KR20150128717A - 전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링 - Google Patents

전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링 Download PDF

Info

Publication number
KR20150128717A
KR20150128717A KR1020157024976A KR20157024976A KR20150128717A KR 20150128717 A KR20150128717 A KR 20150128717A KR 1020157024976 A KR1020157024976 A KR 1020157024976A KR 20157024976 A KR20157024976 A KR 20157024976A KR 20150128717 A KR20150128717 A KR 20150128717A
Authority
KR
South Korea
Prior art keywords
sensor
classification
data
data sample
confidence
Prior art date
Application number
KR1020157024976A
Other languages
English (en)
Other versions
KR101640491B1 (ko
Inventor
레오나르드 헨리 그로코프
산카르 사다시밤
Original Assignee
퀄컴 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
Application filed by 퀄컴 인코포레이티드 filed Critical 퀄컴 인코포레이티드
Publication of KR20150128717A publication Critical patent/KR20150128717A/ko
Application granted granted Critical
Publication of KR101640491B1 publication Critical patent/KR101640491B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/26—Power supply means, e.g. regulation thereof
    • G06F1/32—Means for saving power
    • G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
    • G06F1/3234—Power saving characterised by the action undertaken
    • G06F1/3287—Power saving characterised by the action undertaken by switching off individual functional units in the computer system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M1/00—Substation equipment, e.g. for use by subscribers
    • H04M1/72—Mobile telephones; Cordless telephones, i.e. devices for establishing wireless links to base stations without route selection
    • H04M1/724—User interfaces specially adapted for cordless or mobile telephones
    • H04M1/72448—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions
    • H04M1/72454—User interfaces specially adapted for cordless or mobile telephones with means for adapting the functionality of the device according to specific conditions according to context-related or environment-related conditions
    • H04M1/72569—
    • Y02B60/1282—
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Telephone Function (AREA)
  • Power Sources (AREA)

Abstract

모바일 디바이스에 대한 상황 추론을 수행하는 시스템, 장치, 컴퓨터 판독가능 저장 매체, 및 방법이 개시된다. 일 실시예에서, 데이터 프로세싱 시스템은 프로세서 및 저장 디바이스를 포함하고, 저장 디바이스는 데이터 프로세싱 시스템을 위해 상황 추론을 수행하게 하는 명령들을 저장하도록 구성가능하다. 데이터는 적어도 제 1 센서로부터 수신될 수 있고, 센서로부터의 데이터의 제 1 분류가 수행될 수 있다. 제 1 분류에 대한 신뢰도가 결정될 수 있고, 신뢰도가 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여, 제 2 센서가 활성화될 수 있다. 활성화된 제 2 센서로부터의 데이터 샘플 분류는 제 1 센서로부터의 데이터와 공동으로 분류될 수 있다.

Description

전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링{ADAPTIVE SENSOR SAMPLING FOR POWER EFFICIENT CONTEXT AWARE INFERENCES}
[0001] 본 명세서에서 개시된 주제는 일반적으로, 전력 관리 기법들 및 센서 활성화 스케줄링에 관한 것이다.
[0002] 전자 디바이스들은 디바이스의 환경에 관한 정보를 모니터링 및 발견하기 위해 다양한 센서들 및 입력들을 구비할 수 있다. 예를 들어, 디바이스는 디바이스 움직임의 양상들을 측정하기 위해 가속도계를 활용하거나 디바이스의 인근의 오디오 환경을 측정하기 위해 마이크로폰을 활용할 수 있다.
[0003] 디바이스 상에서 실행되는 프로그램들 또는 애플리케이션들은, 향상된 사용자 경험을 제공하기 위해 센서들로부터의 데이터를 프로세싱할 수 있다. 디바이스는 센서 데이터에 기초하여 상황(context)을 추론할 수 있다. 그러나, 센서 데이터는 때때로, 모호(ambiguous)하거나 호도적(misleading)일 수 있고, 단일 센서로부터의 출력에 기초하여 상황을 추론할 때, 폴스-포지티브(false positive)들이 발생할 수 있다. 그러나, 다수의 데이터 센서들을 활성화하는 것은, 전력 효율성의 목표에 유해할 수 있다.
[0004] 그러므로, 새롭고 개선된 센서 관리 기법들이 원해진다.
[0005] 본 명세서에서 개시된 실시예들은 모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법에 관한 것일 수 있다. 방법은, 적어도 제 1 센서로부터 데이터를 수신하는 단계, 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하는 단계, 및 제 1 분류에 대한 신뢰도 값(confidence value)을 결정하는 단계를 포함한다. 방법은, 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하는 단계 및 적어도 제 1 센서로부터의 데이터와 공동으로(jointly), 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하는 단계를 더 포함한다.
[0006] 본 명세서에서 개시된 실시예들은 또한, 모바일 디바이스에 대한 상황 추론을 수행하기 위한 명령들을 갖는 기계 판독가능 비-일시적 저장 매체에 관한 것일 수 있다. 방법은, 적어도 제 1 센서로부터 데이터를 수신하는 단계, 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하는 단계, 및 제 1 분류에 대한 신뢰도 값을 결정하는 단계를 포함한다. 방법은, 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하는 단계 및 적어도 제 1 센서로부터의 데이터와 공동으로, 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하는 단계를 더 포함한다.
[0007] 본 명세서에서 개시된 실시예들은 또한, 장치에 관한 것일 수 있고, 장치는, 적어도 제 1 센서로부터 데이터를 수신하기 위한 수단, 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하기 위한 수단, 및 제 1 분류에 대한 신뢰도 값을 결정하기 위한 수단을 포함한다. 장치는, 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하기 위한 수단 및 적어도 제 1 센서로부터의 데이터와 공동으로, 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하기 위한 수단을 더 포함한다.
[0008] 본 명세서에서 개시된 실시예들은 추가로, 데이터 프로세싱 시스템에 관한 것일 수 있고, 데이터 프로세싱 시스템은 프로세서, 및 데이터 프로세싱 시스템에 대한 상황 추론을 수행하기 위한 명령들을 저장하도록 구성가능한 저장 디바이스를 포함한다. 명령들은, 프로세서로 하여금, 적어도 제 1 센서로부터 데이터를 수신하게 하고, 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하게 하고, 그리고 제 1 분류에 대한 신뢰도 값을 결정하게 한다. 명령들은 추가로, 프로세서로 하여금, 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하게 하고, 그리고 적어도 제 1 센서로부터의 데이터와 공동으로, 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하게 한다.
[0009] 다른 특징(feature)들 및 이점들은 첨부 도면들로부터 그리고 상세한 설명으로부터 명백해질 것이다.
[0010] 도 1은 본 발명의 양상들이 실시될 수 있는 시스템의 블록도이고;
[0011] 도 2는 일 실시예에서의 상황 인지 센서 관리자(context aware sensor manager)의 흐름도를 예시하고;
[0012] 도 3은 일 실시예에서의 센서 데이터 분류들의 차트를 예시하고;
[0013] 도 4는 일 실시예에서의 특정된 분류 트랜지션들의 검출에 따른 센서 활성화의 흐름도를 예시하고; 그리고
[0014] 도 5는 다른 실시예에서의 상황 인지 센서 관리자의 흐름도를 예시한다.
디바이스 개요
[0015] 도 1은 본 발명의 실시예들이 실시될 수 있는 예시적인 데이터 프로세싱 시스템을 예시하는 블록도이다. 시스템은 디바이스(100)일 수 있고, 디바이스(100)는 하나 또는 둘 이상의 프로세서들(101), 메모리(105), I/O 제어기(125), 및 네트워크 인터페이스(110)를 포함할 수 있다. 디바이스(100)는 또한, 프로세서(101)에 추가로 커플링된 하나 또는 둘 이상의 버스들 또는 신호 라인들에 커플링된 다수의 디바이스 센서들을 포함할 수 있다. 디바이스(100)는 또한, 디스플레이(120), 사용자 인터페이스(예를 들어, 키보드, 터치-스크린, 또는 유사한 디바이스들), 전력 디바이스(121)(예를 들어, 배터리)뿐만 아니라, 전자 디바이스들과 통상적으로 연관되는 다른 컴포넌트들을 포함할 수 있음이 인식되어야 한다.
[0016] 일부 실시예들에서, 디바이스(100)는 모바일 또는 비-모바일 디바이스일 수 있다. 네트워크 인터페이스(110)는 또한, 무선 링크를 통해 무선 네트워크에 데이터 스트림들을 전송하고/무선 네트워크로부터 데이터 스트림들을 수신하기 위해 다수의 무선 서브시스템들(115)(예를 들어, 블루투스, WiFi, 셀룰러, 또는 다른 네트워크들)에 커플링될 수 있거나, 또는 네트워크들(예를 들어, 인터넷, 이더넷, 또는 다른 무선 시스템들)에 대한 직접 연결을 위한 유선 인터페이스일 수 있다. 따라서, 디바이스(100)는: 모바일 디바이스, 무선 디바이스, 셀폰, 퍼스널 디지털 어시스턴트, 모바일 컴퓨터, 태블릿, 개인용 컴퓨터, 랩톱 컴퓨터, 또는 프로세싱 능력들을 갖는 임의의 유형의 디바이스일 수 있다.
[0017] 디바이스(100)는 근접 센서(proximity sensor)(130), 주변광 센서(ALS; ambient light sensor)(135), 가속도계(140), 자이로스코프(145), 자력계(150), 대기압 센서(155), 및/또는 글로벌 포지셔닝 센서(GPS)(160)와 같은 센서들을 포함할 수 있다. 일부 실시예들에서, 디바이스(100)의 환경을 분석하기 위해, 마이크로폰(165), 카메라(170), 및/또는 무선 서브시스템(115)이 센서들로서 이용된다. 예를 들어, 마이크로폰(165)은, 디바이스(100)가 주행중인 자동차(moving automobile) 내부에 있는지 또는 조용한 사무실 내에 있는지를 결정하기 위한 오디오 데이터를 제공할 수 있다. 각각의 센서는 동일한 또는 상이한 서브시스템들 상에 구현될 수 있다. 상이하고 분리된 서브시스템들 상에 구현되는 경우, 각각의 센서가 전용 파워(dedicated power)를 가질 수 있어서, 각각의 센서는 독립적으로 전력을 공급받거나(powered) 전력을 공급받지 않을(unpowered) 수 있다. 독립적인 분리된 서브시스템 센서들은 앞서 설명된 신호 라인들 또는 버스들을 통해 서로 그리고 디바이스(100)의 다른 컴포넌트들과 계속 통신할 수 있다.
[0018] 메모리(105)는 프로세서(101)에 의한 실행을 위한 명령들을 저장하기 위해 프로세서(101)에 커플링될 수 있다. 일부 실시예들에서, 메모리(105)는 비-일시적이다. 메모리(105)는 또한, 아래에 설명되는 실시예들을 구현하기 위해 하나 또는 둘 이상의 모델들 또는 모듈들을 저장할 수 있다. 메모리(105)는 또한, 통합된 또는 외부 센서들로부터의 데이터를 저장할 수 있다. 부가하여, 메모리(105)는 아래에서 더 상세하게 설명되는 하나 또는 둘 이상의 모듈들(171)(예를 들어, 콘텐츠 인지 센서 관리자 모듈(Content Aware Sensor Manager module))에 액세스하기 위한 애플리케이션 프로그램 인터페이스(API)들을 저장할 수 있다. 메모리(105)는 또한, 미리-정의된 특징 스케줄링 정보(feature scheduling information), 트레이닝 데이터 샘플, 센서 데이터 샘플, 또는 클래스들 또는 특징들과 관련된 전력 프로파일들을 설명하는 구성 파일들을 저장할 수 있다.
[0019] 이하에서 설명될 바와 같은 본 발명의 실시예들이, 디바이스(100)의 프로세서(101) 및/또는 디바이스(100)의 다른 회로소자 및/또는 다른 디바이스들에 의한, 예를 들어 메모리(105) 또는 다른 엘리먼트에 저장된 바와 같은 명령들의 실행을 통해 구현될 수 있음이 인식되어야 한다. 특히, 이에 제한되는 것은 아니지만 프로세서(101)를 포함하는 디바이스(100)의 회로소자는, 본 발명의 실시예들에 따라 방법들 또는 프로세스들을 실행시키기 위해 명령들의 실행, 루틴, 또는 프로그램의 제어 하에 동작할 수 있다. 예를 들어, 이러한 프로그램은 펌웨어 또는 소프트웨어(예를 들어, 메모리(105) 및/또는 다른 위치들에 저장됨)로 구현될 수 있고, 프로세서(101)와 같은 프로세서들 및/또는 디바이스(100)의 다른 회로소자에 의해 구현될 수 있다. 또한, 프로세서, 마이크로프로세서, 회로소자, 제어기 등의 용어들은 로직, 커맨드들, 명령들, 소프트웨어, 펌웨어, 기능성 등을 실행할 수 있는 임의의 유형의 로직 또는 회로소자를 나타낼 수 있음이 인식되어야 한다.
[0020] 또한, 본 명세서에서 설명된 기능들, 엔진들 또는 모듈들 중 일부 또는 모두가 디바이스(100) 그 자체에 의해 수행될 수 있고 그리고/또는 본 명세서에서 설명된 기능들, 엔진들 또는 모듈들 중 일부 또는 모두가 I/O 제어기(125) 또는 네트워크 인터페이스(110)를 통해 (유선 또는 무선으로) 디바이스(100)에 연결된 다른 시스템에 의해 수행될 수 있음이 인식되어야 한다. 따라서, 기능들 중 일부 및/또는 모두는 다른 시스템에 의해 수행될 수 있고, 결과들 또는 중간 계산들이 다시(back) 디바이스(100)에 전달될 수 있다. 일부 실시예들에서, 이러한 다른 디바이스는 정보를 실시간 또는 거의 실시간으로 프로세싱하도록 구성된 서버를 포함할 수 있다. 일부 실시예들에서, 다른 디바이스는 예를 들어, 디바이스(100)의 알려진 구성에 기초하여 결과들을 미리 결정하도록 구성된다.
콘텐츠 인지 센서 관리자 개요
[0021] 디바이스 센서들은 사용자 및 환경에 관한 상황적 데이터(contextual data)를 제공할 수 있다. 본 명세서에서 사용되는 바와 같은 상황(context)은 사용자의 상황(situation)을 특징짓기 위해 이용될 수 있는 임의의 정보일 수 있다. 예를 들어, 상황은, 사용자가 무엇을 하고 있는지, 사용자의 환경/주변환경(surroundings), 사용자가 어디에 있는지, 또는 사용자가 어떤 의도들을 갖고 있을 수 있는지를 설명할 수 있다.
[0022] 일 실시예에서, 콘텐츠 인지 센서 관리자(CASM)(예를 들어, 동일한 또는 다른 서브시스템들 상의 부가적인 센서들을 기회주의적으로(opportunistically) 턴온, 파워업, 또는 활성화할 수 있는 엔진 또는 모듈(171)로서 구현됨)는 상황 인지 추론들의 성능을 개선한다. 일부 경우들에서, 단일 센서 데이터 샘플은 정확한 상황 추론 또는 분류를 제공하기에 충분하지 않을 수 있다. 그러므로, 하나 또는 둘 이상의 부가적인 센서 스트림들이 활성화될 수 있다.
[0023] 예를 들어, 가속도계 데이터 샘플에 기초하여, CASM 또는 전용 분류기(classifier)는 모바일 디바이스가 책상 또는 탁자의 표면 상에 위치됨을 결정할 수 있다. 가속도계는 중력에 대한 디바이스의 표면의 배향을 결정할 수 있다. 배향은 피치 앤 롤(pitch and roll)의 각도 측정들에 의해 특징지어질 수 있다. (예를 들어, 책상 상의 평판부 배치와 일치하는 각도의) 디바이스의 배향 및/또는 가속도계에 의해 기록된 검출가능한 모션(motion)의 결여에 기초하여, CASM 또는 전용 분류기는, 디바이스가 책상 표면 상에 정지되어 있음을 추론할 수 있다. 그러나, 책상 상의 배치 분류(the placement on the desk classification)의 신뢰도가 낮을 수 있으며, CASM은 그 분류를 검증하기 위해 부가적인 센서들을 활성화할 수 있다. 예를 들어, GPS(160)를 활성화하고 GPS(160)로부터의 데이터를 분류하는 것은, 사용자가, 차량 대시보드 상에 위치된 모바일 디바이스와 함께 공공 도로 상에 있음을 추론할 수 있다. 사용자가 거리 또는 도로 상에 있는 경우, 사용자 및 모바일 디바이스가 책상에 있을 가능성은 낮다. 가속도계(140)와 GPS(160)의 조합은, 사용자가 책상에 있을 가능성이 가장 높은지 차량으로 주행중일 가능성이 가장 높은지를 표시하는 연관된 공동 신뢰도 값을 가질 수 있다(즉, 높은 신뢰도를 가짐). 일부 경우들에서, 부가적인 센서 데이터, 및 둘 또는 셋 이상의 센서들에 대한 분류는 특정 분류에서 더 높은 신뢰도를 제공할 수 있다.
[0024] 다른 예에서, 가속도계는, 포켓 배치와 일치하는 각도에 의해 표시되는 바와 같이, 사용자가 모바일 디바이스를 포켓에 가지고 있음을 결정할 수 있다. 또한, CASM은 사용자가 작업 환경에서 (예를 들어, 책상에) 앉아 있는지 아니면 (차량이 순간적으로 정지되어 있는 동안) 차량에 앉아 있는지를 결정하기에 충분히 높은 신뢰도를 갖지 않을 수 있다. 앞서와 같이, 분류 모호성(classification ambiguity)을 해결하기 위해, 부가적인 센서들이 활성화되어 분류될 수 있다. 추가의 상세들은 아래에서 더 상세하게 설명된다.
[0025] CASM 또는 전용 분류기는, 사용자에 대한 상황의 최종 결정이 내려질 때까지, (예를 들어, 하나 또는 둘 이상의 분류 반복들에서) 하나 또는 둘 이상의 센서 스트림들을 분류할 수 있다. 일 실시예에서, CASM은 센서 데이터 샘플로부터의 특징들을 프로세싱 또는 컴퓨팅하여, 분류(예를 들어, 상태 또는 상황 인지 추론)를 출력할 수 있다. 예를 들어, CASM이 센서 데이터를 수신함에 따라, 데이터의 차별적인 양상들을 나타내는 의미 있는 특징들이 컴퓨팅되어, 최적의(best-fit) 분류를 결정하기 위해 모델에 매칭될 수 있다. 센서 데이터 샘플이 모호한 또는 정확하지 않은 분류들을 제공할 수 있기 때문에, CASM은, 초기의 분류를 검증 또는 강화하기 위해, 또는 분류와 연관된 신뢰도가 미리-결정된 임계치 미만일 때, 하나 또는 둘 이상의 부가적인 센서들을 트리거 또는 활성화할 수 있다.
[0026] 일 실시예에서, 베이지안 확률들(bayesian probabilities)이 모델 분류들에서 이용될 수 있다. 예를 들어, CASM은 어느 클래스가 가장 높은 확률을 갖는지를 결정하고 최대 확률을 신뢰도로서 출력할 수 있다. 대안적으로, CASM은 최대 확률 분류와 그 다음으로 가장 있음직한(probable)(즉, 두 번째 최대치) 분류 사이의 차이를 확률로서 출력할 수 있다. 예를 들어, 제 1 분류 확률은 .6일 수 있고, 제 2 분류 확률은 .4일 수 있으며, 여기서, 1은 발생의 확실성을 나타내고, 0은 비-발생(non-occurrence)의 확실성을 나타낸다. 이러한 이전의 예에서, .6의 제 1 분류 확률과 .4의 제 2 분류 확률 사이의 차이는 .2의 비교적 낮은 신뢰도일 것이다. 제 2 예에서, 제 1 분류에 대한 확률은 .9이고, 제 2 분류의 확률은 .1이다. 이러한 제 2 예에서, 2개의 분류들 사이의 차이는 .8이며, 이는 비교적 높은 신뢰도일 수 있다.
[0027] 다른 실시예들에서, 데이터 포인트들을 결정하기 위해, 지원 벡터 머신들이 이용될 수 있다. 예를 들어, 최근접 이웃 분류기(nearest neighbor classifier)는 특징 벡터들을 컴퓨팅하여, 가능한 데이터 포인트들의 알려진 유니버스(universe)로부터 최근접 특징 벡터를 찾을 수 있다. 이력(historical) 또는 알려진 세트의 데이터 포인트들을 참조함으로써, 특정 분류가 할당될 수 있다. 예를 들어, 특징 벡터는 최근접 포인트에 매칭될 수 있고, 포인트는 특정 분류와 연관되거나 할당받을 수 있다. 특징 벡터가 최근접 포인트에 매칭될 수 없는 경우 또는 특징 벡터가 특정 분류와 연관될 수 없는 경우, 부가적인 센서들이 트리거되거나 활성화될 수 있다. 부가적인 센서 데이터는 앞서 설명된 바와 같은 최근접 이웃 분류기에 기초하여 분류될 수 있다. 대안적으로, 분류 매칭이 결정될 수 있을 때까지, 더 많은 센서들이 트리거/활성화될 수 있다.
[0028] 도 2는 일 실시예에서의 CASM의 흐름도를 예시한다. 블록(205)에서, CASM은 적어도 제 1 센서(예를 들어, 근접 센서(130), ALS(135), 가속도계(140), 자이로스코프(145), 자력계(150), 대기압 센서(155), GPS(160), 마이크로폰(165), 및 카메라(170))로부터 데이터를 수신할 수 있다.
[0029] 블록(210)에서, CASM 또는 분류기는 적어도 제 1 센서로부터의 데이터의 분류를 수행할 수 있다. 예를 들어, 제 1 데이터 센서는 프로세싱을 위해 제 1 데이터 샘플을 출력할 수 있다. CASM은 제 1 데이터 샘플에 대한 특징 계산을 실행시킬 수 있고, 특징 계산은 분류를 출력하기 위해, 미리 결정된 트레이닝 데이터 세트와 비교될 수 있다. 일 실시예에서, 제 1 데이터 샘플은 임시 분류를 제공하며, CASM은 임시 분류의 신뢰도에 기초하여 임시 분류를 최종 출력 분류로서 제공하는 것을 결정할 수 있다. 특징 계산의 추가의 상세들은 아래에서 설명된다.
[0030] 블록(215)에서, CASM은 제 1 분류에 대한 신뢰도 값을 결정할 수 있다. 신뢰도 값은 아래에서 더 상세하게 설명되는 바와 같은 하나 또는 둘 이상의 팩터들에 기초할 수 있다.
[0031] 블록(220)에서, CASM은 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화할 수 있다. 예를 들어, 이전의 분류에서 낮은 신뢰도가 주어지면, CASM은 부가적인 센서를 활성화하고, 이전의 분류에서 이용된 센서와 상이한 부가적인 센서를 이용하여 다른 분류 결정을 실행할 수 있다.
[0032] 블록(225)에서, CASM은 적어도 제 1 센서로부터의 데이터와 공동으로, 활성화된 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행할 수 있다. 일 실시예에서, 부가적인 센서 데이터의 분류는 또한, 연관된 개개의 신뢰도, 또는 제 1 데이터 분류 및 제 2 데이터 분류 양쪽 모두의 전체 신뢰도(overall confidence)를 갖는다. 일 실시예에서, 제 1 센서 데이터 분류 및 제 2 센서 데이터 분류는, 최종/출력 분류 및 연관된 신뢰도 값을 결정하기 위해 공동으로 분류될 수 있다. 일부 실시예들에서, 2개의 센서 데이터 샘플들은 개별로 그리고 독립적으로 분류될 수 있고, 2개의 상이한 분류들이 제공되며, CASM은 (제 1 센서 및 제 2 센서로부터의) 2개의 독립적인 분류들 중 가장 높은 신뢰도 값을 출력할 수 있다. 다른 실시예들에서, CASM은, 제 1 분류를 분류하는 것이 연관된 신뢰도 임계치를 충족하지 않았다는 결정에 기초하여, 제 2 센서 분류를 자동으로 출력할 수 있다. 또 다른 실시예들에서, CASM은 모든 결정된 분류들 및 그들의 연관된 신뢰도를 출력할 수 있으며, 분류의 독립적인 결정을 하기 위해 그리고 궁극적으로는 상황을 추론하기 위해, 프로그램 또는 애플리케이션이 결과들을 추가로 프로세싱할 수 있다. 분류 및 신뢰도 발생은 아래에서 더 상세하게 설명된다.
센서 데이터
[0033] CASM은, 디바이스의 환경과 관련된 정보를 리포트하기 위해, 모바일 디바이스에 부착된 하나 또는 둘 이상의 센서들(예를 들어, 근접 센서(130), ALS(135), 가속도계(140), 자이로스코프(145), 자력계(150), 대기압 센서(155), GPS(160), 마이크로폰(165), 및 카메라(170))로부터 수신된 데이터를 프로세싱 또는 컴퓨팅할 수 있다. 일부 실시예들에서, CASM은 I/O 제어기(125)를 통해, 통신 가능하게 연결된 외부 디바이스들로부터 (예를 들어, 외부 카메라에 대한 USB 연결 또는 WiFi 연결을 통해) 외부 센서 데이터를 수신할 수 있다. CASM 또는 전용 분류기(예를 들어, 상시(always-on) 또는 빈번히(frequently) 활성인 분류기)는 센서 데이터를 분류할 수 있다.
[0034] CASM 또는 전용 분류기는 아래에 설명되는 바와 같은 분류(즉, 특징 계산)에서 사용하기 위해 미가공(raw) 센서 데이터를 수신할 수 있다. 대안적으로, 중간 디바이스 또는 프로그램이 센서 데이터를, 특징 계산 전에 사전-프로세싱할 수 있다. 설명의 용이함을 위해, 본 명세서에서 사용된 바와 같은 센서 데이터는 프로세싱되지 않은 데이터(예를 들어, 가속도계(140), 주변광 센서(135), 마이크로폰(165) 또는 다른 센서로부터 수신된 데이터)를 나타낸다. 예를 들어, 가속도계(140)로부터의 데이터는, 시간, x-축을 따르는 가속도, y-축을 따르는 가속도, 및 z-축을 따르는 가속도의 속성들을 가질 수 있다. 그러나, 당업자는, 센서 데이터가, 여기서 주어진 예들 이외의 다른 형태들로 수신되어 프로세싱될 수 있음을 인식할 것이다.
[0035] 본 명세서에서 이용되는 바와 같이, 데이터 샘플은 센서(예를 들어, 디바이스(100)의 센서들)로부터 출력된 또는 수신된 데이터의 일부를 포함할 수 있다. 센서 데이터 샘플은 특정 주파수(예를 들어, 50Hz, 60Hz 또는 샘플링 디바이스 및 데이터 요건들에 따른 다른 레이트)로 샘플링될 수 있다. 특징 계산은 센서 데이터의 세트 또는 스트림으로부터 선택된 시간 윈도우, 슬라이스, 또는 순간 상에서 수행될 수 있다. 예를 들어, 디바이스(100)는 더 긴 스트림(예를 들어, 10초 시간 기간, 또는 센서 상에서 끊임없이, 또는 임의의 다른 시간 기간)으로부터 선택된 1초 시간 기간에 걸쳐 특징들을 컴퓨팅할 수 있다. 예를 들어, 1초의 데이터가, 180개의 샘플들의 네트 입력 크기(net input size)에 대해, x-축, y-축, 및 z-축에서의 60개의 3차원 가속도계(140) 벡터 샘플들을 제공하도록, 미가공 가속도계(140) 데이터는 60Hz로 샘플링될 수 있다.
[0036] 일 실시예에서, CASM 또는 전용 분류기는, 센서 데이터 샘플을 분류하기 위해, 센서 데이터 샘플을 트레이닝 데이터 샘플과 비교할 수 있다. 예를 들어, 테스트/트레이닝 설정에서, 센서들은 가능한 실제-세계 상황들을 커버하기 위해 다양한 입력들을 수신할 수 있고, 결과적인 특징 계산들 및 분류들이 기록될 수 있다. 이러한 사전-컴퓨팅된 이력 데이터를 이용하여, 현재의 센서 데이터 샘플은 가장 가능성이 높은 분류를 추정하기 위해서뿐만 아니라 분류에 신뢰도를 할당하기 위해 비교될 수 있다.
[0037] 다른 실시예들에서, 데이터를 분류하기 위해 트레이닝 데이터를 직접적으로 이용하는 대신에(예를 들어, 최근접 이웃 분류기), 트레이닝 데이터로부터 사전-컴퓨팅된 모델들이 이용될 수 있다(예를 들어, 지원 벡터 머신들(Support Vector Machines), 뉴럴 네트워크(Neural Network), 결정 트리(Decision Tree), 베이지안 분류기(Bayesian Classifier) 등).
[0038] 일 실시예에서, 상이한 유형들의 다수의 센서들이 이용되는 경우, 분류들의 정확도가 개선될 수 있다. 그럼에도 불구하고, 예를 들어, 공동 분류를 이용한 둘 또는 셋 이상의 센서들은 낮은 신뢰도 분류를 초래할 수 있다(예를 들어, 마이크로폰 및 가속도계는 분류를 충족시키는 높은 신뢰도를 결정하기에 충분하지 않을 수 있음). 그러므로, 최종 분류의 신뢰도를 추가로 올리기(boost) 위해, 부가적인 센서들(예를 들어, GPS 또는 다른 모션 센서)이 트리거되거나 활성화될 수 있다.
[0039] 일 실시예에서, 센서 데이터 샘플들은 디바이스(100)의 동일한 또는 상이한 센서 서브시스템들로부터의 것일 수 있다. 예를 들어, 상이한 서브시스템 상의 GPS에 전력이 공급되지 않는 동안 전력을 수신하도록 가속도계는 별개의 센서 서브시스템 상에 있을 수 있다.
[0040] 일 실시예에서, CASM은 컴퓨팅된 특징에 기초하여, 분류 신뢰도 임계치가 충족되는지를 결정할 수 있다. 일 실시예에서, 임계치 신뢰도는, 특징을 트레이닝 데이터 세트와 비교함으로써 결정될 수 있다. 신뢰도는 아래에서 더 상세하게 논의된다.
[0041] 일 실시예에서, CASM은 이용가능한 센서들의 전력 프로파일들에 액세스한다. 전력 프로파일은 특정 센서의 평균 또는 가능성 있는 전력 사용량 요건들을 추정할 수 있어서, CASM은 센서 활성화들의 시퀀스를, 최저 전력 사용량으로부터 더 큰 전력 사용량으로 순서화(order)할 수 있다. 예를 들어, 가속도계(140), 시계, 및 주변광 센서(135)는, 저전력 사용으로서 식별되는 전력 프로파일을 가질 수 있다. 반대로, WiFi 센서 및 GPS(160)는 그것들을 고전력 사용으로서 식별하는 전력 프로파일을 가질 수 있다. 그러므로, CASM은, 모든 다른 조건들이 동등하다면 활성화에 있어서 가속도계(140)가 GPS(160)보다 우선순위화되어야 함을 또는 주변광 센서(135)가 WiFi보다 우선순위화되어야 함을 결정할 수 있다. 다른 예에서, 자이로스코프(145) 및 마이크로폰(165)은 전력 사용량에 관하여, 가속도계(140)와 GPS(160) 사이에 있을 수 있다. 그러므로, 일 예에서, 가속도계(140)는 항상 또는 첫 번째로 활성화되는 제 1 초기 센서이도록 설정될 수 있고, 자이로스코프(145)는 분류 결정을 강화하기 위해 활성화되는 제 2 센서일 수 있으며, 모든 다른 센서들이 높은 신뢰도 분류를 위해 레버리징될 수 없는 경우, 제 3 센서는 GPS(160)일 수 있다.
[0042] 다른 실시예들에서, 센서의 전력 프로파일은, 어느 제 1 센서 또는 부가적인 센서가 활성화되는지를 결정하기 위한 다수의 팩터들 중 하나이다. 예를 들어, 자이로스코프(145)로부터의 센서 데이터 샘플은, 예를 들어 GPS(160)보다 덜 가치있는 상황 추론 데이터를 포함할 수 있으며, 그러므로, GPS(160)가 대신 활성화되도록 자이로스코프(145)는 바이패스될 수 있다. 값 결정은 초기 분류에 기초하여 변동될 수 있다. 예를 들어, 초기 분류는, 그 분류가 회의중(in a meeting)인지에 관하여 모호할 수 있고, 마이크로폰 또는 가속도계와 같은 부가적인 센서들이 GPS보다 더 유용할 수 있는데, 그 이유는 실내 신호 수신이 불충분(poor)할 수 있기 때문이다.
[0043] 또한, CASM은 상이한 유형들의 다양한 센서들이, 그들의 전력 특성들에도 불구하고, 상황을 결정하기에 도움이 됨을 결정할 수 있다. 예를 들어, 사용자가 회의중인지를 결정하기 위해, 시계, 가속도계(140), 및 마이크로폰(165)이 모두 상황을 추론하기에 유용할 수 있지만, 고립된 각각의 것은 불완전한 묘사(picture)를 제공할 수 있다.
[0044] 다른 실시예들에서, CASM은 초기에 둘 또는 셋 이상의 센서들을 활성화시키고 더 늦은 시간 포인트에서 부가적인 센서들을 활성화시킬 수 있다. 예를 들어, 가속도계(140) 및 자이로스코프(145) 센서들이 초기에 활성화될 수 있고, GPS(160)는, 분류 모호성이 검출될 때 활성화되는 부가적인 센서일 수 있다. 다른 예에서, 시계 및 가속도계(140)는 디바이스에서 상시적(always on)일 수 있고, WiFi 센서는 분류 모호성을 해결하기 위해 나중의 시간에 활성화될 수 있다.
[0045] 일 실시예에서, CASM은 상이한 서브시스템 상의 제 2 센서에 전력을 공급하기 위해 하드웨어 인터럽트를 자동으로 트리거할 수 있다. 예를 들어, 낮은 신뢰도의 분류가 결정됨에 따라, CASM은 상이한 센서 서브시스템들 상의 다른 센서들을 트리거 또는 파워업할 수 있다.
특징 분류
[0046] 일 실시예에서, CASM은 앞서 설명된 바와 같은 센서 데이터(예를 들어, 마이크로폰(165), 가속도계(140), 주변광 센서(135)로부터의 미가공 데이터 또는 다른 입력)로부터 하나 또는 둘 이상의 특징들을 컴퓨팅, 프로세싱, 또는 추출할 수 있다. 본 명세서에서 설명된 특징들은 센서 데이터에 대해 실행된 계산들의 결과 또는 출력을 나타낸다. 특징들은 데이터 세트를 분류하기 위해 이용될 수 있다. 예를 들어, CASM은 가속도계(140)로부터 미가공 센서 데이터(예를 들어, 센서 데이터 샘플)를 입력으로서 수신하여, 평균 및/또는 표준 편차를 계산할 수 있다. CASM은 센서 데이터에 대한 상황을 분류 또는 제공하기 위해 평균 및/또는 표준 편차를 이용할 수 있다. 예를 들어, 모션 센서의 분류는: 단지 몇개만 예를 들자면, 걷는 것, 앉아 있는 것, 뛰는 것, 또는 운전하는 것일 수 있다. 일 실시예에서, 특징들은 프로세서(101)에 의해 메모리(105)에서 실행되는 컴퓨터 코드로부터의 값들, 출력들, 또는 결과들이다.
[0047] 일 실시예에서, CASM은 둘 또는 셋 이상의 상이한 센서들로부터의 둘 또는 셋 이상의 센서 데이터 샘플들을 공동으로 분류할 수 있다. 예를 들어, CASM은 가속도계 및 GPS로부터의 데이터를 판독하고, 공동 분류에서 2개의 상이한 센서 데이터 샘플들을 이용하여 분류(예를 들어, 뛰는 것, 차량을 운전하는 것, 또는 다른 모션 기반 분류)를 제공할 수 있다. 2개의 상이한 센서 데이터 샘플들은 동일한 시간 윈도우 또는 시간 범위로부터 샘플링될 수 있다. 다른 예에서, CASM은 첫 번째로, 제 1 센서로부터의 데이터를 분류하고, 그 분류가 신뢰도 임계치를 충족하지 않음을 결정할 수 있다. 제 2 센서를 활성화함에 따라, CASM은 센서들 양쪽 모두로부터 수신된 센서 데이터에 기초하여 최종 분류를 결정하기 위해 활성화된 제 2 센서와 공동으로 제 1 센서 데이터를 분류할 수 있다.
[0048] 일부 실시예들에서, CASM은 특징들을 컴퓨팅하기 위해 별개의 분류기(예를 들어, CASM과 별개의 분류기 모듈)를 호출할 수 있다. 분류기는 추론을 생성하기 위해(예를 들어, 가장 가능성이 높은 분류 또는 상태를 결정하기 위해) 특징들을 취하여, 특징들을 모델과 비교할 수 있다. 별개의 분류기는 다수의 센서 스트림들을 프로세싱하는 것이 가능할 수 있다. 대안적으로, 각각의 유형의 센서에 대한 별개의 분류기가 존재할 수 있다. 본 명세서에서 설명된 바와 같은 CASM이 통합된 분류기를 포함할 수 있어서 CASM이 분류 또는 상태 출력을 생성할 수 있거나, 또는 분류기는 분리되고 독립적일 수 있다.
신뢰도
[0049] 앞서 설명된 바와 같이, CASM은 신뢰도(예를 들어, 신뢰도 값 또는 레벨)를, 각각의 개별 데이터 센서 샘플 분류 또는 공동 데이터 센서 샘플 분류와 연관시킬 수 있다. CASM은 부가적인 센서들이 활성화되어야 하는지를 결정하기 위한 방식으로서 신뢰도를 이용할 수 있다. 신뢰도는 신뢰도 임계치와 비교될 수 있고, 신뢰도 임계치를 충족하지 않거나 초과하는 분류들은 부가적인 센서 데이터 샘플로부터의 제 2 분류에 대해 검증될 수 있다.
[0050] 일부 실시예들에서, 앞서 설명된 제 1 및 제 2 분류들에 대한 개개의 신뢰도 값들에 부가하여, 전체 신뢰도가 또한 둘 또는 셋 이상의 센서 분류들의 조합과 연관될 수 있다. 일부 실시예들에서, CASM은 하나 또는 둘 이상의 센서 데이터 분류들로부터의 다수의 개별 신뢰도 값들을 고려하여, 누적 전체 신뢰도(cumulative overall confidence)를 유지할 수 있다. 누적 전체 신뢰도는 제 2 센서 활성화에 따라, 제 1 신뢰도 실패에 따라, 또는 제 2 분류 신뢰도의 결정에 따라 개시될 수 있다. 예를 들어, 제 1 및 제 2 데이터 센서 분류 및 연관된 신뢰도들을 결정함에 따라, 제 2 신뢰도는 제 2 데이터 센서 분류에서만의 신뢰도일 수 있고, 전체 신뢰도(예를 들어, 본 예에서는 제 3 신뢰도)는 제 1 및 제 2 분류를 모두의 신뢰도를 나타낸다. 공동 분류들이 둘 또는 셋 이상의 센서 데이터 샘플들을 분류하기 때문에, 공동 분류의 신뢰도는 (예를 들어, 전체 신뢰도에 부가하여 독립적 신뢰도 대신에) 앞서 설명된 바와 같은 전체 신뢰도와 유사한 하나의 신뢰도 값을 초래할 수 있다.
[0051] CASM은 부가적인 센서들을 활성화하는 것을 계속할지를 결정하기 위해 전체 신뢰도를 이용할 수 있다. 예를 들어, 제 1 센서 데이터 샘플이 낮은 신뢰도 분류를 초래할 수 있고, 제 2 센서 데이터 샘플이 또한 낮은 신뢰도 분류를 초래할 수 있다. 그러나, 일부 실시예들에서, CASM은 둘 또는 셋 이상의 센서 데이터 샘플들이 동일한 분류를 추론한 경우, 전체 신뢰도는 더욱 신뢰도 임계치를 통과하기에 충분히 높을 수 있음을 결정할 수 있다.
[0052] 다른 예에서, 제 1 센서 데이터 샘플은 낮은 신뢰도 분류를 초래할 수 있고, 제 2 센서 데이터 샘플은 높은 신뢰도 분류를 초래할 수 있다. 이러한 예에서, CASM은 최소 신뢰도를 극복하기 위해 제 1 데이터 샘플의 실패에 기초하여, 제 2 센서 데이터 샘플이 올바른 분류를 제공할 가능성이 더 높음을 결정할 수 있다. 그러므로, CASM은 궁극적으로, 제 2 센서 데이터 샘플에 기초하여 최종 결정 분류를 출력할 수 있다.
[0053] 일 실시예에서, 신뢰도 임계치는 이력 또는 트레이닝 데이터에 기초하여 미리 결정된 값에 기초하여 결정된다. 예를 들어, 트레이닝 데이터는, 전력 소비와 상황 추론 성능 사이의 이상적인 밸런스를 제공하는 임계치 신뢰도를 표시할 수 있다. 일부 실시예들에서, 사용자는 상이한 밸런스를 달성하기 위해 임계치를 조정할 수 있다. 또 다른 실시예들에서, CASM은 어떤 유형의 센서가 이용되는지, 센서들의 수, 또는 다른 팩터들에 기초하여, 임계치를 독립적으로 조정할 수 있다.
[0054] 신뢰도는 최근접 분류에 대한 현재의 데이터 포인트(예를 들어, 특징 계산으로부터 출력된 데이터 포인트)의 거리에 기초하여 컴퓨팅될 수 있는데, 작은 거리들은 높은 신뢰도에 대응하고, 큰 거리들은 낮은 신뢰도에 대응한다.
[0055] 거리의 측정치는 변동될 수 있다. 예를 들어, 사용자의 현재 위치를 최근접 클러스터와 연관시키도록 시도하는 GPS(160) 클러스터링 알고리즘은, 사용자로부터 클러스터 중심(cluster centroid)까지의 지리학적 거리를 거리 측정치로서 이용할 수 있다.
[0056] 확률들 또는 우도(likelihood)들을 출력하는 분류기에 있어서, 신뢰도는 이러한 출력된 확률들 또는 우도들에 기초하여 컴퓨팅될 수 있다. 예를 들어, 각각의 클래스에 대해 사후 확률들(posterior probabilities) Pi를 출력하는 분류기에 있어서, 신뢰도는, 예를 들어 다음과 같은 최대 확률에 기초하여 컴퓨팅될 수 있다:
Figure pct00001
[0057] 각각의 클래스에 대한 우도들 Li를 출력하는 분류기에 있어서, 신뢰도는 정규화된 상대적 우도들에 기초하여 컴퓨팅될 수 있다. 예를 들어, 다음과 같으며,
Figure pct00002
여기서, i1은 가장 가능성이 높은 클래스의 인덱스이고, i2는 두 번째로 가장 가능성이 높은 클래스의 인덱스이다.
모호한 분류들(ambiguous Classifications)
[0058] 일 실시예에서, CASM은 센서 샘플 데이터에 기초하여 분류 또는 상태를 결정한다. 다른 실시예들에서, 분류기는 상태 또는 분류를 CASM에 출력한다. 예를 들어, 분류기가 통상적으로 상태 B와 혼동되는 것으로 알려진 분류 A를 출력하는 경우, CASM은 분류가 올바른지를 검증하기 위해 부가적인 센서 스트림을 활성화 또는 인에이블할 수 있다.
[0059] 일 실시예에서, CASM은 모호한 분류들에 기초하여, 어느 부가적인 센서가 활성화될지를 결정한다. 예를 들어, 분류 A와 B 사이의 혼동은, 특정 모호성을 해결하기 위해 센서 C를 활성화하는 것을 초래할 수 있다. 다른 예에서, 분류 A와 D 사이의 혼동은, 이러한 모호성을 해결하기 위해 센서 E를 활성화하는 것을 초래할 수 있다.
[0060] 도 3은 일 실시예에서의 센서 데이터 분류들의 차트를 예시한다. 도 3은 (예를 들어, 이전에 계산된 트레이닝 데이터 샘플들에 기초하는 바와 같은) 3개의 분류 클러스터들을 예시한다. 클래스 A(315), 클래스 B(325), 및 클래스 C(335)는 하나의 센서(예를 들어, 제 1 활성화 센서)로부터의 특징 계산에 기초하는 3개의 가능한 분류들이다. X 축(340) 및 Y 축(305)은 센서로부터의 미가공 데이터에 대해 수행된 특징 계산들로부터의 결과적인 특징들을 나타낼 수 있다. 이력 또는 이전의 트레이닝 데이터에 기초하는 분류들의 클러스터들은, 현재의/새로운 분류의 신뢰도를 결정하기 위해 CASM에 의해 이용될 수 있다. 예를 들어, 포인트(310)(예를 들어, 센서 데이터 샘플로부터의 분류의 포인트 표현)가 클래스 A 이력 분류들의 알려진 범위 또는 클러스터 내에 놓이는 경우, CASM은, 포인트(310)가 클래스 A라는 높은 신뢰도를 갖고, 부가적인 센서들을 활성화함이 없이 클래스 A와 연관된 상황 추론을 출력할 수 있다.
[0061] 포인트(예를 들어, 포인트(320))가 임의의 클러스터 외측에 놓이지만, 특정 클러스터에 가장 가까운 경우(예를 들어, 포인트(320)는 클러스터 외측에 있음에도 불구하고 클래스 C(315)에 가장 가까움), CASM은 낮은 신뢰도 분류(예를 들어, 임시 분류)를 출력할 수 있고, 이는 여전히 부가적인/제 2 센서를 트리거할 것이다. 제 2 센서를 트리거 또는 활성화함에 따라, CASM 또는 분류기는, 제 2 센서 데이터 단독에만 기초하여 데이터를 분류하거나, 제 1 및 제 2 센서 데이터를 함께 공동으로 분류할 수 있다. 공동 또는 제 2 센서 분류가 더 높은 신뢰도 분류를 초래하는 경우(예를 들어, 클래스 A(315), 클래스 B(325), 또는 클래스 C(335) 클러스터들 내측의 특징들을 초래함), CASM에 의한 출력을 위해 더 높은 신뢰도 분류가 선택될 수 있다. 임시 분류가 발생되지 않은 경우, 임시 분류는, 부가적인 센서 데이터 샘플에 기초하는 가장 최근의 공동 또는 독립적 분류에 의해 무효로 될(overridden) 수 있다. 부가적인 센서 데이터 샘플이 최근접 분류 추정과 일치(agree)하는 경우, 그 일치된 분류는, 단지 하나의 센서 또는 데이터 샘플이 그 데이터를 분류하는 경우보다 더 높은 신뢰도로 출력된다. 부가적인 센서 데이터 샘플이 제 1 데이터 샘플과 상이한 분류를 초래한 경우, CASM은 제 2 센서에 부가하여 부가적인 센서들을 활성화할 수 있거나, 또는 대안적으로, 예를 들어, 각각의 개별 분류의 상대적 신뢰도 레벨들에 기초하여, 분류들 중 어느 분류를 출력할지에 관한 결정을 할 수 있다.
[0062] 포인트(예를 들어, 포인트(330))가 알려진 클러스터(예를 들어, 클래스 A(315), 클래스 B(325), 또는 클래스 C(335)) 외측에 놓이는 경우, CASM은 그 포인트가 정확하게 분류될 수 있다는 것에 대해 낮은 신뢰도를 가질 수 있다. 일부 실시예들에서, 포인트가 둘 또는 셋 이상의 최근접 분류들로부터 등거리에 있는 경우(예를 들어, 본 예에서, 클래스 A(315), 클래스 B(325), 또는 클래스 C(335)는 모두 포인트(330)에 대해 등거리에 있음), CASM은 어떠한 분류도 출력하지 않고 부가적인/제 2 센서를 트리거할 수 있다. 제 2 센서를 트리거/활성화함에 따라, 공동 또는 독립적 데이터 센서 분류가 앞서 설명된 바와 같이 획득될 수 있다. 예를 들어, 공동 또는 독립적 분류가 높은 신뢰도인 경우(예를 들어, 클러스터 내에 있음), 그 분류가 선택되어 CASM에 의해 출력된다. 다르게는, 분류에 관하여 여전히 다소의 모호성이 존재하는 경우(예를 들어, 낮은 신뢰도), 부가적인 센서들이 활성화되고, 추가의 분류들이 결정될 수 있다.
분류의 모호한 변화(Ambiguous Change of Classification)
[0063] 일 실시예에서, CASM은 분류의 변화에 기초하여 부가적인 센서들을 턴온하는 것에 대한 결정을 할 수 있다. 분류의 변화에 기초하여 부가적인 센서들을 턴온하는 것에 대한 결정은 특정 분류의 신뢰도와 독립적일 수 있다.
[0064] CASM은 사용자가 직접적으로 특정 분류들로/특정 분류들로부터 트랜지션할 가능성이 낮음을 결정할 수 있다. 예를 들어, CASM은, 시간 윈도우 T1에서 샘플링된 센서 데이터에 기초하여, 사용자가 차량을 운전중일 수 있음을 추론하는 가속도계(140)로부터의 데이터 센서 샘플을 프로세싱할 수 있다. 동일한 센서로부터의 그러나 다음번 시간 윈도우 T2에서의 다음번 분류에서, 사용자가 책상에 앉아 있음을 분류가 추론하는 경우, CASM은 이러한 직접적인 트랜지션(즉, 차량에서 책상으로)이 가능성이 낮음을 결정할 수 있다. 트랜지션이 가능성이 낮다는 결정에 따라, CASM은 전체 분류 신뢰도가 낮을 것으로 결정할 수 있거나, 또는 가장 최근의 분류와 연관된 개별 신뢰도를 낮출 수 있다. 사용자들은, 책상에 않아 있는 포지션을 재점유(resume)하기 전에, 차량으로부터 나오는 것, 서 있는 것, 및 그 다음으로, 차량으로부터 사무실로 걸어가는 것과 같은, 운전하는 것과 사무실 사이의 중간 트랜지션을 가질 가능성이 더 높다. 그러므로, CASM은 마이크로폰(165)과 같은 부가적인 센서를 활성화하고, 사용자가 여전히 차량에 있는지를 결정하기 위해 센서 데이터 샘플을 분류할 수 있다. 마이크로폰(165) 센서 데이터 샘플이 높은 신뢰도의 분류를 제공할 수 없는 경우, GPS(160)가 활성화될 수 있다. (예를 들어, 있음직하지 않은(improbable) 트랜지션이 검출된 이후, 하나 또는 둘 이상의 부가적인 센서 활성화들을 이용하여) 검증 분류가 결정될 수 있는 이후, CASM은 분류의 궁극적인 결정(예를 들어, 사용자는 실제로 차량을 떠나서 책상에 앉아 있음, 또는 사용자는 여전히 차량에 있음)을 할 수 있다. 그러므로, CASM은 잘못된 또는 정확하지 않은 최종 출력 분류를 제공하기 전에 부가적인 센서들을 활성화할 수 있다.
[0065] 일 실시예에서, CASM은 (예를 들어, 디바이스(100) 메모리 내의) 있음직한 및 있음직하지 않은 분류 트랜지션들(예를 들어, 트랜지션들의 상태 다이어그램, 데이터베이스 또는 플랫 파일(flat file))에 액세스한다. 예를 들어, 운전하는 것으로부터 걷는 것으로/걷는 것으로부터 운전하는 것으로 그리고 책상에 앉는 것으로부터 걷는 것으로/걷는 것으로부터 책상에 앉는 것으로 트랜지션하는 것은 단지 2개의 예시적인 있음직한 트랜지션들이다. 그러나, 어떠한 다른 중간 트랜지션들 또는 분류들도 검출되지 않은 경우, 운전하는 것으로부터 책상에 앉는 것/책상에 앉는 것으로부터 운전하는 것은, 있음직하지 않은 트랜지션이다.
[0066] 다른 예에서, 오디오 소스에 어떠한 추가의 오디오도 존재하는 않는 경우, 오디오 소스(예를 들어, 마이크로폰(165))로부터의 데이터 샘플을 분류함으로써 결정된 바와 같이, 사용자는 회의중일 수 있다. CASM은 사용자가 회의에서 나갔는지 또는 회의에서 나가는 과정인지를 검증하기 위해, 가속도계(140), GPS(160), 또는 다른 모션 기반 센서를 활성화할 수 있다. 다르게는, 사용자 및 디바이스(100)가 정지되어 있는 경우, 사용자가 여전히 회의중에 있다는 신뢰도가 증가되거나 유지될 수 있다.
[0067] 일 실시예에서, 디바이스(100)의 내부 시계가 부가적인 센서로서 이용된다. CASM은, 사용자가 얼마나 오랫동안 회의중인지를 결정하기 위해 내부 시계를 시간 센서로서 또한 이용할 수 있다. 기록된 시간 지속기간이 너무 짧은 경우, 너무 긴 경우, 또는 통상의 회의 시간(length)으로 예상되지 않는 시간 기간 이후에 회의가 종료되는 경우, "회의중"이라는 분류의 신뢰도는 낮아질 수 있다. 예를 들어, 통상의 회의들은 적어도 15분 동안 지속될 수 있고, 종종 30분 내지 1시간 지속될 수 있다. 15분 미만의 회의들, 2시간 초과의 회의들, 또는 15분이 아닌 기간(duration) 증가 이후 종료되는 회의들은, CASM으로 하여금 부가적인 센서들을 활성화하게 하고, 부가적인 센서(들)의 분류를 제 1 센서 분류와 비교하게 할 수 있다.
[0068] 도 4는 일 실시예에서의 특정된 분류 트랜지션들의 검출에 따른 센서 활성화의 흐름도를 예시한다. 일 실시예에서, 초기 활성 센서는 센서 데이터 샘플들을 CASM 또는 전용 분류기에 출력할 수 있다. 센서 데이터 샘플들은 시간 기간(예를 들어, t0(412) 내지 t1(422), t1(422) 내지 t2(432), t2(432) 내지 t3(442), t3(442) 내지 t4(452), t5(452) 내지 t5(462), 및 t5(462) 내지 t6(472)의 샘플 시간 기간들)에 걸쳐 샘플링될 수 있다.
[0069] 제 1 시간 윈도우 t0(412) 내지 t1(422) 동안, 센서 X(405)는 데이터 샘플을 클래스 A(415)로서 분류하고, 센서 Z(410)는 비활성(420)이다(예를 들어, 어떠한 전력도 그 센서에 인가되지 않고, 그러므로 시간 윈도우 t0(412) 내지 t1(422) 동안 어떠한 센서 Z(410) 데이터 샘플도 이용가능하지 않음).
[0070] 다음번 시간 윈도우 t1(422) 내지 t2(432) 동안, 센서 X(405)는 클래스 B(425) 분류를 표시하는 센서 데이터 샘플을 출력한다. 센서 Z(410)는 여전히 비활성인데, 그 이유는 CASM가 윈도우 t1(422) 내지 t2(432)로부터의 데이터 샘플을 프로세싱하는 것을 이제 막 완료했기 때문이다. 일 실시예에서, CASM은 가능성이 낮은 또는 있음직하지 않은 분류 변화들 또는 트랜지션들을 검출하기 위해, 현재의 분류를 직전 시간(t0(412) 내지 t1(422)) 분류와 비교할 수 있다. 이러한 예에서, CASM은 센서 X(405)로부터의 출력이, 클래스 A인 직전 시간(t0(412) 내지 t1(422)) 분류 및 클래스 B인 현재 분류를 가졌음을 결정한다. 이러한 예에서, 클래스 A로부터 클래스 B로의 트랜지션은 가능성이 낮거나 있음직하지 않은 것으로 미리 결정되었다(예를 들어, 클래스 A는 차량에서 운전하고 있는 것일 수 있고, 클래스 B는 책상에 앉아 있는 것일 수 있음). 분류에서의 가능성이 낮은 또는 있음직하지 않은 변화가 센서(예를 들어, 센서 X(405))로부터 초래되었음을 검출함에 따라, CASM은 현재의 분류를 검증하기 위해 부가적인 센서(예를 들어, 센서 Z(410))를 활성화할 수 있다. 이러한 현재의 예에서, 가능성이 낮은 또는 있음직하지 않은 클래스 전이(클래스 A - 클래스 B)가 (예를 들어, 시간 t2에서) 검출된 후에, CASM은 센서 Z(410)를 활성화한다.
[0071] 다음번 시간 윈도우 t2(432) 내지 t3(442) 동안, 센서 X(405)는, 클래스 B(425) 분류를 초래하는 센서 데이터 샘플을 출력한다. CASM은 윈도우 t2(432) 내지 t3(442) 동안 센서 Z(410)로부터의 센서 데이터 샘플을 클래스 A(435)로 분류한다. 일 실시예에서, CASM은 클래스 A(440) 출력을 출력하기 위해 센서 X(405)로부터의 클래스 B(435) 결정을 억제한다. 일 실시예에서, CASM은 새로운 트랜지션이 검출될 때까지, 센서 X(405) 분류들을 무시할 수 있다.
[0072] 다음번 시간 윈도우 t3(442) 내지 t4(452) 동안, 센서 X(405) 데이터는 클래스 A(445)로 분류되고, CASM은 (예를 들어, 시간 t4 이후에) 센서 Z(410)를 비활성화할 수 있다. 이러한 경우, CASM은 클래스 B로부터 클래스 A로의 트랜지션이 다시(again) 센서 Z(410)의 활성화를 트리거함을 결정할 수 있다. 그러나, CASM은, 또한 있음직하지 않았던 이전의 트랜지션으로부터 리턴되는 경우, 있음직하지 않은 트랜지션을 검출하는 것의 일반적 규칙에 대한 예외들을 인정할 수 있다. 현재의 예에서, 클래스 A(415) - 클래스 B(425)는, CASM으로 하여금 클래스 변화를 검증하기 위해 부가적인 센서를 트리거하게 하는, 분류에 있어서 있음직하지 않은 변화였다. 그러나, 초기 센서가 클래스 B(435)로부터 다시(back) 클래스 A(445)로 되돌아간(reverted) 경우, CASM은 센서 Z(410)의 활성화를 트리거하지 않을 수 있는데, 그 이유는, 클래스 B(435) 분류가, CASM에 의해 무시된 잘못된 판독으로 처리되기 때문이다. 일부 실시예들에서, CASM은, 높은 신뢰도 분류가 낮은 신뢰도 분류로 트랜지션되는 경우, 부가적인 센서를 트리거하지만, 낮은 신뢰도 분류가 높은 신뢰도 분류로 트랜지션되는 경우에는 부가적인 센서들을 트리거하지 않을 수 있다.
[0073] 일부 실시예들에서, 하나 또는 둘 이상의 부가적인 센서들은, 비활성화되기 전에, 미리-결정된 또는 사용자가 결정가능한 수의 윈도우 샘플들 동안 활성으로 유지될 수 있다. 예를 들어, 전력 절약을 위한 구성 설정은, 부가적인 센서들이 검증 분류를 CASM에 제공한 후에, 그 부가적인 센서들을 즉시 턴오프할 수 있다. 역으로, 에너지 절약보다 성능을 우선시하는 구성 설정은, 모호한 분류 또는 가능성이 낮은 트랜지션의 종료 이후에도 다수의 부가적인 사이클들 또는 윈도우들 동안 부가적인 센서들이 활성으로 유지되게 할 수 있다.
[0074] 다음번 시간 윈도우 t4(452) 내지 t5(462) 동안, 센서 X(405)로부터의 센서 데이터 샘플은 클래스 C(455)로 분류되며, 이는 부가적인 센서를 트리거하지 않는 가능한 분류 트랜지션이다.
[0075] 다음번 시간 윈도우 t5(462) 내지 t6(472) 동안, 센서 X(405)로부터의 센서 데이터 샘플은 클래스 C(465)로 분류되며, 이는 부가적인 센서를 트리거하지 않는 클래스 A(414)로부터의 분류 트랜지션이다. 그러므로, 센서 Z(410)는 비활성으로 유지되는데, 그 이유는 센서 Z(410)가 시간 t5에서 트리거되지 않았기 때문이다.
콘텐츠 인지 센서 관리자
[0076] CASM은 미가공 센서 데이터로부터 컴퓨팅된 특징 벡터에 기초하여 개시될 수 있다. 예를 들어, 컴퓨팅된 특징 벡터가 특징 공간의 모호 구역에 놓이는 경우, 부가적인 센서 스트림들이 인에이블될 수 있다. 최근접 클래스들로부터의 특징 벡터의 거리가 이러한 결정을 위해 이용될 수 있다. 예를 들어, 가속도계(140)의 표준 편차는 노옴(norm)이고, 디바이스의 평균 배향은, 걷는 것 또는 운전하는 것에 의해 데이터가 발생되었을 수 있음을 표시할 수 있고, 이러한 클래스들 각각의 중심에 대한 특징 벡터의 거리는 작고 유사하다.
[0077] CASM은 또한, 리포트된 신뢰도가 미리-결정된 임계치 미만인 경우, 분류기 출력들에 대한 신뢰도 테스트를 수행하는 것 및 부가적인 센서 스트림들(동일한 또는 다른 서브시스템들 상에 상주함)을 인에이블하는 것에 기초하여 개시될 수 있다.
[0078] 도 5는 일 실시예에서의 CASM의 흐름도를 예시한다. 블록(505)에서, CASM은 센서 데이터(예를 들어, 센서 데이터 샘플)를 수신하거나 센서 데이터에 액세스할 수 있다.
[0079] 블록(510)에서, CASM은 이전의 블록(505)에서 수신된 센서 데이터를 분류하려고 시도할 수 있다. 데이터 분류는 앞서 설명된 바와 같은 특징 계산을 수반할 수 있다.
[0080] 블록(515)에서, CASM은 이전의 블록(510)으로부터 결정된 분류와 연관된 신뢰도를 결정할 수 있다. 신뢰도는 앞서 설명된 팩터들 중 하나 또는 둘 이상에 기초할 수 있다.
[0081] 블록(520)에서, CASM은, 센서 데이터와 연관된 신뢰도가 신뢰도 임계치를 충족시키는지 초과하는지를 결정할 수 있다. 예를 들어, 신뢰도 임계치는, 정확한 분류들을 제공하는 것으로 알려진 값이거나 미리-결정된 신뢰도 레벨일 수 있다. 낮은 신뢰도는 블록(510)에서 결정된 분류가 정확하지 않거나 신뢰할 수 없음을 표시할 수 있다. 분류가 최소 신뢰도 레벨을 충족시키거나 초과함을 CASM이 결정하는 경우, 블록(530)에서 최종 결정이 출력된다. 대안적으로, 분류가 미리-정의된 최소 신뢰도 레벨을 충족시키지 않음을 CASM가 결정하는 경우, CASM은 블록(525)에서 하나 또는 둘 이상의 부가적인 센서들을 활성화할 수 있고, CASM은 블록(510)에서 부가적인 센서 데이터를 분류할 수 있다.
[0082] 블록(530)에서, CASM은 이전의 블록들에서 분류된 하나 또는 둘 이상의 센서 데이터 샘플들에 기초하여 분류를 제공하다. 일 실시예에서, CASM은, 추후의 센서 데이터 샘플에 의해 결정된 분류가 임의의 이전의 초기 분류 결정을 무효로 함을 결정한다.
[0083] CASM의 출력은 애플리케이션(예를 들어, 디바이스(100) 상에서 실행되는 프로그램, 이를테면, 운동 프로그램, 활동 로거(activity logger), 달력 애플리케이션, 또는 프로세싱된 센서 데이터 및 연관된 분류들을 판독하는 다른 소프트웨어)에 의해 이용될 수 있다. CASM은 또한, 각각의 분류와 연관된 추정된 신뢰도를 출력할 수 있다.
[0084] "예시적인" 또는 "예"라는 단어는 "예, 경우, 또는 예시로서 기능함(serving as an example, instance, or illustration)"을 의미하기 위해 본 명세서에서 사용된다. "예시적인" 것으로서 또는 "예"로서 본 명세서에서 설명되는 임의의 양상 또는 실시예가 반드시, 다른 양상들 또는 실시예들보다 바람직하거나 유리한 것으로 해석되는 것은 아니다.
[0085] 디바이스(100)가 모바일 또는 무선 디바이스인 경우, 디바이스(100)는, 임의의 적절한 무선 통신 기술에 기초하는 또는 다른 방식으로 지원하는 무선 네트워크를 거쳐 하나 또는 둘 이상의 무선 통신 링크들을 통해 통신할 수 있음이 인식되어야 한다. 예를 들어, 일부 양상들에서, 컴퓨팅 디바이스 또는 서버는 무선 네트워크를 포함하는 네트워크와 연관될 수 있다. 일부 양상들에서, 네트워크는 바디 영역 네트워크 또는 개인 영역 네트워크(예를 들어, 초광대역 네트워크)를 포함할 수 있다. 일부 양상들에서, 네트워크는 로컬 영역 네트워크 또는 광역 네트워크를 포함할 수 있다. 무선 디바이스는, 예를 들어 CDMA, TDMA, OFDM, OFDMA, WiMAX, 및 Wi-Fi와 같은 다양한 무선 통신 기술들, 프로토콜들, 또는 표준들 중 하나 또는 둘 이상을 지원하거나 다른 방식으로 이용할 수 있다. 유사하게, 무선 디바이스는 다양한 대응하는 변조 또는 멀티플렉싱 방식들 중 하나 또는 둘 이상을 지원하거나 다른 방식으로 이용할 수 있다. 모바일 무선 디바이스는 다른 모바일 디바이스들, 셀폰들, 다른 유선 및 무선 컴퓨터들, 인터넷 웹-사이트들 등과 무선으로 통신할 수 있다.
[0086] 본 명세서의 교시들은 다양한 장치들(예를 들어, 디바이스들)에 포함될 수 있다(예를 들어, 이들 내에서 구현됨 또는 이들에 의해 수행됨). 예를 들어, 본 명세서에서 교시된 하나 또는 둘 이상의 양상들은 폰(예를 들어, 셀룰러 폰), PDA(personal data assistant), 태블릿, 모바일 컴퓨터, 랩톱 컴퓨터, 태블릿, 엔터테인먼트 디바이스(예를 들어, 뮤직 또는 비디오 디바이스), 헤드셋(예를 들어, 헤드폰들, 이어피스(earpiece) 등), 의료 디바이스(예를 들어, 생체인식 센서, 심박동수 모니터(heart rate monitor), 계보기(pedometer), EKG(Electrocardiography) 디바이스 등), 사용자 I/O 디바이스, 컴퓨터, 서버, 판매시점(point-of-sale) 디바이스, 엔터테인먼트 디바이스, 셋톱 박스, 또는 임의의 다른 적절한 디바이스에 포함될 수 있다. 이러한 디바이스들은 상이한 전력 및 데이터 요건들을 가질 수 있고, 각각의 특징 또는 특징들의 세트에 대해 발생된 상이한 전력 프로파일들을 초래할 수 있다.
[0087] 일부 양상들에서, 무선 디바이스는 통신 시스템에 대한 액세스 디바이스(예를 들어, Wi-Fi 액세스 포인트)를 포함할 수 있다. 이러한 액세스 디바이스는 예를 들어, 유선 또는 무선 통신 링크를 통한 다른 네트워크(예를 들어, 광역 네트워크, 이를테면, 인터넷 또는 셀룰러 네트워크)로의 연결성을 제공할 수 있다. 따라서, 액세스 디바이스는, 다른 디바이스(예를 들어, Wi-Fi 스테이션)가 다른 네트워크 또는 임의의 다른 기능성에 액세스하는 것을 가능하게 할 수 있다. 부가하여, 디바이스들 중 하나 또는 모두는 휴대용이거나 일부 경우들에서는 비교적 비-휴대용일 수 있음이 인식되어야 한다.
[0088] 당업자들은, 정보 및 신호들이 다양한 상이한 기술들 및 기법들 중 임의의 것을 이용하여 표현될 수 있음을 이해할 것이다. 예를 들어, 앞서의 설명 전반에 걸쳐 참조될 수 있는 데이터, 명령들, 커맨드들, 정보, 신호들, 비트들, 심볼들, 및 칩들은 전압들, 전류들, 전자기파들, 자기 필드들 또는 자기 입자들, 광학 필드들 또는 광학 입자들, 또는 이들의 임의의 조합에 의해 표현될 수 있다.
[0089] 당업자들은, 본 명세서에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 회로들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 이 둘의 조합들로서 구현될 수 있음을 추가로 인식할 것이다. 하드웨어와 소프트웨어의 이러한 상호교환가능성을 명확히 예시하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들, 및 단계들은 앞서 그들의 기능성의 관점들에서 일반적으로 설명되었다. 이러한 기능성이 하드웨어로서 구현되는지 소프트웨어로서 구현되는지는 특정 애플리케이션 및 전체 시스템에 부과된 설계 제약들에 의존한다. 당업자들은 설명된 기능성을 각각의 특정 애플리케이션에 대해 다양한 방식들로 구현할 수 있지만, 그러한 구현 결정들이 본 발명의 범주를 벗어나게 하는 것으로서 해석되지는 않아야 한다.
[0090] 본 명세서에서 개시된 실시예들과 관련하여 설명되는 다양한 예시적인 논리 블록들, 모듈들, 및 회로들은, 본 명세서에 설명된 기능들을 수행하도록 설계된 범용 프로세서, 디지털 신호 프로세서(DSP), 주문형 집적회로(ASIC), 필드 프로그램가능 게이트 어레이(FPGA) 또는 다른 프로그램가능 논리 디바이스, 이산 게이트 또는 트랜지스터 로직, 이산 하드웨어 컴포넌트들, 또는 이들의 임의의 조합으로 구현 또는 수행될 수 있다. 범용 프로세서는 마이크로프로세서일 수 있지만, 대안적으로, 프로세서는 임의의 종래의 프로세서, 제어기, 마이크로제어기, 또는 상태 머신일 수 있다. 프로세서는 또한, 컴퓨팅 디바이스들의 조합, 예를 들어 DSP 및 마이크로프로세서의 조합, 복수의 마이크로프로세서들, DSP 코어와 공조하는 하나 또는 둘 이상의 마이크로프로세서들, 또는 임의의 다른 이러한 구성으로서 구현될 수 있다.
[0091] 본 명세서에서 개시된 실시예들과 관련하여 설명된 알고리즘 또는 방법의 단계들은 직접적으로 하드웨어로, 프로세서에 의해 실행되는 소프트웨어 모듈로, 또는 이 둘의 조합으로 구현될 수 있다. 소프트웨어 모듈은 RAM 메모리, 플래시 메모리, ROM 메모리, EPROM 메모리, EEPROM 메모리, 레지스터들, 하드 디스크, 착탈식 디스크, CD-ROM, 또는 당해 기술 분야에 알려진 임의의 다른 형태의 저장 매체에 상주할 수 있다. 프로세서가 저장 매체로부터 정보를 판독하고 저장 매체에 정보를 기록할 수 있도록, 예시적인 저장 매체는 프로세서에 커플링된다. 대안적으로, 저장 매체는 프로세서에 통합될 수 있다. 프로세서 및 저장 매체는 ASIC에 상주할 수 있다. ASIC는 사용자 단말에 상주할 수 있다. 대안적으로, 프로세서 및 저장 매체는 사용자 단말에 이산 컴포넌트들로서 상주할 수 있다.
[0092] 하나 또는 둘 이상의 예시적인 실시예들에서, 설명된 기능들은 하드웨어, 소프트웨어, 펌웨어, 또는 이들의 임의의 조합으로 구현될 수 있다. 컴퓨터 프로그램 물건으로서 소프트웨어로 구현되는 경우, 기능들은 하나 또는 둘 이상의 명령들 또는 코드로서 비-일시적 컴퓨터-판독가능 매체 상에 저장되거나 이들을 통해 전송될 수 있다. 컴퓨터-판독가능 미디어는, 하나의 위치로부터 다른 위치로의 컴퓨터 프로그램의 전달을 용이하게 하는 임의의 매체를 포함하는 컴퓨터 저장 미디어 및 통신 미디어 양쪽 모두를 포함할 수 있다. 저장 미디어는 컴퓨터에 의해 액세스될 수 있는 임의의 이용가능한 미디어일 수 있다. 제한이 아닌 예로서, 이러한 비-일시적 컴퓨터-판독가능 미디어는, RAM, ROM, EEPROM, CD-ROM 또는 다른 광학 디스크 저장소, 자기 디스크 저장소 또는 다른 자기 저장 디바이스들, 또는 명령들 또는 데이터 구조들의 형태의 원하는 프로그램 코드 수단을 전달 또는 저장하기 위해 이용될 수 있고 컴퓨터에 의해 액세스될 수 있는 임의의 다른 매체를 포함할 수 있다. 또한, 임의의 연결은 적절하게 지칭된 컴퓨터-판독가능 매체이다. 예를 들어, 소프트웨어가, 동축 케이블, 광섬유 케이블, 트위스티드 페어(twisted pair), DSL(digital subscriber line), 또는 무선 기술들, 이를테면, 적외선, 무선, 및 마이크로파를 이용하여, 웹사이트, 서버, 또는 다른 원격 소스로부터 전송되는 경우, 동축 케이블, 광섬유 케이블, 트위스티드 페어, DSL, 또는 무선 기술들, 이를테면, 적외선, 무선, 및 마이크로파는 매체의 정의에 포함된다. 본 명세서에서 사용된 바와 같은 디스크(disk) 및 디스크(disc)는 CD(compact disc), 레이저 디스크(laser disc), 광 디스크(optical disc), DVD(digital versatile disc), 플로피 디스크(floppy disk) 및 블루레이 디스크(blu-ray disc)를 포함하며, 여기서 디스크(disk)들은 일반적으로 데이터를 자기적으로 재생하는 한편, 디스크(disc)들은 데이터를 레이저들을 이용하여 광학적으로 재생한다. 앞서의 것들의 조합들이 또한 비-일시적 컴퓨터-판독가능 미디어의 범주 내에 포함되어야 한다.
[0093] 개시된 실시예들의 이전의 설명은 당업자가 본 발명을 이루거나 이용하는 것을 가능하게 하기 위해 제공된다. 이러한 실시예들에 대한 다양한 수정들은 용이하게 당업자들에게 명백해질 것이며, 본 명세서에서 정의된 일반적인 원리들은 본 발명의 사상 또는 범주로부터 벗어남이 없이 다른 실시예들에 적용될 수 있다. 따라서, 본 발명은, 본 명세서에서 보여진 실시예들로 제한되도록 의도되는 것이 아니라, 본 명세서에서 개시된 원리들 및 신규한 특징들과 일치하는 가장 넓은 범주에 따르도록 의도된다.

Claims (28)

  1. 모바일 디바이스에 대한 상황 추론(context inference)을 수행하기 위한 방법으로서,
    적어도 제 1 센서로부터 데이터를 수신하는 단계;
    상기 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하는 단계;
    상기 제 1 분류에 대한 신뢰도 값(confidence value)을 결정하는 단계;
    상기 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하는 단계; 및
    상기 적어도 제 1 센서로부터의 데이터와 공동으로, 상기 활성화된 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하는 단계
    를 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  2. 제 1 항에 있어서,
    상기 제 2 분류에 대한 신뢰도 값을 결정하는 단계;
    상기 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 3 센서를 활성화하는 단계; 및
    제 3 데이터 샘플의 제 3 분류를 수행하는 단계
    를 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  3. 제 1 항에 있어서,
    상기 적어도 제 1 센서로부터 데이터를 수신하는 단계는, 둘 또는 셋 이상의 센서들로부터 데이터를 수신하는 단계를 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  4. 제 1 항에 있어서,
    상기 신뢰도 값을 결정하는 단계는, 이전의 데이터 샘플 분류로부터 제 1 데이터 샘플 분류로의 분류의 변화를 검출하는 단계를 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  5. 제 4 항에 있어서,
    상기 분류의 변화는, 신뢰도 실패를 트리거하기 위해 미리 결정된 분류의 변화에 매칭되는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  6. 제 1 항에 있어서,
    상기 신뢰도 값은,
    제 1 데이터 샘플을 올바르게 분류할 확률,
    이력 데이터 세트(historical data set)의 데이터 샘플에 대한 상기 제 1 데이터 샘플의 비교, 및
    최근접 분류(nearest classification)와 다음번 최근접 분류 사이의 차이
    중 적어도 하나에 기초하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  7. 제 1 항에 있어서,
    상기 제 1 센서는 제 1 센서 서브시스템의 부분이고,
    상기 제 2 센서는 제 2 센서 서브시스템의 부분이고,
    상기 제 2 센서를 활성화하는 단계는,
    상기 제 2 센서 서브시스템을 파워업(power up)하는 단계, 및
    상기 제 1 센서 서브시스템과 상기 제 2 센서 서브시스템 사이에서 통신하는 단계
    를 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법.
  8. 기계 판독가능 비-일시적 저장 매체로서,
    실행가능 프로그램 명령들
    을 포함하고,
    상기 실행가능 프로그램 명령들은, 모바일 디바이스로 하여금, 상기 모바일 디바이스에 대한 상황 추론을 수행하기 위한 방법을 수행하게 하고,
    상기 방법은,
    적어도 제 1 센서로부터 데이터를 수신하는 단계,
    상기 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하는 단계,
    상기 제 1 분류에 대한 신뢰도 값을 결정하는 단계,
    상기 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하는 단계, 및
    상기 적어도 제 1 센서로부터의 데이터와 공동으로, 상기 활성화된 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하는 단계
    를 포함하는,
    기계 판독가능 비-일시적 저장 매체.
  9. 제 8 항에 있어서,
    상기 방법은,
    상기 제 2 분류에 대한 신뢰도 값을 결정하는 단계,
    상기 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 3 센서를 활성화하는 단계, 및
    제 3 데이터 샘플의 제 3 분류를 수행하는 단계
    를 더 포함하는,
    기계 판독가능 비-일시적 저장 매체.
  10. 제 8 항에 있어서,
    상기 적어도 제 1 센서로부터 데이터를 수신하는 단계는, 둘 또는 셋 이상의 센서들로부터 데이터를 수신하는 단계를 포함하는,
    기계 판독가능 비-일시적 저장 매체.
  11. 제 8 항에 있어서,
    상기 신뢰도 값을 결정하는 단계는, 이전의 데이터 샘플 분류로부터 제 1 데이터 샘플 분류로의 분류의 변화를 검출하는 단계를 더 포함하는,
    기계 판독가능 비-일시적 저장 매체.
  12. 제 11 항에 있어서,
    상기 분류의 변화는, 신뢰도 실패를 트리거하기 위해 미리 결정된 분류의 변화에 매칭되는,
    기계 판독가능 비-일시적 저장 매체.
  13. 제 8 항에 있어서,
    상기 신뢰도 값은,
    상기 분류가 발생할 확률,
    이력 데이터 세트의 데이터 샘플에 대한 제 1 데이터 샘플의 비교, 및
    최근접 분류와 다음번 최근접 분류 사이의 차이
    중 적어도 하나에 기초하는,
    기계 판독가능 비-일시적 저장 매체.
  14. 제 8 항에 있어서,
    상기 제 1 센서는 제 1 센서 서브시스템의 부분이고,
    상기 제 2 센서는 제 2 센서 서브시스템의 부분이고,
    상기 제 2 센서를 활성화하는 단계는,
    상기 제 2 센서 서브시스템을 파워업하는 단계, 및
    상기 제 1 센서 서브시스템과 상기 제 2 센서 서브시스템 사이에서 통신하는 단계
    를 더 포함하는,
    기계 판독가능 비-일시적 저장 매체.
  15. 데이터 프로세싱 디바이스로서,
    프로세서;
    상기 프로세서에 커플링되고 명령들을 저장하기 위해 구성가능한 저장 디바이스
    를 포함하고,
    상기 명령들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금,
    적어도 제 1 센서로부터 데이터를 수신하게 하는 명령들,
    상기 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하게 하는 명령들,
    상기 제 1 분류에 대한 신뢰도 값을 결정하게 하는 명령들,
    상기 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하게 하는 명령들, 및
    상기 적어도 제 1 센서로부터의 데이터와 공동으로, 상기 활성화된 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하게 하는 명령들인,
    데이터 프로세싱 디바이스.
  16. 제 15 항에 있어서,
    상기 제 2 분류에 대한 신뢰도 값을 결정하게 하고,
    상기 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 3 센서를 활성화하게 하고, 그리고
    제 3 데이터 샘플의 제 3 분류를 수행하게 하는 명령들을 더 포함하는,
    데이터 프로세싱 디바이스.
  17. 제 15 항에 있어서,
    상기 적어도 제 1 센서로부터 데이터를 수신하게 하는 명령들은, 둘 또는 셋 이상의 센서들로부터 데이터를 수신하게 하는 명령들을 더 포함하는,
    데이터 프로세싱 디바이스.
  18. 제 15 항에 있어서,
    상기 신뢰도 값을 결정하게 하는 명령들은, 이전의 데이터 샘플 분류로부터 제 1 데이터 샘플 분류로의 분류의 변화를 검출하게 하는 명령들을 더 포함하는,
    데이터 프로세싱 디바이스.
  19. 제 18 항에 있어서,
    상기 분류의 변화는, 신뢰도 실패를 트리거하기 위해 미리 결정된 분류의 변화에 매칭되는,
    데이터 프로세싱 디바이스.
  20. 제 15 항에 있어서,
    상기 신뢰도 값은,
    상기 분류가 발생할 확률,
    이력 데이터 세트의 데이터 샘플에 대한 제 1 데이터 샘플의 비교, 및
    최근접 분류와 다음번 최근접 분류 사이의 차이
    중 적어도 하나에 기초하는,
    데이터 프로세싱 디바이스.
  21. 제 15 항에 있어서,
    상기 제 1 센서는 제 1 센서 서브시스템의 부분이고,
    상기 제 2 센서는 제 2 센서 서브시스템의 부분이고,
    상기 제 2 센서를 활성화하게 하는 명령들은,
    상기 제 2 센서 서브시스템을 파워업하게 하는 명령들, 및
    상기 제 1 센서 서브시스템과 상기 제 2 센서 서브시스템 사이에서 통신하게 하는 명령들을 더 포함하는,
    데이터 프로세싱 디바이스.
  22. 모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치로서,
    적어도 제 1 센서로부터 데이터를 수신하기 위한 수단;
    상기 적어도 제 1 센서로부터의 데이터의 제 1 분류를 수행하기 위한 수단;
    상기 제 1 분류에 대한 신뢰도 값을 결정하기 위한 수단;
    상기 제 1 분류의 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 2 센서를 활성화하기 위한 수단; 및
    상기 적어도 제 1 센서로부터의 데이터와 공동으로, 상기 활성화된 제 2 센서로부터의 제 2 데이터 샘플의 제 2 분류를 수행하기 위한 수단
    을 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  23. 제 22 항에 있어서,
    상기 제 2 분류에 대한 신뢰도 값을 결정하기 위한 수단;
    상기 신뢰도 값이 신뢰도 임계치를 충족시키는 것을 실패했다는 결정에 기초하여 제 3 센서를 활성화하기 위한 수단; 및
    제 3 데이터 샘플의 제 3 분류를 수행하기 위한 수단
    을 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  24. 제 22 항에 있어서,
    상기 적어도 제 1 센서로부터 데이터를 수신하는 것은, 둘 또는 셋 이상의 센서들로부터 데이터를 수신하는 것을 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  25. 제 22 항에 있어서,
    상기 신뢰도 값을 결정하기 위한 수단은, 이전의 데이터 샘플 분류로부터 제 1 데이터 샘플 분류로의 분류의 변화를 검출하기 위한 수단을 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  26. 제 25 항에 있어서,
    상기 분류의 변화는, 신뢰도 실패를 트리거하기 위해 미리 결정된 분류의 변화에 매칭되는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  27. 제 22 항에 있어서,
    상기 신뢰도 값은,
    상기 분류가 발생할 확률,
    이력 데이터 세트의 데이터 샘플에 대한 제 1 데이터 샘플의 비교, 및
    최근접 분류와 다음번 최근접 분류 사이의 차이
    중 적어도 하나에 기초하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
  28. 제 22 항에 있어서,
    상기 제 1 센서는 제 1 센서 서브시스템의 부분이고,
    상기 제 2 센서는 제 2 센서 서브시스템의 부분이고,
    상기 제 2 센서를 활성화하기 위한 수단은,
    상기 제 2 센서 서브시스템을 파워업하기 위한 수단, 및
    상기 제 1 센서 서브시스템과 상기 제 2 센서 서브시스템 사이에서 통신하기 위한 수단
    을 더 포함하는,
    모바일 디바이스에 대한 상황 추론을 수행하기 위한 장치.
KR1020157024976A 2013-03-01 2014-02-05 전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링 KR101640491B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/782,989 US9268399B2 (en) 2013-03-01 2013-03-01 Adaptive sensor sampling for power efficient context aware inferences
US13/782,989 2013-03-01
PCT/US2014/014963 WO2014133723A1 (en) 2013-03-01 2014-02-05 Adaptive sensor sampling for power efficient context aware inferences

Publications (2)

Publication Number Publication Date
KR20150128717A true KR20150128717A (ko) 2015-11-18
KR101640491B1 KR101640491B1 (ko) 2016-07-18

Family

ID=50185027

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020157024976A KR101640491B1 (ko) 2013-03-01 2014-02-05 전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링

Country Status (6)

Country Link
US (1) US9268399B2 (ko)
EP (1) EP2962171B1 (ko)
JP (2) JP6140308B2 (ko)
KR (1) KR101640491B1 (ko)
CN (1) CN105051646B (ko)
WO (1) WO2014133723A1 (ko)

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5856995B2 (ja) * 2013-03-29 2016-02-10 株式会社ジャパンディスプレイ 電子機器および電子機器の制御方法
US9354727B2 (en) * 2013-07-12 2016-05-31 Facebook, Inc. Multi-sensor hand detection
CN104702366B (zh) * 2013-12-05 2019-03-15 中兴通讯股份有限公司 一种处理无线体域网数据的方法及装置
US9791336B2 (en) * 2014-02-13 2017-10-17 Evigia Systems, Inc. System and method for head acceleration measurement in helmeted activities
US9697465B2 (en) * 2014-04-30 2017-07-04 Google Technology Holdings LLC Drawing an inference of a usage context of a computing device using multiple sensors
US20160077892A1 (en) * 2014-09-12 2016-03-17 Microsoft Corporation Automatic Sensor Selection Based On Requested Sensor Characteristics
CN107106030A (zh) 2014-12-19 2017-08-29 皇家飞利浦有限公司 基于计划表检测的动态可穿戴设备运转状态
US9690361B2 (en) * 2014-12-24 2017-06-27 Intel Corporation Low-power context-aware control for analog frontend
US11029328B2 (en) 2015-01-07 2021-06-08 Qualcomm Incorporated Smartphone motion classifier
US10217379B2 (en) * 2015-01-30 2019-02-26 Toyota Motor Engineering & Manufacturing North America, Inc. Modifying vision-assist device parameters based on an environment classification
US10037712B2 (en) 2015-01-30 2018-07-31 Toyota Motor Engineering & Manufacturing North America, Inc. Vision-assist devices and methods of detecting a classification of an object
US9820232B2 (en) 2015-05-12 2017-11-14 Qualcomm Incorporated Power delay profile based indoor outdoor detection
CN106292991A (zh) * 2015-06-01 2017-01-04 中兴通讯股份有限公司 一种降低终端设备功耗的方法及装置
US10142353B2 (en) 2015-06-05 2018-11-27 Cisco Technology, Inc. System for monitoring and managing datacenters
US10536357B2 (en) 2015-06-05 2020-01-14 Cisco Technology, Inc. Late data detection in data center
KR102395832B1 (ko) * 2016-02-23 2022-05-09 삼성전자주식회사 운동 정보 제공 방법 및 이를 지원하는 전자 장치
FR3055764A1 (fr) * 2016-09-07 2018-03-09 Stmicroelectronics (Rousset) Sas Procede de controle de la detection en temps reel d'une scene par un appareil de communication sans fil, par exemple un telephone mobile cellulaire, et appareil correspondant.
US10671925B2 (en) * 2016-12-28 2020-06-02 Intel Corporation Cloud-assisted perceptual computing analytics
US10360357B2 (en) * 2017-01-10 2019-07-23 International Business Machines Corporation Personal identification using action sequences detected by sensors
US10878342B2 (en) * 2017-03-30 2020-12-29 Intel Corporation Cloud assisted machine learning
US11301022B2 (en) * 2018-03-06 2022-04-12 Motorola Mobility Llc Methods and electronic devices for determining context while minimizing high-power sensor usage
US20200361452A1 (en) * 2019-05-13 2020-11-19 Toyota Research Institute, Inc. Vehicles and methods for performing tasks based on confidence in accuracy of module output
EP3991067A1 (en) 2019-06-26 2022-05-04 Google LLC Radar-based authentication status feedback
US11868537B2 (en) 2019-07-26 2024-01-09 Google Llc Robust radar-based gesture-recognition by user equipment
JP7346595B2 (ja) * 2019-07-26 2023-09-19 グーグル エルエルシー レーダーベースのジェスチャー認識の状況感知型制御
US11138477B2 (en) * 2019-08-15 2021-10-05 Collibra Nv Classification of data using aggregated information from multiple classification modules
CN110531641B (zh) * 2019-08-19 2020-10-16 深圳市晨北科技有限公司 控制终端设备的方法、控制装置及终端设备
CN110516760A (zh) * 2019-09-02 2019-11-29 Oppo（重庆）智能科技有限公司 情境识别方法、装置、终端及计算机可读存储介质
JP2021174135A (ja) * 2020-04-22 2021-11-01 ソニーセミコンダクタソリューションズ株式会社 画像認識装置及び画像認識方法
KR102423632B1 (ko) * 2020-12-10 2022-07-22 국방과학연구소 센서를 제어하는 전자 장치 및 그 동작 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001509883A (ja) * 1996-11-08 2001-07-24 イータック インコーポレーテッド Ｇｐｓデータを使用したナビゲーションシステム
KR20090073013A (ko) * 2007-12-28 2009-07-02 야마하 가부시키가이샤 자기 데이터 처리 장치, 자기 데이터 처리 방법, 네비게이션 장치 및 기계 판독 가능 매체
KR20110066231A (ko) * 2008-11-20 2011-06-16 아사히 가세이 일렉트로닉스 가부시끼가이샤 물리량 계측 장치 및 물리량 계측 방법
US8180583B1 (en) * 2011-11-16 2012-05-15 Google Inc. Methods and systems to determine a context of a device

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5337371A (en) * 1991-08-09 1994-08-09 Matsushita Electric Industrial Co., Ltd. Pattern classification system
JP2003233625A (ja) * 2002-02-06 2003-08-22 Ntt Docomo Inc 状況認識装置、状況認識方法
US7079023B2 (en) 2002-10-04 2006-07-18 Sap Aktiengesellschaft Active object identification and data collection
US7327245B2 (en) 2004-11-22 2008-02-05 Microsoft Corporation Sensing and analysis of ambient contextual signals for discriminating between indoor and outdoor locations
EP2131292A1 (en) * 2008-06-06 2009-12-09 NTT DoCoMo, Inc. Method and apparatus for searching a plurality of realtime sensors
JP5376960B2 (ja) * 2009-01-15 2013-12-25 株式会社東芝 測位装置及び測位時間間隔制御方法
CN104793482B (zh) 2009-04-26 2019-01-04 耐克创新有限合伙公司 运动手表
FI20095570L (fi) * 2009-05-22 2009-09-11 Valtion Teknillinen Kontekstin tunnistaminen mobiiliaitteissa
US8374775B2 (en) 2009-11-05 2013-02-12 Apple Inc. Adaptive sensor-based activity classification
CN102484660B (zh) * 2010-01-07 2014-06-11 株式会社东芝 移动状态推测装置、方法及程序
US8428759B2 (en) 2010-03-26 2013-04-23 Google Inc. Predictive pre-recording of audio for voice input
US20110296430A1 (en) * 2010-05-27 2011-12-01 International Business Machines Corporation Context aware data protection
US9002924B2 (en) * 2010-06-17 2015-04-07 Microsoft Technology Licensing, Llc Contextual based information aggregation system
US9443202B2 (en) * 2010-07-01 2016-09-13 Nokia Technologies Oy Adaptation of context models
US20120203491A1 (en) 2011-02-03 2012-08-09 Nokia Corporation Method and apparatus for providing context-aware control of sensors and sensor data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001509883A (ja) * 1996-11-08 2001-07-24 イータック インコーポレーテッド Ｇｐｓデータを使用したナビゲーションシステム
KR20090073013A (ko) * 2007-12-28 2009-07-02 야마하 가부시키가이샤 자기 데이터 처리 장치, 자기 데이터 처리 방법, 네비게이션 장치 및 기계 판독 가능 매체
KR20110066231A (ko) * 2008-11-20 2011-06-16 아사히 가세이 일렉트로닉스 가부시끼가이샤 물리량 계측 장치 및 물리량 계측 방법
US8180583B1 (en) * 2011-11-16 2012-05-15 Google Inc. Methods and systems to determine a context of a device

Also Published As

Publication number Publication date
US9268399B2 (en) 2016-02-23
JP2016511473A (ja) 2016-04-14
US20140247206A1 (en) 2014-09-04
EP2962171A1 (en) 2016-01-06
WO2014133723A1 (en) 2014-09-04
JP6363239B2 (ja) 2018-07-25
JP6140308B2 (ja) 2017-05-31
CN105051646B (zh) 2018-04-27
CN105051646A (zh) 2015-11-11
EP2962171B1 (en) 2020-08-26
JP2017107596A (ja) 2017-06-15
KR101640491B1 (ko) 2016-07-18

Similar Documents

Publication Publication Date Title
KR101640491B1 (ko) 전력 효율적 상황 인지 추론들을 위한 적응적 센서 샘플링
US9892729B2 (en) Method and apparatus for controlling voice activation
US10539586B2 (en) Techniques for determination of a motion state of a mobile device
JP6568842B2 (ja) 低い複雑性のアルゴリズムの融合および電話の状態のヒューリスティックスを用いる改善された移動中の検出
US10133329B2 (en) Sequential feature computation for power efficient classification
JP5904021B2 (ja) 情報処理装置、電子機器、情報処理方法、及びプログラム
US20160048161A1 (en) Identifying gestures using motion data
CN110235132B (zh) 基于情境感知来提供连续验证的移动装置
EP3754652A1 (en) Method and apparatus for adjusting detection threshold for activating voice assistant function
US20140351560A1 (en) Low Power Management of Multiple Sensor Integrated Chip Architecture
US20120109862A1 (en) User device and method of recognizing user context
WO2017172018A1 (en) Autonomous semantic labeling of physical locations
WO2012001215A1 (en) Adaptation of context models
KR20130033378A (ko) 콘텍스트 감지 및 융합을 위한 방법, 장치 및 컴퓨터 프로그램제품
US11580421B2 (en) Weakly supervised learning for improving multimodal sensing platform
WO2013001134A1 (en) Context extraction
KR20150091121A (ko) 콘텍스트상의 추론들의 의미론적인 융합
US20150071102A1 (en) Motion classification using a combination of low-power sensor data and modem information
EP2756658B1 (en) Detecting that a mobile device is riding with a vehicle

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant