KR100890307B1 - 자기 데이터 처리 디바이스 - Google Patents

자기 데이터 처리 디바이스 Download PDF

Info

Publication number
KR100890307B1
KR100890307B1 KR1020070021887A KR20070021887A KR100890307B1 KR 100890307 B1 KR100890307 B1 KR 100890307B1 KR 1020070021887 A KR1020070021887 A KR 1020070021887A KR 20070021887 A KR20070021887 A KR 20070021887A KR 100890307 B1 KR100890307 B1 KR 100890307B1
Authority
KR
South Korea
Prior art keywords
offset
vector
data set
magnetic
statistical population
Prior art date
Application number
KR1020070021887A
Other languages
English (en)
Other versions
KR20070092126A (ko
Inventor
이부끼 한다
Original Assignee
야마하 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2006061605A external-priority patent/JP4844179B2/ja
Priority claimed from JP2007016320A external-priority patent/JP2007327934A/ja
Application filed by 야마하 가부시키가이샤 filed Critical 야마하 가부시키가이샤
Publication of KR20070092126A publication Critical patent/KR20070092126A/ko
Application granted granted Critical
Publication of KR100890307B1 publication Critical patent/KR100890307B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/02—Measuring direction or magnitude of magnetic fields or magnetic flux
    • G01R33/0206—Three-component magnetometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C17/00—Compasses; Devices for ascertaining true or magnetic north for navigation or surveying purposes
    • G01C17/38—Testing, calibrating, or compensating of compasses
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/0023—Electronic aspects, e.g. circuits for stimulation, evaluation, control; Treating the measured signals; calibration
    • G01R33/0035—Calibration of single magnetic sensors, e.g. integrated calibration

Abstract

자기 데이터 처리 디바이스에서, 입력부는 2차원 또는 3차원 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력한다. 자기 데이터는 기본 벡터 세트의 선형 조합인 2차원 또는 3차원 벡터 데이터이다. 자기 데이터 처리 디바이스는 자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해 통계적 모집단의 데이터 세트로서 복수의 입력된 자기 데이터를 저장한다. 오프셋 도출부는 신규 오프셋이 기존 오프셋과 보정 벡터의 합으로서 얻어진다는 제한 조건하에서 기존 오프셋과 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출한다.
자기 데이터 처리, 오프셋 정정, 자기 센서, 내비게이션, 자기 데이터

Description

자기 데이터 처리 디바이스{MAGNETIC DATA PROCESSING DEVICE}
도 1은 본 발명의 제1 양태의 실시예의 개략도.
도 2는 본 발명의 제1 양태의 실시예의 개략도.
도 3은 본 발명의 제1 양태의 실시예의 블록도.
도 4는 본 발명의 제1 양태의 실시예의 블록도.
도 5는 본 발명의 제1 양태의 제1 실시예의 흐름도.
도 6은 본 발명의 제1 양태의 제1 실시예의 개략도.
도 7은 본 발명의 제1 양태의 제1 실시예의 개략도.
도 8은 본 발명의 제1 양태의 제2 실시예의 흐름도.
도 9는 본 발명의 제1 양태의 제2 실시예와 연관된 그래프.
도 10은 본 발명의 제1 양태의 제2 실시예와 연관된 그래프.
도 11은 본 발명의 제2 양태의 실시예의 개략도.
도 12는 본 발명의 제2 양태의 실시예의 개략도.
도 13은 본 발명의 제2 양태의 실시예의 블록도.
도 14는 본 발명의 제2 양태의 실시예의 블록도.
도 15는 본 발명의 제2 양태의 제1 실시예의 흐름도.
도 16은 본 발명의 제2 양태의 제1 실시예의 개략도.
도 17은 본 발명의 제2 양태의 제1 실시예의 개략도.
도 18은 본 발명의 제2 양태의 제2 실시예의 흐름도.
<도면의 주요 부호에 대한 부호의 설명>
22 : 자기 센서 I/F
30 : X-축 센서
32 : Y-축 센서
42 : ROM
40 : CPU
44 : RAM
[특허문헌 1] 국제특허공보 제2004-003476호
[특허문헌 2] 일본 특허 출원번호 제2005-337412호
[특허문헌 3] 일본 특허 출원번호 제2006-044289호
본 발명은 자기 데이터 처리 디바이스, 자기 데이터 처리 방법 및 자기 데이터 처리 프로그램에 관한 것으로, 특히 2차원 및 3차원 자기 센서의 오프셋을 정정하기 위한 기술에 관한 것이다.
이동 전화기 또는 차량과 같은 이동체에 장착된 종래의 자기 센서는 지구의 자계 또는 지자기의 방향을 검출한다. 자기 센서는 서로 직교인 방향의 자계 벡터의 스칼라 성분을 검출하는 자기 센서 모듈 세트를 포함한다. 자기 센서로부터 출력된 자기 데이터는 자기 센서 모듈의 출력의 조합으로 구성되고, 따라서 자기 데이터는 상호 직교인 단위 벡터(기본 벡터(fundamental vector))의 선형 조합(linear combination)인 벡터 데이터이다. 자기 데이터의 방향 및 크기는 자기 센서에 의해 검출된 자계의 방향 및 크기에 대응한다. 자기 센서의 출력에 기초하여 지구의 자계의 방향 또는 크기를 지정할 때, 이동체의 자화 또는 자기 센서의 본질적인 온도 특성에 의해 야기되는 측정 에러를 없애기 위해 자기 센서의 출력을 정정하기 위한 프로세스를 수행할 필요가 있다. 이러한 정정 프로세스의 제어 값은 오프셋으로 지칭되고, 오프셋을 도출하기 위한 프로세스는 캘리브레이션(calibration)이라 지칭된다(예를 들면, 국제특허공보 제2004-003476호 참조). 오프셋은 벡터 데이터로서, 외부 자계의 세기가 0인 경우에 자기 센서로부터 출력된 자기 데이터로서 정의된다. 그러한 측정 에러는 자기 센서로부터 출력된 자기 데이터로부터 오프셋을 감산함으로써 없어진다. 2차원(2D) 자기 센서에서, 오프셋은 자기 데이터 세트가 분포되는 원의 중심의 위치 벡터에 대응한다. 그러나 실제로는 2D 자기 센서로부터 출력된 자기 데이터 세트의 분포는 완전한 원을 형성하지 않는다. 그 이유는, 자기 센서 모듈의 출력이 본질적으로 가우스 분포를 따르는 측정 에러를 가지고 있고, 실제로 완전히 일정한 자계는 없으므로 2D 자기 센서에 의해 측정된 자계는 오프셋을 계산하기 위해 통계적 모집단의 데이터 세트가 저장되는 기간 동안에 가변되며, AD 변환 동안에 계산 에러가 발생하기 때문이다.
2D 자기 센서가 오프셋을 도출하는 데 필요한 통계적 모집단의 데이터 세트를 출력하는 동안에, 그 위에 장착된 2D 자기 센서를 포함하는 이동체가 회전하여 2D 자기 센서는 그 자기 센서 모듈의 직교 감지 방향에 수직인 방향에 평행한 회전축을 중심으로 회전한다. 3차원으로 이동가능한 이동 전화기 또는 차량과 같은 이동체를 이와 같이 이동시키기 위해서는, 사용자는 이동체가 그러한 방식으로 이동하도록 이동체를 의도적으로 조작할 필요가 있다. 따라서, 2D 자기 센서의 오프셋을 도출하기 위한 자기 데이터 처리 디바이스에 대한 오프셋 도출 알고리즘은 사용자에게 캘리브레이션의 시작이 명백하게 통지되어 있고 사용자가 이동체를 적절하게 조작한다는 가정하에서 설계된다. 그러나 사용자가 캘리브레이션을 위해 조작을 수행한다는 것은 귀찮고 복잡하다. 종래의 캘리브레이션 방법에서는, 이진 결정을 통해, 통계적 모집단의 신뢰성있는 데이터 세트가 저장되어 있는지 여부가 결정되고, 사용자가 캘리브레이션을 위한 조작을 정확하게 수행하지 않은 경우에는, 통계적 모집단의 신뢰성있는 데이터 세트를 저장하지 않고 캘리브레이션이 실패한다. 이것은 사용자가 통계적 모집단의 신뢰성있는 데이터 세트를 저장하기 위한 조작을 반복하는 것을 요구한다.
이동 전화기 또는 차량과 같은 이동체에 장착된 종래의 3차원(3D) 자기 센서는 지구의 자계의 방향을 검출한다. 3D 자기 센서는 일반적으로 3개의 직교 방향의 자계 벡터의 스칼라 성분을 검출하는 3개의 자기 센서 모듈을 포함한다. 3D 자기 센서로부터 출력된 자기 데이터는 3개의 자기 센서 모듈의 출력의 조합으로 구성되고, 따라서 자기 데이터는 상호 직교인 단위 벡터(기본 벡터)의 선형 조합인 3D 벡터 데이터이다. 자기 데이터의 방향 및 크기는 3D 자기 센서에 의해 검출된 자계의 방향 및 크기에 대응한다. 3D 자기 센서의 출력에 기초하여 지구 자계의 방향 또는 크기를 지정할 때, 이동체의 자화 또는 자기 센서의 본질적인 온도 특성에 의해 야기되는 측정 에러를 없애기 위해 3D 자기 센서의 출력을 정정하기 위한 프로세스를 수행할 필요가 있다. 이러한 정정 프로세스의 제어 값은 오프셋으로 지칭된다. 오프셋은 3D 자기 센서에 의해 검출되는 이동체의 자화 성분에 의해 야기되는 자계를 나타내는 벡터 데이터이다. 그러한 측정 에러는 3D 자기 센서로부터 출력된 자기 데이터로부터 오프셋을 감산함으로써 없어진다. 자기 데이터 세트가 분포되는 구체 표면의 중심을 얻음으로써 오프셋을 계산할 수 있다.
그러나 실제로는 자기 데이터의 분포는 완전한 구를 형성하지 않는다. 그 이유는, 3D 자기 센서의 출력이 본질적으로 가우스 분포를 따르는 측정 에러를 가지고 있고, 실제로는 완전히 일정한 자계가 없으므로 3D 자기 센서에 의해 측정된 자계가 오프셋을 계산하는 데 요구되는 자기 데이터가 저장되는 기간 동안에 가변되며, 3D 자기 센서의 출력으로부터 디지털 값이 얻어질 때까지 계산 에러가 발생하기 때문이다.
자기 센서 오프셋을 도출하기 위한 종래의 방법은 다수의 자기 데이터를 저장하고 저장된 자기 데이터의 통계적 프로세스를 통해 오프셋을 도출한다. 그러므로 종래의 방법에서 오프셋을 정확하게 업데이트하는 데 필요한 자기 데이터 세트는 사용자가 이동체의 자세 또는 태도를 의도적으로 변경하지 않는다면 저장되지 않고, 오프셋을 업데이트하라는 요구가 발생한 후에 오프셋을 업데이트하는 데 긴 시간이 요구된다. 일반적으로, 차량에 장착된 자기 센서의 자세의 상당한 3차원 변경이 드물기 때문에, 단지 2차원으로만 분포되는 자기 데이터가 저장된다. 그러므로 차량에 장착된 자기 센서의 오프셋을 정확하게 업데이트하기 위해, 구체 표면 상에 일정하게 분포된 자기 데이터 세트가 저장될 때까지 기다리는 것은 바람직하지 않다.
국제특허공보 제2005-061990호는 자기 데이터 세트의 분포가 2차원적일지라도 오프셋을 정정할 수 있는 알고리즘을 개시하고 있다. 그러나 상기 알고리즘이 복잡하므로, 국제특허공보 제2005-061990호에 기재된 알고리즘을 따라 프로그램을 구현하기가 용이하지 않다.
본 발명의 목적은 2차원(2D) 자기 센서 및 3차원(3D) 자기 센서의 가용성을 개선하는 것이다.
본 발명의 다른 목적은 통계적 모집단의 데이터 세트의 분포에 관계없이, 간단한 프로세스를 통해 저장된 자기 데이터를 이용하여 오프셋을 정정할 수 있는 자기 데이터 처리 디바이스, 자기 데이터 처리 방법 및 자기 데이터 처리 프로그램 및 자기 측정 장치를 제공하는 것이다.
본 발명의 제1 양태에서, 상기 목적을 달성하기 위한 자기 데이터 처리 디바이스는 2차원(2D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-자기 데이터는 제1 기본 벡터 세트의 선형 조합인 2D 벡터 데이터임-, 자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단 및 신규 오프셋은 기존 오프셋 및 보정 벡터(correction vector)의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출하기 위한 오프셋 도출 수단을 포함하고, 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 보정 벡터를 나타내는 제2 기본 벡터의 선형 조합의 각 계수는 통계적 모집단의 데이터 세트의 분포의 주 값(principal value)들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 임시 위치 벡터는 제2 기본 벡터의 선형 조합이다.
본 발명의 제2 양태에서, 상기 목적을 달성하기 위한 자기 데이터 처리 디바이스는 3차원(3D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-자기 데이터는 제1 기본 벡터 세트의 선형 조합인 3D 벡터 데이터임-, 자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단 및 신규 오프셋은 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출하기 위한 오프셋 도출 수단을 포함하고, 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 보정 벡터를 나타내는 제2 기본 벡터의 선형 조합의 각 계수는 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 임시 오프셋의 위치 벡터는 제2 기본 벡터의 선형 조합이다.
본 발명의 제1 양태에 이용된 원리 및 알고리즘은 도 1을 참조하여 상세하게 이하에 설명된다. 이러한 알고리즘의 핵심 포인트는, 더 큰 분산으로 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트할 때 이용하기 위한 통계적 모집단의 더 중요한 요소가 될 것으로 평가되고, 더 작은 분산으로 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트할 때 이용하기 위한 통계적 모집단의 덜 중요한 요소가 될 것으로 평가된다는 점이다. 기존 오프셋 c0, 신규 오프셋 c, 및 원점 "0"에 대한 "g"의 종점의 위치 벡터에 대응하는 임시 오프셋 각각은 자기 데이터의 기본 벡터 세트의 선형 조합인 2D 위치 벡터 데이터이다. 즉, 각 오프셋은 xy 좌표계로 표현되는 벡터 데이터이다. 신규 오프셋 c는 기존 오프셋 c0, 및 신규 오프셋 c로 기존 오프셋 c0을 업데이트하도록 저장되는 자기 데이터 세트에 기초하여 도출된다.
신규 오프셋 c로 기존 오프셋을 업데이트하도록 저장된 자기 데이터 세트인 통계적 모집단의 데이터 세트는 소정 기간 동안에 저장된 자기 데이터 세트를 포함하고, 소정 개수의 자기 데이터를 포함하는 자기 데이터 세트를 포함하며, 특정 시 각에(예를 들면, 오프셋 업데이트 요구가 만들어지는 때에) 저장된 임의의 개수의 자기 데이터를 포함하는 자기 데이터 세트를 포함할 수 있다. 기존 오프셋 c0은 신규 오프셋 c와 동일한 방법을 이용하여 도출될 수 있고, 미리 결정될 수 있다.
임시 오프셋은 기존 오프셋 c0을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되도록 정의되지만, 이러한 정의는 신규 오프셋 c가 도출되는 제한 조건을 정의하도록 도입되고 임시 오프셋은 도출되어야 되는 실제 데이터가 아니다. 임시 오프셋은 기존 오프셋 c0을 이용하지 않고 통계적 모집단의 데이터 세트로부터 실제로 도출된 경우, 임시 오프셋은 통계적 모집단의 데이터 세트가 분포된 원주의 중심의 위치 벡터이다. 그러나 통계적 모집단의 데이터 세트가 통계적 모집단의 데이터 세트로부터 도출된 원주의 일부인 좁은 중심-각 아크 주위에 불규칙적으로 분포되는 경우, 통계적 모집단의 데이터 세트의 각 요소에 포함된 에러가 원주의 도출 결과에 크게 영향을 미치고, 따라서 진실한 오프셋으로부터 먼 임시 오프셋이 도출될 가능성이 있다. 예를 들면, 통계적 모집단의 데이터 세트가 좁은 중심-각 아크 주위에 불규칙적으로 분포되어 있고 통계적 모집단의 데이터 세트의 서로 직교인 고유 벡터가 도 1에 도시된 바와 같이 u1 및 u2이라고 간주하자. 이 경우에, 통계적 모집단의 데이터 세트의 분산은 더 작은 주 값에 대응하는 분포의 고유 벡터 u2의 방향으로 작으므로, 통계적 모집단의 데이터 세트로부터 도출된 임시 오프셋이 고유 벡터 u2의 방향으로 진실한 오프셋으로부터 멀 가능성이 높다. 한편, 이 경우에, 통계적 모집단의 데이터 세트의 분산이 분포의 고유 벡터 u1의 방향으로 크기 때문에, 통계적 모집단의 데이터 세트로부터 도출된 임시 오프셋이 고유 벡터 u1의 진짜 오프셋 근처일 가능성이 높다.
분포의 주축 방향의 분산은 분포의 지시자로서 분포의 주 값 λ1 및 λ2를 이용하여 표현될 수 있으므로, 이러한 디바이스는 주 값 λ1 및 λ2의 비율에 따라 주 값에 각각 대응하는 방향으로 분포되는 통계적 모집단의 요소를 추정한다. 구체적으로, 우선 기존 오프셋 c0에 대한 신규 오프셋 c의 위치 벡터인 보정 벡터 f 및 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터인 임시 위치 벡터 g는 분포의 주축 방향과 일치하는 좌표축 α 및 β를 가지는 좌표계로 정의될 수 있다. 즉, 보정 벡터 f 및 임시 위치 벡터 g의 각각은 분포의 주축 방향의 기본 벡터의 선형 조합이 되도록 정의될 수 있다. 이것은 주축 값으로의 변환에 대응한다. 보정 벡터 f의 성분 fα 및 fβ는 분포의 대응하는 주 값 u1 및 u2의 측정에 따라 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터 g의 성분 gα 및 gβ를 가중함으로써 도출되는 경우에, 큰 분산을 가지는 방향으로 통계적 모집단의 요소의 신뢰성을 증가시키고 작은 분산을 가지는 방향으로 통계적 모집단의 요소의 신뢰성을 감소시킴으로써 보정 벡터 f를 도출할 수 있다. 그러나 보정 벡터 f 및 임시 위치 벡터 g의 그러한 정의는 신규 오프셋 c가 도출되는 제한 조건을 정의하도록 도입되고, 임시 위치 벡터 g는 실제로 도출될 필요가 있는 데이터는 아니다.
상기 설명된 바와 같이 정의되는 기존 오프셋 c0 및 보정 벡터 f의 합으로서 신규 오프셋 c가 얻어질 수 있는 제한 조건하에서 신규 오프셋 c를 도출함으로써, 통계적 모집단의 데이터 세트의 분포에 관계없이, 더 큰 분산을 가지는 주축 방향으로 분포된 자기 데이터 세트가 통계적 모집단의 더 중요한 요소이고, 더 작은 분산을 가지는 주축 방향으로 분포된 자기 데이터 세트가 통계적 모집단의 덜 중요한 요소인 것으로 추정하면서, 신규 오프셋을 도출할 수 있다. 이와 같이 신규 오프셋을 도출하기 위한 하나의 기법의 예는 분포를 최적화 문제로서 공식화하는 것이다. 캘리브레이션을 위해 사용자가 어떠한 조작을 수행하든지 간에, 이러한 디바이스는 실제로 수행된 조작으로부터 도출될 수 있는 가장 가능성있는 신규 오프셋을 도출할 수 있고, 따라서 사용자가 소정 조작을 수행할 필요가 없다.
발명에 따른 자기 데이터 처리 디바이스에서, 제한 조건은, 주 값 중 더 큰 것에 대한 더 작은 주 값의 비율이 소정 임계값보다 작거나 같은 경우에, 주 값 중 더 작은 것에 대응하는 주축 방향으로의 제2 기본 벡터의 계수에 대한 임시 위치 벡터의 가중 인자는 0일 수 있다.
이러한 디바이스는 통계적 모집단의 데이터 세트의 분포를 이산적으로 추정하고, 이산 추정 결과에 따라 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터의 계수를 이산적으로 가중한다. 구체적으로, 분포 값이 비교적 작은 방향으로의 임시 위치 벡터 g의 계수의 가중은 "0"이다. 즉, 통계적 모집단의 데이터 세트는 분포 값이 임계값보다 작은 방향으로는 전혀 추정되지 않는다.
발명에 따른 자기 데이터 처리 디바이스에서, 제한 조건은, 보정 벡터의 계수가 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자에 의해 임시 위치 벡터의 계수를 가중함으로써 얻어지는 값일 수 있다.
이러한 디바이스는 가중 인자가 분포와 연속적인 연관을 가지고 있으므로 통계적 모집단의 데이터 세트의 실질적인 이용 효율을 증가시킬 수 있다. 또한, 디바이스는 통계적 모집단의 데이터 세트의 분포에 따라 프로세스를 변경시키지 않고 신규 오프셋을 도출할 수 있으므로 오프셋 업데이트 프로세스를 단순화시킬 수 있다.
발명에 따른 자기 데이터 처리 디바이스에서, 임시 위치 벡터의 계수에 대한 각 가중 인자는 더 큰 주 값에 대응하는 주축 방향으로 제2 기본 벡터의 계수에 대한 가중 인자를 1로 설정함으로써 정규화될 수 있다.
분포의 주 값과는 다른 통계적 모집단의 데이터 세트의 분포의 추정 지시자가 도입되는 경우에, 더 큰 가중 인자를 1로 설정함으로써 가중 인자를 정규화할 필요가 없다. 예를 들면, 최대 가중 인자는 통계적 모집단의 데이터 세트에 기초하여, 통계적 모집단의 데이터 세트가 분포되는 일부를 가지는, 원주로서 도출된 원의 반경에 대한 더 큰 주 값에 대응하는 주축 방향(즉, 주 방향)의 자기 데이터 간의 최대 거리의 비율에 따라 1보다 작게 설정될 수 있다.
상기 목적을 달성하기 위한 발명에 따른 자기 데이터 처리 디바이스에서, 오프셋 도출 수단은 제한 조건하에서 이하의 목적 함수 f(c)를 최소화하는 "c"를 도출할 수 있다.
Figure 112007018391306-pat00001
여기서, "X" 및 "j"는 자기 데이터가 qi=(qix, qiy)(i=0,1,2,...)로 표현되는 경우에 이하와 같다.
Figure 112007018391306-pat00002
본 명세서에서, 모든 벡터는 칼럼 벡터이고, 로우 벡터는 칼럼 벡터의 전치된 행렬로서 표현된다. 심벌 "T"는 그 우측 상부 또는 숄더 측에서 각 전치 행렬에 부착된다(즉, ()T의 형태로).
이러한 디바이스는 제한 조건을 가지는 분포의 최적화 문제로서 신규 오프셋을 도출하므로, 예를 들면, 실시예들에서 나중에 설명되는 간단한 연립 선형 방정식을 해결함으로써 신규 오프셋을 도출할 수 있다. 즉, 통계적 모집단의 데이터 세트의 어떤 분포이든지 간에, 이러한 디바이스는 간단한 프로세스를 통해, 통계적 모집단의 데이터 세트로부터 도출될 수 있는 가장 가능성있는 신규 오프셋을 도출할 수 있다.
본 발명의 디바이스에 포함된 복수의 수단 각각의 기능은 그 기능이 그 구성에 의해 지정되는 하드웨어 리소스, 그 기능이 프로그램에 의해 지정되는 소프트웨어 리소스, 또는 이들 리소스의 조합에 의해 실현된다. 복수의 수단 각각의 기능 은 물리적으로 독립적인 하드웨어 리소스에 의해 반드시 실현될 필요는 없다. 본 발명은 디바이스뿐만 아니라, 프로그램, 프로그램이 기록되는 기록 매체 및 방법에 의해서도 지정될 수 있다. 청구의 범위에 기재된 방법의 동작은 청구의 범위에 기재된 순서대로 반드시 수행될 필요는 없고, 기술적 방해가 없는 경우에 임의의 다른 순서 또는 동시에 수행될 수도 있다.
본 발명의 제1 양태의 실시예들이 이하의 순서대로 기술될 것이다.
A. 제1 실시예
[1. 일반 설명]
1-1. 하드웨어 구조
1-2. 소프트웨어 구조
[2. 절차]
2-1. 전체 플로
2-2. 버퍼 업데이트
2-3. 분포의 추정
2-4. 최적화 문제를 통한 신규 오프셋의 도출
2-5. 분포가 2차원인 경우의 신규 오프셋의 도출
2-6. 분포가 실질적으로 1차원인 경우의 신규 오프셋의 도출
2-7. 요약
B. 제2 실시예
· 개관
· 분포의 추정
· 신규 오프셋의 도출
C. 다른 실시예
[일반 설명]
1-1. 하드웨어 구조
도 2는 본 발명이 적용된 이동체의 예인 자동차(2)의 외관의 개략도이다. 자동차(2)는 2차원(2D) 자기 센서(4)를 포함한다. 2D 자기 센서(4)는 2개의 직교 방향 (x, y)의 자계의 각 세기를 검출함으로써 자계의 방향 및 세기를 검출한다. 자동차(2)에 장착되는 내비게이터 시스템의 일부를 구성하는 2D 자기 센서(4)는 자동차(2)의 이동 방향을 지정하는 데 이용된다.
도 3은 2D 자기 센서(4) 및 자기 데이터 처리 디바이스(1)를 포함하는 자기 측정 디바이스의 블록도이다. 2D 자기 센서(4)는 육상 자계로 인한 자계 벡터의 x 및 y 방향 성분을 검출하는 x 및 y-축 센서(30, 32)를 포함한다. 각 x 및 y-축 센서(30, 32)는 자기 저항 소자, 홀 센서 등을 포함하고, 이것이 지향성을 가지는 경우에 임의의 타입의 1-차원 자기 센서일 수 있다. x 및 y-축 센서(30, 32)는 각 감지 방향이 서로에 수직이 되도록 고정된다. x 및 y-축 센서(30, 32)의 출력은 시분할되어 자기 센서 인터페이스(I/F)(22)에 입력된다. 자기 센서 인터페이스(22)는 입력을 증폭시킨 후 x 및 y-축 센서(30, 32)로부터의 입력을 A/D 변환한다. 자기 센서 인터페이스(22)로부터 출력된 디지털 자기 데이터는 버스(5)를 통해 자기 데이터 처리 디바이스(1)에 입력된다.
자기 데이터 처리 디바이스(1)는 CPU(40), ROM(42) 및 RAM(44)을 포함하는 컴퓨터이다. CPU(40)는 예를 들면, 내비게이션 시스템의 전체 동작을 제어한다. ROM(42)은 CPU(40)에 의해 실행되는 자기 데이터 처리 프로그램 또는 내비게이션 시스템의 기능을 구현하는 데 이용되는 다양한 프로그램을 저장하는 비휘발성 저장 매체이다. RAM(44)은 CPU(40)에 의해 처리되는 데이터를 일시적으로 저장하는 휘발성 저장 매체이다. 자기 데이터 처리 디바이스(1) 및 2D 자기 센서(4)는 1-칩 자기 측정 디바이스로서 구성될 수 있다.
1-2. 소프트웨어 구조
도 4는 자기 데이터 처리 프로그램(90)의 블록도이다. 자기 데이터 처리 프로그램(90)은 ROM(42)에 저장되어 방향 데이터를 로케이터(98)에 제공한다. 방향 데이터는 지구 자계의 방향을 나타내는 2D 벡터 데이터이다. 자기 데이터 처리 프로그램(90)은 버퍼 관리 모듈(92), 오프셋 도출 모듈(94) 및 방향 도출 모듈(96)과 같은 모듈 그룹으로 구성된다.
버퍼 관리 모듈(92)은 자기 데이터를 오프셋 업데이트 시 이용하기 위해, 자기 센서(4)로부터 순차적으로 출력된 복수의 자기 데이터를 수신하고, 버퍼에 수신된 자기 데이터를 저장하는 프로그램 부분이다. 버퍼 관리 모듈(92)은 CPU(40), RAM(44) 및 ROM(42)이 입력 수단 및 저장 수단으로 기능할 수 있게 한다. 이러한 버퍼는 하드웨어뿐만 아니라 소프트웨어로도 실시될 수 있다. 이제, 이러한 버퍼에 저장된 자기 데이터 세트는 통계적 모집단의 데이터 세트로 지칭될 것이다.
오프셋 도출 모듈(94)은 버퍼 관리 모듈(92)에 의해 홀딩된 통계적 모집단의 데이터 세트 및 오프셋 도출 모듈(94)에 의해 홀딩된 기존 오프셋에 기초하여 신규 오프셋을 도출하고, 신규 오프셋으로 기존 오프셋을 업데이트하는 프로그램 부분이다. 오프셋 도출 모듈(94)은 CPU(40), RAM(44) 및 ROM(42)이 오프셋 도출 수단으로서 기능하도록 허용한다. 신규 오프셋으로 기존 오프셋을 업데이트하는 것은 신규 오프셋이 기존 오프셋이 되도록 하므로, "기존 오프셋"은 어떠한 오해도 유발하지 않는 컨텍스트에서는 단지 "오프셋"으로 지칭될 것이다. 실제로, 방향 데이터 정정에 이용되는 오프셋은 하나의 변수에 설정되고, 신규 오프셋은 그 변수와 다른 변수로부터 도출된다. 신규 오프셋이 도출된 경우, 방향 데이터 정정에 이용되는 변수에 설정된다. 그러므로 방향 데이터 정정에 이용되는 변수는 기존 오프셋이 저장된 것이다.
방향 도출 모듈(96)은 오프셋 도출 모듈(94)에 의해 홀딩된 오프셋을 이용하여 자기 센서로부터 순차적으로 출력된 자기 데이터를 정정함으로써 방향 데이터를 생성하는 프로그램 부분이다. 구체적으로는, 방향 도출 모듈(96)은 2D 벡터 데이터인 자기 데이터의 성분으로부터 오프셋의 성분을 감산함으로써 얻어지는 2개의 성분을 포함하는 데이터를 방향 데이터로서 출력한다.
로케이터(98)는 자동 내비게이션을 통해 자동차(2)의 현재 위치를 지정하는 주지된 프로그램이다. 구체적으로는, 로케이터(98)는 방향 데이터에 기초하여 자동차(2)의 여행 방향을 지정하고, 여행 방향 및 여행 거리 모두에 기초하여 베이스 포인트에 대한 자동차(2)의 위치를 지정한다. 방향 데이터는 스크린상에 문자 또는 화살표로 단지 북쪽, 남쪽, 동쪽 및 서쪽을 표시하는 데 이용될 수 있고, 스크 린상에 표시된 지도의 이동방향(heading)-지도 처리에 이용될 수도 있다.
[2. 절차]
2-1. 전체 플로
도 5는 신규 오프셋 도출 절차를 예시하는 흐름도이다. CPU(40)는 오프셋 업데이트 요구가 만들어지는 경우에, 버퍼 관리 모듈 및 오프셋 도출 모듈(94)을 실행함으로써 도 5의 절차를 수행한다. 오프셋 업데이트 요구는 소정 시간 간격으로 수행되고, 운전자의 명시적인 명령에 의해 수행될 수 있다.
2-2. 버퍼 업데이트
단계 S100에서, 신규 오프셋을 도출하는 데 이용되는 자기 데이터 세트(통계적 모집단의 데이터 세트)가 저장되는 버퍼에 저장된 모든 자기 데이터가 삭제된다. 결과적으로, 이러한 프로세스에서, 기존 오프셋을 도출하는 데 이용된 통계적 모집단의 데이터 세트가 삭제된다.
단계 S102에서, 신규 오프셋을 도출하는 데 이용되는 자기 데이터가 입력되어 버퍼에 저장된다. 복수의 자기 데이터가 자동차(2)의 이동 방향에 거의 변경이 없는 상태에서 자기 센서(4)로부터 순차적으로 입력되는 경우, 2개의 순차적으로 입력된 자기 데이터(또는 값들) 간의 거리가 작다. 제한된 용량을 가지는 버퍼에 복수의 가까운 자기 데이터를 저장하는 것은 메모리 리소스를 허비하고 불필요한 버퍼 업데이트 프로세스를 유발한다. 또한, 신규 오프셋이 가까운 자기 데이터 세트에 기초하여 도출되는 경우에, 통계적 모집단의 불규칙하게 분포된 데이터에 기초하여 부정확한 신규 오프셋이 도출될 가능성이 있다. 버퍼를 업데이트할 필요가 있는지 여부는 이하의 방식으로 결정된다. 예를 들면, 최종 입력 자기 데이터와 최종 입력 자기 데이터의 바로 이전에 버퍼에 저장된 자기 데이터 간의 거리가 주어진 임계값보다 작은 경우, 버퍼를 업데이트하는 것이 불필요한 것으로 결정되며, 최종 입력 자기 데이터가 버퍼에 저장되지 않고 폐기된다.
단계 S104에서, 정확한 신규 오프셋을 도출하는 데 필요한 지정된 개수의 자기 데이터가 버퍼에 저장되어 있는지 여부가 결정된다. 즉, 통계적 모집단의 데이터 세트의 요소의 개수가 미리 결정된다. 통계적 모집단의 데이터 세트의 작은 개수의 요소를 설정하는 것은 오프셋 업데이트 요구에 대한 응답을 개선시킨다. 단계 S102 및 S104의 프로세스는 지정된 개수의 자기 데이터가 버퍼에 저장될 때까지 반복된다.
2-3. 분포의 추정
일단 지정된 개수의 자기 데이터가 버퍼에 저장되면, 통계적 모집단의 데이터 세트의 분포가 추정된다(S106). 분포는 분포의 주 값에 기초하여 추정된다. 자기 데이터 세트가 이하의 수학식 (1)로 표현되는 경우, 분포의 주 값은 통계적 모집단의 데이터 세트의 중심(평균)으로부터 시작하여 각 자기 데이터로 종료하는 벡터의 합을 이용하여, 방정식 (2), (3) 및 (4)에 의해 정의된 대칭 행렬 A의 고유치이다.
q = (qix, qiy) (i=0,1,2,...)
Figure 112007018391306-pat00003
여기서,
Figure 112007018391306-pat00004
Figure 112007018391306-pat00005
행렬 A가 수학식 (5)로서 다시 기록될 수 있으므로, 행렬 A는 N번 분산-공분산 행렬에 대응한다.
Figure 112007018391306-pat00006
λ1 및 λ2를 증가하는 순서로 행렬 A의 고유치라고 하자. u1 및 u2는 λ1 및 λ2에 대응하는 상호 직교인 고유 벡터이고, 크기 1로 정규화되었다고 하자. 본 실시예에서, 행렬 A는 정칙이고, λ1 및 λ2의 범위는 λ1>0 및 λ2>0이다. 행렬 A의 더 작은 고유치 λ2가 0인 경우, 즉 행렬 A의 랭크가 1 이하인 경우, 통계적 모집단 의 데이터 세트의 요소의 개수가 하나이거나 분포가 완전히 직선이므로, 이를 고려할 필요가 없다. 행렬 A가 그 정의로부터 양의 반-유한 행렬이므로, 각 고유치는 0 또는 양의 실수이어야 한다.
통계적 모집단의 데이터 세트의 분포는 더 큰 고유치에 대한 더 작은 고유치의 비율 λ2/λ1에 기초하여 추정된다.
단계 S106에서, 통계적 모집단의 데이터 세트의 분포가 충분히 2차원인지 여부가 결정된다. 구체적으로는, 이하의 조건 (6)이 만족되면 결정은 긍정이고, 만족되지 않으면 부정이다.
λ2 / λ1 > t
조건 (6)은 통계적 모집단의 데이터 세트가 특정 원주를 따라 넓은 범위에 걸쳐 분포되는 경우에 만족된다.
단계 S106의 결정이 부정이면, 통계적 모집단의 데이터 세트의 분포가 거의 1차원이다. 통계적 모집단의 데이터 세트가 특정 원주의 좁은 중심-각 아크에 걸쳐 불규칙적으로 분포된 경우, 통계적 모집단의 데이터 세트의 분포가 거의 1차원이다.
2-4. 최적화 문제를 통한 신규 오프셋의 도출
이제, 신규 오프셋을 도출하기 위한 최적화 문제가 기술될 것이다.
통계적 모집단의 데이터 세트가 동일한 라인 상에 존재하지 않는 3개의 자기 데이터를 포함하는 경우, 통계적 모집단의 데이터 세트가 분포된 원주는 통계적 기법을 이용하지 않고서도 고유하게 지정된다. 이러한 원주의 중심의 위치 벡터 c=(cx, cy)는 연립 방정식 (7)을 해결함으로써 얻어진다. 2개의 변수에 대해 3개의 동일 제한이 존재하지만, 방정식 (7)은 3개의 동일 제한 중 하나가 중복되므로(redundant) 해답을 가져야 한다.
Figure 112007018391306-pat00007
여기서,
Figure 112007018391306-pat00008
통계적 모집단의 데이터 세트의 개수가 4 이상인 경우, "j"는 이하의 수학식 (9)에 의해 정의된다.
Figure 112007018391306-pat00009
여기서, "c"에 대한 연립 선형 방정식 (10)이 해답이 있는 경우, 해답은 통 계적 모집단의 데이터 세트가 분포된 원주의 중심이다.
Xc = j
그러나 2D 자기 센서(4)의 본질적인 측정 에러가 고려되는 경우, 수학식 (10)이 해답을 가지는 것은 거의 불가능하다. 이하의 수학식 (11)에 의해 정의된 벡터 "e"는 통계적 기술을 통해 유사한 해답을 얻도록 도입된다.
e = Xc - j
∥e∥2 2(즉, eTe)를 최소화시키는 "c"는 통계적 모집단의 데이터 세트의 분포에 가장 근접한 원주의 중심으로서 유사한 것으로 간주될 수 있다. ∥e∥2 2를 최소화시키는 값 "c"를 구하기 위한 문제는 행렬 A가 정칙인 경우에 이하의 수학식 (12)의 목적 함수를 최소화하기 위한 최적화 문제이다.
Figure 112007018391306-pat00010
2-5. 분포가 2차원인 경우에 신규 오프셋의 도출
통계적 모집단의 데이터 세트의 분포가 도 6에 도시된 바와 같이 2차원인 경우, 통계적 모집단의 데이터 세트는 그 전체적으로 충분히 신뢰할만하고, 따라서 신규 오프셋은 임의의 제한 조건없이 수학식 (12)의 목적 함수 f(c)를 최소화시키 는 "c"를 얻음으로써 도출된다. 어떠한 제한 조건없이 목적 함수 f(c)를 최소화시키는 값 "c"는 본 실시예에서 가정된 XTX가 정칙인 경우에 수학식 (13)으로서 기록될 수 있다.
Figure 112007018391306-pat00011
수학식 (13)을 만족하는 "c"가 도출되는 경우, 기존 오프셋을 2개의 방향으로 정정하여 얻어질 수 있는 신규 오프셋이 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트에 기초하여 도출된다.
통계적 모집단의 데이터 세트가 충분히 2차원인 경우, 신규 오프셋을 도출할 때 기존 오프셋을 이용할 필요가 없다. 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출하기 위한 알고리즘은 본 실시예에서와 같이, 제안된 다양한 통계적 기법 중 하나를 이용하는 알고리즘이고, 통계적 기법을 전혀 이용하지 않는 알고리즘이 될 수도 있다.
2-6. 분포가 거의 1차원인 경우의 신규 오프셋의 도출
도 7에 도시된 바와 같이, 통계적 모집단의 데이터 세트가 특정 원주의 좁은 중심-각 아크에 걸쳐 분포되어 있고, 따라서 통계적 모집단의 데이터 세트의 분포가 실질적으로 1차원(즉, 선형)인 경우, 기존 오프셋이 정정되는 방향을 분포의 하나의 주 방향으로 제한함으로써 신규 오프셋이 도출된다(S110). 통계적 모집단의 데이터 세트가 특정 라인 근처에 분포된 경우, 라인 방향의 통계적 모집단의 데이 터 세트의 분포가 충분히 신뢰할만하지만, 다른 방향의 통계적 모집단의 데이터 세트의 분포는 신뢰할만하지 못하다. 이 경우에, 기존 오프셋은 라인 방향 이외의 방향으로는 정정되지 않고, 그럼으로써 신뢰하지 못할만한 정보에 기초하여 오프셋이 업데이트되는 것을 방지한다.
통계적 모집단의 데이터 세트가 특정 라인 근처에 분포된 경우, 라인의 방향은 더 큰 고유치 λ1에 대응하는 고유 벡터 u1의 방향(즉, 주 방향)과 일치하고, 더 작은 고유치 λ2에 대응하는 고유 벡터 u2의 방향은 라인에 수직이다. 따라서, 라인의 방향으로만 신규 오프셋을 도출하기 위해서는, 수학식 (12)의 목적 함수를 최소화시키는 신규 오프셋 c가 이하의 수학식 (14)에 의해 표현된 제한 조건하에서 구해진다.
Figure 112007018391306-pat00012
수학식 (14)의 제한 조건하에서 수학식 (12)의 최적화 문제를 해결하기 위한 방정식은 라그랑주 제곱수의 방법을 이용하여 그 등가인 연립 방정식으로 변형될 수 있다. 미지의 일정한 제곱수 ρ가 도입되고 "x"가 이하의 수학식 (15)에 의해 정의되는 경우, "x"의 연립 선형 방정식 (16)은 상기 언급된 연립 방정식들이다.
Figure 112007018391306-pat00013
Figure 112007018391306-pat00014
여기서,
Figure 112007018391306-pat00015
Figure 112007018391306-pat00016
상기 설명으로부터 이해될 수 있는 바와 같이, 통계적 모집단의 데이터 세트의 분포가 실질적으로 1차원인 경우, 단계 S110에서 신규 오프셋을 도출하기 위한 프로세스는 연립 선형 방정식 (16)을 해결하는 것이다. 해답 "x"는 행렬 B3의 랭크가 3이어야만 하므로 고유하게 지정되어야만 한다.
2-7. 요약
이제, 단계 S108 및 S110의 프로세스는 도 6 및 7을 참조하여 공간 개념을 이용하여 설명될 것이다. 통계적 모집단의 데이터 세트가 완전히 신뢰성있는 것으로 가정되는 경우, 신규 오프셋 c는 기존 오프셋 c0 및 기존 오프셋 c0에 대해 통계적 모집단의 데이터 세트로부터만 도출된, 원주의 중심의 위치 벡터(즉, 임시 위치 벡터) g의 합으로서 신규 오프셋 c를 고려함으로써 이하의 수학식 (19)에 의해 정 의된다.
c = c0 + g
신규 오프셋의 위치 벡터 "c"는 기존 오프셋 "c0"과, 분포의 고유 벡터 u1 및 u2와 동일한 방향인 기본 벡터의 선형 조합인 보정 벡터 "f"의 합으로 간주될 수 있다. 그러므로 통계적 모집단의 데이터 세트의 중심에 대응하는 위치 벡터 "g"의 중심에 대응하는 위치 벡터 "g"의 성분의 각 신뢰성 정도에 따라 위치 벡터 "g"로부터 정정되는 벡터에 대응하는 보정 벡터 "f"는 대응하는 주축 방향으로의 통계적 모집단의 데이터 세트의 각 신뢰성 정도에 따라 위치 벡터 "g"의 계수 gα 및 gβ를 가중함으로써 얻어질 수 있다.
도 6에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 충분히 2차원인 경우에 수행되는 단계 S108의 프로세스에서, 수학식 (12)의 목적 함수를 최소화하는 "c"는 상기 설명된 임의의 제한 조건없이 얻어진다. 그러나 이러한 프로세스는 신규 오프셋 "c"가 기존 오프셋 c0 및 가중 인자 "1"만큼 분포의 2개의 주축 방향으로 임시 위치 벡터 "g"의 양쪽 성분 gα 및 gβ를 가중함으로써 얻어지는 보정 벡터 "f"의 합으로서 얻어질 수 있는 제한 조건하에서 수행된다고 간주할 수 있다. 도 6에서, 보정 벡터 "f"는 위치 벡터 "g"와 일치하지 않으므로 도시되지 않는다.
도 7에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 거의 1차원인 경우에 수행되는 단계 S110의 프로세스에서, 기존 오프셋 c0 및 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출하는 경우에, 이하의 제한 조건이 부과된다. 제한 조건은, 신규 오프셋 c는 기존 오프셋 c0 및, 임시 위치 벡터 "g"의 가중 인자 "1"만큼 분포의 더 큰 주 값에 대응하는(즉, 더 큰 고유치 λ1에 대응함) 분포의 주축 방향(또는 주 방향)으로 임시 위치 벡터 "g"의 계수 gα를 가중하고, 위치 벡터 "g"의 가중 인자 "0"만큼 분포의 더 작은 주 값에 대응하는(즉, 더 작은 고유치 λ2에 대응함) 분포의 주축 방향(또는 주 방향)으로 계수 gβ를 가중함으로써 얻어지는 보정 벡터 "f"의 합으로서 얻어질 수 있다는 것이다.
본 실시예에서 알고리즘의 핵심 포인트는, 수학식 (12)의 목적 함수를 최소화하는 "c"가, 통계적 모집단의 데이터 세트의 분포의 주 값 간의 비율이 소정 임계값 "t"보다 큰 경우에 임시 위치 벡터 "g"의 성분 양쪽에 대한 가중 인자는 "1"로 설정되고, 통계적 모집단의 데이터 세트의 분포의 주 값이 소정 임계값 "t"보다 적거나 같은 경우에, 분포의 주 방향으로의 임시 위치 벡터 "g"의 성분에 대한 가중 인자가 "1"로 설정되며, 분포의 더 작은 레벨을 가지는 분포의 주축 방향으로 임시 위치 벡터 "g"의 성분에 대한 가중 인자는 "0"으로 설정되는 제한 조건하에서 얻어진다는 점이다.
B. 제2 실시예
* 개관
제1 실시예에서, 통계적 모집단의 데이터 세트의 분포는 이산적으로 추정되고, 신규 오프셋 "c"는 분포가 충분히 2차원인 경우와 분포가 거의 1차원인 경우에 다른 기법을 이용하여 도출된다. 제2 실시예에서, 제1 실시예에서와 같이 분포의 추정에 따라 다른 프로세스를 수행할 필요를 제거할 수 있고, 통계적 모집단의 데이터 세트를 효율적으로 이용함으로써 더 가능성있는 신규 오프셋을 도출할 수도 있는 간단하고 고도로 정확한 알고리즘에 대한 설명이 제공된다.
도 8은 신규 오프셋 도출 프로세스를 예시하는 흐름도이다. 제1 실시예에서와 동일하게, CPU(40)는 오프셋 업데이트 요구가 수행되는 경우에 오프셋 도출 모듈(94)을 실행함으로써 도 8의 절차를 수행한다. 단계 S200의 프로세스는 제1 실시예에서 상기 설명된 단계 S100의 프로세스와 동일하다. 단계 S202의 프로세스는 제1 실시예에서 상기 설명된 단계 S102의 프로세스와 동일하다. 단계 S204의 프로세스는 제1 실시예에서 상기 설명된 단계 S104의 프로세스와 동일하다.
· 분포의 추정
단계 S206에서, 통계적 모집단의 데이터 세트의 분포 지시자가 도출된다. 구체적으로는, 통계적 모집단의 데이터 세트의 분포가, 분포 지시자로서 이하의 수학식 (20)에 의해 정의된 m2를 도출함으로써 연속적인 값으로 추정된다.
Figure 112007018391306-pat00017
여기서, "k2"는 소정의 양의 상수이다. k2의 값은 주 값과, 통계적 모집단의 데이터 세트의 대응하는 주축 방향의 신뢰성 정도 간의 연관을 결정한다. 여기서, "m2"는 이하의 조건 (21)을 만족해야 한다.
0 ≤ m2 ≤ 1
이제, m2의 공간 개념이 도 1을 참조하여 설명된다. 분포의 주축 방향으로의 임시 위치 벡터 g의 성분의 계수가 대응하는 주 값의 감소하는 순서로 gα 및 gβ로 표시되고, 분포의 주축 방향으로의 위치 벡터 f의 성분의 계수가 대응하는 주 값의 감소하는 순서로 fα 및 fβ로 표시되는 경우, 본 실시예에서 임시 위치 벡터 g, 보정 벡터 f 및 m2의 관계는 이하의 수학식 (22) 및 (23)으로 표현된다.
Figure 112007018391306-pat00018
Figure 112007018391306-pat00019
최대 주 값에 대응하는 주축 방향의 성분과 연관된 가중 인자 fα/gα는 "1" 보다 작게 설정될 수 있다. 또한, 이하의 조건이 만족되는 경우, 가중 인자가 수학식 (20)의 정의로 제한되지 않고, 주 값의 비율에 계속적으로 대응하도록 결정된 "m2"에 대해 임의의 정의가 만들어질 수 있다.
· m2의 값의 범위는 [0, 1] 또는 그 서브세트이다.
· λ2/λ1=1인 경우에 m2≠1이다.
· λ2=0이 허용되는 경우에 λ2/λ1=0인 경우에 m2=1이다.
· m2는 λ2/λ1이 증가함에 따라 넓은 의미에서 단조롭게 감소한다.
구체적으로는, m2는 예를 들면, 이하의 수학식 (24)에 의해 정의될 수 있다.
Figure 112007018391306-pat00020
여기서, "s" 및 "k"는 비음의 실수이고 "sgn"은 이하의 방정식에 의해 표현된 부호 함수이다.
Figure 112007018391306-pat00021
수학식 (24)에 의해 정의된 m2를 도출하는 데 다량의 계산이 요구되므로, 입 력 λ1 및 λ2를 가지는 수학식 (24)의 계산 결과는 2D 룩업 테이블에 저장되고, m2의 근사값은 2D 룩업 테이블을 참조하여 도출될 수 있다.
인덱스 "s" 및 "k"는 가중 효과가 그 값에 따라 가변되므로, 실시예에 따라 설정된다. 도 9 및 10은 인덱스 "s" 및 "k"에 따라 가변되는 가중 효과를 나타내는 그래프이다. 도 9는 수학식 (24)에서 "s"가 1로 고정되고, "k"가 1/4, 1 및 4로 설정되는 경우에, 고유값의 비율(λ2/λ1) 및 가중 인자 m2의 관계를 도시하고 있다. 도 10은 수학식 (24)에서 "k"가 1/4로 고정되고, "s"가 1/2, 1 및 2로 설정되는 경우에, 고유값의 비율(λ2/λ1) 및 가중 인자 m2의 관계를 도시하고 있다.
자세 또는 포즈가 높은 각속도 또는 속도로 변경되는 이동 전화기 또는 개인휴대단말기(PDA)와 같은 이동체 또는 물체에 자기 센서가 장착되는 경우, 특정 기간 동안에 저장된 자기 데이터 세트의 분포가 평균적으로 비교적 넓을 것으로 예상될 수 있다. 자기 데이터의 분포가 그렇게 넓지 않은 경우에, 그러한 자기 데이터 그룹이 낮은 신뢰성을 가지고 있으므로, 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹을 상당하게 평가함으로써 오프셋 정정이 수행된다면, 오프셋의 정확도는 다소 저하될 것이다. 그러므로 본 발명이 자기 데이터 그룹의 분포가 비교적 넓게 되는 경향이 있는 이동 물체에 적용되는 경우에, 자기 데이터의 분포가 상당히 넓은 경우에만 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹이 상당히 평가되도록 파라미터 s 및 k의 값이 설정되어야 한다. 여기서, 수학식 (24)의 m2의 값이 더 작아짐에 따라, 작은 주 값을 가지는 분포의 주축 방향의 가중이 더 크게 된다 는 것을 의미한다. 결과적으로, 수학식 (24)가 빠른 각속도로 자세를 변경하는 이동 물체에 적용되는 경우, 비교적 큰 값으로 파라미터 s를 설정하고, 비교적 작은 값으로 파라미터 k를 설정하는 것이 바람직하다.
한편, 자세 및 포즈가 낮은 각속도로 변경하는 자동차와 같은 이동체 또는 물체에 자기 센서가 장착되는 경우, 특정 기간 동안에 저장된 자기 데이터 세트의 분포는 평균적으로 비교적 좁을 것이라고 가정된다. 그러한 경우에, 오프셋 정정이 수행되는 경우에 오프셋의 정확도는 개선되지 않는 데 대해, 자기 데이터의 분포가 그렇게 넓지 않은 경우에, 그러한 자기 데이터 그룹이 그렇게 신뢰할 수 없을지라도, 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹이 큰 가중으로 평가되지 않는다. 결과적으로, 수학식 (24)가 자세를 느린 각속도로 변경하는 이동 물체에 적용되는 경우에, 파라미터 s를 비교적 작은 값으로 설정하고, 파라미터 k를 비교적 큰 값으로 설정하는 것이 바람직하다.
· 신규 오프셋의 도출
특정 제한 조건하에서 최적화 문제에 대한 해답을 도출하기 어려운 경우에, 제한 조건을 완화시킴으로써 최적화 문제를 해결하기 위한 완화 문제가 도입될 수 있다. 이러한 완화 문제를 적용함으로써, 본 실시예는 기존 오프셋 c0 및 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자에 의해 상기 설명된 임시 위치 벡터 g(도 1 참조)의 계수 gα 및 gβ를 가중시킴으로써 얻어지는 보정 벡터 f의 합으로서 신규 오프셋 c를 도출하기 위한 프로세스를 실현한다. 이하는 이러한 프로세스의 세부사항이다.
미지의 일정한 제곱수 ρ는 프로세스 동안에 계산을 위해 요구되는 변수로서 정의되고, c 및 ρ는 이하의 수학식 (26)에 의해 정의된 하나의 벡터 "x"로 함께 그룹화된다.
Figure 112007018391306-pat00022
또한, 행렬 "B"는 수학식 (27)에 의해 정의되고, 벡터 "b"는 수학식 (28)에 의해 정의된다.
Figure 112007018391306-pat00023
Figure 112007018391306-pat00024
단계 S208에서 신규 오프셋을 도출하기 위한 프로세스는 이하의 연립 방정식 (29)에 대한 해답을 구하는 것이다. 벡터 x는 행렬 B가 정칙이어야 하므로 고유하게 지정된다.
Bx = b
연립 방정식 (29)에 대한 해답을 구하는 것은 신규 오프셋이 기존 오프셋 c0와, 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 인자 fα/gα 및 fβ/gβ에 의해 주 값에 대응하는 분포의 주축 방향의 위치 벡터 g의 계수를 가중함으로써 얻어지는 값이 그 성분이 되는 보정 벡터 f와의 합으로서 얻어질 수 있다는 제한 조건하에서 수학식 (12)의 목적 함수를 최소화하기 위한 최적화 문제를 해결하는 것과 동등하다.
제2 실시예에서, 오프셋 도출 모듈(94)을 개발하거나 개선하는 것이 용이하고, 오프셋 도출 모듈(94)의 데이터 크기는 상기 설명된 바와 같이 통계적 모집단의 데이터 세트의 분포에 따라 신규 오프셋 도출 프로세스를 분기할 필요가 없으므로 감소된다. 또한, 제2 실시예는 통계적 모집단의 데이터 세트가 오프셋 도출 모듈(94)에 의해 이용되는 사용 효율을 증가시키고, 또한 주 값 중 어느 것도 0이 아닌 경우에 통계적 모집단의 데이터 세트의 주 값의 비율에 연속적으로 대응하는 거리만큼 기존 오프셋이 분포의 주축 방향으로 정정될 수 있으므로 방향 도출 모듈이 가장 가능성있는 오프셋을 이용하여 자기 데이터를 정정할 수 있도록 허용한다.
C. 다른 실시예
본 발명의 제1 양태는 상기 실시예들로 제한되지 않고, 본 발명의 사상에서 벗어나지 않고서도 다양한 실시예들이 가능하다. 예를 들면, 본 발명의 제1 양태는 PDA, 이동 전화기, 2륜 모터 차량, 선박 등에 장착되는 자기 센서에도 적용될 수 있다.
다음으로, 본 발명의 제2 양태에 이용되는 원리 및 알고리즘이 도 11을 참조하여 이하에 설명된다. 이러한 알고리즘의 핵심 포인트는, 더 큰 분산으로 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트할 때 이용하기 위한 통계적 모집단의 더 중요한 요소가 될 것으로 평가되고, 더 작은 분산으로 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트할 때 이용하기 위한 통계적 모집단의 덜 중요한 요소가 될 것으로 평가된다는 점이다. 세부 내용은 다음과 같다. 기존 오프셋 c0, 신규 오프셋 c 및 원점 "0"에 대한 종점 "g"의 위치에 대응하는 임시 오프셋 각각은 자기 데이터의 기본 벡터 세트의 선형 조합이다. 즉, 각 오프셋은 xyz 좌표계로 표현되는 벡터 데이터이다. 신규 오프셋 c는 기존 오프셋 c0 및 신규 오프셋 c로 기존 오프셋 c0을 업데이트하도록 저장되는 자기 데이터 세트에 기초하여 도출된다.
신규 오프셋 c로 기존 오프셋을 업데이트하도록 저장된 자기 데이터 세트인 통계적 모집단의 데이터 세트는 소정 기간 동안에 저장된 자기 데이터 세트를 포함하고, 소정 개수의 자기 데이터를 포함하는 자기 데이터 세트를 포함하며, 특정 시각에(예를 들면, 오프셋 업데이트 요구가 만들어지는 때에) 저장된 임의의 개수의 자기 데이터를 포함하는 자기 데이터 세트를 포함할 수 있다.
기존 오프셋 c0은 신규 오프셋 c와 동일한 방법을 이용하여 도출될 수 있고, 미리 결정될 수도 있다.
임시 오프셋은 기존 오프셋 c0을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되도록 정의되지만, 이러한 정의는 신규 오프셋 c가 도출되는 제한 조건을 정의하도록 도입되고, 임시 오프셋은 실제로는 도출될 필요가 있는 데이터가 아니다. 임시 오프셋은 기존 오프셋 c0을 이용하지 않고 통계적 모집단의 데이터 세트로부터 실제로 도출된 경우, 임시 오프셋은 통계적 모집단의 데이터 세트가 분포된 원주의 중심의 위치 벡터이다. 그러나 통계적 모집단의 데이터 세트가 통계적 모집단의 데이터 세트로부터 도출된 구체 표면의 일부에 불규칙적으로 분포되는 경우, 통계적 모집단의 데이터 세트의 각 요소에 포함된 에러가 구체 표면의 도출 결과에 크게 영향을 미치고, 따라서 진실한 오프셋으로부터 먼 임시 오프셋이 도출될 가능성이 있다. 예를 들면, 통계적 모집단의 데이터 세트가 서로 직교인 고유 벡터 u1, u2 및 u3으로 도우넛-형태의 분포로 분포되어 있고 통계적 모집단의 데이터 세트의 분산이 도 11에 도시된 바와 같이 최소 주 값에 대응하는 고유 벡터 u3의 방향으로 최소화된다고 간주하자. 이 경우에, 통계적 모집단의 데이터 세트의 분산이 분포의 고유 벡터 u3의 방향으로 작으므로, 통계적 모집단의 데이터 세트로부터 도출된 임시 오프셋의 위치가 고유 벡터 u3의 방향으로 진실한 오프셋의 위치로부터 멀 가능성이 높다. 한편, 이 경우에, 통계적 모집단의 데이터 세트의 분산이 분포의 고유 벡터 u1의 방향으로 크기 때문에, 통계적 모집단의 데이터 세트로부터 도출된 임시 오프셋의 위치가 고유 벡터 u1의 진짜 오프셋 근처일 가능성이 높 다.
분포의 주축 방향의 분산은 분포의 지시자로서 분포의 주 값 λ1, λ2 및 λ3을 이용하여 표현될 수 있으므로, 이러한 디바이스는 주 값 λ1, λ2 및 λ3의 비율에 따라 주 값에 각각 대응하는 방향으로 분포되는 통계적 모집단의 요소를 추정한다. 구체적으로, 우선, 기존 오프셋 c0에 대한 신규 오프셋 c의 위치 벡터인 보정 벡터 f 및 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터인 임시 위치 벡터 g는 분포의 주축 방향과 일치하는 좌표축 α, β 및 γ를 가지는 좌표계로 정의될 수 있다. 즉, 보정 벡터 f 및 임시 위치 벡터 g의 각각은 분포의 주축 방향의 기본 벡터의 선형 조합이 되도록 정의될 수 있다. 이것은 주축 값으로의 변환에 대응한다. 보정 벡터 f의 성분 fα, fβ 및 fγ는 분포의 대응하는 주 값 u1, u2 및 u3의 측정에 따라 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터 g의 성분 gα, gβ 및 gγ를 가중함으로써 도출되는 경우에, 큰 분산을 가지는 방향으로 통계적 모집단의 요소의 신뢰성을 증가시키고, 작은 분산을 가지는 방향으로 통계적 모집단의 요소의 신뢰성을 감소시킴으로써 보정 벡터 f를 도출할 수 있다. 그러나 보정 벡터 f 및 임시 위치 벡터 g의 그러한 정의는 신규 오프셋 c가 도출되는 제한 조건을 정의하도록 도입되고, 임시 위치 벡터 g는 실제로 도출될 필요가 있는 데이터는 아니다.
상기 설명된 바와 같이 정의되는 기존 오프셋 c0 및 보정 벡터 f의 합으로서 신규 오프셋 c가 얻어질 수 있는 제한 조건하에서 신규 오프셋 c를 도출함으로써, 더 큰 분산을 가지는 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트하는 데 이용하기 위한 통계적 모집단의 더 중요한 요소이고, 더 작은 분산을 가지는 주축 방향으로 분포된 자기 데이터 세트가 오프셋을 업데이트하는 데 이용하기 위한 통계적 모집단의 덜 중요한 요소인 것으로 추정하면서, 신규 오프셋을 도출할 수 있다. 이와 같이 신규 오프셋을 도출하기 위한 하나의 기법의 예는 분포를 최적화 문제로서 공식화하는 것이다. 신규 오프셋이 제한 조건을 가지고 분포의 최적화 문제로서 도출되는 경우에, 신규 오프셋은 실시예에서 나중에 설명되는 바와 같이 간단한 연립 선형 방정식을 해결함으로써 도출될 수 있다. 즉, 통계적 모집단의 데이터 세트의 분포가 어떤 것이든지, 이러한 디바이스가 간단한 프로세스를 통해, 통계적 모집단의 데이터 세트로부터 도출될 수 있는 가장 가능성있는 신규 오프셋을 도출할 수 있다.
발명에 따른 자기 데이터 처리 디바이스에서, 제한 조건은, 주 값 중 최대인 것에 대한 주 값 중 중간 것의 비율이 제1 임계치보다 높고, 최대 주 값에 대한 최소 주 값의 비율이 제2 임계치보다 작거나 같은 경우에, 주 값의 최소인 것에 대응하는 주축 방향의 한 방향으로 제2 기본 벡터 중 하나의 계수에 대한 위치 벡터의 가중 인자가 0으로 되고, 최대 주 값에 대한 중간 주 값의 비율이 제1 임계치보다 작거나 같고, 최대 주 값에 대한 최소 주 값의 비율이 제2 임계치보다 작거나 같은 경우에, 최소 주 값에 대응하는 주축 방향으로의 제2 기본 벡터의 계수 및 중간 주 값에 대응하는 주축 방향 중 하나로의 제2 기본 벡터의 다른 하나의 계수 양쪽에 대한 위치 벡터의 각 가중 인자가 0으로 되는 것이다.
이러한 디바이스는 통계적 모집단의 데이터 세트의 분포를 이산적으로 추정하고, 이산 추정 결과에 따라 기존 오프셋 c0에 대한 임시 오프셋의 위치 벡터의 계수를 이산적으로 가중한다. 구체적으로, 분포 값이 최소인 방향으로의 위치 벡터 g의 계수의 가중은 "0"이다. 또한, 분포의 값이 그 방향에서 작은 경우에, 분포의 값이 중간값인 방향으로의 위치 벡터 g의 계수의 가중은 "0"이다. 즉, 분포의 값이 임계치보다 작은 방향으로는 어떠한 자기 데이터도 추정되지 않는다.
발명에 따른 자기 데이터 처리 디바이스에서, 제한 조건은, 보정 벡터의 계수가 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자에 의해 위치 벡터의 계수를 가중함으로써 얻어지는 값일 수 있다.
이러한 디바이스는 가중 인자가 분포와 연속적인 연관을 가지고 있으므로 통계적 모집단의 데이터 세트의 실질적인 이용 효율을 증가시킬 수 있다. 또한, 디바이스는 통계적 모집단의 데이터 세트의 분포에 따라 프로세스를 변경시키지 않고 신규 오프셋을 도출할 수 있으므로 오프셋 업데이트 프로세스를 단순화시킬 수 있다.
발명에 따른 자기 센서 오프셋 도출 디바이스에서, 위치 벡터의 계수에 대한 각 가중 인자는 최대 주 값에 대응하는 주축 방향으로 제2 기본 벡터의 계수에 대한 가중 인자를 1로 설정함으로써 정규화될 수 있다.
분포의 주 값과는 다른 통계적 모집단의 자기 데이터 세트의 분포의 추정 지시자가 도입되는 경우에, 최대 가중 인자를 1로 설정함으로써 가중 인자를 정규화 할 필요가 없다. 예를 들면, 최대 가중 인자는 통계적 모집단의 자기 데이터 세트에 기초하여, 통계적 모집단의 데이터 세트가 근처에 분포되는 일부를 가지는, 구체 표면으로서 도출된 구체의 반경에 대한 더 큰 주 값에 대응하는 주축 방향(즉, 주 방향)의 자기 데이터 간의 최대 거리의 비율에 따라 1보다 작게 설정될 수 있다.
발명에 따른 자기 데이터 처리 디바이스에서, 오프셋 도출 수단은 제한 조건 하에서 이하의 목적 함수 f(c)를 최소화하는 "c"를 도출할 수 있다.
Figure 112007018391306-pat00025
여기서, "X" 및 "j"는 자기 데이터가 qi=(qix, qiy, qiz)(i=0,1,2,...)로 표현되는 경우에 이하와 같다.
Figure 112007018391306-pat00026
이러한 디바이스는 제한 조건을 가지는 분포의 최적화 문제로서 신규 오프셋을 도출하므로, 실시예들에서 나중에 설명되는 간단한 연립 선형 방정식을 해결함으로써 신규 오프셋을 도출할 수 있다. 즉, 통계적 모집단의 데이터 세트의 어떤 분포이든지 간에, 이러한 디바이스는 간단한 프로세스를 통해, 통계적 모집단의 데이터 세트로부터 도출될 수 있는 가장 가능성있는 신규 오프셋을 도출할 수 있다.
발명에 따른 자기 측정 장치는 상기 설명된 자기 데이터 처리 디바이스 및 3D 자기 센서를 포함한다.
통계적 모집단의 데이터 세트의 분포가 무엇이든지 간에, 이러한 디바이스는 간단한 프로세스를 통해, 통계적 모집단의 데이터 세트로부터 도출될 수 있는 가장 가능성있는 신규 오프셋을 도출할 수 있다.
본 발명의 디바이스에 포함된 복수의 수단 각각의 기능은 그 기능이 그 구성에 의해 지정되는 하드웨어 리소스, 그 기능이 프로그램에 의해 지정되는 소프트웨어 리소스, 또는 이들 리소스의 조합에 의해 실현된다. 복수의 수단 각각의 기능은 반드시 물리적으로 독립적인 하드웨어 리소스에 의해 실현될 필요는 없다. 본 발명은 디바이스뿐만 아니라, 프로그램, 프로그램이 기록되는 기록 매체 및 방법에 의해서도 지정될 수 있다. 청구의 범위에 기재된 방법의 동작은 청구의 범위에 기재된 순서대로 반드시 수행될 필요는 없고, 기술적 방해가 없는 경우에 임의의 다른 순서 또는 동시에 수행될 수도 있다.
본 발명의 제2 양태의 실시예들이 이하의 순서대로 기술될 것이다.
A. 제1 실시예
[1. 일반 설명]
1-1. 하드웨어 구조
1-2. 소프트웨어 구조
[2. 절차]
2-1. 전체 플로
2-2. 버퍼 업데이트
2-3. 분포의 추정
2-4. 최적화 문제를 통한 신규 오프셋의 도출
2-5. 분포가 2차원인 경우의 제한 조건
2-6. 분포가 실질적으로 1차원인 경우의 제한 조건
2-7. 분포가 3차원인 경우의 신규 오프셋의 도출
2-8. 요약
B. 제2 실시예
· 개관
· 분포의 추정
· 신규 오프셋의 도출
C. 다른 실시예
[일반 설명]
1-1. 하드웨어 구조
도 12는 본 발명이 적용된 이동체의 예인 이동 전화기(3)의 외관의 개략도이다. 이동 전화기(3)는 3차원(3D) 자기 센서(4)를 포함한다. 3D 자기 센서(4)는 3개의 직교 방향 (x, y, z)의 자계의 각 세기를 검출함으로써 자계의 방향 및 세기를 검출한다. 이동 전화기(3)의 디스플레이(2)는 다양한 문자 또는 화상 정보를 표시한다. 예를 들면, 디스플레이(2)는 지도 및 방향(또는 방위각)을 나타내는 화살표 또는 문자를 표시한다.
도 13은 3D 자기 센서(4) 및 자기 데이터 처리 디바이스(1)를 포함하는 자기 측정 디바이스의 블록도이다. 3D 자기 센서(4)는 육상 자기장으로 인한 자계 벡터의 x 및 y 방향 성분을 검출하는 x, y 및 z-축 센서(30, 32, 34)를 포함한다. 각 x, y 및 z-축 센서(30, 32, 34)는 자기 저항 소자, 홀 센서 등을 포함하고, 이것이 지향성을 가지는 경우에 임의의 타입의 1-차원 자기 센서일 수 있다. x, y 및 z-축 센서(30, 32, 34)는 각 감지 방향이 서로에 수직이 되도록 고정된다. x, y 및 z-축 센서(30, 32, 34)의 출력은 시분할되어 자기 센서 인터페이스(I/F)(22)에 입력된다. 자기 센서 인터페이스(22)는 입력을 증폭시킨 후 x, y 및 z-축 센서(30, 32, 34)로부터의 입력을 A/D 변환한다. 자기 센서 인터페이스(22)로부터 출력된 디지털 자기 데이터는 버스(5)를 통해 자기 데이터 처리 디바이스(1)에 입력된다.
자기 데이터 처리 디바이스(1)는 CPU(40), ROM(42), 및 RAM(44)을 포함하는 컴퓨터이다. CPU(40)는 예를 들면, 이동 전화기(3)의 전체 동작을 제어한다. ROM(42)은 CPU(40)에 의해 실행되는 자기 데이터 처리 프로그램 또는 이동체의 기능을 구현하는 데 이용되는 다양한 프로그램을 저장하는 비휘발성 저장 매체이다. RAM(44)은 CPU(40)에 의해 처리되는 데이터를 일시적으로 저장하는 휘발성 저장 매체이다. 자기 데이터 처리 디바이스(1) 및 3D 자기 센서(4)는 1-칩 자기 측정 디바이스로서 구성될 수 있다.
1-2. 소프트웨어 구조
도 14는 자기 데이터 처리 프로그램(90)의 블록도이다. 자기 데이터 처리 프로그램(90)은 ROM(42)에 저장되어 방향 데이터를 로케이터(98)에 제공한다. 방향 데이터는 지구 자계의 방향을 나타내는 2D 벡터 데이터이다. 예를 들면, 이동 체에 대한 고도 측정을 위한 3D 벡터 데이터로서, 방향 데이터는 다른 애플리케이션에 제공될 수 있다. 자기 데이터 처리 프로그램(90)은 버퍼 관리 모듈(92), 오프셋 도출 모듈(94) 및 방향 도출 모듈(96)과 같은 모듈 그룹으로 구성된다.
버퍼 관리 모듈(92)은 오프셋 업데이트 시 자기 데이터를 이용하기 위해, 자기 센서(4)로부터 순차적으로 출력된 복수의 자기 데이터를 수신하고, 버퍼에 수신된 자기 데이터를 저장하는 프로그램 부분이다. 버퍼 관리 모듈(92)은 CPU(40), RAM(44) 및 ROM(42)이 입력 수단 및 저장 수단으로 기능할 수 있게 한다. 이러한 버퍼는 하드웨어뿐만 아니라 소프트웨어로도 실시될 수 있다. 이제, 이러한 버퍼에 저장된 자기 데이터 세트는 통계적 모집단의 데이터 세트로 지칭될 것이다.
오프셋 도출 모듈(94)은 버퍼 관리 모듈(92)에 의해 홀딩된 통계적 모집단의 데이터 세트 및 오프셋 도출 모듈(94)에 의해 홀딩된 기존 오프셋에 기초하여 신규 오프셋을 도출하고, 신규 오프셋으로 기존 오프셋을 업데이트하는 프로그램 부분이다. 오프셋 도출 모듈(94)은 CPU(40), RAM(44) 및 ROM(42)이 오프셋 도출 수단으로서 기능하도록 허용한다. 신규 오프셋으로 기존 오프셋을 업데이트하는 것은 신규 오프셋이 기존 오프셋이 되도록 하므로, "기존 오프셋"은 어떠한 오해도 유발하지 않는 컨텍스트에서는 단지 "오프셋"으로 지칭될 것이다. 실제로, 방향 데이터 정정에 이용되는 오프셋은 하나의 변수에 설정되고, 신규 오프셋은 그 변수와 다른 변수로부터 도출된다. 신규 오프셋이 도출된 경우, 방향 데이터 정정에 이용되는 변수에 설정된다. 그러므로 방향 데이터 정정에 이용되는 변수는 기존 오프셋이 저장된 것이다.
방향 도출 모듈(96)은 오프셋 도출 모듈(94)에 의해 홀딩된 오프셋을 이용하여 자기 센서로부터 순차적으로 출력된 자기 데이터를 정정함으로써 방향 데이터를 생성하는 프로그램 부분이다. 방향 도출 모듈(96)은 CPU(40), RAM(44) 및 ROM(42)이 방향 도출 수단으로서 기능하도록 허용한다. 구체적으로, 방향 도출 모듈(96)은 3D 벡터 데이터인 자기 데이터의 성분으로부터 오프셋의 성분을 감산함으로써 얻어지는 3개의 성분 중 모두 또는 2개를 방향 데이터로서 출력한다.
내비게이션 프로그램(98)은 목적지에 대한 루트를 탐색하고, 루트를 지도상에 표시하는 주지된 프로그램이다. 지도를 인식하기가 용이하므로, 지도의 방향이 실제 방향과 매칭하도록 지도가 표시된다. 따라서, 예를 들면, 이동 전화기(3)가 회전되는 경우, 지도가 지구에 대해 회전되지 않도록 디스플레이(2) 상에 표시된 지도가 디스플레이(2)에 대해 회전된다. 방향 데이터는 이러한 지도 표시 처리에 이용된다. 물론, 방향 데이터는 문자 또는 화살표에 의해 북쪽, 남쪽, 동쪽 및 서쪽을 표시하는데만 이용될 수도 있다.
[2. 절차]
2-1. 전체 플로
도 15는 신규 오프셋 도출 절차를 예시하는 흐름도이다. CPU(40)는 오프셋 업데이트 요구가 만들어지는 경우에, 오프셋 도출 모듈(94)을 실행함으로써 도 15의 절차를 수행한다.
2-2. 버퍼 업데이트
단계 S100에서, 신규 오프셋을 도출하는 데 이용되는 자기 데이터 세트(통계 적 모집단의 데이터 세트)가 저장되는 버퍼에 저장된 모든 자기 데이터가 삭제된다. 즉, 이러한 프로세스에서, 기존 오프셋을 도출하는 데 이용된 통계적 모집단의 데이터 세트가 삭제된다.
단계 S102에서, 신규 오프셋을 도출하는 데 이용되는 자기 데이터가 입력되어 버퍼에 저장된다. 복수의 자기 데이터가 이동 전화기(3)의 고도에 거의 변경이 없는 상태에서 자기 센서(4)로부터 순차적으로 입력되는 경우, 2개의 순차적으로 입력된 자기 데이터(또는 값들) 간의 거리가 작다. 제한된 용량을 가지는 버퍼에 복수의 가까운 자기 데이터를 저장하는 것은 메모리 리소스를 허비하고, 불필요한 버퍼 업데이트 프로세스를 유발한다. 또한, 신규 오프셋이 가까운 자기 데이터 세트에 기초하여 도출되는 경우에, 통계적 모집단의 불규칙하게 분포된 데이터에 기초하여 부정확한 신규 오프셋이 도출될 가능성이 있다. 버퍼를 업데이트할 필요가 있는지 여부는 이하의 방식으로 결정된다. 예를 들면, 최종 입력 자기 데이터와 최종 입력 자기 데이터의 바로 이전에 버퍼에 저장된 자기 데이터 간의 거리가 주어진 임계값보다 작은 경우, 버퍼를 업데이트하는 것이 불필요한 것으로 결정되며, 최종 입력 자기 데이터가 버퍼에 저장되지 않고 폐기된다.
단계 S104에서, 정확한 신규 오프셋을 도출하는 데 필요한 지정된 개수의 자기 데이터가 버퍼에 저장되어 있는지 여부가 결정된다. 즉, 통계적 모집단의 데이터 세트의 요소의 개수가 미리 결정된다. 통계적 모집단의 데이터 세트의 작은 개수의 요소를 설정하는 것은 오프셋 업데이트 요구에 대한 응답을 개선시킨다. 단계 S102 및 S104의 프로세스는 지정된 개수의 자기 데이터가 버퍼에 저장될 때까지 반복된다.
2-3. 분포의 추정
일단 지정된 개수의 자기 데이터가 버퍼에 저장되면, 통계적 모집단의 데이터 세트의 분포가 추정된다(S106 및 S108). 분포는 분포의 주 값에 기초하여 추정된다. 자기 데이터 세트가 이하의 수학식 (31)로 표현되는 경우, 분포의 주 값은 통계적 모집단의 데이터 세트의 중심(평균)으로부터 시작하여 각 자기 데이터로 종료하는 벡터의 합을 이용하여, 방정식 (32), (33) 및 (34)에 의해 정의된 대칭 행렬 A의 고유치이다.
qi = (qix, qiy, qiz)(i=0,1,2,...)
Figure 112007018391306-pat00027
여기서,
Figure 112007018391306-pat00028
Figure 112007018391306-pat00029
행렬 A가 수학식 (35)로서 다시 기록될 수 있다.
Figure 112007018391306-pat00030
λ1 및 λ2를 증가하는 순서로 행렬 A의 고유치라고 하자. u1, u2 및 u3은 λ1, λ2, 및 λ3에 대응하는 상호 직교인 고유 벡터이고, 크기 1로 정규화되었다고 하자. 본 명세서에서 핸들링되는 λ1, λ2 및 λ3의 범위는 λ1>0, λ2>0 및 λ3≥0이다. 행렬 A의 2개 이상의 고유치가 0인 경우, 즉 행렬 A의 랭크가 1 이하인 경우, 통계적 모집단의 데이터 세트의 요소의 개수가 하나이거나, 분포가 완전히 직선이므로, 이를 고려할 필요가 없다. 행렬 A가 그 정의로부터 양의 반-유한 행렬이므로, 각 고유치는 0 또는 양의 실수이어야 한다.
통계적 모집단의 데이터 세트의 분포는 최대 고유치에 대한 최소 고유치의 비율 λ3/λ1 및 최대 고유치에 대한 중간 고유치의 비율 λ2/λ1에 기초하여 추정된다.
단계 S106에서, 통계적 모집단의 데이터 세트의 분포가 충분히 3차원인지 여부가 결정된다. 구체적으로는, 이하의 조건 (36)이 만족되면 결정은 긍정이고, 만족되지 않으면 부정이다.
λ3 / λ1 > t1 및 λ2 / λ1 > t2
여기에서, "t1" 및 "t2"는 소정의 상수이다. 값 t1 및 t2를 설정하는 방법은 설계 옵션이고, 오프셋의 도출 특성을 결정하는 방법에 기초하여 선택적으로 설정될 수 있다. 조건 (36)이 만족되는 경우, 통계적 모집단의 데이터 세트가 통계적 모집단의 데이터 세트의 중심으로부터 등방성으로 분포된다. 중심에 대한 통계적 모집단의 데이터 세트의 등방성 분포는 통계적 모집단의 데이터 세트가 특정 구체 표면 근처에서 균일하게 분포된다는 것을 나타낸다.
단계 S108에서, 통계적 모집단의 데이터 세트의 분포가 충분히 2차원인지 여부가 결정된다. 구체적으로는, 이하의 조건 (37)이 만족되면 결정이 긍정이고, 만족되지 못하는 경우에는 부정이다.
λ3 / λ1 ≤ t1 및 λ2 / λ1 > t2
조건 (37)이 만족되는 경우, 통계적 모집단의 데이터 세트는 가까운 특정 면으로 제한된 범위에서 통계적 모집단의 데이터 세트의 중심으로부터 등방성으로 분포된다. 가까운 특정 면으로 제한된 범위에서 중심에 대해 통계적 모집단의 데이터 세트의 등방성 분포는 통계적 모집단의 데이터 세트가 특정 구체 표면의 단면 원의 원주 근처에 불규칙적으로 분포된다는 것을 나타낸다.
단계 S108의 결정이 부정이면, 통계적 모집단의 데이터 세트의 분포가 거의 1차원(즉, 선형)이다. 통계적 모집단의 데이터 세트의 거의 선형인 분포는 통계적 모집단의 데이터 세트가 특정 구체 표면의 단면 원의 짧은 아크 상에 또는 단면 원의 직경의 양쪽 엔드 상에 불규칙하게 분포되는 것을 나타낸다.
2-4. 최적화 문제를 통한 신규 오프셋의 도출
이제, 신규 오프셋을 도출하기 위한 최적화 문제가 기술될 것이다.
통계적 모집단의 데이터 세트가 동일한 면 상에 존재하지 않는 4개의 자기 데이터를 포함하는 경우, 통계적 모집단의 데이터 세트가 분포된 구체 표면은 통계적 기술을 이용하지 않고서도 고유하게 지정된다. 이러한 구체 표면의 중심의 위치 벡터 c=(cx, cy, cz)는 연립 방정식 (38)을 해결함으로써 얻어진다. 3개의 변수에 대해 4개의 동일 제한이 존재하지만, 방정식 (38)은 4개의 동일 제한 중 하나가 중복되므로(redundant) 해답을 가져야 한다.
Figure 112007018391306-pat00031
여기서,
Figure 112007018391306-pat00032
통계적 모집단의 데이터 세트의 요소의 개수가 5개 이상인 경우, "j"는 이하 의 수학식 (40)에 의해 정의된다.
Figure 112007018391306-pat00033
여기에서, "c"에 대한 연립 선형 방정식 (41)이 해답이 있는 경우, 해답은 통계적 모집단의 데이터 세트가 분포된 구체 표면의 중심이다.
Xc = j
그러나 3D 자기 센서(4)의 본질적인 측정 에러가 고려되는 경우, 수학식 (41)이 해답을 가지는 것은 거의 불가능하다. 이하의 수학식 (42)에 의해 정의된 벡터 "e"는 통계적 기법을 통해 유사한 해답을 얻도록 도입된다.
e = Xc - j
∥e∥2 2(즉, eTe)를 최소화시키는 "c"는 통계적 모집단의 데이터 세트의 분포에 가장 근접한 구체 표면의 중심으로서 유사한 것으로 간주될 수 있다. ∥e∥2 2를 최소화시키는 값 "c"를 구하기 위한 문제는 행렬 A가 정칙인 경우에 이하의 수학식 (43)의 목적 함수를 최소화하기 위한 최적화 문제이다.
목적함수: f(c)=(Xc-j)T(Xc-j) → min
2-5. 분포가 2차원인 경우의 제한 조건
도 16에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 2차원(즉, 평면형)인 경우, 기존 오프셋이 정정되는 방향을 2개의 직교 방향으로 제한함으로써 신규 오프셋이 도출된다(S112). 통계적 모집단의 데이터 세트가 특정 면 근처에 분포되고, 분포가 면에 수직인 방향으로 이산되어 있는 경우, 면에 평행한 방향으로 통계적 모집단의 데이터 세트의 분포가 충분히 신뢰할만하지만, 면에 수직인 방향으로의 통계적 모집단의 데이터 세트의 분포는 신뢰할만하지 못하다. 이 경우에, 기존 오프셋은 면에 수직인 방향으로는 정정되지 않고, 그럼으로써 신뢰하지 못할만한 정보에 기초하여 오프셋이 업데이트되는 것을 방지한다.
통계적 모집단의 데이터 세트가 특정 면 근처에 분포되고, 분포가 면에 수직인 방향으로 이산되어 있는 경우, 면에 수직인 방향은 최소 고유치 λ3에 대응하는 고유 벡터 u3의 방향(즉, 주 방향)과 일치하고, 면에 평행한 직교 방향은 최대 고유치 λ1 및 중간 고유치 λ2에 각각 대응하는 고유 벡터 u1 및 u2의 방향과 일치한다. 따라서, 면에 수직인 방향으로 기존 오프셋을 정정하지 않고 신규 오프셋을 도출하기 위해서는, 수학식 (43)의 목적 함수를 최소화하는 신규 오프셋 c는 이하의 수학식 (44)에 의해 표현된 제한 조건하에서 구해진다.
c = c0 + β1u1 + β2u2 (β1, β2: 실수)
수학식 (44)는 이하의 수학식 (45)와 등가이다.
Figure 112007018391306-pat00034
수학식 (45)의 제한 조건하에서 수학식 (43)의 최적화 문제를 해결하기 위한 방정식은 라그랑주 제곱수의 방법을 이용하여 그 등가인 연립 방정식으로 변형될 수 있다. 미지의 일정한 제곱수 ρ가 도입되고, "x"가 이하의 수학식 (46)에 의해 정의되는 경우, "x"의 연립 선형 방정식 (47)은 상기 언급된 연립 방정식들이다.
Figure 112007018391306-pat00035
Figure 112007018391306-pat00036
여기서,
Figure 112007018391306-pat00037
Figure 112007018391306-pat00038
상기 설명으로부터 이해될 수 있는 바와 같이, 통계적 모집단의 데이터 세트의 분포가 2차원인 경우, 단계 S112에서 신규 오프셋을 도출하기 위한 프로세스는 연립 선형 방정식 (47)을 해결하는 것이다. 해답 "x"는 행렬 B4의 랭크가 4이어야만 하므로 고유하게 지정되어야만 한다.
2-6. 분포가 거의 1차원인 경우의 제한 조건
도 17에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 거의 1차원(즉, 선형)인 경우, 기존 오프셋이 정정되는 방향을 분포의 하나의 주 방향으로 제한함으로써 신규 오프셋이 도출된다(S110). 통계적 모집단의 데이터 세트가 특정 라인 근처에 분포되고, 분포가 라인 방향으로 이산되어 있는 경우, 직선 방향으로 통계적 모집단의 데이터 세트의 분포가 충분히 신뢰할만하지만, 다른 방향으로의 통계적 모집단의 데이터 세트의 분포는 신뢰할만하지 못하다. 이 경우에, 기존 오프셋은 라인의 방향 이외의 방향으로는 정정되지 않고, 그럼으로써 신뢰하지 못할만한 정보에 기초하여 오프셋이 업데이트되는 것을 방지한다.
통계적 모집단의 데이터 세트가 특정 라인 근처에 분포되고, 분포가 라인의 방향으로 이산되어 있는 경우, 라인의 방향은 최대 고유치 λ1에 대응하는 고유 벡터 u1의 방향과 일치하고, 다른 방향은 중간 고유치 λ2 및 최소 고유치 λ3에 각각 대응하는 고유 벡터 u2 및 u3의 방향과 일치한다. 따라서, 라인의 방향으로만 신규 오프셋을 도출하기 위해서는, 수학식 (43)의 목적 함수를 최소화하는 신규 오프셋 c는 이하의 수학식 (50)에 의해 표현된 제한 조건하에서 구해진다.
c=c0 + β1u1
수학식 (50)은 이하의 수학식 (51)과 등가이다.
Figure 112007018391306-pat00039
Figure 112007018391306-pat00040
및
수학식 (51)의 제한 조건하에서 수학식 (43)의 최적화 문제를 해결하기 위한 방정식은 라그랑주 제곱수의 방법을 이용하여 그 등가인 연립 방정식으로 변형될 수 있다. 미지의 일정한 제곱수 ρ1 및 ρ2가 도입되고, "x"가 이하의 수학식 (52)에 의해 정의되는 경우, "x"의 연립 선형 방정식 (53)은 상기 언급된 연립 방정식들이다.
Figure 112007018391306-pat00041
Figure 112007018391306-pat00042
여기서,
Figure 112007018391306-pat00043
Figure 112007018391306-pat00044
상기 설명으로부터 이해될 수 있는 바와 같이, 통계적 모집단의 데이터 세트의 분포가 거의 1차원인 경우, 단계 S110에서 신규 오프셋을 도출하기 위한 프로세스는 연립 선형 방정식 (53)을 해결하는 것이다. 해답 "x"는 행렬 B5의 랭크가 5이어야만 하므로 고유하게 지정되어야만 한다.
2-7. 분포가 3차원인 경우의 신규 오프셋의 도출
분포가 3차원인 경우, 기존 오프셋이 정정되는 방향을 제한하지 않고 신규 오프셋이 도출된다(S114). 분포가 3차원인 경우, 즉 통계적 모집단의 데이터 세트가 통계적 모집단의 데이터 세트의 중심으로부터 보았을 때 어느 정도까지 모든 방향으로 분포되는 경우, 통계적 모집단의 데이터 세트가 모든 방향으로 충분히 신뢰할만하다. 따라서, 이 경우에, 신규 오프셋을 도출하기 위해, 기존 오프셋을 이용할 필요가 없고, 따라서 신규 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트에 기초하여 도출될 수 있다. 기존 오프셋을 이용하지 않고 통계 적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출하기 위한 알고리즘은 제안된 다양한 통계적 기법 중 하나를 이용하는 알고리즘이고, 본 출원인에 의해 이미 출원된 일본 특허 출원번호 제2005-337412호 및 제2006-44289호에 기재된 바와 같이 어떠한 통계적 기법을 이용하지 않는 알고리즘일 수 있다.
본 실시예에서, 신규 오프셋은 통계적 기법을 이용하여 도출된다. 즉, 단계 S114에서, 신규 오프셋 "c"는 임의의 제한 조건없이 수학식 (43)의 목적 함수를 최소화하기 위한 최적화 문제에 대한 해답으로서 도출된다.
2-8. 요약
이제, 단계 S110, S112 및 S114의 프로세스들은 도 1, 6 및 7을 참조하여 공간 개념을 이용하여 설명될 것이다. 통계적 모집단의 데이터 세트가 완전히 신뢰할만한 것으로 가정되는 경우, 신규 오프셋 c는 기존 오프셋 c0 및 기존 오프셋 c0에 대해 통계적 모집단의 데이터 세트로부터만 도출된 구체 표면의 중심의 위치 벡터 g의 합으로서 신규 오프셋 c를 고려함으로써 이하의 수학식 (56)에 의해 정의된다.
c = c0 + g
임의의 제한 조건없이 수학식 (43)의 목적 함수를 최소화하기 위한 최적화 문제에 대한 해답으로서 도출된 위치 벡터 g는 분포의 고유치 u1, u2 및 u3과 동일한 방향으로의 기본 벡터의 선형 조합이다. 그러므로 위치 벡터 "g"의 성분의 각 신뢰성 정도에 따라 위치 벡터 "g"로부터 정정되는 벡터에 대응하는 보정 벡터 "f"는 대응하는 주축 방향으로의 통계적 모집단의 데이터 세트의 각 신뢰성 정도에 따라 위치 벡터 "g"의 계수 gα, gβ 및 gγ를 가중함으로써 얻어질 수 있다(도 11 참조).
도 16에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 2차원인 경우에 수행되는 단계 S112의 프로세스에서, 기존 오프셋 c0과 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출할 때 이하의 제한 조건이 부과된다. 제한 조건은, 신규 오프셋 c는 기존 오프셋 c0 및 위치 벡터 "g"의 가중 인자 "1"만큼 분포의 최대 주 값에 대응하는(즉, 최대 고유치 λ1에 대응함) 분포의 주축 방향으로의 위치 벡터 "g"의 계수 gα 및 분포의 중간 주 값에 대응하는 분포의 주축 방향으로의 계수 gβ 모두를 가중하고, 위치 벡터 "g"의 가중 인자 "0"만큼 분포의 최소 주 값에 대응하는(즉, 최소 고유치 λ3에 대응함) 분포의 주축 방향으로의 계수 gγ를 가중함으로써 얻어지는 보정 벡터 "f"의 합으로서 얻어질 수 있다는 것이다.
도 17에 도시된 바와 같이, 통계적 모집단의 데이터 세트의 분포가 거의 1차원인 경우에 수행되는 단계 S110의 프로세스에서, 기존 오프셋 c0과 통계적 모집단의 데이터 세트에 기초하여 신규 오프셋을 도출할 때 이하의 제한 조건이 부과된다. 제한 조건은, 신규 오프셋 c는 기존 오프셋 c0 및 위치 벡터 "g"의 가중 인자 "1"만큼 분포의 최대 주 값에 대응하는(즉, 최대 고유치 λ1에 대응함) 분포의 주축 방향(또는 주 방향)으로의 위치 벡터 "g"의 계수 gα를 가중하고, 위치 벡터 "g"의 가중 인자 "0"만큼 분포의 중간 주 값에 대응하는 분포의 주축 방향으로의 계수 gβ 및 분포의 최소 주 값에 대응하는(즉, 최소 고유치 λ3에 대응함) 분포의 주축 방향으로의 계수 gγ 모두를 가중함으로써 얻어지는 보정 벡터 "f"의 합으로서 얻어질 수 있다는 것이다.
통계적 모집단의 데이터 세트가 3차원인 경우에 수행되는 단계 S110의 프로세스에서, 어떠한 특정 제한 조건도 부과되지 않는다. 즉, 단계 S110에서, 신규 오프셋 c는 기존 오프셋 c0와, 어떠한 제한 조건없이도 수학식 (43)의 목적 함수를 최적화하기 위한 최적화 문제에 대한 해결책으로서 얻어지는 위치 벡터 "g"의 합으로서 얻어진다.
B. 제2 실시예
* 개관
제1 실시예에서, 통계적 모집단의 데이터 세트의 분포는 이산적으로 추정되고, 분포가 2차원인 경우, 신규 오프셋 "c"는 주 값이 최소값인 주축 방향으로 보정 벡터 "f"의 성분을 0으로 설정함으로써 도출되고, 분포가 1차원인 경우, 신규 오프셋 "c"는 주 값이 중간 및 최소값인 2개의 주축 방향으로의 보정 벡터 "f"의 성분을 0으로 설정함으로써 도출된다. 제2 실시예에서, 제1 실시예에서와 같이 분포의 추정에 따라 다른 프로세스를 수행할 필요를 제거할 수 있고, 통계적 모집단의 데이터 세트를 효율적으로 이용함으로써 더 가능성있는 신규 오프셋을 도출할 수도 있는 간단하고 고도로 정확한 알고리즘에 대한 설명이 제공된다.
도 18은 신규 오프셋 도출 프로세스를 예시하는 흐름도이다. 제1 실시예와 동일한 방식으로, CPU(40)는 오프셋 업데이트 요구가 수행되는 경우에 오프셋 도출 모듈(94)을 실행함으로써 도 18의 절차를 수행한다. 단계 S200의 프로세스는 제1 실시예에서 상기 설명된 단계 S100의 프로세스와 동일하다. 단계 S202의 프로세스는 제1 실시예에서 상기 설명된 단계 S102의 프로세스와 동일하다. 단계 S204의 프로세스는 제1 실시예에서 상기 설명된 단계 S104의 프로세스와 동일하다.
· 분포의 추정
단계 S206에서, 통계적 모집단의 데이터 세트의 분포 지시자가 도출된다. 즉, 통계적 모집단의 데이터 세트의 분포가, 분포 지시자로서 이하의 수학식 (57) 및 (58)에 의해 정의된 m2 및 m3을 도출함으로써 연속적인 값으로 추정된다.
Figure 112007018391306-pat00045
Figure 112007018391306-pat00046
여기에서, "k2" 및 "k3"은 소정의 양의 상수이다. k2 및 k3의 값은 주 값과, 통계적 모집단의 데이터 세트의 대응하는 주축 방향의 신뢰성 정도 간의 연관을 결정한다. 여기서, "m2" 및 "m3"은 이하의 조건 (59)를 만족해야 한다.
0 ≤ m2 < 1 그리고 0 ≤ m3 ≤ 1
가중의 효과가 계수 k2 및 k3의 값에 따라 좌우되므로, 계수 k2 및 k3의 값은 본 발명의 실시예에 따라 적절하게 결정된다. 자기 센서가 비교적 빠른 각속도로 그 자세를 변경하는 휴대용 전화기 및 PDA와 같은 휴대용 물체 상에 장착되는 경우에, 소정 기간에 누적된 자기 데이터 그룹의 분포가 평균적으로 비교적 넓게 될 것으로 예상된다. 자기 데이터의 분포가 그렇게 넓지 않은 경우, 그러한 데이터 그룹은 낮은 신뢰성을 가지고 있으므로 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹을 상당하게 가중함으로써 오프셋 정정이 수행되는 경우에, 오프셋의 정확도가 다소 저하될 수 있다. 그러므로 자기 데이터 그룹의 분포가 넓게 되려는 경향이 있는 경우에 본 발명이 휴대용 물체에 적용되는 경우는, 계수 k1 및 k2의 값은 자기 데이터의 분포가 상당히 넓은 경우에만 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹이 무거운 가중으로 평가되도록 설정되어야 한다.
한편, 그 자세를 비교적 느린 각속도로 변경하는 차량과 같은 이동체에 자기 센서가 장착되는 경우, 특정 기간 동안에 누적된 자기 데이터 그룹의 분포는 평균 적으로 비교적 좁을 것이라고 예상된다. 오프셋 정정이 수행되는 경우에 오프셋의 정확도는 개선되지 않는 데 대해, 자기 데이터의 분포가 그렇게 넓지 않은 경우에, 그러한 자기 데이터 그룹이 그렇게 신뢰할만한 것이 아니더라도, 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹이 큰 가중으로 평가되지 않는다. 그러므로 본 발명이 자기 데이터 그룹의 분포가 좁게 되는 경향이 있는 이동 물체에 적용되는 경우에, 자기 데이터의 분포가 좁은 경우라도, 작은 주 값을 가지는 주축 방향의 자기 데이터 그룹이 무거운 가중으로 평가되도록 계수 k2 및 k3의 값들이 설정되어야 한다.
이제, m2 및 m3의 공간 개념이 도 11을 참조하여 설명된다. 분포의 주축 방향으로의 위치 벡터 g의 성분의 계수가 대응하는 주 값들의 감소하는 순서로 gα, gβ 및 gγ로 표시되고, 분포의 주축 방향으로의 위치 벡터 f의 성분의 계수가 대응하는 주 값들의 감소하는 순서로 fα, fβ 및 fγ로 표시되는 경우, 위치 벡터 g, 보정 벡터 f 및 m2와 m3의 관계는 이하의 수학식 (60), (61) 및 (62)로 표현된다.
Figure 112007018391306-pat00047
Figure 112007018391306-pat00048
Figure 112007018391306-pat00049
가중 인자가 주 값의 비율에 연속적으로 대응하도록 결정되는 관계 방정식들은 수학식 (60), (61) 및 (62)로 제한되지 않는다. 또한, 최대 주 값에 대응하는 주축 방향의 성분과 연관된 가중 인자 fα/gα는 "1"보다 낮게 설정될 수 있다.
· 신규 오프셋의 도출
특정 제한 조건하에서 최적화 문제에 대한 해답을 도출하기 어려운 경우에, 제한 조건을 완화함으로써 최적화 문제를 해결하기 위한 완화 문제가 도입될 수 있다. 이러한 완화 문제를 적용함으로써, 본 실시예는 기존 오프셋 c0 및 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자에 의해 상기 설명된 위치 벡터 g(도 11 참조)의 계수 gα, gβ 및 gγ를 가중시킴으로써 얻어지는 보정 벡터 f의 합으로서 신규 오프셋 c를 도출하기 위한 프로세스를 실현한다. 이하는 이러한 프로세스의 세부사항이다.
미지의 일정한 제곱수 ρ1 및 ρ2는 프로세스 동안에 계산을 위해 요구되는 변수로서 정의되고, c, ρ1 및 ρ2는 이하의 수학식 (63)에 의해 정의된 하나의 벡터 "x"로 함께 그룹화된다.
Figure 112007018391306-pat00050
또한, 행렬 "B"는 수학식 (64)에 의해 정의되고, 벡터 "b"는 수학식 (65)에 의해 정의된다.
Figure 112007018391306-pat00051
Figure 112007018391306-pat00052
단계 S208에서 신규 오프셋을 도출하기 위한 프로세스는 이하의 연립 방정식 (66)에 대한 해답을 구하는 것이다. 벡터 x는 행렬 B가 정칙이어야 하므로 고유하게 지정된다.
Bx = b
연립 방정식 (66)에 대한 해답을 구하는 것은 신규 오프셋이 기존 오프셋 c0와, 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 인자 fα/gα, fβ/gβ 및 fγ/gγ에 의해 주 값에 대응하는 분포의 주축 방향의 위치 벡터 g의 계수를 가중함으로써 얻어지는 값들이 그 성분이 되는 보정 벡터 f와의 합으로서 얻어질 수 있다는 제한 조건하에서 수학식 (43)의 목적 함수를 최소화하기 위한 최적화 문제를 해결하는 것과 등가이다.
제2 실시예에서, 오프셋 도출 모듈(94)을 개발하거나 개선하는 것이 용이하고, 오프셋 도출 모듈(94)의 데이터 크기는 상기 설명된 바와 같이 통계적 모집단의 데이터 세트의 분포에 따라 신규 오프셋 도출 프로세스를 분기할 필요가 없으므로 감소된다. 또한, 제2 실시예는 통계적 모집단의 데이터 세트가 오프셋 도출 모듈(94)에 의해 이용되는 사용 효율을 증가시키고, 또한 주 값들 중 어느 것도 0이 아닌 경우에 통계적 모집단의 데이터 세트의 주 값의 비율에 연속적으로 대응하는 거리만큼 기존 오프셋이 분포의 주축 방향으로 정정될 수 있으므로, 방향 도출 모듈이 가장 가능성있는 오프셋을 이용하여 자기 데이터를 정정할 수 있도록 허용한다.
C. 다른 실시예
본 발명의 제2 양태는 상기 실시예들로 제한되지 않고, 본 발명의 사상에서 벗어나지 않고서도 다양한 실시예들이 가능하다. 예를 들면, 본 발명은 PDA 상에 장착된 자기 센서 또는 차량에 장착된 자기 센서에도 적용될 수 있다.
본 발명에 따르면 2차원(2D) 자기 센서 및 3차원(3D) 자기 센서의 가용성을 개선한다. 또한, 통계적 모집단의 데이터 세트의 분포에 관계없이, 간단한 프로세스를 통해 저장된 자기 데이터를 이용하여 오프셋을 정정할 수 있는 자기 데이터 처리 디바이스, 자기 데이터 처리 방법 및 자기 데이터 처리 프로그램 및 자기 측정 장치를 제공한다.

Claims (19)

  1. 자기 데이터 처리 디바이스로서,
    2차원(2D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-상기 자기 데이터는 제1 기본 벡터(fundamental vector) 세트의 선형 조합(linear combination)인 2D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터(correction vector)의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하기 위한 오프셋 도출 수단
    을 포함하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값(principal value)들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 디바이스.
  2. 제1항에 있어서,
    상기 통계적 모집단의 데이터 세트의 분포의 주 값들은 작은 주 값(a smaller principal value) 및 큰 주 값(a greater principal value)으로 이루어진 2개의 주 값들을 포함하고,
    상기 제한 조건은, 상기 주 값들 중 상기 큰 주 값에 대한 상기 작은 주 값의 비율이 소정 임계값보다 작거나 같은 경우에, 상기 주 값들 중 상기 작은 주 값에 대응하는 주축 방향으로의 제2 기본 벡터의 계수에 대한 임시 위치 벡터의 가중 인자가 0인 자기 데이터 처리 디바이스.
  3. 제1항에 있어서,
    상기 제한 조건은, 상기 보정 벡터의 계수가 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자로 상기 임시 위치 벡터의 계수를 가중함으로써 얻어지는 값들인 자기 데이터 처리 디바이스.
  4. 제1항 또는 제3항에 있어서,
    상기 통계적 모집단의 데이터 세트의 분포의 주 값들은 작은 주 값 및 큰 주 값으로 이루어진 2개의 주 값들을 포함하고,
    상기 임시 위치 벡터의 계수에 대한 각 가중 인자는 상기 큰 주 값에 대응하는 주축 방향으로의 제2 기본 벡터의 계수에 대한 것이고, 1로 설정된 가중 인자를 참조하여 정규화되는 자기 데이터 처리 디바이스.
  5. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 오프셋 도출 수단은 상기 제한 조건하에서 이하의 목적 함수 f(c)를 최소화하는 값 "c"를 도출하고,
    Figure 112008039120502-pat00053
    여기서 "X" 및 "j"는 자기 데이터가 qi=(qix, qiy)(i=0,1,2,...,N-1)로 표현되는 경우에 이하와 같고,
    Figure 112008039120502-pat00054
    여기서,
    Figure 112008039120502-pat00055
    인
    자기 데이터 처리 디바이스.
  6. 자기 측정 장치로서,
    상기 제1항 내지 제3항 중 어느 한 항에 따른 자기 데이터 처리 디바이스, 및
    2D 자기 센서
    를 포함하는 자기 측정 장치.
  7. 자기 데이터 처리 방법으로서,
    2차원(2D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하는 단계-상기 자기 데이터는 제1 기본 벡터 세트의 선형 조합인 2D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하는 단계, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하는 단계
    를 포함하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 방법.
  8. 자기 데이터 처리 프로그램을 기록한 기록 매체로서,
    컴퓨터가,
    2차원(2D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-상기 자기 데이터는 제1 기본 벡터 세트의 선형 조합인 2D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하기 위한 오프셋 도출 수단
    으로서 기능하도록 허용하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 프로그램을 기록한 기록 매체.
  9. 자기 데이터 처리 디바이스로서,
    3차원(3D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-상기 자기 데이터는 제1 기본 벡터 세트의 선형 조합인 3D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하기 위한 오프셋 도출 수단
    을 포함하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 오프셋의 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 디바이스.
  10. 제9항에 있어서,
    상기 제한 조건은, 주 값의 최대값에 대한 주 값의 중간값의 비율이 제1 임계값보다 크고, 최대 주 값에 대한 최소 주 값의 비율이 제2 임계값보다 작거나 같은 경우에, 주 값의 최소값에 대응하는 주축 방향의 한 방향에서 제2 기본 벡터 중 하나의 계수에 대한 위치 벡터의 가중 인자가 0으로 되고, 최대 주 값에 대한 중간 주 값의 비율이 제1 임계값보다 작거나 같으며, 최대 주 값에 대한 최소 주 값의 비율이 제2 임계값보다 작거나 같은 경우에, 중간 주 값에 대응하는 주축 방향의 한 방향에서 다른 제2 기본 벡터의 계수가 0으로 되는 자기 데이터 처리 디바이스.
  11. 제9항에 있어서,
    상기 제한 조건은, 상기 보정 벡터의 계수가 통계적 모집단의 데이터 세트의 분포의 주 값의 비율에 연속적으로 대응하는 가중 인자로 상기 위치 벡터의 계수를 가중함으로써 얻어지는 값들인 자기 데이터 처리 디바이스.
  12. 제9항 내지 제11항 중 어느 한 항에 있어서,
    상기 위치 벡터의 계수에 대한 각 가중 인자는 최대 주 값에 대응하는 주축 방향으로의 제2 기본 벡터의 계수에 대한 것이고, 1로 설정된 가중 인자를 참조하여 정규화되는 자기 데이터 처리 디바이스.
  13. 제9항 내지 제11항 중 어느 한 항에 있어서,
    상기 오프셋 도출 수단은 상기 제한 조건하에서 이하의 목적 함수 f(c)를 최소화하는 값 "c"를 도출하고,
    Figure 112008039120502-pat00056
    여기서 "X" 및 "j"는 자기 데이터가 qi=(qix, qiy, qiz)(i=0,1,2,...,N-1)로 표현되는 경우에 이하와 같고,
    Figure 112008039120502-pat00057
    여기서,
    Figure 112008039120502-pat00058
    인
    자기 데이터 처리 디바이스.
  14. 자기 측정 장치로서,
    상기 제9항 내지 제11항 중 어느 한 항에 따른 자기 데이터 처리 디바이스, 및
    3D 자기 센서
    를 포함하는 자기 측정 장치.
  15. 자기 데이터 처리 방법으로서,
    3차원(3D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하는 단계-상기 자기 데이터는 제1 기본 벡터 세트의 선형 조합인 3D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하는 단계, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하는 단계
    를 포함하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 오프셋의 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 방법.
  16. 자기 데이터 처리 프로그램을 기록한 기록 매체로서,
    컴퓨터가,
    3차원(3D) 자기 센서로부터 출력된 자기 데이터를 순차적으로 입력하기 위한 입력 수단-상기 자기 데이터는 제1 기본 벡터 세트의 선형 조합인 3D 벡터 데이터임-,
    자기 데이터의 기존 오프셋을 신규 오프셋으로 업데이트하기 위해, 복수의 상기 입력된 자기 데이터를 통계적 모집단의 데이터 세트로서 저장하기 위한 저장 수단, 및
    상기 신규 오프셋은 상기 기존 오프셋 및 보정 벡터의 합으로서 얻어진다는 제한 조건하에서, 기존 오프셋 및 통계적 모집단의 데이터 세트에 기초하여 상기 신규 오프셋을 도출하기 위한 오프셋 도출 수단
    으로서 기능하도록 허용하고,
    상기 보정 벡터는 통계적 모집단의 데이터 세트의 분포의 주축 방향으로 정의된 제2 기본 벡터 세트의 선형 조합이며, 상기 보정 벡터를 나타내는 상기 제2 기본 벡터의 선형 조합의 각 계수는 상기 통계적 모집단의 데이터 세트의 분포의 주 값들의 비율에 따라 기존 오프셋에 대한 임시 오프셋의 임시 위치 벡터의 각 계수를 가중함으로써 얻어지고, 상기 임시 오프셋은 기존 오프셋을 이용하지 않고 통계적 모집단의 데이터 세트로부터 도출되며, 상기 임시 오프셋의 임시 위치 벡터는 제2 기본 벡터의 선형 조합인 자기 데이터 처리 프로그램을 기록한 기록 매체.
  17. 제2항에 있어서,
    상기 임시 위치 벡터의 계수에 대한 각 가중 인자는 상기 큰 주 값에 대응하는 주축 방향으로의 제2 기본 벡터의 계수에 대한 것이고, 1로 설정된 가중 인자를 참조하여 정규화되는 자기 데이터 처리 디바이스.
  18. 제4항에 있어서,
    상기 오프셋 도출 수단은 상기 제한 조건하에서 이하의 목적 함수 f(c)를 최소화하는 값 "c"를 도출하고,
    Figure 112008039120502-pat00077
    여기서 "X" 및 "j"는 자기 데이터가 qi=(qix, qiy)(i=0,1,2,...,N-1)로 표현되는 경우에 이하와 같고,
    Figure 112008039120502-pat00078
    여기서,
    Figure 112008039120502-pat00079
    인
    자기 데이터 처리 디바이스.
  19. 제17항에 있어서,
    상기 오프셋 도출 수단은 상기 제한 조건하에서 이하의 목적 함수 f(c)를 최소화하는 값 "c"를 도출하고,
    Figure 112008039120502-pat00080
    여기서 "X" 및 "j"는 자기 데이터가 qi=(qix, qiy)(i=0,1,2,...,N-1)로 표현되는 경우에 이하와 같고,
    Figure 112008039120502-pat00081
    여기서,
    Figure 112008039120502-pat00082
    인
    자기 데이터 처리 디바이스.
KR1020070021887A 2006-03-07 2007-03-06 자기 데이터 처리 디바이스 KR100890307B1 (ko)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2006061605A JP4844179B2 (ja) 2006-03-07 2006-03-07 磁気データ処理装置、方法及びプログラム
JPJP-P-2006-00061605 2006-03-07
JPJP-P-2006-00132026 2006-05-10
JP2006132026 2006-05-10
JP2007016320A JP2007327934A (ja) 2006-05-10 2007-01-26 磁気データ処理装置、方法およびプログラム
JPJP-P-2007-00016320 2007-01-26

Publications (2)

Publication Number Publication Date
KR20070092126A KR20070092126A (ko) 2007-09-12
KR100890307B1 true KR100890307B1 (ko) 2009-03-26

Family

ID=38110143

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070021887A KR100890307B1 (ko) 2006-03-07 2007-03-06 자기 데이터 처리 디바이스

Country Status (4)

Country Link
US (2) US7532991B2 (ko)
EP (1) EP1832889B1 (ko)
KR (1) KR100890307B1 (ko)
CN (2) CN101762793B (ko)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2007129653A1 (ja) * 2006-05-09 2007-11-15 Alps Electric Co., Ltd. キャリブレーションプログラム及び電子コンパス
JP4935427B2 (ja) * 2007-03-01 2012-05-23 ヤマハ株式会社 磁気データ処理装置、方法およびプログラムならびに磁気処理システム。
JP5012252B2 (ja) * 2007-06-25 2012-08-29 ヤマハ株式会社 磁気データ処理装置、方法およびプログラム
JP5067155B2 (ja) * 2007-12-28 2012-11-07 ヤマハ株式会社 磁気データ処理装置、ナビゲーション装置、磁気データ処理方法および磁気データ処理プログラム
JP5266754B2 (ja) * 2007-12-28 2013-08-21 ヤマハ株式会社 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
US8370097B2 (en) * 2009-06-05 2013-02-05 Apple Inc. Calibration techniques for an electronic compass in portable device
JP5453969B2 (ja) * 2009-07-10 2014-03-26 ヤマハ株式会社 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
JP5375394B2 (ja) * 2009-07-16 2013-12-25 ヤマハ株式会社 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
JP2011022073A (ja) * 2009-07-17 2011-02-03 Yamaha Corp 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
CN102510994B (zh) * 2009-09-26 2014-01-08 阿尔卑斯电气株式会社 地磁检测装置
JP2011203243A (ja) * 2010-03-02 2011-10-13 Yamaha Corp 磁気データ処理装置、方法及びプログラム
JP5531801B2 (ja) 2010-06-16 2014-06-25 ヤマハ株式会社 ３軸磁気センサ、電子コンパス
US8922198B2 (en) 2010-10-26 2014-12-30 Blackberry Limited System and method for calibrating a magnetometer according to a quality threshold
US8676528B2 (en) 2011-02-08 2014-03-18 Blackberry Limited System and method for calibrating an accelerometer
US9031805B2 (en) 2011-03-22 2015-05-12 Yamaha Corporation Geomagnetic field measurement device, offset determination method, and computer readable recording medium therefor
WO2012142398A1 (en) * 2011-04-15 2012-10-18 Yost Engineering, Inc. Sensor devices utilizing look-up tables for error correction and methods thereof
US8843338B2 (en) 2011-07-29 2014-09-23 Nokia Corporation Processing Data for Calibration
EP2568254A3 (en) 2011-09-07 2015-02-18 Yamaha Corporation Soft iron effect offset correction in geomagnetism measurement apparatus
JP2013064695A (ja) * 2011-09-20 2013-04-11 Yamaha Corp 状態推定装置、オフセット更新方法およびオフセット更新プログラム
US20140257731A1 (en) * 2012-02-24 2014-09-11 Asahi Kasei Kabushiki Kaisha Offset Estimation Device, Offset Estimation Method, Offset Estimation Program and Information Processing Device
FI126012B (fi) * 2012-12-31 2016-05-31 Suunto Oy Menetelmä ja laite suunnan määrittämiseksi magneettikentässä
FR3023378B1 (fr) * 2014-07-07 2016-07-29 Myfox Dispositif domotique et procede de detection de la position d'un objet a calibration autonome
US9683845B2 (en) * 2014-09-26 2017-06-20 Intel Corporation Virtual gyroscope using dual magnetometers for electronic devices
FR3033068B1 (fr) * 2015-02-24 2017-03-10 Ifp Energies Now Procede de segmentation de l'image d'un objet reconstruit par reconstruction tridimensionnelle
WO2017134695A1 (en) * 2016-02-04 2017-08-10 Gipstech S.R.L. System and method for calibrating magnetic sensors in real and finite time
EP3666163B1 (en) * 2018-12-10 2023-02-01 Max-Planck-Gesellschaft zur Förderung der Wissenschaften e.V. A simultaneous calibration method for magnetic localizsation and actuation systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030056407A (ko) * 2001-12-28 2003-07-04 씨멘스브이디오한라 주식회사 전자 나침반의 방위 오차 보정 장치 및 방법
KR20050046298A (ko) * 2003-11-13 2005-05-18 삼성전자주식회사 이동체의 방위각 보정방법 및 장치
JP2006023293A (ja) 2004-06-11 2006-01-26 Yamaha Corp 方位検出機能付き携帯電子機器及びそのキャリブレーション方法、磁気センサのオフセットを測定する装置及び磁気センサのオフセットを測定する方法
US7177779B2 (en) 2002-07-01 2007-02-13 Asahi Kasei Emd Corporation Azimuth measuring device and azimuth measuring method

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4497034A (en) * 1981-08-05 1985-01-29 Nippon Soken, Inc. Heading detecting apparatus
US5165269A (en) * 1990-10-29 1992-11-24 Iimorrow, Inc. Electronic flux gate compass calibration technique
KR100296301B1 (ko) * 1998-11-19 2001-08-07 구자홍 모니터의지자계자동보정장치
US6445178B1 (en) * 1999-02-24 2002-09-03 Donnelly Corporation Vehicular magnetic displacement sensor for determining an offset in the output of the sensor
US6301794B1 (en) * 1999-05-27 2001-10-16 Johnson Controls, Inc. Vehicle compass system with continuous automatic calibration
JP3782915B2 (ja) * 2000-02-16 2006-06-07 セイコーインスツル株式会社 磁気センサを有する電子機器
JP4244561B2 (ja) * 2001-07-10 2009-03-25 ヤマハ株式会社 方位測定機能を有する携帯型電子装置
KR100491597B1 (ko) * 2002-11-28 2005-05-27 삼성전자주식회사 지자기 센서의 보정완료를 자동으로 추출하는 장치 및방법
KR100612836B1 (ko) * 2003-12-13 2006-08-18 삼성전자주식회사 자장 이용 방법 및 장치
ATE449952T1 (de) 2003-12-22 2009-12-15 Asahi Kasei Emd Corp Azimut-messeinrichtung
JP2005337412A (ja) 2004-05-28 2005-12-08 Hitachi Ltd 減速機構付きねじ機構
EP1605232A3 (en) * 2004-06-11 2010-12-29 Yamaha Corporation Method and apparatus for measuring magnetic offset of geomagnetic sensor and portable electronic apparatus
JP4403913B2 (ja) 2004-07-30 2010-01-27 豊田合成株式会社 歩行者用エアバッグ装置
CN100541125C (zh) 2004-08-10 2009-09-16 雅马哈株式会社 方位数据生成方法、方位传感器单元以及便携式电子装置
JPWO2006035505A1 (ja) * 2004-09-29 2008-05-22 株式会社シーアンドエヌ 磁気センサの制御方法、制御装置、および携帯端末装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20030056407A (ko) * 2001-12-28 2003-07-04 씨멘스브이디오한라 주식회사 전자 나침반의 방위 오차 보정 장치 및 방법
US7177779B2 (en) 2002-07-01 2007-02-13 Asahi Kasei Emd Corporation Azimuth measuring device and azimuth measuring method
KR20050046298A (ko) * 2003-11-13 2005-05-18 삼성전자주식회사 이동체의 방위각 보정방법 및 장치
JP2006023293A (ja) 2004-06-11 2006-01-26 Yamaha Corp 方位検出機能付き携帯電子機器及びそのキャリブレーション方法、磁気センサのオフセットを測定する装置及び磁気センサのオフセットを測定する方法

Also Published As

Publication number Publication date
EP1832889A3 (en) 2010-03-17
EP1832889B1 (en) 2011-06-15
US20070213950A1 (en) 2007-09-13
CN100580475C (zh) 2010-01-13
CN101038329A (zh) 2007-09-19
US7532991B2 (en) 2009-05-12
CN101762793B (zh) 2013-09-11
CN101762793A (zh) 2010-06-30
EP1832889A2 (en) 2007-09-12
USRE44582E1 (en) 2013-11-05
KR20070092126A (ko) 2007-09-12

Similar Documents

Publication Publication Date Title
KR100890307B1 (ko) 자기 데이터 처리 디바이스
JP4844179B2 (ja) 磁気データ処理装置、方法及びプログラム
KR101152095B1 (ko) 자기 데이터 처리 장치, 방법, 및 컴퓨터 판독가능한 저장 매체
US7930133B2 (en) Magnetic-sensor controller, magnetism measurement apparatus, offset setting method, and computer-readable medium on which offset setting program is recorded
KR101006812B1 (ko) 자기 데이터 처리 장치, 네비게이션 장치, 자기 데이터 처리 방법 및 자기 데이터 처리 프로그램을 포함하는 기계 판독가능 매체
KR101103130B1 (ko) 자기 데이터 처리 장치, 방법 및 기계 판독가능한 매체
US20140214364A1 (en) Method of estimating offset of magnetic sensor
KR101576424B1 (ko) 실내 측위를 위한 지자기 센서 자동 보정 방법
JP5375394B2 (ja) 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
JP5772265B2 (ja) 地磁気測定装置、オフセット決定方法、及びオフセット決定プログラム
US8413034B2 (en) Magnetic data processing device, magnetic data processing method, and magnetic data processing program
US20110015895A1 (en) Magnetic data processing device, magnetic data processing method, and magnetic data processing program
JP2007327934A (ja) 磁気データ処理装置、方法およびプログラム
KR101750502B1 (ko) 센서노드의 자세 보정 및 측위 방법
JP5453969B2 (ja) 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
JP5375791B2 (ja) 磁気データ処理装置、方法及びプログラム
JP5621181B2 (ja) 磁気データ処理装置、磁気データ処理方法および磁気データ処理プログラム
JP2011089912A (ja) 磁気データ処理装置、方法及びプログラム
TWI320854B (en) Magnetic data processing device, magnetic data processing method, magnetic data processing program product, and magnetic measurement apparatus

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20130219

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20140220

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20150224

Year of fee payment: 7

LAPS Lapse due to unpaid annual fee