专利名称：确定移动设备在人身上的位置的分层状况检测方法
技术领域：
本发明涉及位置检测系统，具体些说，涉及在移动设备内分层检测和使用运动信息的方法和装置。
背景技术：
随着无线电和空间技术的发展，业已建立了一些基于卫星的导航系统(B卩，卫星定位系统或"SPS")，在不久的将来将有更多的要投入使用。SPS接收机，诸如使用全球定位系统("GPS"，亦称为NAVSTAR)的接收机，业已非常普遍。SPS系统的其他例子包括(但不局限于)美国的海军导航卫星系统(〃NNSS〃)(亦称为TRANSIT)、LORAN、Shoran、Decca、TACAN、NAVSTAR ;俄国的与NAVSTAR对应的被称为全球导航卫星系统(GL0NASS)的同类产品；以及诸如所提出的"Galileo"规划的任何将来的西欧SPS。作为一个例子，美国NAVSTAR GPS系统可参见在这里列为参考全面引用的〃GPS原理和实践〃(〃GPS Theory and Practice",Fifth ed. ， revised edition by Hofmann-Wellenhof, Lichtenegger and Collins，Springer-Verlag Wien New York，2001)。美国GPS系统是由美国国防部构建和运行的。该系统使用24个或更多个卫星，在高度大约为11，000英里的轨道上绕地球环行，周期大约为12小时。这些卫星处于6个不同的轨道上，使得在任何时候在地球表面上除近极区域之外的任何位置有最少6个卫星是可见的。每个卫星发送以一个原子钟为基准的时间和位置信号。典型的GPS接收机自动跟踪这个信号，提取其中所含的数据。使用从足够多的卫星得到的信号，GPS接收机就可以计算出它的位置、速度、高度和时间(即导航解)。GPS和其他基于卫星的导航系统有着一些缺点，诸如取决于是否可得到足够多的卫星信号和/或取决于可得到的信号的强度。在深谷形地理环境中，例如在有大量阻挡直接卫星信号的高层建筑物的区域、稠密的森林区域等区域内，卫星信号有时是不可得到的。除此之外，在建筑物内部或者在地下一些位置，诸如美国大都市区域的地铁车站、住宅/商业建筑的地下室之类，卫星信号可以被完全阻塞或大大衰减。而且，微弱的卫星信号可以受到其他较强的信号的自然或有意污染。为了减小这些误差，可以将装有一些传感器的惯性测量单元(MU)与导航设备集 成在一起，以提供用来改善设备在信号恶化的环境中的位置可预测性和可靠性的数据。例如，在不可得到卫星信号的室内环境中或者在常有多路径误差的稠密城市环境中，传感器数据可以有助于导航解的计算。典型的MU包括测量方向改变的陀螺仪、估计加速度的加速度计、可以检测设备取向改变的磁传感器和许多其他类似的仪器。具体些说，在导航设备的位置被最初确定后，IMU就可以将导航设备的位置确定为导航设备的运动，即使是在卫星信号被阻塞的情况下。可以使用根据运动数据(例如，IMU所提供的数据)传送先前已知位置来定位的是惯性导航，诸如推算定位(dead-reckoning, DR)方法。DR方法通常不考虑有关导航设备怎样运动的状况信息(contextual information)。作为美国公开No. 2011/0029277发布的共同未决、共同拥有的美国申请No. 12/510，965〃个人导航系统运动模式检测的方法和应用"("Methods and Applications for Motion Mode Detection for Personal NavigationSystems")由于揭示了在个人导航设备中检测和使用运动模式的方法和装置提高了该领域的技术水平。然而，在用导航设备的运动数据通过更精确地确定导航设备的位置和根据设备的所检测到的位置将状况/形势信息与用户关联来增进用户阅历上，尚有改善余地。例如，当前的一些方法并没有优化到准确预测导航设备在人身上的位置。而且，位置检测算法也没有优化到利用在所收集的从传感器获得的定位数据中的固有层次结构。

发明内容
本发明涉及通过分析传感器数据，例如一个或多个与导航设备连接的运动传感器的数据，检测导航设备的位置。分层算法(hierarchical algorithm)使用传感器数据作出 一系列有关导航设备的位置的判断，每个判断相应于多个与设备的可能运动模式和/或精确位置(包括设备相对人身体的位置)有关的类中的一个类。通过精确地识别设备位置，这种分层算法有利于提供适当的状况信息，从而增进用户对形势的了解。在本公开中，所谓〃个人导航设备〃(PND)用作便携式导航设备的一个非限制的例示性例子。导航设备可以是独立的导航设备，也可以是与其他便携式设备，诸如移动电话机、膝上型/笔记本/平板计算机、个人数字助理(PDA)、便携式娱乐操作台(诸如移动TV、iphone、ipad等)、便携式电子读出器、手表、便携式数字游戏机、便携式图像拍摄/编辑设备(例如，摄像机)、美容饰品(例如，项饰)之类，连接的导航模块。概括地说，PND通过自主或半自主地确定精确的定位信息和与所检测的位置和运动关联的其他状况信息增进用户阅历。即使在GPS信号不存在或者变弱或损害的环境内(诸如在深邃的室内环境、市区的峡谷、地铁车站等处)，也可以根据智能算法提供具有预定可接受精度的定位信息。此外，这种算法基本上不须依赖在GPS信号不存在或非最佳的情况下通常由现有的基础设施诸如GPS辅助基础设施提供的传统的定位辅助服务。
按照本发明的一个方面，揭示了一种确定与设备有关的位置信息的方法，这种方法包括执行第一层次的分类，通过提取从一个或多个与设备连接的传感器收集的数据，检测设备的运动模式；以及，执行第二层次的分类，通过进一步提取从所述一个或多个传感器收集的数据，检测设备在用户身上的位置。按照本发明的另一个方面，揭示了一种设备的定位装置，这种装置包括输入电路，所述输入电路被连接成接收来自设备的惯性运动单元(MU)的数据；处理器，所述处理器根据用所接收的数据进行的第一层次的分类确定移动设备的当前运动模式是多个运动模式中的一个特定运动模式，以及进一步根据用所接收的数据进行的第二层次的分类确定设备当前相对用户身体的位置。所属领域的技术人员从以下附图和详细说明可以清楚地看到本发明的这些和其他一些方面的情况，包括与以上方法相应的系统和计算机程序产品。


本领域内的普通技术人员从以下结合附图对本发明的一些具体实施例所作的说明中可以清楚地看到本发明的一些方面和特征，在这些附图中图I为实现本发明的原理的实例的示意图；图2为例示按照本发明的一个实施例的对于步行模式的加速度模的过零情况的测量数据；图3为按照本发明的一个实施例的加速度计模、滤波后纵倾角和纵倾角数据幅度的图形表不;图4为按照本发明的一个实施例的分层状况检测原理的方框图； 图5为示出按照本发明的一个实施例的确定导航模块位置的示范性方法的流程图；以及图6A-C示出了按照本发明的一个实施例的模块位置确定算法的结果。
具体实施例方式下面将参照作为本发明的例示性实例所给出的附图对本发明进行详细说明，以使该领域内的技术人员能实际应用本发明。值得注意的是，以下这些附图和例子并不意味着就将本发明的范围限制为单个实施例，而通过互换所说明或例示的一些或所有的组成部分实现的其他实施方式也是可行的。此外，在本发明的某些组成部分可以部分或全部用已知的组件实现的情况下，将只对这样的已知组件中的为理解本发明所必需的那些部分进行说明，而略去了对这样的已知组件的其他部分的详细说明，以免使本发明反而模糊不清。描述为以软件实现的实施例不应被限制为就以软件来实现，而是可以包括以硬件或软件和硬件的组合来实现的实施例，反之亦然，如该领域内的技术人员所知，除非在这里另有说明。在本说明书中，示出单个组件的实施例不应被认为是限制，确切些说，本发明应涵盖其他包括多个同样组件的其他实施方式，反之亦然，除非在这里另有明确说明。此外，申请人并不打算使本说明书或权利要求书中任何术语具有罕有或特殊的意义，除非明确提出具有这样的意义。此外，本发明涵盖现在和将来所知的与在这里所例示的已知组件等效的等效组件。图I例示了实现基于卫星的通信系统的一个例子。如图I所示，GPS卫星(即SV)114、116、118和120分别广播信号106、108、110和112，这些信号由位于比较接近地球表面104的用户位置处的GPS设备102接收。GPS设备102可以是手持/便携式个人导航设备(PND，例如可以从Garmin、TomTom等得到的PND)或带有内置GPS功能的蜂窝电话机、iPhone、PDA、手持或膝上型计算机或其他类型的设备，或者嵌入跟踪应用(例如，Trimble的自动跟踪、FedEx的机组或机群管理跟踪、儿童定位器跟踪应用等)的任何GPS设备。这样的GPS功能可以用诸如SiRFStarV之类的芯片组和CSR/SiRF Technology公司的其他芯片组实现，这些芯片组包括核心处理器和所嵌入的存储器以及处理所接收的GPS/SPS信号和/或根据所接收和处理的信号确定导航解的软件。如从以下说明可以更为清楚地看到的那样，按照本发明的一些方面，GPS设备102包括一些传感器，诸如加速度计、压力传感器、陀螺仪之类(总称为惯性测量单元或MU)。GPS设备102还可以包括DR功能，如修改成带有本发明的功能的那样。可以适合在本发明中使用的典型传感器和功能在由本受让人共同拥有的共同未决申请No. 11/823,964 (现在作为美国公开No. 2009/0254279发布)和12/471，147中有更为详细的说明，这些申请的内容全部通过引用包括在这里。该领域内的技术人员将能理解怎样修改在那些申请中所示出的装置和功能以供本发明的技术使用，为使本发明清晰起见，在这里将略去对它们更为详细的说明。信号106、108、110和112是众所周知的GPS信号，其中三个二进制码对卫星所发送的LI和/或L2频率载波相位进行相移。如已知的那样，设备102为了可以提供3维的导航解通常需要来自至少4个SV的信号(对于2维的导航解例如通过使用已知的高度而只需要3个卫星)。如前面所说明的，本发明用分层算法概括地检测导航设备的运动模式(例如，携带设备的个人正在步行、乘坐交通工具、正在慢走，还是静止不动等)和附加的有关导航设备的物理位置的较精细层次的信息(例如导航设备是在人身上、在一件衣服内/拴在衣服上，还是在诸如行李袋之类的载体内/拴在载体上，等等)。与PND关联的定位数据的性质本来就是分层的，因此所收集的传感器数据，例如从一个或多个与PND连接在一起的IMU收集的 数据也是分层的。利用在所收集的传感器数据内存在的层次，就可以有效地搜集定位信息。也就是说，在这里所说明的有些实施例中的分层算法建立起可以馈入(自动或半自动地)和分析所收集的传感器数据的预定状况分类构架，使得算法的输出以一定可信度指示导航设备的位置。优选的是，这种算法是灵活得足以选择包括时域和/或频域分类符这些分类符。同时，由于分层性质，这种算法比可供选择的不利用所收集的传感器数据自然被分成一些簇(即自然分层)的优点的非分层的一般鉴定/检测算法快。本发明的特征之一是能够识别所收集的传感器数据的自然分段情况，并为每个数据段关联一个适当的分类符，如将用一些例示性的例子进一步详细说明的那样。如前面所述，本发明的一个方面是要精确地确定设备位置。也可以将设备定位与运动模式的检测和/或有关设备相对个人身体的更精细层次的位置信息关联。运动模式指示PND是否运动和/或怎样运动。由于PND通常由人类用户携带，因此运动模式的例子包括静止不动，步行，快走，慢走，上/下楼梯，在自动扶梯上上/下，在电梯厢内上/下，骑车，驾车，乘坐诸如小轿车、公共汽车、船、飞机之类的交通工具，等等。所确定的运动模式/设备位置可以用于各种应用，包括改善用户对处境的了解，即使是在GPS导航信号不存在或极小的环境内。可以用运动模式/设备位置来选择供DR用的适当定位算法，从而提高DR算法所计算的位置的精度。例如，在携有PND的用户驾车进入室内停车场和开始步行进入室内环境时，卫星信号将会成为得不到的，因此就必须依靠DR算法继续产生位置估计。由于可得到运动模式，就可以选择适当的DR算法(例如，被称为行人推算定位或PDR的考虑步行行人的算法)来产生较好的位置估计。运动模式类别在用下面所讨论的方法检测到用户将车停下开始步行时可以从"驾车"改变为"步行"。此外，可以不断地将步行期间的一些旅途点存储起来，以便在用户希望回到停车的位置时可以用这些旅途点来引导用户退回。在另一个实施例中，可以用运动模式检测来改善PDR算法。步行算法可以具有4个典型的组件(I)步伐检测，(2)步长估计，(3)朝向确定，以及(4)传感器标定。传感器在检测到PND静止时进行标定。例如，加速度计、陀螺仪、磁传感器和压力传感器在偏置和灵敏度上都会随时间、温度或其他环境因素而呈现漂移。可以在检测到静止状况时将这些传感器的偏置置零。也就是说，本发明的应用之一包括掌握和尽可能补偿所建立的漂移误差。在另一个实施例中，用静止状态的检测来限制定位不确定性的增大。室内位置计算例行程序有赖于步行DR、WiFi三角测量和接收机信号强度指示符(RSSI)的方法，这些方法都具有随从最近的良好定位以来所经过的时间期间而改变的不确定性。检测到静止状态，从最近的良好定位以来所经过的时间期间就不需要增加，导致使可得到具有所希望的精度级别的定位解的时间延长到一段较长的时间期间。结果，限制了在位置计算中的不确定性增大。在另一个实施例中，用静止状态的检测来确定什么时候断开PND的电源，从而显著地节约了功率。又一个例子可以是与接通/断开〃航空模式〃关联的。一旦〃航空模式〃接通，PND就不再试图确定实时位置。作为替代，如果飞机目的地的有关信息由用户提供或者在出 发点由设备自动检测，一旦航空模式断开，在目的地PND就可以立即显示定位信息。从厂家和用户/购买方来看，以上这些典型应用都具有显著的商业优点。例如，在用户处在地铁车站内时，他仍可以得到有关列车服务和/或其他商业服务(例如饭店的位置、自动柜员机的位置等)的形势信息。在另一个例子中，如果用户在GPS信号小/被阻塞的百货公司内漫步，分层算法可以仍能将用户引领至他正在寻找的特定货物。从商店业主来看，检测用户的位置可以有助于1)根据用户接近某个产品情况向用户的PND发送一般产品信息(和/或优待券);2)根据如从用户个人简档和/或在相同/不同商店的历史采购记录所确定的用户购买某个产品的可能性向用户的PND发送个性化的产品信息(或者优待券)；以及3)将用户引导到他正在寻找的产品，等等。在以上所例举的这些情况中有许多通常是使用有助于定位服务的现有基础设施， 诸如辅助GPS基础设施。然而，在这里所公开的分层算法就具有智能性地选择可以不依赖于现有定位辅助基础设施得出定位信息的分类系统的潜力。也就是说，这种分层方法基本不用知晓和操作不依赖它邻近的基础设施。在这里所讨论的所有位置检测方法中，第一运动数据从PND设备的IMU收集。这个运动数据可以是例如来自加速度计的加速度数据。此外或者也可以是，运动数据可以是来自陀螺仪的角速度、来自压力传感器的高度变化数据或者来自磁传感器与加速度计组合的朝向、纵倾和横滚角。该技术领域内的专业人员将认识到，IMU可以装有各种传感器，包括具有小型化活动部件的基于微机电系统(MEM)的传感器。典型的MEM传感器的类型可以包括磁场传感器、压力传感器、加速度计、陀螺仪等。传感器不局限于只是基于活动部件的MEM技术。例如，可以设计出基于霍尔效应的特征并没有任何微型活动部件的磁场传感器。通常可以将多个传感器连接到PND上。在这种情况下，适合分层算法构架的多传感器数据融合/数据分离变得相关。也就是说，传感器特性和/或定量标定是与在这里所讨论的分层决策和状况检测概念密切有关的。如在前面所提及的，本发明利用基于分层算法的分类，这分类可以在频域和/或时域内进行，或者利用频域和时域分析的组合进行。共同未决共同拥有的美国申请No. 12/510，965(现在发布为美国公开No. 2011/0029277)〃个人导航系统的运动模式检测的方法和应用 〃("Methods and Applications for Motion Mode Detection for PersonalNavigation Systems")揭示了一些频域运动模式检测方法。本发明的一些实施例包括这些方法，并且还将这些方法扩展到时域分析。在运动模式检测的频域方法中，首先从PND设备的MU收集运动数据。然后，为所收集的运动数据产生线性预测系数(LPC)。频域分类可以基于诸如步长或步速之类的运动改变。在此背后的一个动机是可以将加速度计/陀螺仪(或者其他传感器)数据的一些短序列假设为平稳的，因此能将这数据模型化为由零均值白噪声策动的有限冲激响应(FIR)滤波器的输出。这样一个滤波器的传递函数实质上是一个自回归(AR)模型。一个周期信号，诸如由IMU单元收集的表示诸如步行、快走、慢走之类的接近周期信号的运动数据，可以用信号过去的P个采样值的线性组合来近似。
i=P
x(n) = a]x{n - I) + a2x(n -2) + …+ apx(n - p) + e(n) = V UjXin - i)
I其中系数ai，a2，...，\为线性预测系数(LPC)。具有预测系数bk的线性预测器为其输出X(n)为数据x(n)的估计的预测系统。X(n)根据x的一些先前值(例如，x(n-l),x(n-2)，等等)估计。线性预测器可以是一个自回归(AR)模型。
k=pX (η) = / , K (η — I) + A2 义(/ — 2) + …+ hp K (η - ρ) = ^ A； X (η - k)
I预测误差e (η)为在时间η处的近似误差，是χ (η)与X (η)之差e (η) =x (n) -X (η)通过将预测误差的平方和最小化，就可以得到唯一的一组线性线性预测系数(LPC)。例如，使用这种技术，可以得到产生/重建诸如人类步行、跑步之类的运动所需要的运动参数的校正值。此外，一旦确定了 AR模型的阶，AR系数a1; a2，. . .，ap就可以用被称为Yule-Walker方程的自相关方法来估计
Γ (0) γ. (1) ... r%(p) I σ2
n(l) rx(0) ... rx(p-l) m 0Γλ·(2) Γ. (1) ... rx(p - 2) a2 = 0
_rx(p)1) ·■■ Γλ·(0) _ _aP 0其中
n-l-krx(k) = X(n)X{n -t k)
n=0在频域内，AR模型的传递函数为
H(Z)=——-——t ^ γ -ι
l~Lhkz
k=l根据这个传递函数，可以如下将LPC变换为谱线频率(LSF)。首先，可以将H(Z)表示为偶对称和奇对称的滤波器P (z)和Q(Z)之和，因此
权利要求
1.一种确定设备的位置信息的方法，所述方法包括 执行第一层次的分类，以通过提取从一个或多个与设备连接的传感器收集的数据，来检测设备的运动模式；以及 执行第二层次的分类，以通过进一步提取从所述一个或多个传感器收集的数据，来检测设备在用户身上的位置。
2.权利要求I的方法，其中，所述第一层次和第二层次的分类基于对从所述一个或多个传感器收集的数据的时域分析或/和频域分析。
3.权利要求I的方法，其中，用于所述第一层次或/和所述第二层次的分类的时域分类使用从所述一个或多个传感器收集的数据的分类符。
4.权利要求3的方法，其中，所述分类符包括加速度的标准离差、加速度模的均值、力口速度模的过零数、加速度模的峰值数、纵倾角变化幅度、朝向角变化幅度和横滚变化幅度中的一个或多个。
5.权利要求I的方法，其中，所述检测设备的运动模式的步骤包括 将从所述一个或多个传感器收集的数据与两组或更多组训练数据相比较，两组或更多组训练数据中的每组训练数据与多个运动模式中的一个运动模式相应；以及 根据比较结果确定移动设备的当前运动模式为所述多个运动模式中的一个特定运动模式。
6.权利要求5的方法，其中，将所收集的数据与两组或更多组训练数据相比较的步骤包括计算所收集的运动数据的一组线性预测系数LPC。
7.权利要求6的方法，其中，将所收集的传感器数据与两组或更多组训练数据相比较的步骤还包括 将LPC变换为所收集的传感器数据的线性频谱频率LSF ；以及 计算在所收集的传感器数据的LSF与所述两组或更多组训练数据中的每组训练数据的LSF之间的频谱偏差。
8.权利要求7的方法，其中，根据比较结果确定设备的当前运动模式为多个运动模式中的一个特定运动模式的步骤包括 将所述特定运动模式确定为其相应训练数据组具有与所收集的传感器数据的LSF的最小量频谱偏差的LSF的运动模式。
9.权利要求5的方法，其中，所述多个运动模式包括静止、步行、快走、慢走、上/下楼梯、在自动扶梯上上/下、在吊梯上上/下、骑车、驾车和乘坐交通工具中的两个或更多个运动模式。
10.权利要求I的方法，其中，所检测到的位置用来选择推算定位DR的定位算法。
11.权利要求5的方法，其中，所述多个运动模式包括非静止运动模式，而所述方法还包括 响应于确定运动模式为非静止运动模式，决定执行第二层次的分类。
12.权利要求I的方法，其中，所述第二层次的分类包括 根据所检测的运动模式，决定确定设备的取向。
13.权利要求12的方法，其中，所检测到的运动模式是步行或快走。
14.权利要求12的方法，其中，如果确定是第一取向，就决定确定设备是处在用户的头部附近、用户的手中还是在用户所携带的提包内。
15.权利要求14的方法，其中，如果确定是第二取向，就决定确定设备是处在用户裤子内、用户腰部附近、用户手中、用户衬衣内还是在用户所携带的提包内。
16.权利要求I的方法，其中，所述第二层次的分类包括 根据所检测的运动模式，决定确定设备处在头部或裤子位置。
17.权利要求14的方法，其中，所检测的运动模式是慢走或跑步。
18.权利要求I的方法，其中，所述传感器包括惯性测量单元IMU。
19.一种装置，所述装置包括执行权利要求I的方法的电路。
20.一种设备，所述装置包括执行权利要求5的方法的电路。
21.一种设备定位装置，包括 输入电路，所述输入电路连接成接收来自设备的惯性运动单元IMU的数据； 处理器，所述处理器根据用所接收的数据进行的第一层次的分类，确定移动设备的当前运动模式是多个运动模式中的一个特定运动模式，以及 进一步根据用所接收的数据进行的第二层次的分类确定设备相对用户身体的当前位置。
全文摘要
本发明涉及确定移动设备在人身上的位置的分层状况检测方法。本发明涉及利用对与导航设备连接的传感器的数据的分析检测导航设备的位置。使用一种分层算法作出一系列有关导航设备的位置的判断，每个判断相应于多个与设备的可能运动模式和/或确切位置(包括设备相对人身体的位置)有关的类中的一个类。通过准确地识别设备位置，这种分层算法便于提供适当的状况信息，从而增进对形势的了解。
文档编号G01S19/48GK102798877SQ20121016734
公开日2012年11月28日 申请日期2012年5月25日 优先权日2011年5月25日
发明者M·乔德哈利, M·沙尔马, A·库马尔, A·古普塔, P·阿格拉瓦尔 申请人:Csr科技控股公司