自动wlan射电图构建方法和系统的制作方法
【专利说明】
[0001] 本申请要求于2014年11月25日提交到韩国知识产权局的被分配序列号 10-2014-0165022的韩国专利申请的权益，所述韩国专利申请的全部公开通过引用包含于 此。
技术领域
[0002] 本公开总体上设及室内位置信息识别技术。更具体地，本公开设及一种用于自动 构建室内位置识别所必需的无线局域网（WLAN)射电图（radio map)的方法和系统。
【背景技术】
[0003] 随着在近年广泛地使用智能电话并且越来越多地安装接入点（AP) (WLAN中继 器），对室内位置识别服务的需求日益增加。事实上，能够由室内位置识别系统预期的潜在 效用已经在过去数年得到公认，并且已经进行各种尝试来实现具有广泛可用性和高精度的 室内定位系统（IPS)。具体地，基于WLAN指纹的技术因其高精度而被广泛使用。然而，该技 术需要构建射电图，射电图是包含收集的WLAN信号和关于收集相应信号的位置的信息的 DB。
[0004] 在射电图被构建的室内空间中，位置识别系统安装在射电图中，并且能够容易地 提供具有与其连接的无线信号接收器的移动装置的位置信息。安装在射电图中的位置识别 系统通常从射电图找到一些与由移动装置收集的WLAN指纹最相似的WLAN指纹，并且基于 找到的WLAN指纹被收集的位置的信息来估计位置。因此，在开发室内位置识别系统中最重 要的工作是：通过收集全世界的室内空间中的WLAN指纹连同关于收集位置的信息来构建 射电图。然而，构建室内空间中的射电图需要很多的成本和很多的努力。因此，需要改进的 自动射电图构建技术W极大地节省成本和时间。
[0005] 已经进行各种尝试来降低成本。存在一种用于通过驾驶具有安装在车辆中的装置 的车辆来构建射电图的方法，所述装置用于同时收集GI^信号和WLAN信号并标记收集到的 WLAN信号的收集点。另外，存在一种用于使用在用户的移动装置中与GI^信号一起获得的 WLAN信号来构建射电图的方法。然而，使用GI^信号作为参考位置的方法具有无法利用在 室内空间中收集的WLAN信号的缺点。运是因为GI^信号没有到达室内空间。已经进行尝 试通过使用由各种传感器获得的信号信息与WLAN信号一起自动地标记收集点来构建射电 图。然而，该技术也在构建射电图时需要额外成本并且仍然在可用性和精度方面具有限制。
【发明内容】
[0006] 为了解决现有技术的上述缺点，本公开的主要方面在于提供一种作为降低构建 WLAN射电图所需的成本的解的用于在没有使用诸如GI^信号的参考位置信息的情况下自 动地标记WLAN指纹的收集位置的方法和系统，所述WLAN指纹在没有室内空间中的收集位 置信息的情况下被收集。
[0007] 根据本公开的一个方面，一种自动WLAN射电图构建方法包括：基于室内地图的划 分区域由位置状态表示的有限状态自动机（FSA)来产生学习模型；通过基于学习模型的机 器学习来进行学习 W将收集的WLAN指纹布置在相应位置状态中。
[0008] 所述自动WLAN射电图构建方法还可包括：收集由室内空间中的移动装置获得的 WLAN指纹，并且进行学习的步骤可包括：将收集的WLAN指纹布置在相应位置状态中。
[0009] 由移动装置获得的WLAN指纹可不包括位置信息和运动信息。
[0010] 所述自动WLAN射电图构建方法还可包括：存储布置的结果。
[0011] 进行学习的步骤可包括：设置针对位置状态的代表WLAN指纹；参考代表WLAN指 纹将收集的WLAN指纹布置在相应位置状态中。
[0012] 设置的步骤和布置的步骤可被重复预定次数。
[0013] 设置的步骤可包括：基于布置的结果改变针对位置状态的代表WLAN指纹。
[0014] 设置的步骤可包括：参考布置的所有WLAN指纹来改变针对位置状态的代表WLAN 指纹。
[0015] 可使用^下项中的至少一项通过学习来执行设置的步骤:4"^算法、爬山算法、遗传 算法和文化基因算法。
[0016] 可使用W下项中的至少一项通过学习来执行布置的步骤：期望最大化（EM)算法 和分段K均值算法。
[0017] 设置的步骤可包括：参考AP被布置的位置状态W及WLAN信号传播模型来设置针 对位置状态的初始代表WLAN指纹。
[0018] 包括在初始值中的AP的数量可W可变。
[0019] 包括在初始值中的AP的数量可通过增加 AP的数量直到满足W下条件而被动态地 确定：通过=边测量所确定的位置范围不分散并且被确定为小于或等于预定大小的单个范 围，并且包括在初始值中的AP的顺序可参考信息增益（IG)被确定。
[0020] WLAN指纹中的一些可被提供有位置信息，并且布置的步骤可包括：针对被提供有 位置信息的WLAN指纹，参考位置信息确定用于进行布置的位置状态。
[0021] 位置信息可通过W下项中的至少一项被提供：GI^信息、安装位置已知的标签信 息、运动信息。
[0022] 学习模型可W是WLAN指纹被布置在FSA中的模型，并且该模型具有位置状态之间 的转移概率W及WLAN指纹被作为参数观察的概率。
[0023] 根据本公开的另一方面，一种自动WLAN射电图构建系统包括：收集服务器，被配 置为收集WLAN指纹；学习服务器，被配置为基于室内地图的划分区域由位置状态表示的 FSA来产生学习模型，并通过基于学习模型的机器学习将由收集服务器收集的WLAN指纹布 置在相应位置状态中。
[0024] 收集服务器可被配置为收集由室内空间中的移动装置获得的WLAN指纹。
[00巧]由移动装置获得的WLAN指纹可不包括位置信息和运动信息。
[0026] 学习服务器可被配置为设置针对位置状态的代表WLAN指纹，并参考代表WLAN指 纹将收集的WLAN指纹布置在相应位置状态中。
[0027] 学习服务器可被配置为基于布置的结果改变针对位置状态的代表WLAN指纹。
[0028] 学习服务器可被配置为参考布置的所有WLAN指纹来改变针对位置状态的代表 WLAN指纹。
[0029] 学习服务器可被配置为参考AP被布置的位置状态W及WLAN信号传播模型来设置 针对位置状态的初始代表WLAN指纹。
[0030] 根据如上所述本公开的示例性实施例，在没有诸如GI^信号的参考位置信息的情 况下在多个非特定智能电话中收集的WLAN指纹的收集位置能够被自动地标记。当在每个 建筑物内收集到许多WLAN指纹时，用于提供用于识别相应建筑物内的位置的基本信息的 射电图可无需手动操作而被自动地构建，因此，成本能够被大大地降低。
[0031] 此外，根据本公开的示例性实施例，当射电图被构建并且许多人在提供位置识别 服务的区域中使用位置识别服务时，射电图能够被自动地更新，因此，能够有效地响应WLAN 环境的变化。
[0032] 从W下结合附图进行的公开了本发明的示例性实施例的详细描述，本发明的其它 方面、优点和显著特征将对本领域技术人员变得清楚。
[0033] 在进行下面的【具体实施方式】之前，阐述贯穿本专利文档使用的特定词语和短语的 定义会是有利的：术语"包括"和"包含"及其衍生物表示包括而非限制；术语"或者"是包 含性的，表示和/或；短语"与...相关"和"与...关联"及其衍生物可表示包括、被包括 在...内、与...互连、包含、被包含在...内、连接到...或与...连接、禪合到...或 与...禪合、与...可通信、与...协作、交错、并置、接近于、绑定到...或与...绑定、具 有、具有...的属性等。对特定词语和短语的定义贯穿本专利文档被提供，本领域普通技术 人员应理解，在许多情况下（如果不是大多数情况），运样的定义应用于现有技术W及运样 定义的词语和短语的未来使用。
【附图说明】
[0034] 为了更加完整地理解本公开及其优点，现在参考W下结合附图进行的描述，在附 图中相同的参考标号表示相同的部件：
[0035] 图1是示出根据本公开的示例性实施例的自动WLAN射电图构建系统的示图；
[0036] 图2是示出根据本公开的另一示例性实施例的自动WLAN射电图构建方法的流程 图；
[0037] 图3是示出划分室内地图的结果的示例的示图；
[003引图4是示出从被划分为多个区域的室内地图产生有限状态自动机（FSA)的结果的 示例的示图；
[0039] 图5是