專利名稱：用于定位技術(shù)的概率模型的制作方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及到定位技術(shù)，其中，在對目標裝置的無線通信環(huán)境的觀測的基礎(chǔ)上估算目標裝置的位置。
背景技術(shù)：
圖1示意性的說明了一個上述定位技術(shù)的例子。目標裝置T通過無線接口RI，經(jīng)由基站BS進行通信。在所述例子中，假設(shè)所述通信為無線通信。所述目標裝置T觀測在無線接口RI的信號值。觀測結(jié)果集合OS被應(yīng)用于概率模型PM，所述概率模型PM模擬所述目標裝置的無線通信環(huán)境，并產(chǎn)生位置估計LE。
目標裝置的一實際例子是在無線局域網(wǎng)(WLAN)或蜂窩無線網(wǎng)絡(luò)中進行通信的數(shù)據(jù)處理裝置。該數(shù)據(jù)處理裝置可以是通用目的的膝上或掌上計算機或者通信裝置，或者其可以是專用測試或測量裝置，例如連接到WLAN的醫(yī)療器具。這里所使用的信號值是固定發(fā)射機的信號的可測量的并且由位置決定的量。例如，信號強度和誤比特比/率是可測量的并由位置決定的量的例子。在授予Mati Wax等的美國專利6 112 095中公開了基于裝置的無線環(huán)境的概率模型的定位技術(shù)的例子。
本發(fā)明所要解決的問題涉及這樣的事實，即，這樣的概率模型在其是密集的時候運行得最好。這意味著樣本點之間的距離不應(yīng)過大。樣本點是概率模型的點。在理想情況下，樣本點之間的距離等于概率模型的期望的分辨率，其意味著最符合目標裝置的觀測結(jié)果的樣本點將被認為是目標裝置的位置。問題是通過物理校準(celibration)來獲取大量的樣本點是費時并且昂貴的。所述過程很難自動執(zhí)行。結(jié)果，一些樣本點將會通過從已知的校準的位置中獲得其而被確定，例如通過內(nèi)插(interpolation)。但是，令人驚訝的是，這樣的內(nèi)插絕非簡單。
圖2顯示了有關(guān)信號值內(nèi)插的問題。自變量x代表可測量的信號值，如信號強度。因變量P(x)是所述信號值的概率。圖2顯示了分別用于兩個位置Q1和Q2的概率分布21和22。為了保持圖2簡單，假設(shè)概率分布21和22是不重疊的。位置Q1的信號值集中在值X1附近，位置Q2的信號值集中在值X2附近。
假設(shè)我們希望預(yù)測介于位置Q1和Q2之間的樣本點的信號值。例如，我們可能希望在概率模型中插入樣本點，所述樣本點位于可以得到實際測量或仿真結(jié)果的兩個位置之間。創(chuàng)建所述新樣本點的直觀方法是將位置Q1和Q2的概率分布21和22進行聯(lián)合。以粗體虛線所顯示的曲線23表示所述聯(lián)合的(且歸一化的)概率分布。但是，所述聯(lián)合的概率分布23不能預(yù)測兩個位置之間的信號值，至少不能很好地預(yù)測。這是因為聯(lián)合的概率分布23僅對于在原始的概率分布21和22中具有非零概率值的信號值具有非零概率值。因此，將概率分布21和22聯(lián)合的所述直觀的方法產(chǎn)生這樣的結(jié)果，所述結(jié)果是非直觀的并且明顯是錯誤的。在圖2中，信號值被量化為離散值，即使將x當作連續(xù)的變量，結(jié)果也是相同的。
這樣，問題就是如何產(chǎn)生基于兩個或多個已知位置的內(nèi)插的樣本點。所述問題可以歸納如下如何構(gòu)造模擬目標裝置的無線環(huán)境的概率模型，用于定位所述目標裝置，以使得所述概率模型可以基于不同的信息而被構(gòu)造。所述模型可以是基于校準測量、仿真或理論計算或者其任意組合的。所述模型應(yīng)該是足夠通用的，以便能夠最大限度的利用任何可用的信息。

發(fā)明內(nèi)容
本發(fā)明的一個目的是提供一種方法和實現(xiàn)該方法的設(shè)備，以便提供對上述問題的解決方案。換句話說，本發(fā)明的目的是提供一種用于定位技術(shù)的概率模型，由此，所述概率模型可以接受并聯(lián)合來自多個信息源的信息。所述信息可以是校準測量、仿真或理論計算或者其任意組合。校準測量可以是在不同時間產(chǎn)生的，并且根據(jù)本發(fā)明的概率模型應(yīng)該能夠以明智的方式來聯(lián)合所述信息，而不是僅僅用新的測量來替換舊的測量。本發(fā)明的目的可以通過以在獨立權(quán)利要求中說明的內(nèi)容為特征的方法和設(shè)備來實現(xiàn)。在從屬權(quán)利要求中公開了本發(fā)明的優(yōu)選實施例。
本發(fā)明是基于這樣的想法的，即，構(gòu)造基于較簡單的子模型或校準測量的概率模型，這樣，所述概率模型可以指示無線環(huán)境中幾個位置上的信號值的概率分布。本發(fā)明的優(yōu)選實施例通過對期望信號值的反累積分布函數(shù)進行聯(lián)合來實現(xiàn)所述聯(lián)合。具有任何概率理論知識的人都能夠理解，可以使用許多數(shù)學(xué)上等效的技術(shù)，例如，聯(lián)合所述累積分布函數(shù)(而不是反累積分布函數(shù))以及交換x和y軸的方法。本發(fā)明的好處是，對反累積分布函數(shù)的聯(lián)合導(dǎo)致了這樣的概率模型，所述概率模型與基于對預(yù)期信號值本身或其概率分布的聯(lián)合的模型相比，能更好地預(yù)測信號值。例如，本發(fā)明可以被用于基于兩個或多個位置向概率模型中增加新的樣本點，其中對于所述位置存在校準測量或者計算或仿真的結(jié)果。根據(jù)所增加的樣本點是處于由現(xiàn)有的校準點所限制的線或區(qū)域的內(nèi)部還是外部，所述基于現(xiàn)有校準點的新樣本點的產(chǎn)生被稱為內(nèi)插或外插。關(guān)于位置的這種內(nèi)插或外插可以被稱為空間內(nèi)插或外插。另外，本發(fā)明還可以被用于時間內(nèi)插或外插。也就是說，可以通過聯(lián)合兩個或多個較早的概率模型來創(chuàng)建新的概率模型。時間內(nèi)插或外插的一實際的例子是更新的概率模型不僅是基于最近的測量(或計算或仿真結(jié)果)的，而且是基于最近的信息和較早的信息的聯(lián)合的。此外，本發(fā)明可以被用于聯(lián)合不同類型的概率模型。由根據(jù)本發(fā)明的技術(shù)所創(chuàng)建的概率模型可以是基于幾種類型的信息的，所述信息包括實際的校準測量以及仿真或者理論計算的結(jié)果，或者其任意組合?？梢曰跍y量或者計算的樣本點來創(chuàng)建內(nèi)插或者外插樣本點。所述內(nèi)插或者外插可以是空間的和/或時間的。
本發(fā)明的一方面是一種用于估計目標裝置的位置的方法，其中，所述目標裝置能在無線環(huán)境中移動，并且能使用信號與所述無線環(huán)境進行通信，所述信號中的每一個都具有至少一個可測量的信號值。所述方法包括
a)形成所述無線環(huán)境的多個子模型，每個子模型指示在無線環(huán)境中一個或多個位置上的信號值的概率分布；b)將所述子模型聯(lián)合成所述無線環(huán)境的概率模型，所述概率模型指示在所述無線環(huán)境中幾個位置上的信號值的概率分布；c)在所述目標裝置的位置產(chǎn)生所述無線環(huán)境中的信號值的觀測結(jié)果的集合；以及d)基于所述概率模型以及所述觀測結(jié)果的集合來估計所述目標裝置的位置。
本發(fā)明的另一個方面是一種方法，其包括以下步驟a)形成所述無線環(huán)境的概率模型，所述概率模型指示在所述無線環(huán)境中幾個位置上的信號值的概率分布；b)在所述概率模型中插入新位置的概率分布，其中，所述插入步驟包括對現(xiàn)有位置的概率分布進行聯(lián)合；c)在所述目標裝置的位置產(chǎn)生所述無線環(huán)境中的信號值的觀測結(jié)果的集合；以及d)基于所述概率模型以及所述觀測結(jié)果的集合來估計所述目標裝置的位置。
所述位置估計的步驟可以在所述目標裝置中執(zhí)行。在這種情況下，所述目標裝置必需包括所述概率模型，并且執(zhí)行所述位置估計的軟件程序。在所述目標裝置中執(zhí)行所述位置估計步驟所獲得的好處是所述目標裝置不必傳送信號值觀測結(jié)果以使其位置被估計。
可選地，所述位置估計步驟可以在外部的位置估計裝置內(nèi)執(zhí)行，所述目標裝置通過無線網(wǎng)絡(luò)向所述位置估計裝置報告觀測結(jié)果的序列。所述實施例的優(yōu)點是所述目標裝置不必包括所述概率模型或者位置估計程序。但是，其必需將其觀測結(jié)果發(fā)送到外部的位置估計裝置。
所述可測量的信號值優(yōu)選地包括信號強度?？蛇x地，或者除了信號強度之外，所述可測量的信號值可以包括比特錯誤率/比或者信噪比。
本發(fā)明的再一個方面是一種模型構(gòu)建模塊，用于構(gòu)建無線環(huán)境的概率模型，在所述無線環(huán)境中，目標裝置能使用信號進行通信，所述信號中的每一個都具有至少一個可測量的信號值。所述模型構(gòu)建模塊具有軟件代碼部分，用于執(zhí)行所述第一方法的步驟a)和b)。
本發(fā)明的再一個方面是一種模型構(gòu)建模塊，用于執(zhí)行所述第二方法的步驟a)和b)。


參考附圖，通過優(yōu)選實施例，下面將更詳細地描述本發(fā)明，其中圖1示意性地說明了定位技術(shù)；圖2說明了本發(fā)明所要解決的問題；圖3顯示了本發(fā)明的原理；圖4以及圖5分別說明了在一個或兩個維度上的內(nèi)插；圖6說明了概率模型PM，其是不同子模型的聯(lián)合的結(jié)果；圖7顯示了位置估計模塊LEM，用于基于無線接口RI處的信號值來估計所述目標裝置的位置；圖8A和圖8B是說明位置待確定的典型目標裝置的框圖。
具體實施例方式
圖3說明了本發(fā)明的原理。本發(fā)明是基于這樣的思想的，即，對在不同位置上的期望信號值的反累積分布函數(shù)進行聯(lián)合，而不是對信號值或是其概率分布進行聯(lián)合。圖3以與圖2相同的比例繪出，并且x軸被調(diào)準。曲線31表示位置Q1的累積分布函數(shù)。對于概率分布21中的每個非零概率值，在累積分布函數(shù)31中都有相應(yīng)的階。類似地，曲線32表示位置Q2的累積分布函數(shù)。曲線33是在位置Q1和Q2之間的位置QX(例如新的樣本點)的累積分布函數(shù)。在所述例子中，假設(shè)新的樣本點QX位于從Q1到Q2的直線的中間，并且所述累積分布函數(shù)33是通過下面的算法建立的對于幾個因變量值P(x)中的每一個，自變量值x通過以相等的權(quán)值對位置Q1和Q2的累積分布函數(shù)31和32分別進行加權(quán)而確定。
曲線34為新位置(樣本點)QX的期望概率分布。曲線34與曲線21及22被調(diào)準，并且直觀上，概率分布34對Q4處的信號值的預(yù)測似乎要好于圖2所示的概率分布23的預(yù)測，因為，具有非零概率的信號值在信號值X1和X2之間的某個位置，而不是在所述值中的任何一個的附近。
在圖3中，假設(shè)位置QX(例如新的樣本點)位于從Q1到Q2的直線的中間。如果所述假設(shè)是不正確的，則位置QX的累積分布函數(shù)33可以根據(jù)從Q1到QX以及從QX到Q2的相對距離，通過對位置Q1和位置Q2的累積分布函數(shù)31和32進行距離加權(quán)而確定。圖4和圖5說明了所述距離加權(quán)。
圖4說明了沿著一個維度的內(nèi)插。Q1、Q2以及QX是三個位置，這樣，d1是Q1到QX的距離，而d2是QX到Q2的距離。理想地，應(yīng)該選擇位置Q1和位置Q2的累積分布函數(shù)的權(quán)值W1和W2使得W1d1＝W2d2。所述加權(quán)由水平桿41所說明，其端點位于Q1和Q2，并且所述桿以QX為支點(在標號42處)。如果權(quán)值W1和W2與距離d1和d2成反比，則所述桿平衡。由于所述權(quán)值和距離成反比，因此所述加權(quán)可以被稱為反距離加權(quán)。
除了內(nèi)插，還可以就線性外插來使用所述平衡桿模擬。假設(shè)外插的位置QX’，對于其，所述平衡桿的支點43用虛線示出。通過使用負的權(quán)值，所述桿41仍然可以是平衡的。自然地，就長距離來說，外插是不可靠的。
圖5說明了在兩個維度內(nèi)的內(nèi)插?；谌齻€已知的位置QA、QB以及QC，我們希望預(yù)測新位置QY的信號值。首先，對于已知位置QA、QB以及QC的每個的累積分布函數(shù)如就圖3所示的那樣被確定。然后，畫出一假想的三角形，使得其頂點位于已知的位置QA、QB以及QC。所述假想的三角形以位置QY為支點。最后，對于已知位置QA、QB以及QC(假想三角形的頂點)的權(quán)值被選擇，以使得所述三角形是平衡的。(在圖4和5中，假設(shè)所述桿41和三角形51是沒有重量的。)一般地，可以使用向量來確定所述權(quán)值。假設(shè)a為從QY到QA的向量，b為QY到QB的向量，以及c為QY到QC的向量。位置QA、QB以及QC的權(quán)值wA、wB和wC可以通過解下列方程組而被得到wA·a+wB·b+wC·c＝0 [1]
wA+wB+wC＝1 [2]在所述2維的例子中，所述解可以通過這樣的算法很容易地被找到，即，僅在所述向量的x坐標的加權(quán)和為零以及y坐標的加權(quán)和也為零的情況下，所述第一方程式成立。因此，所述權(quán)值作為下列方程組的唯一解而得到wA·ax+wB·bx+wC·cx＝0 [3]wA·ay+wB·by+wC·cy＝0 [4]wA+wB+wC＝1 [5]所述方法可以推廣到N維空間。假設(shè)令 ......、 為向量，w1，w2......wN+1為所述向量的權(quán)值。需要說明的是，需要恰好N+1個向量以使得所述權(quán)值可解。現(xiàn)在，所述權(quán)值作為下列方程組的唯一解而被得到Σi=1N+1wi·vi‾=0‾---[6]]]>Σi=1N+1wi=1---[7]]]>如果基于多于3個的已知位置來形成新的位置，則所述區(qū)域可以是三角形的。例如，可以使用Delaunay三角測量，在這種情況下，三角形的頂點位于已知的位置上。對于每一個新位置，或者選擇覆蓋新位置(內(nèi)插)的三角形，或者選擇最接近于新位置(外插)的三角形。
將加權(quán)的累積分布函數(shù)進行聯(lián)合的技術(shù)是非常普通的。所述技術(shù)可以被用于1.從已知的位置進行內(nèi)插或外插(物理校準的校準點或者仿真或計算的位置)2.聯(lián)合不同時期(age)的模型(而不是僅僅用新的數(shù)據(jù)替換舊的數(shù)據(jù))；以及3.聯(lián)合不同類型的模型，例如，基于物理校準的模型以及基于仿真或者理論計算的模型。
所述技術(shù)的一般特性是提出一種新的用于模型的內(nèi)插。不是具有包含幾個樣本點的單個的模型，而是幾個模型的每個可以只包含一個(校準的、仿真的或者計算的)樣本點，并且所述模型于是通過聯(lián)合其加權(quán)的累積分布函數(shù)而被聯(lián)合。從這一點來看，概率模型指的是所述聯(lián)合的結(jié)果，而形成所述概率模型所基于的模型被稱為子模型。注意，概率模型本身可以作為更新的概率模型的子模型。
形式上，概率模型可以被表示如下P(q|o)∝P(o|q)P(q) [8]其中，o表示觀測(向量)，以及q表示位置。如果假設(shè)先驗概率分布P(q)是均勻的(假設(shè)對于所有的位置q都具有相同的先驗概率值)，那么我們可以知道位置q的概率與所述模型為在位置q的觀測o所給出的概率成比例。換句話說，首先通過計算我們在每個位置的觀測o的概率，然后通過歸一化所述結(jié)果概率使得其和為1，我們就可以得到一組位置q的概率分布。這意味著，我們需要確定的唯一事情就是在每個位置q的條件概率分布P(o|q)。確定所述概率分布的一個可能就是假設(shè)給定位置q，單個信號值的觀測結(jié)果oi是獨立的，在所述情況下，單個信號值的概率可以通過如下面那樣簡單地將其相乘而被聯(lián)合P(o|q)=Πi=1nP(oi|q)---[9]]]>在現(xiàn)實世界里，信號值是實際的連續(xù)變量，并且對于任意給定信號值的概率是無窮小的。從而，應(yīng)當使用對于信號值區(qū)間[oi-ε，oi+ε]的概率P([oi-ε，oi+ε]|q)＝F(oi+ε|q)-F(oi-ε|q) [10]其中，F(xiàn)為所述累積分布函數(shù)，ε是小的常數(shù)。
圖6說明了為所述子模型的聯(lián)合的結(jié)果的概率模型PM。圖6顯示了兩種不同類型的子模型。第一類是校準子模型。所述子模型是基于物理校準測量的。第二類是傳播子模型，其是基于通過仿真或計算來模擬無線通信環(huán)境的。傳播子模型要求對所述無線環(huán)境以及基站的布置和屬性都要有很好的了解。傳播子模型可以通過類似于基于光線跟蹤的顯像的技術(shù)而被建立。燈由基站所替代，涉及光的屬性(例如反射或折射)由涉及無線信號的屬性所替代，等等。構(gòu)建傳播子模型是耗費時間的，但是一旦建立，所述模型可以產(chǎn)生多個樣本點，而不需要物理測量。另一方面，校準測量不需要知道所述環(huán)境或基站的信息，并且所述測量相對簡單，但是其必需在小的間隔內(nèi)被執(zhí)行，并且必需頻繁地被重復(fù)。
由于本發(fā)明的技術(shù)支持將多個不同的子模型進行聯(lián)合，因此，可以通過為每個校準的位置都指派一個子模型來簡化所述計算。標號611到613表示了3個所述校準子模型。所述校準子模型611到613中的每一個單獨地都是非常簡單化的。例如，子模型611假定如果F1是對于信號值的所觀測的概率分布的最好的匹配，那么所述目標裝置就位于位置Q1。所述校準子模型611到613的每個從形式上都可以由下面的公式所表示FC(o|q)＝FA(o) [11]其中，F(xiàn)是信號值的累積分布函數(shù)，o是觀測結(jié)果，q是位置，以及A是由所述子模型所覆蓋的區(qū)域。區(qū)域A可以被選擇，以使得基于Qi的子模型覆蓋整個區(qū)域，其中對于所述區(qū)域，位置Qi是最近的校準位置。明白地說，公式11假設(shè)函數(shù)F仍然不是位置q的函數(shù)，而是在整個區(qū)域A內(nèi)的常數(shù)。標號621到623表示校準子模型611到613的較老的版本。
標號631表示傳播模型。傳播模型形式上可以由下面的公式所表示FP＝F(o|q)[12]公式12意味著傳播模型的函數(shù)FP是取決于位置的，也就是說，其是位置q的函數(shù)。函數(shù)F(o|q)可以是離散的函數(shù)，其意味著對于幾個樣本點來計算所述函數(shù)值，或者其也可以是連續(xù)的函數(shù)?？梢酝ㄟ^將多項式、樣條(spline)或其它合適的曲線擬合到所述計算的樣本點而形成連續(xù)的函數(shù)。
不同的模型611到631可以通過使用下面的公式而被聯(lián)合FPM-1(o|q)=Σi=1NFi-1(o|q)·Wi(q)Σi=1NWi(q)---[13]]]>在公式13中，N是子模型的數(shù)目，F(xiàn)i-1是子模型i的函數(shù)F的反函數(shù)，以及Wi(q)是被分配給位置q處的子模型的權(quán)值。因此，如就圖4和5內(nèi)容所描述的那樣，所述權(quán)值取決于位置。明白地說，公式13意味著所述概率模型的反函數(shù)，即FPM-1可以通過每個子模型i的函數(shù)Fi的反函數(shù)Fi-1進行加權(quán)和求和而被計算。然后，所述加權(quán)的和通過除以權(quán)值Wi(q)的和而被歸一化。概率模型PM的函數(shù)FPM通過對所述反函數(shù)FPM-1進行取反而計算。公式13的計算應(yīng)該對于每個信道進行重復(fù)。其也應(yīng)該對每種信號值類型進行重復(fù)，所述信號值類型例如是信號強度、比特錯誤率/比、信噪比等等。
在圖6中所示的概率模型PM包括函數(shù)F(概率分布)，其用于幾個樣本點，其中的五個被示出了，即Q1、Q2、Q3、QX和QY。標號641至645表示樣本點Qi及在該點的相應(yīng)函數(shù)Fi的五對。在所述例子中，樣本點Q1、Q2以及Q3是校準的位置，也就是說，有相應(yīng)的校準子模型611到613。樣本點QX和QY是這樣的點，對于所述點，實際的校準測量是不可獲得的，并且，通過從校準子模型611到623和/或從傳播模型631進行內(nèi)插/外插來得到相應(yīng)的函數(shù)FX和FY。
對于所述概率模型中的樣本點641到645的每一個都計算公式13。剩下要做的是分配相應(yīng)的權(quán)值Wi，由于公式13是歸一化的，因此，權(quán)值的絕對值是無關(guān)緊要的；而相對的權(quán)值才是重要的。標號65通常表示權(quán)值Wi。示意地示出了四個不同的權(quán)值。粗箭頭表示大的權(quán)值，細箭頭表示中等的權(quán)值，而虛箭頭表示小的權(quán)值。沒有箭頭表示零權(quán)值?；谀撤N信任程度(confidence level)來選擇權(quán)值，其中，所述信任程度是所述子模型在所述樣本點上預(yù)測所述函數(shù)Fi的能力的度量。例如，標號641表示對于樣本點Q1的函數(shù)F1。在所述例子中，由于存在校準子模型611用于樣本點Q1，并且假設(shè)所述子模型611是最近的，則子模型611的信任程度很高，并且，樣本點Q1的函數(shù)F1僅基于所述子模型611而被確定。標號642表示樣本點Q2的函數(shù)F2。在這里假設(shè)最近的校準子模型612具有大的權(quán)值，而在前的校準子模型622具有小的權(quán)值。標號643表示樣本點Q3的函數(shù)F3。函數(shù)F3受到相應(yīng)子模型613的強烈影響，而受到在前的校準子模型623的微弱影響。其還受到傳播模型631的微弱影響。
標號644和645分別表示樣本點QX和QY，對于所述樣本點QX和QY，不能夠獲得實際的校準測量。在所述例子中，樣本點QX(參考644)完全由基于三個校準子模型611到613的內(nèi)插所確定。假設(shè)樣本點QX基本上與校準的位置Q1、Q2和Q3是等距離的，并且相對權(quán)值接近相等。假設(shè)樣本點QY(參考645)接近Q3，并且相對權(quán)值是大的，但是，相應(yīng)的函數(shù)FY還受到所述傳播模型631以及位置Q2的校準子模型612的影響。
圖7是示范性位置估計模塊LEM的框圖，所述位置估計模塊LEM用于基于無線接口RI處的信號值來估計目標裝置的位置。圖7顯示了一緊湊的位置估計模塊LEM，但是更加分散的實施例同樣也是可能的。所述位置估計模塊的主要特征是所述目標裝置的無線環(huán)境的概率模型PM，假設(shè)有來自于所述無線接口的多個觀測，則所述概率模型就能夠預(yù)測所述目標裝置的位置。在所述例子中，所述概率模型PM由模型構(gòu)建模塊MCM所創(chuàng)建并維護?；谛蕯?shù)據(jù)CD或者就一個或多個傳播模型而言的傳播數(shù)據(jù)PD、或者其任意組合，所述模型構(gòu)建模塊MCM建立并維護所述概率模型。校準數(shù)據(jù)CD是對已知位置上的信號值進行物理測量(或者如果所述位置不能通過其它方式而被獲知，則對所述位置的坐標進行確定)的結(jié)果?？蛇x地，如果信號參數(shù)隨著時間而變化，則所述校準數(shù)據(jù)記錄還可以包括進行所述測量的時間。代替所述校準數(shù)據(jù)CD，或者除了所述校準數(shù)據(jù)CD，一個或者多個傳播模型PD還可以被用于來模擬所述無線接口RI。所述傳播模型可以通過與用于視覺仿真的光線跟蹤技術(shù)相類似的技術(shù)來建立。采集校準測量的位置被稱為校準點。所述校準數(shù)據(jù)CD包括數(shù)據(jù)記錄，其中每一個都包括所討論的校準點的位置，以及在所述校準點上所測量的信號參數(shù)的集合。可以用任何絕對或相對的坐標系統(tǒng)來表示所述位置。在特殊的情況下，例如在火車、高速公路、隧道、航道或者類似的情況下，單一的坐標就足夠了，但是通常會使用兩個或者三個坐標。
還有位置計算模塊LCM，其用于基于所述目標裝置的觀測結(jié)果集合OS以及所述概率模型PM來產(chǎn)生位置估計LE。例如，所述位置計算模塊可以作為軟件程序來實現(xiàn)，所述軟件程序在膝上型電腦或掌上電腦中被執(zhí)行。在技術(shù)上，所述“測量”以及“觀測”可以類似地被執(zhí)行，但是為了避免混淆，“測量”通常被用于校準測量中，而在所述目標裝置的當前位置所獲得的信號參數(shù)則被稱為“觀測”。所述目標裝置的最近的觀測結(jié)果集合被稱為當前觀測。
圖8A是說明將被確定位置的典型目標裝置T的框圖。在所述例子中，所述目標裝置T顯示為通過無線網(wǎng)絡(luò)RN進行通信的便攜式計算機。例如，所述無線網(wǎng)絡(luò)可以是WLAN(無線局域網(wǎng))網(wǎng)絡(luò)。在圖8A所示的實施例中，包括所述概率模型PM的位置估計模塊LEM沒有被裝配在所述目標裝置T中。因此，所述目標裝置T必需通過其所連接到的一個或者多個基站BS，將其觀測結(jié)果集合OS發(fā)送到所述位置估計模塊LEM。所述位置估計模塊LEM通過所述無線接口RI將其位置估計LE返回給所述目標裝置。
圖8B顯示一可選的實施例，其中，所述目標裝置的附屬的計算機PC接收在可分離的存儲器DM上的概率模型PM的拷貝，其中所述可分離的存儲器DM例如是CD-ROM盤，并且所述目標裝置T能夠確定其自身的位置，而不需要發(fā)送任何數(shù)據(jù)。作為另一個選擇(沒有單獨地被示出)，所述附屬的計算機PC可以通過到所述位置估計模塊LEM的因特網(wǎng)(或者任何其它數(shù)據(jù))連接來接收所述概率模型。寬帶移動臺可以通過所述無線接口RI來接收所述概率模型。還可以使用所述技術(shù)的混合，這樣，所述接收器通過有線連接或從可分離的存儲器上接收初始的概率模型，但是，隨后對所述模型的更新則通過所述無線接口而被發(fā)送。
對于本領(lǐng)域的技術(shù)人員很明顯的是隨著技術(shù)的進步，本發(fā)明的思想可以通過不同的方式來實現(xiàn)。因此，本發(fā)明以及其實施例并不限于上面所述的例子，而是可以在權(quán)利要求的范圍內(nèi)變化的。
權(quán)利要求
1.一種用于估計目標裝置(T)的位置的方法，其中，所述目標裝置能在無線環(huán)境(RN)中移動，并且能使用信號與所述無線環(huán)境進行通信，所述信號的每一個都具有至少一個可測量的信號值(x)；其特征在于形成所述無線環(huán)境(RN)的多個子模型(611-631)，每個子模型指示在所述無線環(huán)境中一個或多個位置(Q1-QY)上的信號值的概率分布(F1-F3)；將所述子模型聯(lián)合成為所述無線環(huán)境(RN)的概率模型(PM)，所述概率模型指示在所述無線環(huán)境中幾個位置上的信號值的概率分布；在所述目標裝置(T)的位置產(chǎn)生所述無線環(huán)境中的信號值(x)的觀測結(jié)果的集合(OS)；以及基于所述概率模型(PM)以及所述觀測結(jié)果的集合(OS)來估計所述目標裝置的位置。
2.根據(jù)權(quán)利要求1的方法，其特征在于，所述聯(lián)合的步驟包括對所述子模型的加權(quán)的概率分布進行聯(lián)合。
3.根據(jù)權(quán)利要求1或2的方法，其特征在于，所述聯(lián)合的步驟包括對于每個子模型，形成累積分布函數(shù)(31，32)，并且以相對的權(quán)值(W1，W2，Wi；65)對其進行加權(quán)；形成所述加權(quán)的累積分布函數(shù)的聯(lián)合(33)；基于所述加權(quán)的累積分布函數(shù)的聯(lián)合為所述概率模型形成概率分布(34；641-645)。
4.根據(jù)權(quán)利要求1至3中的任何一個的方法，其特征在于，所述多個子模型包括多個校準子模型(611-613)，這樣，每個校準子模型恰好涉及一個校準的位置(Q1-Q3)。
5.根據(jù)權(quán)利要求4的方法，其特征在于基于兩個或者多個校準的位置通過內(nèi)插或外插，在所述概率模型(PM)中插入樣本點(QX，QY；644，645)，對于所述樣本點，校準測量是不可獲得的；以及基于從所述校準的位置的所述插入的樣本點的距離，為每個校準的位置分配相對的權(quán)值(W1，W2，Wi；65)，以使得所述相對的權(quán)值與距離彼此成相反的關(guān)系。
6.根據(jù)前面權(quán)利要求中的任何一個的方法，其特征在于，所述多個子模型包括至少一個傳播模型(631)。
7.一種用于估計目標裝置(T)的位置的方法，其中，所述目標裝置能在無線環(huán)境(RN)中移動，并且能使用信號與所述無線環(huán)境進行通信，所述信號中的每一個都具有至少一個可測量的信號值(x)；其特征在于形成所述無線環(huán)境(RN)的概率模型(PM)，所述概率模型指示在所述無線環(huán)境中幾個位置(Q1-QY)上的信號值的概率分布(F1-F3)；在所述概率模型(PM)中插入新位置(QX；QY)的概率分布，其中，所述插入步驟包括對現(xiàn)有位置(Q1，Q2；QA-QC)的概率分布進行聯(lián)合；在所述目標裝置(T)的位置產(chǎn)生所述無線環(huán)境中的信號值(x)的觀測結(jié)果的集合(OS)；以及基于所述概率模型(PM)以及所述觀測結(jié)果的集合(OS)來估計所述目標裝置的位置。
8.根據(jù)前面權(quán)利要求中的任何一個的方法，其特征在于，在所述目標裝置(T)中執(zhí)行所述位置估計步驟。
9.根據(jù)權(quán)利要求1至7中的任何一個的方法，其特征在于，在固定的設(shè)備中執(zhí)行所述位置估計步驟，所述目標裝置通過無線網(wǎng)絡(luò)(RN)向所述固定的設(shè)備報告觀測結(jié)果的序列。
10.根據(jù)前面權(quán)利要求中的任何一個的方法，其特征在于，所述至少一個可測量的信號值(x)包含信號強度。
11.根據(jù)前面權(quán)利要求中的任何一個的方法，其特征在于，所述至少一個可測量的信號值(x)包含比特錯誤率或比。
12.一種模型構(gòu)建模塊(MCM)，其用于構(gòu)建無線環(huán)境(RN)的概率模型(PM)，在所述無線環(huán)境中，目標裝置(T)能使用信號進行通信，所述信號中的每一個都具有至少一個可測量的信號值(x)；其特征在于，所述模型構(gòu)建模塊包括第一軟件代碼部分，用于形成所述無線環(huán)境(RN)的多個子模型(611-631)，每個子模型指示在所述無線環(huán)境中一個或多個位置(Q1-QY)上的信號值的概率分布(F1-F3)；以及第二軟件代碼部分，用于將所述子模型聯(lián)合成為所述無線環(huán)境(RN)的概率模型(PM)，所述概率模型指示在所述無線環(huán)境中幾個位置上的信號值的概率分布。
13.一種模型構(gòu)建模塊(MCM)，其用于構(gòu)建無線環(huán)境(RN)的概率模型(PM)，在所述無線環(huán)境中，目標裝置(T)能使用信號進行通信，所述信號中的每一個都具有至少一個可測量的信號值(x)；其特征在于，所述模型構(gòu)建模塊包括第一軟件代碼部分，用于形成所述無線環(huán)境(RN)的概率模型(PM)，所述概率模型指示在所述無線環(huán)境中幾個位置(Q1-QY)上的信號值的概率分布(F1-F3)；第二軟件代碼部分，用于在所述概率模型(PM)中插入新位置(QX；QY)的概率分布，其中，所述插入步驟包括對現(xiàn)有位置(Q1，Q2；QA-QC)的概率分布進行聯(lián)合。
全文摘要
用于構(gòu)建無線環(huán)境(RN)的概率模型(PM)的模型構(gòu)建模塊(MCM)，在所述無線環(huán)境中，目標裝置(T)使用信號進行通信，所述信號具有可測量的信號值(x)，例如信號強度。所述模型構(gòu)建模塊形成所述無線環(huán)境(RN)的多個子模型(611－631)。每個子模型指示在無線環(huán)境中一個或者多個位置(Q
文檔編號G01S3/06GK1666111SQ03815408
公開日2005年9月7日 申請日期2003年5月27日 優(yōu)先權(quán)日2002年5月31日
發(fā)明者P·米西坎加斯, P·米呂邁基 申請人:埃卡豪股份有限公司