CN100538391C - 用于定位技术的概率模型 - Google Patents

Abstract

用于构建无线环境(RN)的概率模型(PM)的模型构建模块(MCM)，在所述无线环境中，目标装置(T)使用信号进行通信，所述信号具有可测量的信号值(x)，例如信号强度。所述模型构建模块形成所述无线环境(RN)的多个子模型(611-631)。每个子模型指示在无线环境中一个或者多个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)。所述模块将所述子模型联合成为无线环境(RN)的概率模型(PM)，这样所述概率模型指示无线环境中几个位置上的信号值的概率分布。或者所述模型可以基于现有位置的联合在单个的模型中插入新位置。所述子模型或现有位置的联合包括对所述子模型或现有位置的反累积分布函数进行联合。

Description

用于定位技术的概率模型

技术领域

本发明一般涉及到定位技术，其中，在对目标装置的无线通信环境的观测的基础上估算目标装置的位置。

背景技术

图1示意性的说明了一个上述定位技术的例子。目标装置T通过无线接口RI，经由基站BS进行通信。在所述例子中，假设所述通信为无线通信。所述目标装置T观测在无线接口RI的信号值。观测结果集合OS被应用于概率模型PM，所述概率模型PM模拟所述目标装置的无线通信环境，并产生位置估计LE。

目标装置的一实际例子是在无线局域网(WLAN)或蜂窝无线网络中进行通信的数据处理装置。该数据处理装置可以是通用目的的膝上或掌上计算机或者通信装置，或者其可以是专用测试或测量装置，例如连接到WLAN的医疗器具。这里所使用的信号值是固定发射机的信号的可测量的并且由位置决定的量。例如，信号强度和误比特比/率是可测量的并由位置决定的量的例子。在授予Mati Wax等的美国专利6112095中公开了基于装置的无线环境的概率模型的定位技术的例子。

本发明所要解决的问题涉及这样的事实，即，这样的概率模型在其是密集的时候运行得最好。这意味着样本点之间的距离不应过大。样本点是概率模型的点。在理想情况下，样本点之间的距离等于概率模型的期望的分辨率，其意味着最符合目标装置的观测结果的样本点将被认为是目标装置的位置。问题是通过物理校准(celibration)来获取大量的样本点是费时并且昂贵的。所述过程很难自动执行。结果，一些样本点将会通过从已知的校准的位置中获得其而被确定，例如通过内插(interpolation)。但是，令人惊讶的是，这样的内插绝非简单。

图2显示了有关信号值内插的问题。自变量x代表可测量的信号值，如信号强度。因变量P(x)是所述信号值的概率。图2显示了分别用于两个位置Q₁和Q₂的概率分布21和22。为了保持图2简单，假设概率分布21和22是不重叠的。位置Q₁的信号值集中在值X₁附近，位置Q₂的信号值集中在值X₂附近。

假设我们希望预测介于位置Q₁和Q₂之间的样本点的信号值。例如，我们可能希望在概率模型中插入样本点，所述样本点位于可以得到实际测量或仿真结果的两个位置之间。创建所述新样本点的直观方法是将位置Q₁和Q₂的概率分布21和22进行联合。以粗体虚线所显示的曲线23表示所述联合的(且归一化的)概率分布。但是，所述联合的概率分布23不能预测两个位置之间的信号值，至少不能很好地预测。这是因为联合的概率分布23仅对于在原始的概率分布21和22中具有非零概率值的信号值具有非零概率值。因此，将概率分布21和22联合的所述直观的方法产生这样的结果，所述结果是非直观的并且明显是错误的。在图2中，信号值被量化为离散值，即使将x当作连续的变量，结果也是相同的。

这样，问题就是如何产生基于两个或多个已知位置的内插的样本点。所述问题可以归纳如下：如何构造模拟目标装置的无线环境的概率模型，用于定位所述目标装置，以使得所述概率模型可以基于不同的信息而被构造。所述模型可以是基于校准测量、仿真或理论计算或者其任意组合的。所述模型应该是足够通用的，以便能够最大限度的利用任何可用的信息。

发明内容

本发明的一个目的是提供一种方法和实现该方法的设备，以便提供对上述问题的解决方案。换句话说，本发明的目的是提供一种用于定位技术的概率模型，由此，所述概率模型可以接受并联合来自多个信息源的信息。所述信息可以是校准测量、仿真或理论计算或者其任意组合。校准测量可以是在不同时间产生的，并且根据本发明的概率模型应该能够以明智的方式来联合所述信息，而不是仅仅用新的测量来替换旧的测量。

本发明提供一种用于估计目标装置的位置的方法，其中，所述目标装置能在无线环境(RN)中移动，并且能使用信号与所述无线环境进行通信，所述信号的每一个都具有至少一个可测量的信号值(x)；

其特征在于：

形成所述无线环境(RN)的多个子模型(611-631)，每个子模型指示在所述无线环境中一个或多个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；

将所述子模型联合成为所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布；

在所述目标装置(T)的位置产生所述无线环境中的信号值(x)的观测结果的集合(OS)；以及

基于所述概率模型(PM)以及所述观测结果的集合(OS)来估计所述目标装置的位置。

本发明的另一目的是一种模型构建模块(MCM)，其用于构建无线环境(RN)的概率模型(PM)，在所述无线环境中，目标装置(T)能使用信号进行通信，所述信号中的每一个都具有至少一个可测量的信号值(x)；

其特征在于，所述模型构建模块包括：

第一软件代码部分，用于形成所述无线环境(RN)的多个子模型(611-631)，每个子模型指示在所述无线环境中一个或多个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；以及

第二软件代码部分，用于将所述子模型联合成为所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布。

本发明是基于这样的想法的，即，构造基于较简单的子模型或校准测量的概率模型，这样，所述概率模型可以指示无线环境中几个位置上的信号值的概率分布。本发明的优选实施例通过对期望信号值的反累积分布函数进行联合来实现所述联合。具有任何概率理论知识的人都能够理解，可以使用许多数学上等效的技术，例如，联合所述累积分布函数(而不是反累积分布函数)以及交换x和y轴的方法。本发明的好处是，对反累积分布函数的联合导致了这样的概率模型，所述概率模型与基于对预期信号值本身或其概率分布的联合的模型相比，能更好地预测信号值。例如，本发明可以被用于基于两个或多个位置向概率模型中增加新的样本点，其中对于所述位置存在校准测量或者计算或仿真的结果。根据所增加的样本点是处于由现有的校准点所限制的线或区域的内部还是外部，所述基于现有校准点的新样本点的产生被称为内插或外插。关于位置的这种内插或外插可以被称为空间内插或外插。另外，本发明还可以被用于时间内插或外插。也就是说，可以通过联合两个或多个较早的概率模型来创建新的概率模型。时间内插或外插的一实际的例子是：更新的概率模型不仅是基于最近的测量(或计算或仿真结果)的，而且是基于最近的信息和较早的信息的联合的。此外，本发明可以被用于联合不同类型的概率模型。由根据本发明的技术所创建的概率模型可以是基于几种类型的信息的，所述信息包括实际的校准测量以及仿真或者理论计算的结果，或者其任意组合。可以基于测量或者计算的样本点来创建内插或者外插样本点。所述内插或者外插可以是空间的和/或时间的。

本发明的一方面是一种用于估计目标装置的位置的方法，其中，所述目标装置能在无线环境中移动，并且能使用信号与所述无线环境进行通信，所述信号中的每一个都具有至少一个可测量的信号值。所述方法包括：

a)形成所述无线环境的多个子模型，每个子模型指示在无线环境中一个或多个位置上的信号值的概率分布；

b)将所述子模型联合成所述无线环境的概率模型，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布；

c)在所述目标装置的位置产生所述无线环境中的信号值的观测结果的集合；以及

d)基于所述概率模型以及所述观测结果的集合来估计所述目标装置的位置。

本发明的另一个方面是一种方法，其包括以下步骤：

a)形成所述无线环境的概率模型，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布；

b)在所述概率模型中插入新位置的概率分布，其中，所述插入步骤包括对现有位置的概率分布进行联合；

c)在所述目标装置的位置产生所述无线环境中的信号值的观测结果的集合；以及

d)基于所述概率模型以及所述观测结果的集合来估计所述目标装置的位置。

所述位置估计的步骤可以在所述目标装置中执行。在这种情况下，所述目标装置必需包括所述概率模型，并且执行所述位置估计的软件程序。在所述目标装置中执行所述位置估计步骤所获得的好处是：所述目标装置不必传送信号值观测结果以使其位置被估计。

可选地，所述位置估计步骤可以在外部的位置估计装置内执行，所述目标装置通过无线网络向所述位置估计装置报告观测结果的序列。所述实施例的优点是：所述目标装置不必包括所述概率模型或者位置估计程序。但是，其必需将其观测结果发送到外部的位置估计装置。

所述可测量的信号值优选地包括信号强度。可选地，或者除了信号强度之外，所述可测量的信号值可以包括比特错误率/比或者信噪比。

本发明的再一个方面是一种模型构建模块，用于构建无线环境的概率模型，在所述无线环境中，目标装置能使用信号进行通信，所述信号中的每一个都具有至少一个可测量的信号值。所述模型构建模块具有软件代码部分，用于执行所述第一方法的步骤a)和b)。

本发明的再一个方面是一种模型构建模块，用于执行所述第二方法的步骤a)和b)。

附图说明

参考附图，通过优选实施例，下面将更详细地描述本发明，其中：

图1示意性地说明了定位技术；

图2说明了本发明所要解决的问题；

图3显示了本发明的原理；

图4以及图5分别说明了在一个或两个维度上的内插；

图6说明了概率模型PM，其是不同子模型的联合的结果；

图7显示了位置估计模块LEM，用于基于无线接口RI处的信号值来估计所述目标装置的位置；

图8A和图8B是说明位置待确定的典型目标装置的框图。

具体实施方式

图3说明了本发明的原理。本发明是基于这样的思想的，即，对在不同位置上的期望信号值的反累积分布函数进行联合，而不是对信号值或是其概率分布进行联合。图3以与图2相同的比例绘出，并且x轴被调准。曲线31表示位置Q₁的累积分布函数。对于概率分布21中的每个非零概率值，在累积分布函数31中都有相应的阶。类似地，曲线32表示位置Q₂的累积分布函数。曲线33是在位置Q₁和Q₂之间的位置Q_X(例如新的样本点)的累积分布函数。在所述例子中，假设新的样本点Q_X位于从Q₁到Q₂的直线的中间，并且所述累积分布函数33是通过下面的算法建立的：对于几个因变量值P(x)中的每一个，自变量值x通过以相等的权值对位置Q₁和Q₂的累积分布函数31和32分别进行加权而确定。

曲线34为新位置(样本点)Q_X的期望概率分布。曲线34与曲线21及22被调准，并且直观上，概率分布34对在Q_x处的信号值的预测似乎要好于图2所示的概率分布23的预测，因为，具有非零概率的信号值在信号值X₁和X₂之间的某个位置，而不是在所述值中的任何一个的附近。

在图3中，假设位置Q_X(例如新的样本点)位于从Q₁到Q₂的直线的中间。如果所述假设是不正确的，则位置Q_X的累积分布函数33可以根据从Q₁到Q_X以及从Q_X到Q₂的相对距离，通过对位置Q₁和位置Q₂的累积分布函数31和32进行距离加权而确定。图4和图5说明了所述距离加权。

图4说明了沿着一个维度的内插。Q₁、Q₂以及Q_X是三个位置，这样，d₁是Q₁到Q_X的距离，而d₂是Q_X到Q₂的距离。理想地，应该选择位置Q₁和位置Q₂的累积分布函数的权值W₁和W₂使得W₁d₁＝W₂d₂。所述加权由水平杆41所说明，其端点位于Q₁和Q₂，并且所述杆以Q_X为支点(在标号42处)。如果权值W₁和W₂与距离d₁和d₂成反比，则所述杆平衡。由于所述权值和距离成反比，因此所述加权可以被称为反距离加权。

除了内插，还可以就线性外插来使用所述平衡杆模拟。假设外插的位置Q_X’，对于其，所述平衡杆的支点43用虚线示出。通过使用负的权值，所述杆41仍然可以是平衡的。自然地，就长距离来说，外插是不可靠的。

图5说明了在两个维度内的内插。基于三个已知的位置Q_A、Q_B以及Q_C，我们希望预测新位置Q_Y的信号值。首先，对于已知位置Q_A、Q_B以及Q_C的每个的累积分布函数如就图3所示的那样被确定。然后，画出一假想的三角形，使得其顶点位于已知的位置Q_A、Q_B以及Q_C。所述假想的三角形以位置Q_Y为支点。最后，对于已知位置Q_A、Q_B以及Q_C(假想三角形的顶点)的权值被选择，以使得所述三角形是平衡的。(在图4和5中，假设所述杆41和三角形51是没有重量的。)

一般地，可以使用向量来确定所述权值。假设a为从Q_Y到Q_A的向量，b为Q_Y到Q_B的向量，以及c为Q_Y到Q_C的向量。位置Q_A、Q_B以及Q_C的权值w_A、w_B和w_C可以通过解下列方程组而被得到：

w_A·a+w_B·b+w_C·c＝0      [1]

w_A+w_B+w_C＝1                  [2]

在所述2维的例子中，所述解可以通过这样的算法很容易地被找到，即，仅在所述向量的x坐标的加权和为零以及y坐标的加权和也为零的情况下，所述第一方程式成立。因此，所述权值作为下列方程组的唯一解而得到：

w_A·a_x+w_B·b_x+w_C·c_x＝0        [3]

w_A·a_y+w_B·b_y+w_C·c_y＝0        [4]

w_A+w_B+w_C＝1                   [5]

所述方法可以推广到N维空间。假设令为向量，w₁，w₂……w_N+1为所述向量的权值。需要说明的是，需要恰好N+1个向量以使得所述权值可解。现在，所述权值作为下列方程组的唯一解而被得到：

$\underset{i=1}{\overset{N+1}{\mathrm{\Σ}}}{w}_i\·\stackrel{\‾}{v_i}=\stackrel{\‾}{0}---\left[6\right]$

$\underset{i=1}{\overset{N+1}{\mathrm{\Σ}}}{w}_i=1---\left[7\right]$

如果基于多于3个的已知位置来形成新的位置，则所述区域可以是三角形的。例如，可以使用Delaunay三角测量，在这种情况下，三角形的顶点位于已知的位置上。对于每一个新位置，或者选择覆盖新位置(内插)的三角形，或者选择最接近于新位置(外插)的三角形。

将加权的累积分布函数进行联合的技术是非常普通的。所述技术可以被用于：

1.从已知的位置进行内插或外插(物理校准的校准点或者仿真或计算的位置)；

2.联合不同时期(age)的模型(而不是仅仅用新的数据替换旧的数据)；以及

3.联合不同类型的模型，例如，基于物理校准的模型以及基于仿真或者理论计算的模型。

所述技术的一般特性是提出一种新的用于模型的内插。不是具有包含几个样本点的单个的模型，而是几个模型的每个可以只包含一个(校准的、仿真的或者计算的)样本点，并且所述模型于是通过联合其加权的累积分布函数而被联合。从这一点来看，概率模型指的是所述联合的结果，而形成所述概率模型所基于的模型被称为子模型。注意，概率模型本身可以作为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表示观测(向量)，以及q表示位置。如果假设先验概率分布P(q)是均匀的(假设对于所有的位置q都具有相同的先验概率值)，那么我们可以知道：位置q的概率与所述模型为在位置q的观测o所给出的概率成比例。换句话说，首先通过计算我们在每个位置的观测o的概率，然后通过归一化所述结果概率使得其和为1，我们就可以得到一组位置q的概率分布。这意味着，我们需要确定的唯一事情就是在每个位置q的条件概率分布P(o|q)。确定所述概率分布的一个可能就是假设：给定位置q，单个信号值的观测结果oi是独立的，在所述情况下，单个信号值的概率可以通过如下面那样简单地将其相乘而被联合：

$P\left(o\right|q)=\underset{i=1}{\overset{n}{\mathrm{\Π}}}P\left(o_i\right|q)---\left[9\right]$

在现实世界里，信号值是实际的连续变量，并且对于任意给定信号值的概率是无穷小的。从而，应当使用对于信号值区间[o_i-ε，o_i+ε]的概率：

P([o_i-ε，o_i+ε]|q)＝F(o_i+ε|q)-F(o_i-ε|q)      [10]

其中，F为所述累积分布函数，ε是小的常数。

图6说明了为所述子模型的联合的结果的概率模型PM。图6显示了两种不同类型的子模型。第一类是校准子模型。所述子模型是基于物理校准测量的。第二类是传播子模型，其是基于通过仿真或计算来模拟无线通信环境的。传播子模型要求对所述无线环境以及基站的布置和属性都要有很好的了解。传播子模型可以通过类似于基于光线跟踪的显像的技术而被建立。灯由基站所替代，涉及光的属性(例如反射或折射)由涉及无线信号的属性所替代，等等。构建传播子模型是耗费时间的，但是一旦建立，所述模型可以产生多个样本点，而不需要物理测量。另一方面，校准测量不需要知道所述环境或基站的信息，并且所述测量相对简单，但是其必需在小的间隔内被执行，并且必需频繁地被重复。

由于本发明的技术支持将多个不同的子模型进行联合，因此，可以通过为每个校准的位置都指派一个子模型来简化所述计算。标号611到613表示了3个所述校准子模型。所述校准子模型611到613中的每一个单独地都是非常简单化的。例如，子模型611假定如果F₁是对于信号值的所观测的概率分布的最好的匹配，那么所述目标装置就位于位置Q₁。所述校准子模型611到613的每个从形式上都可以由下面的公式所表示：

F_C(o|q)＝F_A(o)                    [11]

其中，F是信号值的累积分布函数，o是观测结果，q是位置，以及A是由所述子模型所覆盖的区域。区域A可以被选择，以使得基于Qi的子模型覆盖整个区域，其中对于所述区域，位置Q_i是最近的校准位置。明白地说，公式11假设函数F仍然不是位置q的函数，而是在整个区域A内的常数。标号621到623表示校准子模型611到613的较老的版本。

标号631表示传播模型。传播模型形式上可以由下面的公式所表示：

F_P＝F(o|q)                            [12]

公式12意味着传播模型的函数F_P是取决于位置的，也就是说，其是位置q的函数。函数F(o|q)可以是离散的函数，其意味着对于几个样本点来计算所述函数值，或者其也可以是连续的函数。可以通过将多项式、样条(spline)或其它合适的曲线拟合到所述计算的样本点而形成连续的函数。

不同的模型611到631可以通过使用下面的公式而被联合：

$F_{\mathrm{PM}}^{-1}\left(o\right|q)=\frac{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{F}_i^{-1}\left(o\right|q)\·\mathrm{Wi}\left(q\right)}{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{Wi}\left(q\right)}---\left[13\right]$

在公式13中，N是子模型的数目，

是子模型i的函数F的反函数，以及W_i(q)是被分配给位置q处的子模型的权值。因此，如就图4和5内容所描述的那样，所述权值取决于位置。明白地说，公式13意味着：所述概率模型的反函数，即可以通过每个子模型i的函数F_i的反函数

进行加权和求和而被计算。然后，所述加权的和通过除以权值W_i(q)的和而被归一化。概率模型PM的函数F_PM通过对所述反函数

进行取反而计算。公式13的计算应该对于每个信道进行重复。其也应该对每种信号值类型进行重复，所述信号值类型例如是信号强度、比特错误率/比、信噪比等等。

在图6中所示的概率模型PM包括函数F(概率分布)，其用于几个样本点，其中的五个被示出了，即Q₁、Q₂、Q₃、Q_X和Q_Y。标号641至645表示样本点Q_i及在该点的相应函数F_i的五对。在所述例子中，样本点Q₁、Q₂以及Q₃是校准的位置，也就是说，有相应的校准子模型611到613。样本点Q_X和Q_Y是这样的点，对于所述点，实际的校准测量是不可获得的，并且，通过从校准子模型611到623和/或从传播模型631进行内插/外插来得到相应的函数F_X和F_Y。

对于所述概率模型中的样本点641到645的每一个都计算公式13。剩下要做的是分配相应的权值W_i，由于公式13是归一化的，因此，权值的绝对值是无关紧要的；而相对的权值才是重要的。标号65通常表示权值W_i。示意地示出了四个不同的权值。粗箭头表示大的权值，细箭头表示中等的权值，而虚箭头表示小的权值。没有箭头表示零权值。基于某种信任程度(confidence level)来选择权值，其中，所述信任程度是所述子模型在所述样本点上预测所述函数F_i的能力的度量。例如，标号641表示对于样本点Q₁的函数F₁。在所述例子中，由于存在校准子模型611用于样本点Q₁，并且假设所述子模型611是最近的，则子模型611的信任程度很高，并且，样本点Q₁的函数F₁仅基于所述子模型611而被确定。标号642表示样本点Q₂的函数F₂。在这里假设：最近的校准子模型612具有大的权值，而在前的校准子模型622具有小的权值。标号643表示样本点Q₃的函数F₃。函数F₃受到相应子模型613的强烈影响，而受到在前的校准子模型623的微弱影响。其还受到传播模型631的微弱影响。

标号644和645分别表示样本点Q_X和Q_Y，对于所述样本点Q_X和Q_Y，不能够获得实际的校准测量。在所述例子中，样本点Q_X(参考644)完全由基于三个校准子模型611到613的内插所确定。假设样本点Q_X基本上与校准的位置Q₁、Q₂和Q₃是等距离的，并且相对权值接近相等。假设样本点Q_Y(参考645)接近Q₃，并且相对权值是大的，但是，相应的函数F_Y还受到所述传播模型631以及位置Q₂的校准子模型612的影响。

图7是示范性位置估计模块LEM的框图，所述位置估计模块LEM用于基于无线接口RI处的信号值来估计目标装置的位置。图7显示了一紧凑的位置估计模块LEM，但是更加分散的实施例同样也是可能的。所述位置估计模块的主要特征是所述目标装置的无线环境的概率模型PM，假设有来自于所述无线接口的多个观测，则所述概率模型就能够预测所述目标装置的位置。在所述例子中，所述概率模型PM由模型构建模块MCM所创建并维护。基于校准数据CD或者就一个或多个传播模型而言的传播数据PD、或者其任意组合，所述模型构建模块MCM建立并维护所述概率模型。校准数据CD是对已知位置上的信号值进行物理测量(或者如果所述位置不能通过其它方式而被获知，则对所述位置的坐标进行确定)的结果。可选地，如果信号参数随着时间而变化，则所述校准数据记录还可以包括进行所述测量的时间。代替所述校准数据CD，或者除了所述校准数据CD，一个或者多个传播模型PD还可以被用于来模拟所述无线接口RI。所述传播模型可以通过与用于视觉仿真的光线跟踪技术相类似的技术来建立。采集校准测量的位置被称为校准点。所述校准数据CD包括数据记录，其中每一个都包括所讨论的校准点的位置，以及在所述校准点上所测量的信号参数的集合。可以用任何绝对或相对的坐标系统来表示所述位置。在特殊的情况下，例如在火车、高速公路、隧道、航道或者类似的情况下，单一的坐标就足够了，但是通常会使用两个或者三个坐标。

还有位置计算模块LCM，其用于基于所述目标装置的观测结果集合OS以及所述概率模型PM来产生位置估计LE。例如，所述位置计算模块可以作为软件程序来实现，所述软件程序在膝上型电脑或掌上电脑中被执行。在技术上，所述“测量”以及“观测”可以类似地被执行，但是为了避免混淆，“测量”通常被用于校准测量中，而在所述目标装置的当前位置所获得的信号参数则被称为“观测”。所述目标装置的最近的观测结果集合被称为当前观测。

图8A是说明将被确定位置的典型目标装置T的框图。在所述例子中，所述目标装置T显示为通过无线网络RN进行通信的便携式计算机。例如，所述无线网络可以是WLAN(无线局域网)网络。在图8A所示的实施例中，包括所述概率模型PM的位置估计模块LEM没有被装配在所述目标装置T中。因此，所述目标装置T必需通过其所连接到的一个或者多个基站BS，将其观测结果集合OS发送到所述位置估计模块LEM。所述位置估计模块LEM通过所述无线接口RI将其位置估计LE返回给所述目标装置。

图8B显示一可选的实施例，其中，所述目标装置的附属的计算机PC接收在可分离的存储器DM上的概率模型PM的拷贝，其中所述可分离的存储器DM例如是CD-ROM盘，并且所述目标装置T能够确定其自身的位置，而不需要发送任何数据。作为另一个选择(没有单独地被示出)，所述附属的计算机PC可以通过到所述位置估计模块LEM的因特网(或者任何其它数据)连接来接收所述概率模型。宽带移动台可以通过所述无线接口RI来接收所述概率模型。还可以使用所述技术的混合，这样，所述接收器通过有线连接或从可分离的存储器上接收初始的概率模型，但是，随后对所述模型的更新则通过所述无线接口而被发送。

对于本领域的技术人员很明显的是：随着技术的进步，本发明的思想可以通过不同的方式来实现。因此，本发明以及其实施例并不限于上面所述的例子，而是可以在权利要求的范围内变化的。

Claims (13)

1.一种用于估计目标装置(T)的位置的方法，其中，所述目标装置能在无线环境(RN)中移动，并且能使用信号与所述无线环境进行通信，所述信号的每一个都具有至少一个可测量的信号值(x)；

其特征在于：

形成所述无线环境(RN)的多个子模型(611-631)，每个子模型指示在所述无线环境中一个或多个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；

将所述子模型联合成为所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布；

在所述目标装置(T)的位置产生所述无线环境中的信号值(x)的观测结果的集合(OS)；以及

基于所述概率模型(PM)以及所述观测结果的集合(OS)来估计所述目标装置的位置。

2.根据权利要求1的方法，其特征在于，所述联合的步骤包括对所述子模型的加权的概率分布进行联合。

3.根据权利要求1或2的方法，其特征在于，所述联合的步骤包括：

对于每个子模型，形成累积分布函数(31，32)，并且以相对的权值(W₁，W₂，W_i；65)对其进行加权；

形成所述加权的累积分布函数的联合(33)；

基于所述加权的累积分布函数的联合为所述概率模型形成概率分布(34；641-645)。

4.根据权利要求1的方法，其特征在于，所述多个子模型包括多个校准子模型(611-613)，这样，每个校准子模型恰好涉及一个校准的位置(Q₁-Q₃)。

5.根据权利要求4的方法，其特征在于：

基于两个或者多个校准的位置通过内插或外插，在所述概率模型(PM)中插入样本点(Q_X，Q_Y；644，645)，对于所述样本点，校准测量是不可获得的；以及

基于从所述校准的位置的所述插入的样本点的距离，为每个校准的位置分配相对的权值(W₁，W₂，W_i；65)，以使得所述相对的权值与距离之间彼此成相反的关系。

6.根据权利要求1所述的方法，其特征在于，所述多个子模型包括至少一个传播模型(631)。

7.一种用于估计目标装置(T)的位置的方法，其中，所述目标装置能在无线环境(RN)中移动，并且能使用信号与所述无线环境进行通信，所述信号中的每一个都具有至少一个可测量的信号值(x)；

其特征在于：

形成所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；

在所述概率模型(PM)中插入新位置(Q_X；Q_Y)的概率分布，其中，所述插入步骤包括对现有位置(Q₁，Q₂；Q_A-Q_C)的概率分布进行联合；

在所述目标装置(T)的位置产生所述无线环境中的信号值(x)的观测结果的集合(OS)；以及

基于所述概率模型(PM)以及所述观测结果的集合(OS)来估计所述目标装置的位置。

8.根据权利要求1所述的方法，其特征在于，在所述目标装置(T)中执行所述位置估计步骤。

9.根据权利要求1所述的方法，其特征在于，在固定的设备中执行所述位置估计步骤，所述目标装置通过无线网络(RN)向所述固定的设备报告观测结果的序列。

10.根据权利要求1所述的方法，其特征在于，所述至少一个可测量的信号值(x)包含信号强度。

11.根据前面权利要求中的任何一个的方法，其特征在于，所述至少一个可测量的信号值(x)包含比特错误率或比。

12.一种模型构建模块(MCM)，其用于构建无线环境(RN)的概率模型(PM)，在所述无线环境中，目标装置(T)能使用信号进行通信，所述信号中的每一个都具有至少一个可测量的信号值(x)；

其特征在于，所述模型构建模块包括：

第一软件代码部分，用于形成所述无线环境(RN)的多个子模型(611-631)，每个子模型指示在所述无线环境中一个或多个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；以及

第二软件代码部分，用于将所述子模型联合成为所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置上的信号值的概率分布。

13.一种模型构建模块(MCM)，其用于构建无线环境(RN)的概率模型(PM)，在所述无线环境中，目标装置(T)能使用信号进行通信，所述信号中的每一个都具有至少一个可测量的信号值(x)；

其特征在于，所述模型构建模块包括：

第一软件代码部分，用于形成所述无线环境(RN)的概率模型(PM)，所述概率模型指示在所述无线环境中几个位置(Q₁-Q_Y)上的信号值的概率分布(F₁-F₃)；

第二软件代码部分，用于在所述概率模型(PM)中插入新位置(Q_X；Q_Y)的概率分布，其中，所述插入步骤包括对现有位置(Q₁，Q₂；Q_A-Q_C)的概率分布进行联合。

Images