用于定位移动设备的方法和装置专利检索-停止频率信号处理专利检索查询-专利查询网

用于定位移动设备的方法和装置

阅读：774发布：2020-12-13

专利汇可以提供用于定位移动设备的方法和装置专利检索，专利查询，专利分析的服务。并且一种用于定位能够无线通信的电子移动设备的方法，该方法包括：获得用于感兴趣区域的概率地图结构，所述概率地图结构将优选地包括基于蜂窝网络的数据的环境数据值与位置数据相关联；获得用于不同类型的运动的若干个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率；获得由该移动设备在多个连续时间点捕获或确定的至少环境数据；以及基于将来自概率地图结构和所述运动模型二者的概率数据组合来确定该移动设备的最可能的位置估计，其中，上述至少环境数据根据预定标准被最佳地拟合到运动模型和概率地图结构中。提出了相关的两种装置及计算机程序。，下面是用于定位移动设备的方法和装置专利的具体信息内容。

权利要求

1.一种用于定位能够无线通信的电子移动设备的方法，所述方法包括：
获得感兴趣区域的概率地图结构，所述概率地图结构将环境数据值与位置数据相关联，所述环境数据值优选地包括基于蜂窝网络的数据，
获得用于不同类型的运动的若干个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率，
获得由所述移动设备在多个连续时间点捕获或确定的至少环境数据，以及
基于将来自所述概率地图结构与所述运动模型二者的概率数据组合来确定所述移动设备的最可能的位置估计，其中，所述至少环境数据根据预定标准被最佳地拟合到所述运动模型和概率地图结构中。
2.根据权利要求1所述的方法，其中，所述若干个模型中的至少一个时间空间运动模型包括指示至少一个运动特性的一个或多个元素，所述至少一个运动特性选自由以下组成的组：速度、速率、速度波动、速率波动、加速度、减速度、转弯速率、转弯频率、运动的线性度、停止、停止持续时间、停止频率、方向改变、方向改变频率以及方向反转。
3.根据任一项前述权利要求所述的方法，其中，所述若干个时间空间运动模型包括用于至少一个运动类别的模型，可选地为用于所述至少一个运动类别的专用模型，所述至少一个运动类别选自由以下组成的组：步行、爬行、不活动、跑步、自行车、机动车辆、汽车、摩托车、火车、公共汽车。
4.根据任一项前述权利要求所述的方法，其中，所述若干个时间空间运动模型包括用于至少一个地理区域或区域类型的模型，可选地为用于所述至少一个地理区域或区域类型的专用模型，所述至少一个地理区域或区域类型选自由以下组成的组：市区区域、乡村、步行区域、步行街道、公路、森林区域以及室内区域。
5.根据任一项前述权利要求所述的方法，其中，所述若干个模型中的至少一个时间空间运动模型限定运动特性的限制或范围，在所述模型中所述特性超出所述限制或范围的概率基本上为零。
6.根据任一项前述权利要求所述的方法，包括地图绘制活动，所述地图绘制活动包括通过下述过程确定至少初始概率地图结构或用于其的源数据结构，所述过程为：获得环境数据以及在时间上基本上对应的位置指示参考数据，所述环境数据优选地包括基于蜂窝网络的数据，所述位置指示参考数据优选地包括卫星定位数据；以及将所述环境数据与由所述参考数据提供的位置数据链接；
其中，所述环境数据和与其链接的所述参考或位置数据由与多个位置有关的多个终端设备在不同时间点成对地供应，以用于确定所述概率地图结构。
7.根据任一项前述权利要求所述的方法，包括通过下述过程来确定至少初始运动模型，所述过程为：从多个移动设备获得环境数据和位置指示参考数据；并且基于所获得的数据来确定产生所述转换概率的运动统计。
8.根据任一项前述权利要求所述的方法，包括获得指示至少一个元素的概率性路线数据，所述至少一个元素选自由以下组成的组：区域内的多个预定顺序的位置转换的概率；以及热点和冷点存在于较大区域的预定区域内的概率，所述热点表示区域内移动设备在概率上具有较高平均集中度，并且所述冷点表示区域内移动设备在概率上具有较低平均集中度；
其中，所述路线数据被用于确定所述最可能的位置估计。
9.根据任一项前述权利要求所述的方法，其中，至少部分地基于至少一个元素来确定指示区域内的移动设备的路线或位置的概率的概率性路线数据，所基于的至少一个元素选自由以下组成的组：优选地从地图、街道平面图或建筑平面图得到的预先获知的区域特性；
以及监测所述区域内的移动设备的移动或存在。
10.根据任一项前述权利要求所述的方法，其中，所述环境数据包括来自所述移动设备的传感器的传感器数据，优选地为被配置成指示所述区域的磁场中的与位置关联的干扰的磁力计数据。
11.根据任一项前述权利要求所述的方法，包括：获得惯性传感器数据，并且还基于所述惯性传感器数据来确定所述移动设备的所述最可能的位置估计。
12.根据任一项前述权利要求所述的方法，其中，通过被认为较准确的数据来调整被认为较不准确的数据或调整从所述较不准确的数据得出的估计的位置。
13.根据任一项前述权利要求所述的方法，包括记录位置或路线数据。
14.根据任一项前述权利要求所述的方法，包括：检测所获得的环境数据或定位数据中的偏移并补偿所述偏移。
15.一种计算机程序，所述计算机程序包括程序代码装置，所述程序代码装置适于当所述程序在计算机上运行时执行根据权利要求1至14中任一项所述的方法项。
16.一种非暂时性载体介质，诸如存储卡或光盘，所述非暂时性载体介质包括权利要求
15所述的程序。
17.一种用于定位能在无线网络中运行的移动设备的装置，包括：
数据储存库，所述数据储存库包括用于感兴趣区域的概率地图结构，所述概率地图结构将环境数据值与位置数据相关联，所述环境数据值优选地包括基于蜂窝网络的数据，并且所述数据储存库还包括用于多种不同类型的运动的若干个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率，
通信接口，所述通信接口用于获得在所述移动设备处在多个连续时间点感知的至少环境数据，以及
定位实体，所述定位实体被配置为基于将来自所述概率地图结构与所述运动模型二者的概率数据组合来确定所述移动设备的最可能的位置估计，其中，所述至少环境数据根据预定标准被最佳地拟合到所述运动模型和概率地图结构中。
18.根据权利要求17所述的装置，其中，所述若干个模型中的至少一个时间空间运动模型包括指示至少一个运动特性的一个或多个元素，所述至少一个运动特性选自由以下组成的组：速度、速率、速度波动、速率波动、加速度、减速度、转弯速率、转弯频率、运动的线性度、停止、停止持续时间、停止频率、方向改变、方向改变频率以及方向反转。
19.根据权利要求17至18中任一项所述的装置，其中，所述若干个时间空间运动模型包括用于至少一个运动类别的模型，可选地为用于所述至少一个运动类别的专用模型，所述至少一个运动类别选自由以下组成的组：步行、爬行、不活动、自行车、跑步、机动车辆、汽车、摩托车、火车、公共汽车。
20.根据权利要求17至19中任一项所述的装置，其中，所述若干个时间空间运动模型包括用于至少一个地理区域或区域类型的模型，可选地为用于所述至少一个地理区域或区域类型的专用模型，所述至少一个地理区域或区域类型选自由以下组成的组：市区区域、乡村、步行区域、步行街道、公路、森林区域以及室内区域。
21.根据权利要求17至20中任一项所述的装置，其中，所述若干个模型中的至少一个时间空间运动模型限定运动特性的限制或范围，在所述模型中所述特性超出所述限制或范围的概率基本上为零。
22.根据权利要求17至21中任一项所述的装置，被配置为通过下述过程确定或更新所述概率地图结构或用于其的源数据结构，所述过程为：获得环境数据以及在时间上基本上对应的位置指示参考数据，所述环境数据优选地包括基于蜂窝网络的数据，所述位置指示参考数据优选地包括定位数据、最优选地包括卫星定位数据；以及将所述环境数据与由参考数据提供的所述位置数据链接，所述环境数据和参考数据由若干个移动设备收集。
23.根据权利要求22所述的装置，其中，所述环境数据和关联的参考或位置数据由与多个位置有关的多个终端设备在不同时间点成对地供应，以用于确定所述概率地图结构。
24.根据权利要求17至23中任一项所述的装置，被配置为通过下述过程来确定至少初始运动模型，所述过程为：从多个移动设备获得环境数据和位置指示参考数据；并且基于所获得的数据来确定产生所述转换概率的运动统计。
25.根据权利要求17至24中任一项所述的装置，被配置为获得指示至少一个元素的概率性路线数据，并且还被配置为利用所述路线数据确定所述最可能的位置估计，所述至少一个元素选自由以下组成的组：区域内的多个预定顺序的位置转换的概率；以及热点和冷点存在于较大区域的预定区域内的概率，所述热点表示区域内移动设备在概率上具有较高平均集中度，并且所述冷点表示区域内移动设备在概率上具有较低平均集中度。
26.根据权利要求17至25中任一项所述的装置，其中，至少部分地基于至少一个元素来确定指示区域内的移动设备的路线或位置的概率的概率性路线数据，所基于的至少一个元素选自由以下组成的组：优选地从地图、街道平面图或建筑平面图得到的预先获知的区域特性；以及监测所述区域内的移动设备的移动或存在。
27.根据权利要求17至26中任一项所述的装置，其中，所述环境数据包括来自所述移动设备的传感器的传感器数据，优选地为被配置成指示所述区域的磁场中的与位置关联的干扰的磁力计数据。
28.根据权利要求17至27中任一项所述的装置，被配置为：获得惯性传感器数据，并且还基于所述惯性传感器数据来确定所述移动设备的所述最可能的位置估计。
29.根据权利要求17至28中任一项所述的装置，被配置为根据预定的标准、通过被认为较准确的数据来调整被认为较不准确的数据或调整从所述较不准确的数据得出的估计的位置，所述较准确的数据可选地为参考数据，所述较不准确的数据可选地为环境数据，诸如基于蜂窝网络的数据或传感器数据。
30.根据权利要求17至29中任一项所述的装置，被配置为在数据储存库中记录路线或位置估计数据。
31.根据权利要求17至30中任一项所述的装置，包括至少一个通信网络可访问的服务器，优选地为因特网可访问的服务器。
32.根据权利要求17至31中任一项所述的装置，由所述移动设备组成或至少包括所述移动设备。
33.一种用于定位的装置，所述装置优选地包括至少一个服务器，所述装置包括：
地图绘制实体，所述地图绘制实体被配置为确定：
用于感兴趣区域的概率地图结构或用于所述概率地图结构的源数据结构，所述概率地图结构或相关的源数据结构通过下述过程将环境数据值与位置数据相关联，所述环境数据值优选地包括基于蜂窝网络的数据，所述过程为：获得环境数据以及在时间上基本上对应的位置指示参考数据，所述环境数据优选地包括基于蜂窝网络的数据，所述位置指示参考数据优选地包括定位数据、最优选地包括卫星定位数据；以及将所述环境数据与由所述参考数据提供的位置数据链接，所述环境数据和相关的参考数据由若干个移动设备收集；以及
用于多种不同类型的运动的若干个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率，以及
通信接口，所述通信接口被配置为将所述概率地图结构和运动模型的至少一部分以信号发送到电子设备以进行定位。

说明书全文

用于定位移动设备的方法和装置

技术领域

[0001] 本发明大体上涉及定位移动设备，包括移动定位或定位使能技术。更具体地，本发明涉及用于确定移动设备的位置的解决方案，其中定位是基于所捕获或确定的环境数据。

背景技术

[0002] 定位移动设备或其用户的需求可能来自希望了解自己的位置的用户，或者来自由于某种原因例如在紧急情况下对其而言关于个人位置的信息变得重要的政府机构。

[0003] 位置跟踪设备和其他这样的移动终端例如智能电话或者其他手持式或可穿戴装备设备可以包括蜂窝通信功能，诸如用于收集来自附近小区站/基站的蜂窝数据(例如信号强度的指示)并将其报告给远程位置处的接收器的收发器，并且最典型地是包括基于卫星的位置确定功能，例如用于全球定位系统(GPS)或GLONASS(全球导航卫星系统)卫星定位信号的接收器和相关的定位逻辑。

[0004] 为了基于利用卫星信号诸如GPS信号来确定位置，GPS接收器必须具有来自至少三个适当卫星的当前年历数据和星历表数据以及其位置的初始估计。然而，相关联的信号覆盖容易遭受由地形障碍物诸如地理特征、建筑物或相关的市区峡谷、树木等所引起的中断。由于移动设备经常在在定位方面具有挑战性的环境诸如城市和市区区域中运行，在城市和市区区域中GPS或一般的卫星导航信号接收将是间歇性的，这可能导致基于此的位置跟踪系统性能较差。

[0005] 已开发了一些补充技术来应对基于GPS的现有位置确定技术在位置跟踪设备诸如配备GPS的移动终端上的弱点。一种已提出的方法是辅助GPS(AGPS)，以更新年历数据和/或星历表数据，以便改善相关联的设备的性能。AGPS系统采用处于预计卫星信号的接收良好的位置的远程地面站，然后再例如经由蜂窝通信网络将在此处基于所接收的信号建立的辅助数据传输到移动终端。

[0006] GPS接收器的启动通常需要对其位置的初始估计，并且该过程需要几分钟。为了加速GPS接收器的启动，远程/移动地面站可以基于蜂窝网络基站的标识符和从蜂窝网络基站接收的时间延迟数据来产生辅助数据，并且该数据用于改善初始位置估计。

[0007] 上述位置估计步骤考虑了辅助数据，该辅助数据包括从卫星接收的星历表数据以及从蜂窝基站接收的标识符和时间延迟数据。这尽管在某些使用场景中有明显的好处，但也可能很容易导致位置估计不准确，因为在该过程期间会忽略某些环境障碍物及其影响。上述位置估计基于对移动终端关于(with respect to，相对于)基站位置的位置进行分析，因而如果准确的基站位置不可用，则产生的位置估计会变得失真。上述位置估计过程不针对每个小区估计基站的位置或基站的覆盖区域(无线电信号到达的区域)。上述位置估计过程也不会对小区关于地形和城市景观等的类型进行任何估计。

[0008] WO2010/055192公开了用于定位的方法和系统，具有增强的准确度。所建议的解决方案基于首先在建模阶段期间从若干个终端设备收集定位数据诸如GPS数据和包括例如小区数据的环境数据以确定小区网络基站的覆盖区域估计，来产生极好的结果，因此在定位阶段期间，由于可用的覆盖区域估计及各种补充数据，所以仅环境数据就满足了准确定位的需要。

[0009] 在US2013/00879039中，通过向位置估计添加竖向信息来进一步发展‘192解决方案，以获得真正的3D(三维)定位。

[0010] 尽管‘192和‘039有许多改进明确地引入到了现有技术，但是考虑到若干因素和不同可能的使用场景，相关联的解决方案仍然可以被优化。

[0011] 然而，由于诸如4G/LTE(第四代/长期演进)或5G(第五代移动网络)的新通信技术的出现，随着关于待跟踪对象诸如移动电话的环境的可用信息变得越来越通用，也可能会出现扩展数据输入空间的新的可能性。当不同网络信号等的各种数据源可用并且由待定位对象检测时，通过将定位工作集中于任何特定的、单一类型的数据源或相关模型，可能不会在实时定位期间提供最佳结果。

[0012] 此外，在用于定位目标设备的数据输入空间至少瞬间且例如突然地减少或严重地失真的情况下，许多现代定位解决方案表现的较差，因此仅基于最近的数据输入的位置估计很容易出现严重错误。这些解决方案极大地忽略了之前收集的潜在海量数据历史以及由此可得出的信息，而无法在信号接收不良的变化条件下也保持定位精度。

[0013] 基于以上所述，明显的是，移动设备的定位还可以进一步发展。尤其需要不要求卫星定位或不要求事先了解基站或无线网络接入点的位置的技术。

发明内容

[0014] 本发明的目的是提供一种用于确定移动设备的位置的方法、计算机程序和装置，该移动设备与蜂窝网络连接并且被配置为捕获或确定至少环境数据。

[0015] 本发明由独立权利要求中呈现的内容所表征。本发明的实施方式在从属权利要求中呈现。

[0016] 根据第一方面，用于定位能够无线通信的电子移动设备的方法包括：

[0017] 获得感兴趣区域的概率地图结构，所述概率地图结构将环境数据值与位置数据相关联，该环境数据优选地包括基于蜂窝网络的数据，该位置数据优选地包括基于卫星定位的数据，

[0018] 获得用于不同类型的运动的多个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率，

[0019] 获得由移动设备在多个连续时间点(time instant，时刻)捕获或确定的至少环境数据，以及

[0020] 基于将来自概率地图结构和所述运动模型二者的概率数据组合来确定移动设备的最可能的位置估计，其中至少环境数据根据预定标准被最佳地拟合(fix)到运动模型和概率地图结构中。

[0021] 根据第二方面，用于定位可在无线网络中运行的移动设备的装置包括：

[0022] 数据储存库，所述数据储存库包括感兴趣区域的概率地图结构，所述概率地图结构将优选地包括基于蜂窝网络的数据的环境数据值与位置数据相关联，并且还包括用于多种不同类型的运动的多个概率性时间空间运动模型，所述模型至少部分地限定位置估计之间的关于时间的转换概率；

[0023] 通信接口，该通信接口用于获得在移动设备处在多个连续的时间点感知的至少环境数据，以及

[0024] 定位实体，该定位实体被配置为基于将来自概率地图结构和所述运动模型二者的概率数据组合来确定移动设备的最可能的位置估计，其中至少环境数据根据预定标准被最佳地拟合到运动模型和概率地图结构中。

[0025] 在实施方式中，运动模型包括确定运动特性并且优选地对期望运动类型确定相关概率的多个元素。而且实际上，其中可以包括零概率特性，即排除在与特定模型有关的可能运动的适用范围之外的绝对限制或例如值范围。

[0026] 运动模型通过相关联的元素诸如模型参数和相关的值，来至少部分地限定位置估计或位置数据点之间的关于时间的转换概率，即运动或“移动”概率还将时间因素和数据考虑在内，作为对用于确定位置的仅位置数据或环境数据的补充。然而技术人员应当理解，根据实施方式，除了运动模型之外的其他模型或参数也可以影响概率。

[0027] 运动模型可以包括指示至少一个运动特性的一个或多个元素，该至少一个特性选自由以下组成的组：速度、速率、速度波动、速率波动、加速度、减速度、转弯速率、转弯频率、运动的线性度、停止、停止持续时间、停止频率、方向改变、方向改变频率以及方向反转。

[0028] 运动模型可以为各个元素或“参数”限定不同的(数)值和/或值范围，这可以包括特定模型的概率特性。因此，该模型可以表征相关类型的典型和非典型运动。

[0029] 由运动模型描述的运动的类型或类别一般可以指示例如：步行；爬行；不活动；骑自行车；跑步；机动车辆行进(作为乘客或驾驶员)，诸如乘坐汽车、火车、公共汽车、助力车、摩托车等。例如对于某个模型，诸如汽车模型，某些较高的速度值(例如30km/h以上)关联到比较低速度高的概率，而例如一些其他模型，如步行模型，其中的概率可能大体上相反。同样，对于一个模型，诸如步行模型，传播方向的完全的、大体上突然的反转的概率可能大大高于另一模型，诸如(机动)车辆模型。

[0030] 在另一个补充或替代实施方式中，运动模型与预定区域或区域类型相关联。根据所使用的位置分辨率，该区域可以是指单个位置(单元或点)，或者是指包含多个位置的较大区域。

[0031] 例如，都市、室内或行人中心/街道区域或区域类型可能与不同于和高速公路、农村或森林区域相关联的模型的运动模型相关联，这是因为这些不同区域内的运动特性也可能不同，这由参数值概率诸如上述速度(在市区区域，较低速度的可能性比较高速度的可能性高，而在乡村区域反之亦然)来表示。

[0032] 当适用时，某个区域或区域类型可以与多个运动模型相关联。例如，基本上在相同(较大)区域中在马路等附近可能存在人行道，由此例如步行模型和基于车辆的运动模型最初都是可能的，即使不是等可能的。还可以给区域分配特定的区域类型或者“类别”，这个区域类型又已与被认为适于该类型的若干个运动模型相关联。因此，特定区域可以经由区域类型与运动模型相关联。

[0033] 在一些实施方式中，可以组合来自多个运动模型的数据，或者通过利用例如某个通用的运动模型例如机动车辆模型以及区域相关的运动模型诸如市区/城市模型来建立组合模型，这可以涉及用例如“与”型逻辑采纳特性，诸如来自所有源模型的参数值范围。

[0034] 通常，在本发明的各种实施方式中，可以预先建立若干个至少初始运动模型，即在定位之前、在所谓的建模或地图绘制阶段期间建立若干个至少初始运动模型。可以从多个移动设备收集数据以建立运动模型。同样，不同数据源诸如各种环境数据源(传感器、无线网络)和定位数据(例如卫星和/或陆地定位信号)可以用于确定模型特性，诸如速度值/范围和相关的概率。

[0035] 可替代地或另外地，可以基于已知区域特性对不同区域或区域类型建立或选择一个或多个运动模型，所述已知区域特性可选地为指示区域特征诸如道路、路面、公园、步行区域、水域、建筑物、田地、森林等的地图数据或街道平面图。可以建立自动逻辑以从可用的数字区域特性数据得出模型参数。

[0036] 在各种实施方式中，可以动态地建立运动模型，或者至少在以后基于例如变得可用的数据——诸如在实际定位活动期间获得的新环境数据和可选的定位数据——来更新运动模型。

[0037] 优选地，在定位期间，所获得的关于目标移动设备的优选地基本上当前的环境数据和可选地明确的定位数据(例如，GPS数据)被用于根据将环境数据与位置数据一起进行地图绘制的概率地图结构，以确定最可能的当前位置。

[0038] 与所讨论的移动设备有关的环境数据也被拟合到运动模型中，这可以指通过下述加权动作来更新当前位置候选的概率，这样的加权动作考虑先前的位置估计以及优选地相关的概率，并且还考虑特定运动模型在例如速度/转弯速率数据(figure)及模型中的相关概率方面的特性。因此，由至少环境数据(该环境数据指示例如某一速度、转弯速率或由模型描述的其他运动特性)指示的候选位置之间的潜在转换根据模型进行匹配，并且与模型较相符的位置候选以比剩余候选大的概率被加权。

[0039] 在并行利用若干个运动模型的情况下，根据环境数据和可选的定位数据的最可能的运动模型可以被最终选择用于限定目标移动设备的最终位置概率。在每次进行定位动作或位置更新时，可以将最初可应用的(例如尽可能分配给有关区域)若干个模型与最近(当前/最近并且优选地至少之前一点)的环境数据和可选的定位数据进行比较，并且用最佳拟合组合(模型vs.数据)来确定用于更新不同位置的概率的最合适的模型，其中最有可能的位置即总体概率最高的位置被最终选择为最可能的位置估计。

[0040] 在一些实施方式中，在定位期间利用预定路线数据诸如路线模型数据来调整位置估计的概率。路线数据可以与某个区域相关联。路线数据可以描述该区域内不同顺序位置转换的概率，即路线。

[0041] 可替代地或另外地，路线数据通常可以分别确定较大区域内的对存在移动设备的可能性较低的区域和可能性较高的区域，即所谓的冷点或热点。

[0042] 例如，在提供有登山步道的岩石区域，人们在步道上的存在很可能与例如在周围的悬崖或岩石上的存在形成对比。因此，在定位阶段期间沿着步道的位置候选可以被赋予额外的权重(概率增加)，超过剩余的位置。然而，如果用户/设备离开登山步道在悬崖或岩石上移动，并且一旦所测量的用于验证并支持这种类型的移动的数据足够多，则对于所讨论的用户/设备而言，在悬崖或岩石上移动的概率变得更高。然后，当将该特定的数据用于地图绘制(即更新概率地图)时，在悬崖或岩石上的移动总体上变得更高一些，但与在大量设备先前已针对其被定位的登山步道上的移动相比，悬崖或岩石上的移动仍然是不大可能的。

[0043] 路线数据也可以根据在地图绘制和/或定位阶段期间从多个移动设备收集的数据来建立。路线数据还可以基于指示区域特征诸如道路、人行道、公园、步行区域、水域、建筑物、田地、森林等的已知区域特性来建立，所述已知区域特性可选地为(数字)地图数据或(数字)街道平面图。与运动模型一样，可以建立自动逻辑以从数字区域特性数据得出路线数据或路线模型数据。

[0044] 在一些实施方式中，除了基于蜂窝或一般无线网络的数据之外，环境数据还可以包括在移动设备处通过可选的一体式传感器诸如加速度计、陀螺仪、其它惯性传感器、磁力计和/或气压计捕获的传感器数据。从气压计获得的数据可以被用于确定相对高度的变化，和/或甚至与气象数据相结合来确定设备的绝对高度。在一些实施方式中，例如可以使用温度传感器来估计设备是位于室内还是室外。传感器数据诸如磁力计数据或其他传感器数据也可以像这样或以经处理的形式存储在概率地图结构的环境数据中。

[0045] 惯性传感器数据可以提供托管移动设备的各种移动相关的参数的指示，诸如速度、速率、加速度、减速度、转弯、停止等，这些参数对于例如运动模型及其在定位期间的创建或应用(通过将环境数据与模型进行匹配来估计当前位置)来说，是有用的信息。可以在地图绘制或定位期间被收集并且与位置数据相关联的磁力计数据可以指示这样的外部结构和对象，该外部结构和对象导致局部原本相对静态的一般周围磁场的失真。因此，某些位置可以与可选地存储在概率地图结构的环境数据中并且在定位期间被监测的特性磁力计数据值相关联。例如，在定位期间对这种位置指示值的检测可以增加当前位置匹配到先前与相同或相似值相关联的位置的概率。

[0046] 在一些实施方式中，惯性传感器数据可以用于通过优选地从数据中滤除噪声和随机变化，来在移动设备由步行移动的用户携带的情况下确定步行(步态)频率。然后频率滤波器可以通过识别实际频率，来进一步地适于将连续的步伐彼此分开。通过识别步行频率，可以通过利用来自其他源例如全球定位系统的数据(如果可用的话)来确定步伐/步幅长度和/或对其进行进一步校准。然后这可以被用于增强设备的定位。

[0047] 在一些实施方式中，可以通过利用惯性传感器数据识别移动设备的位置(即它是否在用户的口袋中、在用户的耳朵旁边或在用户的手中)，来增强移动设备的定位。可以结合陀螺仪数据使用加速度计数据以关于重力方向识别移动设备的位置。当用户例如在移动时将移动设备握在手中时，关于重力方向的移动方向和移动设备的位置通常是大致恒定的。移动设备的位置可以用来自其他源的位置数据例如GPS、Wi-Fi或小区数据来校准。该位置还可以通过利用移动设备在水平方向上的移动的频率滤波数据来校准。用与运动模型结合的、经确定的步行频率和/或步幅/步伐长度，可以进一步改善移动设备的定位和地图绘制的准确度。也可以利用在运动方向上的加速度，并因此可以将随机侧步对定位的影响最小化。

[0048] 在一些实施方式中，通过例如先前和/或稍后获得的较准确的数据，诸如在良好的导航卫星覆盖条件下接收的定位数据，来调整基于较不准确(根据所利用的预定标准)的数据诸如环境数据的位置估计。通过估计测量误差可以对数据动态地确定准确度。在卫星信号接收中，例如可以使用多个卫星信号来预测准确度/误差。关于环境数据，例如并行获得的多个数据点可以用于预测相关联的准确度/误差。

[0049] 更普遍地，在一些实施方式中，被认为较准确(根据所利用的标准，诸如所估计的误差容限)的数据，诸如定位数据，可以被用于调整数据诸如被认为较不准确的传感器数据，或者调整从其得出的数据(例如利用传感器数据得出的位置数据)。

[0050] 例如，传感器数据与某些依赖于传感器的特性误差容限或最大准确度相关联，并且在典型的惯性传感器的情况下与基本上不可避免的漂移相关联，如果传感器数据被用于定位的话，所述基本上不可避免的漂移会导致累积误差。因此，如果这种传感器数据被用于例如室内定位/路线记录，和/或用于将其他环境数据诸如基于蜂窝网络的环境数据(信号强度等)或者其他传感器数据诸如磁力计数据与某些位置相关联，则实际位置与基于惯性传感器数据计算的位置之间的误差容限从长远来看增加了。如果例如每隔一段时间获得较准确的数据，诸如基于GPS的定位数据，则这种较准确的数据可以被配置为校正较不准确的数据，诸如在此期间接收的环境数据或者与环境数据相关联的位置数据。较准确的数据还可以进一步被用于甚至实时地校准惯性传感器，也可以被用于校准后处理测量的、较不准确的数据。

[0051] 当构建概率地图结构时，参照例如从惯性传感器数据得出的位置数据、基于一个或多个准确的数据诸如明显高质量的卫星定位数据或其他环境数据来修正先前捕获的环境数据或其(位置)指示在地图绘制或记录活动中是特别重要的，其中环境数据诸如基于蜂窝网络的数据或例如磁力计数据应尽可能准确地与正确的位置相关联。

[0052] 在一些实施方式中，应用偏移补偿来平衡由多个移动设备测量的环境数据之间的差异，该差异是由设备的数据接收或处理能力的不同引起的。偏移补偿可以被应用在地图绘制活动中以及定位期间(以使由当前移动设备获得/提供的环境数据和可选的定位数据(l)与预定数据诸如概率地图结构、运动模型和/或路线数据相比较)。可以检测到例如由某些移动设备捕获或建立的环境数据彼此始终不同，在这种情况下，补偿可以例如使基本上恒定的偏移均等。除了信号强度的偏移之外，需要补偿的差异还可以包括增益和方差的差异，这两者可以取决于频率范围。如果在相同位置从多个设备获得可靠的测量结果，则这些差异可以被自动补偿或校准。对校准(偏移、增益、方差)的充分测量也可用于同一小区的其他位置。

[0053] 本发明的实用性来源于根据其各个具体实施方式的各种各样的结果(issue)。基于获取的频率相对低且少量的实时数据，移动设备以及由此其用户或其他携带者诸如车辆或其他物体也可以通过依赖于作为对概率地图结构和可选的路线数据的补充的运动模型来被迅速且准确地定位。此外，例如至少不总是依赖蓝牙、GPS或例如无线局域网(WLAN)的基于蜂窝网络数据的定位与传统解决方案相比非常节能。

[0054] 运动模型通过将环境数据拟合到模型的运动特性中来促进估计移动设备的当前位置以及预测移动设备的未来位置，所述环境数据优选地在多个时间点获得(如本领域技术人员所理解的，表示某个单一时间点的数据仅呈现实际上不可能拟合的真实运动建模或模型，因为具有顺序时间关系的若干个样本才使运动分析有意义)，所述运动特性诸如为方向、速度/速率、加速度/减速度、转弯等。因此，可以通过一个或多个运动模型来调整(概率改变)基于概率地图确定的位置概率，从而提高与模型良好匹配的位置的概率，反之亦然。

[0055] 然而，由于相互不同和/或相似类型的若干个数据输入(例如基本上同时从若干个基站获得的信号强度)可以并行和组合地使用，以提高参照基于蜂窝网络的数据、Wi-Fi数据、传感器数据等的定位准确度，因此所获得的位置估计的准确度可得以提高。较准确的数据可用于调整或“修正”准确度较低的数据。尽管如此，在地图绘制和实际定位期间，也可以采用较低准确度的数据。

[0056] 相应地，由于若干种不同的数据评估方法诸如运动模型、概率地图结构、路线模型等都可以有助于定位，因此偶然的错误数据点不会使位置估计严重失真，位置估计大体上保持非常准确。

[0057] 通过利用在现代移动设备上容易得到的传感器数据，地图绘制和定位准确度二者都可以在不能接收实际定位数据诸如GPS数据的情况下以及在例如基于无线网络诸如Wi-Fi或蜂窝网络的数据不足的情况下被增强或保持。例如，涉及经由概率地图结构将位置数据与环境数据链接的地图绘制活动可以采用明确的定位数据，诸如在户外或其他良好覆盖范围的条件下的卫星定位数据，并且当继续对室内环境数据(例如蜂窝数据磁力计数据)进行地图绘制时，切换到仅仅使用或并行使用例如基于惯性传感器数据的位置估计。

[0058] 作为所建议的解决方案的一个益处，可以根据信号或传感器数据特性来对不同区域进行地图绘制，以用于将来在定位或其他情况诸如无线网络规划和优化中使用。

[0059] 除了移动用户之外，可以向官方机构诸如警察机关和不同应急单位提供关于所需目标的可靠的定位、跟踪和路线数据。

[0060] 在本专利申请中提出的本发明的示例性实施方式不被解释为对所附权利要求的适用性造成限制。动词“包括”在本专利申请中作为开放性限制，其不排除也存在未叙述的特征。除非另有明确说明，否则在从属权利要求中叙述的特征可以相互自由组合。

[0061] 被认为是本发明的特性的新颖特征在权利要求中具体阐述。然而，关于本发明本身的构造和操作方法以及其附加的目的和优点，将在结合附图阅读时从对特定实施方式的描述中得到最好的理解。

[0062] 表述“若干个”在本文中可以指从一(1)开始的任何正整数。

[0063] 表述“多个”可以相应地指从二(2)开始的任何正整数。

[0064] 除非另有明确说明，否则术语“定位(position)”和“对…定位(locate)”在本文中可互换使用。

附图说明

[0065] 本发明的实施方式在附图的图中以示例而非限制的方式示出，在附图中：

[0066] 图1示意性地示出了根据本发明的实施方式的用于定位移动设备的装置；

[0067] 图2示意性地示出了由建筑物形成的市区峡谷对GPS信号的准确度的影响；

[0068] 图3示出了在根据本发明的实施方式的示例情况中组合来自两个不同源的位置概率的一般原理；

[0069] 图4示意性地示出了根据本发明的方法的流程图；

[0070] 图5示意性地示出了根据本发明的概率性时间空间运动模型对移动设备的位置正在根据其来确定的概率的影响；

[0071] 图6示意性地示出了根据本发明的实施方式的借助本地传感器定位室内的移动设备的示例情况；以及

[0072] 图7示意性地示出了根据本发明的实施方式的装置。

具体实施方式

[0073] 图1在100处经由仅示例性的使用场景示出了本发明的实施方式。定位系统可以至少部分地设置在若干个服务器10中，驻留的定位系统可以经由通信网络诸如因特网和/或蜂窝网络来访问。可选地，提供高效且易于扩展的资源的云计算环境12可以用于实现该系统。在一些其他实施方式中，即使没有与可经由互联网和/或其他网络访问的元件10、12、14的互联网连接或其他通信连接存在，待定位的移动设备16在它们可以本地执行优选地根据本发明的定位方法的意义上可以是自包含的(self-contained，自给的、独立的)。

[0074] 在一些另外的实施方式中，移动设备16可以由(网络)装置通过利用移动设备16提供给该网络的信息来定位。在任何情况下，信息的至少一部分都可以是由移动设备16传输的。这意味着，移动设备16并不是被特定地布置为尤其以定位为目的依赖于所使用的无线技术向网络提供信息，而是无论如何都要例如应需求、连续地、每隔一定时间、偶尔地或周期性地将这些数据报告给网络，以例如使数据能够被登记(register，注册、记录)在网络中，由此这样的数据可以满足或者也适合于根据本发明的定位目的。这种方法在与诸如突发事件或“911”呼叫和寻找失踪人员相关的紧急情况下可能有特别的用途。

[0075] 实际上，该系统被配置为定位由拥有/持有移动设备16的用户在感兴趣区域所携带的该移动设备，诸如无线终端设备、现今最典型的智能手机、平板电脑、平板手机、膝上型计算机、资产/车辆跟踪设备、物联网(IoT)设备等。因此，该系统也可以被认为能够定位相关联的用户。基本上整体感兴趣区域就其大小而言可以是全球的、区域的或局部的，并且可以进一步划分为若干个子区域。该区域可以包含具有自然特征和人工特征的不同地形，诸如图中所示的可能影响移动设备16感测的环境数据的建筑物。该区域还可以包含较动态的对象或实质上临时的对象，诸如车辆。

[0076] 移动设备16可以一次连接到若干个无线网络和相关基础设施的组件。通过这样的网络连接，系统也可以从设备接收各种数据，诸如环境数据或定位数据。例如，组件可以包括蜂窝网络的基站和WLAN网络的接入点。移动设备16还能够接收来自外部源诸如卫星的明确的定位数据，所述卫星可以指GNSS(全球导航卫星系统)诸如GPS、GLONASS或北斗(北斗导航卫星系统)，或者一些地理上更有限的可替代物。

[0077] 在技术上通常实施为服务器或相关服务的外部源14可以进一步提供数据以协助定位活动。该源可以提供无线网络操作或配置相关信息(例如，小区塔位置或配置数据)、网络或道路交通信息、事件信息、地理信息、人口统计信息、天气信息诸如气压(例如用于确定高度)或温度(例如设备是在室内还是在室外)等。

[0078] 服务器10或移动设备16可以将接收到的环境数据和其他数据全部存储在例如存储器中。此外，服务器10能够经由接收装置从外部数据库接收外部数据。外部数据库可以直接或者通过因特网102或其他这样的数据通信网络连接到服务器。

[0079] 由移动设备16、外部源14和其他实体提供的数据可以作为原始数据和/或作为参照上述子区域得到的物理区域界定的(physical area defined)组来存储，该物理区域界定的组具体说明了例如信号强度平均值、小区标识符和信号强度的相对和绝对权重、信号范围等。由于例如无线信号可以经由多个路径到达某个位置(多路径传播)，所以从传感器获取的不同类型的数据可以关于例如某个位置以多模式概率分布的形式进行存储。

[0080] 在一些实施方式中，本发明的装置或系统通过如上所述的若干个网络连接的服务器10来实现。

[0081] 服务器10可以建立远程服务，移动设备16向该远程服务提交数据并从那里接收位置估计。可选地，被认为是本发明实施方式的组成部分的至少一些动作已经在移动设备16处由客户端软件执行以被定位，在这种情况下，该装置/系统可以被视为还包含特定移动设备16。用于定位的服务器，即定位服务器，可以运行在移动设备本身以及用于建模/地图绘制的服务器上，然后其能够离线使用，从而避免了由于移动数据传送而引起的可能的花费以及由于移动数据连接而引起的能量损耗。

[0082] 在优选的实施方式中，定位步骤可以基于概率地图结构，该概率地图结构将环境数据诸如小区数据以一定概率与地理位置(例如预定义地理坐标，诸如纬度/经度数据或笛卡尔坐标)相关联。概率地图结构可以包括独立观测的环境数据值和相关的定位数据，并且和/或者基于其得出。这里应提到的是，在概率地图结构中，可以将基本上同时捕获的数据点(例如来自若干个基站的信号、传感器信号等)的组合，而非单个环境数据点(例如，无线网络的感测信号强度)，与例如从GPS信号获得的位置数据相关联。

[0083] 实际上，优选为贝叶斯(其也可以应用于本解决方案的其他概率模型)的概率地图结构可以确定地理区域的概率环境数据，所述地理区域例如为用作用于定位的基本单元的预定基本区域，例如1x1米的区域，然而其不必限制定位的分辨率。某一例如1x1米区域的概率值可能倚重于(beweight to)该1x1米区域上的某一点，并且通过利用技术诸如插值还可以限定在相邻的1x1米区域的这些特定点之间的概率。然后，可以在大于例如1x1米区域的位置中进行分辨率调整，而不会损失定位的准确度。另一种方法是稀疏地使用小区域例如1×1米区域，然后根据基于收集的环境数据的统计，指示何时允许在两个这样的小区域之间使用插值。

[0084] 可替代地或另外地，概率地图结构可以为区域边界、某些位置/点和/或更大的区域确定或托管(host)概率环境数据，然后例如可以通过在边界/点/更大的区域数据上应用合适的插值方法来将在其内或在其之间的期望的更具体的位置可选地以运行时间的方式与概率环境数据值相关联。

[0085] 从整体定位装置或方法的观点来看，概率地图数据可能已经在先于确定位置(定位)阶段执行的地图绘制阶段期间通过收集参考数据来被初始建立，所述参考数据诸如为实际的、明确的定位数据(例如GPS数据)和对应的(在基本相同的时刻参照相同的位置)环境数据诸如来自若干个源的小区数据，所述多个源诸如为移动电话或其他移动设备以及可选地无线网络，诸如Wi-Fi网络和/或蜂窝网络以及将二者相关联的网络。例如，可能已经相应地建立了不同信号强度的概率地图。单个概率地图可以包含关于一个或若干个环境数据元素的数据，以及包含针对预定区域的相关的基于位置的概率。可以在概率地图结构中利用一个或若干个概率地图。

[0086] 地图绘制数据仍然可以在定位阶段期间通过从移动设备收集数据(环境数据和优选地明确的定位数据)来被更新和修改。显然，在一些实施方式中，在若干个其他移动设备已被用于执行地图绘制阶段并由此建立了初始概率地图结构的情况下，该移动设备诸如智能手机可以被配置为直接从定位阶段开始利用本发明，而不参与地图绘制(当然其也可以参与地图绘制)。移动设备可以设置有客户端软件，该客户端软件已经包含或者至少被配置为在功能上(无线地)连接到包括用于概率地图结构的必要数据的数据库或其他数据资源库。

[0087] 因此，响应于根据在目标区域内发生的移动设备的分布和路线的地图绘制，一些区域可能比其余区域关联更多数量的环境及定位数据点。这种常见现象(例如，具有较少数据的僻静/难以到达的位置vs.具有较多数据的活跃/中心位置)可以用于确定目标区域的概率或相关的准确度/误差估计(即更多源/地图绘制数据通常转换成概率地图中的更可靠的信号估计，反之亦然)。然而，即使在活跃/中心位置，一些设备的移动可能至少略微不同于先前收集的大量数据。在这些情况下，一旦针对异常运动的证据积累充足，那么关于所讨论的设备的异常位置的概率就会增加，但自然地，对概率地图的特定位置的概率的影响很小。

[0088] 在一些实施方式中，概率地图结构可以覆盖不同大小的多个地理区域，各个区域与特性环境数据值或从其得出的数据、以及相关的概率相关联。这些区域可以相邻和/或重叠/嵌套。通过使用嵌套结构，即使在定位期间也可动态地选择图结构的观测分辨率。例如，可以首先确定其概率环境数据与由目标移动设备获得的当前环境数据最佳匹配的较大候选区域，随后通过将这些较大区域的子区域及相关联的概率环境数据与当前环境数据进行比较，以从中选择最佳匹配子区域，从而逐渐提高定位分辨率。从这个意义上说，可以维护和利用具有不同空间/地理分辨率的多个竖向层级的多层级概率地图结构。

[0089] 此外，地图绘制可以在定位阶段期间通过基于下述数据更新概率地图结构而得以继续，这样的数据为环境数据和可选地在定位阶段期间从若干个移动设备及可选地其他源诸如无线网络获得的定位数据。

[0090] 在定位期间，可以考虑地图绘制数据(即用于确定概率地图结构的数据)中的数据点到确定其概率的位置的距离，使得较大的距离在概率调整中转换为降低的权重，反之亦然。

[0091] 除了将环境数据与位置数据链接的概率地图结构之外，在定位中还利用了多个时间空间(temporospatial，与时间和空间相关的)运动模型。该运动模型优选地是捕获并展现运动类型的运动特性的概率模型。如上所述，它们可以通过若干个参数值诸如速度、转弯速率、加速度等以及相关的概率来表征运动。

[0092] 运动模型可以与某种运动类型和例如地理区域或区域类型相关联，并反映其特征。例如，市区区域相关的运动模型可以具有与例如公路区域相关的模型不同的对高速行进的概率(显然较高速的传播在公路区域中的可能性高于在市区区域或例如特定的步行区域诸如商场或其他室内区域中的可能性)。因此，在不同模型中，转弯速率或速度值或值范围概率也可能不同(较高速率的转弯存在于市区区域中的可能性更高，反之亦然)。环境数据因此被拟合到运动模型和概率地图结构中，以获得目标设备的当前位置的位置概率。

[0093] 如上所述，运动模型可以与环境数据以及可选地在定位阶段期间关于至少待定位的目标设备获得的定位数据一起使用。这种数据可以包括当前(最近)的数据点和历史数据。该历史数据指的是多个时间顺序的数据点，诸如在最近一次定位之前的定位期间获得的环境数据点。可能已基于下述数据初始地确定了多个不同的运动模型，这样的数据例如为在地图绘制阶段期间收集的数据、从外部源(例如前述图数据或街道规划数据)并且可选地在定位阶段期间接收的数据，所述数据优选地从比仅当前待定位的目标设备大的群体中收集得到。

[0094] 此外，可以在地图绘制和/或定位阶段期间基于从多个移动设备收集的数据建立路线数据或路线模型数据。

[0095] 路线数据确定不同路线的概率(指示环境数据的顺序)和/或某个区域内的通常可能或不可能的位置。

[0096] 路线数据可以用于当前被定位的移动设备的位置概率的加权，增补运动模型。

[0097] 可以例如在网络测量报告(NMR)中提供对定位移动设备有用的环境数据。例如，该数据可以标识服务小区和/或关于移动设备16的多个邻近小区。数据可以包括选自由以下组成的组中的至少一个元素：MCC(移动国家码)、MNC(移动网络码)、LAC(位置区域码)、TAC(跟踪区域码，可用于4G LTE，识别特定网络内的跟踪区域从而提醒2G/3G中的LAC)、PCI(物理小区ID，可用于4G/LTE)、ARFCN(绝对无线电频率信道号)、BSIC(基站标识码)、CPICH(公共导频信道)、MAC(介质访问控制，MAC地址)和RSSI(接收信号强度指示)。小区数据也可以与运营商(MCC&MNC)标识符和例如主扰码(WCDMA，宽带码分多址)/ARFCN+BSIC(GSM)或其他稳定标识符一起存储。还可以使用基于CDMA的网络的基站标识码(BSIC)、系统标识号(SID)、网络标识号(NID)。对于Wi-Fi网络，可以使用BSSID(基本服务集标识)和SSID(服务集标识)。特别地，它们的值可以一起形成对于特定地点在甚至全球范围内都几乎独特的组合。可以使用用于LTE网络的PCI(物理小区标识符)，和/或分别用于3G/WCDMA和3G/TD(时分)-SCDMA(同步CDMA)PSC(主同步码)以及本地小区ID的对应参数。尽管不是绝对必要的，但接收信号强度(Rxlev)、时间提前量(TA)和无线电频率(RF)也是对获得良好定位准确度有利的参数。

[0098] 传感器数据诸如加速度计、陀螺仪、指南针、气压、湿度、温度或磁力计和/或相关情境信息(步行、驾驶、楼层信息等)可以用于帮助定位设备。从气压计获得的数据可以用于确定设备的相对高度的变化和/或甚至与气象数据相结合来确定设备的绝对高度。温度传感器可以用于估计设备是在室内还是室外。在建筑物、电磁设备以及不同结构或对象引起由磁力计测得的磁场变化的情况下，磁力计数据可能在室内是尤其有用的。这些设备或对象引入特定于磁场的位置变化，并且可以用于更准确地定位移动设备。情境信息可以基于传感器数据获得。可选地，例如相机图像或声音数据(麦克风信号等)可以通过移动设备来获得，并且通过傅里叶变换或其他适用的频谱分析对其进行本地或远程地分析，以检测不同声源的频率，或通过模式识别技术对其进行分析，以确定用于除了潜在的其他用途之外的定位目的的位置情境或活动情境数据。然后识别产生噪音的不同源，诸如机动车辆、飞机和/或人类讲话。

[0099] 可以基于通过使用加速度计数据连同陀螺仪数据确定重力方向来估计移动设备的位置。然后，可以在考虑到竖向加速度的情况下根据水平加速度来确定运动的方向。

[0100] 惯性传感器数据可以用于识别移动设备移动的方式，以便帮助定位和/或帮助提高地图绘制的准确度。当携带设备的用户步行时，典型的步行(步态)频率大约为1-3Hz。实际的惯性传感器数据可能具有测量的噪声、振动和随机变化，其可以通过使用例如巴特沃斯滤波器来滤出，从而使得能够更清晰地识别步行频率。另外地或可替代地，可以使用傅立叶变换来确定用户的步行/跑步发生的频率。此外，所确定的行走频率可以用于调整频率滤波器的操作，这增强了对携带移动设备的用户的步伐以及可能的步伐/步幅长度的识别。然而，步幅长度可能会变化。对惯性传感器数据的校准可以利用来自其他源诸如GPS、Wi-Fi或小区数据的数据进行。

[0101] 通过确定移动设备的位置、在用户已被识别为步行移动的情况下的步行频率以及步伐/步幅的长度，可以进一步使定位更加准确。可以利用在一些情况下可能准确的通用运动模型，但也可以确定特定于用户的参数。因此，具有相同种类设备的用户可以基于独特的惯性传感器数据诸如加速度计和陀螺仪数据中的某些模式来彼此区分。

[0102] 模式识别技术可以用于分析不同用户的惯性数据，并且例如可以将加速度数据分成重力方向分量和移动方向分量。然后可以分析移动方向上的分量的大小以识别移动模式。另外地或可替代地，可以分析加速度计和陀螺仪数据的大小和标准偏差，并且基于所识别的频率连同所识别的移动模式，来确定移动的实际方向或者将移动分解成沿竖向方向和水平方向。

[0103] 然而，优选地，环境数据包括若干前述元素。根据本系统，由于报告数据无论如何都可以从移动设备16传输到网络，因此可以实现基本上透明的运营商端定位。

[0104] 无线电频率数据(例如，来自ARFCN/UARFCN(通用移动电信系统(UMTS)陆地无线电接入ARFCN)/EARFCN(增强型ARFCN))可以用于改善定位任务。标识符诸如LAC和CID被存储在可用的位置，并且尤其有助于获取第一次修正，但不是必需的。移动设备可以被配置为监测例如各种控制信道，以便获得用于本发明的定位任务的小区数据，或者获得适用于确定它的数据。

[0105] 此外，关于3G，例如UMTS(通用移动电信系统)/WCDMA，RSCP(接收信号码功率)或使用它得出的数据可以应用于定位目的。RSCP指示由接收器在特定物理通信信道上测量的功率。RSCP用作移动设备的在当前位置处的信号强度的指示，这可以用于估计位置本身。还尤其是关于4G/LTE，可以例如监测RSRP(参考信号接收功率)或使用其得出的数据以用于定位目的。

[0106] RSRP指示了用于携带了特定于小区的参考信号(RS)的资源元素(RE，有关于时间和频率的物理层上的数据传送中的最小基本元素)的在整个信道带宽上的下行链路参考信号的线性平均功率。因此RSRP反映了移动设备的当前位置处的小区的强度。许多上述数据元素例如RSCP和RSRP已经可用于移动设备，并且在任何情况下都由移动设备中的组件来确定，例如由基带处理器或“基带芯片”来确定，因此这些数据元素的进一步利用并不真正需要大量额外的处理。

[0107] 在定位移动设备16期间，有利地、协作地应用多种无线通信技术或来自该技术的数据。可以基本上同时地、交替地等应用若干种不同的技术。通常适用的无线技术的几个示例包括例如2G、GSM、3G、4G、LTE、WCDMA、TD-SCDMA、CDMA、EVDO(演进数据优化)、TD-LTE、FDD(频分双工)-LTE、基于Wi-Fi的技术和蓝牙。

[0108] 对于Wi-Fi，MAC或BSSID是一段优选信息。这可以与可用的蜂窝数据相关联，以区分例如全局重叠的MAC’s。例如，SSID名称也可以帮助解决这个问题。无线电频率不是必要的，但可以用作附加参数。Wi-Fi接入点或热点也可以基于接入点的名称或名称的一部分而被列入黑名单。还可以基于待列入黑名单的热点的信号分布和地理外观来对其进行识别。

[0109] 在分析中还可以确认日历数据，诸如具有日、周、月或年的具体时间。例如，无线环境或交通状况(速度限制等)可能相应地改变，这可以被统计地建模并且在定位移动设备时将其考虑在内。

[0110] 环境数据还可以包括诸如区域中的人口密度、区域中的陆地地形、城市大小以及其他这种信息的数据，以便将该数据集成到感兴趣区域的概率地图结构的计算中。

[0111] 关于与本发明相关的定位移动设备的适用维度，优选地考虑至少两个维度。

[0112] 坐标诸如地理坐标(例如纬度、经度)或笛卡尔坐标可用于指示其中的位置。可选地，三维定位可以用高程类型的竖向数据来实现。可以关于多个竖向层或层级来收集地图绘制数据，或者用于指示竖向数据的单位可以是任何优选的一个，例如厘米或米。

[0113] 统计权重可以与不同的环境数据和不同的特定于技术的概率地图结构相关联。较小的权重被应用到那些看起来不准确的位置估计和对应的小区上。这些权重可以由权重因子(例如百分比)表示，并且在计算最终位置确定时使用这些权重因子。通过这种方式，可以将重点放在位置估计上，并因此放在它们代表的基站/小区上，这提供了最高准确度。这还允许可以消除由因较差的信号质量转化为部分小区的相当大的边际误差而引起的可能误差所造成的效应。例如，来自外部数据库的外部数据——诸如地图、建筑平面图或街道平面图数据——也可以通过对位置概率进行相应地加权而用于位置定位。

[0114] 所获得的数据可作为组合的实体应用于定位任务中，即在适用时与其他类似实体组合。可以确定不同组合的概率。例如，对于蜂窝网络，由于单个小区的有限覆盖以及区域内的小区塔的相对静态配置和分配，因此一次仅有某些有限的小区组合对于移动设备是可见的。因此，组合处理可以增加定位结果的可靠性。

[0115] 图2在200处示出了根据本发明的实施方式的一种定位场景，其中，由于信号路径涉及具有建筑物阻挡、散射或反射信号的区域(仅示出一座建筑物)，在这种情况下，GPS接收的准确度21突然降低。可以看出，用于定位的信号的准确度21起初是较高的(狭窄间隔的虚线)，然后在建筑物前面增大(虚线之间的距离增大)。根据本发明的实施方式的估计路线和实际路线仍然匹配得相当好，这是由于所利用的概率地图结构结合了大量数据，在该特定情况下，结合的数据由具有某一速度的直线运动表征，其可以被所利用的运动模型涵盖(cover)，以补偿最终位置估计中的恶劣环境或明确的定位数据(例如GPS数据)的效应。另外地或可替代地，在GPS准确度低的情况下，可以通过利用例如来自惯性传感器和运动模型的数据来增强定位。进一步地，可以关于重力方向以及还关于运动方向来识别移动设备的位置。只要移动设备的位置不变例如在手中，并且通过识别移动设备的用户正在步行或以其他方式通过脚移动，可以识别步行频率并且确定在特定方向上移动的概率。

[0116] 作为示例，图3在300处示出了来自两个不同源(即不同的数据输入)的测量结果是如何影响对移动设备的定位的。在这种特定情况下，定位系统获得分别用附图标记31和32标记的环境数据1和环境数据2。当从左到右时，数据的准确度发生变化。实际路线34用点标记，并且根据本发明的实施方式的估计路线33用短虚线标记。长虚线示出了第一环境数据1(31)的准确度，并且实线示出了第二环境数据2(32)的准确度。可以看出，作为上述两种环境数据的组合，估计路线与实际路线非常匹配。然而，可以看出，即使环境数据中的另一个丢失，由于下述决策中的不同数据点的聚合，估计路线仍会是十分准确的，所述决策是基于根据当前及先前的环境和可选地所获得的定位数据点(即历史数据)以及运动模型和可选地路线(模型)数据来确定最可能的位置估计。

[0117] 通过本发明的实施方式研究的路线可以被过滤，以使其中潜在的急剧转换变平滑。例如，可以应用卡尔曼滤波以估计移动及其特征的可能性(转弯、直行等)。移动估计结果可以用于对位置概率进行加权。当这种估计过程与有关所讨论的区域的其他已知信息一起使用时，可以对位置概率进行进一步加权，所述其他已知信息例如为对象诸如建筑物、道路或各种障碍物的位置。

[0118] 基于前述内容清楚的是，除了由移动设备提供的最新的环境数据之外，本发明的实施方式还优选地利用先前数据，以便确定当前位置。因此，数据组合和聚合在空间/地理意义和时间意义二者上进行。当前位置候选和先前位置候选可以用于结合在当前位置候选处以最大概率领先(lead)的概率时间空间运动模型来计算路径概率。

[0119] 如果获得附加的环境数据，诸如指示运动的传感器数据(例如加速度、速度)，则可以进一步利用这种附加数据来完善(cultivate)概率。移动设备的运动必定遵循物理定律(可以对速度、加速度、转弯速率的变化、前进方向等限定某些合理的限制)并且由周围环境和相关障碍物/特征所限制，因此也应该利用至少相对可靠的移动指示(这可以通过根据预定标准将适用的运动模型与环境数据以充分的拟合进行匹配来检测)来对概率进行相应地加权。当然，即使没有任何明确的移动传感器数据或类似的输入，通用准则也可以限制各个考虑的感兴趣区域中的例如最大速度。例如，如果区域类型是市区或市区中心，则例如大约200公里/小时+大小的速度或相关的转换几乎不可能(实际上不可能)真的发生。就速度、加速度、转弯速率等而言，这样的不太可能的参数值可以以比例如较低的速度以及较和缓的加速度/减速度低的概率包括在所建立的运动模型中。用于不同类型的运动(例如步行、跑步、汽车/机动车辆模型)和/或区域(市区、农村、公路等)的多种可选地相互抵触(compete，竞争)的运动模型可以确实用于各个定位任务。

[0120] 图4在400处描绘了公开根据本发明的方法的实施方式的流程图。在41处指示了启动阶段，可以执行各种预备动作。例如，可以增加和配置各种硬件元件和相关的软件，诸如移动客户端、定位服务器等。

[0121] 项目42大体涉及至少确定关于感兴趣区域的初始概率地图结构或其一个或多个组成部分。如前所述，这些图将环境数据与位置数据相关联。例如，对元件诸如基站的覆盖区域估计可以被确定，以概率的方式将相关的环境数据参数值诸如信号强度值与关联的位置链接。

[0122] 在43处，执行进行到对不同类型的运动诸如步行、跑步、骑自行车、驾驶汽车等并且可选地对不同区域/区域类型确定概率时间空间运动模型。

[0123] 项目44A是指向设备诸如移动设备和/或网络服务器提供已建立的(至少初始的)概率地图和运动模型，所述设备诸如移动设备和/或网络服务器使用它们来定位移动设备以及隐含地定位相关的托管实体，诸如人员或例如车辆。该提供可以通过适用的通信接口来实现，该接口可以是有线或无线的。例如，在自包含移动定位实施方式中，可以通过无线下载或例如基于存储卡的传输为移动设备提供包括图和模型功能的必要的定位软件。在定位过程至少部分地在服务器上进行的情况下，即网络服务器至少部分地基于由移动设备报告的环境数据来确定移动设备的位置的情况下，服务器可以本地托管或远程访问图和模型。

[0124] 项目44是指获得相关的实时或接近实时(大体上尽可能实时的)的环境数据，优选地至少蜂窝数据。还获得可用的其他数据，诸如用于定位移动设备的WLAN相关的数据或本地传感器数据。

[0125] 在项目45处，与不同位置和移动相关联的概率地图结构的概率、所述运动模型和环境数据基于预定的规则进行组合以便获得用于当前定位任务的总体概率地图。

[0126] 概率性时间空间运动模型基本上影响不同位置的概率。通过用先前捕获或生成的环境数据来评估基于最新环境数据的当前位置估计，可以根据所感知的环境数据序列、基于观察到的被定位设备的运动对用于不同类型的运动(步行、慢跑、跑步、骑自行车、驾驶汽车等)和/或用于不同区域或区域类型的概率性时间空间运动模型分配概率。然后，可以基于环境数据与模型特性之间的拟合来确定最可能的运动模型，并且将该最可能的运动模型用于加权位置估计以找出可能性最大者。

[0127] 在不同的实施方式中，可以通过将附加模型(例如运动模型和可选的路线数据/模型)的效应(位置概率的调整)或贡献/输出融合到概率地图中来由此执行组合。

[0128] 从数学角度来看，各个概率模型例如概率地图、运动模型和可选地路线模型都可被用于生成、维护或存储概率描述函数，诸如指示位置概率和相关特征的质量函数、累积分布函数或密度函数。这种由若干个模型提供的概率函数可以在定位期间被组合以产生最终的定位概率。

[0129] 在46处，基于预定的规则/标准来确定移动设备的最可能的位置。这些规则/标准可以包括诸如插值法或外推法的方法。通常，具有最高概率的位置被选择为最可能的位置估计。

[0130] 最后，在47处，该方法结束。这种方法项目可以包括将信息存储在设备的存储器中，或者将位置信息以适当的形式提供给用户设备，或者可以包括将位置信息发送到外部设备/系统。

[0131] 还可以存在可选的特征，这获得涉及图上的不同路线的路线(模型)数据410。如在此之前所讨论的那样，不同路线和一般性位置可能具有与其相关的不同的基本概率。例如，在森林中沿着现有的小径行走的可能性比在周围的沼泽中行走的可能性高。基于地图绘制/建模阶段数据、由先前定位的移动设备提供的数据或者从外部源诸如该区域的数字地图获得的数据来确定这些概率。

[0132] 该方法可以进一步粗略地分为地图绘制/建模401阶段和定位402阶段，这两个阶段在不同实施方式中可以基本上分离或以各种程度混合。可以配置使得地图绘制阶段更多地确定静态或初始的概率地图结构和涉及概率性时间空间运动模型的概率，然后通过获得环境数据并采用已经可用的地图绘制数据诸如时间空间运动模型和概率地图结构来完成实际定位。或者可替代地，概率地图和运动模型可以随着移动设备捕获或确定环境数据而更新，进而产生动态的概率地图和由运动模型确定的概率值。

[0133] 最终，技术人员可以基于本公开内容和常识来应用所提供的教导，以便在各个特定使用情况下以必要的修改、删除和添加(如果有的话)来实施由所附权利要求限定的本发明的范围。

[0134] 在图5中，某些位置的概率以百分比类型的分数表示。为了示意性地说明概率性时间空间运动模型的效果，将概率显示在图5的顶部图501中，而不利用所述运动模型。

[0135] 实质上已关于所获得的环境数据和与当前正在被定位的移动设备有关的先前位置点51使用从概率地图结构获得的与位置(例如，地理位置坐标)关联的概率。在图中作为透明圆圈被示出的、具有相关联的概率分数的、通常呈矩阵类型形式的这些特定位置例如代表这样的位置点，所述位置点由在例如地图绘制期间获得的定位数据明确地指示，或者所述位置点是使用例如插值技术或外推技术或其他处理技术基于定位数据得出的。位置53指的是待定位的移动设备的实际当前位置，而位置52指示基于概率地图结构的应用所获得的定位结果，该概率地图结构对捕获的并可选地由移动设备处理成位置估计的当前环境数据诸如小区数据地图绘制。

[0136] 当将上部图501中的百分比与底部图502中的百分比比较时，可以清楚地看出图5中的概率性时间空间运动模型的效应，其中在底部图中示出的是还利用了运动模型建立的更新的百分比分数。先前位置和当前位置之间的转换的概率由箭头及相关的不同厚度510、511、512示出。在该特定情况下，移动的最可能的方向是以某一速度(即速度510)从左到右。

[0137] 在各种实施方式中，由此通过将所获得的与当前被定位的移动设备有关的环境数据与在地图绘制阶段中获得的与位置关联的环境数据进行比较来建立诸如图5中所示的完善的概率地图结构。这可以包括例如蜂窝网络相关的信号强度值、不同的前述码和/或ID。至少偶尔也可能有可用于定位移动设备的通常相当准确的GPS信号。也如前所述，可以采用本地传感器数据。此外，如图5的底部图所示，优选地利用概率性时间空间运动模型以及潜在的路线模型或其他可用的路线数据。作为前述的概率的组合，然后获得具有与位置关联的百分比的聚合概率地图结构。

[0138] 可以用依赖于定位数据的准确度或其他特性参数的另外的权重因子对特定于不同技术的概率地图直接进行组合，或者在不用该另外的权重因子的情况下对其直接进行组合。对于具有与位置关联的概率的特定于技术的概率地图，显然可以是这种情况。或者，可替代地，可以选择特定的定位数据作为主定位数据，然后考虑到例如限定转换概率的模型，通过使用其他位置数据来调整主定位数据的位置估计的概率。例如，在这些情况下，转换概率可以是任意的，而不是位置估计数据首先将位置限定或限制到某一区域或图的一部分。所选择的主数据通常可以是最准确的定位数据，或者可以选择优选的定位数据源作为主定位数据。

[0139] 图6示出了当在特定情况下在至少一定时间段将移动设备定位在室内时本发明的实施方式的操作。技术人员基于上述内容应认识到，这种类型的定位也可以在地图绘制阶段期间发生，即当概率地图结构被提供有与位置关联的环境数据时发生。

[0140] 可以看出，移动设备首先在室外移动，在这种情况下，在室外具有高准确度的GPS信号可用。估计路线相当准确地跟随实际路线。当移动设备在室内移动时，GPS信号丢失，而定位在这种情况下则基于对蜂窝网络和例如本地惯性传感器诸如加速度计数据的利用。定位受到加速度计数据的极大影响。可以看出，定位可能变得特别失真，并且路线或路径开始偏离实际路线。运动的特性——诸如例如转过转角——可以通过利用陀螺仪数据或通过使用用于加速度计数据的模式识别技术来确定。来自其他传感器诸如例如来自加速度计的数据可以用于校准陀螺仪测量。还已知，可以使用准确确定的位置(例如通过GPS或环境数据)来校准惯性传感器。

[0141] 如果在建筑物中之前没有任何其他移动设备已被定位，则移动设备的估计路线容易就像顶部图601中那样。然而，如果在所讨论的建筑物中已经有若干个移动设备被定位——这意味着地图绘制数据诸如概率地图结构数据更最新并且更综合，则底部图602中示出的更准确的、经调整的线路可以通过利用概率地图结构和例如运动模型来获得。在上述两种情况下，一旦移动设备离开建筑物并且GPS定位(或一些其他更准确的位置数据)再次可用，位置估计就会被快速恢复，或者在后一种情况下继续更接近被定位的移动设备的实际位置。

[0142] 对于移动设备在室内开启，并且然后在一时间段之后也是在室内关闭而在该时间段期间没有离开到室外的情况，可能没有精确的参考点来针对其校准惯性传感器。然而，此后可以在另一个移动设备例如从室外来到建筑物内时确定该参考点。然后，在移动设备在室内打开和关闭的情况下测量的数据可以用于定位室内的其他设备。此外，移动设备最初定位的路线可以随后被调整。此外，代替定位单个移动设备，可以使用模式识别技术诸如动态时间规整或贝叶斯方法来确定多个移动设备的重叠路径的概率。

[0143] 确定根据本发明的最可能的位置是基于利用来自至少一个源的环境数据，例如蜂窝网络相关的信息。然而，所提出的方法可以优选地以组合的方式利用来自若干个源的数据。确定不同位置估计的组合概率可以基于各种方法，诸如蚁群优化、随机扩散搜索、粒子群优化、遗传算法、最小二乘法、Cramér-von-Mises、模糊逻辑、神经网络或用于解决与估计目标实体或元件诸如电子移动设备(通常也称为手持式或可穿戴设备)的位置有关的问题的任何其他已知方法。

[0144] 在各种实施方式中，在当前位置处、在先前位置处等获得的数据可用于调整概率地图结构、概率性时间空间运动模型的概率和例如路线数据。这样，可以使概率地图结构和可选的其他模型适应由于例如基站信号功率的变化、永久或临时放置的物理对象所引起的信号和实际环境的变化，由此使得能够具有用于定位的最新地图绘制数据。调整可以在本地在各个移动设备处发生和/或集中地在网络侧元件诸如服务器上发生，可以将由此得到的经调整的地图绘制数据诸如用于不同区域的基本或初始概率地图结构可选地分配给客户端移动设备，以代替本地应用或作为对本地应用的补充。

[0145] 与各个定位技术或数据输入类型相关的数据(由例如GPS、蜂窝、蓝牙、Wi-Fi或其他基于无线网络的数据、传感器数据等提供的明确的定位数据)仍可以被部分独立地使用并与建立的特定于技术的概率地图结构相关，但至少关于最可能的位置估计的最终决策应该优选地结合由各个可用的依赖于技术的分析所产生的信息。

[0146] 因此，即使利用特定于技术的数据和概率地图，也要注意通过预定的融合逻辑来确保其最终的相互兼容性。另外，逻辑可以被配置为基于例如它们估计的可靠性或误差容限来加权不同数据源和/或模型的相互重要性。例如，数据源可以与某个信任水平相关联，然后将该信任级别作为强调因子应用在地图绘制或定位期间的采用或利用信息中。

[0147] 在涉及使能后续定位活动的初步地图绘制阶段的各种实施方式中，通常获得包括定位数据(例如GPS)和关联的环境数据(可选地为蜂窝数据)的测量数据。然后可以(预)计算不同的统计(其中的一部分是特定于技术的)，以用于随后与定位任务相关地使用。例如，对于一位置，可以确定不同小区信号强度或其他环境数据元素或参数(值)的发生概率。

[0148] 此外，可以在地图绘制阶段期间针对不同技术构建具有不同参数和/或确定逻辑的不同模型，但至少在定位期间，特定于技术的考虑最终被组合以获得对移动设备的位置的常规估计。

[0149] 然而，没有绘图是真正地完全无效的，除非有明显的错误或者如果该区域有大量的绘图并且该绘图与其他绘图显然不匹配的话。另一方面，当较新的(more recent)测量开始使得先前的数据看起来过时并且无效时，无效数据最终将被丢弃。

[0150] 永久出现的变化可以在被地图绘制或定位系统通过并行使用可以被认为是相互抵触的、关于相同区域和/或相关特征(例如小区信号强度、时间提前量等)的两个或多个概率地图结构完全接受之前被验证。检测到所跟踪的特征的主要变化的时刻可以被用作新的图结构的创建时刻。当根据所使用的标准该变化看起来是永久性的时候，先前的图结构可以被丢弃或归类为不活跃，并且还在定位中切换到新的图结构。

[0151] 在各种实施方式中，在创建或调整概率地图结构时，基于所获得的测量数据——包括例如GPS和在时间上基本上对应的环境数据——来建立用于构成或填充概率地图结构的统计。整个感兴趣区域内的不同(子)区域可以通过在地理上接近的数据点之间寻找统一(unitary)的特征来形成。统一的特征可以是指相似的信号值诸如小区信号功率或者通常类似的规则、定则或逻辑，例如信号衰减或一般无线环境，该区域中的位置似乎在所监测的特征方面都是遵循的。

[0152] 与GPS数据(例如GPS误差估计)相关联并且可能用GPS数据指示的误差可以进一步用于在应用于建模中时对对应的环境数据进行加权或区分其优先次序。另外，数据源可靠性信息可以应用于处理或加权测量数据。作为一个具体的示例，具有专业工具的专业人员(例如制图员)可以提供至少一些测量数据，由此这种数据可以被认为是更可靠的，并且被赋予比例如来自具有普通消费性电子类型测量仪器的非专业人员(volunteer，自愿参与者)的数据多的权重。尽管如此，众包是用最少的工作量获取大量数据的有效选项。采集的数据可以仅用于更新概率地图结构或者也可以用于更新概率性时间空间运动模型，或者反之亦然。

[0153] 当获得的数据包含用户输入的(手动)信息诸如位置的指示(可以是自由形式的文本“我在西7大道和银行街的十字路口”，或者例如基于例如经由Google MapsTM或其他交互式地图特征的位置的选择的坐标或其他更具体的位置输入)时，与纯粹由机器确定的位置相比，可以对这种位置公告分配更少的权重/更多的误差空间。在专业的和业余爱好/非专业的地图绘制人之间，类似的权重可以应用于手动输入的数据。

[0154] 如前所述，同样在地图绘制期间，由其他移动设备提供的GPS或其他数据可以被用于更新概率地图结构和相关的概率以及概率性时间空间运动模型的概率。

[0155] 在各种实施方式中，对所讨论的区域进行地图绘制可以是在新的测量数据诸如环境数据可用时执行的重复的、迭代的后台处理，地图绘制也可以在所谓的确定位置或定位阶段期间发生。正如人们所理解的那样，在定位阶段期间也可以获得明确的定位数据，诸如GPS数据，这增强了发生在移动设备本身或在移动设备被配置为向其发送必要数据的一个或多个网络元件中的定位准确度和潜在的持续地图绘制两者。

[0156] 相应地，因为区域中的无线环境有时可能由于网络配置、交通状况、电网规划等的各种变化而随时间发生相当大的演变，所以这些主要变化可以由最新的数据反映，并且通过本发明根据预定的逻辑至少渐进地跟踪和检测。偶尔地，所注意到的主要变化是由于地图绘制中的误差而引起的，或者指示仅暂时的变化或日常波动。甚至气候条件有时也会严重影响测量结果。

[0157] 然而，地图绘制中的误差(例如由GPS引起)或定位中的误差(例如网络覆盖中的局部中断)典型地以随机或半随机方式出现。通常这些情况可以基于例如指示较差质量的GPS准确度估计数据或上面列出的其他因素来预测，并且在定位中被赋予较低的优先级，但是当这种误差未被注意时，其影响通常可以通过其与周围绘图的几乎不可能的关联(根据与其周围的其他绘图相比较低的权重来确定)而被最小化。

[0158] 当调整概率地图结构和/或概率性时间空间运动模型的概率时，当前时间戳优选地包括在所采集的数据库的变化或新条目中，或与所采集的数据库的变化或新条目相关联，以使得能够估计其时间有效性或历史有效性或及时性。

[0159] 在根据本发明的实施方式的计算机程序中布置有程序代码装置，其适于当该程序在处理器上运行时执行上述任何方法项目。该程序可以转载到可以是非暂时性的载体媒介上，诸如存储卡、记忆棒或光盘。该程序可以嵌入到移动设备10和/或服务器14的处理器中，或者可选地作为无线或有线信号分布在多个设备诸如一个或多个服务器和移动设备中。例如，通常适用的无线技术的几个示例包括2G、GSM、3G、4G、LTE、WCDMA、蓝牙和基于Wi-Fi的技术。这些技术可以应用于移动设备与网络实体诸如服务器之间的信息传递以及环境数据的获取。

[0160] 图7示出了根据本发明的实施方式的用于定位与至少一个无线网络诸如蜂窝网络702相连接的移动设备701的装置的框图700。因此，移动设备701的位置在其移动或处于静止状态时被监测。移动设备701包括第一通信实体或单元，该第一通信实体和单元用于接收和发射无线信号，优选地至少蜂窝通信网络信号，例如GSM、GPRS(通用分组无线业务)、3G/CDMA(码分多址)、4G和/或5G信号。第一通信实体包括至少一个具有相关联的天线的蜂窝接收器。第一通信实体可以包括用于不同蜂窝通信网络的一个或多个接收装置，并且该一个或多个接收装置能够接收来自由不同运营商运营的蜂窝网络的信号。第一通信实体还可以包括蜂窝发射器，该蜂窝发射器可操作以通过蜂窝通信网络来与远程站诸如服务器通信。
蜂窝发射器可操作以将数据从移动设备传输到远程站。蜂窝接收器和蜂窝发射器可以集成在单个组件中。

[0161] 移动设备701还可以包括第二通信实体，以用于接收例如基于卫星的(明确的或实际的)定位信号，例如全球定位系统(GPS)信号。第二通信单元可以包括至少一个GPS接收器和关联的天线。如上所述，明确的(起初用来定位的)定位信号可以应用于地图绘制和定位活动二者。

[0162] 移动设备701可以包括第三通信实体，该第三通信实体可操作以根据基于Wi-Fi的技术诸如WLAN来发送和接收数据。

[0163] 移动设备701还可以包括测量移动设备701的内部或外部参数的多个本地传感器，诸如加速度计、陀螺仪、指南针、磁力计、气压传感器、湿度和/或温度传感器。本地传感器所测量的环境数据诸如惯性数据可以用于移动设备701的定位。本地传感器数据还可以通过利用例如通信实体来发送到外部服务器以用于地图绘制或定位。

[0164] 移动设备701可以被配置为接收从基于卫星的定位系统的卫星接收的定位数据，并且接收从属于至少一个蜂窝通信网络的多个基站接收的蜂窝通信网络的环境数据。根据另一实施方式，该移动设备包括被配置为从驻留在例如通信网络(例如服务器)中的外部元件接收并收集对应于定位数据例如GPS坐标的信息的接收装置，以代替用于接收基于卫星的定位数据的第二通信单元或作为对该第二通信单元的补充。

[0165] 移动设备包括至少一个处理元件，诸如可以设置有一个或多个(微)处理器、微控制器、DSP's(数字信号处理器)、可编程逻辑芯片等。

[0166] 该移动设备还包括能够存储下述形式的可执行指令的存储器，所述形式例如为客户端地图绘制和/或定位计算机程序和其他数据，诸如模型数据、概率地图数据、通过接收装置诸如GPS接收器和蜂窝接收器接收的信号或来自本地传感器的信号。可以使用组合了上述任意元件的功能的组件。

[0167] 因此，处理元件可以被配置为执行存储在存储器中的计算机应用程序代码，这可以意指处理涉及与本发明相关联的多个应用或软件模块/实体的指令和数据，以用于地图绘制/建模和/或定位。存储器可以在一个或多个物理存储器芯片或其他存储器元件之间分配。存储器可进一步指代并包括其他存储介质，诸如优选地可拆卸的存储卡、软盘、CD-ROM(光盘只读存储器)、DVD(数字通用光盘)、Blu-rayTM或固定存储媒介诸如硬盘。本质上，存储器可以是非易失性的，例如ROM(只读存储器)，和/或可擦写易失性的，例如RAM(随机存取存储器)。处理器和存储器也可以集成在一起。

[0168] 可以提供UI(用户接口)，该UI包括显示器、和/或到外部显示器或数据投影仪的连接器、以及键盘/小键盘或被配置成给装置/设备的用户提供可行的数据可视化和设备控制装置的其他适用的本地控制输入装置(例如触摸屏或语音控制输入，或者单独的按键/按钮/旋钮)。

[0169] UI还可以包括用于声音输出的一个或多个扬声器和关联的电路。远程UI功能还可以通过例如在那里运行的网络服务器和网站来实现。为此，可以利用数据传输接口。可替代地，可以提供不同的API(应用程序编程接口)以访问和使用本发明的元件和数据。

[0170] 该装置优选地包括能够接收环境数据和定位数据的地图绘制实体70，以便通过必要的计算获得例如至少初始概率地图结构，其可以包括例如对不同基站的覆盖区域估计和相关参数(例如具有关联的概率的信号强度值图)。地图绘制实体70可以被进一步配置为获得多个概率性时间空间运动模型。地图绘制实体可以被进一步配置为获得与位置关联的路线数据和例如用于位置/区域的路线模型。

[0171] 该装置优选地包括定位或确定位置实体71，用于至少收集环境数据的，以便经由概率地图结构将至少环境数据同与先前存储的环境数据相关的位置数据进行比较，并且确定移动设备的最可能的位置。

[0172] 根据本发明的一个实施方式，待定位的移动设备701被配置为基本上自主地或以独立的方式执行定位，这意味着其仍然可以从外部源诸如无线网络接收数据诸如环境数据，但基本上在本地确定位置估计。这隐含地意味着移动电话已预先获得概率地图结构和概率运动模型，并将它们存储在存储器中。然后，定位可以在与蜂窝网络702连接的移动设备701自身中进行，而不需要连接到外部服务器或系统。概率地图结构的至少静态副本、或其相关(例如，在地理上受限的)部分、以及例如概率性时间空间运动模型和必要的定位逻辑可能已由此作为软件产品(计算机程序产品)部署在移动设备处。一种适当形式的计算机软件，例如定位客户端应用或定位服务器实体的本地实例，可以被下载到其中，以使例如独立式定位特征部件至少不需要连续地使用或主动连接到多个远程服务或服务器。

[0173] 在根据本发明的实施方式中，尤其是在具有待定位的移动设备和连接到通信网络703的一个或多个服务器的装置的情况下，该装置还可以包括通过有线网络接口诸如局域网(LAN)(例如以太网)接口的通信。在这种情况下，定位至少部分地在服务器处执行，并且由移动设备和/或其他设备捕获并持有的必要数据例如环境数据然后可以以直接寻址的方式传输到服务器，或者经由重选路由元件诸如用于在定位中使用的蜂窝基站、交换机或网关来传输到服务器。例如，服务器显然可以将位置数据返回给移动设备以在数字地图显示器上可视化。另外地或可替代地，地图绘制实体可以被配置为通过由移动设备和潜在的附加实体诸如基站提供的数据来在服务器处运行。

[0174] 因此，在一些实施方式中，该装置可以被实现为若干个元件的组合，包括例如待定位的移动设备、通信网络(优选是蜂窝网络)和至少一个服务器。移动设备通常至少确定或捕获经由蜂窝网络进一步发送到一个或若干个服务器的环境数据。数据可以包括基于蜂窝网络的数据，诸如信号强度数据。然后服务器将环境数据与早先存储的、利用例如概率地图结构和概率性时间空间模型分析和建模得到的数据进行比较。服务器结合了不同的位置和与运动关联的概率，并确定移动设备的最可能的位置。然后，移动设备的最可能的位置经由蜂窝网络发送到移动设备。

[0175] 基于前述内容，本发明的装置的各种实施方式可以通过移动设备、网络可访问元件诸如服务器或通过二者的组合以及其他潜在的选项来实现。

[0176] 在以上描述的方法、计算机程序和装置的实施方式中，在地图绘制阶段中使用的移动设备可以是除实际定位阶段中使用的移动设备外的其他移动设备。作为示例，前者移动设备可以包括GPS接收器或其他明确的定位数据接收器，而后者移动设备可以不必包括任何特定的定位数据接收器。这是因为虽然定位数据接收器的接收通常会增强定位结果，但在实际位置确定阶段，并非绝对需要接收明确的定位数据。

[0177] 除了在本文明确描述的组合之外，可以组合使用在之前描述中描述的特征。虽然已经参照某些特征描述了各种功能，但是这些功能能够由其他特征来执行，而无论该特征是否被描述。尽管仅参照某些实施方式描述了某些特征，但是这些特征也可以存在于其他实施方式中。反之亦然，如本领域技术人员所理解的那样，所有公开的特征不必存在于某一实施方式的所有可能的变型中。

标题	发布/更新时间	阅读量
无线电力发送设备和电力传输系统	2020-05-12	61
执行前部照明的公路和市区模式的适应性前部照明系统	2020-05-13	412
接收装置、接收方法以及计算机程序	2020-05-13	732
执行前部照明的公路和市区模式的适应性前部照明系统	2020-05-13	675
使感应电动机停止的装置及方法	2020-05-12	89
车辆及用于控制车辆的发动机的方法	2020-05-11	442
Filter device	2020-05-18	489
Control method for automatic water feeding device	2020-05-19	389
FILTERING METHOD AND FILTER	2020-05-16	197
METHOD FOR OPTIMISATION OF DSL COMMUNICATIONS	2020-05-16	370

用于定位移动设备的方法和装置

用于定位移动设备的方法和装置

技术领域

背景技术

发明内容

附图说明

具体实施方式

该功能需要专业版企业版VIP权限，您可以：