基于序列的定位技术的制作方法

专利名称：基于序列的定位技术的制作方法
技术领域：
本发明通常涉及定位技术，其中，基于对目标装置的无线通信环境的观测结果的序列来估计目标装置的位置。
背景技术：
图1示意性地描述了所述定位技术的一个例子。目标装置T通过基站BS，经过无线接口RI进行通信。在所述例子中，假定通信为无线通信。目标装置T观测无线接口RI上的信号值。观测结果O被应用于概率模型PM中，所述概率模型PM模拟目标装置的无线通信环境，并产生位置估计LE。如这里所使用的那样，目标装置是位置将被确定的装置。目标装置通过无线环境中的信号进行通信，并且用无线环境中的信号值来确定目标装置的位置。例如，目标装置可以是在无线局域网(WLAN)中通信的数据处理装置。数据处理装置可能是通用的膝上电脑、或掌上计算机或者通信装置，或者可能是专用测试或测量装置，例如连接到WLAN的医疗器械。这里所使用的位置是一至三个坐标的坐标集合。在例如隧道的一些特定情况下，单独一个坐标就足够了，但是在大多数情况下，位置由坐标对(x，y或者角度/半径)所表示。
更特别地，本发明涉及基于隐马尔可夫(Markov)模型的定位技术。图2示意性地描述了隐马尔可夫模型。所述模型包括位置、位置之间的转换和在所述位置上所做的观测结果。在图2所示的例子中，目标装置沿着路径移动，其中示出了所述路径的5个位置qt-2至qt+2。更正式地，qt定义了在t时刻的位置分布，因此P(qt＝s)是在t时刻目标装置在位置s的概率。然而，因为位置分布可以容易地被转换成单独的位置估计，因此，将用简写符号“位置q”来表示位置分布q。
沿着目标装置的路径的位置可被称作路径点。所述目标装置通过无线环境中的信号进行通信，并且用无线环境中的信号值来确定目标装置的位置。
目标装置的实际例子是在无线局域网(WLAN)或者蜂窝无线网络中进行通信的数据处理装置。数据处理装置可以是通用的膝上电脑、或者掌上计算机或者通信装置，或者其可能是专用测试或测量装置，例如连接到WLAN的医疗器械。如此处所使用的信号值是固定发射器的信号的可测的且取决于位置的量。例如，信号强度和比特错误率/比是可测量的并由位置决定的量的例子。
隐马尔可夫模型中的“隐”一词源自于这样的事实我们主要关注从qt-2到qt+2的位置，但是所述位置不是直接可观测的。作为替代，我们可以基于信号值进行从Ot-2到Ot+2的一系列观测，但是在观测结果Ot-2...Ot+2和位置qt-2...qt+2之间没有简单的关系。(注意从位置qt-2到qt+2的直箭头并不是意味着所述目标装置是沿着直线路径或以固定速度进行移动的，或者观测是以相等的间隔取得的。)本发明要解决的问题来自于隐马尔可夫模型我们不能观测与距离或位置有单调关系的变量。替代地，所述定位方法是基于信号值的观测结果的。对于两个或更多位置来说，可能有近似相等的信号值集合，因此位置估计可能非常不准确。

发明内容
本发明的目的是提供方法和实现所述方法的设备，以减少上述缺点。换句话说，本发明的目的是降低所述定位技术的不确定性，所述定位技术是基于期望信号值的概率模型的。通过以在独立权利要求中所说明的内容为特征的方法和设备而实现本发明的目的。本发明的优选实施例在从属权利要求中被公开。
本发明基于这样的思想，即，使用目标装置的未来观测结果来降低关于目标装置位置的不确定性。乍一看，所述思想听起来荒谬，因为在任何给定的时间，目标装置的未来观测结果都是未知的。因此本发明的明显限制是其仅适用于具有至少一个未来观测结果的观测。换句话说，本发明不能直接降低关于目标装置的最近观测结果的不确定性，但是本发明部分地基于这样的惊人发现有许多应用从降低关于目标装置的过去观测结果的不确定性中受益。例如，通过在购物车中附上合适的目标装置，本发明可以被用来跟踪用户在商店里的路径。所述信息对于商店中物品摆放的设计是有用的。假设用户路径开始和结束在这样的点，在所述点用户分别拿起和离开购物车。因此，店主对准确地确定最近的位置没有兴趣，因为所有的路径都在收款台结束。另一方面，店主对确定顾客在商店里的路径有兴趣，并且可以用最新的观测结果来降低关于商店里先前位置的不确定性。
根据本发明的方法包括下列步骤1.维护用于多个样本点的概率模型，每个样本点包括采样位置和在所述样本点上的信号值的期望分布。
2.构造信号值的观测结果On，n＝1，2，3...，的序列，其中每个观测结果对应于沿着目标装置的路径的相应的位置qn，其中所述观测结果序列和相应的位置组成隐马尔可夫模型；3.基于所述概率模型和观测结果的集合来估计目标装置的位置qn，其中所述观测结果的集合包括至少一个观测结果On+m，其中m是个正整数。
样本点是概率模型中的点，即这样的点，对于所述点，通过校准(物理测量)、或者通过仿真或理论计算而获知信号值。样本点也可以通过从其它已知位置中内插或外推而获得。
通过利用一个或多个过去的观测结果可以进一步提高定位的准确性。通过双向递推，过去和未来的观测结果被优选地结合起来。这意味着，若时间表示为从左到右的推进，则从左至右(前向)的递归要考虑过去的观测结果，而从右到左(反向)的递归则考虑未来的观测结果。
如果本发明被用于实时定位，则必须容忍至少一个观测结果的延迟。为最小化实时定位中的延迟，未来观测结果的数量应该保持为少的。如这里所用的那样，实时定位意味着技术上尽可能地来定位目标装置，即使存在一个或几个观测结果的延迟。


下面，将参考附图，通过优选实施例，更具体地描述本发明，其中图1示意性地描述了定位技术；图2描述了隐马尔可夫模型；图3描述了本发明的原理；图4显示了位置估计模块LEM，其用于基于无线接口RI上的信号值来估计目标装置的位置。
图5A和5B是描述典型的将被确定位置的目标装置的框图。
图6显示了降低定位不确定性的简单实施例。
具体实施例方式
再次参考图2，其显示了一系列信号值的观测结果ot-2到ot+2。对每个观测结果，都有一个沿着目标装置路径的相应的位置qt-2到qt+2。所述关系如箭头21所示。箭头21的方向表明位置qt确定包含在观测结果ot中的信号值，但是反之不然。换句话说，我们仅能够直接观测信号值，而从观测结果ot到对应的位置qt之间没有简单的关系。在开放的海上，信号值是随着离开发射器的距离而可预测地减少的，但是实际上，在应用本发明的所有环境中，从发射器出来的直接路径经常都是阻塞的，而且当其不阻塞时，其也不是由发射所采取的唯一路径。根据相位，通过多条路径的发射可能积极地(constructively)或破坏性地(destructively)被结合。因此，从位置与信号值的关系远非单调的，而且可能有几个位置共享一些信号值。对几个信道进行观测是一种降低关于目标装置的位置的不确定性的方法。
图3描述了本发明的原理。根据本发明，关于目标装置的当前位置的不确定性还可以通过使用目标装置的未来的信息而被降低。如前文所述的那样，具有已知未来的位置仅存在于过去，但是，本发明是部分地基于这样的发现的存在许多情况和应用，其中，感兴趣的是过去。假定我们希望确定目标装置在t时刻的位置，即位置qt。箭头33指示从对应于位置qt的观测结果ot的关系。通常，观测结果ot是用于确定位置qt的最佳单独观测结果。注意，单独的‘观测结果’可能包含，并且典型地确实包含来自一个或多个信道的几个信号值测量。在概率模型中，所述思想是测量信号值的概率分布的，并且如果在多个位置上信号值中有任何重叠，则不能基于每个位置的单独测量而确定位置。作为替代，为了确定概率分布，每个观测结果都必须包含多个测量。
还应该理解的是，在图1和图2中，时间是被量化的。这意味着具有单个无线接收机的目标装置在任何时间点上仅可以观测一个信道，但是，无线接收机能够在数毫秒内被重调到不同的信道上，而观测结果ot-2...Ot+2典型地被分离开至少一百毫秒。基于典型的目标装置的速度，可以选择观测结果之间的间隔。因此，即使无线接收机必须在信道间重调，单独观测结果也可以包含来自于几个信道的信号值。
根据本发明，通过使用不仅当前的观测结果ot而且一个或多个未来观测结果ot+m，其中m是正整数，关于目标装置的位置qt的不确定性可以被降低。两个未来观测结果ot+1和ot+2分别由箭头34和35所表示。自然地，先前观测结果ot-2和ot-1也可以被用来降低定位的不确定性，如箭头31和32所分别显示的那样。
本发明可以被用于估计目标装置的位置和/或其路径。所述两个应用(位置和路径估计)可以被正式地表示如下。在位置估计中，给定一系列的观测结果，我们希望最大化单独位置的概率。正式地表达，我们希望最大化p(qt|O1T)。(可选地，我们希望确定具有最小期望错误的位置；例如位置估计可以是几个位置的概率加权的平均。)在路径估计中，给定一系列的观测结果，我们希望最大化路径(一系列的位置)的概率。正式地表达，我们希望最大化p(q1T|O1T)。(或者，我们可能希望确定具有最小期望错误的路径。)所述两个应用的区别在于在位置估计中，每个位置被分别地估计(尽管基于一系列的观测结果)。因此如果路径是使单个位置概率最大化的路径，则连续位置的路径可能会穿透墙或者也是非常不可能的。在路径估计中，选择最可能的路径。通过确定位置间的转移概率，以及确定使单个位置概率和转移概率的联合最大化的路径来实现路径估计，因而确定最可能的路径。
注意到图2和3表示1阶隐马尔可夫模型，但是本发明的技术适用于任何阶的隐马尔可夫模型。
图4是示范性位置估计模块LEM的框图，所述位置估计模块用于基于无线接口RI的信号值来估计目标装置的位置。图4显示了紧凑的位置估计模块LEM，但是同样可能有更多分布式的实施例。位置估计模块的主要特征是目标装置的无线环境的概率模型PM，给定来自于多个无线接口的观测结果，所述概率模型能够预测目标装置的位置。在这个例子中，通过模型构建模块MCM构建和维护概率模型PM。模型构建模块MCM基于校准数据CD、或以一个或多个传播模型形式的传播数据PD、或其任何组合，来构建并维护所述概率模型。校准数据CD是在已知位置上对信号值进行物理测量(或者如果所述位置不能通过其它方法而被知道，则对所述位置的坐标进行确定)的结果。可选地，在信号参数随时间变化的情况下，校准数据记录还可以包含进行测量的时间。代替校准数据CD，或者除了所述校准数据以外，可能使用一个或多个传播模型PD来模拟无线接口RI。通过与用于视觉仿真的射线追踪技术相类似的技术，可以构建传播模型。采集校准测量的位置被称作校准点。校准数据CD包括数据记录，其中每个记录包括所讨论的校准点的位置、和在所述校准点所测量的信号参数集合。可以在任何绝对坐标系统或相对坐标系统中表示所述位置。在特殊情况下，例如在火车、高速公路、隧道、水路或类似的情况下，单独一个坐标可能就足够了，但是通常还是使用两个或三个联合坐标。
还有位置计算模块LCM，其用于基于目标装置的观测结果集合OS和概率模型PM来产生位置估计LE。例如，位置计算模块可能作为在膝上电脑或掌上计算机上所执行的软件程序来实现。技术上，‘测量’和‘观测’可以相似地被执行，但是为了避免混淆，“测量”通常用于校准测量，而在目标装置的当前位置上所获得的信号参数被称作“观测结果”。目标装置的最新的观测结果集合被称作当前观测结果。
图5A是描述典型的位置将被确定的目标装置T的框图。在所述例子中，目标装置T表示为通过无线网络RN进行通信的手提式电脑。例如无线网络可以是WLAN(无线局域网)网络。在图5A所示的实施例中，在目标装置中不安装包含概率模型PM的位置估计模块LEM。因此，目标装置T必须通过一个或更多其所连接的基站BS，而发送其观测结果集合OS给所述位置估计模块LEM。所述位置估计模块LEM通过无线接口RI将其位置估计LE返回给目标装置。
图5B显示了一个可选的实施例，其中与计算机PC相联系的目标装置接收在可分离的存储器上的概率模型PM的复制，所述可分离的存储器例如CD-ROM盘，并且目标装置T能够确定其自己的位置而不用发送任何东西。作为另一个选择(没有单独地显示)，所联系的计算机PC可以通过到位置估计模块LEM上的Internet(或者任何其它数据)连接来接收所述概率模型。宽带移动台能够通过无线接口RI接收概率模型。也可以使用技术的混合，这样，接收器通过有线连接接收初始概率模型或者在可分离的存储器上接收初始概率模型，而以后对模型的更新则是通过无线接口发送的。
图6描述了降低定位不确定性的简单实施例。所述实施例工作如下。位置空间被量化为离散的位置，其位置q1-1到q3-8在图6中用十字显示。目标装置所采用的可能路径在位置q1-1、q2-2、q2-3、q2-4和q3-3处用黑圈标出。假设目标装置的第二观测结果是这样的位置q1-3是位置q2-2的可能的取舍(alternative)。换句话说，在进行第二观测时，单个的观测不足以确定所述目标装置是在q2-2还是q1-3。相似地，位置q1-5是位置q2-3的可能的取舍，位置q1-8是位置q2-4的可能的取舍。但是，我们知道第五观测仅能由位置q3-3所解释。例如，在q3-3的目标装置的位置可能由其它方式来确定，或者位置q3-3是具有第五观测的信号值的唯一位置。在图6所示的例子中，我们可以排除位置q1-8，因为到已知位置q3-3的转移将需要所述目标装置所不能达到的速度。注意，任何取舍的位置q1-3、q1-5和q1-8都不能因为其过去的观测而被排除，但是所述位置中的每个都可以因为其将来而被排除。由于到达第五观测的位置q3-3所需的不可能的高速度，位置q1-8可以被直接排除。位置q1-5可以被排除，因为其导致了不可能的位置q1-8，等等。
注意图6描述了没有障碍的开放空间。在真实世界的环境中，位置之间的许多直接转移被障碍所阻塞。对在位置(样本点)之间进行转移的转移概率的确定要考虑所述障碍。例如，如果位置被一面墙或其它障碍所分隔，或者如果转移需要目标装置所不能达到的速度，则两个位置之间的转移具有零概率。还将在后面，在“基于递归的技术”的标题下讨论转移概率。
图6所示的例子建议了用于本发明的一可选的应用。代替使用本发明来计算目标装置的过去位置，可以使用本发明来提高实时位置估计的可靠性。因为本发明仅能用于存在已知未来的情况中，因此，我们必须容忍至少一个观测的延迟。但是，有些令人惊讶的是，延迟的引入可以提高位置估计的准确性。让我们首先假定实时地报告目标装置的位置，即技术上尽可能快，并且不使用未来观测。在所述情况下，目标装置的位置估计很快地被报告，但是所述估计会非常不准确。相反，如果使用本发明的技术，并且仅就这样的位置来报告位置估计，其中对于所述位置至少一个未来观测是可获得的，那么将会以一定的时延来报告所述位置估计，但是所述估计就很可能不是非常不准确的了。
在图6所示的实施例中，将目标装置的位置作为离散变量来对待，换句话说，所述目标装置位于离散的位置q1-1到q3-8的一个位置上。在下面将描述更先进的实施例，其将位置作为连续变量对待。
在图6所示的例子中，排除从q1-1到q3-3的转移，因为其将需要对于所述目标装置不可能的高速度。更正式的表述是对于这种转移的转移概率为0。如果位置之间的转移概率是已知的，模型的可靠性还能够被提高。可以由经验或者通过仿真或者通过理论计算来确定所述转移概率。
基于递推的技术给定观测的时序序列o1T＝{o1，...，oT}，我们希望确定在时刻t，1≤t≤T上的位置分布qt。假设观测结果oi仅依赖于当前位置qi，并且qi仅依赖于前面的位置qi-1。后面的假设意味着不研究超过前一个观测的历史。如果满足这些假设，则我们可以将定位问题表示为1阶的隐马尔可夫模型(HMM)，其中o1T是观测序列.以及q1T是位置序列。在这种情况下，o1T和q1T的联合概率为P(o1T,q1T)=P(q1)Πt=1···T-1P(qt+1|qt)Πt=1···TP(ot|qt)---[1]]]>因此根据以下内容可以完全确定所述联合分布1.初始状态概率P(q1)，2.转移概率P(qt|qt-1)，以及3.观测概率P(ot|qt)。
如果默认地认为所有位置都具有相同的可能性，则我们可以通过为所有位置将初始状态概率P(q1)设置为相同来简化公式1。因此，联合分布仅取决于转移概率和观测概率。可以用多种方式来定义所述概率。例如，转移概率可以基于位置间的空间距离，因此当所述距离增加时，转移概率趋近于零。由于可以不管如何确定转移和观测概率而应用本发明，因此，我们从此假设给定了转移概率和观测概率。
可以定义时刻t上的位置分布为P(qt|o1T)=P(o1t,qt)P(ot+1T|qt)/P(o1T)---[2]]]>其中，P(o1t，qt)和P(ot+1T|qt)从公式3和4(前向和反向递推)中获得，并且P(o1T)是观测概率，其用于归一化。假设在所述模型中S为可能位置的集合，并且n＝|S|是S的大小。前向和反向递推的时间复杂度为O(Tm)，其中T是历史的长度，并且m是在每个时刻步骤(time step)上非零转移概率的数量。明显地，由于在最坏情况下，所有转移都具有非零的概率，所以m≤n2。然而，大部分转移具有零概率，因此实际上m＜＜n2，这使得计算很快。
P(o1t,qt)=P(ot|qt)Σqt-1P(qt|qt-1)P(o1t-1,qt-1)---[3]]]>P(ot+1T|qt)=Σqt+1P(ot+1|qt+1)P(qt+1|qt)P(ot+2T|qt+1)---[4]]]>以这种方式，我们可以获得在给定时刻不同位置上的概率。然而，许多应用需要这样的位置估计，所述位置估计是单独位置的而不是位置分布的。另外，存在多种方式来计算在时刻t的点估计。例如，所述点估计可以是其中所述位置概率被用作权值的位置的加权平均，或者可以是具有最大概率的位置。
为了寻找最可能的路线，可以使用Viterbi算法。Viterbi算法可以发现位置s1，...，sT的序列，其使概率P(o1T|q1＝s1，...，qT＝sT)最大化。明显地，位置st可以被用作在时刻t的位置估计。然而，所述方法具有缺点，即，在每个时刻步骤上，位置估计仅可以是可能位置中的一个。因此，位置估计的准确性依赖于可能位置的密度。通过使用大的S可以提高准确性，所述S具有彼此非常接近的可能位置。不幸地，这将从根本上增加算法的时间要求。
为了以合理的计算量来获得准确的位置估计，我们可以使用相对小的S，并且作为可能位置的加权平均∑(wi·si)/∑wi，来计算时刻t的位置估计。可以作为在时刻t穿过位置si的最可能的路径的概率来定义位置si的权值wi。通过使用通常用于时刻步骤1-t(产生前向路径)和反向从时刻步骤T到t(产生反向路径)的Viterbi算法，以及通过将前向和反向路径的概率相乘，其中所述路径结束于si，对于每个i＝1...n，由此而获得路径概率。
性能例子以下详细的计算说明至少在某些情况下，甚至在实时定位中，本发明如何提高定位的准确性。在某些情况下，所述提高是显著的。下面的表1包括在(离散的)时刻t＝1到5上对于位置A到F的观测概率。粗体值显示了在每个时刻步骤上实际路径A、B、C、D、E、F的观测概率。注意尽管在时刻t＝3的实际位置是D，但是C具有较大的观测概率。因此，在所述点上仅基于当前观测概率的定位将失败。表2包括在位置A到F之间的转移概率。表3到5包括分别用于前向、反向和双向递推(公式3、4和2)的标准化的计算结果。另外，在每个时刻步骤上的实际位置的概率以粗体文本显示。表6显示了在时刻t＝3上用于位置A到F的概率。
表1，观测概率

表2，转移概率

表3，前向递推

表4，反向递推

表5，双向递推

表6，时刻t＝3上的位置A到F的概率

在所述例子中，在进行5次观测之后，在第三观测的时刻上的目标位置的最佳估计是D。D为正确位置的概率是百分之八十六，如表6中粗体文本所示。但是，仅前向或反向递推都不能判定D是最可能的位置。前向递推显示C和B是比D更加可能的位置，而反向递推则偏向位置E和F。双向递推实际上消除了错误的位置估计。
对于本领域的技术人员来说非常显而易见的是随着技术的发展，可以用多种方式来实现本发明的思想。本发明以及其实施例不限于上面所描述的例子，而是可以在权利要求的范围内变化的。
权利要求
1.一种用于估计目标装置(T)的位置的方法，所述方法包括维护用于多个样本点的概率模型(PM)，每个样本点包括采样位置和在所述样本点上的信号值的期望分布；构造信号值的观测结果on，n＝1...N的序列(OS)，其中每个观测结果对应于沿着所述目标装置的路径的相应的位置qn，其中所述观测结果的序列和所述相应的位置组成隐马尔可夫模型；其特征在于基于所述概率模型(PM)和所述观测结果的序列来估计所述目标装置的位置qt，其中所述观测结果的序列包括一个或多个未来观测结果Ot+m，其中m是正整数，这样t+m≤N。
2.根据权利要求1的方法，其特征在于，所述观测结果的集合包括一个或多个过去观测结果On-m。
3.根据权利要求2的方法，其特征在于，基于以下内容来估计所述目标装置的位置qn一个或多个过去观测结果的前向递推；以及一个或多个未来观测结果的反向递推。
4.根据前面权利要求中的任何一个的方法，其特征在于，估计在所述样本点之间的所述目标装置的转移概率，并且部分地基于所述转移概率来估计所述目标装置的位置。
5.根据权利要求2的方法，其特征在于，在构造所述观测结果的序列之前，以所述概率模型来估计所述转移概率并对其进行存储。
6.根据前面权利要求中的任何一个的方法，其特征在于，在所述目标装置(T)中执行位置估计的步骤。
7.根据权利要求1到5中的任何一个的方法，其特征在于，在固定设备中执行位置估计的步骤，所述目标装置通过无线网络(RN)报告所述观测结果的序列给所述固定设备。
8.根据前面权利要求中的任何一个的方法，其特征在于，所述至少一个可测量的信号值(X)包括信号强度。
9.根据前面权利要求中的任何一个的方法，其特征在于，所述至少一个可测量的信号值(X)包括比特错误率或比。
10.用于估计目标装置(T)的位置的位置估计模块(LEM)，所述位置估计模块包括用于多个样本点的概率模型(PM)，每个样本点包括采样位置和在所述样本点上的信号值的期望分布；构造信号值的观测结果on，n＝1...N的序列(OS)的装置，其中每个观测结果对应于沿着所述目标装置的路径的相应的位置qn，其中所述观测结果的序列和所述相应的位置组成隐马尔可夫模型；其特征在于用于基于所述概率模型(PM)和所述观测结果的序列来估计所述目标装置的位置qt的装置，其中所述观测结果的序列包括一个或多个未来观测结果Ot+m，其中m是正整数，这样t+m≤N。
全文摘要
目标装置的位置由位置估计模块(LEM)估计，其包括用于多个样本点的概率模型(PM)，其中每个样本点包括采样位置和在所述样本点上的信号值的期望分布。位置估计模块(LEM)构造信号值的观测结果O
文档编号H04L12/56GK1666112SQ03815410
公开日2005年9月7日 申请日期2003年5月27日 优先权日2002年5月31日
发明者P·米西坎加斯, P·米吕迈基 申请人:埃卡豪股份有限公司