用于估计可移动对象的物理状态的装置和方法与流程

本公开涉及用于估计可移动对象的物理状态的装置和方法。
背景技术：
：在现代移动无线电标准的环境中，移动状态的分类和传输扮演重要角色。通常，例如，已知通过评估从惯性测量单元(imu)获得的传感器数据来执行移动状态的分类。移动状态的示例是行人特定的移动状态，诸如步行、慢跑、跑步或短跑，以及车辆特定的移动状态，诸如在交通堵塞中驾驶或站立。通常，移动状态限定可移动对象所处的状态。在对移动状态进行分类之后，可以选择与移动状态相关联的移动模型。移动模型在相应移动状态中对传感器数据的行为进行建模，根据行为对移动状态进行分类。使用从imu获得的移动模型和传感器数据，可以使用传感器数据和选择的移动模型来估计诸如移动电话的可移动对象的物理状态。技术实现要素：本公开的目的是提供允许使用改进的可靠性估计可移动对象的物理状态的装置和方法。此目的通过如权利要求1和5的装置以及如权利要求13和17的方法来实现。本公开的另外的展开在从属权利要求中限定。本公开的示例提供了一种用于估计可移动对象的物理状态的装置，包括处理器。处理器被配置为接收或确定概率质量函数，概率质量函数包括用于由至少两个移动类构成的第一组中的每个移动类的概率，其中第一组的移动类是使用来自惯性测量单元的传感器数据来确定的，以及处理器被配置为接收与由至少两个移动类构成的第二组相关联的至少一个额外的概率质量函数，其中已经使用与传感器数据不同的额外的信息获得了额外的概率质量函数。处理器被配置为将概率质量函数与额外的概率质量函数进行组合，以获得第一组和第二组的移动类的组合概率质量函数。处理器还被配置为从组合概率质量函数中选择具有最高概率的移动类，并且使用所选择的移动类的移动模型来估计可移动对象的物理状态。本公开的示例提供了一种用于估计可移动对象的物理状态的方法，可移动对象包括惯性测量单元，方法包括：接收包括用于由至少两个移动类构成的第一组中的每个移动类的概率的概率质量函数，其中第一组的移动类是使用来自惯性测量单元的传感器数据来确定的；接收与由至少两个移动类构成的第二组相关联的至少一个额外的概率质量函数，其中额外的概率质量函数是使用与传感器数据不同的额外的信息获得的；将概率质量函数与额外的概率质量函数进行组合，以获得第一组和第二组的移动类的组合概率质量函数；从组合概率质量函数中选择具有最高概率的移动类；以及使用所选择的移动类的移动模型来估计可移动对象的物理状态。因此，在本公开的示例中，可以使用来自额外的信息源的信息，以选择要在估计诸如移动电话的可移动对象的物理状态时使用的移动模型，额外的信息源可以存在于链接系统中并且可以给出对可移动对象的诸如移动状态的物理状态的提示。本公开的示例提供了一种用于估计可移动对象的物理状态的装置，包括处理器，处理器被配置为接收至少一个概率质量函数，所述至少一个概率质量函数包括与由至少两个移动类构成的组相关联的概率，其中概率质量函数是基于来自信息源的信息，并且处理器被配置为接收用于概率质量函数的质量度量，质量度量指示信息源的质量。处理器被配置为从至少一个概率质量函数中选择具有最高概率的移动类，并且使用选择的移动类的移动模型和接收到的质量度量来估计所述可移动对象的物理状态。本公开的示例提供了一种用于估计可移动对象的物理状态的方法，方法包括：接收至少一个概率质量函数，至少一个概率质量函数包括与由至少两个移动类构成的组相关联的概率，其中概率质量函数是基于来自信息源的信息；从至少一个概率质量函数中选择具有最高概率的移动类；接收概率质量函数的质量度量，质量度量指示信息源的质量；以及使用与选择的移动类和接收到的质量度量相关联的移动模型来估计可移动对象的物理状态。因此，在本公开的示例中，在估计可移动对象的物理状态时使用额外的质量度量，使得如果质量度量指示高质量，则可以可靠地估计具有低方差的物理状态，而如果质量度量指示低质量，则可以估计具有较高方差的物理状态。因此，本公开的示例允许以取决于质量度量的准确度输出物理状态。每个移动类可以是移动状态或移动模型。换句话说，在示例中，每个移动类是具有与其相关联的一个或多个移动模型的移动状态，其中移动模型或与移动状态相关联的移动模型中的一个被用于估计可移动对象的物理状态。在其他示例中，每个移动状态是在估计可移动对象本身的物理状态时使用的移动模型，诸如在移动状态与移动模型之间存在一一对应的情况下。附图说明现在参考附图更详细地描述本发明的实施例，其中：图1示出根据本公开的示例的装置的示意图；图2示出根据本公开的示例的装置的示意图；图3示出根据本公开的示例的装置的示意图；图4示出根据本公开的示例的方法的示意性流程图；图5示出根据本公开的另一示例的方法的示意性流程图；图6示出用于解释将测量的数据与一个或多个移动模型相关联的示例的示意图；图7示出步行行人的示例性3轴加速度计测量；图8示出使用经典惯性导航的定位结果；图9示出图7的示例性传感器数据的一部分的放大图，其揭示与行人的脚步对应的周期性峰值，其中示例性峰值由黑色正方形标记；图10示出使用基于移动模型的方法的定位结果的示例；以及图11示出使用加速度计数据的示例性移动状态分类。具体实施方式下面，参照附图更详细地描述本发明的优选实施例，在附图中具有相同或相似功能的元件由相同的附图标记表示。本公开的示例可以在诸如3gpp系统的移动无线电系统中提供，例如lte系统或5g系统，以使用移动模型来改进移动对象的定位。除了由移动对象捕获的传感器数据，诸如imu数据之外，额外的信息源可以涉及移动状态的分类，即，将捕获的数据分配给一个或多个移动状态。通常，移动状态和移动模型在本领域中是已知的。移动状态描述移动对象所处的状态。例如，可能的移动状态是行人特定的移动状态，诸如爬行、行走、跑步或冲刺，以及车辆特定的移动状态，诸如在交通堵塞中驾驶或站立。每个移动状态可以具有与其相关联的一个移动模型或若干移动模型。移动模型在相应移动状态中对传感器数据或其他信息的行为进行建模，根据所述行为来分类移动状态。除了由可移动对象捕获的传感器数据之外还使用这样的移动模型可以提高可移动对象的物理状态的估计的准确度和可靠性。对象的物理状态可以是对象的位置、对象的取向、对象的移动速度、对象的旋转速度和对象的加速度以及这些参数在时间上的导数中的至少一个。可移动对象可以是被配置为在诸如3gpp网络(例如lte或5g网络)的通信网络内进行通信的任何对象。可移动对象可以是适合于iot(物联网)的任何移动对象。通常，已知移动模型可如何结合由移动设备捕获的传感器数据使用以估计可移动对象的物理状态。本公开的示例涉及一种用于改进传感器数据在特定移动类中，即在移动状态或移动模型中的分类的方法。图1示出包括处理器12的装置10。处理器12被配置为提供本文所述的功能。处理器可以被实现为可移动对象的部分，或者可以被实现为分离的实体，诸如位置服务器。处理器12可以使用模拟和/或数字电路以硬件实现、以软件实现、通过由一个或多个通用或专用处理器执行指令来实现，或者实现为硬件和软件的组合。例如，本发明的实施例可以在计算机系统或另一处理系统的环境中实现。装置10可以是包括一个或多个处理器的计算机系统的形式，所述处理器例如是专用或通用数字信号处理器。处理器可以连接到通信基础设施，如总线或网络。计算机系统可包括主存储器，例如随机存取存储器(ram)，以及辅助存储器，例如硬盘驱动器和/或可移动存储驱动器。辅助存储器可以允许计算机程序或其它指令被加载到计算机系统中。计算机系统还可包括一个或多个通信接口，以允许软件和数据在计算机系统的组件之间以及在计算机系统和外部设备之间传送。通信可以是电子、电磁、光或能够由通信接口处理的其它信号的形式。通信可以使用电线或电缆、光纤、电话线、蜂窝电话链路、rf链路和其它通信信道。在示例中，处理器12可以经由通信接口接收相应信息和数据。图2示出包括处理器10和通信接口14的装置20，装置还包括传感器单元22，诸如imu。处理器12可以从传感器单元22接收传感器数据，并且可以根据传感器数据确定包括用于由至少两个移动类构成的第一组中的每个移动类的概率的概率质量函数。可替换地，处理器可以经由通信接口14接收概率质量函数。处理器12还可以经由通信接口14接收与至少两个移动类得第二组相关的至少一个额外的概率质量函数。处理器12将基于传感器数据的概率质量函数与额外的概率质量函数组合，以获得组合概率质量函数。处理器10从组合概率质量函数中选择具有最高概率的移动类，并使用选择的移动类的移动模型来估计可移动对象的物理状态。如果移动类是移动状态，则将选择与移动状态相关联的移动模型。或者，移动类已经指示了待使用的移动模型。本公开的示例提供了与不同信息相关联的概率质量函数的融合或组合。如本文所述，可以在估计可移动对象的物理状态时使用不同类型的信息，这些信息可以源自诸如iot系统的链接系统内的不同的组件(信息源)。本公开的示例提供了一种信息融合方法，使得关于物理状态(移动状态)的最佳可能信息可以对链接系统的所有成员可用。本公开的示例提供了一种系统，系统包括如本文所述的装置和至少一个信息源，其中所述至少一个信息源被配置为诸如通过无线电通信链路将与信息源相关联的概率质量函数发送到装置。图2示意性地示出经由无线电通信链路26耦接到装置20的信息源24。在示例中，多个信息源可以经由相应无线电通信链路耦接到装置。每个信息源可以向装置发送相关联的概率质量函数。该装置可以在与可移动对象相关联的用户设备(例如移动电话)中实现，或者可以实现为分离的实体，诸如位置服务器。当在可移动对象中实现时，装置可以基于由移动对象捕获的传感器数据来确定概率质量函数，并且可以经由无线电通信链路来接收额外的概率质量函数。当被实现为分离的实体时，装置可以经由无线电通信链路接收所有概率质量函数。图3示出用于解释本发明方法的示例的示意图，并且将解释不同类型的信息及其关于可移动对象的物理状态的关系。图3示出可能源自链接系统的不同组件的不同类型的信息。最重要的信息在块30中示出，并且涉及imu传感器数据，诸如三维imu传感器数据。可选地，信息可包括额外的信息，诸如源自磁力计、气压计、温度传感器、麦克风、gps接收器、无线局域网接收器和蓝牙接收器的信息。信息30源自可移动对象本身上的传感器或设备，并且因此由可移动对象本身捕获。提供表示信息30的数据32，并且在块34中进行特征提取和移动分类。已知用于特征提取和分类的不同方法。结果是最佳地拟合从数据32提取的特征的移动类(mid)的组。在块36中，为每个选择的移动类提供概率，并且确定选定移动类的概率质量函数(pmf)。与每个类相关的概率可以取决于提取的特征与相应移动类之间的一致性。块40示出与移动对象的标识有关的另一类型的信息，其也可以被称为用户设备(ue)。在块40中示出三个详细的等级，即ue类型、ueid和单独的ueid。提供与信息40相关的数据42，并且进行拟合移动类(mid)44的提取。在提取拟合移动类时，可以进行可选的加权。在块46中，将概率与每个mid相关联，并提供mid上的对应的pmf。信息40的最一般的等级是指示对象的类型的ue类型，诸如汽车或移动电话。对象的类型可以限制对象移动或几乎不移动的移动状态。例如，汽车可能不像行人一样移动，使得行人特定模型，诸如步行、慢跑等，可以从开始就被排除并且不需要被评估。这种限制可能导致可能的移动类的组，它们可以根据预期的发生概率(先验概率)来加权。例如，移动电话将由在街道上行走的行人携带比由位于船上的行人携带得更频繁。在块40中，更特定的信息为ueid，ueid在此上下文中是用来指特定设备，而非单独的设备。示例是在所有特定类型的汽车中使用的特定ue类型无线电模块的id，诸如具有特定配置的2017年建设。此id可以给出关于移动状态分类待期望的质量的额外的信息(因为当知道他的id时，设备的传感器的数量和质量的信息是可用的)。在块40中最特定的信息是标识单独的设备(ue)的id。这样的id可以被分配给ue，或者可以是现有id，诸如mac地址、序列号、设备id或每个移动设备的国际移动设备标识(imei)。许多对象以及因此由耦接到对象的每个设备生成的信息经常根据特定模式移动。这种移动行为也可以涉及分类。例如，如果已知移动电话a的用户在正常的基础上慢跑，而移动电话b的用户频繁地骑车，则10km/h的速度将在移动电话a的用户的情况下建议“慢跑”，而在移动电话b的用户的情况下将建议“骑车”。在块46中，可以在与mid相关联的概率中考虑上面指示的信息。块50示出对象的物理状态的形式的额外的信息。物理状态可以从由对象上的传感器获得的传感器数据或从由外部传感器获得的传感器数据导出。在块54中，提供数据52，数据52指示诸如位置和速度的物理状态，并且进行特征提取和移动类(移动特征描述)的分类。在块56中，提供由分类产生的mid上的pmf。关于物理状态的信息可以影响pmf。例如，如果移动电话的用户以50km/h的速度移动或者处于地面上方的400m，则他不可能是在步行途中。在块60中指示另一类型的信息，即逻辑位置。逻辑位置不表示绝对位置，而是表示对象所处的环境。用于逻辑位置的示例是高速公路、城市、购物中心、停车场等。关于逻辑位置的信息可通过参考地图信息来确定。逻辑位置可包括有用的信息，因为它可以进一步限制可能的移动状态。例如，如果移动电话的用户在购物中心，则他将不会乘汽车移动。另一方面，如果逻辑位置是高速公路，则用户将很可能乘汽车移动。在块70中指示另一类型的信息，即，通常的用户行为及其历史。基于这种信息，一些移动类比其它移动类更有可能，并且这可以反映在与基于此信息提取的mid相关联的pmf中。此类型的信息可以与块40中的信息结合使用，使得可以识别ue以使用历史。块80示出另外的类型的信息，即来自对象附近的其他设备的信息。来自这些设备的信息可以用于形成上下文，从而支持对自身移动状态的估计。例如，在移动无线电标准中，诸如5g标准，存在数据借助于d2d(设备到设备)或经由位置服务器(ls)在本地直接在几个设备(ue)之间交换的可能性。因此，可以获得关于附近有多少相同类型的设备以及关于其实际移动状态的信息。这种信息对于验证特定条件是有用的，诸如车辆处于交通堵塞中的事实。如图3中的块62到66、72到76和82到86所示，可以以与上面关于块30、40和50中的信息所描述的类似的方式来提供mid上与相应信息60、70和80相关联的相应pmf。根据本公开的示例，除了源自对象的一个或多个传感器的信息30之外，上面参考图3描述的不同类型的信息40至80中的一个或多个可以用于找到适当的移动类。块30至36、块40至46、块50至56、块60至66、块70至76和80至86的每个组合可以是相应信息源的部分，信息源被配置为将相应的pmf发送到如本文所述的装置，装置被配置为组合接收到的pmf，基于组合的pmf选择移动类，并且使用与选择的移动类相关联的移动模型来估计可移动对象的物理状态。根据本公开的示例，以一方面允许对来自一个信息源的不同移动模型的概率进行加权，另一方面允许对信息源相对于彼此进行加权的形式来表示关于移动状态的信息。因此，可以以有效的方式组合或融合不同的信息源，而不是呈现硬决策，诸如uea随移动模型mid4移动。因此，根据本公开的示例，以pmf的形式表示可能的适合移动类，其中概率值pmidi与已经被确定为可能适合移动类的每个移动类关联，其中i表示1到n的索引，并且n是可能的移动类的数量。如上所述，考虑到所述的不同类型的信息，ue的移动状态的数量通常可以被限制。下表示出在从1到n的mid上pmf的表示(对于n个可能的移动类，例如移动状态)。mid1mid2…midnpmid1pmid2…pmidn在示例中，在网络的不同实体之间传送对应的pmf。在示例中，mid1到midn指示不同的移动状态。在示例mid1到midn中指示了不同的移动模型。举例来说，在相应移动状态与相关联移动模型之间存在一一对应的情况下，mid1到midn可指示不同移动模型。概率质量函数本身包括关于估计质量的暗示，其可能源自信息本身的源。概率质量函数越接近均匀分布，信息源越不确定。例如，在两个可能的移动状态的情况下，如果50％的概率与两个状态都相关联，则信息源将完全不确定，而信息源将完全确定100％的概率是否与移动类中的一个相关联，并且0％的概率是否与另一移动类相关联。通过组合来自不同信息源的概率质量函数，并基于组合概率质量函数选择移动类，可以以提高的可靠性选择适当的移动类，并因此选择移动模型。概率质量函数的组合(或融合)在图3中的块90中示出，组合的结果是组合概率质量函数92。待组合的pmf可包括相同的移动类或不同的移动类。在示例中，在不同的信息源之间或者至少在信息源与估计可移动对象的物理状态的装置之间发送移动类上的pmf。在示例中，发送的移动类的概率的数量是有限的，其中不大可能的状态(即，移动类)的概率不被发送。在示例中，仅发送特定数量的最可能移动类上的pmf，诸如三个pmf的数量。在本公开的示例中，通过计算概率质量函数的加权归一化和来执行概率质量函数的组合。在本公开的示例中，可以为信息源中的至少一个提供质量度量，质量度量指示pmf源自的信息源的质量。质量度量可以是加权因子的形式，其中加权因子以相同的方式应用于pmf中的所有概率。因此，可以提供在选择适当的移动类(状态)时考虑的信息源的可靠性的评估。与pmf不同，质量度量可以描述整个系统如何对信息源进行评级。因此，可以防止对不同移动状态之间的判定贡献不大的信息源被加权为高。通常，被评定为更可靠的信息源的pmf应当被加权得高于被评定为较不可靠的信息源。存在多个可能性来表示通过移动模型和/或imu数据获得的状态的质量度量：1.最简单的方式可以是发送设备标识符。根据设备的类型(例如，特定的智能电话模型)，可以在预期的质量方面做出假设。这种选择将导致最少的通信量，但是可能不是非常精确。2.从传感器融合的观点来看，更好的选择是计算状态的方差(即，与估计的预期二次偏差)。它可以为多个信息源的融合准备位置服务器，但是因为可以在ue上计算度量，所以如何计算这个方差是不可控的。一些ue可能过高或过低估计它们的可靠性。3.另一选择是发送关于在获得状态中使用的(imu和/或额外的)传感器/信息源的信息。封装将包括使用的传感器的类型和质量。如果也发送使用的移动模型，则它可以给出关于预期质量的额外的信息。在本公开的示例中，有关的可移动对象的ue类型被发送到可以生成移动状态估计的所有信息源，从而限制可能的移动状态。信息源估计移动状态并在pmf中表示它们的结果。所有移动状态的pmf可限于n(例如3)个最可能的估计。pmf可以被重新归一化，使得所有概率的和再次为一。可以为信息源分配质量度量σi(从诸如位置服务器的外部设备，或者通过其自身)。由信息源创建的pmf可使用归一化加权和链接到通用(组合)pmf中(对应于传输中排除的状态的pmf可被设为0)。因此，对于m个信息源，组合的pmf可以如下获得：在本公开的示例中，接收用于单概率质量函数的质量度量，并且使用具有最高概率的单概率质量函数的移动类的移动模型和接收到的质量度量来估计可移动对象的物理状态。这些实例可以不包括几个pmf的融合。单个概率质量函数可以基于来自惯性测量单元的信息。这样的示例可以估计物理状态以揭示物理状态的方差，其中方差取决于质量度量，其中对于较低质量度量实现较大方差，并且对于较高质量度量实现较小方差。在这样的示例中，可以接收多个概率质量函数，每个概率质量函数包括与至少两个移动模型的组相关联的概率。每个概率质量函数可以基于来自不同信息源的信息。可以接收一个或多个概率质量函数的质量度量。可以使用一个或多个质量度量来组合概率质量函数，使得具有较高质量的概率质量函数比具有较低质量的概率质量函数被更高地加权，以获得组合概率质量函数。可以从组合概率质量函数中选择具有最高概率的移动类。本公开的示例提供了一种用于估计具有惯性测量单元的可移动对象的物理状态的方法，如图4所示，在100处，接收包括用于由至少两个移动类构成的第一组中的每个的概率质量函数，其中使用来自惯性测量单元的传感器数据来确定第一组的移动类。在102处，接收与由至少两个移动类构成的第二组相关联的至少一个额外的概率质量函数，其中已经使用与传感器数据不同的额外的信息获得了额外的概率质量函数。在104处，将概率质量函数和额外的概率质量函数组合，以获得第一组和第二组的移动类的组合概率质量函数。在106处，从组合概率质量函数中选择具有最高概率的移动类。在108处，使用选择的移动类的移动模型来估计可移动对象的物理状态。本公开的其他示例提供了一种用于估计可移动对象的物理状态的方法，如图5所示，在120处，接收包括与由至少两个移动类构成的组相关联的概率的至少一个概率质量函数，其中概率质量函数是基于来自信息源的信息。在122处，从至少一个概率质量函数中选择具有最高概率的移动类。在124处，接收概率质量函数的质量度量，质量度量指示信息源的质量。在126处，使用选择的移动类的移动模型和接收到的质量度量来估计可移动对象的物理状态。现在参考图6描述如何基于特征向量进行分类的简短示例，通常，分类的目的是将测量数据分配给类，即，在本公开中的移动类，例如移动状态，其中测量数据可以是多维特征向量的形式。例如，可以将高斯分布分配给类，其对应于与类相关联的特征向量的预期的分布。预期的分布可以由数据或以任何其它方式确定。图6示出类，其中第一类200和第二类210被示出为点簇。高斯分布被示为代表95％百分位的椭圆。另外，还使用指示类根本存在的概率的先验概率对类进行加权。如果测量了由十字220表示的特征向量，例如[3，2]，则类cx与特征向量相关联，在类处，由此高斯分布p(x\c)生成点的概率(即，在示例中，在位置x处的类的高斯分布具有的值)乘以该类的先验概率p(c)是最高的：借助于归一化，可以获得用于每个类的概率。在图6中，示出两个类之间的分隔线230。在此分隔线上，两个类具有相同的概率。在相应椭圆的方向上，特征向量属于相关联类的概率增加。因此，在图6中，特征向量220属于类200的概率比特征向量220属于类210的概率高得多。从随后的考虑中将变得显而易见的是，已经证明对于不同的导航场景使用特定的移动模型是有利的。除了为导航算法(如通常在导航中使用的贝叶斯滤波器)的预测步骤提供有价值的信息之外，移动状态本身还包括有价值的信息，因为它定义了ue(或者更准确地说，它承载的可移动对象)在交通场景中的角色。这些益处将在下面突出。移动模型在导航中的作用是提供物理状态的估计，诸如可以与测量结果比较的被跟踪对象的位置。作为示出移动建模的正面效果的示例，在时间索引t处观察在1维空间中移动的对象，其中存在来自较早时间步长的先前的位置估计。时间步长之间的时间是τ＝1s。在时间索引t处，对象具有位置pt。测量结果mt是位置pt，但是被噪声过程nt扰动mt＝pt+nt。在示例情况下，真值位置pt是2.1m，而噪声等于另一0.4m，使得测量mt将指示pt＝2.5m的位置。但是来自最后时间步长t-1的信息已经被计算并且可以被使用：pt-1＝1m，vt-1＝1m/s。在假定对象在此时间步长中以恒定速度移动的情况下(在此简化示例中是移动模型)，可以进行以下位置预测：现在，测量和预测都携带有价值的信息，但是事实“在中间”。如果两个信息源的值相同，则估计是：这更接近原始的位置。然而，如果测量和移动模型都可以用可靠性测量(在大多数情况下是方差或协方差矩阵)来进一步描述，则可以进一步改进结果。例如，这些测量被转换为权重，使得来自预测的信息被假定为测量的两倍可靠，因为噪声相当强，并且对象的速度在时间步长之间几乎是恒定的。得到的估计是这甚至更接近真值的位置。此简单的示例示出在估计可移动对象的物理状态时使用概率质量函数的质量度量可以对可移动对象的估计位置的精度具有积极的影响。参考图7到10，简要地解释了使用应用移动模型的行人的imu数据的示例，其中识别行人的步伐。虽然对于一些情况，经典的惯性导航(即，旋转加速计测量并减去重力以获得对象加速度，然后对对象加速度进行积分以获得速度和位移)是适用的，尤其是当对象使用高级imu时，许多移动类型太动态而不能创建可用于获得速度、姿态(取向)和位移的有意义估计的传感器信号。因此，通常的做法是使用移动模型来从imu数据中提取定位信息。为了强调这一点，在图7至10中示出示例性场景，在图7中示出利用3轴加速度计测量结果获得的行走行人的imu测量结果，其示出高度非稳定信号。使用imu数据，惯性导航结果(其它术语是捷联导航或ins)被获得并在图8中示出，由于信号的高度动态行为，不能获得满意的结果，相反，在导航情况结束时估计的位置是以公里计的。当更详细地分析来自图7的信号时，可以在信号中找到行人的步伐，如图9所示，如果作为可替换的方法，检测步伐并将其用于获得定位估计，则可以获得更好的结果，如图10所示。图11示出来自其他信息源的信息如何可以在识别移动状态以及因此的移动模型中支持的示例。图11示出从加速度计数据获得的特征。可以看出，从步行和骑车获得的特征强烈重叠。因此，使用从加速度计数据获得的特征(即，幅度和变化)，跑步可以与骑车和步行分离，但是步行和骑车不能分离。如果速度被用作额外的特征，则可以容易地实现分离，因为步行的行人比骑车的人移动得慢得多。因此，如上文所解释，本发明的实例利用以下事实：除imu数据之外，关于移动状态的额外信息源在5g上下文中可用。这些包括(但不限于)ue类型(例如，汽车不能行走)、物理状态(例如，以50km/h移动的智能电话不太可能被行人持有)、逻辑位置(例如，智能电话的用户不太可能在建筑物内驾驶汽车)和其他传感器。所有相关信息可以用作如本文所述的分类方法中的特征。本公开的示例允许通过使用来自除来自普通传感器的信息之外的额外的信息源的信息来改进对诸如lte或5g的通信系统中的移动状态的分类。通过相关的移动模型将数据作为(加权的)概率质量函数进行发送，可以以可观察到信息源的可靠性方面的差异的方式链接(组合)来自不同信息源的概率质量函数。分类的移动模型可以用于支持定位，以在可用性、鲁棒性和精度方面实现定位的改进的结果。虽然已经在装置的上下文中描述了所描述的概念的一些方面，但是清楚的是，这些方面还表示对对应的方法的描述，其中块或设备对应于方法步骤或方法步骤的特征。类似地，在方法步骤的上下文中描述的方面还表示对对应的装置的对应的块或项目或特征的描述。术语“计算机程序介质”和“计算机可读介质”一般被用于指有形的存储介质，诸如可移动存储单元或安装在硬盘驱动器中的硬盘。这些计算机程序产品是用于向计算机系统提供软件的手段。计算机程序，也称为计算机控制逻辑，存储在主存储器和/或辅助存储器中。也可以经由通信接口接收计算机程序。计算机程序在被执行时使计算机系统能够实现本发明。特别地，计算机程序在被执行时使处理器能够实现本发明的处理，诸如本文所述的任何方法。因而，这种计算机程序可以表示计算机系统的控制器。在使用软件来实现本公开的情况下，可以将软件存储在计算机程序产品中，并使用可移动存储驱动器、接口(诸如通信接口)将其加载到计算机系统中。可以使用数字存储介质(例如云存储、软盘、dvd、蓝光、cd、rom、prom、eprom、eeprom或闪存)执行硬件或软件中的实施方式，在该数字存储介质上存储有电子可读控制信号，该电子可读控制信号与可编程计算机系统协作(或能够协作)，使得执行相应的方法。因此，数字存储介质可以是计算机可读的。根根据本发明的一些实施例包括具有电子可读控制信号的数据载体，该电子可读控制信号能够与可编程计算机系统协作，使得执行本文描述的方法之一。一般而言，本发明的实施例可以被实现为具有程序代码的计算机程序产品，当计算机程序产品在计算机上运行时，该程序代码可操作以用于执行方法之一。程序代码可以例如被存储在机器可读载体上。其它实施例包括存储在机器可读载体上的用于执行本文描述的方法之一的计算机程序。换句话说，因此，本发明性方法的实施例是一种计算机程序，该计算机程序具有当计算机程序在计算机上运行时用于执行本文描述的方法之一的程序代码。因此，本发明性方法的另一个实施例是一种数据载体(或数字存储介质，或计算机可读介质)，其包括记录在其上的用于执行本文所述方法之一的计算机程序。因此，本发明性方法的另一个实施例是表示用于执行本文所述方法之一的计算机程序的数据流或信号序列。数据流或信号序列可以例如被配置为经由数据通信连接(例如经由互联网)来传送。另一个实施例包括一种处理手段，例如计算机或可编程逻辑设备，其被配置为或适于执行本文描述的方法之一。另一个实施例包括一种计算机，该计算机上安装有用于执行本文描述的方法之一的计算机程序。在一些实施例中，可编程逻辑设备(例如现场可编程门阵列)可以被用于执行本文描述的方法的一些或全部功能。在一些实施例中，现场可编程门阵列可以与微处理器协作以便执行本文描述的方法之一。一般而言，方法优选地由任何硬件装置执行。上面描述的实施例仅仅用于说明本发明的原理。应该理解的是，本文描述的布置和细节的修改和变化对于本领域的其他技术人员将是显而易见的。因此，本发明的意图仅由即将给出的专利权利要求的范围限制，而不由通过本文的实施例的描述和解释而给出的具体细节的限制。当前第1页12