專利名稱：在無線環境中移動的目標裝置的位置誤差估計的制作方法
技術領域：
本發明一般涉及定位技術，其中在對目標裝置的無線通信環境的一個或多個觀測結果的基礎上估計目標裝置的位置。
背景技術：
圖1示意性地說明了上述定位技術的一個例子。目標裝置T通過無線接口RI與基站BS通信。在這個例子中，假定通信為無線通信。目標裝置T觀測在無線接口RI的信號值。將觀測結果O應用于概率模型PM，該模型模擬目標裝置的無線通信環境，并產生位置估計LE。在這里，目標裝置是位置待確定的裝置。目標裝置通過無線環境中的信號通信，而無線環境中的信號值被用來確定目標裝置的位置。例如，目標裝置可以是在無線局域網(WLAN)中通信的數據處理裝置，在這種情況下，基站一般被稱作接入點(AP)。數據處理裝置可以是通用目的膝上或掌上計算機或者通信裝置，或者可以是專用測試或測量裝置，如連接到無線局域網的醫療器具。在這里，位置是1到3個坐標的坐標組。在一些特殊的情況下，如在隧道中，單獨一個坐標就足夠了；但是在大多數的情況下，位置用坐標對(X，Y或角度/半徑)表示。
更特別地，本發明涉及基于隱馬爾可夫模型的定位技術。圖2示意性地說明了隱馬爾可夫模型。該模型由位置、位置間的轉變和在這些位置的觀測結果組成。在圖2所示的例子中，目標裝置沿著有5個位置(從qt-2到qt+2)的路徑移動。更一般地，qt定義在t時刻的位置分布，這樣P(qt＝s)就是目標裝置在t時刻處于位置s的概率。然而，因為位置分布能夠容易地轉換為單獨的位置估計，因此縮寫符號“位置q”用于表示位置分布q。
在這里，信號值是固定發射機的信號的可測量的并且取決于位置的量。例如信號強度和比特誤碼率/比是可測量的并取決于位置的量的例子。
隱馬爾可夫模型的“隱”字源于這樣的事實我們主要關心位置(從qt-2到qt+2)，但是位置不是直接可觀測的。作為代替，我們可以在信號值的基礎上獲得一系列的觀測結果(從ot-2到ot+2)，但是在觀測結果ot-2...ot+2與位置qt-2...qt+2之間沒有簡單的關系。(注意從位置qt-2到qt+2的直線箭頭并不意味著目標裝置沿著直的路徑或者以固定的速度移動，或者觀測是等間隔進行的)。
本發明要解決的問題來源于隱馬爾可夫模型我們不能觀測與距離或者位置有單調關系的變量。代替的定位方法是基于信號值的觀測結果。對于兩個或者更多的遠距離位置，可能有幾組接近相等的信號值，位置估計可能非常不精確。本發明的好處在基于隱馬爾可夫模型的定位技術中是非常顯著的，同時也可以適用于其他的定位技術。
發明內容
本發明的目的在于提供一種方法和實現該方法的設備，以克服上述的缺點。換句話說，本發明的目的是確定基于期望信號值的概率模型的定位技術的可靠性測量。本發明的目的通過以獨立權利要求所敘述的為特征的方法和設備實現。
從屬權利要求公開了本發明的優選實施例。本發明的一些優選實施例涉及這種可靠性測量的新使用。
在這里，術語“概率模型”是指表明幾個樣本點的信號值的概率分布的模型。對于每一個信道或者信號值類型，如信號強度、比特誤碼率/比或者信噪比，應該有一個單獨的模型，或者一個模型有幾層或幾個組件。樣本點(即位置)的期望信號值概率分布能通過校準(物理測量)或者通過仿真或理論計算，或者通過這些技術的任意組合確定。新的樣本點可以通過對其它現有的樣本點內插或外推獲得。
本發明的一個方面是一種確定目標裝置的位置的誤差估計的方法，如E(x|o)=Σlp(l|o)dist(l,x)---[1]]]>其中x＝目標裝置的估計位置；l＝位置變量(“l”代表位置，不是數字1)；o＝在觀測點的觀測結果(估計為x)p(l|o)＝位置變量l的可能值的概率分布；dist＝某個距離函數，例如歐幾里得距離、平方距離或類似函數。
上述等式1僅適用于離散位置變量l。如果l連續，則等式中的求和應該用積分代替E(x|o)=∫lp(l|o)dist(l,x)---[2]]]>在等式2中，p(l|o)應當解釋為概率密度(代替分布)。
p(l|o)的真正解釋是目標裝置位于位置l的概率。等式1和2能通過假定將誤差估計確定為加權平均值來邏輯組合，也就是說，幾個樣本點的乘積的組合，其中每一個乘積都包括所討論的樣本點是目標裝置位置的概率，和所討論的樣本點與目標裝置的估計位置之間的距離函數。“乘積的組合”意味著和或者積分，分別取決于模型是離散的還是連續的。如果是連續模型，概率分布應被解釋為概率密度。
根據本發明的一個優選實施例，誤差估計用于確定信號值概率分布需要確定的新的樣本點，或者需要例如通過重新校準來重新確定的現有的樣本點。
本發明的另一個優選實施例包括顯示地圖，其示出了幾個樣本點，并圖示出每一個樣本點的誤差估計。這種地圖提供了在不同位置定位的可靠性的快速視覺估計。
根據本發明的另一個優選實施例，示出了在地圖上添加的區域，目標裝置具有預定的概率n位于該區域內，其中n是從80％到100％的值。例如，連續區域可以是橢圓。例如，這種區域使用戶可以看出附近是否有應當避免的危險點。
根據本發明的一個優選實施例，誤差估計用于定位潛在有用的新樣本點的候選。然后通過物理校準或者基于傳播模型的計算確定信號值概率分布。本實施例基于這樣的思想具有高期望未來誤差(future error)的位置是有希望的新樣本點的候選。期望未來誤差能夠使用緊密格網(tightgrid)從等式1或2中計算出。例如，網格間隔是大約1米。一個或多個具有高期望誤差的網格點(grid point)，或者被幾個這樣的網格點包圍的點則用作新的樣本點。
由于未來是未知的，因此未來期望誤差可以通過對所有可能的未來觀測結果求和來估計EE(x)=ΣoE(x|o)p(o)---[3]]]>對于每一個網格點x，其中E(x|o)是從等式1(和)或等式2(積分)中得到的期望誤差。如果觀測結果向量的維數很高，使得根據等式3的求和是不可行的，那么求和能用采樣近似。一個更簡單的方法是用校準數據作為進行采樣的集合，在這種情況下，只需要對校準的觀測結果求和。
為了實現上述基于等式3的方法，需要確定未來觀測結果的概率分布或密度。一種更好的近似方法如下。當從等式3中計算EE(x)時，假設概率分布或密度p(o)為基于過去的在最靠近位置x的樣本點的觀測結果計算的概率分布或密度。如果E(x|o)用dist(l*，x)近似，其中l*是定位系統在看到觀測結果o后產生的點估計，則該算法的效率可以提高。
下面將通過優選實施例并參考附圖，更詳細地描述本發明，其中圖1示意性地說明了定位技術；圖2說明了隱馬爾可夫模型；圖3示意性地說明了離散概率模型；圖4是說明本發明原理的流程圖；圖5示出了基于在無線接口RI的信號值估計目標裝置的位置的位置估計模塊LEM；圖6A和圖6B是說明典型的位置待確定的目標裝置的框圖；圖7示出了用于可視化位置估計的可靠性的可視化技術的一個例子；圖8A和圖8B說明了用于選擇鄰近點或包含目標裝置位置的組合概率量(combined probability mass)超過給定閾值的區域的實施例；圖9A到圖9C說明了用于確定組合概率量超過給定閾值的橢圓的實施例；圖10A到圖10D說明了用于確定組合概率量超過給定閾值的不規則形狀區域的實施例。
具體實施例方式
再一次參考圖2，其示出了一系列信號值的觀測結果ot-2到ot+z。對于每一個觀測結果，沿著目標裝置的路徑都有各自的位置qt-2到qt+z。這一關系用箭頭21表示。箭頭21的方向意味著位置qt確定觀測結果ot中包含的信號值，但反之不成立。換句話說，我們只能直接觀測信號值，而從觀測結果ot到對應的位置qt沒有簡單的關系。在開放的海上，信號值可預見地隨離開發射機的距離減小，但實際上在本發明應用的所有環境中，離開發射機的直接路徑經常阻塞，并且當它不阻塞時，它也不是發送采用的唯一路徑。依靠相位，經由多條路徑的傳輸可以積極地(constructively)或破環性地(destructively)組合。因此，從位置到信號值的關系決不是單調的，并且可能有幾個共享一些信號值的位置。對幾個信道進行觀測是減小目標裝置位置的不確定性的一個方法。然而，當現有的定位技術估計目標裝置的位置為概率模型中最有可能的樣本點，或者樣本點之間的位置時，基于隱馬爾可夫模型的現有定位技術不能提供位置估計的可靠性的估計。
圖3示意性地說明了離散概率模型PM。模型PM包括幾個樣本點，一般用參考標記SP表示。對于每一個樣本點SP，在目標裝置的無線環境(典型地，無線電環境，如無線局域網WLAN或蜂窩網絡)中，有預定的(校準的、計算的或仿真的)信號值v的概率分布p。參考標記31一般表示這種信號值的概率分布，示意性地示出了3個樣本點SP1到SP3的概率分布。目標裝置的估計位置用參考標記32表示，并在樣本點SP的信號值的概率分布的基礎上確定。這些是任何基于目標裝置的無線通信環境的概率模型的定位技術都知道的。信號值的概率分布31獨立于目標裝置的位置。
根據本發明，對于概率模型PM的幾個位置中的每一個位置，例如對于每一個樣本點SP，確定了目標裝置位于那個位置的概率。同樣，確定了估計位置和概率模型的幾個位置中的每一個位置之間的距離函數。例如，其中一個樣本點用參考標記33表示。樣本點33和估計位置32之間的距離用參考標記34表示。為距離34確定距離函數，如歐幾里得距離，平方距離或其他。因此，有兩個不應相互混淆的概率分布。第一個是在不同樣本點的信號值的概率分布。這個概率分布獨立于目標裝置的估計位置。第二個概率分布是對每一個不同的位置作為目標裝置的位置計算的概率。計算第二個概率的位置可以是概率模型PM的樣本點SP，樣本點的子集，或者一些其他位置的集合。對于每一個獨立的位置，第二個概率是一個單獨的值，但是當考慮了所有的位置后，這些概率構成了概率分布(如果位置是離散的)或密度(如果位置是連續的)。
圖4是說明本發明原理的流程圖。圖4的流程省略了在概率模型的基礎上確定目標裝置位置的步驟，只示出了與誤差估計相關的步驟。在步驟4-1中，確定位置32的概率分布或密度41，該概率分布或密度41在等式1或2中使用。在步驟4-2，確定距離34的距離函數42。在步驟4-3，概率分布或密度41與距離函數42相乘，其結果加到誤差估計43中。在步驟4-4，對整個位置區域或樣本點的采樣子集重復(求和或者積分)該過程，這取決于可用的和所需的計算資源。位置區域是指定位系統運行的物理區域。
圖5是基于在無線接口RI的信號值估計目標裝置的位置的典型位置估計模塊LEM的框圖。圖5示出了一個緊湊的位置估計模塊LEM，但是更多的分布式實施例也是同樣可能的。位置估計模塊的本質特征是目標裝置的無線環境的概率模型PM，該概率模型能在給定多個來自無線接口的觀測結果的情況下，預測目標裝置的位置。在這個例子中，概率模型PM由模型構建模塊MCM建立和維護。模型構建模塊MCM在校準數據CD或者采用一個或多個傳播模型形式的傳播數據PD，或者二者任意組合的基礎上建立和維護概率模型。校準數據CD是在已知位置物理測量信號值的結果(或者如果通過其他方式不能獲知那些位置時，確定它們的坐標)。可選地，如果信號參數隨時間變化，則校準數據記錄也可以包括進行測量的時間。可以使用一個或多個傳播模型PD代替校準數據CD或者和校準數據CD一起模擬無線接口RI。傳播模型可以通過類似視景仿真的射線追蹤技術的技術構建。收集校準測量值的位置稱作校準點。校準數據CD包括數據記錄，其中每一個數據記錄都包含所討論的校準點的位置和在該校準點測量的信號參數的集合。位置可以在任何絕對或者相對坐標系中表示。在特殊情況下，如火車、高速路、隧道、水路或類似情況，單獨一個坐標就足夠了，但是通常還是使用兩個或三個坐標。
還有用于在目標裝置的觀測結果集合OS和概率模型PM的基礎上產生位置估計LE的位置計算模塊LCM。例如，位置計算模塊可以實現為在膝上或掌上計算機中執行的軟件程序。從技術上說，“測量值”和“觀測結果”可以相似地使用，但是為了避免混淆，術語“測量值”一般用于校準測量，而在目標裝置的當前位置獲得的信號參數稱為“觀測結果”。目標裝置最近的觀測結果集合稱為當前觀測結果。根據本發明，位置計算模塊LCM除了產生位置估計LE外，還產生誤差估計EE。
圖6A是說明典型的位置待確定的目標裝置T的框圖。在本例中，目標裝置T是通過無線網絡RN通信的便攜式計算機。例如，無線網絡可以是WLAN(無線局域網)。在圖6A所示的實施例中，包括概率模型PM的位置估計模塊LEM沒有安裝在目標裝置T中。因此，目標裝置T必須通過一個或多個與它相連的基站BS，發送其觀測結果集合OS到位置估計模塊LEM。位置估計模塊LEM通過無線接口RI向目標裝置返回其位置估計LE。
圖6B示出了一個可選的實施例，其中目標裝置的附加計算機PC接收可分離存儲器DM(如CD-ROM盤)上的概率模型PM的副本，這樣目標裝置T能夠確定自己的位置而不用發送任何東西。作為另一個可選的例子(沒有分開表示)，附加計算機PC可以通過連接到位置估計模塊LEM的互聯網(或其他數據)連接接收概率模型。寬帶移動臺能通過無線接口RI接收概率模型。也可以使用上述技術的混合，使得接收機通過有線連接或者在可分離存儲器上接收初始的概率模型，但以后模型的更新通過無線接口發送。
接下來將描述本發明的確定誤差估計的技術的兩個實際應用。在一個應用中，誤差估計用作校準幫助。在另一個應用中，誤差估計作為位置估計的可靠性的視覺指示器顯示給用戶。
誤差估計的可視化下面，位置區域意味著定位系統運行的物理區域。在下面的描述中，假定位置區域是2維的，但是本發明可以同樣適用于3維或4維空間。如前面提到的，術語“概率分布”意思是概率分布或概率密度，取決于場合，也就是，區域是離散的還是連續的。
提及的可視化技術包括兩個主要階段，這里稱為階段1和階段2。階段1包括在整個位置區域上形成2維概率分布。如果作為基礎的定位系統是概率的，則階段1可以是不必要的。然而，一些定位系統基于有限的、小的位置集合(例如，收集樣本數據的校準點的集合)上的概率分布。在這種情況下，離散概率分布需要擴展到整個位置區域。這種擴展可以用不同的方式實現。例如，位置區域可以被分成所謂“Voronoi”分區，使得每個分區都包括一個校準點和所有比其他校準點更接近該校準點的非校準點。可選地，位置x的擴展概率分布可以是校準點的概率的加權和，其中權重從距離中計算。另一種可能的方式是在逐點位置估計周圍采用正態分布，將結合圖9A到圖9C描述。這可以看作是更通用的稱作“entropification”的技術的特殊情況，詳細的描述在Peter Grunwald’s博士的論文“The Minimum Description Length and Reasoning underUncertainty”中。還有一種可能的方式將結合圖10A到圖10D描述。
階段2包括對定位不確定性可視化。在這個階段，幾個實施例都是可能的。例如，在一個可視化實施例中，在整個位置區域對概率分布可視化。與位置區域中每個點相關的概率值被可視地傳輸給用戶，例如以數字、顏色值、亮度、條形高度、圓的大小等等。位置區域中的點意味著可選的離散集合的任一成員(如校準點的集合，或者視覺顯示器的像素的集合)。其思想是用戶能容易地看出概率量是如何在位置區域上分布的。圖7示出了這種可視化技術的例子。在地圖或者平面布局圖70上添加視覺指示器的格網，如條，一般用參考標記71表示。視覺指示器71的一個或多個視覺屬性表明對應網格點是目標裝置的真正位置的概率。在這個例子中，視覺屬性是條形長度。立刻很明顯的，目標裝置最有可能位于條72附近，因為條72是最長的條，并且是長條集合的中心點。可以使用更多的視覺屬性代替條形長度，或者加在條形長度上。
在另一個可視化實施例中，向用戶顯示鄰近的區域，假設用戶具有預定的概率(如85、90或95％)位于該區域中。優選地，預定的概率是用戶可選擇的。其思想是確定最小的區域，其包括超過預定的概率(如90％)的概率量。
在圖8A和圖8B中示出了用于確定組合概率量超過預定的概率閾值的連續區域的簡單算法。圖8A還示出了圖7所示的地圖或平面布局圖70。在地圖70上添加網格點的格網，其中8個網格點用參考標記81-88表示。表80表明任何一個網格點81-88是目標裝置位置的概率p。網格點81，具有18％的概率，看來是最有可能的位置，接下來是網格點82，等等。還示出了在地圖70上添加的連續區域89，其組合概率量超過預定的概率，如90％。
在圖8B中示出了用于確定目標區域，如區域89，的算法。步驟8-1包括初始化操作，如確定閾值級別。例如，閾值級別可以是固定的或用戶可設置的。接下來，目標區域被初始化為空集合。在步驟8-2，選擇起始點，并將其添加到目標區域。起始點可以是任意點，但優選地，起始點是作為目標裝置位置的可能性高的點。例如，起始點可以是目標裝置的估計位置或具有最高可能性的網格點。這個例子說明了后面的選擇。因此，圖8A和圖8B所示的例子從將具有18％的概率的網格點81加入目標區域開始。接下來，在步驟8-3，檢查目標區域的組合概率量是否超過(或等于)預定的閾值級別，如90％。如果沒有，則進入步驟8-4，在該步驟中，選擇一點，使得所選擇的點鄰近目標區域，并且在仍未加入目標區域的點中有最高的概率。在本例中，選擇具有15％概率的點82，然后，返回步驟8-3進行資格檢驗。在本例中，重復循環8-3、8-4，直到目標區域89包括具有91％的組合概率量的點81-88。如果搜索非連續區域，則步驟8-4中的鄰近要求可以放寬。
為了更加精確，圖8B所示的算法不產生圖8A所示的準確的分界線89，但是選擇分界線89內的網格點。然后，選擇的網格點的集合可以通過畫出合適的分界線或者通過采用其他的方式(如不同的顏色或亮度)指示選擇的網格點來指示給用戶。
圖8B所示的算法的改進版本如下進行。圖8B所示的算法通過采用任何最有可能的網格點作為起始點來執行。每一次執行該算法都產生(或可能產生)不同的目標區域。最終，選擇最小的目標區域，并顯示給用戶。如果這個改進的算法是窮盡的，也就是說，選擇每一個網格點作為起始點，最后選擇最小的結果區域，那么起始點的初始選擇自然是不重要的。
圖9A到圖9C示出了一個可視化的實施例，其用于顯示橢圓91，或者近似橢圓，使得該橢圓所覆蓋的區域的組合概率量等于或超過預定的閾值級別。術語“近似橢圓”意思是指多邊形92，其頂點位于橢圓91的周邊。圖9A示出了添加在地圖70上的這樣的橢圓91或者多邊形92。
圖9B示出了用于計算橢圓的算法。假定對于每一個網格點是目標裝置的位置，有一個預先計算的概率值p。這樣一組概率值如圖8A中的表80所示。如果網格點的位置是(x，y)，則該網格點的概率是p(x，y)。目標裝置的點估計用期望值(E[x]，E[y])表示。橢圓91基于如下的p的協方差矩陣。
在步驟9-1，確定下面關于p的值x和y坐標的期望值E[x]和E[y]；x和y坐標的方差var[x]和var[y]；協方差為cov[x，y]；p的協方差矩陣，數學上稱為S，用參考標記93表示。
在步驟9-2，計算S的第一特征向量(x1，y1)和兩個特征值v1和v2，如下y1=var[x]+var[y]+(var[x]-var[y])2+4cov[x,y]22---[4]]]>
v2=var[x]+var[y]-(var[x]-var[y])2+4cov[x,y]22---[5]]]>y1=cov[x,y]v1-var[y]---[6]]]>l1=1+y12---[7]]]>x1=v1l1---[8]]]>y1=y1·v1l1---[9]]]>其中l1是臨時變量。
最后，在步驟9-3，畫出橢圓，使得(E[x]，E[y])是橢圓的中心，(x1，y1)是長半軸，v1和v2是橢圓的長半軸和短半軸的長度。圖9C示出了用于畫類似橢圓的多邊形的典型偽代碼列表94。在列表94中，k是所畫多邊形的頂點個數，r是從chi2表中選取的橢圓半徑；表xs和ys包含頂點的坐標。例如，當k＝20時，多邊形看起來相當光滑；當值r＝2.448時，橢圓包含具有協方差矩陣S的高斯分布的95％的概率量。
圖10A到圖10D說明了用于顯示包含等于或超過預定閾值的組合概率量的不規則目標區域的算法。該算法使用如下輸入量D樣本點的概率分布；C樣本點的數據(笛卡兒坐標)；e點估計的笛卡兒坐標；參數m待包括的概率量；a角精度；
d離開原點的距離的精度。
該算法的輸出U是描述點估計的不確定性的區域的坐標集合。
在步驟10-1，樣本點數據C映射到以點估計為原點的極坐標系。例如，如果C是2維的，則使用如圖10C所示的用參考標記102表示的偽代碼列表。
在步驟10-2，D被轉換成極坐標系下的分布。例如，使用如圖10D所示的用參考標記103表示的偽代碼列表。列表103示出了使用角度和離開點估計的距離已用參數a和d離散的算法的例子。E表示對于每個扇形，離開原點的期望距離，Dp表示極坐標系下的2維分布。
步驟10-3包括查找覆蓋m的區域的笛卡兒坐標。一個辦法是通過離開點估計的期望距離，其定義了區域的形狀。然后，該形狀按比例伸縮，使得它可以覆蓋m。例如，除了能夠使用任何合適的搜索算法，還能夠使用圖10D中的偽代碼列表104。
在步驟10-4中，可伸縮的離開原點的距離被轉換成笛卡兒坐標。例如可以使用圖10D中的偽代碼列表105。在列表105中，不太正式的術語“blob”是指圖10A中用參考標記101表示的不規則目標區域。
誤差估計的其他應用上述實施例涉及向終端用戶可視化誤差估計。但誤差估計也可以用于其他目的，如幫助校準。例如，如果某個位置的誤差估計高，則高期望誤差能用作附近的樣本點需要重新校準的指示，或者新的樣本點需要加入概率模型中的指示，或者整個模型需要重新校準的指示。
對于本領域技術人員，隨著技術的進步，本發明的思想可以通過不同的方式實現是非常明顯的。本發明及其實施例并不限于上述例子，而是可以在權利要求的范圍內變化。
權利要求
1.一種確定目標裝置(T)位置的誤差估計(EE，43)的方法，其中所述目標裝置可在無線環境(RN)中移動，并且使用信號與無線環境通信，其中每一個所述信號有至少一個可測量的信號值(v)；所述方法包括維護無線環境(RN)的概率模型(PM)，所述概率模型表明在無線環境中幾個樣本點(SP)的信號值的概率分布(31)；獲得在目標裝置(T)的位置處的無線環境中的信號值(v)的觀測結果集合(OS)；基于所述概率模型(PM)和所述觀測結果集合(OS)估計目標裝置的位置；其特征在于確定誤差估計(43)為幾個樣本點(SP)的乘積的組合，每個乘積包括所討論的樣本點是目標裝置位置的概率(41)；以及所討論的樣本點和目標裝置的估計位置之間的距離函數(43)。
2.根據權利要求1所述的方法，其特征在于使用誤差估計(43)產生給用戶的視覺指示器(71，89，91，92，101)。
3.根據權利要求2所述的方法，其特征在于所述視覺指示器添加到地圖(70)上。
4.根據權利要求3所述的方法，其特征在于所述視覺指示器是一組離散指示器(71)，每一個離散指示器具有至少一個取決于位置的視覺屬性。
5.根據權利要求3所述的方法，其特征在于所述視覺指示器是位置集合(89)，所述集合包括至少具有預定概率的目標裝置位置。
6.根據權利要求3所述的方法，其特征在于所述視覺指示器是區域(91，92，101)，所述區域包括至少具有預定概率的目標裝置位置。
7.根據權利要求6所述的方法，其特征在于估計包括至少具有預定概率的目標裝置位置的最小區域。
8.根據權利要求7所述的方法，其特征在于所述最小區域是橢圓。
9.根據權利要求7所述的方法，其特征在于所述最小區域是不規則形狀的。
10.根據權利要求1所述的方法，其特征在于使用誤差估計更新所述概率模型(PM)。
11.根據權利要求10所述的方法，其特征在于所述更新概率模型包括在或靠近誤差估計高于平均值的位置添加新的樣本點。
12.根據權利要求10或11所述的方法，其特征在于所述更新概率模型包括重新校準現有的樣本點。
13.根據權利要求1所述的方法，其特征在于只對所述概率模型的樣本點的采樣子集執行幾個樣本點的乘積的組合。
14.一種估計目標裝置(T)的位置的位置估計設備(LEM)，其中目標裝置可在無線環境(RN)中移動，并且使用信號與無線環境通信，其中每個所述信號有至少一個可測量的信號值(v)；所述位置估計設備(LEM)包括無線環境(RN)的概率模型(PM)，所述概率模型表明在無線環境中幾個樣本點(SP)的信號值的概率分布(31)；用于獲得或接收在目標裝置(T)的位置處的無線環境中的信號值(v)的觀測結果集合(OS)的裝置；用于基于所述概率模型(PM)和所述觀測結果集合(OS)估計目標裝置的位置的裝置；其特征在于用于確定目標裝置(T)的估計位置的誤差估計(43，EE)為幾個樣本點(SP)的乘積的組合的裝置，每一個乘積包括所討論的樣本點是目標裝置的位置的概率(41)；以及所討論的樣本點和目標裝置的估計位置之間的距離函數(43)。
15.根據權利要求14所述的位置估計設備，其特征在于包括用于產生誤差估計(43，EE)的視覺指示器(71，89，91，92，101)的裝置。
全文摘要
本發明公開了一種確定目標裝置的位置的誤差估計的方法。目標裝置在無線環境中移動，并使用具有至少一個可測量的信號值的信號通信。無線環境的概率模型表明在無線環境中幾個樣本點的信號值的概率分布。獲得信號值的觀測結果集合，并基于所述概率模型和所述觀測結果集合估計目標裝置的位置。確定誤差估計(43)為幾個樣本點(SP)的乘積的組合，每一個乘積都包括所討論的樣本點是目標裝置的位置的概率分布(41)和所討論的樣本點與目標裝置的估計位置之間的距離函數(43)。
文檔編號H04L12/28GK1666113SQ03815440
公開日2005年9月7日 申請日期2003年5月27日 優先權日2002年5月31日
發明者P·米呂邁基, P·孔特卡寧, T·羅斯, K·瓦爾托寧, J·拉赫蒂寧, H·韋特蒂格, A·圖奧米寧, H·蒂里 申請人:埃卡豪股份有限公司