TW201636636A - 使用混成濾波器的先進定位系統 - Google Patents

使用混成濾波器的先進定位系統 Download PDF

Info

Publication number
TW201636636A
TW201636636A TW104135420A TW104135420A TW201636636A TW 201636636 A TW201636636 A TW 201636636A TW 104135420 A TW104135420 A TW 104135420A TW 104135420 A TW104135420 A TW 104135420A TW 201636636 A TW201636636 A TW 201636636A
Authority
TW
Taiwan
Prior art keywords
probability
mobile device
value
function
processor circuit
Prior art date
Application number
TW104135420A
Other languages
English (en)
Other versions
TWI592679B (zh
Inventor
于凡 阿米瑟
尤瑞 切特柏格
Original Assignee
英特爾股份有限公司
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 英特爾股份有限公司 filed Critical 英特爾股份有限公司
Publication of TW201636636A publication Critical patent/TW201636636A/zh
Application granted granted Critical
Publication of TWI592679B publication Critical patent/TWI592679B/zh

Links

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
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G01S5/0278—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves involving statistical or probabilistic considerations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/023—Services making use of location information using mutual or relative location information between multiple location based services [LBS] targets or of distance thresholds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本揭露大體上關於使用組合或混成濾波器之先進定位系統及方法。在一實施例中，時差測距(ToF)測量用以決定鑒於一或更多個存取點之行動裝置的接近位置。接著經由混成濾波器系統處理與已知及未知變數組合之ToF，以決定行動裝置之位置。混成濾波器系統可包括卡爾曼(Kalman)濾波器(KF)，用於處理線性模型及一般高斯雜訊分布。KF假定行動裝置位置之狀態機率為高斯函數。該等變數包括例如WiFi ToF偏移。混成濾波器系統可包括貝氏(Bayesian)濾波器(BF)，用於處理具有非高斯雜訊分布及非線性模型之變數。該等變數包括例如行動裝置之座標。接著施加來自KF及BF之每一者的機率決定以估計行動裝置位置。

Description

使用混成濾波器的先進定位系統
本揭露關於施加機率技術之組合的方法、設備及系統，以提供機率決定之先進演算法。特定地，本揭露關於可於一或更多個處理器上實施之邏輯，用於對信號資料施加混成濾波。當施加時，邏輯正確地決定行動裝置位置。
因各式全球定位系統(GPS)之進步，廣泛地配置戶外導航。對於室內導航及定位位置已有增加聚焦。室內導航與導航不同，因為室內環境排除接收GPS衛星信號。結果，努力指向解決室內導航問題。此問題不具有具滿意精密度之可擴展解決方案。
針對室內導航之解決方案可依據時差測距(ToF)方法。ToF定義為信號從使用者傳播至存取點(AP)並返回至使用者之整體時間。該值可藉由將信號之往返行進時間除以2，並乘以光速，而轉換為距離。該方法穩固及可擴展，但要求針對Wi-Fi數據機及其他裝置 之顯著硬體改變。ToF範圍計算取決於決定精確信號接收/傳輸時間。小至3奈秒之差異將導致約1公尺的範圍誤差。
100‧‧‧室內環境
102、103、104、105‧‧‧位置
210、220、230‧‧‧曲線
310‧‧‧第一位置
320‧‧‧第二位置
510、515、520、525、530、535‧‧‧步驟
600‧‧‧設備
610‧‧‧時差測距處理器
615‧‧‧第一處理器電路
620‧‧‧第二處理器電路
625‧‧‧記憶體電路
將參照下列示例及非限制描繪討論本揭露之該些及其他實施例，其中相似元件被類似地編號，且其中：圖1顯示在示例環境中，10個任意位置之指紋位置誤差；圖2示意地顯示在示例位置決定中，測量誤差之非高斯函數分布；圖3為示例分布圖，顯示行動裝置之實際位置及誤差位置；圖4顯示六角網格，用於量化行動裝置之位置；圖5顯示實施本揭露之實施例的示例流程圖；以及圖6為依據本揭露之一實施例之示例設備。
【發明內容及實施方式】
某些實施例可結合各式裝置及系統使用，例如行動電話、智慧手機、膝上型電腦、感測器裝置、藍牙(BT)裝置、UltrabookTM、筆記型電腦、平板電腦、手持式裝置、個人數位助理(PDA)裝置、手持式PDA裝置、機載裝置、非機載裝置、混成裝置、車載裝置、非車 載裝置、行動或可攜式裝置、消費性裝置、非行動或非可攜式裝置、無線通訊台、無線通訊裝置、無線存取點(AP)、有線或無線路由器、有線或無線數據機、視訊裝置、音頻裝置、影音(AV)裝置、有線或無線網路、無線區域網路、無線視訊區域網路(WVAN)、局域網路(LAN)、無線LAN(WLAN)、個人區域網路(PAN)、無線PAN(WPAN)等。
若干實施例可結合依據下列標準操作之裝置及/或網路，或網路之一部分的單元及/或裝置使用，包括現有電氣及電子工程師學會(IEEE)標準(IEEE 802.11-2012，系統局域網及城域網間之資訊技術-電訊及資訊交換之IEEE標準-具體要求第11部分：無線LAN媒體存取控制(MAC)及實體層(PHY)規格，2012年3月29日；IEEE 802.11任務組ac(TGac)(「IEEE 802.11-09/0308r12-TGac通道模型附錄文檔」)；IEEE 802.11任務組ad(TGad)(IEEE 802.11ad-2012，資訊技術及以WiGig品牌出售之IEEE標準-局域網及城域網系統間之電訊及資訊交換-具體要求第11部分：無線LAN媒體存取控制(MAC)及實體層(PHY)規格-第3修改件：60GHz頻帶中極高吞吐量之增強，2012年12月28日))及/或更先進版本及/或其衍生；現有無線保真(Wi-Fi)同盟(WFA)點對點(P2P)規格(Wi-Fi P2P技術規格，1.2版，2012)及/或更先進版本及/或其衍生；現有蜂巢式規格及/或協定，例如第三代夥伴計畫 (3GPP)、3GPP長期演進(LTE)、及/或更先進版本及/或其衍生；現有無線HDTM規格及/或更先進版本及/或其衍生等。
若干實施例可結合BT及/或藍牙低能量(BLE)標準實施。如簡短討論，BT及BLE為在工業、科學及醫用(ISM)頻段中(即2400-2483.5MHz頻帶)使用短波長UHF無線電波透過短距離交換資料之無線技術標準(http：//en.wikipedia.org/wiki/Radio_waves)。BT藉由建立個人區域網路(PAN)而連接固定及行動裝置。藍牙使用躍頻展頻。傳輸之資料被劃分為封包，每一封包於79個指定的BT通道之一上傳輸。每一通道具有1MHz頻寬。最新開發之BT實施藍牙4.0使用2MHz間距，允許用於40個通道。
若干實施例可結合下列裝置使用，包括單向及/或雙向無線電通訊系統、BT裝置、BLE裝置、蜂巢式無線電-電話通訊系統、行動電話、蜂巢式電話、無線電話、個人通訊系統(PCS)裝置、結合無線通訊裝置之PDA裝置、行動或可攜式全球定位系統(GPS)裝置、結合GPS接收器或發射器或晶片之裝置、結合RFID元件或晶片之裝置、多輸入多輸出(MIMO)發射器或裝置、單輸入多輸出(SIMO)發射器或裝置、多輸入單輸出(MISO)發射器或裝置、具有一或更多個內部天線及/或外部天線之裝置、數位視訊廣播(DVB)裝置或系統、多標準無線電裝置或系統、有線或無線手持式裝置，例如 智慧手機、無線應用協定(WAP)裝置等。若干演示實施例可結合WLAN使用。其他實施例可結合任何其他適當無線通訊網路使用，例如無線區域網路、「微網」(piconet)、WPAN、WVAN等。
因各式系統之發展，戶外導航已廣泛配置，包括：全球導航衛星系統(GNSS)、全球定位系統(GPS)、全球導航衛星系統(GLONASS)及GALILEO(歐盟開發之戶外GNSS)。室內導航已接收相當關注。室內導航與戶外導航不同，因為室內環境無法接收來自GPS/GNSS衛星之信號。結果，傳統技術無法提供具可接受準確度之可擴展解決方案。
在本揭露之一實施例中，ToF方法用以定址室內導航。如以上所討論，ToF被定義為信號從使用者傳播至AP並返回至使用者之整體時間。藉由將時間除以2，並乘以光速，此ToF值可轉換為距離。ToF方法穩固及可擴展，但要求針對現有Wi-Fi數據機之硬體改變。
依據所有先前測量及系統模型來估計狀態，是許多研發領域中發現的共同問題。雖然文中所提供之範例及實施指向室內導航，揭露之實施例相等地應用於其他領域及機率決定。在一實施例中，揭露之原理可於位置決定產品中實施。
藉由範例，可使用WiFi時差測距(ToF)先前測量(例如WiFi ToF範圍)估計行動裝置之目前位置(x,y)及ToF偏移，同時由於先前測量考量行動裝置之 移動。在本示例實施例中，估計並非單一位置定位，而是考量所有過去資訊，包括狀態之過去估計(例如位置)。此問題之解決方案典型地具有二階段。第一個是預測階段及第二個是更新階段。在預測階段，解決方案試圖預測位置如何依據運動模型改變。在更新階段，以來自其餘測量(例如ToF範圍)之附加資訊來更新新位置機率。
傳統方法處理模型，其在測量及模型中為線性及高斯函數。然而，該等範圍測量在測量及模型中為非線性及非高斯函數。因而，在本揭露之一實施例中假定為非高斯函數分布。
圖1顯示示例環境中10個任意位置之指紋位置誤差。特定地，圖1顯示具有10個隨機選擇位置之室內環境100。位置在遍及區域中為隨機選擇。區域可細分為多個細胞(未顯示)，使得一或更多個位置落在一細胞內。此處，使用離線裝置產生Wi-Fi指紋資料庫(未顯示)。從手動校準，決定線上裝置具有約-9dB RSSI偏移離線裝置。然而，線上裝置未為此測試校準。當在10個隨機選擇測試點(位置標示x)使用線上裝置時，觀察到顯著位置誤差。例如，線上裝置識別位置103為線上裝置位置，但實際在位置102(約8公尺誤差)。類似地，位置105被識別為線上裝置位置，但實際在位置104(約15公尺誤差)。在圖1中剩餘8個任意位置發現類似誤差。可容易地看見，若未適當地校準線上裝置，決定之位置可以任何方向遠離若干公尺。
圖2示意地顯示示例位置決定中測量誤差之非高斯函數分布。ToF範圍誤差係由二現象組成。第一現象為ToF範圍誤差(顯示為曲線210)及第二現象為離群值誤差(顯示為曲線230)。離群值為與預期範圍顯著不同之範圍測量。離群值典型地發生於視線(LoS)路徑被物件阻塞時。該等物件可為金屬物件。如圖2中曲線220所示，ToF範圍之分布更準確地以非高斯函數分布描述。此分布係二分布之加權加總。如圖2中所示，存在依據ToF資料之二位置決定：一者為圍繞真範圍之高斯函數，具低變異數(代表誤差)，另一者為圍繞真範圍之高斯函數，具較大變異數。該分布無疑地為非高斯函數。
揭露之實施例亦將測量模型視為非線性。例如，方程式(1)中提供ToF範圍測量：
其中xap、yap及zap為AP點座標處；xn、yn及zn為行動裝置之目前位置，及bn為ToF偏移。如從方程式(1)所見，ToF測量為非線性。
顯然，位置決定為非高斯函數及多模式。當行動裝置(可交換地為導航單元)繞AP移動或在其附近時，尤其為真。在此情況下，位置決定系統(或濾波器)不清楚導航單元位於AP哪一側。可存在二或更多可能性，且每一者必須維持直至單元移動離開AP並解決歧異為止。一旦歧異移除，濾波器可破壞多餘的位置及維持正 確位置。
圖3為示例分布圖，顯示行動裝置之實際及誤差位置。在圖3之分布圖中，紅色區域310、320顯示行動裝置之存在具有相對高機率的區域。如圖3中所示，存在行動裝置之二可能位置。第一位置310在建築物外部，及第二位置320在建築物內部。因此，對系統及方法而言需過濾行動裝置之可能位置以決定正確裝置位置。
在本揭露之某些實施例中，貝氏(Bayesian)濾波器(BF)及卡爾曼(Kalman)濾波器(KF)技術之組合用以估計行動裝置之精確位置。卡爾曼(Kalman)及貝氏(Bayesian)模型之每一者具有優點及缺點。在示例應用中，藉由使用每一技術之有利特徵，施加混成模型以濾波位置資料。混成濾波器施加於ToF測量以估計行動裝置之新位置及偏移。
例如，雖然KF簡單及有效率，但僅施加於高斯函數誤差及線性模型。KF模型亦假定狀態機率總是為高斯函數。存在非線性模型之傳統KF實施，但該些模型亦遭受線性化問題。BF模型精確並適於任何誤差分布。BF技術可處理非線性模型，並可考量任何狀態分布。然而，BF技術需要高複雜性，及要求顯著較高處理功率。
在本揭露之一實施例中，BF濾波方法用於具有非線性模型及非高斯雜訊分布之狀態，及KF技術用於具有高斯雜訊及線性模型(提供非線性狀態)之其他狀態。在依據本揭露之一實施例之示例實施中，濾波器假定 具有下列狀態：X-位置(x座標)；Y-位置(y座標)及b為WiFi ToF偏移。在本範例中，BF技術施加於X及Y狀態，並施加KF技術以計算b狀態。
傳統應用將KF排外地用於解決示例問題。KF應用具有若干缺點。第一，KF不考量離群值，因為KF僅用於高斯函數分布。第二，KF施加於線性模型。ToF範圍測量為非線性。因而，當測量模型為非線性時，施加KF導致不正確預測。第三，KF不處理以上描述之位置歧異問題。基於解決方案為高斯函數分布之假定而斷定KF。此表示KF適於單峰(單一高峰)分布。
然而，範圍誤差並非高斯函數。測量模型亦為非線性，且位置分布可不為高斯函數分布(即位置分布可為多模式分布)。定址KF之缺陷的另一傳統方法為使用粒子濾波器。然而，粒子濾波器運算集中且難以實施。粒子濾波器之運算複雜性隨著狀態數量增加而成指數成長。因此，粒子濾波器傳統上用於低維度問題。
本揭露之某些實施例指向將狀態向量分為二子向量之方法。一向量係使用KF估計及另一向量係使用BF估計。揭露之實施例致能使用所有測量及狀態，同時考量經由高斯函數或非高斯函數模型狀態是否將較佳運算。揭露之實施例考量所有狀態經由測量及系統模型互連，並藉以提供KF及BF之優點而無其缺點。此處，狀態為位置及偏移。
藉由範例，本揭露之實施例應用於WiFi ToF 測量，其中估計方程式(2)之狀態向量：
在方程式(2)中，X標示x-位置座標；Y標示y-位置座標及b標示WiFi裝置偏移。由於行動裝置不可能得到明顯高度增加，假定標示z-位置座標之Z幾乎恆定。在一實施中，BF用於狀態變數X及Y，同時KF用於狀態變數b。其次，可使用具有例如0.5m深度之六角網格量化x-y座標平面。圖4顯示一該網格，其中六角形細胞係從左至右及下至上編號為細胞編號1-459。
描述變數間之關係之系統方程式提供如方程式(3)及(4)，如下：
在方程式(3)及(4)中，w及v為系統雜訊，X為[x,y]向量及b為WiFi偏移。B為常數矩陣。測量方程式顯示如方程式(5)：
在方程式(5)中，y為範圍測量，u為測量雜訊，n標示目前時間，△t標示自從最後測量之時段，u為雜訊部分，σv為雜訊變異數，AP標示存取點。示例處 理包括初始化、預測及更新步驟。
初始化：初始化狀態可定義為在圖4之每一個六角形細胞之行動裝置的初始分布，具機率Pr(xn｜yn-1)，並初始化每一個六角形之1狀態(WiFi偏移)KF。每一個六角形具有1狀態(偏移)之KF。此將每一個六角形之初始值賦予偏移。
預測：在一實施例中，首先預測BF。為預測特定六角形細胞xn之位置機率，首先識別所有鄰接細胞(xn-1)。其次，對每一個六角形細胞而言，識別所有鄰居(xn-1)，並乘以位於鄰居(xn-1)之機率，假定所有先前測量(Pr(xn-1｜y1：n-1))具從鄰居至六角形之轉移機率(Pr(xn｜xn-1))。請注意，Pr(xn｜xn-1)係從系統模型方程式3計算。其受二個六角形間之距離影響。距離愈大，機率愈低。
接著加總特定六角形細胞之所有鄰居的機率，以決定特定細胞(xn)之新機率如方程式(6)：
其次，可預測KF機率。假定位置為細胞位置，對特定細胞(xn)實施傳統KF預測。接著針對所有其他細胞重複此預測，以獲得每一KF之新(及更新)平均(ηn)及變異數(σn 2)。對特定細胞而言，考慮所有鄰接細胞及計算下列加權：
其次，使用這些加權計算每一細胞之KF的新平均(η)及變異數(σ2)：
其次，假定偏移正確，藉由計算似然函數而更新BF值；結果乘以預測之機率(Pr(x n ｜y 1：n-1))，如方程式(10)中所示：
假定行動裝置位於細胞中，藉由實施每一細胞更新而更新KF值。
在本揭露之一實施例中，混成濾波器用以決定行動裝置之位置。混成濾波器可使用卡爾曼(Kalman)及貝氏(Bayesian)濾波器之組合，以估計行動裝置之位置。在某些實施例中，濾波器互連並可並聯或序列運行。在本揭露之一實施例中，不同向量變數指向用於處理之不同濾波器。例如，與線性或高斯函數行為相關聯之向量變數可指向卡爾曼(Kalman)濾波器處理器，同時非線性或非高斯函數變數指向貝氏(Bayesian)濾波器處理器。
圖5顯示實施本揭露之實施例的示例流程 圖。處理始自步驟510，在研究下打破位置為複數假想細胞。每一細胞可為六角形細胞，具有與位置中其他細胞實質上相同的大小。其次，針對每一細胞假定初始分布為行動裝置位於特定細胞之機率，如方程式(11)中所示：Pr(x n ｜y 1：n ) (11)
第一狀態(狀態1)可初始化為每一細胞之KF偏移(例如b=1)。在步驟520，預測BF。在一實施例中，依據方程式(6)數學地預測BF。可同樣地使用其他預測模型而未偏離揭露之實施例。在步驟525，使用方程式7或其他數學模型來預測KF。在預測KF濾波器中，假定行動裝置位於與細胞相同的地方。步驟525包括依據方程式(8)及(9)更新每一細胞KF值之平均(ηn)及變異數(σn 2)。
在步驟530，可針對每一細胞更新BF，做為方程式(10)之似然函數。最後，在步驟535，可以行動裝置位於細胞之位置的假定針對每一細胞更新KF濾波器。每一步驟530及535可針對每一細胞遞迴歸地重複。BF及KF更新ToF範圍之使用。
圖5之流程圖中顯示之示例步驟可以軟體、硬體或軟體及硬體之組合實施。在一實施例中，圖5之步驟實施為具有一或更多個處理器電路之硬體上的邏輯。
圖6為依據本揭露之一實施例的示例設備。圖6之設備600可以硬體、軟體或硬體及軟體之組合實 施。在一實施例中，設備係於與行動裝置相關聯之現有硬體上實施。在另一實施例中，設備係於具有如圖6中所示組配之電路的晶片組實施。雖然未顯示，設備600可與經組配以支援不同通訊平台(例如WiFi、蜂巢式、BT及BLE)之前端無線電及天線通訊。
圖6之ToF處理器電路610可包含處理器電路以決定往返信號行進測量，而接近距一或更多個AP之距離。第一處理器電路612可與ToF處理器610通訊，而選擇地識別及處理定義高斯函數分布之第一組狀態變數。第一組變數可定義線性模型。該等變數可包括例如行動裝置之x及y座標，估計為ToF測量及AP已知位置的函數。第一處理器電路615可經組配以於第一組變數上實施卡爾曼(Kalman)濾波器分析。
第二處理器電路可與ToF處理器610及第一處理器615通訊，而選擇地識別及處理定義非高斯函數及/或非線性分布之第二組狀態變數。該等變數可包括例如WiFi ToF偏移。第二處理器電路620可經組配以於第二組變數上實施貝氏(Bayesian)濾波器分析。
記憶體電路625可與每一ToF處理器610、第一處理器電路615及第二處理器電路620通訊。記憶體電路可包括用於每一處理器電路之指令，以實施用於決定歷經已知及未知變數之行動裝置之位置的指令。在本揭露之一實施例中，記憶體電路625包括類似於關於圖5所示之指令。
在本揭露之一實施例中，第一處理器電路615與第二處理器電路620通訊。第二處理器電路620接收從第一處理器電路決定之機率，組合接收之資訊與其本身機率決定，及傳遞行動裝置位置之估計。在一實施例中，濾波器依據變數考量誤差機率而更新範圍測量(藉以決定行動裝置位置)。
位置資訊可類似地由第一處理器電路615決定。位置資訊可傳遞至行動裝置或使用者，或其可儲存用於未來應用。
下列顯示文中應用之邏輯之實施例的示例數學衍生。在一實施中，以下列系統模型展開衍生：
測量模型可定義如下：y n =h(x n ,z n )+σ u ．u n (14)
方程式(15)描述一般公式化，用於決定在特定細胞位置之行動裝置的機率。
方程式(15)之分母可移除，因為其實質上對於最佳化沒有影響，且方程式可重寫如下： Pr(x n ,z n ｜y 1：n )=Pr(y n ｜x n ,z n )．Pr(z n ,x n ｜y 1：n-1) (16)
在方程式(16)中，可使用基數(B)(其標示貝氏規則)，且方程式調整為：Pr(x n ,z n ｜y 1：n )=Pr(x n ｜y 1：n-1)．Pr(y n ｜x n ,z n )．Pr(z n ｜x n ,y 1：n-1) (17)
Pr(x n ,z n ｜y 1：n )=Pr(x n ｜y 1：n-1)．Pr(y n ｜x n ,z n )．Pr(z n ｜x n ,y 1：n-1) (18)
方程式(19)可調整如下：
方程式(20)可使用KF記號重寫：
針對KF之預測階段，KF(zn｜xn,y1：n)，並應用總機率法則，可使用下列衍生：Pr(z n ｜x n ,y 1：n-1)=ʃPr(z n ,x n-1｜x n ,y 1：n-1)dx n-1 (22)
調用方程式(22)中之基數：Pr(z n ｜x n ,y 1：n-1)=ʃPr(z n ｜x n-1,x n ,y 1：n-1)．Pr(x n-1｜x n ,y 1：n-1)dx n-1 (23)
理解Xn與提供xn-1及過去測量的zn無關：Pr(z n ｜x n ,y 1：n-1)=ʃPr(z n ｜x n-1,y 1：n-1)．Pr(x n-1｜x n ,y 1：n-1)dx n-1 (24)
利用方程式(24)中基數兩次：
整理方程式(25)提供：
了解過去測量與提供xn-1之xn無關：
整理方程式：
方程式28可轉換為離散域：
可使用單一高斯函數方程式接近加權高斯函數之加總：
Pr(zn｜xn-1,y1：n-1)分布係由方程式(30)中ηn及σn 2定義：
可藉由單一高斯函數方程式接近加權高斯函數加總，如下：
Pr(yn｜xn,y1：n-1)之衍生-衍生以下列展開並源於KF更新，如下：Pr(x n ,z n ｜y 1：n )=Pr(y n ｜x n ,y 1：n-1)．Pr(x n ｜y 1：n-1)．Pr(z n ｜x n ,y 1：n ) (34)
利用方程式(34)中之總機率法則：Pr(y n ｜x n ,y 1：n-1)=ʃPr(y n ,z n ｜x n ,y 1：n-1)．dz (35)
調用基數：Pr(y n ｜x n ,y 1：n-1)=ʃPr(y n ｜z n ,x n ,y 1：n-1)．Pr(z n ｜x n ,y 1：n-1)．dz (36)
請注意，先前測量與提供xn及zn之yn無關：Pr(y n ｜x n ,y 1：n-1)=ʃPr(y n ｜z n ,x n )．Pr(z n ｜x n ,y 1：n-1)．dz (37)
定義：，並接近zn｜xn,y1：n-1做為差量函數(薄高斯函數)：
再呼叫：
透過zn整合以接收所希望之機率：
最終解答為：
下列為本揭露之不同態樣之非限制示例實施例。範例1指向一種處理器電路，用於決定有界區域中行動裝置之位置，處理器電路以邏輯程控而實施功能，包含：識別區域中複數位置(Xn,Yn)，及將行動裝置存在之初始貝氏(Bayesian)濾波器(BF)機率值(Pr)分配予每一位置；分配行動裝置存在之卡爾曼濾波器(KF)機率值；藉由加總行動裝置位於鄰接位置之機率，並以加總之機率乘以轉移機率而決定行動裝置位於第一位置Pr(Xn/Yn-1)之機率；決定權值Pn，做為行動裝置在第一位置Pr(Xn/Yn-1)之機率及轉移機率之函數；計算平均值及變異值做為個別位置之Pn權值之函數；計算更新卡爾曼濾波器(KF)值做為偏移值、平均值及變異值之函數；計算更新BF值做為偏移值之函數；以及更新行動裝置之位置做為更新BF值及更新KF值之函數。
範例2指向範例1之處理器電路，其中，處理器電路進一步以邏輯程控而實施功能，使得複數鄰接位置之每一者包含六角形細胞。
範例3指向範例2之處理器電路，其中，處理器電路進一步以邏輯程控，其中分配初始KF濾波器機率值進一步包含分配行動裝置位於複數六角形細胞之每一者之初始偏移值。
範例4指向範例2之處理器電路，其中，處理器電路進一步以邏輯程控，其中分配初始BF機率值進一步包含針對每一個六角形細胞識別鄰接六角形細胞(Xn-1)，並將行動裝置呈現於每一鄰接六角形細胞(Xn-1)之機率乘以轉移機率。
範例5指向範例1之處理器電路，其中，處理器電路進一步以邏輯程控，其中加總行動裝置位於所有鄰接位置之機率係由下列方程式決定：
範例6指向範例2之處理器電路，其中，處理器電路進一步以邏輯程控，其進一步包含將1之初始KF機率值分配予複數六角形細胞之每一者。
範例7指向範例2之處理器電路，其中，轉移機率決定為相鄰六角形細胞間之距離的函數。
範例8指向範例1之處理器電路，其中，處理器電路進一步以邏輯程控，其中決定行動裝置位於第一 位置Pr(Xn/Yn-1)之機率進一步包含加總行動裝置位於所有鄰接位置之機率，並以加總之機率乘以轉移機率。
範例9指向一種處理器電路，以邏輯程控而實施功能，包含：接收時差測距資訊(ToF)，用於一或更多個存取點(AP)與行動裝置間之通訊；識別具有高斯雜訊分布之第一組狀態變數，並施加卡爾曼濾波器(KF)以決定ToF位置決定中之誤差機率，做為第一組狀態變數之函數；識別具有非高斯雜訊分布之第二組狀態變數，並施加貝氏(Bayesian)濾波器(BF)以決定ToF位置決定中之誤差機率，做為第二組狀態變數之函數；至少部分組合使用KF及BF決定之誤差機率，而接近行動裝置之位置。
範例10指向範例9之處理器電路，其中，邏輯進一步包含細分有關行動裝置之區域為複數六角形細胞之功能。
範例11指向範例10之處理器電路，其中，施加KF以決定誤差機率進一步包含分配行動裝置存在於複數六角形細胞之每一者之初始KF機率值。
範例12指向範例11之處理器電路，其中在邏輯中進一步包含功能，用於鑒於複數六角形細胞之每一者之行動裝置位置機率，計算更新KF值，做為偏移值、平均值及變異值之函數。
範例13指向範例10之處理器電路，其中，邏輯進一步包含功能，用於施加BF濾波器以決定誤差機 率，進一步包含將表示行動裝置存在於每一個別細胞之機率的初始BF機率值(Pr)分配予複數六角形細胞之每一者。
範例14指向範例13之處理器電路，其中，邏輯進一步包含功能，用於計算更新BF值，做為與行動裝置存在於複數六角形細胞之每一者相關聯之偏移值的函數。
範例15指向一種方法，用於決定有界區域中行動裝置之位置，包含：識別區域中複數位置(Xn,Yn)，及將行動裝置存在之初始貝氏(Bayesian)濾波器(BF)機率值(Pr)分配予每一位置；分配行動裝置存在之初始卡爾曼濾波器(KF)機率值；藉由加總行動裝置位於鄰接位置之機率，並以加總之機率乘以轉移機率而決定行動裝置位於第一位置Pr(Xn/Yn-1)之機率；決定權值Pn，做為行動裝置在第一位置Pr(Xn/Yn-1)之機率及轉移機率之函數；計算平均值及變異值做為個別位置之Pn權值之函數；計算更新卡爾曼濾波器(KF)值做為偏移值、平均值及變異值之函數；計算更新BF值做為偏移值之函數；以及更新行動裝置之位置做為更新BF值及更新KF值之函數。
範例16指向範例15之方法，其中，複數鄰接位置之每一者包含六角形細胞。
範例17指向範例16之方法，其中，分配初始KF濾波器機率值進一步包含分配行動裝置位於複數六 角形細胞之每一者之初始偏移值。
範例18指向範例16之方法，其中，分配初始BF機率值進一步包含針對每一個六角形細胞識別所有鄰接六角形細胞(Xn-1)，並將行動裝置存在於每一鄰接六角形細胞(Xn-1)之機率乘以轉移機率。
範例19指向範例15之方法，其中，加總行動裝置位於所有鄰接位置之機率係由下列方程式決定：
範例20指向範例16之方法，進一步包含將1之初始KF機率值分配予複數六角形細胞之每一者。
範例21指向範例16之方法，其中，轉移機率決定為相鄰六角形細胞間之距離的函數。
範例22指向範例15之方法，其中，決定行動裝置位於第一位置Pr(Xn/Yn-1)之機率進一步包含加總行動裝置位於所有鄰接位置之機率，並以加總之機率乘以轉移機率。
雖然已鑒於文中所示之示例實施例描繪本揭露之原理，本揭露之原理不侷限於此，可包括其任何修改、變化及置換。

Claims (18)

  1. 一種處理器電路，用於決定有界區域中行動裝置之位置，該電路以邏輯程控而實施功能，包含：識別該區域中複數位置(Xn,Yn)，及將該行動裝置存在之初始貝氏(Bayesian)濾波器(BF)機率值(Pr)分配予每一位置；藉由加總該行動裝置位於所有鄰接位置之機率而決定該行動裝置位於第一位置Pr(Xn,/Yn-1)之機率，及乘以轉移機率而決定該行動裝置在該第一位置之新機率；決定權值Pn，做為該行動裝置在該第一位置Pr(Xn,/Yn-1)之該機率及該轉移機率之函數；計算平均值及變異值做為個別位置之Pn權值之函數；決定更新卡爾曼濾波器(KF)值做為偏移值、該平均值及該變異值之函數；以及更新該行動裝置之位置做為該更新BF及該更新KF之函數。
  2. 如申請專利範圍第1項之處理器電路，其中，該複數鄰接位置之每一者定義實質上六角形細胞。
  3. 如申請專利範圍第2項之處理器電路，其中，分配初始KF濾波器機率值進一步包含針對該行動裝置分配初始偏移值，該初始偏移裝置定義近似值。
  4. 如申請專利範圍第2項之處理器電路，其中，預測BF值進一步包含針對每一細胞識別所有鄰接細胞(Xn-1) ，並將該行動裝置呈現於每一鄰接細胞(Xn-1)之該機率乘以該轉移機率，做為該KF值的函數。
  5. 如申請專利範圍第2項之處理器電路，其中，加總該行動裝置位於所有鄰接位置之該機率係由下列方程式決定：
  6. 如申請專利範圍第2項之處理器電路，進一步包含預測每一位置(Xn,Yn)之貝氏(Bayesian)濾波器(BF)機率值。
  7. 如申請專利範圍第2項之處理器電路，其中，該轉移機率決定為相鄰六角形細胞間之距離的函數。
  8. 一種處理器電路，以邏輯程控而實施功能，包含：於與行動裝置通訊中，接收來自一或更多個存取點(AP)之時差測距資訊(ToF)；識別具有高斯雜訊分布之第一組狀態變數，並施加卡爾曼濾波器(KF)以決定ToF位置決定中之誤差機率，做為該第一組狀態變數之函數；識別具有非高斯雜訊分布之第二組狀態變數，並施加貝氏(Bayesian)濾波器(BF)以決定ToF位置決定中之誤差機率，做為該第二組狀態變數之函數；組合由KF及BF決定之該位置機率，以接近該行動裝置之該位置。
  9. 如申請專利範圍第8項之處理器電路，進一步包含 細分有關該行動裝置之區域為複數六角形細胞。
  10. 如申請專利範圍第9項之處理器電路，進一步包含初始化該KF濾波器及該BF濾波器之每一者。
  11. 如申請專利範圍第8項之處理器電路，進一步包含基於初始條件初始化該KF及該BF之一或二者。
  12. 如申請專利範圍第8項之處理器電路，其中，該BF及該KF決定位置及其誤差。
  13. 一種決定有界區域中行動裝置之位置之方法，電路以邏輯程控而實施功能，包含：識別該區域中之複數位置(Xn,Yn)，及將該行動裝置存在之初始貝氏(Bayesian)濾波器(BF)機率值(Pr)分配予每一位置；藉由加總該行動裝置位於所有鄰接位置之機率而決定該行動裝置位於第一位置Pr(Xn,Yn-1)之機率，及乘以轉移機率而決定該行動裝置在該第一位置之新機率；決定權值Pn，做為該行動裝置在該第一位置Pr(Xn,Yn-1)之該機率之函數；計算平均值及變異值做為個別位置之Pn權值之函數；決定更新KF值做為偏移值、該平均值及該變異值之函數；以及更新該行動裝置之位置做為該更新BF及該更新KF之函數。
  14. 如申請專利範圍第13項之方法，其中，該複數鄰 接位置之每一者定義實質上六角形細胞。
  15. 如申請專利範圍第14項之方法，其中，分配初始KF濾波器機率值進一步包含針對該行動裝置分配初始偏移值，該初始偏移裝置定義近似值。
  16. 如申請專利範圍第14項之方法，其中，預測BF值進一步包含針對每一細胞識別所有鄰接細胞(Xn-1)，並將該行動裝置呈現於每一鄰接細胞(Xn-1)之該機率乘以該轉移機率，做為該KF值的函數。
  17. 如申請專利範圍第14項之方法，其中，加總該行動裝置位於所有鄰接位置之該機率係由下列方程式決定：
  18. 如申請專利範圍第13項之方法，進一步包含預測每一位置(Xn,Yn)之貝氏(Bayesian)濾波器(BF)機率值。
TW104135420A 2014-12-02 2015-10-28 決定有界區域中行動裝置之位置之方法及處理器電路 TWI592679B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201462086390P 2014-12-02 2014-12-02
US14/752,520 US9599698B2 (en) 2014-12-02 2015-06-26 Enhanced positioning system using hybrid filter

Publications (2)

Publication Number Publication Date
TW201636636A true TW201636636A (zh) 2016-10-16
TWI592679B TWI592679B (zh) 2017-07-21

Family

ID=54360966

Family Applications (1)

Application Number Title Priority Date Filing Date
TW104135420A TWI592679B (zh) 2014-12-02 2015-10-28 決定有界區域中行動裝置之位置之方法及處理器電路

Country Status (4)

Country Link
US (2) US9599698B2 (zh)
EP (1) EP3029482A1 (zh)
CN (1) CN105657822B (zh)
TW (1) TWI592679B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9841491B2 (en) 2014-12-02 2017-12-12 Intel Corporation Enhanced positioning system using hybrid filter

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017079975A1 (zh) * 2015-11-13 2017-05-18 华为技术有限公司 一种室内定位方法及设备
CN109117965B (zh) * 2017-06-22 2022-03-01 毫末智行科技有限公司 基于卡尔曼滤波器的系统状态预测装置和方法
CN108226887B (zh) * 2018-01-23 2021-06-01 哈尔滨工程大学 一种观测量短暂丢失情况下的水面目标救援状态估计方法
CN108398704B (zh) * 2018-02-06 2020-11-06 北京科技大学 一种贝叶斯滤波的多车辆协作定位方法
CN109282820B (zh) * 2018-11-26 2021-05-11 浙江工业大学 基于分布式混合滤波的室内定位方法
CN109282819B (zh) * 2018-11-26 2021-07-27 浙江工业大学 基于分布式混合滤波的超宽带定位方法
CN114430525B (zh) * 2022-03-15 2022-10-18 中国矿业大学 一种封闭空间基于传感器网络的分布式定位方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8477731B2 (en) 2005-07-25 2013-07-02 Qualcomm Incorporated Method and apparatus for locating a wireless local area network in a wide area network
US8447319B2 (en) 2007-11-15 2013-05-21 Andrew Llc System and method for locating UMTS user equipment using measurement reports
US20120169535A1 (en) * 2011-01-05 2012-07-05 Qualcomm Incorporated Affecting electronic device positioning functions based on measured communication network signal parameters
US8810388B2 (en) * 2011-02-23 2014-08-19 Peter G. Jacobs Position tracking and mobility assessment system
US20130053056A1 (en) * 2011-08-29 2013-02-28 Qualcomm Incorporated Facilitating mobile device positioning
US9113291B2 (en) 2012-06-18 2015-08-18 Qualcomm Incorporated Location detection within identifiable pre-defined geographic areas
CN103152695B (zh) * 2013-02-04 2015-06-10 太原理工大学 基于td-scdma系统的井下人员精确定位方法
US8798548B1 (en) * 2013-03-15 2014-08-05 DGS Global Systems, Inc. Systems, methods, and devices having databases for electronic spectrum management
GB2517201A (en) * 2013-08-16 2015-02-18 Here Global Bv 3D sectorized path-loss models for 3D positioning of mobile terminals
US9807724B2 (en) * 2013-10-08 2017-10-31 Gozio Inc. Use of RF-based fingerprinting for indoor positioning by mobile technology platforms
CN103776453B (zh) * 2014-01-22 2016-03-23 东南大学 一种多模型水下航行器组合导航滤波方法
US9491585B2 (en) * 2014-05-31 2016-11-08 Apple Inc. Location determination using dual statistical filters
US9599698B2 (en) 2014-12-02 2017-03-21 Intel Corporation Enhanced positioning system using hybrid filter

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9841491B2 (en) 2014-12-02 2017-12-12 Intel Corporation Enhanced positioning system using hybrid filter

Also Published As

Publication number Publication date
CN105657822A (zh) 2016-06-08
US20170160378A1 (en) 2017-06-08
EP3029482A1 (en) 2016-06-08
US9841491B2 (en) 2017-12-12
US9599698B2 (en) 2017-03-21
CN105657822B (zh) 2019-06-14
US20160154083A1 (en) 2016-06-02
TWI592679B (zh) 2017-07-21

Similar Documents

Publication Publication Date Title
TWI592679B (zh) 決定有界區域中行動裝置之位置之方法及處理器電路
Subhan et al. Kalman filter-based hybrid indoor position estimation technique in bluetooth networks
Zhuang et al. A pervasive integration platform of low-cost MEMS sensors and wireless signals for indoor localization
CN108141837B (zh) 用于跟踪的装置和方法
US20140134948A1 (en) Method and System for Accurate Straight Line Distance Estimation Between Two Communication Devices
WO2016138800A1 (en) Optimizing position estimates of a device for indoor localization
Chen et al. An indoor positioning technique based on fuzzy logic
KR101390722B1 (ko) 핑거프린팅 기법을 이용한 무선 측위 방법 및 그 장치
Podevijn et al. Performance comparison of rss algorithms for indoor localization in large open environments
Alikhani et al. Fast fingerprinting based indoor localization by Wi-Fi signals
Yu et al. Expansion RSS-based indoor localization using 5G WiFi signal
Zadgaonkar et al. Locating objects in warehouses using ble beacons & machine learning
Haggenmiller et al. Non-parametric error modeling for ultra-wideband localization networks
Chen et al. A modified probability neural network indoor positioning technique
Liu et al. Enhancing smartphone indoor localization via opportunistic sensing
KR102008800B1 (ko) 이동단말기의 위치 측정 장치 및 이를 이용한 이동단말기의 위치 측정 방법
Chen Evaluating off-the-shelf hardware for indoor positioning
Machaj et al. Wireless positioning as a cloud based service
US9215562B1 (en) Method and apparatus for optimized indoor position estimation
US9374676B1 (en) Mobile communication station having selectable position latency for position estimation in a wireless network
Chehri et al. Low-cost localization and tracking system with wireless sensor networks in snowy environments
CN112235757B (zh) 用于定位的方法、设备、装置和计算机可读存储介质
Huszák et al. Investigation of wlan access point placement for indoor positioning
Yousefi et al. Cooperative localization of mobile nodes in NLOS
TWI612320B (zh) 動態室內定位系統及其方法

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees