自适应定位的制作方法

位置估计被移动处理设备使用来确立设备位置，并且是对设备上的多个应用有用的特征。位置估计技术可使用多种不同方法中的任何方法来计算位置。尽管诸如全球导航卫星系统(GNSS)之类的卫星系统可辅助确定位置，但是在计算技术中使用Wi-Fi信标可提供更准确的位置坐标(position fix)和/或在不可访问卫星系统的区域中提供位置坐标。移动计算设备的位置可通过使用来自信标的无线电信号的强度来估计。然而，穿过室内环境的信号传播的不可预测性是确定位置坐标时的挑战。提供信号强度测量的适当的统计模型可能是困难的。一些努力聚焦于可根据在测试区域中采集的训练数据和对移动处理设备的实时估计来生成准确的经验模型的技术。这样的方案的准确性至少部分地取决于定位算法已知的位置的数量。然而，可能发生的可能的信号波动可在用户的路径中增加误差和不准确性。取决于设备的位置，在提供位置准确性方面，一种计算方法可能优于其他计算方法。

概述

提供了用于响应于位置请求来计算位置的技术。位置请求可包括与该请求相关联的观测到的信标数据，并且该计算应部分地基于该信标数据。响应于位置计算请求，在定位算法和潜在不同的数据源和模型之间进行选择。对数据模型和算法的选取取决于多种因素，包括执行处理的设备的能力、观测到的信标的数量以及用于在某一场地处解析位置的数据的可用性。

提供本概述以便以简化的形式介绍以下在详细描述中进一步描述的一些概念。本概述并非旨在标识出要求保护的主题的关键特征或必要特征，亦非旨在用作辅助确定要求保护的主题的范围。

附图简述

图1是描绘相对于用于位置计算的无线信标的移动计算设备的框图。

图2是具有多个无线信标的室内位置的透视分解图。

图3是表示根据本技术使用所选方法来确定位置的方法的流程图。

图4是示出选择最准确的计算方法的步骤的流程图。

图5是示出为图3的方法创建数据模型的流程图。

图6是示出基于投票特征区间的楼层选择的流程图。

图7是示出使用EZ算法来计算位置的情形的框图。

图8是示出第一AP模型的表。

图9是示出混合AP模型的表。

图10是示出投票特征区间数据的表。

图11是以XML表示的对“使用指纹获取位置”(GLUF)请求的示例性响应。

图12是第一处理设备和计算设备的功能表示的框图。

图13是第二处理设备和计算设备的功能表示的框图。

图14是处理系统的框图。

详细描述

提供了用于响应于位置请求来确定或计算位置的技术。位置请求可包括与该请求相关联的观测到的信标数据，并且该计算应部分地基于该信标数据。响应于位置计算请求，在替代的定位算法和潜在不同的数据源和模型之间进行选择。通过提供多种不同的算法，基于位置请求中的观测到的数据来计算位置的最优方法出现。

根据该技术，位置计算系统使用至少两个算法和两个数据模型中的一个来计算位置，其基于哪个算法提供更准确的位置计算。对数据模型和算法的选取取决于多种因素，包括执行处理的设备的能力、观测到的信标的数量以及用于在某一场地处解析位置的数据的可用性。在本公开中，所使用的信标可以是具有一个或多个基本服务集标识符(BSSID)的无线保真(Wi-Fi)接入点。(应当注意，一个物理接入点可被配置成支持多个BSSID)。

第一类型的算法基于二维(2D)接入点模型使用由Wi-Fi接入点指纹和GPS位置坐标组成的数据。该二维模型包括具有已知位置的各种接入点的经度和纬度。接入点位置的2D数据存储保持有所有观测到的场所的近似中心处提供的该模型中的所有Wi-Fi接入点的位置。因此，与一接入点相关联的位置包括一检测到的接入点的统计学上最可能的位置，而不是该接入点可能实际位于的地方。使用信标检测，在响应于位置请求的位置计算期间，多个测量值被组合以计算位置和误差半径。在本文中此方法可替换地被称为创建“推断出的”位置。此第一方法对RF环境的特征较不敏感，因为RF环境仅影响信标是否可被观测到，且在信标密度低时是有效的。该第一方法在具有可预测的RF特征的较高密度环境中效果良好，然而，下述的第二定位算法在这样的较高密度环境中提供统计学上更好的定位结果。

第二定位算法基于由Wi-Fi指纹、场地、楼层、以及用户提供的相对于已知位置的地面实况组成的信标观测数据使用三维Wi-Fi指纹。提供了3D数据存储，其中具有纬度、经度、场地、以及场地楼层特征的接入点模型可被提供。该模型将Wi-Fi接入点定位在接入点被认为所位于的地方，使用信号强度来分类该位置。为了计算位置，定位算法使用三角测量来定位设备，使用信号强度来确定距3D存储中公开的接入点的距离。设备的接收机增益是自动确定的，并且四个观测到的Wi-Fi接入点被用于计算位置。基于信号强度分布的楼层检测模型被使用以便从Wi-Fi指纹确定楼层。当RF环境更可预测(即，大致遵循传播路径损耗曲线)和当信标密度高时，此计算系统是有利的。

在本公开的上下文中，计算出的位置可包括纬度、经度以及诸如场地标识符和场地内的楼层标识符之类的其他逻辑位置信息。

图1示出了可利用本文所描述的技术的示例性上下文。图1示出了利用一个或多个信标110a–110d或其他小区站点120a、120b来计算移动设备的位置的多个移动计算设备102、104的框图。移动计算设备102、104观测或以其他方式检测信标110、120中的一个或多个，并利用来自这些信标的信号来计算位置。示例性信标包括蜂窝塔、基站、基站收发机站、基站站点和/或支持任何数量和类型的假日模式的任何其他网络元件。通常，信标110a–110d表示具有已知传播属性和信号的Wi-Fi信标，所述信号提供信息以允许例如移动设备在其他类型的信号可能不存在的区域(诸如建筑物内部等)中计算位置。移动计算设备102、104中的每一个可存储每个信标110、120的属性。在一些实施例中，示例性属性包括进行观测的移动计算设备的纬度和经度以及观测时间。在诸如某一场地之类的内部位置中，观测数据可包括诸如楼层位置之类的更细粒度的信息。

每个移动计算设备本身可执行位置计算，或者可经由网络50向位置服务125提供信息，其中位置服务125将计算出的设备位置返回给设备。每个位置计算可对信标指纹(例如，由计算设备观测到的一组信标)利用卡尔曼(Kalman)滤波器(或其他方法)来产生推断出的设备位置。还可计算误差半径。误差半径可被反映为将估计的设备误差半径作为其半径的圆。因此，如果以某一给定置信水平检测到某一信标，则可产生位于以估计出的信标位置为中心且具有估计出的信标半径的圆内的推断出的设备位置，如图12的418所示。

位置服务125可基于移动计算设备(102、104)的观测数据、先前的位置勘测以及在位置服务125处收集并存储的其他数据来执行位置计算。在一些实施例中，位置服务125可从许多不同的移动计算设备以及相对于已知实际位置(在此称为地面实况)的信标观测中收集数据。移动计算设备102、104可通过网络50将观测到的位置的属性和在各个位置处观测到的信标的属性发送给位置服务。位置服务125可操作在此所示的一个或多个计算设备以通过网络50将定位服务提供给移动处理设备。

计算出的或推断出的位置可既包括位置也具有相关联的误差半径。所述误差半径是对在位置计算中可能存在的不确定性或误差的反映。在图12中阐明了由使用计算出的位置的地图绘制应用所显示的误差半径的图示。误差半径通常表示围绕计算出的位置的区域，其向计算出的位置的用户指示出该计算的相对准确性。

观测数据可与GPS服务结合使用以便确定位置。在一些实例中，GPS数据不可用。当移动计算设备存在于建筑物场地内部时，通常难以得到对GPS数据的访问。因此，对Wi-Fi或其他信息的使用可产生更加准确的推断出的位置数据。

图2示出了具有放置在建筑物内部各处的多个Wi-Fi信标的场地200的展开透视图。场地200可以是例如购物商场、学校、办公楼、机场或其中无法容易获得对GPS数据的访问的其他建筑物。图2示出场地200的第一楼层210和第二楼层212。多面墙220将场地200内的各个房间225分隔开。信标110遍及场地200的这两个楼层被放置。处理设备可使用场地200内的信标的属性来计算处理设备的位置。通常，计算出的位置被返回给应用，应用使用计算出的位置来向用户提供信息。尽管存在许多不同类型的位置应用，但地图绘制应用是对计算出的位置的一种典型使用。

局部定位可利用许多不同的属性来执行。一些方法使用信号的物理属性，而另一些方法使用信号到达目的地节点所花费的时间。一些常用定位方法包括到达角度、小区身份、到达时间、到达时差、和基于功率的无线定位方法。一种常见的方案采用对一特定区域中的信号强度信息的勘测。此信息形成了描述该区域的信号强度指纹的数据库。该数据库随后被用于通过特定的模式匹配算法来确定移动设备的位置。另一种基于功率的无线定位方案使用路径损耗模型来估计信号强度与距发射机的距离之间的关系。距三个或更多个发射机的估计出的距离被用于对设备的最终位置进行三角测量。虽然本文描述了定位的特定方法和算法，但是连同本技术的教导，本技术可结合多种不同的位置计算方法中的任何方法。

图3是示出根据本技术来确定计算出的位置的方法的流程图。在一个上下文中，该位置是响应于位置请求被计算的。位置请求可例如由移动处理设备生成，该移动处理设备试图为该移动处理设备上的一个或多个位置感知应用确定计算出的位置。所述方法可整体上或部分地单独在一移动处理设备上或与位置服务125通信并合作地执行。

在步骤320，获取一个或多个场地的场地信标信息。场地可以是诸如建筑物之类的具有物理设施的场所，或是“接入点”(AP)的一个或多个信标所位于的任何场所。场地信息可由位置勘测产生，在位置勘测期间包括在该场地处检测到的信标的位置的信标指纹的信息被收集。信标可由移动计算设备102、104在给定时间点检测，表示位置观测数据并包括信标指纹。信标指纹还可包括诸如信号强度之类的其他检测属性以及观测的日期和时间。一种收集站点信息的机制在美国专利申请序列号US20140057651A1中被公开。

通常，位置勘测信息可以通过使用移动处理设备来物理地勘测站点、确定场所的信标指纹并建立与场地的信标指纹相关联的实际位置的一组地面实况数据来收集。为了建立特定场地的地面实况，针对一场地的观测到的数据与观测到的数据的已知位置相关联。观测到的数据可以借助于使用已知位置信息(按照已知纬度、经度和楼层位置)的勘测被关联，所述已知位置信息被映射到一给定时间的信标指纹。在一组地图位置中的每个位置处的已知信标的指纹被创建。推断出的位置之间的相关性被用于通过将推断出的位置与地面实况进行比较来评估定位的准确性。

在330，在可能与步骤320处的位置指纹的获取同时或之后的某一时间处，确定位置的请求可被接收。该请求可从例如移动处理设备上的某一位置感知应用接收。该请求可由该移动处理设备上的计算接收，或从该移动设备发送并由位置服务125接收。移动处理设备上的许多这样的位置应用可以使用计算出的位置以便向移动处理设备的用户提供信息和服务。一旦在330定位请求被接收到，则在340作出对由发起该请求的移动定位设备观测到的信标的确定。可观测到的信标被用于计算设备相对于位置指纹的位置。在一个实施例中，在330处的请求可将340处的一组观测到的信标作为该请求的一部分。

在350，基于多个因素作出关于一个或多个可替代的位置计算方法中的哪一个将提供最准确的位置计算的确定。对用于计算位置的方法的确定在下文参照图4描述。

在360处，所选择的方法被用于计算位置，并且在370处返回计算出的位置以响应于所述请求。

图4是示出了在图3的步骤350处确定多个可替代的方法中的哪一个提供最佳位置计算的一种方法的流程图。在一个实施例中，可使用两种潜在的计算方法。然而，应当理解不同类型的计算方法的数量不需要被限制。此外，本技术可适用于室内定位计算，且因此针对特定计算方法，可能需要足够数量的场地信标的存在。

首先，应当注意，结合2D信标模型数据使用基于卡尔曼算法的推断算法的默认方法在360A被示出。如果其他更稳健的位置方法不能如本文所述被使用，则306A的默认方法被用于确定计算出的位置。根据该算法的推断出的位置结果在372被提供。尽管在一个方面，卡尔曼算法在360A处被使用，但是根据本技术，用于计算位置的其他方法可被用作默认方法。

在344，作出确定设备所位于的场地的尝试。场地可例如基于存在于在上文340处由设备作出的观测中的至少两个检测出的并被标识了场地的信标的阈值来被确定。在一个实施例中，如果在观测340中存在具有最小检测出的阈值信号强度的两个信标，则该场地被验证。如果场地检测在346处不成功，则方法返回到360A处的默认计算方法。

如果场地检测在346处成功，则在348作出检测场地内的楼层的尝试。在一个实施例中，楼层检测可通过如下参考图6所讨论的投票过程来确定。

如果楼层检测不成功，则方法返回到360A处的默认计算方法。

在另一替换中，场地和楼层检测355可使用楼层检测步骤348和352来完成。在该替换中，楼层的检测可包括标识该楼层所位于的场地的数据，使得对给定楼层的信标指纹的检测内在地给出了该楼层所位于的场地。

如果楼层检测在352处成功，则使用基于3D场地的混合接入点(AP)模型的推断算法(在360B)或基于使用3D场地AP模型的“EZ”定位算法的算法(在360C)中的一种可被用于确定计算出的位置。在K.Chintalapudi和V.Padmanabhan的“Indoor Localization Without the Pain(无需努力的室内定位)”，MOBICOM大会，计算机协会，有限公司，2010年9月(http://research.microsoft.com/pubs/135721/ez-mobicom.pdf)中详细描述了EZ算法。

如果楼层检测在352处成功，则首先执行在360C使用EZ算法来计算位置的尝试。如果计算在374处成功，则计算出的位置在376被解析。如果计算不成功，则使用结合楼层和场地数据的混合AP模型的推断算法在360B被用于计算位置。在378，计算出的位置被返回。

在380，可对计算出的结果执行一致性和隐私检查。一致性和隐私检查确定结果是否与指定的最小数据标准相符。例如，如果仅有一个Wi-Fi信标在观测到的数据中被发现，并且没有2D数据可用于该信标，则出于隐私考虑，一致性检查将确保不提供位置结果。

一般而言，EZ算法使用了一种假设，即从初始勘测所报告的所有观测数据和位置计算中所使用的那些都受到RF传播的底层物理学的约束。EZ算法对这些约束建模，然后使用它们来同时地确定AP模型和未知位置。参考图7，假设存在两个用户(M1、M2)和两个AP(AP1、AP2)，并且知道所有四个AP-用户距离(如图7中的情形IA所示)。基于该信息，可构造若干不同的四边形，以AP和用户的位置作为顶点，如情形IA和IB中所描绘的。AP和用户的相对位置的实现(模平移、旋转、以及反射)不是唯一的。然而，可以证明如果存在三个AP和三个移动用户，则对AP和用户的相对位置而言只能有唯一的实现(情形II)。这表明如果在AP与移动用户之间给予足够的距离约束，则可在相对意义上唯一地确定它们的位置。

在实践中，AP与移动用户之间的距离可通过收到信号强度(RSS)来推断。将距离与RSS相关的流行模型由下式给出：

在上式中，p_ij是第j个移动用户从第i个AP接收到的RSS，P_i是第i个AP的发射功率，c_i是第i个AP的位置，x_j是第j个移动用户的位置，γ_i是在第i个AP附近的路径损耗指数，而G_j是第j个移动接收机的增益。

对于每个RSS观测值，采用上述形式的一个等式被获得。由于对于每个移动处理设备在其移动时大量的观测值可从不同的位置(一些是已知位置，但大部分是未知位置)被收集，因此最终足够的等式(即约束)被提供以便求解所有变量。

因为求解这样的等式是非平凡的，所以专用的遗传算法被开发以便求解它们。通过使用结合遗传算法和梯度下降的混合方法，找到解变为了最优化问题：

上述问题没有已知的解析解，而具有大量的局部最小值。为了求解上述问题，2D搜索空间上的约束被使用以便使用EZ算法来解析位置。场地的边界框可被用作约束。诸如地图(必应地图)之类的商业地图绘制系统提供了可作为约束被结合的场地元数据。边界框是指定覆盖场地区域的矩形的左下角和右上角的两个位置的集合。

图5示出了根据本技术的用于收集并构建2D和3D信标存储的方法。在一个实施例中，图5表示用于执行图3中的步骤320的方法。在510，使用多种已知技术中的任一种来收集场地信标信息。位置服务125可收集并维护本文所描述的各种信标存储，并可向移动计算设备提供本文创建并描述的模型的全部或一部分。在一些实施例中，位置服务125可从许多不同的移动计算设备以及相对于已知实际位置(在此称为地面实况)对信标的计划观测中收集数据。移动计算设备102、104可经由网络50向位置服务125发送观测数据。

在520，可使用相对于地面实况位置的信标观测数据来填充场地信标存储。通常，场地勘测信息可以通过使用移动处理设备物理地勘测站点、确定场所的信标指纹并建立与场地的信标指纹相关联的实际位置的一组地面实况数据来收集。为了建立特定信标的地面实况，针对一信标的观测到的数据与观测到的数据的已知位置相关联。观测到的数据可以借助于使用已知位置信息(按照已知纬度、经度和楼层位置)的勘测被关联，所述已知位置信息被映射到一给定时间的信标指纹。在一组地图位置中的每个位置处的已知信标的指纹被创建。推断出的位置之间的相关性被用于评估定位的准确性。

在530，基于在510收集的场地AP数据来创建场地AP模型。

在515，对于多个场地，AP的2D(纬度和经度)观测数据可同样地存在于数据存储中。2D观测数据515可包括参照位置数据的AP观测数据，但没有楼层观测数据，并且基于与AP相关联的位置数据的准确性，可以或可以不与场地相关联，。在AP测量数据可与位置相关的情况下，2D模型可在525被生成。

对于在360C的EZ算法和在360B的推断(内部卡尔曼)算法，3D场地接入点模型被使用。在一个实施例中，3D场地接入点模型可由图1的移动处理设备或位置服务125生成。如图8所示，3D场地AP模型是由以下列组成的表：BSSID(基本服务集ID)、Latitude(纬度)、Longitude(经度)、Power(功率)、Gamma(γ)、VenueId(场地ID)、以及FloorId(楼层ID)。

如上所述，如果阈值数量的信标存在，则将作出在360C使用用3D AP模型的EZ算法计算的尝试。如果EZ算法无法推断出位置(在374)，则系统将回退到在360B使用推断算法来推断位置。出于此目的，基于场地的3D信标存储被用作AP模型的一部分。

根据该技术，基于场地的3D信标存储在535被生成。此生成可由位置服务125执行。混合模型的示例在图9中被示出。为了实现，使用与被用于生成室内AP模型(图8)和场地的3D信标存储的相同训练数据，对室内观测数据使用EZ模型来生成基于混合场地的AP模型。此信息与由室内细化技术生成的场地AP模型相结合以便创建混合室内模型。EZ算法被用于寻找场地内AP的位置(纬度，经度)、功率、以及路径损耗指数(γ)。对于指纹，具有收到信号强度的每个信标可被写为将位置(纬度、经度)作为未知数的等式。为了求解位置(纬度、经度)，至少三(3)个信标被用于进行三角测量。然而，对于各种设备，影响收到信号强度的接收机增益也是未知的。这给解增加了另一个维度，并且因此指纹中至少还有一个信标被用于求解等式。因此，在一个实施例中，指纹中用于解析其位置的最小数量的信标是四个信标。为了构造此混合模型，AP的未知量的解基于观测数据(每个观测值是具有这些未知数的一等式)。找到解的方法是梯度下降算法，其试图通过搜索等式的未知数的不同组合来最小化误差，以便找到解。该生成EZ算法是在360C处用于计算位置的定位算法的对应算法，并且基于相同的原理。

图6示出了执行步骤360C的方法。在610，作出初始确定以便确保存在至少两个信标。在620，如果在来自位置请求的观测到的数据(340)中找到与场地相关联的两个信标，则可作出场地确定的确定。

在630，观测指纹中的每个信标被检索，并且在640通过楼层检测过程来确定楼层检测。例如，可经由投票算法或最大似然算法来确定楼层。

在最大似然算法中，进行统计概率计算，其使用接收机增益偏移估计最大似然方法来选择使给定楼层“生成”Wi-Fi指纹的概率最大化的楼层和接收机增益。为了选择楼层，该方法根据下式求解最大概率：

其中：

R是接收机增益偏移；

floor_i是第i个楼层；

AP_ij是来自floor_i中AP_j的收到功率(其中AP是“接入点”)；以及

rssi_j是来自指纹中AP_j的收到功率

在投票模型中，来自传入请求的Wi-Fi指纹中的每个信标对室内信标存储中的每个楼层(跨所有场地)进行投票，而具有最多票数的楼层胜出。胜出的楼层也验证了场地。如果没有一个楼层接收到投票，则楼层不能被确定且场地没有被验证。因此，楼层/场地信息不能在响应中被提供。投票模型基于投票特征区间(VFI)模型，诸如G.和H.Güvenir的“Classification by Voting Feature Intervals(通过投票特征区间分类)”，第九届机器学习欧洲会议记录，第85-92页，1997年中所描述的。该VFI模型是包含关于场地中的信标的以下信息的表：Bssid(基本服务集ID)、VenueId(场地ID)、FloorId(楼层ID)、IntervalStart(区间开始)、IntervalEnd(区间结束)、以及Weight(权重)。部分VFI模型示于图10。如果指纹中的信标的RSS落在由IntervalStart和IntervalEnd指定的区间内，则表中的每一条目表示针对FloorId和VenueId的信标(Bssid)的投票(Weight)(在0和1之间)。信标可在同一楼层上具有多个不重叠的区间，或者具有针对不同楼层的区间。因此，表中可存在针对同一信标的多个条目。

在650，通过上述方法中的任一种确定的楼层被返回。

在一个实施例中，位置服务125可响应于来自移动设备的位置请求来提供位置信息。在这样的情况下，当楼层和场地被解析时,返回数据可用响应于“使用指纹获取位置”(GLUF)请求而提供可扩展标记语言(XML)来表示。响应于此请求而提供的XML的示例在图11中被示出。项<ResolvedLocation>(解析出的位置)是<LocationResult>(位置结果)中的Xml元素，并且是属性载体。它表示场地的更详细的项可被添加到的逻辑位置。例如，“店”、“岛”、“门”等细节项可被添加。如果没有室内结果，则<ResolvedLocation>将不会被填充。也可能仅返回场地(VENUEID)而没有楼层结果，并且仅VenueId属性将被填充在<ResolvedLocation>中。增强的GLUF响应是向后兼容的，其中只有一个额外的XML节点包含诸如VenueId和FloorId之类的逻辑位置实体。

图12示出移动计算设备400的框图，其可包括图1的移动计算设备102、104中的一个，并可包括如在下述图10中所示的移动设备的各元素。计算设备400可包括例如处理器412和用户接口418。用户接口418的显示器的展开视图示出了场地(例如场地200)的地图200a的平面图，其中在地图上显示了推断出的位置的指示415以及围绕该推断出的位置的指示415的误差半径417。

设备400包括可存储多个位置观测数据411、422的存储器410。尽管仅指示出两个位置观测数据411和422，将理解许多个位置观测数据将存在于存储器410中。每个位置观测数据包括信标402的指纹和相关联的信标数据404。位置观测数据可由位置计算应用420使用。位置计算应用420可被用于根据位置观测数据411、422计算位置。位置感知应用430利用由计算应用的位置计算出的推断出的位置，用于任何数量的目的。在一个实施例(如图4中所示)中，位置感知应用可以是地图应用并在用户界面上显示推断位置和误差半径。将理解，许多其它类型的应用利用推断出的位置，并且在此所述的技术不局限于属于地图绘制应用的位置感知应用。

图13示出了计算设备1400的功能组件的框图，在一个实施例中，所述计算设备可被利用于提供位置服务125。计算设备1400包括处理器1412和用户接口1418。设备1400可进一步包括存储器1410，存储器中提供了包括默认信标存储1411和场地/AP信标存储1422在内的组件。默认信标存储1411可包括用于默认算法处理(步骤360A)的2D观测数据，而场地信标存储1422可包括用于上述EZ和室内推断方法的数据。存储器1410可进一步包括位置计算应用1430、1435以及相关应用1472。可选地，诸如在移动处理设备上使用的位置感知应用1478也可存在于存储器1410中。

图14描绘了用于实现所公开技术的操作的移动设备的示例框图。图14的设备是例如图1的设备102、104的更加详细的例示。描绘了典型移动处理设备的示例性电子电路。该移动设备1000包括一个或多个微处理器1012，以及存储由控制处理器1012的一个或多个处理器执行来实现此处所述的功能的处理器可读代码的存储器1010(例如，诸如ROM等非易失性存储器和诸如RAM等易失性存储器)。

移动设备1000可包括例如处理器1012、包括应用的存储器1010、以及非易失性存储。处理器1012可实现通信以及任何数量的应用，包括本文中所描述的应用。存储器1010可以是任何种类的存储器存储介质类型，包括非易失性和易失性存储器。设备操作系统处理移动设备1000的不同操作，并可包含用于操作的用户界面，如拨打和接听电话呼叫、文本消息收发、检查语音邮件等。应用1030可以是任何种类的程序，诸如用于照片和/或视频的相机应用、地址簿、日历应用、媒体播放器、互联网浏览器、游戏、闹钟应用、或其他第三方应用。存储器1010中的非易失性存储组件1040包含诸如web高速缓存、音乐、照片、联系人数据、时间安排数据、以及其他文件之类的数据。

处理器1012还与RF发射/接收电路1006(该电路1006又耦合到天线1002)、红外发射器/接收器1008、以及诸如加速度计和磁力计1015之类的移动/定向传感器1014通信。加速度计已被包括到移动设备中，以便允许诸如让用户通过姿势输入命令的智能用户接口、与GPS卫星断开联系之后计算设备的移动和方向的室内GPS功能之类的应用，以及检测设备的定向并且当电话被旋转时自动地将显示画面从纵向变为横向。可以例如通过微机电系统(MEMS)来提供加速度计，微机电系统是构建在半导体芯片上的微小机械器件(微米尺寸)。可以感测加速度方向，以及定向、振动和震动。处理器1012进一步与响铃器/振动器1016、用户接口键区/屏幕1018、扬声器1020、话筒1022、相机1024、光传感器1026和温度传感器1028进行通信。磁力计已经被合并到移动设备中以允许诸如数字罗盘之类的应用，所述应用测量在移动设备附近的磁场的方向和大小、跟踪磁场的变化并将磁场的方向显示给用户。

处理器1012控制无线信号的发射和接收。在发射模式期间，处理器1012向发射/接收电路1006提供来自话筒1022的语音信号或其它数据信号。发射/接收电路系统1006通过电线1002将该信号发射到远程站(例如固定站、运营商、其他蜂窝电话等)来通信。响铃器/振动器1016被用于用信号向用户通知传入呼叫、文本消息、日历提醒、闹钟提醒或其它通知。在接收模式期间，发射/接收电路系统1006通过天线1002接收来自远程站的语音或其他数据信号。所接收到的语音信号被提供给扬声器1020，同时所接收到的其他数据信号也被适当地处理。

另外，物理连接器1088可被用来将移动设备100连接到外部电源，诸如AC适配器或加电对接底座。物理连接器1088还可被用作到计算设备的数据连接。该数据连接允许诸如将移动设备数据与另一设备上的计算数据进行同步等操作。为这样的服务启用使用基于卫星的无线电导航来中继用户应用的位置的全球定位服务(GPS)接收器1065。

本技术可用各种其他通用或专用计算系统环境或配置来操作。适合结合本技术中使用的公知的计算系统、环境和/或配置的示例包括，但不限于：个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机、大型计算机、包含上述系统或设备中的任一个的分布式计算环境等。

本技术可在诸如程序模块等由计算机执行的计算机可执行指令的通用上下文中描述。一般而言，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。本技术也可以在任务由通过通信网络链接的远程处理设备执行的分布式计算环境中实现。在分布式计算环境中，程序模块可以位于包括存储器存储设备的本地和远程计算机存储介质两者中。

尽管用结构特征和/或方法动作专用的语言描述了本主题，但可以理解，所附权利要求书中定义的主题不必限于上述具体特征或动作。更确切而言，上述具体特征和动作是作为实现权利要求的示例形式公开的。