊ）の尤度が高／低であるとき、高／低であり得る。関数Ｆ_ｉは、ａ_ｉの履歴に依存し得、尤度は、ａ_ｉの移動方向およびａ_ｉの移動に直交する方向において異なって変化する。典型的には、尤度は、ａ_ｉの移動に直交する方向における減少よりもａ_ｉの移動方向にゆっくりと減少する。関数Ｆ_ｉは、総コストを算出するために使用され得る、入力位置対（ａ_ｉ，ｂ_ｊ）に関するコスト出力値を提供してもよい。一実施形態では、Ｆ_ｉは、平均値ａ_ｉを伴う多変量ガウス関数であってもよい。Ｆ_ｉは、ａ_ｉを中心としてもよい。カルマンフィルタリングが、物体位置を追跡するために適用されてもよく、ａ_ｉは、所与の追跡される物体に関するカルマン予測段階から生じる位置である。ガウス関数は、ａ_ｉの移動方向およびａ_ｉの移動に直交する方向に異なる分散を含む、異なる方向に異なる分散を有し得る。ガウス関数の分散は、適合される、または一定であってもよく、さらに、物体位置を追跡するために使用されるカルマンフィルタから得られてもよい。

図６は、物体の位置を追跡するための方法６００の例示的実施形態の例証である。一実施形態では、方法６００は、ソフトウェアに実装されてもよい。方法６００は、システム１００等の任意の好適な機構によって実装されてもよい。

６０５では、本方法は、最大Ｎ個の物体を追跡するように設定される。そのような物体は、例えば、２つまたは３つの異なる次元を通して追跡されてもよい。物体は、例えば、タッチまたは近接度センサによって追跡されてもよい。確率論的移動モデルは、物体毎に初期化されてもよい。

６１０では、測定ｂが、センサから受信されてもよい。

６１５では、物体ａ_ｉ毎の確率論的モデルが、測定ｂ_ｊ毎に評価されてもよい。確率論的モデルは、物体の位置、角度、移動、速度、加速、躍度、または他の好適なパラメータに基づいてもよい。これらのパラメータは、方法６００の以前の実行から生じてもよい。これらの評価の結果は、測定と物体を関連付けるための確率、尤度、またはコスト関数であってもよい。コスト関数の結果は、コストマトリクスＣをポピュレートするために使用されてもよい。したがって、Ｎ個の物体ａ_ｉ（ｉ＝１…Ｎ）およびＭ個の測定ｂ_ｊ（ｊ＝１…Ｍ）毎に、測定ｂ_ｊ毎に、および身体ａ_ｉ毎に、コストマトリクスＣのエントリ（ｉ、ｊ）が、ａ_ｉのためのモデルに従って、ｂ_ｊからａ_ｉへのマッピングのコストに割り当てられる。ａ_ｉのインスタンス毎のモデルは、異なってもよい。

６２０では、測定ｂを物体ａに割り当てる問題が、コスト最適化アルゴリズムに従って、コストマトリクスＣを用いて解かれてもよい。

６２５では、移動モデルの変数、例えば、物体、角度、速度、加速、躍度のトレース、ならびに移動方向およびそれと垂直な方向における移動の確率が、更新されてもよい。それによって、個別の新しく割り当てられる測定ｂが、検討されてもよい。

方法６００は、随意に、終了する、または必要に応じて、繰り返されてもよい。

ステップの例示的順序が示されるが、前述の方法のステップは、任意の順序で行われてもよい。さらに、１つまたはそれを上回るステップは、随意に、繰り返される、並行して行われる、もしくは省略されてもよい。方法６００は、複数回、行われてもよい。本方法は、任意の好適な初期化点から開始するように行われてもよい。

例示的実施形態が前述されたが、他の変形例および実施形態も、これらの実施形態の精神ならびに範囲から逸脱することなく、本開示から行われてもよい。

Claims (14)

1. ｎ個までの物体を追跡するための位置追跡システムであって、ｎは、１より大きい整数であり、前記位置追跡システムは、
   ｎ個までの物体の場所を検出するように構成される少なくとも１つの２Ｄおよび／または３Ｄ位置追跡センサと、
   前記位置追跡センサと結合される少なくとも１つのプロセッサと、
   前記プロセッサに通信可能に結合される少なくとも１つのコンピュータ可読媒体であって、前記媒体は、前記プロセッサによってロードおよび実行されると、前記プロセッサに、
   前記ｎ個の物体の各々の移動モデルを、それぞれの物体の複数のパラメータに基づいて初期化することであって、各移動モデルは、２Ｄまたは３Ｄ空間上の連続確率分布または同等の測度の観点からそれぞれの物体についての可能性のある将来的な場所を判定し、前記物体の移動方向および前記物体の移動に直交する方向に関する確率を判定するための前記移動モデルの分散は、カルマンフィルタから得られる、ことと、
   ｎ個の物体をｎ個の開始場所に割り当てることと、
   続いて、
   ｎ個の測定のセットを前記センサから受信することと、
   前記ｎ個の物体の各々の確率測度によって、それぞれの移動モデルを使用して、可能性のある将来的な場所を計算することであって、前記計算は、それぞれの物体に関連付けられた以前の場所に少なくとも基づく、ことと、
   前記確率測度を考慮して前記測定の全ての最良適合を判定することによって、前記ｎ個の物体の各々に独占的に前記測定のうちの１つを関連付けることと、
   随意に、測定を受信するステップと計算するステップと関連付けるステップとを繰り返すことと
   を行うことによって、前記物体の後に測定される場所をそれぞれの物体モデルにマップさせるための命令を含む、媒体と
   を備える、位置追跡システム。
2. あり得る将来的な場所の計算は、速度、加速度、躍度、以前の位置からの移動の方向のうちの１つ以上を考慮する、請求項１に記載の位置追跡システム。
3. 前記移動モデルは、確率論的モデルを含む、請求項１に記載の位置追跡システム。
4. 前記移動モデルは、前記物体の過去の軌道に基づく、請求項１〜３のいずれか一項に記載の位置追跡システム。
5. 前記移動モデルは、前記物体の前記移動方向と前記物体の移動に直交する前記方向との間で異なる確率分散を含む、請求項１〜３のいずれか一項に記載の位置追跡システム。
6. 前記移動モデルは、可能性のある場所を表す等値線を計算し、各等値線は、関連付けられた確率を有する、請求項１〜３のいずれか一項に記載の位置追跡システム。
7. 前記移動モデルは、前記物体の移動に直交する前記方向より前記物体の前記移動方向に関して大きい確率を含む、請求項１〜３のいずれか一項に記載の位置追跡システム。
8. ｎ個までの物体の場所を検出および追跡するように構成される２Ｄおよび／または３Ｄセンサを使用する方法であって、ｎは、１より大きい整数であり、前記方法は、
   ａ）前記ｎ個の物体の各々のｎ個の移動モデルを、それぞれの物体の複数のパラメータに基づいて初期化することであって、各移動モデルは、２Ｄまたは３Ｄ空間上の連続確率分布または同等の測度の観点からそれぞれの物体についての可能性のある将来的な場所を判定し、前記物体の移動方向および前記物体の移動に直交する方向に関する確率を判定するための前記移動モデルの分散は、カルマンフィルタから得られる、ことと、
   ｂ）ｎ個の物体をｎ個の開始場所に割り当てることと、
   続いて、
   ｃ）ｍ個の測定のセットを前記センサから受信することと、
   ｄ）前記ｎ個の物体の各々の確率測度によって、それぞれの移動モデルを使用して、可能性のある将来的な場所を計算することであって、前記計算は、それぞれの物体に関連付けられた以前の場所に少なくとも基づく、ことと、
   ｅ）前記確率測度を考慮して前記測定（ｂ_１，ｂ_２）の全ての最良適合を判定することによって、前記ｎ個の物体の各々に独占的に前記測定（ｂ_１，ｂ_２）のうちの１つを関連付けることと、
   随意に、ステップｃ）とステップｄ）とステップｅ）とを繰り返すことと
   を含む、方法。
9. あり得る将来的な場所を計算するステップは、速度、加速度、躍度、以前の位置からの移動の方向のうちの１つ以上を考慮する、請求項８に記載の方法。
10. 前記移動モデルは、確率論的モデルを含む、請求項８に記載の方法。
11. 前記移動モデルは、前記物体の過去の軌道に基づく、請求項８〜１０のいずれか一項に記載の方法。
12. 前記移動モデルは、前記物体の前記移動方向と前記物体の移動に直交する前記方向との間で異なる確率分散を含む、請求項８〜１０のいずれか一項に記載の方法。
13. 前記移動モデルは、可能性のある場所を表す等値線を計算し、各等値線は、関連付けられた確率を有する、請求項８〜１０のいずれか一項に記載の方法。
14. 前記移動モデルは、前記物体の移動に直交する前記方向より前記物体の前記移動方向に関して大きい確率を含む、請求項８〜１０のいずれか一項に記載の方法。

Images