定位技术

暂无

定位技术\n技术领域\n[0001] 本发明总体上涉及一种定位技术，其中根据对一个或多个物理量的观测而估算目标对象的位置，所述物理量例如是在例如无线电通信网之类的环境中的RF信号参数值。\n目标对象是能够进行一个或多个物理量的观测的电子设备。它可以是通用计算机或其它通信设备，或者可以是一种专用定位装置，俗称“标签”。在美国专利6393294和PCT公开WO2004/102936中公开了这种定位技术的实例。\n背景技术\n[0002] 与现有技术共同的特征是基于在几个位置的期望信号参数值的数据库，在上述PCT公开文献以及在该文档中称作样本点。对于若干样本点中的每个，数据库包含对于在样本点中可检测的每个无线电发射器(还称作基站或接入点)的期望RF信号参数值。期望信号参数值可以通过实际测量、传播模拟、内插法或例如此类技术的任何组合而获得。作为非限制实例，信号参数可以是RF信号强度、相位、比特差错率/比率等。现有定位技术的一般工作原理为，在无线通信环境中目标对象进行RF信号参数观测，并且目标对象的定位基于RF信号参数观测和期望RF信号参数值的数据库估算。\n[0003] 现有技术所存在的问题在于，定位目标对象所要求的高计算负载。\n发明内容\n[0004] 本发明的目的在于提供一种方法和用于实现该方法的装置以便缓解以上缺点。本发明的目的是通过具有已经在独立权利要求中公开的特征的方法和设备来实现的。在从属权利要求中公开了优选实施方式。\n[0005] 本发明一方面是用于在无线通信环境中定位目标对象的方法。所述方法包括以下步骤或操作：\n[0006] a)保持多个样本点的数据模型，每个所述样本点包括样本位置和在该样本点处的一个或多个物理量的一组期望值；\n[0007] b)保持一组相关性指示符，用于指示相关样本点的一个或多个组，其中所述相关样本点的一个或多个组是在所述数据模型中的样本点的子集；\n[0008] c)对在所述目标对象的位置的至少一个物理量进行观测；\n[0009] d)基于在所述目标对象位置的观测和所述相关性指示符组，确定相关样本点的当前组；\n[0010] e)基于在所述目标对象位置的观测和所述相关样本点的当前组，估算所述目标对象的位置；\n[0011] 该技术的优点在于可以从计算中省略未包括在当前相关样本点组内的样本点，这降低了计算的负载和电池消耗。可选的是，通过该发明技术节约的资源可以用来通过更进一步的计算而获得更加准确和/或更加安全的定位估算。\n[0012] 步骤a)和c)可以如以上参考的现有技术里的描述来执行。在所述样本点的物理量的期望值可以是标量值、概率分布(例如正态分布)、柱状图结构等。步骤b)包括确定用于指示一组相关样本点的一组相关性指示符，所述组是在该数据模型中样本点的子集。此步骤会在后文中更加详细地进一步描述。在步骤d)中，在目标对象位置的观测和该组相关性指示符用来确定当前组相关样本点。在步骤e)中，基于在目标对象位置的观测并且基于当前组相关样本点，估算目标对象的位置。与样本点相关的位置可以是点、圆、区域、路段、标称位置(例如“室123”)等。\n[0013] 本发明的其它方面涉及小型或分布式定位设备或用于实现以上方法的计算机程序产品。\n[0014] 在一个实施例中，确定当前相关样本点组的步骤包括选择这样的样本点，所述样本点的物理量的期望值组在预定相关性标准下覆盖在所述目标对象位置的观测。\n[0015] 在另一实施例中，如果获得的相关样本点组小于预定最小尺寸，则放松所述预定相关性标准。例如此类情况可以指示异常情况，从而应该触发警报，尤其是如果该异常是持久性的。在某些实施例中，相关性标准根据系统负载而调整。系统负载越高，相关性标准就越严格，反之亦然。\n[0016] 另一实施例包括，形成模拟环境拓扑的拓扑图，其中所述拓扑图指示一组节点和一组弧，每个节点指示允许的位置，每个弧指示在两个节点之间可允许的目标对象转移。拓扑图用来估算目标对象的位置。例如，拓扑图可以用来记录目标对象的运动历史记录，并且根据目标对象的运动历史记录来排除某些被选样本点。\n[0017] 在本发明的示例性而非限制性的实现方式中，目标对象只是观测无线电网络中的信号质量值的设备。在其它应用中，将目标对象作为与进行实际观测的一个或多个传感器相独立的概念是有益的。例如，传感器可以是在无线接收器中进行信号强度测量的电子电路，而目标对象是与该传感器共位的人或零件或设备。此外，本发明不局限于信号强度测量。而是，本发明的定位技术可以结合多种与位置相关的物理量使用，例如：\n[0018] 辐射测量的信号质量值，例如信号强度、信噪比、比特差错率/比率、预先定时等；\n如果使用这些信号质量值，优选对其分别针对若干个频带、信道、单元、基站等确定；\n[0019] 大气物理量，例如气压、温度、湿度等；\n[0020] 声学量，例如噪声级，优选对其分别针对若干个频带中的每个频带确定；\n[0021] 光学量，例如光强、颜色、频谱等；\n[0022] 在静止或活动图像中的识别形状或识别声音。\n[0023] 目标对象(或附于目标对象的传感器)的观测不必一定是原始测量数据，而可以是来源于测量数据的任何值。例如，观测可以来源于通过例如平滑处理的数学处理的测量数据。另外，本发明一些实施方式利用装置模型来校正传感器的观测。该特征尤其用于其中传感器不特别设计用于准确测量的应用中。\n附图说明\n[0024] 在下文中，将通过参考附图的具体实施例更详细地描述本发明，其中：\n[0025] 图1A示出目标对象和具有三个接入点的一段无线电网络、和多个样本点；\n[0026] 图1B示出一个样本点和三个接入点的可能的信号质量值的范围；\n[0027] 图1C示出获得一组相关样本点的处理；\n[0028] 图2A和2B示出其中将信号处理参数处理为连续值的情况；\n[0029] 图3示出一种初始化算法，用于初始化相关样本点组；\n[0030] 图4示出一种算法，用于查找一组相关样本点；\n[0031] 图5示出将在图2A-4中示出的单峰值实例扩展到多峰值的实例；以及[0032] 图6示出结合本发明的相关性指示符使用的基于图形的定位技术。\n具体实施方式\n[0033] 图1A示出目标对象和具有三个接入点的一段无线电网络、和多个样本点。三角形标记A1到A3表示三个接入点。加号标记S1至S9表示模拟无线电网络中的例如信号强度之类的模型信号参数值的数据模型的九个样本点。参考符号TO表示目标对象的位置。根据环境，参考符号TO可以指目标对象本身或它的位置。当定位开始时目标对象的位置是未知的，并且当定位完成时仅仅是估算值。参考标记102表示通过目标对象TO进行的一组(向量)RF信号参数观测。在此实例中，接入点A1、A2和A3的信号参数的观测值，例如信号强度，分别是2，8和9。目标对象TO是通过定位引擎PE定位的，在某些实施例中，该定位引擎可以位于目标对象本身中。但是当通过通常的定位引擎定位大量目标对象时，本发明的资源节约特点得到最好的利用。在一种典型的实现方式中，定位引擎是一种数据处理设备，例如服务器或一组服务器，其包括定位环境的数据模型、用于在目标对象的位置接收信号参数观测的装置和用于实现依照本发明方法的装置。\n[0034] 为了示意说明，图1A还示出了三个接入点的每个的等信号参数值的三条线。这些等值线示出接入点的信号值是10(最里面的线)、5(中间线)和1(最外的线)的位置。示出这些线只是为了更好地理解本发明；它们不用于任何计算。图1A至1C描绘信号参数作为在0和12之间简单的标量值，以便使得实例更容易被读者理解。在实际的情形中，信号参数值可以是例如用dBm单位表示的信号强度。\n[0035] 图1B和1C共同示出相关性指示符的实例组，用于指示相关样本点的组。\n[0036] 图1B示出用于在图1A中示出的一个样本点即S1和三个接入点A1至A3的可能信号质量值的范围。在这里描述的实施例中，认为信号参数值是离散的值。当然，任何数字测量系统都生成“离散”值，但是如这里所用，“离散”表示将可能的值的范围处理为相对少的数目的双数(bin)，而不是数字的实际的连续区间。应当理解，由于本发明适用于这样的技术：其中认为可能的信号质量值是连续的(非离散的)，因此“离散”的精确定义不是必需的。\n[0037] 图1B涉及这样的实施例，其中数据模型是概率模型。概率模型指示可测量的物理量的概率分布，所述物理量在此实例中是信号参数值。参考标记121A示出样本点S1的来自接入点A1的信号参数值的可能性分布。在典型但非限制性的实现方式中，它表示样本点(位置)S1的来自A1的信号的信号强度的可能性分布。该量由D(A1/S1)标注。信号强度分布可由实际测量、模拟计算或这种技术的组合确定。\n[0038] 横条121B表示A1和S1的组合的可能的信号参数值的范围。如果信号参数值具有偏离零的统计上显著的余量的概率，则认为其是可能的。统计显著性的问题涉及在计算优化和准确度/可靠性之间的平衡。如果需要的余量为高(信号值只有当它们具有“非常”高的概率时才被接受)，然后仅仅少量样本点将被认为是相关的并且在计算资源中的保存量是巨大的。另一方面，存在忽略会影响定位的样本点的风险。\n[0039] 参考标记122A和123A表示用于分别保持接入点A2和A3的相应分布。参考标记\n122B和123B表示可能的信号参数值的相应值。\n[0040] 为了保持图1B紧凑性，图1B仅仅示出一个样本点(S1)和三个接入点(A1至A3)的可能的信号参数值的范围。在实际的系统中，应该分别为数据模型(数据库)中的每个样本点确定可能的信号参数值的范围。\n[0041] 图1C示出获得一组相关样本点的处理。参考标记131A表示在图1A中示出的接入点A1和九个样本点S1到S9的每一样本点的可能的信号参数值的一组范围。参考标记\n132A和133A表示用于其它两个接入点A2和A3的类似的范围组。在131A至133A的每一数据结构中，样本点S1的最高范围与已经在图1B中示出相同，并且类似地确定用于保持样本点S2至S9的范围。例如，如从样本点S3所看到那样，数据结构131A示出接入点A1的RF信号参数值具有1到5(近似)的范围。\n[0042] 参考标记131B至133B表示三个值窗口，每个用于三个接入点中的每一接入点。每个值窗口131B至133B位于相应接入点的信号参数的值。如结合图1A所述，接入点A1、A2和A3的目标对象观测信号参数的值分别是2、8和9。因此，值窗口131B至133B位于在数据结构131A至133A中的位置2，8和9。在此描述的开始，可以假定值窗口的宽度是一。该宽度将随后进一步的描述。\n[0043] 现在，所述方法在于使用数据结构131A至133A和值窗口131B至133B来确定一组相关样本点。在目标对象位置观测的接入点A1的信号参数值是2(VA1＝2)。样本点S3、S6、S8和S9的可能信号参数值的范围覆盖了值窗口131B。换句话说，给定观测值VA1＝2时，样本点S3、S6、S8和S9是相关样本点的候选。给定样本点Ai时，用Ri表示候选样本点组。通过对其它两个接入点重复相同程序，定位引擎确定下列组相关样本点：\n[0044] R1＝{S3，S6，S8，S9}\n[0045] R2＝{S2，S3，S5，S6，S8，S9}\n[0046] R3＝{S5，S6，S7，S8，59}\n[0047] 定位引擎事先为每个接入点和信号值确定这些组的相关样本点，存储这些组并在在几个后面的定位周期中使用它们。可以使用存储的组直到(按测量和/或模拟)重新校准定位环境。\n[0048] 接下来，定位引擎会确定以上三个组R1、R2和R3的交集，以便确定与给定三个观测{VA1＝2，VA2＝8，VA3＝9}的每一观测相关的接入点组。产生的组由R表示的：\n[0049] R＝R1∩R2∩R3\n[0050] ＝{S3，S6，S8，S9}∩{S2，S3，S5，S6，S8，S9}∩{S5，S6，57，S8，S9}[0051] ＝{S6，S8，S9}。\n[0052] 因而在此实例中，相关样本点组从九个减少到三个。在实际的情况中，利用较大数目的样本点，缩小比会远大于三。可以通过单个定位引擎定位的目标对象的数目会近似地增加相同系数。\n[0053] 在以上描述中，设定值窗口131B至133B的宽度是固定的。然而，优选始于相对小的宽度，如果产生的相关样本点组为空或太小以致无法给定可靠的结果，那么利用放宽的标准(例如较宽值窗口)来确定另一设置。可以理解，所示物理值窗口仅用于说明的目的，数据处理器可以在不显像的情况下检查数值。\n[0054] 在此实例中，使用三个组R1、R2和R3的数学简单交集来确定与所有三个观测相关的单组接入点。这表示样本点必须与每个观测相关以便与观测的组合相关。但是实际的测量很少这么简单，随后，将结合图4描述一种算法，该算法即使样本点不表现与一个或多个观测相关，也认为该样本点是相关的。\n[0055] 在本发明某些实施例中，如果凭经验公知合适的值窗口生成相关样本点的空集，那么触发警报。这种情况可能是在目标对象本身中或在接入点(基站发射器)之一中的设备故障的症状。或者，可能已经通过壁结构的临时封锁或永久变化而改变了定位环境的传播特性。无论相关的样本点的空集的原因是什么，该原因都应被调查出。\n[0056] 图2A和2B示出了一种情况：其中认为信号参数值是连续值，并且将其模拟为对称单峰值概率分布。将结合图5概述多个峰值和非对称的概率分布。将使用以下符号：\n[0057] A＝{a1，a2，...，an}＝接入点组\n[0058] S＝{s1，s2，...，sm}＝样本点组\n[0059] v＝{v1，v2，...，vn}＝观测信号参数值组(向量)\n[0060] vj＝aj的信号值\n[0061] NA＝未获得的值(覆盖之外、扫描失败，..)\n[0062] P(V|si，aj)＝在si的aj的信号参数的概率分布\n[0063] ε(epsilon)＝指定查找忽略相关样本点的风险的参数；例如ε∈[0，1][0064] 在图2A中，参考标记202表示x轴，x轴表示从接入点观测的信号参数值。y轴\n204表示在样本点si的接入点aj信号参数的概率分布P(V|si，aj)。概率分布由参考标记\n206表示。该技术旨在确定一个或多个信号值区域以使得在该区域外观测的值的概率不超过预定概率阈值ε。因为在图2A中的概率分布是对称并且单峰的，所以可以确定由满足该要求的信号参数值vmin和vmax约束的信号值区域。参考标记210和212分别表示信号参数值vmin和vmax，从而观测的信号参数值在介于vmin和vmax范围之外的概率是ε，并且应用以下方程式：\n[0065] P(Vvmax|si，aj)＝ε/2。\n[0067] 换句话说，最小和最大信号参数值vmin和vmax不是绝对最小值和最大值而是约束包含大部分概率P(V|si，aj)的区域的较低和较高端的值。此区域通过画阴影线表示。\n[0068] 图2B示出累积概率分布226，其根据图2A的概率分布206导出。在图2A中，分别由参考标记210和212表示的最小和最大信号参数值vmin和vmax约束画阴影线区域228，从而信号值在vmin和vmax之间的累积概率是1-ε。\n[0069] 从上述的概率考虑，可以导出相关性标准，以在定位形成观测向量v的目标对象过程中，确定某个样本点是否是相关的。\n[0070] 如上所述，vi＝接入点ai∈A的信号值。如果vi位于在样本点sj中确定的接入点ai的信号值区域之一以内，那么认为样本点sj是相关的。在与样本点sj相关的信号值分布是对称和单峰的情况下，并且vmin和vmax分别是如上所述确定的信号值区域的下限和上限，那么相关性标准可以写作：\n[0071] vmin≤vi≤vmax\n[0072] Ri[v]表示假定接入点ai的观测信号参数值是v的情况下获得的相关样本点组。\n[0073] 图3示出用于初始化相关样本点组的初始化算法300。行302定义针对样本点组A中的每个接入点aj执行的Begin...End(开始...结束)循环。行304对信号参数值v的每个可能值清空相关样本点的组Rj[v]。行306定义针对样本点组S中的每个样本点si执行的开始...结束循环。行308和310分别计算最小和最大信号参数值，vmin和vmax，使得低于vmin或高于vmax的观测概率是ε。行314将当前样本点si添加到信号参数值v的相关样本点的组Rj[v]。\n[0074] 图4示出算法400，用于找出集合 的相关样本点，即与用于确定相应于观测v的位置相关的样本点。行402创建空集C，所述空集C将包含一组候选样本点。行404对可听的(可检测的)接入点的数目初始化变量Fmax。行406开始针对观测矢量v中的各个信号参数值vi执行的For循环，只要信号参数值vi不是“NA”(不可获得)。在行408，对作为可听的接入点的数目的变量Fmax加一。行410开始对每个采样点sj执行的For循环，所述采样点sj基于结合图1A至IC描述的范围因素是给定观测Ri[vi]的可能的采样点。\n[0075] 行412开始If...Then结构，其中如果样本点sj不是候选样本点组C的一员，那么执行Then部分。在行414，样本点sj被添加到候选样本点组C。在行416，将命中计数器F[j]初始为一。IF...Then结构的Else部分包括行418，其中将命中计算器F[j]加1。在一些实施中，对命中计数器F[j]增加的值不限于1而是取决于观测值的可能性。\n[0076] 行420开始算法400的第二部分。在行420，将相关样本点组初始化为空集。行\n422开始For循环，其针对候选样本点的组C中的各个样本点sj执行。行424是If...Then结构，其中如果可听的接入点的数目Fmax减去命中计数器F[j]小于或者等于某一公差范围K，则执行该结构。在行426，将样本点sj添加到组R。最后，在行428，将获得的相关样本点组返回到调用应用程序。\n[0077] 公差范围K的意义如下。在只有当样本点是观测矢量v中每一信号参数值的可能样本点时认为该样本点是相关的情况下，如果K＝0，那么算法400如图1A-1C尤其是图1C中所示的过程操作。然而，可能发生这样的情况：K＝0的值施加了过于严厉的标准，并且产生空的或者很少的相关接入点组。K的值＝n；n＝1，2，...，指即使样本点不在图1C所示的组R1...R3的n中，也认为样本点是相关的。\n[0078] 图5举例说明将图2A-4所示单个的峰值实例扩充至多个峰值。参考数字502表示X-Y坐标系，其中阈值水平504与曲线506相交。图5示出其中曲线506高于阈值水平\n504的两个区域。区域A1从x1延伸到至x2，而区域A2从x3延伸到x4。该方法设置阈值水平504以便满足由参考数字508表示的条件。在纯文本中，条件508表示在峰值区域A1、A2、...上计算的概率P(V＝x)的积分等于1-ε。\n[0079] 在本发明一些实施方式中，数据模型不是概率模型。例如，样本点可能仅仅包含一些可测量的物理量的统计和，例如平均值、中值、最小值、或者最大值。另外，样本点可以包含一个或多个观测作为初始测量的或者从观测导出的一些值。另一个可能性是样本点包含从例如射线追踪技术的计算机模拟获得的值。\n[0080] 在本发明一些实施方式中，相关性标准可以基于与样本点相关的值的距离。例如，如果xi是用于与样本点sj相关的接入点ai的信号值，那么信号值区域的较低的和较高的边界可以使用预定界限z来限定：\n[0081] Vmin＝xi-z；\n[0082] Vmax＝xi+z。\n[0083] 基于图形和历史记录的定位\n[0084] 通过使用利用了在申请人的PCT公开WO2004/008795中公开的基于图形的定位技术(其内容在此引用作为参考)的本发明的相关性指示符可以更进一步的减少定位的不确定性。所述PCT公开揭示了结合HiddenMarkov模型的基于图形的定位技术，但是本发明不局限于Hidden Markov模型。基于图形的定位可以概述如下。拓扑图模拟无线电通信环境的拓扑。所述拓扑图表示一组结点，其中每个结点表示在定位环境中的可允许的位置。拓扑图还表示一组弧度，其中各个弧表示在两个结点之间可允许的目标对象转移。拓扑图用来根据数据模型和观测序列估计目标对象的位置。例如，模拟定位环境的拓扑的拓扑图可用于排除不可能的位置和/或在位置之间不可能的转移。\n[0085] 图6示出结合本发明的相关性指示符的基于图形的定位技术的使用。在图6所示实例中，拓扑图TG模拟可允许的位置并在定位环境中的转移。在该简单的实例中所示的拓扑图TG包含20个结点，其由参考符号N1-N20表示。在该实例中，结点N1-N20也是数据模型的样本点。参考符号T1-T4表示在四个不同时刻的目标对象位置。参考符号S11-S14表示四个不同的相关样本点组，各个组对应于不同时刻T1-T4。相关样本点组可以借助于在该说明书中较早描述的相关性指示符来确定。\n[0086] 图610示出对在时刻T1-T4的可能目标对象位置的确定。在时刻T1，相关点组S11包括样本点(节点)N3-N6，如四个X符号所表示。在时刻T2，相关样本点组S12包括节点N6、N7、N14和N15。在时刻T3，相关样本点组S13包括节点N6-N9。最后，在时刻T4，相关样本点组S14包括节点N1、N9-N13和N18。\n[0087] 在该实例中，假定目标对象在一个单位时间里为静止不动或从一个节点移动至它的紧邻节点，但它的移动无法足够快速地在一个单位时间中跳过两个或多个节点间弧。根据在时刻T1可获得的信息，每一节点N3-N6是可能的目标对象位置，即使不是所有位置的概率相等。但是在时刻T2，由于目标对象无法从这些节点的任何一个节点移动到合适的节点，所以在时刻T2，每单位时间至多一个节点间跳的规则排除了在时刻T1的节点N3和N4。\n相同规则还排除在时刻T2的节点N14和N15，因为这些节点无法在T1从可能的节点组到达。\n[0088] 在时刻T3，相关样本点的组S13包括节点N6-N9。但是因为在时刻T2，N9距离任何可能的节点为两个节点间跳，所以每单位时间至多一个节点间跳的规则排除节点N9。最后，在时刻T4，尽管相关样本点的组S14还包括节点N1、N10-N13和N18，目标对象的位置可以被固定为节点N9。但是在T3，N9是可以从任何可能的节点通过一个节点间跳达到的唯一节点.\n[0089] 可以看出，除降低关于目标对象的当前位置的定位不确定性之外，在时刻T1至T4的目标对象的转移历史可以用来降低(或消除)关于目标对象的在前位置的不确定性。如前所述，根据在时刻T1可获得的信息，目标对象可能在任一节点N3-N6。但是，当定位引擎在其配置中具有整个转移历史(在此实例中的四个步骤)时，则定位引擎可建立目标对象路径N6-N7-N8-N9，如图610中四个圆圈所示。\n[0090] 结合图6和上述PCT申请中更详细的内容，在此描述的基于图形的定位，由于可以排除需要不可能的转移的一些节点，所以可用于进一步降低定位不确定性。基于图形的定位还可以用来降低计算负载，这是本发明的特征目的，因为可以在计算中省略需要不可能的转移的样本点(节点)。在此实例中，在时刻T4的相关样本点组S14包括七个节点(N1，N9-N13和N18)，但是当考虑了目标对象的整个转移历史时仅仅一个节点即N9是可能的节点。\n[0091] 可以通过使用基于Hidden Markov Model的技术正式地描述以上实例。用L(si)表示在组si中的样本点的邻近组，即，从组si中的样本点通过单步可到达的样本点。L(R)表示相关样本点的相邻组：\n[0092] \n[0093] 在下文中，HMM1、HMM2、...HMMi表示Hidden Markov Model中的连续的观测周期。\n相关样本点组(R)如下：\n[0094] HMM1：\n[0095] HMM2：RHMM/2＝R2∩L(RHMM/1)\n[0096] HMMi：RHMM/i＝Ri∩L(RHMM/i-1)\n[0097] 通过图610中的横条示出了该特征。虚线横条表示相关样本点的邻近样本点，而实线横条表示在排除不可能的转移之后相关样本点的邻近样本点。可以看出，因为仅仅需要计算相对于如下所述的样本点的观测概率，所述样本点属于通过HMM研究被认是相关的样本点组RHMM/1…i中，所以本发明的技术降低了计算负担。\n[0098] 如果相关样本点组RHMM/k为空或非常地接近于空，这表示发生了意外的事件并且在恢复定位之前应该采取的一些措施。例如，观测信号可能临时阻塞、数据模型可能过时、附于目标对象的传感器可能发生故障等。如果问题持久，则应该触发警报。\n[0099] 在结合图6描述的实例中，使用拓扑图TG，从而将目标对象TO的位置视为是沿着拓扑图TG的节点之一。在可选实施中，将目标对象的位置解释为沿拓扑图TG的任一点，即，不一定是预定的节点N1-N20中的一个。在另一个实施中，将目标对象的位置解释为距离拓扑图TG为小于等于预定余量的任一点，例如半个走廊宽度。另外，拓扑图TG可以包括弧的组合，其适于模拟适于例如大厅的模拟开放空间的长路径和区域。\n[0100] 装置模型\n[0101] 本发明一些实施例利用装置模型来校正传感器的观测。此特征尤其用于这样的应用中：其中传感器不是特定设计用于精确测量的。例如，无线通信终端可以包括接收信号-强度指示符(RSSI)，但是测量的信号-强度可能非常不准确。据此，每个装置模型包括适当的校正参数以便校正特定传感器的观测。例如，校正参数可以包括常量标度参数和/或线性化参数。如果特定目标对象被提供或与几个传感器相关，那么该特定目标对象有益于将分离的装置模型应用到每个传感器的观测。\n[0102] 在一些情况中，可以采用在最优装置模型上的先验信息。例如，可以校准传感器并且可以产生装置模型，或可以选择预存的装置模型之一并且使该预存的装置模型与传感器相关，以用于以后的参考。\n[0103] 传感器又可以与多个装置模型相关联，使得每个不同的装置模型包括不同的校正参数，以校正传感器的观测。在一个实施中，每个不同的装置模型可以是不同的校准曲线。\n[0104] 即使目标对象(或附着于它的传感器)能够在实验室条件下进行接近理想的测量，它的表观测量能力也会受到相关于附近对象的位置和/或方向、或高度的影响。例如，关注的目标对象可能是佩带识别标签的医院病人，所述识别标签构成传感器。如果病人跌倒在地板上，那么传感器的取向和高度将发生变化。可选的是，传感器天线中的破裂会影响它的灵敏度。可以通过记录：传感器的观测通过使用应用了适当的、实验上导出的校正而得到最好的解释，来检测这种情况。\n[0105] 在本发明的某些实施例中，在用于传感器的最优装置模型上的先验信息是不可获得的，并且使用相关样本点技术来选择最好的装置模型。此方法以该发现为基础：当信号值被高度地破坏或偏离时，相关样本点的数目趋向于很小甚至零。另一方面，如果观测信号与相关于样本点的数据良好地对应，那么相关样本点的数目为高。\n[0106] 因而，如果应用装置模型增加了相关样本点的数目，则可以断定该装置模型能够消除某些设备-专有的偏离值。最佳选择的装置模型是将相关样本点的数目最大化的一个装置模型。可以通过分析一组观测来进一步改善装置模型选择的准确性。例如，可以选择这样的装置模型：对于该装置模型，所述观测组的相关样本点的平均数最高。\n[0107] 在共同所有的专利申请WO2004/008796中公开了用于创建并且使用装置模型的进一步的技术，其公开了位置确定技术。该技术包括确定弥补信号质量参数的不同的目标对象观测之间差异的多个装置模型，并且在多个装置模型之间为具体任务对象选择特定的装置模型。\n[0108] 尽管在开头段中标识的现有技术文档和本发明某些公开实施例中涉及概率技术，然而本发明同样地适用于非概率技术，例如最近邻居型定位算法。对本领域技术人员显而易见的是，随着该技术的发展，该发明原理可以依照各种方式来实现。本发明及其实施方式不局限于如上所述实例，而是可以在权利要求范围内进行改变。