用于无线电地图的动态生成的系统、方法和计算机程序
阅读：822发布：2020-10-29
专利汇可以提供用于无线电地图的动态生成的系统、方法和计算机程序专利检索，专利查询，专利分析的服务。并且本文中所描述的 实施例 提供一种用于动态无线电地图生成的系统、方法和 计算机程序 ，其在一些示例中可以被用于基于接收 信号 强度(RSS)的一个或多个移动设备的室内 定位 。一方面，动态方案可以被用来从仅少量指纹 采样 学习RSS无线电地图。在一些实施例中， 压缩 感知 可以被应用于构建图形结构并且计算图形加权。在一些示例实施例中，一旦学习了RSS无线电地图，则移动设备可以被定位并且可以向用户提供基于 位置 的服务。移动设备上的室内学习和定位系统可以被用来评估性能。本文中所描述的实施例不需要大量离线校准，这可以显著降低采集指纹的人工成本，同时将定位 精度 维持在令人满意的 水 平。，下面是用于无线电地图的动态生成的系统、方法和计算机程序专利的具体信息内容。
1.一种动态地生成无线电地图的方法，所述方法包括：
将处理器配置为作为无线电地图生成器来操作；
由所述无线电地图生成器接收多个数据元素集合；
由所述无线电地图生成器利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习所述多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及由所述无线电地图生成器使用所述数据元素集合和所述对应位置来生成图形结构作为无线电地图。
2.根据权利要求1所述的方法，其中每个数据元素集合表示接收信号强度(RSS)读数集合，所述RSS读数集合包括来自从一个或多个信标发射的一个或多个信号的RSS读数。
3.根据权利要求2所述的方法，对于每个RSS读数集合，还包括选择所述一个或多个网络访问信标的子集。
4.根据权利要求1所述的方法，其中所述对应位置为二维位置、三维位置和四维位置中的至少一个。
5.根据权利要求1所述的方法，其中所述已知配对在指纹识别期间被采集。
6.根据权利要求1所述的方法，还包括：
对于所述多个数据元素集合中的每个数据元素集合，将每个对应位置表示为连接图上的节点；
将所述已知配对表示为所述连接图上的节点；以及
由所述无线电地图生成器使用所述连接图来生成所述图形结构。
7.根据权利要求6所述的方法，还包括：
将加权与所述连接图中的每对相邻节点关联，其中所述加权为非负实数，并且其中所述加权通过数据元素的相似度的测量来确定。
8.根据权利要求7所述的方法，其中所述连接图具有稀疏特性，并且其中所述方法还包括：利用所述压缩感知算法将每个加权确定为稀疏信号恢复问题。
9.根据权利要求6所述的方法，还包括：将所述连接图的节点的所述数据元素集合表达为相邻节点的所述数据元素集合的近似线性组合。
10.根据权利要求9所述的方法，还包括：使用热核函数来补偿不正确的相邻节点诱发的误差。
11.根据权利要求6所述的方法，还包括：基于所述已知配对来预测节点在所述连接图中的位置。
12.根据权利要求1所述的方法，还包括：生成图示每个对应位置的用户界面。
13.根据权利要求1所述的方法，还包括：使用指纹数据库来确定所述已知配对。
14.根据权利要求1所述的方法，其中数据元素集合的数目与已知配对的数目之比至少大于2。
15.根据权利要求1所述的方法，还包括：通过基于所构造的所述无线电地图的图形结构而将实际预测量位置与预测位置进行比较，来验证所构造的所述无线电地图的图形结构。
16.根据权利要求1所述的方法，其中所述已知配对中的每个已知配对包括数据元素集合和对应位置。
17.根据权利要求1所述的方法，与所述数据元素集合对应的位置表示产品位置、子位置、消费者位置、医疗患者位置和医疗站位置中的至少一项。
18.根据权利要求1所述的方法，其中所述无线电地图表示图像采集的图像库、手写采样采集的手写采样库、语音采样采集的语音识别库、图像采集的图像库、普通信息记录采集的普通信息分类库、游戏元素采集的游戏元素库、和音频/视频内容元素采集的音频/视频内容库中的至少一项。
19.一种动态地生成无线电地图的系统，包括：
处理器，被配置成作为无线电地图生成器来操作，其中所述无线电地图生成器：
接收多个数据元素集合；
利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习所述多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及
使用所述数据元素集合和所述对应位置来生成图形结构作为无线电地图。
20.根据权利要求19所述的系统，其中每个数据元素集合表示接收信号强度(RSS)读数集合，所述RSS读数集合包括来自从一个或多个信标发射的一个或多个信号的RSS读数。
21.根据权利要求20所述的系统，其中所述信标中的至少一些信标包括网络接入点。
22.根据权利要求19所述的系统，其中所述无线电地图生成器从多个移动设备接收所述RSS读数集合。
23.根据权利要求19所述的系统，其中所述处理器被布置在蜂窝电话、平板、车辆、医疗设备和服务器中的至少一个之内。
24.一种存储一个或多个指令序列的计算机可读存储介质，所述一个或多个指令序列在由一个或多个处理器执行时使得所述一个或多个处理器执行动态地生成无线电地图的方法，所述方法包括：
将处理器配置为作为无线电地图生成器来操作；
由所述无线电地图生成器接收多个数据元素集合；
由所述无线电地图生成器利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习所述多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及由所述无线电地图生成器使用所述数据元素集合和所述对应位置来生成图形结构作为无线电地图。
用于无线电地图的动态生成的系统、方法和计算机程序
[0002] 本申请要求于2012年6月26日提交的美国临时申请第61/664,459号的优先权，其全部内容由此通过引用被合并。
技术领域
[0003] 本文中所描述的实施例总体上涉及确定动态无线电地图。更具体地，本文中所描述的实施例涉及用于基于例如数据元素集合、诸如接收信号强度(RSS)读数来动态生成无线电地图的系统、方法和计算机程序。作为说明性且非限制性的示例，该动态无线电地图可以被用于一个或多个移动设备的室内定位。在一些示例实施例中，该系统、方法和计算机程序还可以包括使用该动态无线电地图来确定所连接的无线移动设备的网络的室内定位。
背景技术
[0004] 智能电话的新近发展使得能够利用低成本的无线局域网(WLAN)基础架构技术来提供室内的基于位置的服务(LBS)，诸如室内定位、跟踪、导航和基于位置的安全。然而，由于室内环境的相对复杂性，通常很难向多数定位应用提供令人满意的精度水平。出现的关键挑战之一是如何设计一种可以在可商用的移动设备上很容易地部署而没有昂贵的硬件安装或修改的精确、实时的室内定位系统。
[0005] 例如，已经在关于接收信号强度(RSS)信号来研究无线定位方面做出了一些努力，诸如美国公开第2013/0045750号中所描述的。与其他基于测量的算法(例如超宽带(UWB)信号的到达时间(TOA)或到达角度(AOA)测量)相比，RSS可以通过集成有WiFi的移动设备来获得。
[0006] 用于根据RSS来获得位置估计的、关于RSS的无线定位的附加示例技术如下：
[0007] 多点定位。如美国公开第2013/0045750中所描述的，RSS可以被转化成从盲节点到至少三个具体的参考节点的距离。所估计的该盲节点的位置使用所计算的估计距离通过多点定位来获得。然而，在室内环境中，由于障碍物和墙壁产生的反射、折射和散射而产生的严重的多信道遮蔽效应、以及对以同一频率操作的其他设备的干扰，无线电传播信道可能不可预测并且是时变的。因此，从RSS到用于定位的距离的直接转化限制了上述算法在复杂室内环境、诸如购物中心、医院等中被应用。
[0008] 邻近。这一方法根据具体的参考点找到最强的RSS，并且将盲节点的位置确定为这一参考点所覆盖的区域。这一方法仅可以给出非常粗略的位置估计，从而产生了很大的位置不确定性。
[0009] 场景分析。这一方法可以首先采集感兴趣的区域中的已知位置处的RSS读数，这些RSS读数被称为指纹。然后，其可以通过模式识别技术将在线测量与该指纹进行比较来估计位置。然而，预采集指纹(被称为RSS无线电地图、在地图上的定义网格点处的RSS读数的完整表格)很耗时并且包含大量人工成本，这极大地限制了服务站点。
[0010] 由于无线设备的遮蔽、多路、干扰、方位等所导致的无线电传输的动态和不可预测特性而可能产生的RSS中的固有变化，因此获得精确的基于RSS的定位可能是具有挑战性的。
[0011] 由于信号干扰所导致的其他技术问题(其阻碍有效的位置确定和跟踪)、位置不精确性以及建筑物结构而产生的可能的信号中断，因此用于确定设备的位置的备选手段、诸如全球定位系统(GSP)可能不向室内LBS提供最佳依据。
[0012] 某些移动设备(诸如使用例如ANDROIDTM操作系统的移动设备)可以被配置成通过网络连接来实现移动设备的位置确定，但是这种确定通常基于与中央服务器(该移动设备间歇性地向该中央服务器签到)的通信，从而向该移动设备提供正确的位置信息。然而，很多用户可能担心其移动的隐私被远程计算机经由其移动设备而跟踪。另外，由于个人与网络公司之间的交易而产生的一些隐私侵害已经使得尤其基于位置的服务的可能的隐私变得非常公开并且受到极大的关注。
[0013] 因此，需要一种用于移动设备的室内定位和其他应用的动态无线电地图生成的改进的系统和方法。发明内容
[0014] 第一方面，本文中所描述的实施例涉及一种动态地生成无线电地图的方法，该方法包括：将处理器配置为作为无线电地图生成器来操作；由无线电地图生成器接收多个数据元素集合；由无线电地图生成器利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及由无线电地图生成器使用数据元素集合和对应位置来生成图形结构作为无线电地图。
[0015] 根据一些实施例，每个数据元素集合可以表示RSS读数集合，RSS读数集合包括来自从一个或多个信标发射的一个或多个信号的RSS读数。
[0016] 根据一些实施例，对于每个RSS读数集合，上述方法可以包括选择一个或多个网络访问信标的子集。
[0017] 根据一些实施例，对应位置为二维位置、三维位置和四维位置中的至少一个。
[0018] 根据一些实施例，已知配对在指纹识别期间被采集。
[0019] 根据一些实施例，上述方法还可以包括：对于多个数据元素集合中的每个数据元素集合，将每个对应位置表示为连接图上的节点；将已知配对表示为连接图上的节点；以及由无线电地图生成器使用连接图来生成图形结构。
[0020] 根据一些实施例，上述方法还可以包括：将加权与连接图中的每对相邻节点关联，其中加权为非负实数，并且其中加权通过数据元素的相似度的测量来确定。
[0021] 根据一些实施例，连接图具有稀疏特性，并且其中上述方法还包括：利用压缩感知算法将每个加权确定为稀疏信号恢复问题。
[0022] 根据一些实施例，上述方法还可以包括：将连接图的节点的数据元素集合表达为相邻节点的数据元素集合的近似线性组合。
[0023] 根据一些实施例，上述方法还可以包括：使用热核函数来补偿不正确的相邻节点诱发的误差。
[0024] 根据一些实施例，上述方法还可以包括：基于已知配对来预测节点在连接图中的位置。
[0026] 根据一些实施例，上述方法还可以包括：使用指纹数据库来确定已知配对。
[0027] 根据一些实施例，数据元素集合的数目与已知配对的数目之比至少大于2、3、4、5、6等。可以存在基本上比已知配对多的数据元素集合。
[0028] 根据一些实施例，上述方法还可以包括：通过基于所构造的无线电地图的图形结构而将实际预测量位置与预测位置进行比较，来验证所构造的无线电地图的图形结构。
[0029] 根据一些实施例，已知配对中的每个已知配对包括数据元素集合和对应位置。
[0030] 根据一些实施例，与数据元素集合对应的位置表示产品位置、子位置、消费者位置、医疗患者位置和医疗站位置中的至少一项。
[0031] 根据一些实施例，无线电地图表示图像采集的图像库、手写采样采集的手写采样库、语音采样采集的语音识别库、图像采集的图像库、普通信息记录采集的普通信息分类库、游戏元素采集的游戏元素库和音频/视频内容元素采集的音频/视频内容库中的至少一项。
[0032] 根据一些实施例，上述方法还可以包括：不连贯和正交化。
[0033] 根据一些实施例，上述方法还可以包括：最小化。
[0034] 根据一些实施例，上述方法还可以包括：对一个或多个信标进行群集。
[0035] 根据一些实施例，上述方法还可以包括：使用动态无线电地图来确定对所连接的无线移动设备的网络的室内定位。
[0036] 另一方面，本文中所描述的实施例可以提供一种动态地生成无线电地图的系统，该系统具有被配置成作为无线电地图生成器来操作的处理器，其中该无线电地图生成器：接收多个数据元素集合；利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及使用数据元素集合和对应位置来生成图形结构作为无线电地图。
[0037] 根据一些实施例，每个数据元素集合表示接收信号强度(RSS)读数集合，该RSS读数集合包括来自从一个或多个信标发射的一个或多个信号的RSS读数。
[0038] 根据一些实施例，信标中的至少一些信标包括网络接入点。
[0039] 根据一些实施例，无线电地图生成器从多个移动设备接收RSS读数集合。
[0040] 根据一些实施例，处理器被布置在蜂窝电话、平板、车辆、医疗设备和服务器中的至少一个之内。
[0041] 根据一些实施例，上述系统可以包括维持和更新很多位置的很多无线电地图的后端服务。
[0042] 又一方面，本文中所描述的实施例提供一种存储一个或多个指令序列的计算机可读存储介质，该一个或多个指令序列在由一个或多个处理器执行时使得该一个或多个处理器执行动态地生成无线电地图的方法，该方法包括：将处理器配置为作为无线电地图生成器来操作；由无线电地图生成器接收多个数据元素集合；由无线电地图生成器利用压缩感知算法、使用(数据元素集合，位置的)已知配对来学习多个数据元素集合中的每个数据元素集合的至少一个对应位置；以及由无线电地图生成器使用数据元素集合和对应位置来生成图形结构作为无线电地图。
[0043] 另一方面，本文中所描述的实施例涉及用于对设备进行室内定位的系统、方法和计算机程序，其通过半监督学习和压缩感知、使用仅少量校准(例如指纹、数据元素的已知配对)自动地和动态地学习并且生成RSS无线电地图。该系统、方法和计算机程序因此可以实现基于压缩感知的定位和跟踪用于在各种室内环境中的精确的室内定位。
[0044] 又一方面，本文中所描述的实施例涉及一种用于基于RSS读数来动态地生成用于对一个或多个移动设备进行室内定位的无线电地图的系统、方法和计算机程序。
[0045] 一方面，动态方案可以用于根据少量指纹采样(例如数据点和对应位置的已知配对)来学习RSS无线电地图。压缩感知可以被应用于构建图形结构和计算图形加权。一旦学习了RSS无线电地图，则可以对无线电话或其他移动设备进行定位并且可以向用户提供基于位置的服务。移动设备上的室内学习和定位系统可以被用来评估性能。经验结果表明所提出的系统可以不需要大量离线校准，从而显著地减少了采集指纹的人工成本，同时将定位精度维持在令人满意的水平。
[0046] 又一方面，本文中所描述的实施例可以提供一种动态地生成无线电地图的方法，该方法包括：从多个移动设备接收多个RSS读数；将多个RSS读数表示为连接图上的节点；以及基于RSS读数、利用压缩感知算法来构造无线电地图的图形结构。
[0047] 在一些实施例中，上述方法还可以包括：利用指纹数据库来确定多个RSS读数的位置；以及利用压缩感知算法来将用于分析的所确定的RSS读数的位置的子集标记为稀疏信号恢复问题。
[0048] 在一些实施例中，上述方法还可以包括：基于所确定的RSS读数的位置来预测节点在连接图中的位置。
[0049] 在一些实施例中，上述方法还可以包括：基于根据多个RSS读数所计算的图形加权来构造连接图结构。
[0050] 在一些实施例中，上述方法还可以包括：通过基于所构造的无线电地图的图形结构将实际预测量位置与预测位置进行比较来验证所构造的无线电地图的图形结构。
[0051] 另一方面，本文中所描述的实施例可以提供一种用于动态地生成无线电地图的系统，该系统被适配成：从多个移动设备接收多个RSS读数；将多个RSS读数表示为连接图上的节点；以及基于RSS读数、利用压缩感知算法来构造无线电地图的图形结构。
[0052] 在一些实施例中，上述系统还可以被适配成：利用指纹数据库来确定多个RSS读数的位置；以及利用压缩感知算法来将用于分析的所确定的RSS读数的位置的子集标记为稀疏信号恢复问题。
[0053] 在一些实施例中，上述系统还可以被适配成：基于所确定的RSS读数的位置来预测节点在连接图中的位置。
[0054] 在一些实施例中，上述系统还可以被适配成：基于根据多个RSS读数所计算的图形加权来构造连接图结构。
[0055] 在一些实施例中，上述系统还可以被适配成：通过基于所构造的无线电地图的图形结构将实际预测量位置与预测位置进行比较来验证所构造的无线电地图的图形结构。
[0057] 在考虑其以下详细描述时，可以更好地理解本发明并且将很清楚本文中所描述的实施例的目的。这样的描述参考附图，附图中：
[0058] 图1图示根据一个实施例的示例性系统。
[0059] 图2图示根据一个实施例的示例性无线电地图工具(例如无线电地图生成器)和位置确定引擎的框图。
[0060] 图3图示根据一个实施例的跟踪更新分析过程。
[0061] 图4图示在线段附近范围中的点。
[0062] 图5图示根据一个实施例的移动设备上的示例性群集结果。
[0063] 图6图示基于所有四个方位中所使用的信标的数目和所生成的群集的不同数目的平均位置确定误差的结果。
[0064] 图7图示各种粗略位置确定方案下(例如当使用十个信标时)的说明性定位系统的位置确定误差的累积分布函数(CDF)。
[0065] 图8图示在不同的信标选择方案下的平均位置确定误差的实现结果。
[0066] 图9图示根据一个实施例的基于核的k-最邻近(KNN)方法和基于压缩感知(CS)的方法的累积误差分布。
[0067] 图10图示根据一个实施例的使用CS理论的、在离线阶段期间的无线电地图的恢复。
[0068] 图11图示位置确定精度的比较，该比较使用72个参考点处的实际RSS测量值、来自36个参考点上的采样的经恢复RSS无线电地图，并且使用插值RSS无线电地图。
[0069] 图12图示根据一个实施例的用于实现计算机程序的模块概述。
[0070] 图13图示根据一个实施例的用于各种不同的定位和跟踪方案的移动设备的位置确定精度的比较。
[0071] 图14图示根据一个实施例的使用十个信标的累积误差概率。
[0072] 图15图示在要用于路径路由的测试位置中定义的连接图。
[0073] 图16图示根据一个实施例的计算机程序的截屏，该实施例示出对移动设备的实际位置跟踪。
[0074] 图17示出包括所报告的RSS矢量及其位置的完整表格的RSS无线电地图。
[0076] 图19示出在站点上均匀地分布的RP，其平均网格间隔为1.5m。
[0077] 图20图示平均预测矢量随着所使用的AP的数目而变化。
[0078] 图21示出在不同数目的信标的情况下学习系统的预测误差的累积分布函数(CDF)。
[0079] 图22示出具有20个随机信标(16％)的本系统的说明性实施例，从而提供位置预测的2.5m的平均误差。
[0080] 图23示出说明性仿真场景中的定位误差的CDF。
[0081] 图24示出关于所使用的信标的数目的平均定位误差的说明性实现结果。以及[0082] 图25描绘在以上场景中获得的定位误差的CDF，并且表IV列出了位置误差统计。
[0083] 在附图中，通过示例的方式图示本发明的实施例。应当清楚地理解，描述和附图仅出于说明的目的并且帮助理解，而非旨在限制本发明的范围。
具体实施方式
[0084] 应当理解，所公开的无线电地图生成和定位方法、算法、过程和其他类型的基于位置的服务可以被实施为计算机程序产品或应用，该计算机程序产品或应用包括存储指令的非暂态计算机可读介质，该指令使得移动设备上的CPU/GPU处理器执行所公开的步骤。
[0085] 贯穿以下讨论，将大量地参考服务器、服务、界面、门户、平台或者从计算设备形成的其他系统。应当理解，这样的术语的使用意在表示具有至少一个处理器的一个或多个计算设备，该至少一个处理器被配置成执行在计算机可读有形非暂态介质上存储的软件指令。例如，服务器可以包括以如下方式作为网络服务器、数据库服务器或者其他类型的计算机服务器来操作的一个或多个计算机：该方式能够实现所描述的角色、责任或者功能。还应当理解，所公开的基于计算机的算法、过程、方法或者其他类型的指令集可以被实施为包括非暂态有形计算机可读介质的计算机程序产品，该非暂态有形计算机可读介质存储使得处理器执行所公开的步骤的指令。应当理解，本文中所描述的实施例可以用于以高效和成本有效的方式来动态地生成无线电地图，该无线电地图表示设备在所定义的地理区域内的物理位置。该动态无线电地图可以被更新并且可以被用来对设备在所定义的地理区域内的位置进行跟踪和定位。该无线电地图可以基于所接收的表示来自传输信标的信号的读数来构造。该无线电地图可以很精确并且降低定位误差。
[0086] 以下讨论提供发明主题的很多示例实施例。虽然每个实施例表示发明元素的单个组合，然而发明主题被认为包括所公开的元素的所有可能的组合。因此，如果一个实施例包括元素A、B和C，而第二实施例包括元素B和D，则发明主题也被认为包括A、B、C或D的其他剩余组合，即使没有清楚地公开。
[0087] 如本文中所使用的，并且除非情境指出，否则术语“耦合至”意在包括直接耦合(其中彼此耦合的两个元件彼此接触)和间接耦合(其中至少有一个附加元件位于这两个元件之间)。因此，术语“耦合至”和“与……耦合”以相同的含义被使用。
[0088] 本文中所描述的系统和方法的实施例可以用硬件或软件、或者硬件和软件的组合来实现。这些实施例可以用在可编程计算机上执行的计算机程序来实现，每个计算机包括至少一个处理器、数据存储系统(包括易失性存储器和非易失性存储器或者其他数据存储元件或者以上各项的组合)、以及至少一个通信接口。例如而非限制，各种可编程计算机可以是服务器、网络家电、机顶盒、嵌入式设备、计算机扩展模块、个人计算机、膝上型计算机、个人数字助理、蜂窝电话、智能电话设备、UMPC平板和无线超媒体设备或者能够被配置成执行本文中所描述的方法的任何其他计算设备。
[0089] 程序代码被应用于输入数据以执行本文中所描述的功能和生成输出信息。该输出信息以已知的方式被应用于一个或多个输出设备。在一些实施例中，通信接口可以是网络通信接口。在其中合并有本发明元素的实施例中，通信接口可以是软件通信接口，诸如用于过程间通信(IPC)的通信接口。在其他实施例中，可以有被实现为硬件、软件以及硬件和软件的组合的通信接口的组合。
[0090] 每个程序都可以用高级程序语言或者面向对象的编程或脚本语言、或者用高级程序语言和面向对象的编程或脚本语言二者来实现，以与计算机系统进行通信。然而，备选地，如果期望，该程序可以用汇编语言或机器语言来实现。该语言可以是编译语言或解释语言。每个这样的计算机程序可以存储在由通用或专用可编程计算机可读的存储介质或设备(例如ROM、磁盘、光盘)上，以在存储介质或设备被计算机读取时配置和操作该计算机以执行本文中所描述的过程。该系统的实施例还可以被认为以被实现为配置有计算机程序的非暂态计算机可读存储介质，其中这样配置的存储介质使得计算机以具体且预定的方式进行操作以执行本文中所描述的功能。
[0091] 此外，所描述的实施例的系统和方法能够被分配在计算机程序产品中，该计算机程序产品包括承载用于一个或多个处理器的计算机可用指令的物理、非暂态计算机可读介质。该介质以各种形式被提供，包括一个或多个软盘、压缩盘、磁带、芯片、磁性和电子存储介质、易失性存储器、非易失性存储器等。非暂态计算机可读介质可以包括所有计算机可读介质，除了易失性传播信号之外。术语“非暂态”并非意在排除诸如主存储器、易失性存储器、RAM等的计算机可读介质，其中其上所存储的数据可以被暂时地存储。该计算机可用指令还可以是各种形式，包括编译和非编译代码。
[0092] 如以上所指出的，本公开内容总体上涉及一种用于动态无线电地图生成的系统、方法和计算机程序，其用于基于RSS读数或其他数据元素集合来对一个或多个移动设备例如智能电话、平板、医疗车、机器人和其他可穿戴设备诸如谷歌眼镜进行室内定位。
[0093] 一方面，该移动设备的位置可以基于来自一个或多个信标的RSS和通过测量在指纹集合处的RSS(例如数据元素和位置的已知配对)生成的网络的无线电地图来确定。该指纹集合可以是要映射的网络区域内的参考点的有限集合。信标被配置成向移动设备传输单向信号，并且在一些示例中可以被适配用于设备之间的双向数据交换。信标可以是发射信号的发射器。信标在一些示例中还可以是收发器。示例信标为接入点(AP)。AP可以被认为是还可以接收信号的示例信标。信标的其他示例包括IEEE 802.11无线接入点、蓝牙、Zigbee、WiGIG、WiFi Direct设备或者甚至利用频谱的非标准化部分的专有信号的设备。
[0094] 另一方面，移动设备可以被适配成测量RSS读数(或者其他数据元素)并且将所测量的RSS与网络的无线电地图进行比较以确定其位置而不向服务器或者其他第三方提供RSS测量值，从而实现匿名位置跟踪。此外，生成无线电地图或者确定移动设备的位置不需要知道信标的位置。
[0095] 另一方面，室内定位系统用少量的校准(例如数据元素和位置的已知配对)通过半监督学习和压缩感知来自动地和动态地学习和生成无线电地图。例如，用户通常可以通过携带移动设备并且在在环境周围行走来简单地大量采集RSS测量值。从具有少量指纹采样(例如RSS读数和位置的已知配对)的所构造的图形来学习无线电地图中的对应位置。提出了一种用以根据RSS测量值来构造图形的非参数方法。
[0096] 另一方面，可以使用动态方案来从少量指纹采样学习RSS无线电地图。压缩感知可以被应用于构建图形结构和计算图形加权。一旦学习了RSS无线电地图，则无线电话可以被定位并且基于位置的服务可以被提供给用户。移动设备上的室内学习和定位系统可以被用来评估性能。经验结果表明，所提出的系统不需要大量离线校准，从而显著降低了采集指纹的人工成本，同时将定位精度维持在令人满意的水平。
[0097] 在示例实施例中，图形加权求解问题可以被确切阐述为稀疏信号恢复问题，并且因此根据压缩感知，该图形加权可以通过解决 最小化问题来估计。在图示实施例中，各实施例可以在移动设备(例如智能电话，诸如HTC Desire z或其他制造商/品牌/型号)上来实现，并且可以运行实验测试以评估性能。实验结果表明，所提出的实施例可以不需要大量离线校准，以显著降低采集指纹(例如已知配对)的人工成本，同时将定位精度维持在令人满意的水平。更一般地，所学习的RSS无线电地图可以由任何基于指纹识别的定位系统用作离线数据库，其中在线LBS可以被提供至用户。
[0098] 根据一个实施例的说明性方法包括两个阶段：用于生成或者重构无线电地图的离线阶段；以及用于位置确定的在线阶段。链接至移动设备的无线电地图工具(例如无线电地图生成器)可以实现该离线阶段，而链接至移动设备的位置确定引擎可以实现该在线阶段。
[0099] 在示例实施例中，无线电地图工具可以通过以下方式来生成无线电地图：实现群集技术诸如仿射传播，然后进行异常值调整以寻址RSS变化的效果。该无线电地图工具可以使用压缩感知(CS)算法而基于在指纹子集处的RSS测量值来重构无线电地图，以显著减少实时更新无线电地图所需的测量值的数目。
[0100] 在其他实施例中，位置确定引擎实现用以基于移动设备测量的RSS来确定设备的位置的一个或多个算法。一个这样的算法为k最近邻(KNN)算法，其通过计算具有关于在设备处的在线RSS读数的最小欧几里德距离的k个最邻近的质心来估计移动设备的位置。另一算法为统计方法，其中假定来自不同AP的RSS读数在每个时刻独立，使用贝叶斯理论和核函数来分析每个可能的位置的概率。相比较而言，最少计算复杂算法(其因此实现了实时或接近实时的性能)是用于对在一定的基础上为稀疏或可压缩的信号进行恢复的CS算法，其中噪声测量比奈奎斯特采样理论所需要的噪声测量少很多。该稀疏信号可以通过解决 最小化问题而以很高概率被重构。由于位置确定在空间域中的稀疏特性，使用线性编程提供确定性恢复的CS算法更可取。
[0101] 在其他实施例中，在线阶段可以被划分为两个阶段：(1)用以缩小感兴趣的区域的粗略位置确定阶段；以及(2)用以精确定位的精细位置确定阶段。使用两个阶段位置确定可以显著降低处理需求，从而实现移动设备的实时或接近实时的位置确定。位置确定引擎优选地在该粗略位置确定阶段中实现群集匹配算法并且在该精细位置确定阶段中实现压缩感知算法。
[0102] 此外，在粗略位置确定阶段中可以使用过去位置估计和运动动力学来更精确地缩小感兴趣的区域。该运动动力学可以通过一般的贝叶斯跟踪模型来建模，并且然后可以导出滤波器以改进位置估计。通过假设高斯跟踪噪声模型和线性运动动力学，一般的滤波器变为卡尔曼滤波器，其最优解为最小均方差(MMSE)估计。虽然高斯RSS位置关系的假设有时可以是可能的，然而卡尔曼滤波器作为后处理步骤的应用能够提高定位系统的精度。该估计的精度可以通过使用粒子滤波器来进一步提高。这一滤波器可以被应用于非高斯和非线性模型，并且还可以通过附加信息诸如地图、加速计等来进行改进。因此，在粗略位置确定阶段，除了根据在线RSS读数所选择的参考点的群集，还可以使用先前估计来选择附近的参考点。该跟踪系统还可以实现卡尔曼滤波以平滑估计更新。
[0103] 显然，本文中所描述的实施例的位置确定引擎可操作以基于仅从移动设备取得的无线电信息来提供与移动设备关联的相对精确的位置数据，而不需要来自远程服务器的信息以跟踪移动设备的位置。
[0104] 现在将参考附图描述说明性实施例。
[0105] 图1图示根据本文中所描述的实施例的系统10。更一般地，该系统10可以包括一个或多个信标12(例如被适配成传输信号的网络AP或者其他设备)和网络18可访问的、用以管理指纹数据库16的服务器14。在一个实施例中，指纹数据库16链接至服务器14以便提供无线电地图，并且一个或多个移动设备20各自在操作上链接至网络适配器22，该网络适配器22与由信标12实现的网络协议兼容以便从一个或多个信标12接收信号。例如，该信标12可以是IEEE 802.11无线接入点并且该网络适配器可以是WLAN适配器。这是非限制性示例。
[0106] 在一个实施例中，网络信标12可以具有已知的或者未知的位置，并且可以与不同的网络18关联。每个网络信标12发射信号，并且无线电地图可以基于来自一个或多个参考点处的一个或多个网络信标12的RSS。
[0107] 在所呈现的说明性实施例中，移动设备20中的每个移动设备还可以包括位置确定引擎24或者被链接至位置确定引擎24。该位置确定引擎24可操作以从服务器14获得无线电地图或者其子集，并且以基于来自一个或多个信标12的RSS和无线电地图来确定移动设备20的位置。该一个或多个移动设备20还可以被链接至导航模块28，以使得移动设备20的用户能够提供初始设置并且向用户提供路径路由和跟踪更新。该移动设备20中的一个或多个移动设备还可以包括无线电地图工具26(例如无线电地图生成器)或者被链接至无线电地图工具26。备选地，某些移动设备20可以被链接至无线电地图工具26并且用于生成无线电地图，而其他移动设备20可以被链接至位置确定引擎24并且由例如用户来使用。
[0108] 简而言之，一个或多个移动设备20在下文中将被称为链接至无线电地图工具26和位置确定引擎24二者的单个移动设备20。然而，将理解，实施例可以被扩展为确定多个移动设备20的位置。
[0109] 移动设备20可以获得RSS读数并且使用无线电地图工具26来生成动态无线电地图。该无线电地图然后可以被用来确定位置。
[0110] 移动设备20能够由用户来操作，并且可以是任何便携、(有线或无线)连网的计算设备，该计算设备包括处理器和存储器并且适于促进在移动设备20的一个或多个计算应用(例如在用户设备XX上安装或者运行的计算应用)与系统10(诸如服务器114)的部件之间的通信。
[0111] 根据一些实施例，移动设备20可以是具有先进的数据通信能力的双向通信设备，该先进的数据通信能力具有与其他计算机系统和设备通信的能力。取决于由移动设备所提供的功能，移动设备可以被称为便携式电子设备、智能电话、数据消息设备、双向寻呼机、具有数据消息功能的智能电话、个人数字助理、无线因特网家电、便携式膝上型计算机、平板计算机、医疗设备、机器人、可佩带设备、多媒体播放器、电子阅读设备、(具有或者没有电话功能的)数据通信设备或者这些的组合。
[0112] 移动设备20可以包括配置有各种计算应用诸如无线电地图工具26的处理器。计算应用可以对应于包括计算机可执行指令的硬件和软件模块，这些指令用以将物理硬件配置成执行各种功能和可辨别的结果。计算应用可以是被设计成帮助用户执行特定功能的计算机软件或硬件应用，并且可以包括应用插件、小插件、即时消息应用、移动设备应用、电子邮件应用、在线电话应用、java应用、网页或者在移动设备20上驻留、执行、运行或者被渲染的网络对象。移动设备20可以是不同类型的设备，并且可以向一个用户或者多个用户提供服务。移动设备20可以包括一个或多个输入设备，诸如键盘、鼠标、摄像头、触摸屏和麦克风，并且还可以包括一个或多个输出设备，诸如显示屏和扬声器。
[0113] 服务器14可以使用配置有数据库或文件系统(例如指纹数据库16)的服务器和数据存储设备来实现，或者使用在很宽的地理区域上分布并且经由网络18连接的多个服务器或者服务器群组来实现。服务器14可以直接地或者经由网络18连接至基于云的数据存储设备(例如指纹数据库16)。服务器14可以驻留在包括处理器和存储器的任何连网计算设备上，诸如个人计算机、工作站、服务器、便携式计算机、移动设备、个人数字助理、笔记本、平板、智能电话、WAP电话、交互式电视、视频显示终端、游戏机、电子阅读设备和便携式电子设备或者这些的组合。服务器14可以包括可以为任何类型的处理器的一个或多个微处理器，诸如例如任何类型的通用微处理器或微控制器、数字信号处理(DSP)处理器、集成电路、可编程只读存储器(PROM)或者其任何组合。服务器14可以包括位于内部或者外部的任何类型的计算机存储器，诸如例如随机存取存储器(RAM)、只读存储器(ROM)、光盘只读存储器(CDROM)、光电存储器、光磁存储器、可擦除可编程只读存储器(EPROM)和电可擦除可编程只读存储器(EEPROM)等。服务器14可以包括一个或多个输入设备，诸如键盘、鼠标、摄像头、触摸屏和麦克风，并且还可以包括一个或多个输出设备，诸如显示屏和扬声器。服务器14具有网络接口以便与其他部件通信，以向某个应用或其他应用提供服务，并且通过连接至能够承载数据的网络18(或者多个网络)来执行其他计算应用，网络18包括因特网、以太网、普通旧式电话服务(POTS)线路、公用交换电话网络(PSTN)、综合业务数字网络(ISDN)、数字用户线路(DSL)、同轴线缆、光纤、卫星、移动、无线(例如Wi-Fi、WiMAX)、SS7信令网络、固定线路、局域网、广域网等，包括这些的任何组合。虽然出于清楚的目的仅示出了一个服务器14，然而可以存在在很宽的地理区域上分布并且经由例如网络18连接的多个服务器14或服务器14的群组。
[0114] 系统10可以包括管理很多位置的很多无线电地图的后端服务(未示出)。可以存在连接至该后端服务的很多指纹数据库16。该后端服务可以提供基于RSS的定位服务基础架构。该后端服务可以维持和更新很多位置的很多无线电地图，诸如由无线电地图工具26的不同实例生成的那些无线电地图。
[0115] 在一个实施例中，移动设备20可以连续地或者间歇地以时间间隔Δt从(在移动设备的无线电范围内的)每个信标12而采集在线RSS读数，该时间间隔Δt可以是有限的或者取决于移动设备20的网络适配器22和计算性能，该时间间隔Δt被表示为r(t)＝[r1(t),r2(t),...,rL(t)],t＝0,1,2,...。该移动设备20然后计算估计位置，该估计位置被表示为 其中上标T表示转置。
[0116] 在初始离线阶段30(图2)，通过将移动设备20指向不同的方位(例如北方、南方、东方和西方)来在多个参考点处采集RSS读数(例如数据元素集合)的时间采样。从方向为o的参考点j处的信标12i采集的RSS时间采样的原始集合被表示为其中q为所采集的时间采样的总数目。在一些实施例中，可以计算这些时间采样的平均值并且将其存储在数据库中，其在本文中被称为“无线电地图”的示(o)
例。该无线电地图给出给定感兴趣区域中空间RSS属性的充分表示，并且可以用Ψ 来表示：
例。该无线电地图给出给定感兴趣区域中空间RSS属性的充分表示，并且可以用Ψ 来表示：
[0117]
[0118] 其中 为方向为o的参考点j处的信标12i采集的RSS读数在时间域上的平均(单位为dBm)，i＝1,2,...,L，j＝1,2,...,N并且o∈O＝(o)
{0°,90°,180°,270°}。L为可以检测到的信标12的总数目，N为参考点的数目。Ψ的列、无线电地图矢量表示具体方位为o的每个参考点处的RSS读数，其可以被称为[0119]
{0°,90°,180°,270°}。L为可以检测到的信标12的总数目，N为参考点的数目。Ψ的列、无线电地图矢量表示具体方位为o的每个参考点处的RSS读数，其可以被称为[0119]
[0120] 其中上标T表示转置。
[0121] 此外，可以存储这些时间采样的方差。每个参考点的方差矢量被定义为[0122]
[0123] 其中 为方位为o的参考点j处的AP i的RSS读数的无偏估计方差。
[0124] 无线电地图因此为表格 其中(xj,yj)为第j个参考点的坐标。如果对于参考点处的AP没有找到RSS读数，则将无线电地图中的对应RSS实体设置为小值(单位为dBm)以暗示其无效。在本示例中，对应于每个集合的位置为二维位置。在其他示例中，其可以是三维位置或者四维位置(例如时间，因为RSS平均值可能随着时间变化)。
[0125] 在离线阶段30采集的参考点可以在群集32期间被划分为大量群集。由于在不同方位处的数据库具有不同的RSS读数集合，所以群集32可以对于每个方位而独立地执行。仿射传播算法可以被用来生成群集，因为其不需要传统的KNN群集算法中的样本的初始化。相反，当前仿射传播通过向每个参考点分配被公知为参考的相同的实数作为输入而将所有参考点等同地考虑为潜在的样本。因此，基于相似性的测量在参考点的配对之间递(o)归地传输实值的消息，直到生成样本和对应群集。配对的相似性s(i,j) 表示参考点j多么适合作为参考点i的样本，其被定义为
[0126]
[0127] 自相似性值s(j,j)(o)表示参考点j可以变成样本的概率，其中j＝1,2,...,N。由于等同地可期望所有参考点能够成为样本，所以可以将其参考设为公共值。为了生成适度数目的群集，将每个方位的公共参考定义为
[0128]
[0129] 其中γ(o)为经验上确定的实数，使得能够生成期望数目的群集。
[0130] 在一个实施例中，算法的核心操作为在参考点的配对之间传输两种实值消息。从(o)参考点i向候选样本参考点j发送的责任消息r(i,j) 由下式给出：
[0131]
[0132] 其中i≠j，并且从候选样本参考点j向参考点i发送的可用性消息a(i,j)(o)被定义为
[0133]
[0134] 该消息可以在每个无线电地图内的参考点的配对之间递归地传递，并且可以遵循以上更新规则直到出现样本和对应群集的良好集合。离线阶段30可以包括调整异常值34以产生RSS方差的结果。
[0135] 在离线阶段30期间采集指纹之后可以进行以上过程。对于具体方位为o的每个(o) (o)无线电地图，令H 为样本集合；对于每个参考点j∈H ，令 表示参考点j为样本的参考点集合。每个异常值(被称为集合 中的参考点但是在地图上在物理上远离其样本j)都通过分配在其附近的新的样本来进一步调节。因此，通过使用样本集合及其对应无线电地图矢量，可以提供粗略位置确定阶段以选择与在线RSS观察匹配的群集，并且然后可以在精细位置确定阶段使用这些候选群集的参考点来定位移动设备。
[0136] 移动设备的实际位置确定在在线阶段36期间进行。在在线阶段36期间，通过被指向未知的位置处的任何方位的移动设备来采集RSS测量矢量，该RSS测量矢量被表示为[0137] ψr＝[ψ1,r,...,ψL,r]T (8)
[0138] 其中{ψk,r,k＝1,...,L}。如图2所示，在线阶段36期间可以存在两个阶段：(1)具有用以缩小感兴趣的区域的群集匹配的粗略位置确定阶段38；以及(2)具有用以恢复位置估计的压缩感知(CS)的精细位置确定阶段40。
[0139] 该粗略位置确定阶段38的目标是将感兴趣的区域从整个无线电地图缩小为其子集。因此，其去除异常值，并且因为所考虑的参考点变少了所以降低了精细位置确定阶段40的复杂度。另外，其将最大位置确定误差界定为这一子集的大小，而在不实施粗略位置确定的情况下，这一误差可能大很多。
[0140] 在一个实施例中，通过比较在线RSS测量矢量与每个样本之间的相似性来操作粗略位置确定阶段38以标识在线读数所属于的群集。替代选择一个群集，可以挑选具有其对应的群集成员集合C的几个最佳匹配的样本S以避免边缘问题，该边缘问题可能在移动设备的位置在群集的边界处时导致不精确的估计。同时，由于RSS的时变性，在线测量可能偏离数据库中所存储的值。
[0141] 粗略位置确定可以使用群集匹配方案(诸如基于样本的群集匹配、基于平均RSS的群集匹配、加权群集匹配或者用于群集匹配的最强信标12)来实现以限定适当的相似性函数。因此，具有最大相似性值的群集可以被选作候选群集。
[0142] 在基于样本的群集匹配中，与以上的(4)类似，相似性函数被定义为从在线测量矢量ψr到各个样本的RSS无线电地图矢量的欧几里德距离的负值。
[0143]
[0144] 在基于平均RSS的群集匹配中，替代使用每个样本的RSS无线电地图矢量用于群集匹配，使用所有群集成员的RSS无线电地图矢量的平均以对来自特定样本的可能的RSS变化求平均。这给出了群集的更复杂且更具表示性的读数。在这种情况下，以参考点j作为其样本的从在线测量矢量ψr到群集的欧几里德距离可以通过下式来计算：
[0145]
[0146] 其中 表示以参考点j为样本的情况下群集中的成员的数目。
[0147] 在加权群集匹配中，由于在离线阶段30期间将来自每个参考点处的每个信标12的RSS读数的方差进行记录，所以可以考虑将来自某个群集内的特定信标12的RSS读数的稳定性作为用于群集匹配的加权。在加权群集匹配中，不同的加权被加在上述每个信标12的相似性函数上，使得稳定的RSS读数具有较大加权。对应的相似性函数被定义为：
[0148]
[0149] 其中 为两个矢量之间的逐元素乘法。 其中 表示方位为o的群集j中的AP l的RSS读数的加权，其与对应RSS方差的逆成比例，即，
[0150] 并且
[0151] 该加权被归一化，使得
[0152] 在涉及使用最强信标用于群集匹配的实施例中，由于最强信标随着时间提供最大覆盖概率，所以仅选择具有最高在线RSS读数的信标集合。因此，使用以上方案中的任何方案通过仅考虑这些所选信标来计算相似性。
[0153] 所有以上群集匹配方案试图降低选择错误的群集的概率，该错误的群集是最大位置确定误差的主要来源。
[0154] 最佳匹配的群集可以通过使用以上方案中的一个或多个方案来求解。通过估计以上描述的相似性函数，最佳匹配样本的集合S及其对应群集成员集合C可以如下来求解：
[0155]
[0156]
[0157] 其中α为用于在S中获得适当数目的群集的预定阈值。由于期望仅少量群集被包括在S中，所以α可以被设置为最大相似性的百分数，即：
[0158]
[0159] 其中α1+α2＝1并且这样设置的可能示例是α1＝0.95。
[0160] 在粗略位置确定之后，感兴趣的集合可以被减少至集合C。部分无线电地图矩阵可以通过下式来获得，其中
[0161]
[0162] 矩阵 将由以下精细位置确定阶段40来使用。注意，可能在 中有多于两列来表示具有不同方位的相同的参考点，这是因为来自不同方位的所有群集被考虑用于群集匹配。
[0163] 位置确定问题具有稀疏特性，这是因为移动设备20的位置在某个时间在离散的空间域中是唯一的。理想地，假定移动设备20正好位于指向其中一个方位的参考点中的一个参考点处，则设备的位置可以被确切阐述为1稀疏矢量，表示为θ(这一假设可以是不严格的)。因此，θ为 矢量，其中除了θ(n)＝1之外的所有元素等于0，其中n为移动设备所位于的参考点的索引，即：T
[0164] θ＝[0,...,0,1,0,...,0]. (17)
[0165] 因此，通过移动设备测量的在线RSS读数可以表示为：
[0166]
[0167] 其中 为(16)中定义的部分无线电地图矩阵，并且ε为来自RSS偏差的未知测量噪声。M×L矩阵Φ为对在线RSS测量矢量ψr所应用的信标选择算子，使得[0168] y＝Φψr (19)
[0169] 在说明性实现中，通过信标12的广泛部署，可检测信标12的总数通常远大于定位所需要的信标12的数目，这导致冗余的计算。此外，具有大的RSS方差的不可靠的信标12还可能导致偏差估计并且影响定位系统的稳定性。这推动了信标选择42技术的使用以选择可用信标12的用于定位的子集。不同的信标选择42方案可以被用以增加精细位置确定阶段40的精度。
[0170] 根据(1)，覆盖参考点的信标12的集合可以被表示为L，其中|L|＝L。信标选择42的目的是确定集合 使得|M|＝M≤L。这个过程通过使用信标选择42矩阵Φ来执行。Φ的每行为1×L矢量，其中除了φ(l)＝1之外的所有元素等于零，其中l为被选择用于定位的信标12的索引：
[0171]
[0172] 不同的方法可以被用来确定矩阵Φ，包括最强信标12、菲舍尔准则和随机组合。
[0173] 对于最强信标12方法，与粗略位置确定类似，基于最强信标12随着时间提供最高覆盖概率的基本原理来选择具有最高RSS读数的AP的集合。在此，按照RSS读数的降序对测量矢量(8)进行分类，并且使用与最小索引对应的AP。由于Φ基于当前在线测量矢量被创建，所以这一准则可以产生用于每个位置更新的不同的Φ。
[0174] 在一个实施例中，菲舍尔准则被用来量化每个信标12区分在四个方位上的参考点的能力。通过比较，度量ξi， 被定义为：
[0175]
[0176] 其中 ξi的分母确保RSS值不随着时间发生很大变化，使得离线值与在线值相似；而分子表示每个信标12通过评估平均RSS的方差的强度来区分参考点的能力。具有最高ξi的信标12被选择以构造矩阵Φ用于精细位置确定。
[0177] 在随机组合中，不像基于不同准则而选择适当的信标12以及动态地创建矩阵Φ用于每个位置更新的以上两种方案，AP选择算子Φ被定义为具有i.i.d高斯条目的随机M×L矩阵。随机组合方案具有较小的计算复杂度，这是因为矩阵被固定在不同的运行处并且计算方差不需要与菲舍尔准则所需要的RSS时间采样一样多的RSS时间采样。
[0178] 除了(18)中的稀疏性，不连贯性是使用CS理论应当满足的另一重要属性。然而，(由最强AP或菲舍尔准则生成的)Φ和 在空间域中通常是连贯的，这违反了CS理论的不连贯性要求。为了解决这一问题，以下正交预处理过程44恢复这样的属性。
[0179] 将正交算子T定义为：
[0180]
[0181] 其中 并且Q＝orth(RT)T，其中orth(R)为范围R的正交基， 为R的伪逆矩阵。
[0182] 正交化过程44通过对测量矢量y应用算子T来进行，使得：
[0183]
[0184] 其中ε'＝Tε。其明确地示出 因此，在(18)中被确切阐述的位置确定问题可以被重新确切阐述为：
[0185] z＝Qθ+ε'. (24)
[0186] 在此，Q为具有单位范数的行正交矩阵。已经证明，Q服从CS所需要的约束等距性(RIP)。由于θ具有稀疏特性，因此根据压缩感知理论，如果信标12的数目在 的数量级，则通过求解以下l1最小化问题(例如最小化过程46)，可以具有非常高的概率地、从z良好地恢复位置指示符θ。
[0187]
[0188] 其中||·||1为矢量的l1范数。
[0189] 特别注意，l1最小化算法的复杂度与矢量θ的维度成比例地增长，矢量θ的维度表示潜在参考点的数目。因此，粗略位置确定阶段38——其将感兴趣的区域从所有N个参考点减小为参考点的子集 ——减少了解决l1最小化问题的计算时间并且从而使得能够由资源有限的移动设备20来执行这一过程。
[0190] 如果移动设备20位于指向测量方位中的一个测量方位的参考点中的一个参考点处，则经恢复的位置几乎是精确的。然而，在更有可能的场景中，移动设备20可能不是正好位于与某个方位面对某个方位的某个参考点处。在这样的情况下，经恢复的位置 不是精确的1稀疏矢量，而是包括若干非零系数。为了补偿由于网格假设所产生的误差，进行后处理过程。优选的是挑选 中其值在某个门限λ之上的主导系数，并且采用 中的归一化的值作为每个潜在参考点的对应加权以计算位置估计。令R为 的元素的所有索引的集合，使得：
[0191]
[0192] 移动设备20的位置可以通过这些候选点的加权线性组合来估计，其为：
[0193]
[0194] 在说明性实现中，如果周围环境显著变化，则可能需要更新无线电地图。这可以通过增加无线电地图更新过程来进行。具体地，令矢量ri表示覆盖实验区域的参考点上的AP i的RSS读数，其也是(1)中定义的RSS无线电地图数据库的第i行的转置。令F表示将ri从空间域中的像素表示转换成频率域中的稀疏表示的线性算子，即：
[0195] x＝F·ri (28)
[0196] 还定义采样矩阵GM×N。G的每行为1×N矢量，其中除了g(n)＝1之外所有元素等于零的，其中n为由移动设备在离线阶段期间在无线电地图上测量的参考点的索引。所测量的参考点被随机选择。
[0197] 因此，由移动设备测量的、来自某个AP的离线RSS矢量可以被表示为：
[0198] m＝Gri＝GF-1x＝Rx (29)
[0199] 由于x具有稀疏特征，因此伴随着(23)中的相似的正交化过程44，即，z＝Tm，无线电地图可以通过解决以下l1最小化问题来重构。在此，总变化最小化——l1最小化的特例——可以被用来解决稀疏信号恢复问题，这是因为其可以被用于2D图像恢复。
[0200]
[0201] 其中被定义为x的总变化的||▽(x)||1为每个点处的梯度的幅度之和，并且ε为测量噪声。
[0202] 最后，感兴趣的区域上的信标12i的重构的RSS无线电地图可以通过下式来获得：-1
[0203] ri＝F x (31)
[0204] 来自其余信标12的无线电地图可以使用相同的方法来恢复。因此，RSS在少量的网格点上被测量并且(30)被用来重构整个网格的无线电地图。由于无线电地图恢复所需的测量值(M)的数目服从O(k log(N))，其中N为参考点的总数，并且k表示信号x的稀疏性水平，因此可以期望显著减少经测量的参考点的数目。
[0205] 基于CS的定位系统可以被扩展为跟踪系统，这改善了估计移动设备20的位置的精度。通过使用移动设备20的先前估计的位置，跟踪系统能够通过以下两种方式来细化当前估计：1)在粗略位置确定阶段选择适当的参考点以及2)应用卡尔曼滤波器以实现更好的位置估计。地图信息被用来确定如何更新卡尔曼滤波器以求解位置。经修改的粗略位置确定阶段38基于以下两个准则来挑选相关参考点：(1)在线RSS读数；以及(2)先前估计的物理接近度。
[0206] 位置确定引擎24首先选择在离线阶段定义的、与在线RSS矢量r(t)具有相似RSS读数模式的参考点的群集。这一群集匹配过程32可以是先前描述的群集匹配过程。位置确定引擎24然后将在线RSS读数与来自同一群集的参考点的平均RSS读数进行比较以选择参考点的最佳匹配群集，其被表示为集合CRSS。
[0207] 除了使用在线RSS读数以挑选相关参考点，还可以通过基于先前估计的位置寻找设备的当前位置的可能的范围来挑选参考点。在本地应用中，由于人通常不可能在很短时间段内走动而远离移动设备20，所以如果先前估计的位置已知并且可靠，则系统有理由将感兴趣的区域限制为距离先前估计的位置而可能走动的范围。
存在两种用以挑选这一可能走动的范围的方案——不可预测方案和可预测方案。
存在两种用以挑选这一可能走动的范围的方案——不可预测方案和可预测方案。
[0208] 不可预测方案选择在规定的更新时间间隔期间在先前估计的位置的走动距离内的参考点，即：
[0209]
[0210] 其中β为在规定的更新时间间隔Δt内的走动距离。
[0211] 预测的方案使用先前估计的位置、基于线性运动模型来预测当前可能的位置并且然后挑选在这一预测位置的走动范围内的参考点。这一线性模型的状态矢量包含移动设备的位置和速度，即 其中vx(t)和vy(t)分别为在时间t时x方向和y方向上的速度。因此，模型被定义为：
[0212]
[0213]
[0214] 其中
[0215]
[0216] 其中z(t)为所预测的当前位置。未知速度的估计vx(t)和vy(t)可以基于相同的线性模型(33)和高斯噪声而从卡尔曼滤波器的输出获得，这在精细位置确定阶段之后实现。该卡尔曼滤波器的实现在以上描述。
[0217] 位置确定引擎24然后选择参考点的集合CDist，这些参考点根据(32)在预测的当前位置z(t)的附近，其中使用z(t)代替
[0218] 在基于RSS读数相似性和物理接近度来选择这两组相关参考点之后，位置确定引擎24包括这两组中都出现的公共参考点作为缩小的区域的集合，其中精细位置确定阶段然后被应用。该公共参考点被获得作为集合C，
[0219]
[0220] 这一集合包含如下参考点：这些参考点满足在线RSS测量的相似RSS读数的条件并且在移动设备的先前位置的附近范围之内。因此，它们很可能是移动设备20所位于的可能的位置。通过引入物理范围这一约束，位置确定引擎能够标识所采集的在线RSS读数未用于寻找移动设备20的位置的时刻。在标准操作中，假定移动设备20在其先前位置周围的定义范围内。如果CRSS中的参考点的所选群集远离先前位置，则可以认为在线RSS读数无效，这是因为在线读数与离线数据库之间存在很大偏差，使得基于RSS读数的相似性的群集匹配不能够求解参考点的正确群集。这一场景导致C的空集并且使精细位置确定阶段停止。如果出现这样的情况，则位置确定引擎丢弃这一在线RSS测量矢量并且获得新的在线RSS测量矢量以重新开始位置确定过程。
[0221] 可能存在所有连续的在线RSS测量矢量都产生C的空集的概率。这使得位置确定引擎继续采集新的在线RSS测量值，然后丢弃，以防止其计算该移动设备20的位置的实际估计。这可能在以下情况下发生：先前位置估计不精确并且因此基于这样的估计的参考点的选择与基于在线RSS测量矢量所选择的参考点不匹配。因此，当Nempty个连续的在线RSS测量矢量被丢弃从而证明先前的位置估计不再将位置确定问题有效缩小到较小的相关区域中时，位置确定引擎24仅使用在线RSS测量矢量来选择参考点。
[0222] 在一个实施例中，卡尔曼滤波器可以被应用在精细位置确定阶段所计算的位置估计以增强跟踪性能。通过如(37)中所描述的向线性运动模型增加高斯噪声，卡尔曼跟踪模型被确切阐述为：
[0223] x(t)＝Fx(t-1)+ω(t) (37)
[0224] z(t)＝Hx(t)+v(t) (38)
[0225] 假定过程噪声ω(t)～N(0,P)和测量噪声v(t)～N(0,U)与对应的协方差矩阵P和U独立。
[0226] 获取状态矢量的精细估计 和误差协方差P(t)的步骤包括预测和更新。
[0227] 在预测中，
[0228]
[0229] P-(t)＝FP(t-1)FT+Q (40)
[0230] 在更新中，
[0231] K(t)＝P-(t)HT(HP-(t)HT+R)-1 (41)
[0232]
[0233] P(t)＝(I-K(t)H)P-(t) (43)
[0234] 注意，(42)中的观察z(t)是通过精细位置确定阶段所计算的位置的估计，即在计算状态矢量之后，移动设备的位置的精细估计可以被求解为
[0235] 在实际世界情况的说明性示例中，当携带移动设备的用户在建筑物内部沿着走廊行走时，卡尔曼滤波器能够增强跟踪性能，这是因为由滤波器所假设的线性运动足以对用户的轨迹进行建模。然而，当用户在交叉口转弯时，线性模型不适用于这一涉及方向的突然变化的行为。因此，卡尔曼滤波器可能需要若干更多更新以反映用户的实际轨迹并且因此产生了位置估计的更多误差。
[0236] 通过使用地图信息，卡尔曼滤波器可以被修改以更接近地遵循用户的轨迹。由于卡尔曼滤波器在携带移动设备20的用户沿着走廊直线行走时最佳地表现这些行为但是在交叉口附近时很差地执行，所以当用户在交叉区域时卡尔曼滤波器被重置。根据地图，交叉区域i可以被标识为左下角和右上角分别为 和 的非旋转边界框。因此，如果满足以下两个条件，则用户在时间tturn时在交叉区域内：
[0237]
[0238] 因此，通过重新指派卡尔曼滤波器的初始条件 和P(tturn)＝P(0)，卡尔曼滤波器被重置，并且通常使用 来根据下一估计的(39)至
(43)，卡尔曼滤波器被更新。这通过卡尔曼滤波器去除了在用户转弯时不精确的估计。
(43)，卡尔曼滤波器被更新。这通过卡尔曼滤波器去除了在用户转弯时不精确的估计。
[0239] 移动设备20还可以链接至导航模块28以向移动用户提供到达其期望目的地的引导。该导航模块28可以实现：1)初始设置，2)路径路由和3)跟踪更新。
[0240] 导航模块28依赖于感兴趣的区域的无线电地图，这一地图示出了不同特征，诸如房间、走廊和电梯等的布局。在设置阶段期间，从地图提取关于不同地图特征的信息，以便使得导航系统能够生成可达路径和关于周围环境的描述指令。
[0241] 首先，地图的布局可以被解释为具有节点的图形，这些节点是如下可能的通行点的笛卡尔坐标的集合，这些通行点沿着节点之间的、表示它们可以在物理上彼此到达的走廊或者目的地和边缘。每个边缘可以被指派非负的加权，这一非负的加权被定义为两个连接的节点之间的欧几里德距离。系统来使用这一连接图以生成期望路径用于路径路由。除了定义这一连接图之外，地图特征的列表被连同其位置一起记录，使得导航系统可以基于这些特征来生成指令。
[0242] 在导航的开始时，移动设备20首先获取用户的期望目的地的输入和用户的当前位置，其可以由用户来指定或者可以由设备使用位置确定引擎来估计。然后，系统标识在初始设置期间所定义的连接图上的两个节点，这两个节点分别最接近该目的地和用户的当前位置。路径路由可以被解释为在连接图上寻找这两个节点之间的最短距离。这一问题可以通过应用迪杰斯特拉算法来解决。
[0243] 所生成的路径可以被分成在不同方向上定向的一系列线段。所生成的路径可以被表示为线段的集合G＝{l1,l2,...,lS}，其中S为线段的数目并且每个线段被表示为其中 和 分别为第i条线段的起点和终点。转弯点被标识为线段之间的终点，即 基于这些生成的线段，系统能够确定每条线
段上的转弯点、转弯的方向和行进的距离。此外，系统还可以找到沿着这一生成的路径呈现的相关地图特征的列表，其被表示为 其中 为特
征j的位置，Featurej为特征的名称，C为相关地图特征的总数。
段上的转弯点、转弯的方向和行进的距离。此外，系统还可以找到沿着这一生成的路径呈现的相关地图特征的列表，其被表示为 其中 为特
征j的位置，Featurej为特征的名称，C为相关地图特征的总数。
[0244] 在生成可以将用户引导至他的目标的路径之后，导航模块28开始跟踪更新以保持对用户的位置的跟踪。对于每个跟踪更新，导航模块将位置估计与所路由的路径相比较以检查用户是否正确地遵循路径。这一分析根据图3的过程50来进行。
[0245] 在52，导航模块28(可以被称为跟踪模块)首先通过检查用户的当前位置与目标之间的欧几里德距离是否在范围βdestination内来确定用户是否到达目的地。否则，在54，导航模块28试图使用户的当前位置 与所生成的路径集合G中的线段之一匹配。如果这一跟踪更新如图4所示在线段li内，则导航模块28可以通过解以下两个函数来求得线段li的跟踪更新点 的最小距离 和投影
[0246]
[0247]i i
[0248] 其中p为共线的 和 的投影点，μ为 与 之间的距离的比率并且指示点p距离 有多远。根据(45)得到的μi的解为：
[0249]
[0250] 如果计算出的μi在[0,1]的范围内，则投影点落在线段上，这表示更新估计在这一线段的范围内。通过将(47)带入(45)，可以计算投影点p并且可以获取跟踪更新点到线段的最短距离 因此，如果i)μi∈[0,1]且ii) 则导航模块28确定跟踪估计与线段li匹配。如果存在连续的Noffpath个跟踪估计不与G中的任何线段匹配，则导航模块28可以(经由语音生成引擎27和路由模块29)提示用户停止运动并且通过使用用户的当前位置作为起点来进行符合与以上所描述的过程相同的过程的路径重新路由。
[0251] 在56，导航模块确定用户是否沿着错误的方向行进。
[0252] 此外，如果μ的值接近1——这表示用户接近线段的末端(如在58所确定)，则导航模块28可以标识用户需要转弯(在60)并且(经由语音生成引擎27)给出适当的指令。注意，在正常情况下，其中用户正确地跟随路径，μ的值应当沿着每个更新的相同线段增加并且最后移动至下一线段。因此转弯的方向可以基于当前和下一线段的方向来计算。
[0253] 为了确定移动用户的方位，对于每个跟踪更新，计算当前更新与先前更新之间的方向矢量并且然后将其与当前匹配的线段方向进行比较。如果连续的NWrong direction个跟踪更新在线段的相反方向上，则可以(经由语音生成引擎27)向用户发出错误方向的语音命令。
[0254] 最后，导航模块计算用户的当前估计 到F中的地图特征之间的欧几里德距离(在62)。如果这一距离小于βf，则模块将(经由语音生成引擎27)向用户生成与这一特定的地图特征有关的对应的语音命令。
[0255] 使用实例
[0256] 本文中所描述的实施例可以被应用于多个室内和室外应用。
[0257] 例如，本文中所描述的实施例可以被用来扩充在室外可操作(例如通过使用GPS)但是在室内失去功能的基于当前位置的服务。扩充基于室外位置的服务对于向用户提供从外部源接收建筑物内的路径路由的能力可以是有利的。其还可以用于通过提供应急情况的精确位置来增强应急服务。广告商还可以将广告扩展至更精确的位置以增强行为营销。
[0258] 本文中所描述的实施例的另一应用为实现近距离范围内的移动设备20之间的数据共享。可能的应用包括文件(照片和其他媒体)共享、文档交换和社交介绍。
[0259] 另外的应用包括实现由无线电地图提供的蓝图内的用户的精确位置确定。例如，用户可以使用移动设备20来导航商场，该移动设备20具有用位置信息扩充的无线电地图，该位置信息包括商店位置、商店内的营业部位置、营业部中的营业组以及甚至营业组内的产品布置。例如，所构造的图形可以用如下方式来创建：其中节点被绑定以存储货架或产品位置。相反地，本文中所描述的实施例可以用于监视/跟踪孩子或未成年人在繁忙的购物中心的位置。附加应用包括医疗设备、教育机构(例如博物馆、画廊)、社交交互(接近检测)、旅行、购物、游戏、运动等。例如，在医疗环境中，医疗设备可以利用无线电地图。
[0260] 类似地，本文中所描述的实施例可以用于索引和回忆用户车辆在室内停车场中停放的位置；定位机场、会议中心、主题公园、宾馆或其他大型或不熟悉的场所的服务(厕所、酒店、登机门等)；以及通过在财产的位置放置指纹来跟踪该财产位置。该财产位置跟踪对于例如使得快递公司能够快速且精确地定位快递地点而言可以是有益的。
[0261] 本文中所描述的实施例还可以被用作给基于位置的移动工具的输入。例如，在给定位置有场景反馈的室内位置中，本发明可以提供对于要向用户提供的反馈所必需的提示。在特定示例中，用户可能在博物馆中，该博物馆具有提供与博物馆艺术品有关的信息的移动应用。当用户在某个艺术品附近时，对应的信息可以经由用户的移动设备自动地被提供给该用户。这也可以被用在例如拍卖站点，其中与售卖物品有关的信息可以基于用户在售卖物品附近而被呈现给该用户。其还可以被用在房地产拍卖，其中所有者可以设置该房地产要被呈现的特定部分(例如房间、视野等)的信息。
[0262] 另外的应用包括实现由无线电地图所提供的蓝图内用户的精确位置确定。例如，用户可以使用移动设备来导航商场，该移动设备具有用位置信息扩充的无线电地图，该位置信息包括商店位置、商店内的营业部位置、营业部中的营业组以及甚至营业组内的产品布置。当用户在商店附近时，可以向移动设备递送基于位置的服务，诸如商店推荐、优惠券、新产品描述。相反地，本发明可以被用来检测/跟踪孩子或未成年人在繁忙的购物中心的位置。
[0263] 例如，所公开的方法可以被用在扩充的实际游戏环境内、很可能是扩充的实际形式的激光标签内。这一竞技场可以安装有信标并且因此玩家可以被跟踪。该技术的扩展可以包括创建“干扰发射机”，其防止对玩家进行位置确定，或者增加位置误差以使对手混淆。
[0264] 示例#1
[0265] 从办公大楼获取实际数据。具体地，在八层建筑物(Toronto大学的Bahen Center)的第四层的30m×46m的区域上进行实验。遍及感兴趣的区域一共检测到26个信标12。
[0266] 使用个人数字助理(PDA)或移动设备(带有Windows Mobile 2003掌上电脑的HP iPAQ hx4700)来测量WLAN信号强度值，并且用Visual Studio C#开发软件以在设备上实现基于CS的定位系统。通过使用开源库OpenNetCF而在设备上采集RSS值，该OpenNetCF提供对WLAN AP的MAC地址和RSS值的访问。在离线阶段期间，在平均网格间隔为1.5m的72个参考点上、持续50秒的时间段(每秒一个采样)而记录来自26个信标12的RSS观察值。在每个参考点处，记录来自四个方位的RSS值。该在线观察值由未知位置处的设备在不同日采集作为测试点以评估系统在时变环境中的实际性能。每个在线观察值是2个RSS时间采样的平均，其需要该设备花费2秒来进行Wi-Fi扫描。
[0267] 下面，将位置确定误差报告为性能测量，该位置确定误差通过对移动用户的估计位置与测试点上的实际位置之间的欧几里德距离求平均而测量。
[0268] 为了缓和RSS变化和去除可能的异常值用于粗略位置确定，对每个无线电地图应用仿射传播以在离线阶段期间生成群集及其对应的样本。图5示出了北方的无线电地图的PDA的群集结果的示例。每个点表示采集RSS读数的一个参考点，并且每个填充模式表示一个群集。其示出，72个参考点被分为13个群集，并且属于同一群集的大多数参考点在地理上彼此靠近。群集的数目在不同的方位可以不同。这仅是非限制性示例。
[0269] 由于先前描述的粗略位置确定被用来将用于位置估计的感兴趣的区域减小为子集C，所以CS算法中稀疏信号的维度被降低为 根据压缩感知理论，当信标12的数目在的数量级时，位置指示符可以被良好地恢复。这使得系统能够减少精确位置恢复所需要的信标12的数目。图6示出了在由仿射传播所生成的不同数目的群集的情况下，根据算法中所使用的信标12的数目的平均位置确定误差。如图6中所示，当在所有四个方位上生成总共58个群集时，仅需要8个信标12来实现大约1.1m的误差，在29个群集的情况下误差为1.9m。然而，如果没有应用群集方案，则需要18个信标12来实现1.8m的误差。
[0270] 此外，由依据经验设置的参考值的输入来确定由仿射传播所生成的群集的数目。一方面，增加群集的数目有助于在粗略位置确定之后将感兴趣的区域减小为较小的区域，并且因此改善了平均位置确定精度并且还降低了精细位置确定的复杂度。另一方面，这增加了选择错误的群集的机会，这导致定位系统的很大的位置确定误差。因此，学习不同的粗略位置确定方案以降低选择错误的群集的概率。图7图示在使用10个信标12时，在以上所描述的不同的粗略位置确定方案的情况下的位置确定误差的累积分布函数(CDF)。其通过实验示出，加权群集匹配方案将最大位置确定误差从9.2m降低至6.3m，这是因为其考虑了来自不同信标12的RSS读数的稳定性。
[0271] 图8示出了在用于精细位置确定的不同信标选择方案的情况下的平均位置确定误差。在随机组合方案中，根据(19)，x轴的值表示来自L个信标12的在线RSS值的线性随机组合的数目。在所提出的三种方案中，使用菲舍尔准则的信标选择(尤其在信标12的数目小于5时)实现了最佳性能，而最强信标12选择实现了最差性能。所提出的随机选择方案实现了与菲舍尔准则的位置确定误差可比较的位置确定误差，但是不需要大量的离线RSS时间采样以计算方差。此外，矩阵Φ可以被重用于每个位置更新，从而节省精细位置确定的计算时间。
[0272] 有趣的是，由于不稳定的信标12所生成的偏差估计，将更多的信标12用于精细位置确定可能并不一定增加精度。如图8所示，当信标12的数目在11以上时，定位系统的性能下降。其并不受选择信标12的方式的影响，这是因为冗余的信标12被引入所有三种情况。
[0273] 在一个实验中，将本发明的位置确定系统与被称为KNN和基于核的方法的传统的指纹识别方法、在使用10个信标12时的累积误差分布方面进行比较。作为说明性示例，所提出的定位系统使用仿射传播以在离线阶段期间生成四个方位的总共58个群集，并且然后通过加权群集匹配来执行粗略位置确定，之后为由随机信标组合、l1最小化算法和后处理过程所组成的精细位置确定阶段。出于公平，三个定位系统使用相同的粗略位置确定方案，但是在精细位置确定阶段中不同。图9示出了实现结果。如所观察到的，其中90％的时间，所提出的基于CS的方法实现了在2.7m内的误差，并且分别胜过KNN和基于核的方法25％和28％。
[0274] 为了减少用于指纹识别方法的参考点的数目，相同的CS方案也可以被用在离线阶段中以基于仅少量的参考点处的RSS测量值来重构无线电地图。在仿真时，随机挑选仅36个参考点，并且示出的是，与在总共72个参考点处实际测量的值相比，在72个参考点处的无线电地图可以被良好地恢复。
[0275] 图10示出了基于来自使用同一PDA随机挑选的36个FP的、在实验区域上的72个参考点处的信标12的实际测量的RSS无线电地图70、连同对应的所重构的/所恢复的无线电地图72。同一技术可以被用于恢复来自其余信标12的RSS读数。
[0276] 与使用实际测量的无线电地图的位置确定相比，所重构的RSS无线电地图被用于位置确定。图11示出了所提出的方案能够当使用10个信标12时、通过使用所重构的无线电地图来实现1.6m的平均误差。然而，使用通过传统的差值方法而恢复的无线电地图将使用10个信标12时的平均位置确定误差降低为2.6m。
[0277] 示例#2
[0278] 在安装有Windows Mobile平台的移动设备20上开发软件应用(例如室内位置资源)以实现所提出的室内跟踪和导航系统。使用Microsoft.Net Compact Framework version 3.5用C#来开发软件。此外，使用两个开源库OpenNetCF和NotNetMatrix来向程序提供RSS扫描功能和矩阵操作。在由HP,hp iPAQ hx2750制造的移动设备20(例如PDA)上测试软件。图12中图示了软件和配置硬件的概述。
[0279] 在面积尺寸为18m×36m的加拿大全国盲人协会(CNIB)的第二层处测试具有预测的位置确定系统。在离线阶段期间，在PDA上运行所开发的软件以在如下128个参考点(N＝128)上采集四个方位：北方、东方、南方和西方中的每个方位的100个RSS时间采样(其中采样率为每秒1个采样)，其中这些128个参考点均匀地分布在站点上，平均网格间隔为1.5m。在本实验中，对于每个方位RSS数据库生成大约15个群集，使得同一群集内的参考点在地理上彼此接近并且仅需要修改2或3个异常值。
[0280] 采集若干轨迹以评估具有预测的位置确定系统的性能。沿着4个不同的轨迹以恒定的速度走动，如表A中所总结的，以每秒1个采样的速率使用同一PDA从可见信标12采集RSS读数。
[0281] 表A 轨迹概述
[0282]
[0283] 举例而言，图13将位置确定系统的四个不同版本进行比较。在被称为“基于CS的定位”的方案中，仅使用用户的估计位置。在“基于CS+卡尔曼滤波器”中，将由定位器获得的位置估计输入卡尔曼滤波器以进一步细化位置估计。该位置确定系统还以两种版本来使用：没有预测和具有线性预测。以上讨论了这些版本的细节。
[0284] 在所使用的信标12的数目超过10并且反映需要最小约束的CS理论的属性时，这些系统的平均误差保持大约相同。使用任一方案的具有预测的位置确定系统能够改进非预测位置确定系统并且还实现了比直接应用卡尔曼滤波器更好的精度。当10个信标12被使用时，使用未预测方案的位置确定系统与非预测位置确定系统和卡尔曼滤波器相比分别产生0.98m(37％)和0.45m(21％)的平均误差改进。
[0285] 将具有未预测方案的这一示例跟踪系统与非预测位置确定系统以及卡尔曼滤波器在KNN方法和非预测位置确定系统上的直接应用相比较。图14示出了在累积误差分布方面的比较结果，并且表B示出了这四个系统的位置误差统计。该位置确定系统胜过其他三个方法，这是因为当与其他系统相比时该位置确定系统具有最小平均误差、百分之九十的误差和方差。
[0286] 表B 位置误差统计
[0287]
[0288] 在实验中，使用移动设备20上的开发软件在相同的实验站点测试导航模块。图15示出了具有适当定义的节点的地图，这些节点由导航模块用来生成至期望目的地的路径并且向用户给出适当的引导。
[0289] 图16图示根据一个实施例的计算机程序的截屏，其示出了对移动设备20的位置的实际跟踪。直线示出了由导航模块生成的路由路径。圆圈表示设备的位置，五角形表示目的地。
[0290] 导航从首先请求用户在移动设备20上挑选期望目的地来开始，然后软件求解用户的位置并且在预定的连接图上运行迪杰斯特最短路径算法以生成行走路径。然后，跟踪系统开始，该跟踪系统每2秒更新用户的当前位置(每个更新使用2个RSS时间采样)。图16中示出了示例截屏，其中用户从地图上的房间207开始并且走向房间218E。
[0291] 若干视觉上受损的人被请求在这一实验站点处尝试导航设备，并且该设备能够向用户提供到达其期望目的地的有用引导。另外，移动设备20能够根据用户的所计算的位置生成相关指令。具体地，设备能够引导参与者到达春天喷泉、通常容易被参与者错过的安装在墙上的小型物体。
[0292] 示例#3
[0293] 本文中描述的用于动态地生成无线电地图的实施例可以被实现为实现所公开的技术的计算机系统。
[0294] 本文中所描述的实施例还可以被应用于大量利用本公开内容中所提供的无线电地图预测机制的实际系统。
[0295] 例如，可以使用本文中所描述的实施例的无线电地图预测机制来构造系统和方法，该系统和方法被配置成快速监测某人在室内环境中的位置以提供更好的安全和保护服务。这样的系统可以被用以例如监测孩子在幼儿园中的位置、患者在医院中的位置、老年人在开放式室内区域中的位置等。
[0296] 在所公开的系统和方法的另一可能的应用中，计算机系统可以被配置成动态地生成覆盖与一个或多个智能TV关联的室内或室外区域的无线电地图。计算机系统可以被用来高效地生成覆盖例如公寓建筑物内的多个单元的无线电地图。该无线电地图可以使得例如建筑物内的邻居能够基于不同单元的定义、使用该无线电地图来在观看相同的TV节目时彼此交互。该无线电地图还可以实现在将具有基于位置或基于行为的广告以居民为目标时维护该居民的隐私。
[0297] 本公开内容中所描述的使用动态无线电地图机制的无线设备的定位可以被用以通过社交连网平台、基于位置信息而不需要要求使用中央服务器来监测无线设备的位置的定位来增强用户交互。例如，被描述用于动态生成无线电地图的机制可以被用来支持购物中心中的交友计算机系统，或者优惠券系统基于商场中的顾客的当前位置而以该顾客为目标。该优惠券可以涉及接近该用户的当前位置或者沿着预测路径的商家。
[0298] 此外，被用以动态地生成无线电地图的本创新技术可以被用于其中需要对被配置成接收多个类型的数据元素的地图的生成进行自动化的其他应用。被公开用于根据RSS测量值来构造图形的非参数方法可以被用在其他应用中，诸如例如：(i)通过将图像信息绑定至图形节点或者RSS签名以便简化基于位置的检索，根据大量的图像采集而动态地构造图像库；(ii)动态地构造手写采样库用于在手写识别系统中使用并且然后使用基于位置的服务来认证或者基于RSS签名来验证签名，(iii)通过将语音或话音采样链接至位置来根据多个话音采样构造语音识别库，其又可以被表示为图形节点；(iv)根据遗传学信息记录来动态地生成遗传学或基因组信息分类库，(v)通过将游戏元素绑定至图形的节点来动态地生成游戏元素库以便由游戏生成器来使用，(vi)动态地生成音频/视频内容库的音频/视频内容元素。
[0299] RSS无线电地图的自动和动态生成
[0300] 通过移动无线局域网(WLAN)和移动无线设备的广泛部署，对(在全球定位系统(GPS)不可用的室内环境中)提供基于位置的服务(LBS)诸如导航以及人员和财产跟踪的兴趣越来越高。对于研究基于RSS的位置算法(诸如驾驶攻击)已经进行了一些努力，在驾驶攻击中需要预先采集的RSS无线电地图、在地图上的定义网格点处的RSS读数的完整表格。然而，手动地生成和维持环境特定的无线电地图涉及大量人工成本并且限制了服务站点。本文中所描述的实施例提供了一种室内定位系统，其仅使用少量校准(例如已知配对、指纹采样)、通过半监督式的学习和压缩感知来自动地和动态地学习和生成RSS无线电地图。
[0301] 生成RSS无线电地图的关键点是建立RSS读数与位置之间的复杂关系。大量的人工成本可能来自于对每个网格点上的RSS读数进行手动标记。因此，为了避免大量校准，通过以下方式来采集RSS读数：该方式使得环境中的每个用户对来自他的/她的移动设备的RSS扫描结果做出贡献甚至没有通知(例如人群)。因此每个RSS扫描结果的关联位置被表示为连接图上的节点并且可以用少量标记根据图形结构来学习。压缩感知是一种通过最小化程序而从少量噪声测量值恢复稀疏信号的方法，以根据所报告的RSS扫描结果来构建图形。为了使其变得可能，本文中所描述的实施例可以依赖于图形上的两个假设：平滑度和稀疏度，该平滑度直观上暗示物理上在附近的节点具有相似的RSS读数，该稀疏度暗示每个节点仅具有少量邻接点。
[0302] 在一个实施例中，在Android移动设备(例如HTC Desire z或者其他制造商/型号/品牌)上实现所提出的室内定位系统以评估性能。通过将预测的无线电地图与从环境手动采集的实际指纹进行比较来评估无线电地图生成的精度。发明人使用预测的无线电地图在先前的研究中评估整个所提出的定位系统的精度。实验结果表明所提出的系统不需要大量离线校准，这显著地降低了采集指纹的人工成本，同时将定位精度维持在令人满意的水平。实际上，所生成的RSS无线电地图可以由任何基于指纹识别的定位系统用作其中可以应用在线位置估计的离线数据库。
[0303] 精确的定位系统的主要挑战来自于由于无线电信道的动态和不可预测特性(诸如阴影、多路径、无线设备的方位等)而产生的RSS的变化。因此，无线电传播模型的用以解释RSS位置关系的用途可能容易产生大量误差。因此，通常使用指纹识别来代替估计用户的位置。这一方法包括两个阶段：i)在离线阶段期间在已知的网格点(被称为参考点(RP))处采集RSS读数以创建指纹数据库，以及ii)使用确定性方法或者概率性方法，将在线RSS读数与数据库比较以估计用户的位置。
[0304] 本文中所描述的实施例提供了一种如本文中所描述的、可以在移动设备20上实现的新的基于RSS的室内定位系统。可以将定位问题重新确切阐述为稀疏特性问题，并且可以使用压缩感知理论来使由移动设备测量的信号强度与指纹数据库匹配。位置估计器也由两个阶段组成。在离线阶段，在参考点的网格上采集RSS读数。然后使用仿射传播算法将该RSS读数分解成多个群集。在线阶段由移动设备的以下操作来组成：使用粗略定位器来测量RSS以找到其所属于的群集，以及使用精细定位器来测量RSS以通过求解 最小化问题来细化位置估计。该系统被示出为比其他基于指纹识别的方法(k最邻近方法和基于核的方法)具有更好的精度，该k最邻近方法将估计计算作为其RSS读数具有到在线RSS读数的最短欧几里德距离的k个最邻近的质心，该基于核的方法通过使用贝叶斯理论和核函数来估计位置的后验分布。然而，离线阶段通常涉及大量人工成本，并且LBS仅可以在其中预先采集指纹的那些受控环境中提供。
[0305] 发明人已经认识到，基于指纹识别的定位系统中的大量人工成本来自于对每个参考点上的RSS读数进行手动标记。令(ri，pi)为RP i处的RSS位置配对，其中ri＝[r1，i，...，rL，i]为来自L个接入点的功率读数，并且 为RP i，i＝1，...，N的对应坐标，N为RP的总数。大量ri可以通过众包方式来采集使得环境中的每个用户对他的/她的移动设备的RSS扫描结果做出贡献甚至没有噪声。此外，ri可以通过简单地携带移动设备并且在正常情况下在环境周围走动来采集。因此，ri大量可用并且很容易采集，而手动获取pi可能是人力密集型的。为了解决这一问题，对于每个未经标记的ri，本系统和方法适于根据尽量少的经标记的采样来自动学习对应的pi。这一问题可以由EZ模型通过使用遗传算法(GA)来估计无线电传播模型中的未知参数而解决。然而，该算法基于对无线电传播模型的严格假设。同时，由于GA的高度复杂性，学习过程非常缓慢。本文中所描述的实施例通过半监督式学习解决了这一问题，其根据仅少量的经标记的采样(例如维度数据、数据元素的已知配对)，将高维度的数据(RSS读数)映射至低维度的表示(即2D位置)。绘图是一种用以在维度降低期间寻找需要保存的数据结构的很有用的工具。
[0306] 图形可以使用不同的方法来构造，诸如k最邻近图形和Q-ball图形。这些传统的图形构造算法可能需要必须手动设置的某些数目的参数，并且这些参考可能对图形结构有很大的影响。因此，学习结果对于图形参数很敏感，这可能降低系统的鲁棒性。压缩感知提供了一种用于根据相比例如奈奎斯特采样理论所需要的噪声测量更少的噪声测量来恢复稀疏或可压缩信号的新颖性框架。通过求解 最小化问题，该稀疏信号可以以很高的概率精确地重构。本文中所描述的实施例提出了一种用以重构图形的非参数方法。图形邻域连接问题可以被确切阐述为稀疏信号恢复问题，其中CS被应用。在一些实施例中，所提出的方法可以依赖于图形上的两个假设：平滑度和稀疏度，该平滑度直观上暗示物理上在附近的节点具有相似的RSS读数，该稀疏度暗示每个节点仅连接至少量邻接点。
[0307] 示例问题设置和系统架构
[0308] 在典型的WLAN定位场景中，每个用户携带配备有WLAN适配器的移动设备20，从而报告来自室内环境中的可用AP的RSS测量值。这些类型的RSS读数可以通过众包动态方式而大量采集，这是因为环境中的每个用户对来自他的/她的移动设备20的RSS扫描结果做出贡献甚至没有通知。然而，系统没有对应的位置信息。同时，少量RSS位置数据配对事先被采集并且保存在服务器中。系统也不知道可用AP的位置。定位系统的主要任务在于：i)生成包括所有RSS位置信息的完整的RSS无线电地图；以及ii)在设备上图示每个用户的当前位置。
[0309] RSS无线电地图可以是经报告的RSS矢量及其位置的完整的表格，如图17所示。如果表格足够稠密，则新到来的移动用户的位置可以通过将当前RSS读数与预先存储的无线电地图相比较来估计。表达式(ri，pi)被用来表示少量的经采集的RSS位置数据配对，其被定义为经标记的数据，其中每个ri＝[r1，i，...，rL，i]为来自L个可用接入点的功率读数，并且 为q个时间采样上的、来自接入点I的平均功率读数，其中 为
RP i，i＝1，...，l的对应坐标。表达式(rj)被用来表示在不知道位置的情况下来自用户的大量所报告的RSS读数，其中j＝l+1，...，l+u.。注意的是l＜＜u.。因此，无线电地图中的RSS(包括经标记的和未经标记的RSS)的平均值可以被表示为Ψ：
RP i，i＝1，...，l的对应坐标。表达式(rj)被用来表示在不知道位置的情况下来自用户的大量所报告的RSS读数，其中j＝l+1，...，l+u.。注意的是l＜＜u.。因此，无线电地图中的RSS(包括经标记的和未经标记的RSS)的平均值可以被表示为Ψ：
[0310]
[0311] 其中每个列RSS矢量表示每个RP处的RSS读数。如果在RP处没有找到信标12的RSS读数，则将无线电地图中的对应RSS实体设置为很小的值(例如在本实施例中为-110dBm)以暗示其无效性。学习系统的目的在于求解预测算子f:r→p，使得对于每个RSS矢量，可以获得对应的位置pk，其中k＝1，...，l+u，，如表I所示。
[0312] 表I：学习系统的输入和输出
[0313]
[0314] 通过半监督式学习的目标函数。
[0315] 在本方法中，加权图形G＝(V,E)可以被用来描述以上问题，其中V＝{p1，...，pl，pl+1，...，pl+u}为顶点集合，其中每个节点表示一个RP的位置，E为顶点配对之间的边缘集合。与每个节点关联的是RSS矢量。与每个边缘eij∈E关联的是非负实数wij，其被称为加权， 其中l＜＜u。该图形加权可以通过在RP配对处的RSS读数的相似性测量来确定，并且因此图形结构通过预测算子f被保护免受高维度的数据(RSS读数)改为低维度的表示(例如2D位置)。下面将进一步更详细地讨论图形构造和图形加权计算。由于系统已知V中的第一个节点l的位置，所以一旦确定了图形的结构，则可以预测所有节点的位置。良好的预测算子f:r→p依赖于两个因素：一个是与所测量的标记一致，另一个是在维度降低期间保护图形结构。直观地，物理上邻近的节点应当具有相似的RSS读数。这一特征被定义为图形的平滑度。因此，f可以根据以下公式来学习：
[0316]
[0317] 其中第一项为根据经标记的数据配对而产生的拟合误差。来自这些经标记的RP的RSS读数的预测位置应当与实际测量位置一致。第二项增强图形的平滑性。与较大加权连接的节点应当在物理上彼此接近，反之亦然。γ为固定的平滑系数(在本实现中，γ＝0.01)。通过使用矩阵表示，很容易示出公式(49)等同于：
[0318]
[0319] 其中f为(l+u)(l+u)×2的矩阵，其中每行表示图形上的一个节点的经预测的2D位置。Tr(.)表示方阵的遍历，上标T表示转置，L为图形拉普拉斯算子，其可以根据图形加权用下式来计算：
[0320] L＝D-W (51)其中W(l+u)×(l+u)为图形加权矩阵，每列(被表示为Wi)表示图形上的所有节点对节点i的加权。D＝diag(d1，...，dl+u)，并且di为W的第i行之和，即[0321] 通过压缩感知的图形构造
[0322] 根据一些实施例，本半监督式学习方法的关键方面为图形构造和图形加权计算。存在不同的图形构造的方法，诸如k最邻近图形和∈球图，在k最邻近图形中每个节点连接至具有最大相似度的前k个节点，在∈球图中每个节点连接至落在∈的欧几里德距离内的其附近的所有节点。然而，由这两个方法定义的图形都是对称的，并且∈球图不保证图形的连接性，这导致孤立的子图形。同时，由于附近结构通过手动设置的参数(k或∈)来预定和固定，所以这些方法不能良好地表征节点之间的真实地理关系。不同的参数设置可能带来不同的图形结构，从而产生非常不同的学习输出。
[0323] 如将描述的，本文中所描述的实施例可以采用非参数方法来构造图形并且仅根据RSS读数(例如数据元素)来计算图形加权。由于每个节点仅连接至特定数目的物理相邻节点，所以图形连接具有稀疏特性。更具体地，每个节点的加权寻找(wi)可以被确切阐述为稀疏信号恢复问题，其中可以应用压缩感知。
[0324] 令 表示公式(1)中定义的除了第i列之外的RSS无线电地图。如果无线电地图足够稠密，则图形上节点i处的RSS读数可以被近似地表示为其相邻节点处的RSS读数的线性组合。加权矢量wi表示每个节点对于节点i表示其RSS签名的贡献，i＝1，...，l+u。
[0325] M×L的矩阵Φ被定义为对RSS矢量ri应用的信标选择算子，使得：
[0326] yi＝Φri (52)
[0327] 其中Φ的每行为1×L矢量，其中除了 之外的所有元素等于0，
[0328] 其中 为信标12的索引，其按照下式来选择：
[0329]
[0330] 由于不可靠的信标12可能导致偏差估计并且影响定位系统的稳定性，所以AP选择过程的目的在于选择可靠的信标12的子集用于进一步精确的计算。可以使用不同的信标选择方法。简而言之，可以使用最强信标选择。对于每个节点，选择具有最高RSS读数的信标12的集合，以证明最强信标12提供随着时间的最高覆盖概率。具体地，按照RSS读数的降序来对RSS矢量ri分类，并且使用对应于最小索引的信标12。由于基于每个ri来创建Φ，所以这一准则可以对于每个节点创建不同的Φ。
[0331] 基于以上定义，在节点i处的所选择的RSS读数可以被表示为：
[0332]
[0333] 其中θi是维度为(l+u-1)×1的稀疏矢量，表示图形上所有其他节点对节点i的加权，ε为未知的估计误差。因此，目的是给定yi，Φ和 而找到每个节点的加权矢量。
[0334] 除了公式(54)中的稀疏度，Φ与 之间的不连贯性是应当被满足的另一重要属性以使得能够将CS理论用于根据少量测量值的稀疏信号恢复。因此，正交化过程可以被用来引入这样的属性。
[0335] 定义正交化算子T为：
[0336] T＝QRT (55)
[0337] 其中 并且Q＝orth(RT)T，其中orth(R)为范围R的正交基，并且 为矩阵R的伪逆矩阵。
[0338] 这一正交化过程通过对RSS矢量yi应用算子T来进行，使得：
[0339]
[0340] 其中ε′＝Tε。直接示出的是 因此，公式(54)中被确切阐述的节点i的图形加权计算问题可以被重新确切阐述为：
[0341] zi＝Qθi+ε′. (57)
[0342] 在此，Q为具有单位范数的接近正交的矩阵(行比列更多)，并且符合CS[18][19]所需要的约束等距性(RIP)。由于θi具有稀疏特性，所以根据压缩感知理论[5][6]，如果所选信标12的数目M在log(l+u)的数量级，则可以通过解决以下 最小化问题来以很高的概率根据zi良好地恢复稀疏矢量θi。
[0343]
[0344] 其中||·||1为矢量的 范数。
[0345] 特别注意，如果信标12的数目(M)太少，则可以使用群集算法诸如仿射传播或k平均[20]来生成子图形，并且以上算法可以被应用在每个群集内。最后，保持所有正值在中，并且(l+u)×1加权矢量wi通过如下公式与 相关：
[0346]
[0347] 加权矩阵W通过对图形上的节点中的每个节点应用同样的算法来获得。
[0348] 由于假定在每个节点处的RSS读数可以被近似地表示为其相邻节点的RSS读数的线性组合。所以存在这样的情况：当RSS读数中存在直接平移时，两个节点以大的加权进行连接。为了补偿由线性假设所产生的误差，可以使用热核函数来滤除不正确的边缘，并且因此纠正图形结构。该热核函数通过使用两个节点的绝对RSS距离来定义这两个节点之间的相似度。因此，图形加权矩阵W通过下式来更新：
[0349] W：＝W.*K K(i，j)＝exp(-||ri-rj||2)/4 (60)
[0350] ，其中
[0351] 其中.*为两个矩阵之间的元素乘法。该热核函数在消除了以上情况的同时对于两个节点之间的较小的RSS差异保持较大的加权。表II图示了用于图形构造和加权计算的详细的步骤。
[0352] 表II：图形构造和加权学习过程
[0353]
[0354] 封闭形式的解
[0355] 在使用压缩感知根据RSS读数建立图形之后，可以根据(4)来计算图形拉普拉斯算子L。最后，由[21]给出公式(50)中的目标函数的封闭形式的解：* -1
[0356] f＝(J+γL) JP (61)
[0357] 其中J＝diag(δ1，...，δl+u)，并且标识符δi，在经标记的位置处取值为1而在未经标记的位置处取值为0，即：
[0358]
[0359] P为所有节点的初始化位置矩阵， 其中：
[0360]
[0361] 学习结果f*为(l+u)×2的矩阵，其中每行表示图形上的一个节点的所预测的2D位置。
[0362] 测试设置和软件概述
[0363] 在Android平台上开发和安装RSS无线电地图学习和定位软件，如图18所示。该软件使用Android SDK用Java来开发，并且安装在智能电话(具有Android 2.2的HTC Desire z)上。此外，安装Google API add-on和Jama package作为外部库。
[0364] 为了评估系统的性能，在加拿大全国盲人协会的第二层的大约18m×36m的区域中采集完整的RSS无线电地图数据库。除了在站点找到的8个信标12之外，还部署15个附加架外信标12(Linksys Wireless G Broadband Router WTR54G2)以确保对感兴趣的区域的良好覆盖。对于128(其中l+u＝128)个RP中的每个RP采集50个RSS时间采样。该RP均匀地分布在站点上，其中平均网格间隔为1.5m，如图19所示。
[0365] 性能度量
[0366] 分别对RSS无线电地图预测的性能和使用所预测的无线电地图来定位的性能进行评估。在无线电地图预测中，挑选少量经采集的RSS位置数据配对，其被表示为标记。数据库中的其余RSS读数被认为是未经标记的数据。对应的位置通过所提出的算法来学习，并且与实际预先测量的位置进行比较来评估预测精度。
[0367] 通过在不同日、沿着不同轨迹以0.34m/s的近似恒定速度步行的两个对象来评估使用所预测的无线电地图的整个定位系统的性能。该轨迹具有不同的长度，需要不同数目的转弯数，并且去往地面上的不同位置。每个在线RSS读数是2个时间采样的平均值。表III中概述了该轨迹的特征。
[0368] 表III：轨迹概述
[0369]
[0370] 已经将定位误差报告为性能测量，该定位误差通过对总数672个测试点上移动用户的所估计的位置与实际位置之间的欧几里德距离求平均而测量。对以下4个定位算法进行分析和比较。
[0371] 拉达尔(RADAR)：对于基于指纹识别的拉达尔系统的解决方案是k最邻近算法，其通过关于在线RSS读数具有最小欧几里德距离的k个最邻近的质心来估计移动用户的位置。在[1]中建议的是，在k＝3,4时实现最佳性能，因此在评估中使用k＝3。
[0372] 何露斯(Horus)：何露斯通过使用统计方法来改善拉达尔定位，其中基于贝叶斯理论来分析每个可能的位置的概率。使用参数分布诸如高斯分布来对每个RP的信号强度直方图进行近似。然后计算前面的候选位置的质量中心作为位置估计。为了降低计算要求，使用被定义为共享相同的接入点的RP的集合的群集用于在何露斯系统中的粗略定位。
[0373] 基于核的定位：基于核的算法也是一种概率方法，其中使用核函数用于信号强度分布近似。计算前面的候选位置的质量中心作为最终的位置估计。
[0374] 基于CS的定位：基于CS的定位算法由使用群集匹配的粗略定位阶段和使用压缩感知的精细定位阶段来组成。
[0375] RSS无线电地图预测的性能
[0376] 为了测试RSS无线电地图预测的性能，可能研究参考点关于信标12的数目的位置预测误差。在实验中，总共有128个RSS读数，每个RP一个时间采样，挑选其中的20个作为其位置被标记的经标记的数据，而其中的108个是具有未知的位置信息的未经标记的数据。基于RSS读数来构造图形，并且通过使用压缩感知来计算图形加权。学习系统输出128个RP的预测位置，将这些预测位置与实际测量位置进一步比较。由于对于每个RP采集50个时间采样，所以试验结果为50个运行的平均值。
[0377] 图20图示平均预测误差随着所使用的信标12的数目的变化。最强信标选择方案被用来生成在公式(53)中所定义的矩阵Φ。基于压缩感知理论，合理的恢复所需要的信标12的数目(M)应当近似符合log(l+u)＝log(128)＝7.。因此，当信标12的数目符合CS理论时，学习系统可以在预测精度方面实现高性能。同时，如图20所示，通过使用多于18个信标12用于位置预测，降低了精度，这是因为引入了由不可靠的信标12生成的偏差估计。
[0378] 图21示出了在不同数目的信标12的情况下学习系统的预测误差的累积分布函数(CDF)。清楚的是，通过将信标12的数目增加至CS理论所需要的数目，改善了学习系统的性能。当信标12的数目足够时，所提出的学习系统提供百分之九十稳定的3.1m的误差。
[0379] 关于标记的数目研究了参考点的位置预测误差。在试验中，考虑总共128个RSS读数，其中每个RP一个时间采样。取代在第一实验中选择标记，在每个重复处随机挑选标记，并且标记的数目在5到125的范围内变化。使用所有23个可靠的信标12。对于某个数目的标记，结果为10个重复的平均。
[0380] 如所期望的，学习系统用更多的标记预测更精确位置。如图22所示，使用20个随机标记(16％)，系统在位置预测时提供2.5m的平均误差。与图20相比，在相同境况下，通过选择关键节点(例如转弯节点)作为标记，预测误差可以被降低至1.6m。
[0381] 定位的性能
[0382] 定位系统的性能基于所预测的无线电地图来评估，并且与以手动采集的指纹数据库来工作的系统进行比较。提供了仿真和实现结果二者。在仿真中，具有50个轨迹，每个轨迹具有128个RP。随机地挑选一个轨迹作为需要学习的数据库，并且具有128个RP的其余49个轨迹各自作为定位系统的测试点。在学习过程期间，这些RP中的20个RP被挑选作为经标记的数据，并且这些RP中的108个RP被认为是未经标记的数据而不知道其位置。因此，可以对于单个轨迹上的所有128个RP来学习整个RSS无线电地图，其被称为预测数据库。同时，预先采集的RSS位置配对被称为测量数据库。在实现中，通过在不同日沿着4个不同轨迹步行的两个对象采集在线RSS读数，包括总共672个测试点，如表III所示。
[0383] 定位可以用两种方式来进行。一种方式是对预测数据库应用传统的基于指纹识别的定位算法，其被称为两步解决方案。另一方式是采用测试点处的在线RSS读数作为新的未经标记的数据并且采用预测数据库作为经标记的数据以通过学习系统来预测测试点的位置，其被称为一步解决方案。
[0384] 图23示出了在以上仿真场景中的定位误差的CDF。结果为49个运行的平均。由于所提出的学习过程也是定位算法，所以对于每个运行，在128个测试位置处的在线RSS读数被考虑作为新的未经标记数据，并且以上一步解决方案被应用于评估定位精度。在仿真期间，使用所有23个可用信标12。由于向系统添加了更多的未经标记的数据，所以系统能够提供百分之九十的2.8m的误差和1.6m的平均误差。
[0385] 图24示出了关于所使用的信标12的数目的平均定位误差的实现结果。考虑并且比较不同的场景。基于测量数据库的四个不同的定位系统被图示作为基准。两步解决方案对预测数据库应用基于压缩感知的定位方法，而一步解决方案采用在线RSS读数作为新的未经标记数据并且使用半监督学习方法来预测位置。在所有测试上使用最强信标12选择方案。
[0386] 与发明人的先前的发现一致，CS定位系统在提供测量数据库的四个基准定位系统上产生最小定位误差。使用预测数据库的两个定位系统都比具有测量数据库的CS系统的性能差。然而，学习系统的主要优点在于，它以众包方式采集RSS并且使用仅少量标记来自动地和动态地学习数据库。此外，一步解决方案向其中涉及昂贵的人力成本的这些基准系统提供可比的定位精度。
[0387] 图25描绘在以上场景中获得的定位误差的CDF，并且表IV列出了位置误差统计。具有测量数据库的CS系统以百分之九十的3.2m的误差而执行最好。一步解决方案提供了百分之九十的3.7m的误差，然后是值为5.2m的两步解决方案。
[0388] 表IV：定位误差统计(使用14个AP)
[0389]
[0390] 比较
[0391] 人力成本问题可以由EZ模型通过使用普通算法估计无线电传播模型中的未知参数来解决。然而，该算法基于对无线电传播模型的良好的假设。由于无线电信道的动态和不可预测特性，这一方法可能易于产生大量误差。同时，由于GA的高复杂度，学习过程非常缓慢。不同于EZ模型，本公开内容中提出的学习系统直接通过 最小化程序来预测RSS无线电地图(指纹数据库)。该无线电地图可以被用作用于在线位置估计的数据库。
[0392] 表V：实现场景和系统性能比较
[0393]
[0394]
[0395] 由于基于不同的假设在不同的场景中实现了两个方法。所以表V列出了实验场景以及在预测精度和定位精度方面的对应的系统性能。表VI示出了用于两个学习过程的耗时。由于所提出的学习算法仅涉及线性编程和矩阵操纵，所以它比使用GA的EZ模型快得多。这有助于以更快的速度自动地和动态地更新数据库。此外，在没有复杂度的限制的情况下，所提出的学习算法能够一次学习更多未经标记的数据。然而，该系统的缺点在于，CS需要特定数目的信标12用于精确位置预测。
[0396] 表VI：耗时
[0397]
[0398] 已经出于说明和描述的目的呈现了对实施例的以上描述。其并非意在尽述或限制为所公开的精确的形式，修改和变化鉴于以上教示是可能的，或者可以根据本发明的实践来获取。各实施例被选择和描述以便解释本发明的原理及其实践应用，从而使得本领域技术人员能够在各种实施例及其各种修改中将本发明用作适合所预期的具体用途。其旨在的是本发明的范围由所附权利要求及其等同方案来限定。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种超低介电常数薄膜的制作方法 | 2020-05-13 | 769 |
| 一种电缆中间接头及其制作安装方法 | 2020-05-16 | 114 |
| 一种输电线路操作过电压的断路器相控抑制方法 | 2020-05-17 | 654 |
| 天线切换方法、天线切换装置、存储介质与电子设备 | 2020-05-13 | 330 |
| 开关电器弧后介质恢复强度纳秒连续脉冲测量装置及方法 | 2020-05-11 | 811 |
| 一种电子文档在线分离与还原的系统及方法 | 2020-05-14 | 423 |
| 一种电子文档在线分离与还原的系统及方法 | 2020-05-15 | 498 |
| 一种防爆水表 | 2020-05-15 | 616 |
| 一种防爆水表 | 2020-05-17 | 21 |
| 三椎治疗仪 | 2020-05-16 | 748 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈