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(duì)目標(biāo)裝置的無線通信環(huán)境的觀測(cè)的基礎(chǔ)上估算目標(biāo)裝置的位置。
背景技術(shù)：
圖1示意性的說明了一個(gè)上述定位技術(shù)的例子。目標(biāo)裝置T通過無線接口RI，經(jīng)由基站BS進(jìn)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(biāo)裝置T觀測(cè)在無線接口RI的信號(hào)值。觀測(cè)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(biāo)裝置的無線通信環(huán)境，并產(chǎn)生位置估計(jì)LE。
目標(biāo)裝置的一實(shí)際例子是在無線局域網(wǎng)(WLAN)或蜂窩無線網(wǎng)絡(luò)中進(jìn)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(jì)算機(jī)或者通信裝置，或者其可以是專用測(cè)試或測(cè)量裝置，例如連接到WLAN的醫(yī)療器具。這里所使用的信號(hào)值是固定發(fā)射機(jī)的信號(hào)的可測(cè)量的并且由位置決定的量。例如，信號(hào)強(qiáng)度和誤比特比/率是可測(cè)量的并由位置決定的量的例子。在授予Mati Wax等的美國(guó)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(shí)，即，這樣的概率模型在其是密集的時(shí)候運(yùn)行得最好。這意味著樣本點(diǎn)之間的距離不應(yīng)過大。樣本點(diǎn)是概率模型的點(diǎn)。在理想情況下，樣本點(diǎn)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(biāo)裝置的觀測(cè)結(jié)果的樣本點(diǎn)將被認(rèn)為是目標(biāo)裝置的位置。問題是通過物理校準(zhǔn)(celibration)來獲取大量的樣本點(diǎn)是費(fèi)時(shí)并且昂貴的。所述過程很難自動(dòng)執(zhí)行。結(jié)果，一些樣本點(diǎn)將會(huì)通過從已知的校準(zhǔn)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(jiǎn)單。
圖2顯示了有關(guān)信號(hào)值內(nèi)插的問題。自變量x代表可測(cè)量的信號(hào)值，如信號(hào)強(qiáng)度。因變量P(x)是所述信號(hào)值的概率。圖2顯示了分別用于兩個(gè)位置Q1和Q2的概率分布21和22。為了保持圖2簡(jiǎn)單，假設(shè)概率分布21和22是不重疊的。位置Q1的信號(hào)值集中在值X1附近，位置Q2的信號(hào)值集中在值X2附近。
假設(shè)我們希望預(yù)測(cè)介于位置Q1和Q2之間的樣本點(diǎn)的信號(hào)值。例如，我們可能希望在概率模型中插入樣本點(diǎn)，所述樣本點(diǎn)位于可以得到實(shí)際測(cè)量或仿真結(jié)果的兩個(gè)位置之間。創(chuàng)建所述新樣本點(diǎn)的直觀方法是將位置Q1和Q2的概率分布21和22進(jìn)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(cè)兩個(gè)位置之間的信號(hào)值，至少不能很好地預(yù)測(cè)。這是因?yàn)槁?lián)合的概率分布23僅對(duì)于在原始的概率分布21和22中具有非零概率值的信號(hào)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(cuò)誤的。在圖2中，信號(hào)值被量化為離散值，即使將x當(dāng)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(gè)或多個(gè)已知位置的內(nèi)插的樣本點(diǎn)。所述問題可以歸納如下如何構(gòu)造模擬目標(biāo)裝置的無線環(huán)境的概率模型，用于定位所述目標(biāo)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(zhǔn)測(cè)量、仿真或理論計(jì)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(gè)目的是提供一種方法和實(shí)現(xiàn)該方法的設(shè)備，以便提供對(duì)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(gè)信息源的信息。所述信息可以是校準(zhǔn)測(cè)量、仿真或理論計(jì)算或者其任意組合。校準(zhǔn)測(cè)量可以是在不同時(shí)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(cè)量來替換舊的測(cè)量。本發(fā)明的目的可以通過以在獨(dú)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(shí)現(xiàn)。在從屬權(quán)利要求中公開了本發(fā)明的優(yōu)選實(shí)施例。
本發(fā)明是基于這樣的想法的，即，構(gòu)造基于較簡(jiǎn)單的子模型或校準(zhǔn)測(cè)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(gè)位置上的信號(hào)值的概率分布。本發(fā)明的優(yōu)選實(shí)施例通過對(duì)期望信號(hào)值的反累積分布函數(shù)進(jìn)行聯(lián)合來實(shí)現(xiàn)所述聯(lián)合。具有任何概率理論知識(shí)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(duì)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(duì)預(yù)期信號(hào)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(cè)信號(hào)值。例如，本發(fā)明可以被用于基于兩個(gè)或多個(gè)位置向概率模型中增加新的樣本點(diǎn)，其中對(duì)于所述位置存在校準(zhǔn)測(cè)量或者計(jì)算或仿真的結(jié)果。根據(jù)所增加的樣本點(diǎn)是處于由現(xiàn)有的校準(zhǔn)點(diǎn)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(zhǔn)點(diǎn)的新樣本點(diǎn)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(shí)間內(nèi)插或外插。也就是說，可以通過聯(lián)合兩個(gè)或多個(gè)較早的概率模型來創(chuàng)建新的概率模型。時(shí)間內(nèi)插或外插的一實(shí)際的例子是更新的概率模型不僅是基于最近的測(cè)量(或計(jì)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(shí)際的校準(zhǔn)測(cè)量以及仿真或者理論計(jì)算的結(jié)果，或者其任意組合。可以基于測(cè)量或者計(jì)算的樣本點(diǎn)來創(chuàng)建內(nèi)插或者外插樣本點(diǎn)。所述內(nèi)插或者外插可以是空間的和/或時(shí)間的。
本發(fā)明的一方面是一種用于估計(jì)目標(biāo)裝置的位置的方法，其中，所述目標(biāo)裝置能在無線環(huán)境中移動(dòng)，并且能使用信號(hào)與所述無線環(huán)境進(jìn)行通信，所述信號(hào)中的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)值。所述方法包括
a)形成所述無線環(huán)境的多個(gè)子模型，每個(gè)子模型指示在無線環(huán)境中一個(gè)或多個(gè)位置上的信號(hào)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(gè)位置上的信號(hào)值的概率分布；c)在所述目標(biāo)裝置的位置產(chǎn)生所述無線環(huán)境中的信號(hào)值的觀測(cè)結(jié)果的集合；以及d)基于所述概率模型以及所述觀測(cè)結(jié)果的集合來估計(jì)所述目標(biāo)裝置的位置。
本發(fā)明的另一個(gè)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(gè)位置上的信號(hào)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(duì)現(xiàn)有位置的概率分布進(jìn)行聯(lián)合；c)在所述目標(biāo)裝置的位置產(chǎn)生所述無線環(huán)境中的信號(hào)值的觀測(cè)結(jié)果的集合；以及d)基于所述概率模型以及所述觀測(cè)結(jié)果的集合來估計(jì)所述目標(biāo)裝置的位置。
所述位置估計(jì)的步驟可以在所述目標(biāo)裝置中執(zhí)行。在這種情況下，所述目標(biāo)裝置必需包括所述概率模型，并且執(zhí)行所述位置估計(jì)的軟件程序。在所述目標(biāo)裝置中執(zhí)行所述位置估計(jì)步驟所獲得的好處是所述目標(biāo)裝置不必傳送信號(hào)值觀測(cè)結(jié)果以使其位置被估計(jì)。
可選地，所述位置估計(jì)步驟可以在外部的位置估計(jì)裝置內(nèi)執(zhí)行，所述目標(biāo)裝置通過無線網(wǎng)絡(luò)向所述位置估計(jì)裝置報(bào)告觀測(cè)結(jié)果的序列。所述實(shí)施例的優(yōu)點(diǎn)是所述目標(biāo)裝置不必包括所述概率模型或者位置估計(jì)程序。但是，其必需將其觀測(cè)結(jié)果發(fā)送到外部的位置估計(jì)裝置。
所述可測(cè)量的信號(hào)值優(yōu)選地包括信號(hào)強(qiáng)度?？蛇x地，或者除了信號(hào)強(qiáng)度之外，所述可測(cè)量的信號(hào)值可以包括比特錯(cuò)誤率/比或者信噪比。
本發(fā)明的再一個(gè)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(biāo)裝置能使用信號(hào)進(jìn)行通信，所述信號(hào)中的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)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(gè)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(shí)施例，下面將更詳細(xì)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(gè)或兩個(gè)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(jì)模塊LEM，用于基于無線接口RI處的信號(hào)值來估計(jì)所述目標(biāo)裝置的位置；圖8A和圖8B是說明位置待確定的典型目標(biāo)裝置的框圖。
具體實(shí)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(duì)在不同位置上的期望信號(hào)值的反累積分布函數(shù)進(jìn)行聯(lián)合，而不是對(duì)信號(hào)值或是其概率分布進(jìn)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(zhǔn)。曲線31表示位置Q1的累積分布函數(shù)。對(duì)于概率分布21中的每個(gè)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(diǎn))的累積分布函數(shù)。在所述例子中，假設(shè)新的樣本點(diǎn)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(duì)于幾個(gè)因變量值P(x)中的每一個(gè)，自變量值x通過以相等的權(quán)值對(duì)位置Q1和Q2的累積分布函數(shù)31和32分別進(jìn)行加權(quán)而確定。
曲線34為新位置(樣本點(diǎn))QX的期望概率分布。曲線34與曲線21及22被調(diào)準(zhǔn)，并且直觀上，概率分布34對(duì)Q4處的信號(hào)值的預(yù)測(cè)似乎要好于圖2所示的概率分布23的預(yù)測(cè)，因?yàn)?，具有非零概率的信?hào)值在信號(hào)值X1和X2之間的某個(gè)位置，而不是在所述值中的任何一個(gè)的附近。
在圖3中，假設(shè)位置QX(例如新的樣本點(diǎn))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(duì)距離，通過對(duì)位置Q1和位置Q2的累積分布函數(shù)31和32進(jìn)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(gè)維度的內(nèi)插。Q1、Q2以及QX是三個(gè)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(diǎn)位于Q1和Q2，并且所述桿以QX為支點(diǎn)(在標(biāo)號(hào)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(duì)于其，所述平衡桿的支點(diǎn)43用虛線示出。通過使用負(fù)的權(quán)值，所述桿41仍然可以是平衡的。自然地，就長(zhǎng)距離來說，外插是不可靠的。
圖5說明了在兩個(gè)維度內(nèi)的內(nèi)插?；谌齻€(gè)已知的位置QA、QB以及QC，我們希望預(yù)測(cè)新位置QY的信號(hào)值。首先，對(duì)于已知位置QA、QB以及QC的每個(gè)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(diǎn)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(diǎn)。最后，對(duì)于已知位置QA、QB以及QC(假想三角形的頂點(diǎn))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(biāo)的加權(quán)和為零以及y坐標(biāo)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(gè)向量以使得所述權(quán)值可解?，F(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(gè)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(cè)量，在這種情況下，三角形的頂點(diǎn)位于已知的位置上。對(duì)于每一個(gè)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(jìn)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(jìn)行內(nèi)插或外插(物理校準(zhǔn)的校準(zhǔn)點(diǎn)或者仿真或計(jì)算的位置)2.聯(lián)合不同時(shí)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(zhǔn)的模型以及基于仿真或者理論計(jì)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(gè)樣本點(diǎn)的單個(gè)的模型，而是幾個(gè)模型的每個(gè)可以只包含一個(gè)(校準(zhǔn)的、仿真的或者計(jì)算的)樣本點(diǎn)，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(diǎn)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(cè)(向量)，以及q表示位置。如果假設(shè)先驗(yàn)概率分布P(q)是均勻的(假設(shè)對(duì)于所有的位置q都具有相同的先驗(yàn)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(cè)o所給出的概率成比例。換句話說，首先通過計(jì)算我們?cè)诿總€(gè)位置的觀測(cè)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(gè)位置q的條件概率分布P(o|q)。確定所述概率分布的一個(gè)可能就是假設(shè)給定位置q，單個(gè)信號(hào)值的觀測(cè)結(jié)果oi是獨(dú)立的，在所述情況下，單個(gè)信號(hào)值的概率可以通過如下面那樣簡(jiǎn)單地將其相乘而被聯(lián)合P(o|q)=Πi=1nP(oi|q)---[9]]]>在現(xiàn)實(shí)世界里，信號(hào)值是實(shí)際的連續(xù)變量，并且對(duì)于任意給定信號(hào)值的概率是無窮小的。從而，應(yīng)當(dāng)使用對(duì)于信號(hào)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(zhǔn)子模型。所述子模型是基于物理校準(zhǔn)測(cè)量的。第二類是傳播子模型，其是基于通過仿真或計(jì)算來模擬無線通信環(huán)境的。傳播子模型要求對(duì)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(hào)的屬性所替代，等等。構(gòu)建傳播子模型是耗費(fèi)時(shí)間的，但是一旦建立，所述模型可以產(chǎn)生多個(gè)樣本點(diǎn)，而不需要物理測(cè)量。另一方面，校準(zhǔn)測(cè)量不需要知道所述環(huán)境或基站的信息，并且所述測(cè)量相對(duì)簡(jiǎn)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(gè)不同的子模型進(jìn)行聯(lián)合，因此，可以通過為每個(gè)校準(zhǔn)的位置都指派一個(gè)子模型來簡(jiǎn)化所述計(jì)算。標(biāo)號(hào)611到613表示了3個(gè)所述校準(zhǔn)子模型。所述校準(zhǔn)子模型611到613中的每一個(gè)單獨(dú)地都是非常簡(jiǎn)單化的。例如，子模型611假定如果F1是對(duì)于信號(hào)值的所觀測(cè)的概率分布的最好的匹配，那么所述目標(biāo)裝置就位于位置Q1。所述校準(zhǔn)子模型611到613的每個(gè)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(hào)值的累積分布函數(shù)，o是觀測(cè)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(gè)區(qū)域，其中對(duì)于所述區(qū)域，位置Qi是最近的校準(zhǔn)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(gè)區(qū)域A內(nèi)的常數(shù)。標(biāo)號(hào)621到623表示校準(zhǔn)子模型611到613的較老的版本。
標(biāo)號(hào)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(duì)于幾個(gè)樣本點(diǎn)來計(jì)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(xiàng)式、樣條(spline)或其它合適的曲線擬合到所述計(jì)算的樣本點(diǎn)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(gè)子模型i的函數(shù)Fi的反函數(shù)Fi-1進(jìn)行加權(quán)和求和而被計(jì)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(duì)所述反函數(shù)FPM-1進(jìn)行取反而計(jì)算。公式13的計(jì)算應(yīng)該對(duì)于每個(gè)信道進(jìn)行重復(fù)。其也應(yīng)該對(duì)每種信號(hào)值類型進(jìn)行重復(fù)，所述信號(hào)值類型例如是信號(hào)強(qiáng)度、比特錯(cuò)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(gè)樣本點(diǎn)，其中的五個(gè)被示出了，即Q1、Q2、Q3、QX和QY。標(biāo)號(hào)641至645表示樣本點(diǎn)Qi及在該點(diǎn)的相應(yīng)函數(shù)Fi的五對(duì)。在所述例子中，樣本點(diǎn)Q1、Q2以及Q3是校準(zhǔn)的位置，也就是說，有相應(yīng)的校準(zhǔn)子模型611到613。樣本點(diǎn)QX和QY是這樣的點(diǎn)，對(duì)于所述點(diǎn)，實(shí)際的校準(zhǔn)測(cè)量是不可獲得的，并且，通過從校準(zhǔn)子模型611到623和/或從傳播模型631進(jìn)行內(nèi)插/外插來得到相應(yīng)的函數(shù)FX和FY。
對(duì)于所述概率模型中的樣本點(diǎn)641到645的每一個(gè)都計(jì)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(duì)值是無關(guān)緊要的；而相對(duì)的權(quán)值才是重要的。標(biāo)號(hào)65通常表示權(quán)值Wi。示意地示出了四個(gè)不同的權(quán)值。粗箭頭表示大的權(quán)值，細(xì)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(diǎn)上預(yù)測(cè)所述函數(shù)Fi的能力的度量。例如，標(biāo)號(hào)641表示對(duì)于樣本點(diǎn)Q1的函數(shù)F1。在所述例子中，由于存在校準(zhǔn)子模型611用于樣本點(diǎn)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(diǎn)Q1的函數(shù)F1僅基于所述子模型611而被確定。標(biāo)號(hào)642表示樣本點(diǎn)Q2的函數(shù)F2。在這里假設(shè)最近的校準(zhǔn)子模型612具有大的權(quán)值，而在前的校準(zhǔn)子模型622具有小的權(quán)值。標(biāo)號(hào)643表示樣本點(diǎn)Q3的函數(shù)F3。函數(shù)F3受到相應(yīng)子模型613的強(qiáng)烈影響，而受到在前的校準(zhǔn)子模型623的微弱影響。其還受到傳播模型631的微弱影響。
標(biāo)號(hào)644和645分別表示樣本點(diǎn)QX和QY，對(duì)于所述樣本點(diǎn)QX和QY，不能夠獲得實(shí)際的校準(zhǔn)測(cè)量。在所述例子中，樣本點(diǎn)QX(參考644)完全由基于三個(gè)校準(zhǔn)子模型611到613的內(nèi)插所確定。假設(shè)樣本點(diǎn)QX基本上與校準(zhǔn)的位置Q1、Q2和Q3是等距離的，并且相對(duì)權(quán)值接近相等。假設(shè)樣本點(diǎn)QY(參考645)接近Q3，并且相對(duì)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(zhǔn)子模型612的影響。
圖7是示范性位置估計(jì)模塊LEM的框圖，所述位置估計(jì)模塊LEM用于基于無線接口RI處的信號(hào)值來估計(jì)目標(biāo)裝置的位置。圖7顯示了一緊湊的位置估計(jì)模塊LEM，但是更加分散的實(shí)施例同樣也是可能的。所述位置估計(jì)模塊的主要特征是所述目標(biāo)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(gè)觀測(cè)，則所述概率模型就能夠預(yù)測(cè)所述目標(biāo)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(hù)?；谛?zhǔn)數(shù)據(jù)CD或者就一個(gè)或多個(gè)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(hù)所述概率模型。校準(zhǔn)數(shù)據(jù)CD是對(duì)已知位置上的信號(hào)值進(jìn)行物理測(cè)量(或者如果所述位置不能通過其它方式而被獲知，則對(duì)所述位置的坐標(biāo)進(jìn)行確定)的結(jié)果。可選地，如果信號(hào)參數(shù)隨著時(shí)間而變化，則所述校準(zhǔn)數(shù)據(jù)記錄還可以包括進(jìn)行所述測(cè)量的時(shí)間。代替所述校準(zhǔn)數(shù)據(jù)CD，或者除了所述校準(zhǔn)數(shù)據(jù)CD，一個(gè)或者多個(gè)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(zhǔn)測(cè)量的位置被稱為校準(zhǔn)點(diǎn)。所述校準(zhǔn)數(shù)據(jù)CD包括數(shù)據(jù)記錄，其中每一個(gè)都包括所討論的校準(zhǔn)點(diǎn)的位置，以及在所述校準(zhǔn)點(diǎn)上所測(cè)量的信號(hào)參數(shù)的集合?？梢杂萌魏谓^對(duì)或相對(duì)的坐標(biāo)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(biāo)就足夠了，但是通常會(huì)使用兩個(gè)或者三個(gè)坐標(biāo)。
還有位置計(jì)算模塊LCM，其用于基于所述目標(biāo)裝置的觀測(cè)結(jié)果集合OS以及所述概率模型PM來產(chǎn)生位置估計(jì)LE。例如，所述位置計(jì)算模塊可以作為軟件程序來實(shí)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(cè)量”以及“觀測(cè)”可以類似地被執(zhí)行，但是為了避免混淆，“測(cè)量”通常被用于校準(zhǔn)測(cè)量中，而在所述目標(biāo)裝置的當(dāng)前位置所獲得的信號(hào)參數(shù)則被稱為“觀測(cè)”。所述目標(biāo)裝置的最近的觀測(cè)結(jié)果集合被稱為當(dāng)前觀測(cè)。
圖8A是說明將被確定位置的典型目標(biāo)裝置T的框圖。在所述例子中，所述目標(biāo)裝置T顯示為通過無線網(wǎng)絡(luò)RN進(jìn)行通信的便攜式計(jì)算機(jī)。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(shí)施例中，包括所述概率模型PM的位置估計(jì)模塊LEM沒有被裝配在所述目標(biāo)裝置T中。因此，所述目標(biāo)裝置T必需通過其所連接到的一個(gè)或者多個(gè)基站BS，將其觀測(cè)結(jié)果集合OS發(fā)送到所述位置估計(jì)模塊LEM。所述位置估計(jì)模塊LEM通過所述無線接口RI將其位置估計(jì)LE返回給所述目標(biāo)裝置。
圖8B顯示一可選的實(shí)施例，其中，所述目標(biāo)裝置的附屬的計(jì)算機(jī)PC接收在可分離的存儲(chǔ)器DM上的概率模型PM的拷貝，其中所述可分離的存儲(chǔ)器DM例如是CD-ROM盤，并且所述目標(biāo)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(gè)選擇(沒有單獨(dú)地被示出)，所述附屬的計(jì)算機(jī)PC可以通過到所述位置估計(jì)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(dòng)臺(tái)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(chǔ)器上接收初始的概率模型，但是，隨后對(duì)所述模型的更新則通過所述無線接口而被發(fā)送。
對(duì)于本領(lǐng)域的技術(shù)人員很明顯的是隨著技術(shù)的進(jìn)步，本發(fā)明的思想可以通過不同的方式來實(shí)現(xiàn)。因此，本發(fā)明以及其實(shí)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(jì)目標(biāo)裝置(T)的位置的方法，其中，所述目標(biāo)裝置能在無線環(huán)境(RN)中移動(dòng)，并且能使用信號(hào)與所述無線環(huán)境進(jìn)行通信，所述信號(hào)的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)值(x)；其特征在于形成所述無線環(huán)境(RN)的多個(gè)子模型(611-631)，每個(gè)子模型指示在所述無線環(huán)境中一個(gè)或多個(gè)位置(Q1-QY)上的信號(hào)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(gè)位置上的信號(hào)值的概率分布；在所述目標(biāo)裝置(T)的位置產(chǎn)生所述無線環(huán)境中的信號(hào)值(x)的觀測(cè)結(jié)果的集合(OS)；以及基于所述概率模型(PM)以及所述觀測(cè)結(jié)果的集合(OS)來估計(jì)所述目標(biāo)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(duì)所述子模型的加權(quán)的概率分布進(jìn)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(duì)于每個(gè)子模型，形成累積分布函數(shù)(31，32)，并且以相對(duì)的權(quán)值(W1，W2，Wi；65)對(duì)其進(jìn)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(gè)的方法，其特征在于，所述多個(gè)子模型包括多個(gè)校準(zhǔn)子模型(611-613)，這樣，每個(gè)校準(zhǔn)子模型恰好涉及一個(gè)校準(zhǔn)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(gè)或者多個(gè)校準(zhǔn)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(diǎn)(QX，QY；644，645)，對(duì)于所述樣本點(diǎn)，校準(zhǔn)測(cè)量是不可獲得的；以及基于從所述校準(zhǔn)的位置的所述插入的樣本點(diǎn)的距離，為每個(gè)校準(zhǔn)的位置分配相對(duì)的權(quán)值(W1，W2，Wi；65)，以使得所述相對(duì)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(gè)的方法，其特征在于，所述多個(gè)子模型包括至少一個(gè)傳播模型(631)。
7.一種用于估計(jì)目標(biāo)裝置(T)的位置的方法，其中，所述目標(biāo)裝置能在無線環(huán)境(RN)中移動(dòng)，并且能使用信號(hào)與所述無線環(huán)境進(jìn)行通信，所述信號(hào)中的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)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(gè)位置(Q1-QY)上的信號(hào)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(duì)現(xiàn)有位置(Q1，Q2；QA-QC)的概率分布進(jìn)行聯(lián)合；在所述目標(biāo)裝置(T)的位置產(chǎn)生所述無線環(huán)境中的信號(hào)值(x)的觀測(cè)結(jié)果的集合(OS)；以及基于所述概率模型(PM)以及所述觀測(cè)結(jié)果的集合(OS)來估計(jì)所述目標(biāo)裝置的位置。
8.根據(jù)前面權(quán)利要求中的任何一個(gè)的方法，其特征在于，在所述目標(biāo)裝置(T)中執(zhí)行所述位置估計(jì)步驟。
9.根據(jù)權(quán)利要求1至7中的任何一個(gè)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(jì)步驟，所述目標(biāo)裝置通過無線網(wǎng)絡(luò)(RN)向所述固定的設(shè)備報(bào)告觀測(cè)結(jié)果的序列。
10.根據(jù)前面權(quán)利要求中的任何一個(gè)的方法，其特征在于，所述至少一個(gè)可測(cè)量的信號(hào)值(x)包含信號(hào)強(qiáng)度。
11.根據(jù)前面權(quán)利要求中的任何一個(gè)的方法，其特征在于，所述至少一個(gè)可測(cè)量的信號(hào)值(x)包含比特錯(cuò)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(biāo)裝置(T)能使用信號(hào)進(jìn)行通信，所述信號(hào)中的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)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(gè)子模型(611-631)，每個(gè)子模型指示在所述無線環(huán)境中一個(gè)或多個(gè)位置(Q1-QY)上的信號(hào)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(gè)位置上的信號(hào)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(biāo)裝置(T)能使用信號(hào)進(jìn)行通信，所述信號(hào)中的每一個(gè)都具有至少一個(gè)可測(cè)量的信號(hào)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(gè)位置(Q1-QY)上的信號(hào)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(duì)現(xiàn)有位置(Q1，Q2；QA-QC)的概率分布進(jìn)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(biāo)裝置(T)使用信號(hào)進(jìn)行通信，所述信號(hào)具有可測(cè)量的信號(hào)值(x)，例如信號(hào)強(qiáng)度。所述模型構(gòu)建模塊形成所述無線環(huán)境(RN)的多個(gè)子模型(611－631)。每個(gè)子模型指示在無線環(huán)境中一個(gè)或者多個(gè)位置(Q
文檔編號(hào)G01S3/06GK1666111SQ03815408
公開日2005年9月7日 申請(qǐng)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(qǐng)人:?？ê拦煞萦邢薰?