KR101497881B1 - Gps 및 mems 하이브리드 위치 검출 아키텍쳐 - Google Patents

Gps 및 mems 하이브리드 위치 검출 아키텍쳐 Download PDF

Info

Publication number
KR101497881B1
KR101497881B1 KR1020147000934A KR20147000934A KR101497881B1 KR 101497881 B1 KR101497881 B1 KR 101497881B1 KR 1020147000934 A KR1020147000934 A KR 1020147000934A KR 20147000934 A KR20147000934 A KR 20147000934A KR 101497881 B1 KR101497881 B1 KR 101497881B1
Authority
KR
South Korea
Prior art keywords
mobile device
information
sensor
time
acceleration
Prior art date
Application number
KR1020147000934A
Other languages
English (en)
Other versions
KR20140014317A (ko
Inventor
추잉슈안 양
에드워드 창
관펭 리
Original Assignee
구글 인코포레이티드
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 US13/169,711 external-priority patent/US8362949B2/en
Application filed by 구글 인코포레이티드 filed Critical 구글 인코포레이티드
Publication of KR20140014317A publication Critical patent/KR20140014317A/ko
Application granted granted Critical
Publication of KR101497881B1 publication Critical patent/KR101497881B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/34—Power consumption
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
    • G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled

Abstract

본 출원은 이동 중인 모바일 디바이스에 대한 위치 정보를, 증가된 정확도 및 감소된 전력 소비를 갖고서 구하기 위한 컴퓨터 구현 방법 및 시스템을 기술한다. 본 출원의 주제는 칼만 필터와 같은 통계적 분석 기법을 이용하여, GPS 위치 센서로부터의 정보를 가속도 검출기 및 자이로스코프와 같은 MEMS 디바이스들로부터의 정보와 결합하여, 뉴턴-랩슨법과 같은 수치적 방법들을 이용하면서 더 높은 정확도를 갖고서 디바이스의 위치를 추정하여, 전력 소비를 감소시킨다. 낮은 레이트로 샘플링되는 GPS 신호들은 전력을 보존할 수 있는 한편, 낮은 레이트로 샘플링되면서 MEMS 디바이스들과 협동하는 GPS는 높은 레이트로 샘플링되는 GPS 단독의위치 예측 정확도와 동일한 수준을 달성할 수 있으므로, 전력 소비를 최소화하는 것이 가능하다.

Description

GPS 및 MEMS 하이브리드 위치 검출 아키텍쳐{GPS AND MEMS HYBRID LOCATION-DETECTION ARCHITECTURE}
본 발명의 분야는 에너지를 보존하면서도 높은 위치 예측 정확도를 달성하기 위해 MEMS 및 GPS 센서들을 이용하는 실시간 위치 검출 시스템에 관련된 것이다.
실시간 위치 검출은 상점 찾기(store finding), 교통 경로(transit routing) 및 광고 표적화(ads targeting)와 같은 다수의 위치 기반 애플리케이션을 허용한다. 실외 환경에서는, 통상적으로 모바일 디바이스의 위치를 검출하기 위해 GPS 및 셀타워 신호가 이용된다. 그러나, 셀타워 신호는 위치에 관하여 고도로 정확하거나 정밀한 정보를 제공하지는 못할 수 있고, 모바일 디바이스가 건물 내부에 있거나 건물 근처에 있을 때와 같이, 위성 신호가 차단될 때에는, GPS 신호가 이용가능하지 않을 수 있다. 더욱이, GPS 신호의 수신 및 처리는 상당한 에너지를 소비할 수 있으므로, 배터리 지속시간을 단축시킬 수 있다.
GPS 센서 외에, 일부 모바일 디바이스들은 MEMS(Microelectromechanical Systems) 센서를 구비하고 있다. MEMS 센서는 통상적으로 전기로 구동되는 매우 작은 기계적 디바이스이다. 다양한 유형의 MEMS 센서는 가속도계, 디지탈 나침반, 기능적 센서, 자이로스코프 및 관성 모듈을 포함한다. MEMS 센서는 모바일 디바이스의 이동에 관한 정보를 제공할 수 있다. 예를 들어, 그것은 디바이스의 사용자 이동과 같은 동적인 힘, 또는 디바이스에 작용하는 중력과 같은 정적인 힘에 대응하는 전기 신호를 생성함으로써 물체의 가속도 또는 배향에 관한 정보를 제공한다.
현재의 기술은 위치를 결정하기 위해 GPS 또는 셀타워 신호 중 어느 하나를 이용할 수 있다. 그러나, GPS 신호의 수신 및 처리는 상당한 전력을 소비하고, 셀타워 신호는 약 300미터의 정확도, 또는 기껏해야 50미터의 정확도로만 예측을 제공할 수 있다. 정확도 및 전력 소비를 개선하기 위해, 일부 항공기는 위치 정보를 결정하기 위해 수 개의 GPS 안테나를 이용한다. 그러나, (항공기에 비교할 때) 모바일 디바이스의 훨씬 더 작은 크기로 인해, GPS 신호 위상의 길이가 모바일 디바이스보다 더 길기 때문에, 다중 안테나 방식은 가능하지 않을 수 있다. 더욱이, 모바일 디바이스가 최적으로 유용해지기 위해서는 고도로 정밀한 위치 정보가 필요하고, 대부분의 모바일 디바이스는 배터리로부터 전력을 얻기 때문에 전력이 제한되어 있다. 또한, 모바일 디바이스의 이동 패턴은 항공기처럼 "매끄럽지(smooth)" 않을 수 있다.
실시예들은 이동 중인 디바이스에 대한 정확한 위치 정보를 제공하는 것에 관한 것이다. 실시예들의 목표는 전력 소비를 최소화하면서 정확한 위치 정보를 제공하는 것이다. 실시예에 따르면, 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 시스템은, 모바일 디바이스에 연결되어, 제1 시간에서 모바일 디바이스의 절대 위치를 결정하는 위치 센서를 포함한다. 시스템은 또한 모바일 디바이스에 연결되어, 제1 시간 이후이면서 위치 센서가 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 모바일 디바이스의 가속도 크기를 결정하는 가속도 검출기를 포함한다. 시스템은 모바일 디바이스에 연결되어, 제1 시간 이후이면서 제2 시간 이전인 시간에, 모바일의 이동 방향을 결정하는 이동 방향 검출기를 더 포함한다. 시스템은 또한 가속도 크기 및 이동 방향에 기초하여 모바일 디바이스의 갱신된 위치 정보를 결정하는 센서 통합 모듈(sensor fusion module)을 포함한다. 갱신된 위치 정보는 절대 위치에 대한 것으로서 결정되고, 제2 시간에서의 모바일 디바이스의 위치를 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현한다.
다른 실시예에 따르면, 컴퓨터 구현 방법은 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공한다. 방법은 (1) 모바일 디바이스에 연결된 위치 센서를 이용하여, 제1 시간에서 모바일 디바이스의 절대 위치를 결정하는 단계; (2) 모바일 디바이스에 연결된 가속도 검출기를 이용하여, 제1 시간 이후이면서 위치 센서가 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 모바일 디바이스의 가속도 크기를 결정하는 단계; (3) 모바일 디바이스에 연결된 이동 방향 검출기를 이용하여, 제1 시간 이후이면서 제2 시간 이전인 시간에, 모바일 디바이스의 이동 방향을 결정하는 단계; 및 (4) 가속도 크기 및 이동 방향에 기초하여 모바일 디바이스의 갱신된 위치 정보를 결정하는 단계 - 갱신된 위치는 절대 위치에 대한 것이고, 갱신된 위치 정보는 제2 시간에서의 모바일 디바이스의 위치를 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현함 - 를 포함한다.
다른 실시예들, 특징들 및 이점들과, 다양한 실시예들의 구조 및 동작은 첨부 도면들을 참조하여 아래에 상세하게 설명된다.
실시예들은 첨부 도면들을 참조하여 기술된다. 여기에 포함되어 명세서의 일부를 형성하는 첨부 도면은 본 출원의 주제를 예시하며, 상세한 설명과 함께, 본 출원의 원리를 설명하고, 관련 기술분야의 숙련된 자가 본 출원의 주제를 만들어내고 이용할 수 있도록 하는 역할을 한다.
도 1a는 실시예에 따라, 모바일 디바이스가 이동할 때 모바일 디바이스의 위치를 추정하기 위해, 위치 센서, 가속도 검출기 및 자이로스코프로부터의 정보를 이용하는 예시적인 모바일 디바이스를 도시하는 도면을 보여준다.
도 1b는 상이한 샘플링 주파수들이 주어진 때, GPS 디바이스에 대한 전력 소비의 그래프이다.
도 2는 실시예에 따른, 에너지를 보존하면서 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 시스템의 도면이다.
도 3은 실시예에 따른, 에너지를 보존하면서 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 방법을 보여주는 흐름도이다.
도 4는 실시예에 따른, 이동 중인 모바일 디바이스의 위치를 결정하는 동안 전력 이용을 최적화하기 위해, 센서 신호들, 클로져 데이터베이스 및 뉴턴법을 이용하는 시스템의 도면이다.
도 5는 도 2의 시스템의 동작에서 이용될 수 있는 모바일 디바이스의 위치를 결정하기 위한 방법을 보여주는 흐름도이다.
도 6은 실시예에 따른, 이동 중인 모바일 디바이스의 위치를 예측하기 위해 자이로스코프 데이터, 속도 및 가속도 검출 정보를 변환하기 위한 방법을 보여주는 흐름도이다.
도 7은 실시예에 따른, 이동 중인 모바일 디바이스의 위치를 예측하기 위해 가속도 데이터를 중력 효과에 대해 보정하기 위한 방법을 보여주는 흐름도이다.
도 8은 실시예에 따라, 신호 개체들에 대한 정보를 제공하기 위해 센서들을 이용하는 시스템, 및 위치 정보를 결정하기 위해 신호들이 수학적으로 어떻게 분석되는지를 보여주는 도면이다.
도 9는 실시예에 따라, 신호 개체들에 대해 정보를 제공하기 위해 GPS 가속도 센서 및 자이로스코프를 이용하는 시스템, 및 위치 정보를 결정하기 위해 신호들이 수학적으로 어떻게 분석되는지를 보여주는 도면이다.
도 10은 실시예에 따라, 이동 중인 모바일 디바이스의 추정 위치를 계산하기 위해, GPS, 가속도 센서 및 자이로스코프로부터의 정보를 이용하는 데에 수반되는 주요 단계들을 보여주는 흐름도이다.
도면들에서, 유사한 참조 번호들은 동일하거나 기능적으로 유사한 구성요소들을 나타낼 수 있다. 구성요소가 처음으로 나타나는 도면은 일반적으로 대응 참조 번호의 가장 왼쪽에 있는 숫자로 나타내어진다.
건물 내부 또는 건물 근처와 같이 GPS가 차단될 수 있는 영역들에서 더 정확한 위치 검출을 제공하기 위해 시스템 및 방법이 필요하다. 더 중요한 목표는 정확한 위치 검출을 유지하면서 전력 소비를 감소시키는 것이다. 이러한 목표를 달성하기 위해, 본 실시예들은 GMHLD(GPS/MEM Hybrid Location-Detection) 아키텍쳐를 기술한다.
이하의 실시예들에 관한 상세한 설명에서, "일 실시예", "실시예", "예시적인 실시예" 등의 언급은 기술되는 실시예가 특정한 특징, 구조 또는 특성을 포함할 수 있음을 나타내지만, 모든 실시예가 반드시 그 특정한 특징, 구조 또는 특성을 포함할 필요는 없다. 또한, 그러한 구문들이 반드시 동일 실시예를 지칭하지는 않는다. 또한, 특정한 특징, 구조 또는 특성이 실시예에 관련하여 기술될 때, 명시적으로 기술되는지의 여부에 상관없이, 그러한 특징, 구조 또는 특성을 다른 실시예들에 관련하여 실시하는 것은 본 기술분야의 숙련된 자의 지식 범위 내에 있다고 할 수 있다.
도 1a는 시간의 경과에 따라 이동하는 모바일 디바이스의 위치를 결정하는 것을 도시하는 도면(100)을 보여준다. 도면(100)은 3개의 시점에서 모바일 디바이스를 도시한다. 모바일 디바이스는 시간 t1에서는 위치(105)에 있고, 시간 t2에서는 위치(108)에 있고, 시간 t3에서는 위치(109)에 있다. 모바일 디바이스는 위치 센서(101), 가속도 검출기(예를 들어, 가속도계)(102) 및 자이로스코프(103)를 포함한다. 자이로스코프(103)는 움직임 방향 검출기의 역할을 할 수 있는 MEMS 센서(104)의 일례이지만, 다른 유형의 MEMS 센서들(104)도 이러한 역할을 할 수 있다.
도 1a에 도시된 것과 같은 실시예들은 위치 센서(101), 및 MEMS 가속도 검출기(102) 및 MEMS 자이로스코프(103)와 같은 MEMS 디바이스들(104)로부터의 데이터를 결합한다. 위치 센서(101) 및 MEMS 디바이스들(104)로부터의 데이터를 결합함으로써, 실시예들은 위치 센서(101)로부터 수신된 센서 출력 신호가 차단될 수 있는 영역에서, 향상된 정확도를 갖고서 위치를 결정할 수 있다. 그러한 개선된 정확도는, MEMS 디바이스들(104)이 위치 센서(101)가 모바일 디바이스의 위치를 샘플링하는 시간들 사이에서 모바일의 이동을 검출할 수 있기 때문에 가능한 것이다. 이러한 센서 신호들(215)은 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)을 포함할 수 있다. 센서 신호들(215)은 위치 센서(101)가 자신의 위치 센서 판독값(101A)을 결정한 후의 모바일 디바이스의 움직임의 특성일 수 있다. MEMS 디바이스들(104)은 위치 센서(101)가 덜 빈번하게 샘플링하는 것을 가능하게 할 수 있다. 덜 빈번한 샘플링은 감소된 전력 소비 및 연장된 배터리 수명을 야기한다.
도 1에서는 예시를 목적으로 가속도 검출기(102) 및 자이로스코프(103)가 도시되어 있지만, 본 기술분야의 숙련된 자는 모바일 디바이스의 움직임 및/또는 위치의 시간의 경과에 따른 변화에 관한 정보를 제공하는 임의의 다른 유형의 MEMS 디바이스(104)를 알아차릴 것이다. 그러한 개선은 통상의 지식을 가진 자가 분명히 알 수 있는 대로, 위치 계산의 정확도를 개선하는 어떠한 방법이라도 포함할 것이다.
위치 센서(101)는 예를 들어 GPS 센서, 셀폰 신호 타워로부터의 신호를 이용하여 위치를 계산하는 위치 센서(101), 또는 도 8의 절대 위치(808) 및 절대 속도(807)와 같은 절대 위치 또는 절대 속도, 즉 시간의 경과에 따라 모바일 디바이스에 대하여 변화하는 대로의 센서 신호(215)를 생성하기 위해 임의의 정보 조합을 이용하는 임의의 다른 센서일 수 있다.
도면(100)의 모바일 디바이스는 위치 센서(101), 가속도 검출기(102) 및 자이로스코프(103)로부터 정보를 수신한다. 이 정보는 위치 센서 판독값(101A), 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)으로 구성된다. 이러한 정보 집합은 모바일 디바이스가 시간의 경과에 따라 모바일 디바이스의 위치를 추정하는 것을 허용한다. 시간 t1에서, 위치 센서(101)는 모바일 디바이스의 위치를 결정한다. 위치 센서(101)가 GPS 수신기인 실시예에서, 위치 센서(101)는 하나 이상의 GPS 위성으로부터의 신호들을 샘플링할 수 있고, 그러한 신호들에 기초하여 모바일 디바이스의 위치를 결정할 수 있다. 그 정보를 이용하여, 위치 센서(101)는 모바일 디바이스가 위치(105)에 있다고 결정한다.
위치 센서(101)가 모바일 디바이스의 위치를 결정한 후, 도면(100)에 도시된 모바일 디바이스는 종속되어 있는 임의의 가속도에 의해 수정된, 그것이 소유할 수 있는 임의의 운동량에 따라 이동한다. 모바일 디바이스가 이동함에 따라, 가속도 검출기(102) 및 자이로스코프(103)는 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)을 결정할 수 있다. 가속도 검출기 판독값(102A)은 가속도 크기를 포함할 수 있고, 가속도 크기는 수치 적분에 의해 t1과 t2 사이의 시간에서 모바일 디바이스의 이동 속도를 결정하기 위해 이용될 수 있다. 이하의 도 6 및 도 7의 논의에서 기술되는 바와 같이, 가속도 검출기 판독값(102A)은 중력에 대해 보정된다.
자이로스코프 판독값(103A)은 t1과 t2 사이의 시간에서 모바일 디바이스의 이동 방향을 포함할 수 있다. 속도 및 방향에 기초하여, 모바일 디바이스는 위치(105)로부터의 변위(107)를 결정하여 새로운 위치(108)를 결정할 수 있다. 실시예에서, 칼만 필터(Kalman filter)를 이용하여 위치 센서 판독값(101A), 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)을 통계적으로 분석함으로써, 위치(108)가 결정될 수 있다. 다른 실시예에서, 위치(108)는 t1 내지 t2의 시간에 걸쳐 가속도 벡터를 2회 적분할 수 있다. 가속도 벡터는 (벡터의 크기로서의) 가속도 검출기 판독값(102A) 및 (벡터의 방향으로서의) 자이로스코프 판독값(103A)으로부터 결정될 수 있다. 다른 예들에서, 다양한 판독값들이 중력 또는 다른 인자들에 대해 보정될 수 있다. 위치(108)는 시간 t2에서의 모바일 디바이스의 위치를 위치 센서 판독값(101A)에 의해 나타나는 것보다 더 정확하게 표현한다. 이하에서는, 갱신된 위치를 결정하기 위한 추가의 실시예들 및 예시들이 더 상세하게 설명된다.
추가의 시간이 경과한 후, 위치 센서(101)는 t3에서 위치 센서 판독값(101A)을 다시 결정하여 모바일 디바이스가 위치(109)에 있음을 결정할 수 있다. 본 실시예는, 가속도 검출기(102) 및 자이로스코프(103)로부터의 중간 판독값들을 이용하여, 시간 t1과 t3 사이에서의 모바일 디바이스(105)의 위치를 결정하고, 계속하여, 모바일 디바이스의 위치를 갱신 및 유지할 수 있다.
즉, MEMS 디바이스(104)의 데이터가 이용가능할 때에는, 위치 센서(101)가 모바일 디바이스의 위치를 덜 빈번하게 샘플링할 수 있다. 이러한 결과는, 모바일 디바이스가 위치 센서(101)가 모바일 디바이스의 위치를 확정하는 시간들 사이에서의 자신의 위치를 확정하는 방법을 갖게 되었기 때문에 가능한 것이다. 위치 센서(101)를 이용하여 덜 빈번하게 샘플링하는 것은 도 1b에 도시된 것과 같이 전력을 절약할 수 있다.
도 1b는 예시적인 GPS 센서, 즉 캘리포니아 산호세의 SIRF Technology Inc.로부터 입수가능한 SIRFSTAR GPS 센서에 대한 전력 소비의 그래프(150)이다. 그래프(150)는, GPS 센서의 전력 소비가 GPS 센서가 모바일 디바이스(150)의 위치를 샘플링하는 주파수에 대응함을 도시한다. 지점(152)에서, GPS 센서는 모바일 디바이스의 위치를 10Hz로 샘플링할 수 있고, 약 198mW의 전력을 소비할 수 있다. GPS를 작동시키는 데에 소정의 최소량의 전력이 필요한 한편, 샘플링이 더 빈번하게 됨에 따라, 이용되는 전력은 샘플링의 증가에 비례하여 증가한다. 낮은 레이트로 샘플링되는 GPS 신호들은 전력을 보존할 수 있는 한편, 낮은 레이트로 샘플링되면서 MEMS 디바이스들과 협동하는 GPS는 높은 레이트로 샘플링되는 GPS 단독의 위치 예측 정확도와 동일한 수준을 달성할 수 있으므로, 전력 소비를 최소화하는 것이 가능하다.
실시예에서, 가속도 검출기(102) 및 자이로스코프(103)와 같은 MEMS 센서들(104)은 예를 들어 도 1a에 대하여 기술된 것과 같이, 모바일 디바이스의 위치를 결정하는 것을 돕도록 이용될 수 있다. 다른 센서들이 이용되기 때문에, 위치 센서(105)는 덜 빈번하게 샘플링할 수 있어서, 도 1b에 도시된 방식으로 자신의 전력 소비를 감소시킨다. 그래프(150)의 지점(151)에 도시된 바와 같이, GPS 센서는 모바일 디바이스의 위치를 1Hz로 결정할 수 있고, 10Hz로 샘플링하는 데에 요구되는 198mW와는 대조적으로, 약 59mW의 전력만을 소비할 수 있다.
MEMS 센서들은 GPS 센서보다는 훨씬 더 적은 전력을 소비할 수 있다. 이러한 방식으로, 모바일 디바이스는 도 1a의 가속도 검출기(102) 및 자이로스코프(103)로부터의 정보를 이용하여, 전력의 약 10분의 3을 이용하면서 자신의 위치를 정확하게 결정할 수 있다.
도 2는 본 발명의 주제의 실시예에 따른, 에너지를 보존하면서 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 시스템(200)의 도면이다. 시스템(200)의 예시적인 실시예는 안드로이드 모바일 디바이스 상에 배치될 수 있다. 도시된 바와 같이, 시스템(200)은 일련의 모듈들을 포함하고, 이들 각각은 특정 기능을 제공하는 역할을 한다. 이 모듈들은 메모리에 저장되고 프로세서에서 실행되어 기능을 제공하는 코드, 모듈의 기능을 제공하도록 적응된 하드웨어, 펌웨어, 또는 모듈의 기능을 제공하도록 협동하는 하드웨어, 펌웨어 및 소프트웨어의 임의의 조합을 포함할 수 있다.
앞에서 언급된 바와 같이 GPS 위치 센서일 수 있는 위치 센서(101), 및 MEMS 센서들(104)을 이용하기 위해, 실시예들은 매개변수 설정 모듈(220)에서 결정되고 센서 레지스터(211)를 통해 전송된 구성(221)을 이용하여 인터페이스들(210)의 집합을 통해 센서들(212)을 설정하는 것에 의해, 센서들(212)의 구성(221)을 조절할 수 있다. 구성(221)은 미리 구성된 정확도 입력(252)으로 위치가 결정되는 것을 허용하는 방식으로 센서들의 매개변수들을 조절한다. 예를 들어, 매개변수는 센서들(212) 중 하나의 샘플링 레이트, 전력 할당, 또는 센서들이 센서 통합 모듈(240)에 제공하는 신호들(215)의 정확도에 영향을 주는 다른 설정일 수 있다. 센서 통합 모듈은 신호들(215)을 수신한 후, 데이터 추출기(230)와 협력하여 그 신호들을 결합하여, 모바일 디바이스에 대한 개선된 위치 추정인 GMHLD 출력(261)으로서 GMHLD 출력 신호(262)를 제공한다.
미리 구성된 정확도 입력(252)은 미리 구성된 정확도 입력(252)을 데이터 추출기 모듈(230)에 제공하기 위해 애플리케이션 인터페이스(250)를 이용하여 사용자(260)에 의해 설정된다. 다음으로, 데이터 추출기는 입력 승인(253)으로서, I/O 경계(231)를 가로질러 애플리케이션 인터페이스(250)를 통해, 변경된 미리 구성된 정확도 입력(252)을 사용자(260)에게 승인한다. 그러면, 모바일 디바이스는 아래에 기술되는 것과 같은 분석 기법들을 이용하여, 주어진 미리 구성된 정확도 입력(252)에 따라 GMHLD 출력(261)으로서 위치 추정을 제공하는 센서들의 설정을 결정할 수 있다. 센서(212)의 설정이 어떻게 초기에 설정되고 나중에 개선되는지에 관한 추가의 정보는 이하에 제공된다.
예시에서, 실시예들은 예를 들어 모바일 디바이스가 실내에 있는지 실외에 있는지와 같이, 모바일 디바이스의 외부 환경을 나타내는 외부 환경 신호(216)를 결정하기 위해 센서들(212)을 이용할 수 있다. 센서들(212)은 자신의 인터페이스(210)를 통해 정보를 센서 레지스터(211)에 전송한다. 다음으로, 센서 레지스터(211)는 그들을 센서 신호로서 센서 통합 모듈(240)에 전달한다. 그러면, 센서 통합 모듈(240)은 센서 신호(215)로부터의 정보를, 예비 분석 및 필터링을 위해 입력 신호(242)로서 데이터 추출기(230)에 전송한다. 데이터 추출기(230)에 의해 수행되는 예비 분석 및 필터링은 이하에서 도 6 및 도 7에 관련하여 기술된다.
데이터 추출기(230)는 입력 신호(242) 내에 포함된 데이터를 분석한 후, 그것의 분석 결과를 추출 신호(241)로서 센서 통합 모듈(240)에 리턴한다. 예를 들어, 강한 신호는 위치 센서(101)가 실외에서 작동하고 있음을 나타낼 수 있는 반면에, 약한 신호는 실내 작동을 나타낼 수 있다. 센서 통합 모듈(240)은 어느 센서들이 이용가능한지, 및 디바이스가 실내에 있는지 아니면 실외에 있는지에 관한 정보를 취하고, 매개변수 설정 모듈(220)이 최적화된 전력 구성(221)을 결정하는 데에 이용되도록, 그것을 환경 상태 신호(222)로서 매개변수 설정 모듈(220)에 전송한다.
예를 들어, 모바일 디바이스가 자신이 실내에 있다고 판정하는 경우와 같이, 위치 센서(101)로부터 이용가능한 정보가 제한되어 있는 경우, 선택된 센서 구성 매개변수들은 GPS 센서의 샘플링을 감소시킬 수 있고, 모바일 디바이스의 위치를 결정하기 위해 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)에 더 크게 의존할 수 있다.
센서 레지스터(211)는 인터페이스 모듈들(210)을 통한 센서들(212)로부터의 센서 출력 신호(215)뿐만 아니라, 외부 환경 신호(216)를 생성한다. 실시예들은 외부 환경 신호(216)에 기초하여, 매개변수 설정 모듈(220)에 의해 외부 환경 신호(216)에 따라 최적화된 센서 구성 매개변수들의 집합을 지정하는 구성(221)을 선택할 수 있다. 이러한 최적화 프로세스는 데이터 추출기(230), 센서 통합 모듈(240) 및 매개변수 설정 모듈(220)의 상호작용을 통해 발생하며, 이하에 더 상세하게 기술된다.
GMHLD(201)는 모듈들을 이용하여 센서 출력 신호들(215)과 외부 환경 신호(216)를 처리하고, 사용자(260)에 의해 선택된 설정들에 따라 GMHLD 출력들(261)을 산출해냄으로써, I/O 경계(231)를 통해 하드웨어 센서들(202)과 사용자 애플리케이션 인터페이스들(250) 간에서 작동할 수 있다. GMHLD(201)와 센서들(212) 사이에서, GMHLD(201)는 센서 레지스터(211)를 이용할 수 있고, 이것은 하나 이상의 센서(212)와 통신하기 위해 복수의 센서 인터페이스 모듈(210)을 이용할 수 있다. 이 센서들은 위치 센서들(101), MEMS 센서들(104), 및 그들의 임의의 조합과, 모바일 디바이스의 위치 추정의 정확도를 개선하기 위해 이용될 수 있는 정보를 포함하는 신호를 제공할 수 있는 임의의 다른 유형의 센서를 포함할 수 있다. 센서 인터페이스 모듈들(210)은 센서 레지스터(211)에 연결된다. 센서 레지스터는 인터페이스 모듈들(210)을 통해 센서들(212)로부터 정보를 수신하고, 예비 분석을 수행하여 2개의 신호, 즉 센서 출력 신호(215) 및 외부 환경 신호(216)를 생성한다. 다음으로, 센서 레지스터는 센서 출력 신호(215) 및 외부 환경 신호(216)를 추가의 분석을 위해 센서 통합 모듈(240)에 전달한다.
센서 출력 신호(215)는 도 1a에 도시된 위치 센서 판독값(101A), 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)과 같은 센서들로부터의 판독값을 반영하는 정보를 포함한다. 외부 환경 신호(216)는 모바일 디바이스의 환경이 무엇인지(예를 들어, 실내 또는 실외)와, 어느 위치 센서(101) 및 MEMS 디바이스들(104)이 이용가능한지, 및 신호 주파수 및 전력 레벨과 같은 정보를 포함하여, 그들의 동작 매개변수들이 무엇을 포함하고 있는지에 관한 정보를 나타낸다.
센서 인터페이스 모듈들(210)은 센서들(212)로부터의 정보를 센서 레지스터(211) 내에 저장하기 위해, 센서들(212)로부터의 신호들을 전달한다. 센서 레지스터(211)는 센서 인터페이스 모듈들(210)을 통해 센서들(212)에 의해 제공된 정보의 적어도 일부의 기록을 저장하는 메모리를 포함할 수 있고, 센서들(212)에 대한 설정에 관한 정보를 저장할 수 있다. 설정들은 위에서 기술된 바와 같이, 센서 작동 매개변수들을 포함할 수 있다. 센서 레지스터(211)는 매개변수 설정 모듈(220)로부터의 정보를 수신하고, 이것은 GMHLD가 충분한 정확도를 갖고서 위치를 결정하는 것을 허용할, 위치 센서(101) 및 MEMS 디바이스들(104)을 위한 작동 매개변수 설정을 포함하는 구성(221)을 결정한다. 매개변수 설정 모듈의 동작은 이하에서 도 4 및 도 5에 관련하여 더 상세하게 논의된다.
예시적인 실시예에서, 시스템(200)은 안드로이드 스마트폰일 수 있고, 인터페이스(210)는 안드로이드 인터페이스일 수 있다. 센서 레지스터 및 센서들(210)은 센서들(212)에 구성(221)을 제공할 수 있다. 구성(221)은 센서들을 구동하기 위한 센서 의존 매개변수들 및 전력 제한을 포함할 수 있다. 구성(221)의 수신에 응답하여, 센서들(212)은 구성(221)에 의해 지정된 정보를 수집한다. 다음으로, 그 정보는 센서 레지스터(211) 내에 저장되도록 인터페이스 모듈들(210)을 통해 전달된다. 예를 들어, 위치 센서(101)는 모바일 디바이스의 위도 및 경도에 관한 정보를 갖는 신호를 제공할 수 있다. 복수의 판독값이 주어지면, 속도에 관한 정보도 이용가능할 수 있다. MEMS 가속도 검출기(102)는 디바이스가 경험하는 힘의 크기, 및 아마도 그러한 힘의 방향에 관한 정보를 갖는 벡터를 제공할 수 있다. 자이로스코프(103)는 또한 모바일 디바이스의 배향 및 이동 방향에 관한 정보를 제공할 수 있다. GMHLD(201)는 매개변수 설정 모듈에 기초하여 이러한 인터페이스 모듈들(210)을 통해 센서 구성(221)을 변경할 수 있으며, 이것은 이하에 기술된다.
센서 레지스터(211)는 센서 출력 신호(215) 및 외부 환경 신호(216)를 센서 통합 모듈(240)을 통해 입력 신호(242)로서 데이터 추출기 모듈(230)에 전송한다. 데이터 추출기 모듈은 센서 출력 신호(215)의 개별 센서들의 성분(GPS, MEMS 또는 다른 유형의 센서)의 예비 변환을 수행하는 필터들을 이용하고, GMHLD 출력(261)으로서 위치 추정(262)을 제공하기 위해 센서 통합 모듈(240)에 의해 이용될 수 있는 정보를 추출하기 위해 미가공 신호 정보를 이용한다. 예를 들어, 신호 센서 출력(215)은 자세(attitude) 결정에 관한 정보(즉, MEMS 자이로스코프(103)의 신호), 및 (위치 센서(101)로부터의) 대강의 위치 예측을 포함할 수 있다. GMHLD는 또한 애플리케이션 인터페이스(250)를 통한 애플리케이션들로부터의 외부의 증강된 신호 센서 출력(215)(예를 들어, 근처 상점의 위치)을 송신 및 수신할 수 있는 인터페이스를 지원한다. 요약하면, 데이터 추출기 모듈(230)은 모든 개별 센서 및 비-센서 위치 신호를 관리하고, 모바일 디바이스의 위치에 관련있는 정보를 찾기 위해 신호들을 마이닝할 수 있다. 데이터 추출기 모듈(230)의 동작은 도 6 및 도 7에 관련하여 설명된다.
도 6은 이동 중인 모바일 디바이스(105)의 위치를 예측하기 위해 자이로스코프, 속도 및 가속도 정보를 변환하기 위해 데이터 추출기 모듈(230)에서 발생할 수 있는 처리 파이프라인을 보여주는 도면이다. 도 6에 도시된 바와 같이, 데이터 추출기 모듈(230)은 수 개의 병렬 컴포넌트를 갖는다. 각각은 한가지 유형의 신호 정보를 지원한다. 데이터 추출기 모듈(230)은 위치를 예측하기 위한 상이한 매개변수들의 계산을 보조하기 위해 이용될 수 있는 알고리즘들을 이용한다. 도 7은 이동 중인 모바일 디바이스의 위치를 예측하기 위해 가속도 데이터를 중력 효과에 대해 보정하기 위한, 데이터 추출기 모듈(230)의 예시적인 동작을 보여주는 흐름도이다. 도 7의 방법은 도 6에 따른 본 출원의 주제의 처리 아키텍처와 함께 실행될 수 있다.
도 7을 참조하면, 모바일 디바이스는 단계(701)에서 2개의 상이한 시점으로부터 델타 속도를 얻는다. 단계(701)는 도 6에서 델타 속도 계산(604)을 구하기 위해 속도(602) 정보를 이용하는 단계에 대응할 수 있다. 단계(702)에서, 모바일 디바이스는 가속도를 적분함으로써 속도 증분을 계산한다. 이 단계는 도 6의 가속도 검출기(102)의 결과의 속도 증분 계산(606)에 대응한다. 단계(703)에서, 모바일 디바이스는 평균 가속도를 이용하여, 지표면에서의 상수로서의 중력을 검출하고, 그것의 효과를 감산한다. 이 단계는 도 6의 가속도 검출기(102)의 결과의 중력 필터(610)에 대응한다. 단계(704)에서, 모바일 디바이스는 단계들(701, 702)로부터의 결과들을 결합하여, 속도 방향 계산(606)을 계산한다. 이 단계는 도 6의 델타 속도 계산(604) 및 속도 증분 계산(606)의 결과들의 속도 방향 계산(605)에 대응한다. 단계(705)에서, 모바일 디바이스는 자이로스코프로부터의 결과들을 이용하여, 필터들을 갖는 다른 단계들의 결과를 조사한다. 이 단계는 도 6의 자이로스코프 선회 필터(gyroscope twirling filter)(601) 및 속도 방향 필터(605)의 결과를 결합하는 속도 값 필터(609)에 대응한다. 다음으로, 속도 매칭 필터(609)는 속도(602) 데이터 및 중력 필터(610)의 결과와 결합되어, 도 6에 따른 자세 예측(607) 결과를 산출해내기 위해 속도 방향 필터(608)에 의해 처리되는 결과를 산출해낸다.
도 6을 더 상세하게 설명하는데, 본 맥락에서 속도는 벡터이다. 모든 벡터와 마찬가지로, 속도는 방향 및 크기를 가지며, 그 크기가 속력이다. 위치 검출기(101)로부터, (저주파수로) 속도(602) 판독값을 얻을 수 있다. 일련의 속도(602) 판독값들로부터, 현재 판독값과 최종 판독값 간의 차이를 구함으로써, 델타 속도 계산(604)을 얻을 수 있다. 가속도 검출기(102)로부터, 고주파수로 일련의 가속도 판독값들을 얻을 수 있다. 가속도 검출기(102)의 판독값의 적분으로부터 속도 증분(606)을 계산할 수 있다. 속도 증분(606)을 델타 속도(604)와 결합하면, 위치 센서 판독값들로부터의 속도 방향(605)의 추론이 허용된다.
자이로스코프(103A)로부터의 판독값은 작은 잡음들을 많이 포함하므로, 일부 실시예들은 그 잡음들을 제거하고 필터링된 자이로스코프 판독값(103A)을 제공하기 위해, "자이로스코프 선회 필터"(601)(본 기술분야에 알려져 있는 적절한 평활화 필터일 수 있음)를 이용한다. 다음으로, "속도값 매칭 필터(Velocity Value Match Filter)"(609)를 통과하여 더 나은 속도 방향 신호로 개선하기 위해, 속도 방향 계산(605)과 결합된 자이로스코프 선회 필터(601) 결과를 이용한다.
각각의 가속도계 판독값은 중력으로 인한 가속도를 포함한다. "중력 필터"(610)는 가속도 검출기 판독값(102A)으로부터 중력 성분의 가속도를 감산하여, 모바일 디바이스(105)의 이동 가속도를 산출해낸다. 중력으로 인한 가속도는 항상 지구의 중심을 가리키고, 약 9.8m/s2의 값을 가지므로, 이러한 가속도는 절대 좌표계에서의 값 및 방향 둘 다를 갖는다는 점에 유의해야 한다. 위치 센서(101)로부터의 속도 판독값(602) 및 속도 매칭 필터(809)로부터의 속도와 결합된 그 가속도는 그들이 합산되는 속도 방향(608) 필터를 통과하여, 절대 좌표계(607) 내에서의 모바일 디바이스(105)의 자세를 산출해낸다.
도 2를 다시 참조하면, 데이터 추출기 모듈(230)은 센서 통합 모듈(240)로부터의 입력 신호를 판독하고, 위에서 설명된 바와 같이, 그로부터 데이터를 추출한다. 데이터 추출기 모듈(230)은 위치 센서 판독값(101A), 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)과 같은 센서 출력들 간의 관계를 이용하여, 모바일 디바이스의 움직임에 관한 더 많은 정보를 계산할 수 있다. 통상적으로, 데이터 추출기(230) 알고리즘이 유용해지기 위해서는, 복수의 유형의 신호가 요구된다. 그것은 또한 데이터 추출 알고리즘으로서 외부 알고리즘(예를 들어, 머신 학습)을 이용할 수 있는 애플리케이션 인터페이스(250)를 지원한다.
센서 출력 신호들(215)은 도 8의 7가지 유형의 움직임 신호 개체(802)를 포함할 수 있으며, 그들은 모바일 디바이스의 위치를 어떻게 반영하는지를 결정하기 위해 분석된다. 이러한 신호 개체들(802)은 이하의 도 8 및 도 9에서 더 상세하게 설명된다. 예를 들어, 상대 가속도 신호(611)는 중력의 방향을 나타내도록 필터링될 수 있다(단계들(610 및 703)을 참조). 그러나, 절대 좌표계 하에서, 중력 가속도는 항상 아래를 향한다. 따라서, 가속도 신호를 이용함으로써, 자세 신호를 얻을 수 있다(단계들(607 및 705)을 참조). 자이로스코프들(103)을 이용하면, 모바일 디바이스(105)의 자세에 관한 더 많은 정보를 결정할 수 있고, 절대 좌표계 내에서의 그것의 이동 방향 및 거리를 계산할 수 있다.
데이터 추출기 모듈(230)이 자신의 분석을 완료하고 나면, 위치, 자세 및 이동에 있어서의 모바일 디바이스의 변경에 관한 정보를 포함하는 추출된 신호들(241)이 적어도 위치 센서 판독값(101A)과 결합되어 센서 통합 모듈(240)에 송신된다.
센서 통합 모듈(240)은 에너지를 보존하기 위해 모든 이용가능한 신호들을 효과적으로 결합하기 위한 핵심(core)일 수 있다. 데이터 추출기(230)로부터의 추출된 신호들(241)은 센서 출력 신호(215) 및 외부 환경 신호(216)와 결합되어, 고도로 정확한 신호를 생성해낸다. 추정치를 구하기 위해 이용되는 구체적인 계산들은 이하에서 칼만 필터에 의해 제공되는 추정의 논의와 함께 논의되는 한편, 센서 통합 모듈(240)의 전체적인 동작은 여기에서 요약된다.
이용가능한 신호들은 센서 레지스터(211) 및 데이터 추출기 모듈들(230)로부터 제공된다. 센서 통합 모듈(240)은 또한 아래에 논의되는 바와 같이, 매개변수 설정 모듈(220)을 위해 분산 계산 공식(variance calculation formula)(251)을 제공한다. 센서 통합 모듈(240)은 분산 계산 공식(251)(이하에 논의됨)을 GMHLD 시스템(201)의 현재 작동 환경에 적응시키기 위해, 센서 레지스터로부터의 센서 출력 신호(215) 및 외부 환경 신호(216)와, 미리 구성된 정확도 입력 신호(252)와 함께, 데이터 추출기(230)로부터의 추출 신호들(241)을 이용하는 것에 의해 시작된다.
일부 센서 출력 신호들(215)이 상당히 강화되거나 약화될 때, 센서 통합 모듈(240)은 매개변수 설정 모듈(220)에 이벤트를 트리거한다. 매개변수 설정 모듈(220)은 클로져 데이터베이스(closure database)(225)가 이용가능하다면 그것을 이용하여, 구성(221)을 변경하는 것이 적절한지를 판정할 것이다. 매개변수 설정 모듈의 동작은 이하에서 도 4 및 도 5에 관련하여 논의된다.
위에서 설명된 바와 같이, 센서 통합 모듈(240)은 데이터 추출기 모듈(230) 및 센서 레지스터(211)로부터 위치, 이동 및 자세 신호를 수신한다. 센서 통합 모듈(240)은 이러한 신호들을 이용하여, 개선된 통합 신호를 결정하고 출력한다. 통합 프로세스는 신호들을 통합하고 분산을 관리하기 위해 칼만 필터를 이용할 수 있지만, 값에 대한 복수의 불명확한 추정을 결합하여 더 정밀한 추정을 산출해내는 임의의 다른 통계 알고리즘이 이용될 수 있음을 알아야 한다. 칼만 필터를 이용하는 센서 통합 모듈(240)의 예시적인 동작은 이하에 논의된다.
본 출원의 주제의 수 개의 다른 실시예는 본 출원의 주제의 기본 구현에 대한 개선을 제안한다. 예를 들어, RTLS(real-time location system)의 정밀도를 증가시키기 위해 DGPS(차동 GPS)를 이용할 수 있고, GPS 수신기 개선은 그 이점을 취할 수 있다. 또한, 모바일 사용을 위한 일부 중요한 장소들에서 실시간 위치 브로드캐스트 또는 RF 신호를 지원할 수 있다. 그것은 이러한 장소들에서의 RTLS 위치 시스템의 정밀도를 크게 증가시킬 것이다.
또한, Wi-Fi 위치 결정, CP2P, 3D 정보 추출 등과 같이, 일부 대안적인 알고리즘은 동일 기능을 취할 수 있다.
상기 저장된 정보의 단편들 각각은 영구적 메모리를 포함하는 임의의 저장된 유형의 구조화된 메모리일 수 있다. 예시들에서, 정보는 메모리 내의 변수들, 디스크 상의 파일들, 또는 데이터베이스 내의 정보 단편으로서 구현될 수 있다.
시스템(200)은 모바일 전화기, 스마트폰 또는 태블릿 컴퓨팅 디바이스를 포함하는 임의의 유형의 모바일 디바이스 상에서 구현될 수 있다. 또한, 모바일 디바이스는 명령어를 실행하고 저장하기 위해 프로세서 및 메모리를 갖는 디바이스를 포함할 수 있지만, 그에 한정되지는 않는다. 소프트웨어는 하나 이상의 애플리케이션 및 운영 체제를 포함할 수 있다. 하드웨어는 프로세서, 메모리, 및 그래픽 사용자 인터페이스 디스플레이를 포함할 수 있지만, 그에 한정되지는 않는다. 모바일 디바이스는 예를 들어 썸 키보드(thumb keyboard) 또는 터치스크린을 이용하여 사용자 입력을 받아들일 수 있다. 모바일 디바이스는 또한 복수의 프로세서, 및 복수의 공유 또는 분리된 메모리 컴포넌트를 가질 수 있다.
도 3은 본 출원의 주제의 컴퓨터 구현 방법 실시예에 수반되는 주요 단계들을 보여주는 흐름도이다. 단계(301)에서, 모바일 디바이스는 모바일 디바이스에 연결된 위치 센서(101)를 이용하여, 제1 시간에서 모바일 디바이스의 절대 위치를 결정한다. 단계(302)에서, 모바일 디바이스는 모바일 디바이스에 연결된 가속도 검출기(102)를 이용하여, 제1 시간 이후이면서 위치 센서가 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 모바일 디바이스의 가속도 크기를 결정한다. 단계(303)에서, 컴퓨터화된 모바일 디바이스는 모바일 디바이스에 연결된 이동 방향 검출기(예를 들어, 자이로스코프)(103)를 이용하여, 제1 시간 이후이면서 제2 시간 이전인 시간에, 모바일 디바이스의 이동 방향을 결정한다. 단계(304)에서, 모바일 디바이스는 가속도 크기 및 이동 방향에 기초하여 모바일 디바이스의 갱신된 위치(108)를 결정하고, 갱신된 위치는 절대 위치에 대한 것이고, 갱신된 위치 정보(108)는 제2 시간(108)에서의 모바일 디바이스의 위치를 절대 위치보다 더 정확하게 표현한다.
도 4는 이동 중인 모바일 디바이스의 위치를 결정하면서 전력 이용을 최적화하기 위해, 센서 출력 신호(215), 클로져 데이터베이스(225) 및 뉴턴법(Newton's Method)을 이용하는 매개변수 설정 모듈(220)의 도면이다.
매개변수 설정 모듈(220)은 센서 통합 모듈(240)로부터의 환경 상태 신호(222)로서의 하드웨어 및 위치 환경(예를 들어, 실내, 실외, 신호의 이용가능성, 센서 유형 및 매개변수 구성), 및 GMHLD 출력들(261)의 미리 구성된 정확도 입력(252)을 반영하는 센서 통합 모듈(240)로부터의 분산 계산 공식(251)에 기초하여, 센서 레지스터(211)의 센서 매개변수들을 어떻게 설정할지에 관한 정보를 수신할 수 있다. 센서 통합 모듈(240)은 센서 레지스터(211)로부터의 센서 출력 신호(215) 및 외부 환경 신호(216)와 함께 데이터 추출기(230)로부터의 추출 신호(241) 정보를 이용하여, 환경 상태 신호(222) 및 분산 계산 공식(251)을 도출해내고, 또한 모바일 디바이스의 결정된 위치의 GMHLD 출력들(261)을 도출해낸다.
매개변수 설정 모듈(220)은 센서들(212)을 위해 자원들을 동적으로 할당하여, 센서 레지스터(211)에 제공되는 구성(221) 내의 센서 매개변수들을 조절할 수 있다. 환경 상태 신호(222)는 위에서 논의되었고, 미리 구성된 정확도 입력(252)에 대응하기에 충분한 정보를 제공할 센서 출력 신호(215)를 제공할 센서 레지스터(211)에 대한 구성(221)을 결정하기 위해 센서 통합 모듈에 의해 제공되는 대로의 분산 계산 공식(251) 내에 도입될 수 있는 정보를 제공한다. 센서 통합 모듈(240)로부터의 입력은 하드웨어 구성(예를 들어, 어떤 센서들(212)이 이용가능한지 및 그들이 어떤 유형의 정보를 제공하는지) 및 외부 환경 정보(예를 들어, 실내 또는 실외)를 갖는 외부 환경 상태 신호(222), 및 미리 구성된 정확도 입력(252)을 포함할 수 있다. 실시예에서, 미리 구성된 정확도 입력 신호(252)는 예를 들어 모바일 디바이스 시스템 구성 매개변수와 같이, 애플리케이션 인터페이스(250)를 통해 사용자(260)에 의해 지정될 수 있다.
다른 실시예에서, 미리 구성된 정확도 입력(252)은 모바일 디바이스 상에 미리 구성될 수 있다. 다음으로, 매개변수 설정 모듈(220)은 자원 및 전력 할당 계획을 결정한다. 매개변수 설정 모듈(220)은 자원 및 전력 할당 계획을 구성(221)으로서 지정한다. 매개변수 설정 모듈(220)은 구성(221)을 인터페이스 모듈들(210)에 전송하고, 그러면 인터페이스 모듈들은 구성(221)을 센서들(212)에 전송한다. 구성(221)은 센서들(212)이 분산 계산 공식(251)을 충족시키는 추정 위치를 생성하기에 충분한 정보를 제공할 센서 출력 신호들(215)을 제공하게 한다. 이러한 방식으로, 매개변수 설정 모듈(220)은 정밀도 요구조건을 따르도록 신호들을 최적화하면서 생성하기 위해 센서들(212)을 구성한다.
매개변수 설정 모듈(220)은 상기 구성 정보(221)로 시작하고, 그것을 이용하여, 아래에 설명되는 적분 위치 검출의 비용 관리 알고리즘을 이용하여 구성(221)을 전개한다.
매개변수 설정 모듈(220)은 도 4에 도시된 것과 같은 시스템 구성이 주어지면, 도 5에 제공된 단계들을 이용하여, 휴리스틱 알고리즘(heuristic algorithm)에 의해 자원 할당 계획을 결정한다. 전력 최적화는 클로져 데이터베이스(225)와 함께 매개변수 설정 모듈(220)을 이용하여 발생한다. 클로져 데이터베이스(225)는 환경 상태 신호(222) 및 분산 계산 공식(251)으로 구성되는 질문(226) 요청을 수신한다. 환경 상태 신호(222) 및 분산 계산 공식(251)은 클로져 데이터베이스(225)를 탐색(401)하기 위한 환경 프로파일(402)을 지정하는 질의의 역할을 한다. 이것은 새로운 초기 매개변수(405)로서 저장되는, 데이터베이스(225)가 이전에 저장했던 최소 비용/최선 노력의 동기(sync) 데이터(227)를 검색한다.
다음으로, 매개변수 설정 모듈(220)은 환경 데이터베이스(400)의 모듈이 나중의 사용(405)을 위해 저장하는 센서 매개변수들의 새로운 구성(221) 값들을 도입함으로써 전력 소비를 반복적으로 개선하기 위해, 랜덤 워크 및 뉴턴-랩슨법(random walk and Newton-Raphson method)(413)을 이용한다. 랜덤 워크(413)와 결합된 뉴턴-랩슨법은 환경 상태 신호(222) 및 분산 계산 공식(251)을 위한 전력 구성을 반복적으로 최소화하기 위해, 변화하는 전력 할당들과 정밀도 간의 관계의 도함수들(derivatives)을 이용함으로써 최소 전력 구성(221)이 달성될 때까지 반복된다. 랜덤 워크(413)와 결합된 뉴턴-랩슨법은 센서 레지스터(211)에 의해 구성(221)으로서 구현될 수 있는 최적 해(414)(최소 비용/최선 노력(minimized cost/best effort))를 산출해낸다.
도 5는 이동 중인 모바일 디바이스(100)의 위치를 결정하는 동안 전력 사용을 최적화하는 데에 수반되는 주요 단계들을 보여주는 흐름도이다. 이 방법은 도 4에 따른 본 출원의 주제의 예시적인 시스템 실시예 상에서 실행될 수 있다. 단계(501)에서, 모바일 디바이스는 센서 신호 출력(215 및 216)을 캡처한다. 단계(502)에서, 모바일 디바이스는 환경 데이터베이스(225)를 탐색하기 위해 센서 신호들을 이용한다. 단계(503)에서, 모바일 디바이스는 센서 신호들에 대응하는 환경 상태 설정들(222)을 결정한다. 단계(504)에서, 모바일 디바이스는 결정된 환경 상태 설정(222)에 대응하는 초기 분산 계산 공식(251)을 검색한다. 단계(505)에서, 초기 분산 계산 공식(251)을 이용하여, 모바일 디바이스는 초기 센서 설정 매개변수들을 결정한다. 단계(506)에서, 랜덤 워크 및 뉴턴-랩슨법(413)을 이용하여, 모바일 디바이스는 전력 사용을 최소화하기 위해 센서 매개변수들을 최적화한다. 단계(507)에서, 모바일 디바이스는 장래의 이용을 위해, 최적 해(414)를 클로져 데이터베이스(225) 내에 저장한다. 단계(508)에서, 센서들(212)을 재구성하기 위해, 구성은 센서 레지스터(211)에 전송된다.
도 8은 이동 중인 모바일 디바이스의 위치 및 움직임의 특성인 정보 신호 개체들을 제공하기 위해 센서들(212)을 이용하는 시스템 실시예(800), 및 신호들이 수학적으로 어떻게 분석되는지를 보여주는 도면이다. 시스템은 센서들(212), 신호 개체들(802), 및 시스템(803)에 의해 실행되는 알고리즘들로 구성된다. 센서들은 단일 안테나를 이용하여 작동할 수 있는 GPS(101), MEMS 디바이스일 수 있는 가속도 검출기(102), 및 시스템(800)이 신호 개체들에 관한 정보를 제공하기 위해 이용할 수 있는 정보를 제공할 수 있는 자이로스코프(103), wi-fi 수신기, 레이더 또는 카메라와 같은 다른 MEMS 디바이스들(806)을 포함한다. 신호 개체들은 속도(절대)(807), 위치(절대)(808), 가속도(절대)(809), 속도(상대)(810), 가속도(상대)(811), 자세(812) 및 회전(813)으로 구성된다.
예로서, GPS(101)는 속도(절대)(807) 및 위치(절대)(808) 신호 개체들(802)에 관한 정보를 제공할 수 있다. 가속도 검출기(102)는 가속도(절대)(809) 신호 개체(802)에 관한 정보를 제공할 수 있다.
다음으로, 시스템(800)은 알고리즘들(803)에 따라 신호 개체들(802)로부터의 정보를 처리한다. 예를 들어, 속도(절대)(807)는 위치 정보(808)를 산출해내도록 적분(814)될 수 있고, 속도(절대)(807) 및 가속도(상대)(811)는 자세(812)를 결정하기 위해 중력에 대해 보정하는 g/v(중력) 자세 검출(815) 알고리즘을 이용하여 처리될 수 있다. 다른 알고리즘들(816)은 더 많은 정보를 결정하기 위해 신호 개체들(802)을 처리할 수 있다.
도 9는 이동 중인 모바일 디바이스의 위치 및 움직임의 특성인 정보 신호 개체들(902)을 제공하기 위해 센서들(212)을 이용하는 시스템(900), 및 신호 개체들(902)이 수학적으로 어떻게 분석되는지를 보여주는 도면이고, 여기에서 센서들(212)은 GPS(101), 자이로스코프(103) 및 가속도 검출기(102)를 포함한다. 이들 센서들은 속도(절대)(807), 위치(절대)(808), 자세(812), 회전 및 가속도(상대)(811) 정보를 제공한다.
위치 센서 판독값(101A), 가속도 검출기 판독값(102A) 및 자이로스코프 판독값(103A)의 예비 처리는, 신호 개체들(902)에 관한 정보를 도출해내기 위해 센서 통합 모듈(240)에 정보를 제공하기 위하여, 상술한 도 4 및 도 5의 논의에서 기술된 대로 데이터 추출기(230)에서 진행될 수 있다.
알고리즘(903)은 데이터 추출기(230)로부터의 추출 신호(241)와 결합된 센서들(212)로부터의 정보를 처리하여, 아래와 같이 되도록 신호 개체들(902)에 관한 정보를 산출해낸다:
1. 좌표계 대체(coordinate system alternate)(904)는 속도(절대)(807) 신호 개체(902)에 관한 정보를 산출해내기 위해, (데이터 추출기에 의해 도출되는) 자세(812) 및 (가속도 검출기(102)로부터의) 가속도(상대)(811)로부터의 정보에 작용한다.
2. (단계 1로부터의) 속도(절대)(807) 신호 개체(902)로부터의 정보는 (수치 적분에 의해 도출되는) 위치(절대)(808) 신호 개체(902)에 관한 정보를 산출해낸다.
3. 자세 검출 알고리즘(905)이 (단계 1로부터의) 속도(절대)(807) 및 (가속도계로부터의) 가속도(상대)(811) 신호 개체들(902)에 작용하여, 자세(812) 신호 개체(902)에 관한 정보를 산출해낸다(도 5 및 도 6을 참조).
4. (자이로스코프로부터의) 회전(813) 신호 개체(902)로부터의 정보는 자세(812) 신호 개체(902)에 관한 정보를 산출해낸다(도 5 및 도 6을 참조).
도 10은 이동 중인 모바일 디바이스의 추정 위치를 계산하기 위해, GPS(801), 자이로스코프(103) 및 가속도 검출기(102)로부터의 정보를 이용하는 데에 수반되는 주요 단계들을 보여주는 흐름도이다. 단계(1001)에서, 모바일 디바이스는 표준 GPS법에 의해 절대 위치(808) 및 절대 속도(807)를 검출하기 위해 GPS(801)를 이용한다. 단계(1002)에서, 모바일 디바이스는 자세를 예측하기 위해 절대 속도(807) 및 상대 가속도를 이용한다(도 5 및 도 6을 참조). 단계(1003)에서, 모바일 디바이스는 자세의 변경(회전)을 검출하기 위해 자이로스코프를 이용한다(도 5 및 도 6을 참조). 단계(1004)에서, 모바일 디바이스는 절대 좌표계 가속도를 계산하기 위해 자세의 변경(회전)을 이용한다(도 5 및 도 6을 참조). 단계(1005)에서, 모바일 디바이스는 속도의 변경을 계산하기 위해 절대 좌표계 가속도를 이용한다(도 5 및 도 6을 참조). 단계(1006)에서, 모바일 디바이스는 (수치 적분을 이용하여) 위치의 변경을 계산하기 위해 절대 속도를 이용한다. 이러한 단계들의 입력 및 출력은 도 9를 참조하여 위에서 논의되었다.
위치 추정을 제공하기 위한 칼만 필터 알고리즘의 이용
실시예에서, 칼만 필터 알고리즘은 위치 센서(101), 가속도(102) 및 자이로스코프(103)로부터의 입력을 결합하여, 분산을 제어하면서 모바일 디바이스의 계산된 위치를 구하기 위한 기법으로서 이용된다. 무작위 변수 또는 분포의 분산은 그 변수의 기대값 또는 산술평균으로부터의 제곱 편차이다. 그것은 추정된 값이 그것의 기대값에 얼마나 가까울지의 확률론적 척도를 제공함으로써, 정확도의 측정으로서 이용될 수 있다. 이하의 공식들이 분산에 적용된다:
정의:
1. E(평균(Average), 산술평균(Mean) 또는 기대값(Expected Value))
2. u = E(x) (x의 평균, x는 무작위 변수)
3. 기초 공식:
분산 :
Figure 112014003455534-pct00001
분산은 무작위 변수가 그것의 기대값으로부터 얼마나 멀리 벗어나 있을 것 같은지에 대한 척도이고, 그것을 최소화하는 것에 의해 오차를 제어하는 데에 이용될 수 있다.
4. 덧셈 공식:
Figure 112014003455534-pct00002
x가 y에 독립적일 때, Cov(x,y) = 0
5. 곱셈 공식:
Figure 112014003455534-pct00003
(x 및 y가 관련이 없는 한편, Cov(x,y) = 0 Cov(x2,y2) = 0)
따라서, (대수적 조작에 의해) 아래와 같이 된다:
Figure 112014003455534-pct00004
여기에서의 이용에서, 우리는 아래를 갖는다:
Figure 112014003455534-pct00005
따라서, 아래와 같이 되어야 하는데:
Figure 112014003455534-pct00006
이는 비교 결과, V(x)V(y)가 상대적으로 작기 때문이다.
회전 공식
아래와 같이 가정한다:
Figure 112014003455534-pct00007
Figure 112014003455534-pct00008
는 회전 행렬이고, VB는 원본 벡터이다. 회전 행렬과 VB의 곱은 VB의 회전된 버전이며, 그것이 VA이다.
곱셈 공식 및 대입을 이용하여, 아래를 산출해낸다:
Figure 112014003455534-pct00009
행렬에 대하여, 분산의 정의는 다음과 같다:
Figure 112014003455534-pct00010
따라서,
Figure 112014003455534-pct00011
를
Figure 112014003455534-pct00012
로 변경한다.
(
Figure 112014003455534-pct00013
)는 회전 행렬이기 때문에, 행렬식
Figure 112014003455534-pct00014
는 단위 행렬이고, 따라서 아래와 같이 된다:
Figure 112014003455534-pct00015
이것은 이러한 계산들 및 단위 행렬들을 곱셈 공식에 대입한 결과이다. 이러한 수학식은 "각도 오차 계산 공식(Angle Error Calculation Formula)"이라고 지칭된다.
이러한 각도 오차 계산 공식은 원본 벡터 및 그것을 변환하는 회전 행렬이 주어진 때, 벡터를 수반하는 측정에 도입되는 오차의 측정을 결정한다.
적분 공식
Figure 112014003455534-pct00016
를 계산하기 위해
Figure 112014003455534-pct00017
를 이용하는 경우(즉, Ax에 의해 제공되는 곡선 아래의 면적을 근사하기 위해 일련의 작은 직사각형들의 합을 이용함),
2가지의 분산 소스를 얻어야 한다:
Ax로부터의 분산(즉, 수치 적분에 내재된 불확실성)으로서, 덧셈 공식을 이용하면, 그것은 아래와 같아야 한다(수치 적분으로부터의 분산)::
Figure 112014003455534-pct00018
정적분(definite integration)의 값에 대한 추정 오차 상한(estimated error upper bound)은 아래와 같다:
Figure 112014003455534-pct00019
요약하면, 대수적 재배열에 의해,
Figure 112014003455534-pct00020
이고,
따라서,
Figure 112014003455534-pct00021
가 충분히 작으면, 수학식은 아래와 같이 될 것이다:
Figure 112014003455534-pct00022
칼만 필터 알고리즘
칼만 필터는 본질적으로, 프로세스의 중간값을 산출해내기 위해 결합될 수 있는, 초기에 연역적으로 취해진 측정값과 후속 귀납적 측정값들을 갖고서 시간의 경과에 따라 변화하는 프로세스의 상태에 대해 소정의 가정된 조건들이 충족될 때 추정 오차 공분산(estimated error covariance)을 최소화한다는 의미에서 최적인 예측자-수정자 유형의 추정기(predictor-corrector type estimator)를 구현하는 수학식들의 집합이다.
정의:
1. H(측정 행렬) : 직접적인 측정을 위해, 측정된 값들을 이용하기 위해 어떠한 변환도 필요하지 않도록, 이것은 항상 1이거나 단위 행렬이다.
2. P(칼만법 분산(Kalman method Variance)) : P에 연관된 어느 변수에 대해서든, 칼만 필터에 의해 계산되는 대로의, 우리의 결과의 정밀도.
3. x(칼만 추정값) : 시스템 상태의 벡터, 위치 사용을 위해서는 위치의 좌표 (Lx, Ly, Lz)이어야 하며, 이것은 시스템의 측정된 초기 또는 후속값의 추정을 지칭한다.
Figure 112014003455534-pct00023
는 모바일 디바이스의 새로운 추정 위치를 반영하는 한편,
Figure 112014003455534-pct00024
는 원래의 위치를 반영한다.
4. R(측정된 신호들의 분산) : 예를 들어, GPS가 나의 위치가 ±25m의 오차를 갖는다고 알려준다면, 그것은 R=(25m)2를 의미한다.
칼만 핵심 수학식
1.
Figure 112014003455534-pct00025
2.
Figure 112014003455534-pct00026
3.
Figure 112014003455534-pct00027
수학식 2의
Figure 112014003455534-pct00028
는 측정 이노베이션(innovation) 또는 잔차(residual)이고, 그것은 예측된 측정값
Figure 112014003455534-pct00029
와 실제 측정값
Figure 112014003455534-pct00030
간의 차이를 반영한다.
Figure 112014003455534-pct00031
는 모바일 디바이스(105)의 새로운 추정 위치를 반영하는 한편,
Figure 112014003455534-pct00032
는 원래의 위치를 반영한다.
칼만 핵심 수학식 1에서의 n×m 행렬 Kk는 귀납적 오차 공분산(a posteriori error covariance) PK를 최소화하는 이득(gain) 또는 블렌딩(blending) 인자이도록 선택된다. 칼만 핵심 수학식 1로부터 볼 수 있는 바와 같이, 측정값 오차 공분산 R은 제로에 근접하고, 이득 K는 잔차를 더 무겁게 가중하며, KK는 1에 근접하여, 칼만 핵심 수학식 3이
Figure 112014003455534-pct00033
인 상황을 반영하게 한다.
Zk는 실제 측정값을 표현한다.
수학식 3은 칼만 핵심 수학식 1에 따라, 최적화된 이득을 따르는 칼만 추정 분산을 반영하도록 오차 공분산을 갱신한다.
계산을 위해:
여기에서의 이용에서, 아래와 같이 가정한다:
1. E(증분 분산(increment variance))(예를 들어, GPS 신호가 ±25m를 제공하고, 우리의 MEMS 가속도 센서(102)가 우리가 30m±0.2m를 이동했다고 알려주면, E는 (0.2m)2이어야 한다. 증분 분산은 MEMS 가속도 센서(102)로부터 획득된 정보의 분산을 반영한다).
2. H=1(우리는 신호들을 직접 측정한다)(따라서, H의 모든 인스턴스가 단위 행렬일 것이다).
3. P<<R (MEMS 증분 신호는 항상 위치 센서(101) 힌트 신호들보다 높은 정밀도를 갖는다).
따라서, 우리는 아래를 얻는다:
Figure 112014003455534-pct00034
이므로, H=1이라는 가정으로 인해,
Figure 112014003455534-pct00035
를 얻을 수 있다(증분 분산을 반영하기 위해 핵심 칼만 수학식 3을 참조).
따라서, 우리는
Figure 112014003455534-pct00036
를 갖는다(최적화된 이득 행렬을 결정하는 핵심 칼만 수학식 1을 참조).
(대수적 재배열에 의해)
Figure 112014003455534-pct00037
따라서,
Figure 112014003455534-pct00038
일 때, 아래와 같이 된다:
대입에 의해
Figure 112014003455534-pct00039
, 이것은 정규의 포맷으로는 아래와 같다:
4.
Figure 112014003455534-pct00040
(칼만 분산의 제곱은 측정 신호 분산과 증분 분산의 곱이다).
안드로이드 위치 서비스의 적분을 위한 오차 추정
정의:
Rx : (GPS로부터 획득된) 직접 측정된 값 x의 분산
Px : 칼만 평균 값 x의 분산(칼만 핵심 수학식들을 이용하여, 전체 분산을 계산)
Ex : (가속도계로부터 획득된) 차이 측정 값 x의 분산
Dx : (복수의 시점에서의 값들을 취하고 분산을 결정함으로써 구해진) 차이 측정 값 x
값 x의 유형:
L(위치)
VA(절대 좌표계 하에서의 속도)
VR(상대 좌표계 하에서의 속도)
ATT(자세)
AA(절대 좌표계 하에서의 가속도)
AR(상대 좌표계 하에서의 가속도)
신호 소스들, 분석/오차 추정 단계들을 위한 절차:
단계 1. 위치 센서(101)를 이용하여, MEMS 센서들(104) 및 위치 센서(101)로부터의 절대 위치(808)에서의 분산의 칼만 통합을 검출한다.
단계 2. 절대 위치(808)에 대한 위치 센서(101)의 기여를 결정하기 위해, 위치 센서(101)로부터의 절대 속도(807) 정보를 수치 적분한다.
단계 3. 칼만 필터를 이용하여, 절대 속도(807)에 대한 MEMS 센서들(104)로 인한 분산을 위치 센서(101)로 인한 분산과 결합한다.
단계 4. 절대 가속도(809)의 분산을 수치 적분함으로써 절대 속도(807)에서의 분산에 대한 MEMS(104) 센서들의 기여를 결정한다.
단계 5. 각도 오차 계산 공식을 이용하여 상대적 가속도(811)의 제곱을 갖는 자세(812)의 분산과 자이로스코프(103)로부터의 증분으로 인한 분산을 결합함으로써 절대 가속도의 분산을 구하기 위해 칼만 필터를 이용한다.
단계 6. 위치 센서(101) 및 가속도계로부터의 자세에 대한 기여를 결합함으로써 자세의 칼만 분산을 구한다.
단계 7. 절대 속도 신호 값의 2개의 분산 소스, 즉 절대 속도 검출기로부터의 신호, 및 각도 오차 계산 공식과 결합된 절대 가속도의 적분으로부터의 신호를 이용하여, 자세에 있어서의 분산을 산출해낸다.
단계 8. 자이로스코프(103)의 드리프트 레이트(drift rate)를 이용하여 자이로스코프(103)로 인한 자세에서의 분산을 계산한다.
오차 추정 단계 수학식들 :
1. (단계 1) (수학식 4 및 대수에 의해)
Figure 112014003455534-pct00041
칼만 필터는 GPS 위치 및 MEMS 검출 위치를 통합한다.
2. (단계 2)
Figure 112014003455534-pct00042
(수치 적분 공식에 의해 이동된 거리를 계산하기 위해 (절대 좌표계 하에서) 속도를 적분하여, 절대 속도(VA)(807) 데이터를 위치(L)에 대한 분산 척도(808)로 변환한다).
3. (단계 3) (수학식 4 및 대수에 의해)
Figure 112014003455534-pct00043
4. (단계 4)
Figure 112014003455534-pct00044
(수치 적분 공식에 의해, 수학식 3을 위한 EVA를 제공)
5. (단계 5) (수학식 1 및 대수에 의해)
Figure 112014003455534-pct00045
6. (단계 6) (수학식 4 및 대수에 의해)
Figure 112014003455534-pct00046
7. (단계 7)
Figure 112014003455534-pct00047
8. (단계 8)
Figure 112014003455534-pct00048
추정 공식
오차 추정의 수학식 6-8의 결합에 따라, 자세의 칼만 필터 분산을 아래와 같이 갖게 된다:
Figure 112014003455534-pct00049
따라서, 오차 추정의 수학식 5에 따라
Figure 112014003455534-pct00050
인 경우, 그것은 분산의 주된 소스가 자세 측정이라는 것, 즉 자이로스코프(103)로부터 온 것이라는 것을 의미한다. 그렇지 않으면, 그것은 PAA의 분산이 주로 가속도 검출기(102)로부터 온 것임을 의미한다.
Figure 112014003455534-pct00051
인 경우, 우리는
Figure 112014003455534-pct00052
을 갖는다. 오차 추정의 수학식 3 및 4에 따르면, 우리는 아래의 수학식을 갖는다:
Figure 112014003455534-pct00053
따라서, 대입 및 대수에 의해 반드시 이하와 같이 된다:
Figure 112014003455534-pct00054
따라서, 아래와 같이 된다:
Figure 112014003455534-pct00055
일 때,
Figure 112014003455534-pct00056
이고,
Figure 112014003455534-pct00057
일 때,
Figure 112014003455534-pct00058
예시적인 성능
매개변수 및 추정
샘플 매개변수로서, 아래와 같이 한다:
1.
Figure 112014003455534-pct00059
(1시간 후 35도 드리프트했음), 레이트는:
Figure 112014003455534-pct00060
2.
Figure 112014003455534-pct00061
3. dt = P(10-2 s) (가속도 검출기(102) 주파수)
실내 사용:
RL = P(20 m)
RVA = P(5 cm/s)
A = 0.1 g (걷기 가속도)
V = 1 m/s (걷기 속도)
따라서, 아래와 같이 된다:
Figure 112014003455534-pct00062
Figure 112014003455534-pct00063
일 때,
Figure 112014003455534-pct00064
따라서, 아래를 얻을 수 있다:
Figure 112014003455534-pct00065
이것은 PL=1이면(위치를 1m의 정밀도 내로 유지함), 100초마다 한 번씩만 GPS 데이터를 필요로 한다는 것을 나타낸다.
실외 사용:
RL = P(20 m)
RVA = P(5cm/s)
EATT = P(T1 /2 10 -4)
A = 0.5 g (차량 내에서의 가속도)
V = 30 m/s (차량 속도)
따라서, 이제 아래와 같이 된다:
Figure 112014003455534-pct00066
따라서, 아래를 얻을 수 있다:
Figure 112014003455534-pct00067
다시 한번, 이것은 PL=1이면(위치를 1m의 정밀도 내로 유지함), 100초마다 한 번씩만 GPS 데이터를 필요로 한다는 것을 나타낸다.
예를 들어, 도 1b 및 상술한 분산 계산 결과들에 따르면, GMHLD는 1 미터 내의 정밀 정확도를 얻기 위해 100초마다 한 번씩만 GPS 신호를 요청하면 된다(0.01Hz). 이러한 0.01Hz 모드는 GMHLD가 원하는 수준의 위치-예측 정확도를 얻는 데에 충분하며, 이러한 0.01Hz 모드는 10Hz에서 작동하는 표준 GPS 모드의 에너지의 1/5 미만을 소비한다.
이 기술은 전력 소비가 관심사인 경우에 위치 정보를 필요로 하는 어떠한 모바일 애플리케이션에라도 적용될 수 있다. 이러한 애플리케이션들은 지도 상에서의 네비게이션 시스템, 모바일 사용자의 추적, 사용자를 찾는 상점, 근처의 상점 또는 관심 지점을 찾는 사용자, 사용자를 찾는 사용자, 또는 특정 위치에의 개인적 서비스 케이터링(personal services catering)(예를 들어, 모바일 사용자가 특정 상점 앞에 서 있을 때 쿠폰을 제공하는 것)을 포함하지만, 그에 한정되지 않는다.
개요 및 요약 부분은 발명자(들)에 의해 예상되는 대로의 본 출원의 주제의 하나 이상의 예시적인 실시예를 제시할 수 있지만, 그러한 실시예들 전부를 제시하지는 않으며, 따라서 본 발명 및 첨부된 청구항들을 어떤 식으로든 제한하도록 의도되지 않는다.
위에서는, 지정된 기능들 및 그들의 관계의 구현을 예시하는 기능적 구성 블록들의 도움을 받아 본 출원의 주제가 설명되었다. 이러한 기능적 구성 블록들의 경계는 설명의 편의를 위해 여기에 임의적으로 정의되었다. 지정된 기능들 및 그들의 관계가 적절하게 수행될 수 있는 한, 다른 경계들이 정의될 수 있다.
구체적인 실시예들에 대한 상기의 설명은, 다른 사람들이 본 분야의 기술범위 내의 지식을 적용함으로써, 본 발명의 일반적인 개념으로부터 벗어나지 않고서 과도한 실험 없이 그러한 구체적인 실시예들을 쉽게 수정하고/거나 다양한 응용을 위해 적응시킬 수 있도록, 본 출원의 주제의 일반적인 특징을 완전하게 개시할 것이다. 그러므로, 그러한 적응 및 수정은 여기에 제시된 교시 및 안내에 기초하여, 개시된 실시예들의 균등물의 의미 및 범위 내에 있는 것으로 의도된다. 여기에서의 표현 및 용어는 제한이 아닌 설명을 목적으로 하는 것이므로, 당업자는 교시 및 안내를 고려하여 본 명세서의 용어 및 표현을 해석해야 함을 이해해야 한다.
본 발명의 폭 및 범위는 상술한 예시적인 실시예들 중 어느 것에 의해서도 제한되어서는 안 되며, 이하의 청구항들 및 그들의 균등물들에 따라서만 정의되어야 한다.

Claims (29)

  1. 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 시스템으로서,
    상기 모바일 디바이스에 연결되어, 제1 시간에서 상기 모바일 디바이스의 절대 위치를 결정하는 위치 센서;
    상기 모바일 디바이스에 연결되어, 상기 제1 시간 이후이면서 상기 위치 센서가 상기 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 상기 모바일 디바이스의 속력에 대응하는 가속도 크기를 결정하는 가속도 검출기;
    상기 모바일 디바이스에 연결되어, 상기 제1 시간 이후이면서 상기 제2 시간 이전인 시간에, 상기 모바일 디바이스의 이동 방향을 결정하는 이동 방향 검출기; 및
    상기 가속도 크기 및 이동 방향에 기초하여 상기 모바일 디바이스의 갱신된 위치를 결정하는 센서 통합 모듈 - 상기 갱신된 위치는 상기 절대 위치에 대한 것이고, 상기 갱신된 위치의 정보는 상기 제2 시간에서의 상기 모바일 디바이스의 위치를 상기 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현함 -
    을 포함하고,
    상기 이동 방향 검출기는 자이로스코프이고,
    센서 통합 모듈은 적어도 상기 위치 센서로부터 수신된 정보에 기초하여 상기 모바일 디바이스의 외부 환경에 관한 정보를 결정하고,
    주어진 동작 정확도에 대하여 전체 전력 소비를 최소화하기 위해 상기 외부 환경에 관한 정보에 따라 상기 위치 센서, 상기 가속도 검출기 및 상기 자이로스코프의 매개변수들을 설정하는 매개변수 설정 모듈을 더 포함하는 시스템.
  2. 제1항에 있어서,
    사용자가 상기 매개변수 설정 모듈에 의해 이용되는 동작 정확도를 설정할 수 있게 하는 사용자 입력 모듈을 더 포함하는 시스템.
  3. 제1항에 있어서,
    상기 매개변수 설정 모듈은 전체 전력 소비를 최소화하기 위해, 뉴턴-랩슨법(Newton-Raphson method)을 반복적으로 이용하는 시스템.
  4. 제1항에 있어서,
    상기 매개변수 설정 모듈에 접속되어 상기 매개변수들의 초기 값들을 저장하는 클로져 데이터베이스(closure database)를 더 포함하고,
    상기 매개변수 설정 모듈은 상기 초기 값들 및 상기 모바일 디바이스의 외부 환경에 관한 정보에 기초하여 선택된 매개변수 값들을 상기 클로져 데이터베이스로부터 검색하고, 상기 매개변수들은 주어진 동작 정확도에 대하여 전체 전력 소비를 최소화하는 시스템.
  5. 제1항에 있어서,
    상기 매개변수 설정 모듈에 의해 상기 매개변수들을 수신하고, 상기 매개변수들을 구현될 상기 위치 센서, 상기 가속도 검출기 및 상기 자이로스코프에 전송하는 센서 레지스터를 더 포함하는 시스템.
  6. 제1항에 있어서,
    상기 센서 통합 모듈은 상기 센서 통합 모듈에 제공되는 정보의 가중 평균에 기초하여 갱신된 위치를 도출해냄으로써, 증가된 정확도를 갖는 갱신된 위치 정보를 결정하기 위해 칼만 필터(Kalman filter)를 이용하는 시스템.
  7. 제1항에 있어서,
    상기 센서 통합 모듈은 상기 가속도 크기를 포함하는 가속도 정보를 속도 정보로 변환하고, 상기 속도 정보를 상기 갱신된 위치 정보로 변환하기 위해 수치 적분(numerical integration)을 이용하는 시스템.
  8. 제1항에 있어서,
    상기 위치 센서는 GPS 센서이고, 상기 가속도 검출기 및 이동 방향 검출기는 MEMS 디바이스들인 시스템.
  9. 제1항에 있어서,
    상기 갱신된 위치를 결정하는 데에 이용하기 위해, 상기 모바일 디바이스의 위치, 배향 및 이동 중 적어도 하나에 관한 정보를 상기 센서 통합 모듈에 제공하는 추가의 MEMS 디바이스를 더 포함하는 시스템.
  10. 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 시스템으로서,
    상기 모바일 디바이스에 연결되어, 제1 시간에서 상기 모바일 디바이스의 절대 위치를 결정하는 위치 센서;
    상기 모바일 디바이스에 연결되어, 상기 제1 시간 이후이면서 상기 위치 센서가 상기 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 상기 모바일 디바이스의 속력에 대응하는 가속도 크기를 결정하는 가속도 검출기;
    상기 모바일 디바이스에 연결되어, 상기 제1 시간 이후이면서 상기 제2 시간 이전인 시간에, 상기 모바일 디바이스의 이동 방향을 결정하는 이동 방향 검출기;
    상기 가속도 크기 및 이동 방향에 기초하여 상기 모바일 디바이스의 갱신된 위치를 결정하는 센서 통합 모듈 - 상기 갱신된 위치는 상기 절대 위치에 대한 것이고, 상기 갱신된 위치의 정보는 상기 제2 시간에서의 상기 모바일 디바이스의 위치를 상기 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현함 -; 및
    센서 통합 모듈로부터 측정 데이터를 수신하고 필터링하여, 상기 디바이스의 위치, 배향, 위치 변경 및 배향 변경 중 적어도 하나의 특성인 신호 개체 정보를 제공하는 데이터 추출 모듈을 더 포함하는 시스템.
  11. 제10항에 있어서,
    상기 데이터 추출 모듈을 이용하여, 상기 디바이스의 위치, 배향, 위치 변경 및 배향 변경 중 적어도 하나의 특성인 상대 정보를 필터링하여, 절대 정보로 변환하는 것을 더 포함하는 시스템.
  12. 제10항에 있어서,
    상기 데이터 추출 모듈은 상기 가속도 검출기의 출력을 중력 효과에 대하여 보정하는 시스템.
  13. 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 컴퓨터 구현 방법으로서,
    상기 모바일 디바이스에 연결된 위치 센서를 이용하여, 제1 시간에서 상기 모바일 디바이스의 절대 위치를 결정하는 단계;
    상기 모바일 디바이스에 연결된 가속도 검출기를 이용하여, 상기 제1 시간 이후이면서 상기 위치 센서가 상기 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 상기 모바일 디바이스의 가속도 크기를 결정하는 단계;
    상기 모바일 디바이스에 연결된 이동 방향 검출기를 이용하여, 상기 제1 시간 이후이면서 상기 제2 시간 이전인 시간에, 상기 모바일 디바이스의 이동 방향을 결정하는 단계; 및
    센서 통합 모듈을 이용하여, 상기 가속도 크기 및 이동 방향에 기초하여 상기 모바일 디바이스의 갱신된 위치를 결정하는 단계 - 상기 갱신된 위치는 상기 절대 위치에 대한 것이고, 상기 갱신된 위치의 정보는 상기 제2 시간에서의 상기 모바일 디바이스의 위치를 상기 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현함 -
    를 포함하고,
    상기 이동 방향 검출기는 자이로스코프이고,
    센서 통합 모듈은 적어도 상기 위치 센서로부터 수신된 정보에 기초하여 상기 모바일 디바이스의 외부 환경에 관한 정보를 결정하고,
    상기 외부 환경에 관한 정보에 따라 상기 위치 센서, 상기 가속도 검출기 및 상기 자이로스코프의 매개변수들을 설정하는 매개변수 설정 모듈을 이용하여, 주어진 동작 정확도에 대하여 최소화된 전체 전력 소비를 결정하는 단계를 더 포함하는 컴퓨터 구현 방법.
  14. 제13항에 있어서, 상기 주어진 동작 정확도에 대하여 상기 최소화된 전체 전력 소비를 결정하는 단계는,
    사용자 입력을 이용하여 상기 매개변수 설정 모듈에 의해 이용되는 동작 정확도를 설정하는 단계를 포함하는 컴퓨터 구현 방법.
  15. 제13항에 있어서, 상기 매개변수 설정 모듈은 전체 전력 소비를 최소화하기 위해, 뉴턴-랩슨법을 반복적으로 이용하는 컴퓨터 구현 방법.
  16. 제13항에 있어서,
    상기 매개변수 설정 모듈에 접속된 클로져 데이터베이스를 이용하여 상기 매개변수들의 초기 값들을 저장하는 단계를 더 포함하고,
    상기 매개변수 설정 모듈은 상기 초기 값들 및 상기 모바일 디바이스의 외부 환경에 관한 정보에 기초하여 선택된 매개변수 값들을 상기 클로져 데이터베이스로부터 검색하고, 상기 매개변수들은 주어진 동작 정확도에 대하여 전체 전력 소비를 최소화하는 컴퓨터 구현 방법.
  17. 제13항에 있어서,
    센서 레지스터를 이용하여 상기 매개변수 설정 모듈에 의해 매개변수들을 수신하고, 상기 매개변수들을 구현될 상기 위치 센서, 상기 가속도 검출기 및 상기 자이로스코프에 전송하는 단계를 더 포함하는 컴퓨터 구현 방법.
  18. 제13항에 있어서,
    상기 센서 통합 모듈은 상기 센서 통합 모듈에 제공되는 정보의 가중 평균에 기초하여 갱신된 위치를 도출해냄으로써, 증가된 정확도를 갖는 갱신된 위치 정보를 결정하기 위해 칼만 필터를 이용하는 컴퓨터 구현 방법.
  19. 제13항에 있어서,
    상기 센서 통합 모듈은 상기 가속도 크기를 포함하는 가속도 정보를 속도 정보로 변환하고, 상기 속도 정보를 상기 갱신된 위치 정보로 변환하기 위해 수치 적분을 이용하는 컴퓨터 구현 방법.
  20. 제13항에 있어서,
    상기 위치 센서는 GPS 센서이고, 상기 가속도 검출기 및 이동 방향 검출기는 MEMS 디바이스들인 컴퓨터 구현 방법.
  21. 제13항에 있어서, 상기 가속도 크기 및 이동 방향에 기초하여 상기 모바일 디바이스의 상기 갱신된 위치를 결정하는 단계는,
    추가의 MEMS 디바이스를 이용하여, 상기 갱신된 위치를 결정하는 데에 이용하기 위해 상기 모바일 디바이스의 위치, 배향 및 이동 중 적어도 하나에 관한 정보를 상기 센서 통합 모듈에 제공하는 단계를 포함하는 컴퓨터 구현 방법.
  22. 이동 중인 모바일 디바이스에 대한 정확한 위치 정보를 제공하기 위한 컴퓨터 구현 방법으로서,
    상기 모바일 디바이스에 연결된 위치 센서를 이용하여, 제1 시간에서 상기 모바일 디바이스의 절대 위치를 결정하는 단계;
    상기 모바일 디바이스에 연결된 가속도 검출기를 이용하여, 상기 제1 시간 이후이면서 상기 위치 센서가 상기 절대 위치를 결정한 후에 발생하는 제2 시간 이전인 시간에, 상기 모바일 디바이스의 가속도 크기를 결정하는 단계;
    상기 모바일 디바이스에 연결된 이동 방향 검출기를 이용하여, 상기 제1 시간 이후이면서 상기 제2 시간 이전인 시간에, 상기 모바일 디바이스의 이동 방향을 결정하는 단계; 및
    센서 통합 모듈을 이용하여, 상기 가속도 크기 및 이동 방향에 기초하여 상기 모바일 디바이스의 갱신된 위치를 결정하는 단계 - 상기 갱신된 위치는 상기 절대 위치에 대한 것이고, 상기 갱신된 위치의 정보는 상기 제2 시간에서의 상기 모바일 디바이스의 위치를 상기 위치 센서에 의해 결정된 절대 위치보다 더 정확하게 표현함 -
    데이터 추출 모듈을 이용하여, 센서 통합 모듈로부터 측정 데이터를 수신하고 필터링하여, 상기 디바이스의 위치, 배향, 위치 변경 및 배향 변경 중 적어도 하나의 특성인 신호 개체 정보를 제공하는 단계; 및
    상기 데이터 추출 모듈을 이용하여, 상기 디바이스의 위치, 배향, 위치 변경 및 배향 변경 중 적어도 하나의 특성인 상대 정보를 필터링하여, 절대 정보로 변환하는 단계를 포함하는 컴퓨터 구현 방법.
  23. 제22항에 있어서,
    상기 데이터 추출 모듈은 상기 가속도 검출기의 출력을 중력 효과에 대하여 보정하는 컴퓨터 구현 방법.
  24. 삭제
  25. 삭제
  26. 삭제
  27. 삭제
  28. 삭제
  29. 삭제
KR1020147000934A 2011-06-27 2012-06-25 Gps 및 mems 하이브리드 위치 검출 아키텍쳐 KR101497881B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US13/169,711 2011-06-27
US13/169,711 US8362949B2 (en) 2011-06-27 2011-06-27 GPS and MEMS hybrid location-detection architecture
US201113244970A 2011-09-26 2011-09-26
US13/244,970 2011-09-26
PCT/US2012/044015 WO2013003277A1 (en) 2011-06-27 2012-06-25 Gps and mems hybrid location-detection architecture

Publications (2)

Publication Number Publication Date
KR20140014317A KR20140014317A (ko) 2014-02-05
KR101497881B1 true KR101497881B1 (ko) 2015-03-02

Family

ID=47424499

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020147000934A KR101497881B1 (ko) 2011-06-27 2012-06-25 Gps 및 mems 하이브리드 위치 검출 아키텍쳐

Country Status (5)

Country Link
EP (1) EP2716117B1 (ko)
KR (1) KR101497881B1 (ko)
CN (1) CN103931248B (ko)
AU (1) AU2012275665B2 (ko)
WO (1) WO2013003277A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013213067B4 (de) * 2013-07-04 2018-09-20 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zur Bestimmung mindestens einer Zustandsgröße einer Eigenposition eines Fahrzeugs
KR101595791B1 (ko) * 2014-04-03 2016-02-19 한국지질자원연구원 융합 알고리즘을 이용하여 센싱신호를 융합하는 센싱장치, 융합 방법, 및 복합 멤스 센서 경사계
EP3180586A1 (en) 2014-08-12 2017-06-21 Nokia Solutions and Networks Oy Position determination of network elements and user equipment in indoor environment
KR101654421B1 (ko) * 2014-09-30 2016-09-05 한국국토정보공사 지적기준점 위치 안내장치 및 이를 이용한 위치 안내방법
KR102326060B1 (ko) * 2014-10-31 2021-11-12 현대모비스 주식회사 차량 속도 보정 장치 및 그에 의한 속도 보정 계수 산출 방법
KR101725689B1 (ko) * 2015-12-11 2017-04-11 현대오트론 주식회사 차량 위치 결정 방법 및 장치
US10372194B2 (en) 2016-02-09 2019-08-06 International Business Machines Corporation Optimizing use of location services in mobile applications to improve battery consumption
CN107257547B (zh) * 2017-07-18 2020-05-22 歌尔科技有限公司 设备定位方法及装置
JP6437174B1 (ja) * 2018-04-03 2018-12-12 三菱電機株式会社 移動機、マップ管理装置、および測位システム
CN108616838A (zh) * 2018-04-29 2018-10-02 山东省计算中心（国家超级计算济南中心） 基于卡尔曼滤波算法的农业大棚数据融合处理方法
EP3851806B1 (de) 2020-01-15 2023-01-11 Leuze electronic GmbH + Co. KG Sensoranordnung und ein verfahren zum betrieb einer sensoranordnung
CN114640950A (zh) * 2022-03-06 2022-06-17 南京理工大学 基于Android源生GPS定位API的移动设备定位方法及系统
CN116224387B (zh) * 2023-05-09 2023-07-07 深圳市易赛通信技术有限公司 可穿戴设备的定位方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080004796A1 (en) * 2006-06-30 2008-01-03 Wolfgang Hans Schott Apparatus and method for measuring the accurate position of moving objects in an indoor environment
US20080262730A1 (en) * 2005-11-18 2008-10-23 Toyota Jidosha Kabushiki Kaisha Mobile Object Position Estimation Apparatus and Method
US20090009397A1 (en) * 2007-07-06 2009-01-08 Qualcomm Incorporated Location obtained by combining last known reliable position with position changes
US20100005885A1 (en) * 2005-06-03 2010-01-14 Albert-Ludwigs-Universität Freiburg Method and Device for Determining the Relative Position, Speed and/or Acceleration of a Body

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8774827B2 (en) * 2007-04-05 2014-07-08 Location Based Technologies, Inc. Apparatus and method for generating position fix of a tracking device in accordance with a subscriber service usage profile to conserve tracking device power
WO2009132682A1 (en) * 2008-05-02 2009-11-05 Tom Tom International B.V. Navigation device & method
US8072379B2 (en) * 2008-05-12 2011-12-06 Qualcomm Incorporated GPS power savings using low power sensors
US20110140956A1 (en) * 2009-12-15 2011-06-16 Paul Henry Systems and Methods for Determining Geographic Location of a Mobile Device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100005885A1 (en) * 2005-06-03 2010-01-14 Albert-Ludwigs-Universität Freiburg Method and Device for Determining the Relative Position, Speed and/or Acceleration of a Body
US20080262730A1 (en) * 2005-11-18 2008-10-23 Toyota Jidosha Kabushiki Kaisha Mobile Object Position Estimation Apparatus and Method
US20080004796A1 (en) * 2006-06-30 2008-01-03 Wolfgang Hans Schott Apparatus and method for measuring the accurate position of moving objects in an indoor environment
US20090009397A1 (en) * 2007-07-06 2009-01-08 Qualcomm Incorporated Location obtained by combining last known reliable position with position changes

Also Published As

Publication number Publication date
EP2716117A1 (en) 2014-04-09
WO2013003277A1 (en) 2013-01-03
KR20140014317A (ko) 2014-02-05
CN103931248A (zh) 2014-07-16
CN103931248B (zh) 2016-08-17
AU2012275665B2 (en) 2015-01-15
EP2716117B1 (en) 2016-02-24
AU2012275665A1 (en) 2014-01-16
EP2716117A4 (en) 2014-07-02

Similar Documents

Publication Publication Date Title
KR101497881B1 (ko) Gps 및 mems 하이브리드 위치 검출 아키텍쳐
US8362949B2 (en) GPS and MEMS hybrid location-detection architecture
Li et al. An improved inertial/wifi/magnetic fusion structure for indoor navigation
CN108700421B (zh) 使用离线地图信息辅助增强的便携式导航的方法和系统
US9797732B2 (en) Method and apparatus for using map information aided enhanced portable navigation
KR101473653B1 (ko) 보행자 모션 인식 기반 보행자 위치 추정 장치, 및 그 방법
Eling et al. Development of an instantaneous GNSS/MEMS attitude determination system
US11035915B2 (en) Method and system for magnetic fingerprinting
WO2015079260A1 (en) Location finding apparatus and associated methods
WO2016195527A1 (ru) Способ и система навигации внутри помещения
Chen et al. An indoor multi-source fusion positioning approach based on PDR/MM/WiFi
JP7077598B2 (ja) 位置決定及び追跡のための方法、プログラム、及びシステム
Chen et al. A multisensor fusion algorithm of indoor localization using derivative Euclidean distance and the weighted extended Kalman filter
KR20140142610A (ko) 위치 측정 장치 및 방법
KR20150046819A (ko) 단말의 위치 정보를 획득하는 방법 및 그에 따른 단말, 그에 따른 시스템
Saadatzadeh et al. Pedestrian dead reckoning using smartphones sensors: an efficient indoor positioning system in complex buildings of smart cities
Wu et al. Hybrid location estimation by fusing WLAN signals and inertial data
Yang et al. An adaptive smartphone hybrid indoor positioning solution incorporating heterogeneous sensors
He et al. 3D indoor layered localization of multi-information fusion via intelligent terminal
GB2612124A (en) Location finding apparatus and associated methods
Rao Online localization using only internal sensors on a smartphone
Yu Map aided Low cost MEMS Based Pedestrian Navigation Applications.
Kuusniemi et al. Multi-sensor multi-network positioning
Bekkelien et al. Harmonization of position providers
Leppäkoski Novel Methods for Personal Indoor Positioning

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180208

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190212

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20200214

Year of fee payment: 6