专利名称：定位技术的制作方法
技术领域：
本发明通常涉及定位技术，通过所述技术，在目标设备的无线通信环境中，基于一系列观测结果来估计目标设备的位置。图1概略地描述了这类定位技术的例子。所述目标设备T通过无线接口RI通过基站BS进行通信。在所述例子中，假定通信为无线通信。所述目标设备T观测无线接口RI上的信号值。应用观测结果O于概率模型PM中，所述概率模型PM对目标设备的无线通信环境进行建模，并产生位置估计LE。如这里所使用的，目标设备是位置将被确定的设备。目标设备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设备的位置。例如，目标设备可能是在无线局域网(WLAN)中通信的数据处理设备。所述数据处理设备可能是通用膝上电脑、或掌上计算机或通信设备，或者可能是例如连接到WLAN的医疗器械的专用测试或测量装置。如这里所使用的位置是一至三个坐标的坐标集合。在一些例如隧道的特别情况下，单独一个坐标就足够，但是在大多数情况中位置由坐标对(x，y或者角度/半径)来表示。
更特别地，本发明涉及基于隐藏马尔可夫模型的定位技术。图2概略地描述了隐藏马尔可夫模型HMM。模型包括位置、位置之间的转移和在位置上所做的观测结果。在图2所示的例子中，所述目标设备沿着所示5个位置qt-2至qt+2的路径移动。更正式地，qt定义了在时间t上的位置分布，因此P(qt＝s)是在时间t上所述目标设备在位置s的概率。但是，因为位置分布可以容易地被转换成单个位置估计，将用简写符号“位置q”来表示位置分布q。
背景技术：
沿目标设备路径的位置可称作路径点。所述目标设备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所述目标设备的位置。
所述目标设备的实用例子是在无线局域网(WLAN)或者蜂窝无线网络中通信的数据处理设备。数据处理设备可能是通用膝上电脑、或者掌上计算机或者通信设备，或者可能是例如连接到WLAN的医疗器械的专用测试或测量装置。如这里所使用的信号值是固定发射器的信号的可测量的和取决于位置的量。例如，信号强度和误码率/比特差错率是可测量的并且取决于位置的量的例子。
隐藏马尔可夫模型中的“隐藏”一词源于这样的事实我们主要关注qt-2到qt+2的位置，但是所述位置不是直接可观测的。替代地，我们可以基于信号值做ot-2到ot+2的一系列的观测结果，但在观测结果ot-2...ot+2和位置qt-2...qt+2之间没有简单的关系。(注意穿过位置qt-2到qt+2的直箭头并不是旨在暗示所述目标设备是沿着直的路径或以不变的速度移动，或者观测结果在相等间隔取到的。)注意单个“观测结果”可能包括，并且典型地确实包括，来自一个或多个信道的几个信号值测量。在概率模型中，想法是测量信号值的概率分布，并且如果不同位置上的信号值存在任何重叠，则不能基于每个位置的单个测量来确定位置。替代地，为了确定概率分布，每个观测结果必须包括多个测量。
同样还应知道，在图1和2中时间是被量化的。这意味着具有一个无线接收器的目标设备在任何时间点上仅能观测一个信道，但是无线接收器能在毫秒内被重调至不同的信道，而典型地将观测结果ot-2...ot+2分隔开至少一百毫秒。可以基于典型的目标设备的速度来选择观测结果之间的间隔。因此，即使无线接收器必须在信道间被重调，单个观测结果也能包括来自几个信道的信号值。
无线接收器可以实际上连续地测量例如信号强度的信号值，但是在基于隐藏马尔可夫模型的定位应用中，以被量化的时间来处理观测结果是有益的。因此术语“观测结果”可以被概括为在给定时间段中的几个信号值的统计采样。
本发明的一个潜在的问题来自于隐藏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。对两个或更多位置来说，可能有近似相等的信号值集合，并且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装置以减轻上述缺点。换言之，本发明的目的是降低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。本发明的目的通过方法和设备达成，所述方法和设备的特征在于独立权利要求所声明的。独立权利要求中公开了本发明的优选实施例。
本发明是基于对定位环境的拓扑进行建模的图(或一组图)的使用。图G＝{V，A}包括n个节点或顶点V＝{v1，v2，...vn}和m个弧线A＝{a1，a2，...am}，因此每个弧线ak＝(vi，vj)描述了从vi到vj的可能路径或转移。可以通过图G的弧线的多种组合，来描述定位环境中所有可允许的路线。例如，典型的办公室的图G具有针对每个走廊的弧线，连接走廊至房间的弧线(通过门)等等。是否通过几副互连的图或以一些弧线来描述垂直转移(电梯、楼梯或自动扶梯)的一副图来描述包括多楼层的环境是个问题，或者是有意义的。在计算机辅助设计中，弧线代表曲线段，但是在图论以及本发明的上下文中，弧线仅仅表示两个节点间的连接。实际中，弧线被画成直线。
应当指出，根据本发明的图通常是所述定位环境的特性，并基于定位环境中的障碍而被确定，与一些现有技术中的定位技术进行比较，所述现有技术中的定位技术基于目标设备的自身位置的历史纪录和可达到的速度，来分别确定每个目标设备可允许的位置。
本发明的一个优点是所述目标设备的被报告的位置自然地移动，即所述目标设备不会出现穿过墙或是其它障碍物的移动。另一个优点是所述图为基于校准测量(calibration measurement)或计算来建立概率模型担当了良好的基础。如果所述图的节点也被用作概率模型的样本点，则所述定位系统在所述目标设备可能移动的区域内是最准确的。
如果所述目标设备的位置被解释为图中的点或节点，计算机会更容易地分析目标设备的移动。换言之，在定义明确的图中被解释为点或节点的被报告的位置，相比没有任何量化的任意位置，对于数据挖掘操作(datamining operation)来说是更好的资源。例如，百货公司设计者希望寻找顾客移动的模式或相关性。如果将图的节点定位在某些桌子上，将非常容易发现顾客是否在桌子x停留并也经过桌子y。没有所述图和其中的量，设计者必须寻找在每个桌子附近的特定区域内的坐标。图的每个节点是一个可允许的位置，但是一个可允许的位置并不必须是图的节点。应基于预期解决方案来选择节点间的距离。换言之，谁绘制了所述图，就必须回答下列问题所报告的位置和真实位置间能相距多远？答案取决于典型的目标设备的特性。如果所述目标设备是人所携带的通信设备，则几米的误差是可接受的，因为人可以轻易地在几米距离内被认出。另一方面，如果所述目标设备包括医疗器械等，期望使用更小的解决方案。在多数应用中，解决方案(节点间距离)为大约一米。更小的距离以增加资源消耗为代价而给出更好的解决方案。所消耗的资源包括校准测量，存储概率模型的存储器和计算能力(computation power)。开放空间可以被当作水平和垂直弧线的方格。因为开放空间的可见度良好，可接受较常规更粗糙的解决方案。
可以将所述图G如下连接到隐藏马尔可夫模型。令d为沿着弧线的点之间的典型的距离。所述典型的距离与所期望的解决方案相同，例如1米。令S＝{s1，s2，...sk}为沿着弧线的点集合，因此点间距离为d。S可以被用作隐藏马尔可夫模型的隐藏状态变量qi的值域。
结合图的节点间的一组转移概率优选地使用图G。可以定义转移概率P(qt|qt-1)，因此仅当目标设备能在两个观测结果之间的时间段内完成所述转移时，从si到sj的转移概率，即P(qt＝sj|qt-1＝si)是非零的。
描述两个使用转移概率的可选技术。第一个技术仅基于典型的目标设备的速度、观测结果之间的时间段和点之间的距离。令dmax为所述典型的目标设备在观测结果之间的最大时间段内行进的最大距离。任何长度超过dmax的转移具有零或非常接近零的概率。例如，人们在典型的室内环境中的移动速度几乎不会超过2m/s。因此如果两个观测结果之间的时间为1s，任何超过两米长度的转移的概率都为零，或者至少非常低。(非零概率意味着，例如，人们几乎从来不跑但是跑不是被严格禁止的。)第二个用于转移概率的技术是基于相邻或紧连的点的概念。如果能从一点经过弧线A到达另一点而不访问S的其它任何点，两个点si和sj就是相邻点。基于相邻的技术从“G中弧线的集合也是可允许的转移的集合”这个意义上说是简洁的，其简化了计算。微小的缺点是这样的事实，快速移动的目标设备的位置的报告存在延迟。假定所述目标设备快速但线性地移动至一个节点，所述节点与先前的估计位置距离三个节点。因为只有到相邻点的转移是允许的，所以位置估计必须经过所有介于之间的节点而进行，这导致三个观测结果周期的延迟。
根据本发明另一个优选实施例，基于节点之间的距离和典型的目标设备的速度，首先赋予转移概率以一个预定值。当使用定位系统时，汇集目标设备移动的历史记录，并且经验性地调整转移概率。
转移概率的使用将在后面“基于递归的技术”的标题下做更多的讨论。
根据参考附图的优选实施例，下文将对本发明进行更详细的描述，其中图1概略地描述了定位技术；图2描述了隐藏马尔可夫模型；图3描述了根据本发明的图；图4示出了位置估计模块LEM，其基于无线接口RI上的信号值来估计目标设备的位置。
图5A和5B是描述将被确定位置的典型的目标设备的框图。
图6描述了长距离的处理。
图7示出了基于根据本发明的图来准备概率模型的优选技术。
图8示出了如何将图用作路线图；以及图9示出了位置解释和优化路径选择的其它例子。
具体实施例方式
图3描述了根据本发明的图G。在所述例子中，所述图G包括两个子图G1和G2，使子图G1对应一层的楼层平面图31，并且子图G2对应二层的楼层平面图32。所述图包括绘制为黑圆的节点，以使每个节点指出目标设备的可允许的位置。应该基于所期望的解决方案来选择节点间的距离。在多数应用中，解决方案(节点间的距离)为大约一米。更小的距离以增加资源消耗为代价给出更好的解决方案。所消耗的资源包括校准测量、用于存储概率模型的存储器和计算能力。对多数办公室而言，单个的节点就足够了，例如在上层左手的房间的节点311。另一方面，更大的房间会有更多节点，例如在低层左手的房间的节点312和313。节点314到319是位于开放空间的节点。此类节点应该被这样放置在没有消耗太多计算资源的情况下达到所期望的解决方案。所述楼层平面图包括用虚线画出的禁止区域33。例如，所述禁止区域可以是接待台、办公室设备、建筑结构或是目标设备不能移动到其中的任何障碍物。或者，为了更准确地表达，所述目标设备可以移动到区域33中，但是其位置被解释为在区域33的外面。
除了指出可允许的位置的节点310、311等以外，所述图G包括指出节点间可允许的转移的弧线。为了保持图3的图简单，仅允许这样的弧线弧线是水平或垂直的并且不经过额外节点正好连接两个节点。例如，弧线331连接节点314和315，并且弧线332连接节点315和316，但是不存在从节点314到节点316的弧线。
尽管图3中所示的办公室空间是三维的，但将其当作几个互连的二维空间来处理。节点310和320分别是到一和二层的入口点。弧线333将入口点310、320连接到两个楼层。
图4是示范性的位置估计模块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设备的位置。图4示出了简洁的位置估计模块LEM，但是同样可能存在更多分布式的实施例。所述位置估计模块的基本特征是目标设备的无线环境的概率模型PM，给定多个来自无线接口的观测结果，概率模型能够预测所述目标设备的位置。在所述例子中，通过模型构造模块MCM来建立和维护概率模型PM。模型构造模块MCM基于校准数据CD(calibration data)、或以一个或多个传播模型形式的传播数据PD(propagation data)、或任何其组合来建立和维护概率模型。校准数据CD是在已知位置的物理测量信号值的结果(或确定所述位置的坐标，如果所述位置不为其它方法所知)。可选地，如果信号参数随时间变化，所述校准数据记录也可以包括进行测量的时间。替代所述校准数据CD，或者除了所述校准数据以外，可以使用一个或多个传播模型PD来对无线接口RI进行建模。可以通过与用于视景仿真(visualsimulation)的光线追踪技术类似的技术来构造传播模型。集中校准测量的位置被称作校准点。所述校准数据CD包括数据记录，其中每个所述记录包括正讨论的校准点的位置和在所述校准点测量的信号参数集合。可以在任何绝对或相对坐标系统中表示所述位置。在例如火车、高速公路、隧道、水路等特别的情况下，单个坐标也许足够，但是通常会使用两个或三个联合坐标。
还有位置计算模块LCM，其用于基于目标设备的观测结果集合OS和概率模型PM来产生位置估计LE。例如，所述位置计算模块能够由在膝上电脑或掌上计算机上执行的软件程序来实现。技术上，‘测量’和‘观测’能够被相似地执行，但是为了避免混淆，术语“测量”通常被用作校准测量，并且在所述目标设备的当前位置上获得的信号参数被称作“观测结果”。所述目标设备的最新的观测结果集合被称作当前观测结果。
图表G具有定位系统中的几个主要应用。例如，可以在概率模型的构造期间使用所述图。概率模型的样本点优选地位于所述图的节点上。例如，所述模型构造模块MCM优选地包括自动检查，所述自动检查针对每个图的节点已经实际上确定了(校准、仿真或内插)样本点。
所述图也是确定可能的位置间的转移概率的良好基础。
最后，所述图能用来估计或解释所述目标设备的位置。例如，所述目标设备的位置能够被解释为弧线上离所估计的位置最近的点。因此所述位置被强制在图中的一个弧线上。通过将所述位置解释为离所估计的位置最近的所述图的节点，所述位置能被进一步量化。通过合并几个中间的估计可以得出最后的位置解释。
优选地同时使用所述图的部分或全部应用，以将概率模型的样本点置于所述图的节点，并且基于所述图来估计和解释所述目标设备的位置。由于可允许的位置位于或者接近所述图的节点，因此定位应用在所述图的节点附近是最准确的。相反地，在例如区域33的禁止位置的所述定位应用可能相对不准确，但是如果所述区域根本不能进入，或至少不将该区域内的位置报告为目标设备的位置，则在所述区域内的任何不准确都是不重要的。虚线41和42分别描述了图G在模型构造和位置估计/解释中的使用。当然，重要的是所述图的内部结构而不是其视觉表达。
图5A是描述位置将被确定的典型的目标设备T的框图。在所述例子中，所述目标设备T被表示为通过无线网络RN通信的便携式电脑。例如，所述无线网络可以是WLAN(无线局域网)网络。在图5A所示的实施例中，不将包括概率模型PM的位置估计模块LEM安装于所述目标设备T中。结果，所述目标设备T必须通过一个或多个与其连接的基站BS，来将所述目标设备的观测结果集合OS发送到所述位置估计模块LEM。所述位置估计模块LEM通过无线接口RI将所述目标设备的位置估计LE返回至所述目标设备。
图5B示出了可选择的实施例，其中附带计算机PC的所述目标设备接收在例如CD-ROM磁盘的可拆卸存储器DM(detachable memory)上的概率模型PM的复制，并且所述目标设备T能够确定其本身的位置而不用发送任何东西。作为另一个选择(没有个别示出)，所述附带的计算机PC可以通过所述位置估计模块LEM的因特网连接来接收所述概率模型(或者任何其它数据)。宽带移动台能够通过所述无线接口RI接收所述概率模型。也可以使用所述技术的混合，以使接收器通过有线连接或者通过可拆卸存储器接收初始概率模型，而随后所述模型的更新通过无线接口被发送。
图6描述了长距离的处理。在所述上下文中，“长”意味着比所述定位系统的预期解决方案长。如果期望具有小于1米的舍入误差(round-offerror)，则任何超过两米的距离都是长的。这种长距离通常在走廊和大的开放空间中。在所述例子中，图600具有两个在走廊末端的自然发生的节点601、605，但是将目标设备位置解释为末端节点中的一个的做法将引入太多的量化误差。因此，优选地通过计算机辅助程序来绘制图600，使得操作员仅需要输入自然发生弯曲和连接的节点601和605，并且所述程序自动识别超过预期解决方案的距离，并按需要插入附加的节点。例如，如果从601到605的距离是9米，并且允许1米的舍入误差，那么通过3个附加的节点602、603和604，将601到605的距离分割成4段弧线611到614。
可选地，如果节点间距离大于所述预期解决方案，我们可以在节点间进行内插。例如，如果所述目标设备的观测结果对应于节点602和603，但是节点602是更匹配的，则可以将所述目标设备的位置内插到602和603之间的点620。然而，在许多应用中，优选地足够密集地设置节点以使不需要内插，并且所述目标设备的位置被解释为与估计位置最近的节点。例如，通过将所述估计位置量化为图的节点而不是节点之间的点来简化数据挖掘应用。
图的节点601到605也优选地是所述概率模型PM的样本点。存在或可能存在几种样本点。一种类型的样本点称作校准点，是基于在实际定位环境中进行的实际校准测量(见图4中的校准数据)。另一种类型的样本点是基于一个或多个传播模型PM而被计算的。第3种类型的样本点是基于校准点或被计算的点之间的内插的。例如，假设节点601和605是校准点，那么节点602、603和604可以通过内插从所述校准点中导出。出于以下原因，所述内插不应基于节点601和605上的累加(平均)概率分布。假设使用信号强度来定位，并且在节点601上的信号强度具有20个单元的概率峰值。在节点605上概率峰值为40个单元。如果平均了概率分布，尽管所合并的概率应当具有30个单元的峰值似乎是正常的，但是所合并的概率分布仍具有20个和40个单元的峰值。因此，内插的优选形式是基于内插所基于的节点上的信号值的累积分布函数的合并。如果内插不是发生在中间点，那么对已知节点反过来进行距离加权(distance-weighted)。例如，假设基于已知的校准点601和605来内插节点602，节点605是节点601的3倍距离，因此，对节点601的累积分布函数进行比节点605的累积分布函数强3倍的加权。
图7示出了基于根据本发明的图来准备概率模型的优选技术。在步骤71中，类似于计算机辅助设计(CAD)的程序显示了定位环境的楼层平面图。在步骤72中，操作员输入节点坐标和弧线。在步骤73中，类似CAD的程序检测到长度超过预期解决方案的弧线，并通过插入节点将其分割以使所得到的弧线短于所述预期解决方案，如同结合图6所述。所述程序可能自动插入最少量的额外的节点，或将合适数量的将被插入的节点提示给操作员。在步骤74中，显示图G，并且最可能地将图G打印到纸上作为校准人员的图。在步骤75中，校准所述校准节点并且/或者计算基于传播模型的节点。由实际校准或计算来优选地确定操作员输入的节点。在可选步骤76中，基于被校准的或被计算的节点，通过内插来确定计算机插入的节点，所述计算机插入由内插进行。在另一个可选的步骤77中，如前面所述，基于典型的目标设备的速度和观测结果频率来确定节点间的转移概率。
图8示出了如何将图用作路线图。所述路线图可以用来指示目标设备通过优选路径P到达预期的位置。例如，通过最小化一些例如长度、时间或能量的路径的成本参数(cost parameter of the path)来优化所述路径。如众所周知的，一些路径优化问题是非常复杂的，并且不能在合理的时间内解决。本发明本身不涉及路径优化。当然，本发明的一些方面涉及从根据本发明的图G的弧线中构造优化路径。因此，术语“优化”并不必须意味所述路径是真正地优化，而是一些优化过程的结果(可能是或不是最好的)。
可以将优化路径P指示给人或机器人。将再次使用图3所示的楼层平面图和图。为了具体的例子，假设环境是医院，在节点(房间)312的医生携带目标设备，并且在节点325急需医生。为了显示如何从所述图的弧线来构造优化路径P，图8示出了整个图G，其包括针对两层中的每层的子图G1和G2。然而，优选地没有显示整个图G给医生。替代地，仅示出通过节点312-319-310-320-324-321-325的优化路径P。由于例如掌上电脑的典型的目标设备具有小型的显示器，所以作为所述目标设备的被检测的位置的响应，优选地部分显示优化路径P和基本的楼层平面图。首先，可以显示一层上的路径的一部分312-319-310，以及楼层平面图31的基本部分。当所述目标设备接近楼梯或自动扶梯333时，显示所述部分，并且当所述目标设备接近二层32的入口节点320时，显示剩余部分320-324-321-325。因此，不仅所述图的节点用作量化的位置，而且所述图的被选择的弧线也可以被组成优化路径，所述路径是从所述目标设备的被检测的位置到其预期的位置的。
图9示出了位置解释和优化路径选择的另一个例子。假设守卫在节点910，并且在大障碍900的另一边的某处产生了警报。发送警报的目标设备实际位于点920，但是无疑地，所述定位系统不知道确切的位置。假设概率定位系统确定节点(样本点)933是与目标设备最近的概率最高(40％)的节点。在所述例子中，所述定位系统确定节点931、932、933、934、935和936分别具有百分之5、5、40、35、10和5的概率。在所述例子中，如果目标设备的位置估计可能是931到936六个节点的概率分布(或其它概率超过给定门限的节点的子集)，但是对于多数实际的目的，所述概率分布必须被解释为单个位置。例如，所述目标设备的位置可以被解释为节点931到936的概率加权合并(probability-weighted combination)。所述概率加权合并显示为位置921。将所述目标设备的位置解释为所述图G中与估计位置921最近的点或节点，常常是有益的。所述图G中与位置921最近的点是点922。
有时，希望解释或量化所述目标设备的位置作为所述图的节点之一(而不是所述图的任意点)。例如所述量化简化了数据挖掘和决策。基于所述概率模型，节点933具有作为最接近节点的最高概率。如果所述目标设备的位置被解释为节点933，来自节点910的优化路径要通过节点932。另一方面，节点934是最接近节点的概率加权合并921的节点。如果选择节点934作为目标设备的被解释的位置，来自节点910的优化路径P通过节点935。因此，所述优化路径的优选实现是最小化一些成本参数的预期值的路径，所述成本参数是例如路径的长度或时间。
在迄今为止的讨论中，仅使用所述目标设备的最近观测结果来估计其位置。下面将描述用于位置估计的更先进的基于序列(sequence-based)的技术。
基于递推的技术给定观测结果的时序序列o1T＝{o1，...，oT}，我们希望确定时刻t，1≤t≤T上的位置分布qt。假设观测结果oi仅与当前位置qi有关，并且qi仅与前一位置qi-1有关。后面的假设意味着不研究超过前一个观测结果的历史记录。如果满足所述假设，我们可以将定位问题表示为1阶隐藏马尔可夫模型(HMM)，其中o1T是观测结果序列并且q1T是位置序列。在所述情况下，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.观测结果概率P(ot/qt)。
如果默认认为所有位置具有相同的可能性，我们可以通过为所有位置设置相同的初始状态概率P(q1)来简化公式1。因此，联合分布仅与转移概率和观测结果概率有关。可以以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，以使当所述距离增加时，所述转移概率接近于零。由于可以不管如何确定转移和观测结果概率来应用所述基于递推的技术，我们从此假设给定了转移概率和观测结果概率。
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]]]>其中从公式3和4(前向和反向递推)中获得P(o1t，qt)和P(ot+1T/qt)，并且P(o1T)是用于归一化的观测结果概率。令S为所述模型中可能的位置的集合并且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是历史记录的长度，并且m是在每个时刻步骤(time step)的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概率，所以m≤n2。然而，由于大部分转移具有零概率，因此实际上m＜＜n2，这将使得计算可以很快地进行。
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]]]>这样，我们可以获得在给定时刻的不同位置的概率。然而，许多应用需要的位置估计是单个位置而不是位置分布。另外，存在多种方式来计算时刻t上的点估计。例如，所述点估计可以是位置的加权平均，其中位置概率被用作权值，点估计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。所述Viterbi算法可以发现最大化概率P(o1T/q1＝s1，...，qT＝sT)的位置序列s1，...，sT。明显地，可以使用位置st，作为时刻t的位置估计。然而，所述方法具有这样的缺点在每个时刻步骤，所述位置估计仅可以是可能的位置之一。因此，位置估计的正确性依赖于可能的位置的密度。通过使用较大的S可以提高正确性，所述S具有相互距离很近的可能的位置。遗憾的是，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正确的位置估计，我们可以使用相对小的S，并且计算时刻t的位置估计作为可能位置的加权平均∑(wi·si)/∑wi。可以定义位置si的权值wi为在时刻t穿过位置si的最可能的路径的概率。通过使用通常针对时刻步骤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，以及对于每个i＝1...n将结束于si的前向和反向路径的概率相乘，来获得路径概率。
随着技术发展，以多种方式实现本发明的概念对于本领域的技术人员来说是明显的。本发明及其实施例不局限于上述例子，但是可以在权利要求的范围内变化。
权利要求
1.一种在无线通信环境中估计目标设备(T)的位置的方法，所述方法包括维护针对多个样本点的概率论模型(PM)，每个样本点包括所述样本点上的采样位置和所期望的信号值分布；构造信号值的观测结果序列(OS)，其中每个观测结果对应于沿着目标设备的路径的各自的位置，其中所述观测结果序列和各自的位置组成隐藏马尔可夫模型(HMM)；其特征在于形成图(G)，所述图用于对所述无线通信环境的拓扑进行建模，其中所述图指出-节点集合(310-323；601-605)，每个节点指出在所述无线通信环境中的一个可允许的位置；-弧线集合(331-333；611-614)，每个弧线指出两个节点之间可允许的所述目标设备的转移；以及基于所述概率模型(PM)和所述观测结果序列(OS)，使用所述图(G)来估计所述目标设备的位置。
2.根据权利要求1的方法，其特征在于，使用所述图的步骤包括估计所述目标设备的位置，并且解释所述估计位置为弧线上离该估计位置最近的一点(602、603、620)。
3.根据权利要求2的方法，其特征在于，解释所述目标设备的估计位置为离该估计位置最近的节点(602)。
4.根据权利要求1的方法，其特征在于，使用所述图的步骤包括估计所述目标设备的位置作为所述图的点或节点的子集，赋予所述子集中的每个点或节点以概率值，并将所述估计位置解释为点或节点的子集的概率加权合并。
5.根据前面权利要求的任何一个的方法，其特征在于，每个弧线指出在两个观测结果之间的时间段内，两个节点之间可允许的所述目标设备的转移。
6.根据前面权利要求的任何一个的方法，其特征在于，使用所述节点作为所述概率模型(PM)的样本点。
7.根据权利要求1的方法，其特征在于，形成图(G)的步骤包括以下由编程计算机执行的行为接收(72)来自操作员的操作员指出的节点的和弧线的坐标；以及检测(73)长度超过预定最大距离的弧线(600)，并通过附加的节点(602-604)来分割所述弧线。所述预定最大距离是基于典型的目标设备的速度和观测结果之间的典型的时间段的。
8.根据权利要求7的方法，其特征在于，将所述概率模型(PM)的样本点置于所述图(G)的节点上，以及-基于校准和/或传播模型，在操作员指出的节点上，确定至少一些样本点；以及-通过根据操作员指出的节点进行内插，在附加的节点处确定至少一些样本点。
9.根据前面权利要求的任何一个的方法，其特征在于，确定(77)所述节点之间的所述转移概率。
10.根据权利要求1的方法，其特征在于，所述转移概率是基于典型的目标设备的速度和观测结果之间的典型时间段的。
11.根据前面权利要求的任何一个的方法，其特征在于，形成从所述目标设备(T)的被检测的节点(312)到其期望的节点(325)的优化路径(P)。
12.根据权利要求10的方法，其特征在于，配合以基本的图或楼层平面图(31，32)来显示优化路径(P)。
13.根据权利要求11或12的方法，其特征在于，作为所述目标设备被检测到的位置的响应，部分地显示所述优化路径(P)。
14.根据前面权利要求的任何一个方法，其特征在于，基于一个或多个所述观测结果序列(OS)的递推来估计所述目标设备的位置。
15.根据权利要求14的方法，其特征在于，所述一个或多个递推包括前向递推和反向递推。
16.一种在无线通信环境(RN)中估计目标设备(T)位置的位置估计模块(LEM)，所述位置估计模块包括针对多个样本点的概率模型(PM)，每个样本点包括所述样本点的样本位置和期望信号值分布；构造信号值的观测结果序列(OS)的装置，其中每个观测结果对应于沿着目标设备的路径的各自的位置，其中所述观测结果序列和各自的位置构成隐藏马尔可夫模型；其特征在于用于对无线通信环境的拓扑进行建模的图(G)，其中所述图指出-几个节点(310-323；601-605)，每个节点指出在所述无线通信环境中的一个可允许的位置；-几个弧线(331-333；611-614)，每个弧线指出两个节点之间可允许的目标设备的转移；用于估计目标设备位置的装置，所述估计是基于所述概率模型(PM)以及所述观测结果序列(OS)和所述图(G)的。
17.根据权利要求16的位置估计模块(LEM)，其特征在于，所述位置估计模块被包括在所述目标设备(T)中。
18.根据权利要求16的位置估计模块(LEM)，其特征在于，所述位置估计模块被包括在所述无线通信环境(RN)的固定部分中。
全文摘要
通过针对几个样本点维护概率模型(PM)来估计无线网络中的目标设备的位置，所述样本点指出了给定位置的信号值的预期分布。所述目标设备观测信号值(OS)，其中，观测结果序列和各自的位置构成隐藏马尔可夫模型。图G对定位环境的拓扑进行建模。所述图指出几个节点和几个弧线，所述节点是所述环境中可允许的位置，所述弧线是两个节点之间可允许的转移。基于所述概率模型(PM)和所述观测结果序列(OS)，使用所述图G来估计所述目标设备的位置。
文档编号G01S5/10GK1666562SQ03816111
公开日2005年9月7日 申请日期2003年7月8日 优先权日2002年7月10日
发明者P·米西坎加斯, L·莱克曼 申请人:埃卡豪股份有限公司