TWI554136B - 室內定位方法以及使用該方法的裝置 - Google Patents
室內定位方法以及使用該方法的裝置 Download PDFInfo
- Publication number
- TWI554136B TWI554136B TW103132926A TW103132926A TWI554136B TW I554136 B TWI554136 B TW I554136B TW 103132926 A TW103132926 A TW 103132926A TW 103132926 A TW103132926 A TW 103132926A TW I554136 B TWI554136 B TW I554136B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine learning
- node
- learning model
- identification information
- blind node
- Prior art date
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
- G01S5/0205—Details
- G01S5/0236—Assistance data, e.g. base station almanac
-
- 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
- G01S5/0205—Details
- G01S5/021—Calibration, monitoring or correction
-
- 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
- G01S5/0205—Details
- G01S5/0226—Transmitters
-
- 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
- G01S5/0205—Details
- G01S5/0242—Determining the position of transmitters to be subsequently used in positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Description
本發明關連於一種定位技術,特別是一種室內定位方法以及使用該方法的裝置。
傳統的室內定位技術仰賴具有角度偵測的無線通訊裝置,例如WiFi或藍芽裝置,以及搭配到達角量測(angle of arrival measurement)來達成高度精確性。然而,尤其是需要大量部署時,這樣的無線通訊裝置不僅價格昂貴也相當耗電。因此,需要一種室內定位方法以及使用該方法的裝置,使得此裝置的需要成本較低且低耗電。
本發明的實施例提出一種室內定位方法,由第一參考節點中之處理單元執行,包含以下步驟。監聽多個第二參考節點的多個廣播訊號,獲得廣播訊號的多個訊號量測值,從第二參考節點傳送的廣播訊息中獲得多個識別資訊,以及獲得關聯於每一個識別資訊的距離長度。根據訊號量測值及距離長度更新機器學習模型,其中機器學習模型描述訊號量測值及距離長度間的線性函數關係。
本發明的實施例另提出一種室內定位方法,由第一參考節點中之處理單元執行,包含以下步驟。產生第一機器
學習模型,從多個第二參考節點蒐集多個第二機器學習模型,以及依據第二機器學習模型計算出平均的機器學習模型。接著,計算第一機器學習模型與平均的機器學習模型之間的差異,判斷上述差異是否大於門檻值,以及,當差異大於門檻值時,用平均的機器學習模型覆寫儲存於記憶體中的第一機器學習模型,其中平均的機器學習模型描述訊號量測值及距離長度間的線性函數關係。
本發明的實施例提出一種室內定位裝置,包含通訊介面及處理單元。處理單元透過通訊介面監聽多個第二參考節點的多個廣播訊號;獲得廣播訊號的多個訊號量測值;從第二參考節點傳送的廣播訊息中獲得多個識別資訊;獲得關聯於每一識別資訊的距離長度;以及根據訊號量測值及距離長度更新機器學習模型,其中,機器學習模型描述訊號量測值及距離長度間的線性函數關係。
本發明的實施例提出一種室內定位裝置,包含通訊介面、記憶體及處理單元。記憶體儲存第一機器學習模型。處理單元產生第一機器學習模型;透過通訊介面從多個第二參考節點蒐集多個第二機器學習模型;依據第二機器學習模型計算出平均的機器學習模型;計算第一機器學習模型與平均的機器學習模型之間的差異;判斷差異是否大於門檻值;以及當上述差異大於門檻值時,用平均的機器學習模型覆寫儲存於記憶體中的第一機器學習模型,其中平均的機器學習模型描述訊號量測值及距離長度間的線性函數關係。
10‧‧‧室內定位系統
110~160‧‧‧參考節點
170‧‧‧盲節點
210‧‧‧處理單元
220‧‧‧顯示單元
230‧‧‧輸入裝置
240‧‧‧儲存裝置
250‧‧‧記憶體
260‧‧‧通訊介面
310‧‧‧處理單元
330‧‧‧輸入裝置
340‧‧‧儲存裝置
350‧‧‧記憶體
360‧‧‧通訊介面
S410~S450‧‧‧方法步驟
510‧‧‧理論機器學習模型
530‧‧‧實際機器學習模型
S610~S650‧‧‧方法步驟
S711~S739‧‧‧方法步驟
900‧‧‧定位節點
910‧‧‧處理單元
S911~S953‧‧‧方法步驟
第1圖係依據本發明實施例之室內定位系統的示意圖。
第2圖係依據本發明實施例的運算裝置的系統架構圖。
第3圖係依據本發明實施例的運算裝置的系統架構圖。
第4圖係依據本發明實施例之由參考節點的處理單元執行的產生機器學習模型的方法流程圖。
第5圖係依據本發明實施例之範例機器學習模型。
第6圖係依據本發明實施例之由參考節點的處理單元執行的更新偏差機器學習模型的方法流程圖。
第7圖係依據本發明實施例之由盲節點的處理單元及參考節點的處理單元執行的定位方法流程圖。
第8圖係依據本發明實施例的室內導航情境示意圖。
第9圖係依據本發明實施例之由盲節點的處理單元、參考節點的處理單元及定位節點的處理單元執行的定位方法流程圖。
第10圖係依據本發明實施例的室內追蹤情境示意圖。
以下說明係為完成發明的較佳實現方式,其目的在於描述本發明的基本精神,但並不用以限定本發明。實際的發明內容必須參考之後的權利要求範圍。
必須了解的是,使用於本說明書中的”包含”、”包括”等詞,係用以表示存在特定的技術特徵、數值、方法步驟、作業處理、元件以及/或組件,但並不排除可加上更多的技術特徵、數值、方法步驟、作業處理、元件、組件,或以上的任
意組合。
於權利要求中使用如”第一”、"第二"、"第三"等詞係用來修飾權利要求中的元件,並非用來表示之間具有優先權順序,先行關係,或者是一個元件先於另一個元件,或者是執行方法步驟時的時間先後順序,僅用來區別具有相同名字的元件。
第1圖係依據本發明實施例之室內定位系統10的示意圖。例如,一個三度空間中包含六個無線裝置110至160,而使用者可攜帶行動裝置170在三度空間中任意移動,並藉由無線裝置110至160的幫助知道目前的位置。行動裝置170可以是手機、平板電腦、筆記型電腦等。為降低部署成本以及漸少耗電,無線裝置110至160中之任一者並不包含昂貴的角度偵測裝置。室內定位系統10可使用Apache® Storm雲端運算架構來實施,並且行動裝置170可包含水龍頭伺服器(spout server)以以及閃電伺服器(bolt servers),而無線裝置110至160可包含閃電伺服器。熟習此技藝人士了解Apache® Storm雲端運算架構可做即時的巨量資料(big data)運算,讓室內定位更為精確。無線裝置110至160可運行於微作業系統(TinyOS),又可稱為參考節點(reference nodes)。行動裝置170可運行於蘋果(Apple)iOS、谷歌安卓(Google Android)或微軟視窗(Microsoft Windows)等作業系統,又可稱為盲節點(blind node)。
第2圖係依據本發明實施例的運算裝置的系統架構圖。此系統架構可實施於行動裝置170,至少包含處理單元210。處理單元210可使用多種方式實施,例如以專用硬體電路
或通用硬體(例如,單一處理器、具平行處理能力的多處理器、圖形處理器或其他具運算能力的處理器),並且在執行程式碼或軟體時,提供之後所描述的功能。系統架構另包含記憶體250用以儲存執行過程中需要的資料,例如,變數、資料表(data tables)等,以及儲存裝置240,用以儲存各式各樣的電子檔案,例如,網頁、文件、音訊檔、視訊檔等。系統架構另包含通訊介面260,讓處理單元210可藉以跟無線裝置110至160或其他電子裝置進行溝通。通訊介面260可以是低成本、低耗電的紫蜂模組(ZigBee module)。輸入裝置230可包含鍵盤、滑鼠、觸控面板等。使用者可按壓鍵盤上的硬鍵來輸入字元,藉由操作滑鼠來控制鼠標,或者是在觸控面板製造手勢來控制執行中的應用程式。手勢可包含單擊、雙擊、單指拖曳、多指拖曳等,但不限定於此。顯示單元220可包含顯示面板(例如,薄膜液晶顯示面板、有機發光二極體面板或其他具顯示能力的面板),用以顯示輸入的字元、數字、符號、拖曳鼠標的移動軌跡、繪製的圖案或應用程式所提供的畫面,提供給使用者觀看。
第3圖係依據本發明實施例的運算裝置的系統架構圖。此系統架構可實施於無線裝置110至160,至少包含處理單元310。處理單元310可使用多種方式實施,例如以專用硬體電路或通用硬體(例如,單一處理器、具平行處理能力的多處理器、圖形處理器或其他具運算能力的處理器),並且在執行程式碼或軟體時,提供之後所描述的功能。系統架構另包含記憶體350用以儲存執行過程中需要的資料,例如,變數、資料表、機器學習模型(MLM,machine learning model)等,以及儲
存裝置340,用以儲存各式各樣的電子檔案。系統架構另包含通訊介面360,讓處理單元310可藉以跟行動裝置170或其他無線裝置進行溝通。通訊介面360可以是低成本、低耗電的紫蜂模組(ZigBee module)。
參考節點110至160中之每一者設置在一個三度空間中的固定地點,並且知道其他節點距離自己之間的實際長度。任一參考節點可將所有其他節點距離自己之間的實際長度,使用資料表的方式記錄在儲存裝置340。請參考第1圖。例如,參考節點110距離參考節點120的長度固定為L12,距離參考節點130的長度固定為L13,距離參考節點140的長度固定為L14,以及距離參考節點160的長度固定為L16。參考節點120距離參考節點110的長度固定為L12,距離參考節點130的長度固定為L23,距離參考節點140的長度固定為L24,以及距離參考節點150的長度固定為L25。參考節點110至160中之每一者週期性地廣播自己的資訊給其他的參考節點,例如裝置識別碼、網路位址、三度空間位置(x-coordinate,y-coordinate,z-coordinate)等,以及週期性監聽其他參考節點廣播的資訊並得到訊號量測值(measurement),例如接收訊號強度指標(RSSI,Received Signal Strength Indication)、連結品質指標(LQI,Link Quality Indicator)等。參考節點110至160中之每一者可將低於門檻值訊號量測值濾除而不予考慮。參考節點110至160中之每一者可依據與其他參考節點的已知固定距離以及相關聯的訊號量測值產生機器學習模型。第4圖係依據本發明實施例之由參考節點的處理單元310執行的產生機器學習模型的方法流程
圖。處理單元310透過通訊介面360監聽到任一個其他參考節點的廣播訊號後(步驟S410),判斷廣播訊號的量測值是否超過預設的門檻值,其中廣播訊號量測值可以是接收訊號強度指標、連結品質指標等(步驟S420)。若否,則繼續執行監聽作業(步驟S410)。若是,則從廣播訊息中獲得參考節點的識別資訊,例如裝置識別碼、網路位址等,並據以取得此參考節點距離自己的長度(步驟S430)。裝置識別碼可為服務集識別碼(SSID,Service Set Identifier),且廣播訊息可為信號台封包(beacon packets)。於步驟S430,處理單元310可根據儲存裝置340儲存的資訊取得相應於獲得之識別資訊所對應的固定長度。接著,處理單元310可蒐集影響變數值,例如溫度、濕度、裝置老化(aging)等(步驟S440),並根據此參考節點距離自己的長度、廣播訊號量測值以及影響變數值更新機器學習模型(步驟S450)。於步驟S450,可使用線性分類演算法(linear classification algorithm)將影響變數進行群組,例如知覺(perception)、被動進取(passive aggressive)、信度加權學習(confidence weighted learning)、加權向量的自我調整正規化(AROW,Adaptive Regularization of Weight Vectors)等演算法,以及使用線性迴歸預測(linear regression estimation)技術來估計廣播訊號量測值及距離長度間的對應關係。第5圖係依據本發明實施例之範例機器學習模型,描述距離長度與接收訊號強度指標間的線性函數關係。初始時,每一參考節點擁有一個理論的機器學習模型510。經過一連串的資料蒐集與更新後(步驟S410至S450),實際的機器學習模型改變為曲線530。於
一些實施例中,熟習此技藝人士亦可實施機器學習模型來描述距離長度與其他訊號量測值間的線性函數關係,例如,連結品質指標等。
第6圖係依據本發明實施例之由參考節點的處理單元310執行的更新偏差機器學習模型的方法流程圖,此方法用來防止因無法預期的錯誤而產生偏差的機器學習模型。參考節點110至160中之任一者的處理單元310可透過通訊介面360蒐集其他參考節點的機器學習模型(步驟S610),然後據以計算出平均的機器學習模型(又可稱為全域機器學習模型)(步驟S620)。於步驟S610,參考節點110至160可使用自訂的通訊協定(proprietary protocol)來交換彼此的偏差機器學習模型。接著,計算自己產生的機器學習模型(又可稱為本地機器學習模型)與平均的機器學習模型之間的差異(步驟S630),並判斷此差異是否大於預設的門檻值(步驟S640)。若是,則用全域機器學習模型覆寫儲存於記憶體350中的本地機器學習模型(步驟S650);否則,結束整個流程。
以下舉出室內導航(indoor navigation)的應用情境來說明本發明實施例的定位方法。第7圖係依據本發明實施例之由盲節點的處理單元210及參考節點的處理單元310執行的定位方法流程圖。處理單元210透過通訊介面260週期性的廣播定位請求(步驟S711)。參考節點110至160中之任一者的處理單元310透過通訊介面360接收定位請求後(步驟S731),計算廣播訊號的訊號量測值,例如接收訊號強度指標、連結品質指標等(步驟S733),並且判斷訊號量測值是否超過預設的門檻值(步驟
S735)。若否,則忽略此定位請求。若是,則依據儲存於記憶體350的機器學習模型將訊號量測值轉換成距離長度(步驟S737),接著,透過通訊介面360回覆此參考節點的三度空間位置以及距離長度給盲節點170(步驟S739)。盲節點170中處理單元210透過通訊介面260蒐集到參考節點110至160的三度空間位置以及距離長度後(步驟S713),計算盲節點170目前所在的三度空間位置(步驟S715)。於步驟S715,處理單元210可依據至少三個參考節點的三度空間位置以及距離長度使用三邊定位演算法(trilateration algorithm)計算盲節點170目前所在的三度空間位置。最後計算出的三度空間位置可提供給室內導航應用程式,用以更新室內地圖中盲節點170的目前所在位置,讓使用者透過圖形化介面知道周遭環境。第8圖係依據本發明實施例的室內導航情境示意圖。盲節點170於不斷移動的過程中,由執行於處理單元210的水龍頭伺服器不斷廣播定位請求給參考節點110至160(步驟S711)。參考節點110至160中之每一者所執行的閃電伺服器於判斷廣播訊號的量測值超過預設的門檻值後(步驟S735中”是”的路徑),依據機器學習模型將訊號量測值轉換成距離長度(步驟S737),並回覆此參考節點的三度空間位置以及盲節點與參考節點間的距離長度給盲節點170(步驟S739)。執行於處理單元210的閃電伺服器蒐集到參考節點110至160的三度空間位置以及盲節點與參考節點間的距離長度後(步驟S713),計算盲節點170目前所在的三度空間位置(步驟S715)。
以下舉出室內追蹤(indoor tracking)的應用情境來
說明本發明實施例的定位方法。第9圖係依據本發明實施例之由盲節點的處理單元210、參考節點的處理單元310及定位節點的處理單元910執行的定位方法流程圖。定位節點可實施於一部個人電腦,其硬體架構可參考第2圖的說明。參考節點110至160中之任一者的處理單元310透過通訊介面360週期性的廣播定位請求,包含參考節點的識別資訊,例如裝置識別碼、網路位址等(步驟S931)。盲節點170的處理單元210透過通訊介面260接收定位請求後(步驟S911),回覆回音訊息(echo message),包含定位請求中參考節點的識別資訊以及盲節點170的識別資訊,例如裝置識別碼、網路位址等(步驟S913)。參考節點110至160中之任一者的處理單元310透過通訊介面360接收回音訊息後(步驟S933),計算回覆訊號的訊號量測值,例如接收訊號強度指標、連結品質指標等(步驟S935),並且判斷訊號量測值是否超過預設的門檻值(步驟S937)。若否,則忽略此回音訊息。若是,則依據儲存於記憶體350的機器學習模型將訊號量測值轉換成距離長度(步驟S938),接著,透過通訊介面360將盲節點的識別資訊、參考節點的識別資訊及三度空間位置、以及盲節點與參考節點間的距離長度傳送給定位節點(步驟S939)。定位節點中處理單元910透過通訊介面蒐集到參考節點110至160傳送的盲節點的識別資訊、參考節點的識別資訊及三度空間位置、以及盲節點與參考節點間的距離長度後(步驟S951),計算盲節點170目前所在的三度空間位置(步驟S953)。於步驟S953,處理單元910可依據至少三個參考節點的三度空間位置以及距離長度使用三邊定位演算法計算盲節點
170目前所在的三度空間位置。最後計算出的三度空間位置可提供給室內追蹤應用程式,用以更新室內地圖中盲節點170的目前所在位置,讓使用者透過圖形化介面瀏覽。第10圖係依據本發明實施例的室內追蹤情境示意圖。參考節點110至160中之每一者所執行的閃電伺服器不斷廣播定位請求(步驟S931)。盲節點170於不斷移動的過程中,由執行於處理單元210的水龍頭伺服器於每次接收到定位請求後,回覆回音訊息給參考節點(步驟S913)。參考節點110至160中之每一者所執行的閃電伺服器於判斷廣播訊號的量測值超過預設的門檻值後(步驟S937中”是”的路徑),依據機器學習模型將訊號量測值轉換成距離長度(步驟S938),並傳送盲節點的識別資訊、參考節點的識別資訊及三度空間位置、以及盲節點與參考節點間的距離長度給定位節點900(步驟S939)。執行於定位節點900中之處理單元910的閃電伺服器從參考節點110至160蒐集到盲節點的識別資訊、參考節點的識別資訊及三度空間位置、以及盲節點與參考節點間的距離長度後(步驟S951),計算盲節點170目前所在的三度空間位置(步驟S953)。
雖然第2至3圖中包含了以上描述的元件,但不排除在不違反發明的精神下,使用更多其他的附加元件,已達成更佳的技術效果。此外,雖然第4、6、7、9圖的方法流程圖採用特定的順序來執行,但是在不違法發明精神的情況下,熟習此技藝人士可以在達到相同效果的前提下,修改這些步驟間的順序,所以,本發明並不侷限於僅使用如上所述的順序。
雖然本發明使用以上實施例進行說明,但需要注
意的是,這些描述並非用以限縮本發明。相反地,此發明涵蓋了熟習此技藝人士顯而易見的修改與相似設置。所以,申請權利要求範圍須以最寬廣的方式解釋來包含所有顯而易見的修改與相似設置。
S410~S450‧‧‧方法步驟
Claims (20)
- 一種室內定位方法,由一第一參考節點中的一處理單元執行,包含:監聽多個第二參考節點的多個第一廣播訊號;獲得上述第一廣播訊號的多個第一訊號量測值;從上述第二參考節點傳送的多個廣播訊息中獲得多個識別資訊;獲得關聯於每一上述識別資訊的一第一距離長度;根據上述第一訊號量測值及上述第一距離長度更新一第一機器學習模型,其中上述第一機器學習模型描述訊號量測值及距離長度間的線性函數關係;從一盲節點接收一定位請求;計算上述盲節點的一第二廣播訊號的一第二訊號量測值;依據上述第一機器學習模型將上述第二訊號量測值轉換為一第二距離長度;以及回覆上述第一參考節點的一三度空間位置以及上述第二距離長度給上述盲節點,從而使得上述盲節點據以計算上述盲節點的一三度空間位置。
- 如申請專利範圍第1項所述的室內定位方法,其中,上述第一訊號量測值為一接收訊號強度指標或一連結品質指標。
- 如申請專利範圍第1項所述的室內定位方法,其中,上述識別資訊為一裝置識別碼或一網路位址。
- 如申請專利範圍第1項所述的室內定位方法,其中,上述關聯於每一上述識別資訊的上述第一距離長度係從一儲存裝 置中儲存的資訊獲得。
- 如申請專利範圍第1項所述的室內定位方法,更包含:判斷每一上述第一訊號量測值是否超過一第一門檻值;以及當上述第一訊號量測值超過上述第一門檻值時,從上述相應的第二參考節點傳送的上述相應的廣播訊息中獲得上述相應的識別資訊。
- 如申請專利範圍第5項所述的室內定位方法,更包含:從上述第二參考節點蒐集多個第二機器學習模型;依據上述多個第二機器學習模型計算出一平均的機器學習模型;計算上述第一機器學習模型與上述平均的機器學習模型之間的一差異;判斷上述差異是否大於一第二門檻值;以及當上述差異大於上述第二門檻值時,用上述平均的機器學習模型覆寫儲存於一記憶體中的上述第一機器學習模型。
- 如申請專利範圍第1項所述的室內定位方法,更包含:從一盲節點接收一回音訊息,包含上述盲節點的一識別資訊;計算上述盲節點的一回覆訊號的一第二訊號量測值;依據上述第一機器學習模型將上述第二訊號量測值轉換為一第二距離長度;以及傳送上述盲節點的上述識別資訊、上述第一參考節點的一識別資訊及一三度空間位置以及上述第二距離長度給一定 位節點,從而使得上述定位節點據以計算上述盲節點的一三度空間位置。
- 一種室內定位方法,由一第一參考節點中的一處理單元執行,包含:產生一第一機器學習模型;從多個第二參考節點蒐集多個第二機器學習模型;依據上述第二機器學習模型計算出一平均的機器學習模型;計算上述第一機器學習模型與上述平均的機器學習模型之間的一差異;判斷上述差異是否大於一門檻值;以及當上述差異大於上述門檻值時,用上述平均的機器學習模型覆寫儲存於一記憶體中的上述第一機器學習模型,其中上述平均的機器學習模型描述訊號量測值及距離長度間的線性函數關係。
- 如申請專利範圍第8項所述的室內定位方法,更包含:從一盲節點接收一定位請求;計算上述盲節點的一廣播訊號的一訊號量測值;依據上述平均的機器學習模型將上述訊號量測值轉換為一距離長度;以及回覆上述第一參考節點的一三度空間位置以及上述距離長度給上述盲節點,從而使得上述盲節點據以計算上述盲節點的一三度空間位置。
- 如申請專利範圍第8項所述的室內定位方法,更包含: 從一盲節點接收一回音訊息,包含上述盲節點的一識別資訊;計算上述盲節點的一回覆訊號的一訊號量測值;依據上述平均的機器學習模型將上述訊號量測值轉換為一距離長度;以及傳送上述盲節點的上述識別資訊、上述第一參考節點的一識別資訊及一三度空間位置以及上述距離長度給一定位節點,從而使得上述定位節點據以計算上述盲節點的一三度空間位置。
- 一種室內定位裝置,包含:一通訊介面;以及一處理單元,耦接於上述通訊介面,透過上述通訊介面監聽多個第二參考節點的多個第一廣播訊號;獲得上述第一廣播訊號的多個第一訊號量測值;從上述第二參考節點傳送的多個廣播訊息中獲得多個識別資訊;獲得關聯於每一上述識別資訊的一第一距離長度;根據上述第一訊號量測值及上述第一距離長度更新一第一機器學習模型,其中上述第一機器學習模型描述訊號量測值及距離長度間的線性函數關係;透過上述通訊介面從一盲節點接收一定位請求;計算上述盲節點的一第二廣播訊號的一第二訊號量測值;依據上述第一機器學習模型將上述第二訊號量測值轉換為一第二距離長度;以及回覆上述第一參考節點的一三度空間位置以及上述第二距離長度給上述盲節點,從而使得上述盲節點據以計算上述盲節點的一三度空間位置。
- 如申請專利範圍第11項所述的室內定位裝置,其中,上述第一訊號量測值為一接收訊號強度指標或一連結品質指標。
- 如申請專利範圍第11項所述的室內定位裝置,其中,上述識別資訊為一裝置識別碼或一網路位址。
- 如申請專利範圍第11項所述的室內定位裝置,更包含:一儲存裝置;其中,上述關聯於每一上述識別資訊的上述第一距離長度係從上述儲存裝置中儲存的資訊獲得。
- 如申請專利範圍第11項所述的室內定位裝置,其中,上述處理單元判斷每一上述第一訊號量測值是否超過一第一門檻值;以及當上述第一訊號量測值超過上述第一門檻值時,從上述相應的第二參考節點傳送的上述相應的廣播訊息中獲得上述相應的識別資訊。
- 如申請專利範圍第15項所述的室內定位裝置,更包含:一記憶體,儲存上述第一機器學習模型;其中,上述處理單元透過上述通訊介面從上述第二參考節點蒐集多個第二機器學習模型;依據上述第二機器學習模型計算出一平均的機器學習模型;計算上述第一機器學習模型與上述平均的機器學習模型之間的一差異;判斷上述差異是否大於一第二門檻值;以及當上述差異大於上述第二門檻值時,用上述平均的機器學習模型覆寫儲存於上述記憶體中的上述第一機器學習模型。
- 如申請專利範圍第11項所述的室內定位裝置,其中,上述 處理單元透過上述通訊介面從一盲節點接收一回音訊息,包含上述盲節點的一識別資訊;計算上述盲節點的一回覆訊號的一第二訊號量測值;依據上述第一機器學習模型將上述第二訊號量測值轉換為一第二距離長度;以及傳送上述盲節點的上述識別資訊、上述第一參考節點的一識別資訊及一三度空間位置以及上述第二距離長度給一定位節點,從而使得上述定位節點據以計算上述盲節點的一三度空間位置。
- 一種室內定位裝置,包含:一通訊介面;一記憶體,儲存一第一機器學習模型;以及一處理單元,耦接於上述通訊介面,產生上述第一機器學習模型;透過上述通訊介面從多個第二參考節點蒐集多個第二機器學習模型;依據上述第二機器學習模型計算出一平均的機器學習模型;計算上述第一機器學習模型與上述平均的機器學習模型之間的一差異;判斷上述差異是否大於一門檻值;以及當上述差異大於上述門檻值時,用上述平均的機器學習模型覆寫儲存於上述記憶體中的上述第一機器學習模型,其中上述平均的機器學習模型描述訊號量測值及距離長度間的線性函數關係。
- 如申請專利範圍第18項所述的室內定位裝置,其中,上述處理單元透過上述通訊介面從一盲節點接收一定位請求;計算上述盲節點的一廣播訊號的一訊號量測值;依據上述平均的機器學習模型將上述訊號量測值轉換為一距離長 度;以及回覆上述第一參考節點的一三度空間位置以及上述距離長度給上述盲節點,從而使得上述盲節點據以計算上述盲節點的一三度空間位置。
- 如申請專利範圍第18項所述的室內定位裝置,其中,上述處理單元透過上述通訊介面從一盲節點接收一回音訊息,包含上述盲節點的一識別資訊;計算上述盲節點的一回覆訊號的一訊號量測值;依據上述平均的機器學習模型將上述訊號量測值轉換為一距離長度;以及傳送上述盲節點的上述識別資訊、上述第一參考節點的一識別資訊及一三度空間位置以及上述距離長度給一定位節點,從而使得上述定位節點據以計算上述盲節點的一三度空間位置。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132926A TWI554136B (zh) | 2014-09-24 | 2014-09-24 | 室內定位方法以及使用該方法的裝置 |
CN201410519729.XA CN105527604A (zh) | 2014-09-24 | 2014-09-30 | 室内定位方法以及使用该方法的装置 |
US14/597,101 US9995816B2 (en) | 2014-09-24 | 2015-01-14 | Methods for indoor positioning and apparatuses using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW103132926A TWI554136B (zh) | 2014-09-24 | 2014-09-24 | 室內定位方法以及使用該方法的裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201613397A TW201613397A (en) | 2016-04-01 |
TWI554136B true TWI554136B (zh) | 2016-10-11 |
Family
ID=55525484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW103132926A TWI554136B (zh) | 2014-09-24 | 2014-09-24 | 室內定位方法以及使用該方法的裝置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9995816B2 (zh) |
CN (1) | CN105527604A (zh) |
TW (1) | TWI554136B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109416394B (zh) * | 2015-12-26 | 2023-09-05 | 英特尔公司 | 二维入侵者位置检测 |
US10142782B2 (en) | 2016-07-14 | 2018-11-27 | United Parcel Service Of America, Inc. | Internal location address and automatic routing of intra-facility movement |
CN106877955B (zh) * | 2017-03-29 | 2018-12-25 | 西华大学 | 基于隐马尔可夫模型的调频广播信号报时特征识别方法 |
US10756962B2 (en) * | 2017-08-08 | 2020-08-25 | International Business Machines Corporation | System and method to define internet control rules in Wi-Fi based on layout |
US10397894B2 (en) | 2017-09-07 | 2019-08-27 | Cybertan Technology, Inc. | Autonomous positioning systems |
CN107896362A (zh) * | 2017-10-25 | 2018-04-10 | 电子科技大学 | 一种基于深度学习的wifi位置指纹定位方法及系统 |
CN107958040B (zh) * | 2017-11-22 | 2020-11-03 | 深圳慧智星晨科技有限公司 | 一种用于室内物品定位、管理以及分析的智能系统 |
CN110726970B (zh) * | 2018-07-17 | 2021-12-24 | Tcl科技集团股份有限公司 | 目标定位方法及终端设备 |
US10742497B2 (en) * | 2018-11-09 | 2020-08-11 | Here Global B.V. | Reconfiguration of a radio positioning support system |
CN109495846B (zh) * | 2018-12-24 | 2021-05-07 | 维沃移动通信有限公司 | 一种定位方法及移动终端 |
CN112040394B (zh) * | 2020-08-05 | 2022-06-10 | 深圳市微能信息科技有限公司 | 一种基于ai深度学习算法的蓝牙定位方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120117112A1 (en) * | 2010-11-08 | 2012-05-10 | Michael Johnston | Systems, Methods, and Computer Program Products for Location Salience Modeling for Multimodal Search |
TW201237452A (en) * | 2011-03-11 | 2012-09-16 | Univ Nat Central | Hybrid indoor positioning method combining signal intensity characteristics matching and position prediction analysis |
CN102984745A (zh) * | 2012-11-29 | 2013-03-20 | 清华大学深圳研究生院 | Wi-Fi AP位置及路径损耗模型的联合估测方法 |
CN103220777A (zh) * | 2013-01-05 | 2013-07-24 | 东莞市力王电池有限公司 | 一种移动设备定位系统 |
CN103260239A (zh) * | 2013-04-19 | 2013-08-21 | 北京理工大学 | 一种基于wifi的移动设备定位方法 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5347132A (en) | 1993-07-30 | 1994-09-13 | Wisconsin Alumni Research Foundation | Position sensitive detector providing position information with enhanced reliability and performance |
DE112005001761T5 (de) * | 2004-07-23 | 2007-05-24 | Wireless Valley Communications, Inc., Austin | System, Verfahren und Vorrichtung zum Bestimmen und Verwenden einer Position von drahtlosen Vorrichtungen oder einer Infrastruktur zur Verbesserung eines drahtlosen Netzes |
TW200942852A (en) * | 2008-04-07 | 2009-10-16 | Jin-Rong Bai | An indoor positioning system |
US8639184B2 (en) * | 2008-11-06 | 2014-01-28 | Qualcomm Incorporated | Static nodes positioning in a wireless network |
TWI442078B (zh) * | 2011-02-25 | 2014-06-21 | Inst Information Industry | 定位裝置、定位方法及其電腦程式產品 |
TW201300813A (zh) * | 2011-06-22 | 2013-01-01 | Ind Tech Res Inst | 電子裝置、定位方法與系統、電腦程式產品與記錄媒體 |
CN102413564B (zh) * | 2011-11-25 | 2014-07-23 | 北京工业大学 | 基于bp神经网络和改进质心算法的室内定位方法 |
CN102595592A (zh) * | 2012-01-10 | 2012-07-18 | 西北工业大学 | 一种移动社会网络目标节点的室内定位方法 |
CN103379427B (zh) * | 2012-04-13 | 2016-06-15 | 华为技术有限公司 | 一种定位方法、设备及系统 |
US9414239B2 (en) * | 2012-06-14 | 2016-08-09 | Digimarc Corporation | Space time calibration for networks using state model of node clock parameters |
CN103796305B (zh) * | 2014-02-11 | 2017-05-24 | 上海交通大学 | 一种基于Wi‑Fi位置指纹的室内定位方法 |
CN103813448A (zh) * | 2014-02-26 | 2014-05-21 | 江苏亿通高科技股份有限公司 | 一种基于rssi的室内定位方法 |
-
2014
- 2014-09-24 TW TW103132926A patent/TWI554136B/zh active
- 2014-09-30 CN CN201410519729.XA patent/CN105527604A/zh active Pending
-
2015
- 2015-01-14 US US14/597,101 patent/US9995816B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120117112A1 (en) * | 2010-11-08 | 2012-05-10 | Michael Johnston | Systems, Methods, and Computer Program Products for Location Salience Modeling for Multimodal Search |
TW201237452A (en) * | 2011-03-11 | 2012-09-16 | Univ Nat Central | Hybrid indoor positioning method combining signal intensity characteristics matching and position prediction analysis |
CN102984745A (zh) * | 2012-11-29 | 2013-03-20 | 清华大学深圳研究生院 | Wi-Fi AP位置及路径损耗模型的联合估测方法 |
CN103220777A (zh) * | 2013-01-05 | 2013-07-24 | 东莞市力王电池有限公司 | 一种移动设备定位系统 |
CN103260239A (zh) * | 2013-04-19 | 2013-08-21 | 北京理工大学 | 一种基于wifi的移动设备定位方法 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
Non-Patent Citations (1)
Title |
---|
J. Koo and H. Cha, "Localizing WiFi Access Points Using Signal Strength,〃 Communications Letters, IEEE , vol. 15, no. 2, pp. 187 -189, February 2011. * |
Also Published As
Publication number | Publication date |
---|---|
US9995816B2 (en) | 2018-06-12 |
TW201613397A (en) | 2016-04-01 |
CN105527604A (zh) | 2016-04-27 |
US20160084646A1 (en) | 2016-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI554136B (zh) | 室內定位方法以及使用該方法的裝置 | |
US9813854B2 (en) | System and method for detection of indoor tracking units | |
US8779926B2 (en) | Presenting information regarding conditions of an environment with a visual representation of the environment | |
WO2015117477A1 (zh) | 一种室内定位方法、装置及计算机存储介质 | |
TWI481893B (zh) | 使用以鄰近度及脈絡為基礎之全球定位機制的設備、以及用於語意地演繹運算裝置之地理位置的系統與方法 | |
US10430982B2 (en) | Sensor data visualization apparatus and method | |
JP2019530385A (ja) | 受動的な訪問検知 | |
US10410027B1 (en) | RFID module for through boundary location accuracy | |
KR20150094665A (ko) | Rssi 및 rtt 데이터에 기초한 위치 결정에서 지도들의 제공 및 활용 | |
US9301094B2 (en) | Methods, systems and computer-readable media for tracking a position of an object | |
Campana et al. | Towards an indoor navigation system using Bluetooth Low Energy Beacons | |
Luo et al. | DDEUDSC: a dynamic distance estimation using uncertain data stream clustering in mobile wireless sensor networks | |
US20150126213A1 (en) | System for Mapping an Indoor Space Using Wireless Network and Method | |
US20160006892A1 (en) | Systems and Methods for Location-Aware Electronic Devices | |
JP5853088B2 (ja) | 情報処理装置、プログラム及び方法 | |
US10895625B2 (en) | Device positioning | |
Yu et al. | A query-driven indoor location system based on smartphone | |
TW201326875A (zh) | 行動裝置、氣象統計系統以及氣象統計方法 | |
Ćwikła et al. | The Use of Line Simplification and Vibration Suppression Algorithms to Improve the Quality of Determining the Indoor Location in RTLSs | |
US10206120B2 (en) | Information processing apparatus and non-transitory computer-readable recording medium | |
JP2016212048A (ja) | 位置管理システム、位置管理装置、位置管理方法、及びプログラム | |
Trung | Check for updates An IoT System Design for Industrial Zone Environmental Monitoring Systems | |
Dhote et al. | An Approach for Real-Time Indoor Localization Based on Visible Light Communication System | |
Yang et al. | Wi-Fi Location-Based 3D Map for Device Connections | |
JP2022129638A (ja) | 情報処理装置、情報処理方法、プログラムおよび情報処理システム |