方法、装置和计算机程序产品

技术领域

一些实施例涉及用于跟踪用户设备的位置的方法、装置和系统。

背景技术

准确的室内定位可以为移动服务开启一系列新的可能性。消费者可能受益于个性化的上下文信息和建议以及诸如室内导航的新服务。它还可以创造新的市场机会，这可以意味着能够根据用户的当前位置或未来位置递送适当的服务和信息。

新兴的基于室内定位的服务可以包括社交网络、人员查找、市场活动、资产跟踪等。此外，准确定位还可以帮助消防员、警察、士兵、医务人员等执行特定任务和定位人员。

在实现高精度的室内定位时存在许多困难。由于室内环境中存在的不可靠性和障碍物，包括用于室外定位的全球定位系统(GPS)的标准方法无法被容易地使用。

发明内容

根据一个方面，提供了一种方法，包括：从用户设备接收至少一个所测量的信号特性，所述用户设备位于用户设备位置处；将所述至少一个所测量的信号特性与多个信号特性中的至少一个信号特性进行比较，每个信号特性与相应的测量点相关联；以及基于所述比较来确定所述用户设备位置是第一位置的概率。

所述用户设备位置可以包括用户设备在场馆内的位置。

所述方法可以包括概念上将所述场馆划分为多个部分。

所述多个部分中的每个部分可以包括一个或多个测量点。

所述方法可以包括将所述多个信号特性和与相应信号特性相关联的相应测量点存储在数据库中。

测量点的分布可以取决于场馆的布局。

所述至少一个信号特性可以被滤波。

所述方法可以包括接收信号特性测量序列，所述信号特性测量序列至少包括第一时间戳处的第一测量和第二时间戳处的第二测量。

所述方法可以包括将所述信号特性测量序列输入到隐马尔可夫模型中。

所述隐马尔可夫模型可以被配置为确定以下中的至少一项：所述用户设备的位置；以及由所述用户设备采取的路线。

所确定的所述用户设备的位置包括多个部分中的一个部分。

在第一时间的所确定的所述用户设备的位置和/或所确定的由用户设备采取的路线可以基于在早于所述第一时间的时间的所确定的位置和/或路线。

所述隐马尔可夫模型可以包括以下中的至少一项：转移概率矩阵；发射概率矩阵；以及初始状态概率矩阵。

所述转移概率矩阵可以包括针对所述多个部分中的每个部分的、在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备到达所述多个部分中的每个其他部分的相应转移概率。

从第一部分到第二部分的转移概率可以被计算为：(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的第二部分的面积)/(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的总面积)。

所述转移概率可以取决于所述用户设备的速度和/或方向。

所述转移概率可以取决于先前确定的用户设备的位置。

所述发射概率矩阵可以包括：针对所述多个部分中的每个部分的、所测量的信号特性来自所述多个部分中的相应部分的概率。

针对第一部分的发射概率可以被计算为：(来自所述第一部分的具有第一值的信号特性测量的数目)/(来自所述第一部分的信号特性测量的数目)。

所述初始状态概率矩阵可以包括：针对所述多个部分中的每个部分的、多个连接区域中的相应连接区域是所述信号特性测量序列中的第一个信号特性测量的区域的概率。

所述方法可以包括输出以下中的至少一项：所确定的所述用户设备的位置；以及所确定的所述用户设备采取的路线。

所确定的所述用户设备的位置可以包括多个连接区域中的一个连接区域。

所述信号特性包括MR/XDR测量。

根据一个方面，提供了一种装置，包括用于以下的部件：从用户设备接收至少一个所测量的信号特性，所述用户设备位于用户设备位置处；将所述至少一个所测量的信号特性与多个信号特性中的至少一个信号特性进行比较，每个信号特性与相应的测量点相关联；以及基于所述比较来确定所述用户设备位置是第一位置的概率。

所述用户设备位置可以包括用户设备在场馆内的位置。

所述装置可以包括用于在概念上将所述场馆划分为多个部分的部件。

所述多个部分中的每个部分可以包括一个或多个测量点。

所述装置可以包括用于将所述多个信号特性以及与相应信号特性相关联的相应测量点存储在数据库中的部件。

测量点的分布可以取决于场馆的布局。

所述装置可以包括用于滤波所述至少一个信号特性的部件。

所述装置可以包括用于接收信号特性测量序列的部件，所述信号特性测量序列至少包括第一时间戳处的第一测量和第二时间戳处的第二测量。

所述装置可以包括用于将所述信号特性测量序列输入到隐马尔可夫模型中的部件。

所述隐马尔可夫模型可以被配置为确定以下至少一项：所述用户设备的位置；以及所述用户设备采取的路线。

所确定的所述用户设备的位置可以包括多个部分中的一个部分。

在第一时间的所确定的用户设备的位置和/或所确定的用户设备采取的路线可以基于在早于第一时间的时间的所确定的位置和/或路线。

所述隐马尔可夫模型可以包括以下中的至少一项：转移概率矩阵；发射概率矩阵；以及初始状态概率矩阵。

所述转移概率矩阵可以包括针对所述多个部分中的每个部分的、在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备到达所述多个部分中的每个其他部分的相应转移概率。

从第一部分到第二部分的转移概率可以被计算为：(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的第二部分的面积)/(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的总面积)。

所述转移概率可以取决于所述用户设备的速度和/或方向。

所述转移概率可以取决于先前确定的用户设备的位置。

所述发射概率矩阵可以包括：针对所述多个部分中的每个部分的、所测量的信号特性来自所述多个部分中的相应部分的概率。

针对第一部分的发射概率可以被计算为：(来自所述第一部分的具有第一值的信号特性测量的数目)/(来自所述第一部分的信号特性测量的数目)。

所述初始状态概率矩阵可以包括：针对所述多个部分中的每个部分的、多个连接区域中的相应连接区域是所述信号特性测量序列中的第一信号特性测量的区域的概率。

所述装置可以包括用于输出以下至少一项的部件：所确定的所述用户设备的位置；以及所确定的所述用户设备采取的路线。

所确定的所述用户设备的位置可以包括多个连接区域中的一个连接区域。

所述信号特性可以包括MR/XDR测量。

根据一个方面，提供了一种装置，包括至少一个处理器和至少一个存储器，所述至少一个处理器被配置成使所述装置：从用户设备接收至少一个所测量的信号特性，所述用户设备位于用户设备位置处；将所述至少一个所测量的信号特性与多个信号特性中的至少一个信号特性进行比较，每个信号特性与相应的测量点相关联；以及基于所述比较来确定所述用户设备位置是第一位置的概率。

所述用户设备位置可以包括用户设备在场馆内的位置。

所述至少一个处理器可以被配置成使所述装置在概念上将所述场馆划分为多个部分。

所述多个部分中的每个部分可以包括一个或多个测量点。

所述至少一个处理器可以被配置成使所述装置将所述多个信号特性以及与相应信号特性相关联的相应测量点存储在数据库中。

测量点的分布可以取决于场馆的布局。

所述至少一个信号特性可以被滤波。

所述至少一个处理器可以被配置成使所述装置接收信号特性测量序列，所述信号特性测量序列至少包括第一时间戳处的第一测量和第二时间戳处的第二测量。

所述至少一个处理器可以被配置成使所述装置将所述信号特性测量序列输入到隐马尔可夫模型中。

所述隐马尔可夫模型可以被配置为确定以下中的至少一项：所述用户设备的位置；以及所述用户设备采取的路线。

所确定的所述用户设备的位置包括多个部分中的一个部分。

在第一时间的所确定的用户设备的位置和/或所确定的用户设备采取的路线可以基于在早于第一时间的时间的所确定的位置和/或路线。

所述隐马尔可夫模型可以包括以下中的至少一项：转移概率矩阵；发射概率矩阵；以及初始状态概率矩阵。

所述转移概率矩阵可以包括针对所述多个部分中的每个部分的、在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备到达所述多个部分中的每个其他部分的相应转移概率。

从第一部分到第二部分的转移概率可以被计算为：(在第一时间戳和第二时间戳之间的时间间隔期间、所述用户设备可以到达的第二部分的面积)/(在第一时间戳和第二时间戳之间的时间间隔期间、所述用户设备可以到达的总面积)。

所述转移概率可以取决于所述用户设备的速度和/或方向。

所述转移概率可以取决于先前确定的用户设备的位置。

所述发射概率矩阵可以包括：针对所述多个部分中的每个部分的、所测量的信号特性来自所述多个部分中的相应部分的概率。

针对第一部分的发射概率可以被计算为：(来自所述第一部分的具有第一值的信号特性测量的数目)/(来自所述第一部分的信号特性测量的数目)。

所述初始状态概率矩阵可以包括：针对所述多个部分中的每个部分的、多个连接区域中的相应连接区域是所述信号特性测量序列中的第一个信号特性测量的区域的概率。

所述至少一个处理器可以被配置成使所述装置输出以下至少一项：所确定的所述用户设备的位置；以及所确定的所述用户设备采取的路线。

所确定的所述用户设备的位置可以包括多个连接区域中的一个连接区域。

所述信号特性可以包括MR/XDR测量。

根据一个方面，提供了一种非瞬态计算机可读存储介质，其包括计算机可读指令，当所述计算机可读指令由至少一个处理器执行时使装置：从用户设备接收至少一个所测量的信号特性，所述用户设备位于用户设备位置处；将所述至少一个所测量的信号特性与多个信号特性中的至少一个信号特性进行比较，每个信号特性与相应的测量点相关联；以及基于所述比较来确定所述用户设备位置是第一位置的概率。

所述用户设备位置可以包括用户设备在场馆内的位置。

所述计算机可读指令在由至少一个处理器执行时可使所述装置在概念上将所述场馆划分为多个部分。

所述多个部分中的每个部分可以包括一个或多个测量点。

所述计算机可读指令在由至少一个处理器执行时可使所述装置将所述多个信号特性以及与相应信号特性相关联的相应测量点存储在数据库中。

测量点的分布可以取决于场馆的布局。

所述至少一个信号特性可以被滤波。

所述计算机可读指令在由至少一个处理器执行时可使所述装置接收信号特性测量序列，所述信号特性测量序列至少包括第一时间戳处的第一测量和第二时间戳处的第二测量。

所述计算机可读指令在由至少一个处理器执行时可使所述装置将所述信号特性测量序列输入到隐马尔可夫模型中。

所述隐马尔可夫模型可以被配置为确定以下至少一项：所述用户设备的位置；以及所述用户设备采取的路线。

所确定的所述用户设备的位置包括多个部分中的一个部分。

在第一时间的所确定的用户设备的位置和/或所确定的用户设备采取的路线可以基于在早于第一时间的时间的所确定的位置和/或路线。

所述隐马尔可夫模型可以包括以下中的至少一项：转移概率矩阵；发射概率矩阵；以及初始状态概率矩阵。

所述转移概率矩阵可以包括针对所述多个部分中的每个部分的、在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备到达所述多个部分中的每个其他部分的相应转移概率。

从第一部分到第二部分的转移概率可以被计算为：(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的第二部分的面积)/(在第一时间戳和第二时间戳之间的时间间隔期间所述用户设备可以到达的总面积)。

所述转移概率可以取决于所述用户设备的速度和/或方向。

所述转移概率可以取决于先前确定的用户设备的位置。

所述发射概率矩阵可以包括针对所述多个部分中的每个部分的、所测量的信号特性来自所述多个部分中的相应部分的概率。

针对第一部分的发射概率可以被计算为：(来自所述第一部分的具有第一值的信号特性测量的数目)/(来自所述第一部分的信号特性测量的数目)。

所述初始状态概率矩阵可以包括：针对所述多个部分中的每个部分的、多个连接区域中的相应连接区域是所述信号特性测量序列中的第一个信号特性测量的区域的概率。

所述计算机可读指令在由至少一个处理器执行时可使所述装置输出以下至少一项：所确定的所述用户设备的位置；以及所确定的所述用户设备采取的路线。

所确定的所述用户设备的位置可以包括多个连接区域中的一个连接区域。

所述信号特性包括MR/XDR测量。

根据一个方面，提供了一种计算机程序产品，其被配置为执行上述方法中的任一方法。

附图说明

图1示出了在场馆内的简化漏泄电缆部署；

图2示出了根据一些实施例的方法的流程图；

图3示出了将场馆划分成多个区块；

图4a示出了场馆内的多个指纹测量点；

图4b示出了在场馆内被分在区块中的多个指纹测量点；

图5示出了根据一些实施例的装置；

图6a至图6d示出了跟踪场馆内UE的位置的示例；

图7示出了根据一些实施例的方法；

图8示出了根据一些实施例的装置；

图9示出了非易失性存储器介质的表示，其存储指令，所述指令在由处理器执行时允许处理器执行根据一些实施例的方法步骤中的一个或多个方法步骤；

图10a至图10d示出了示例场馆中的漏泄电缆的示例分布。

具体实施方式

蜂窝运营商可以使用从用户设备(UE)报告的周期性/事件触发的测量报告(MR)或呼叫/事务细节报告(分别为CDR和TDR——统称为XDR)信息来定位UE。

MR可以包括来自服务小区或相邻小区的一个或多个参考信号接收功率(RSRP)值的列表，并且XDR仅包括服务小区RSRP值。基站可以从RSRP强度计算到UE的距离，然后使用三边测量算法来估计UE位置。备选地，可以将RSRP值与包含已知位置处的已知值(也称为指纹值)的数据库进行比较来获得位置。

然而，对于远程无线电头(RRH)和漏泄电缆覆盖的室内场景，这些方法可能不起作用。

例如，图1示出了场馆的简化漏泄电缆部署。例如，场馆可以是会议场馆。

在图1中，场馆100被三条不同的漏泄电缆102、104、106覆盖。这些电缆承载操作在不同频率下的信号。例如，电缆102可以承载以频率1工作的信号A，电缆104可以承载以频率2工作的信号B，电缆106可以承载以频率3工作的信号C。每根电缆有三个间隙102a-c、104a-c、106a-c。

当信号沿着电缆传递时，它从间隙中逸出。因此，这些间隙充当针对所承载的信号的发射器。从同一电缆上的每个间隙发出的信号是相同的。例如，如果信号A通过电缆102，则在点102a、102b和102c处发射的信号将是相同的信号，即信号A。

可以测量RSRP。当特定信号的RSRP非常强时，可以确定UE被定位在接近间隙之一的位置。例如，如果信号A的RSRP非常强，则可以推断UE位于靠近间隙102a至102c之一的位置。

然而，基站可能无法区分接收信号来自间隙102a至102c中的哪一个。因此，基站可能难以准确地计算距离或执行与指纹值的比较。

这个问题可能与AOA定位类似。

为了解决这个问题，一些实施例可以利用基于UE MR或XDR(MR/XDR)信息的室内定位和跟踪的方法，该方法考虑数据不确定性和序列相关性。

图8示出了根据一些实施例的控制装置800的示例。控制装置800可以包括至少一个随机存取存储器(RAM)811a和至少一个只读存储器(ROM)811b、至少一个处理器812、813和输入/输出接口814。至少一个处理器812、813可以耦合到RAM 811a和ROM 811b。经由接口，控制装置800可以耦合到基站的相关其他组件。至少一个处理器812、813可以被配置为执行适当的软件代码815以执行下面描述的方法步骤的一个或多个步骤。软件代码815可以存储在ROM 811b中。应当理解，可以在网络系统的其他地方提供的控制装置中提供类似的组件，例如在核心网络实体中。控制装置800可以与其他控制实体互连。控制装置800和功能可以分布在多个控制单元之间。在一些实施例中，基站可以包括控制装置。在备选实施例中，两个或更多个基站可以共享控制装置。

图2示出根据一些实施例的用于确定UE在场馆中的位置的示例方法。

每个区块可以包含对应于场馆内物理位置的一个或多个测量点。

在步骤200中，场馆的地图可以在概念上被划分为多个连接区域。这些区域被称为区块。图3示意性地示出了这一点，其中场馆300的地图被分解为区块302-320。在本例中，地图被分解为10个区块，但是应该理解，可以使用任意数量的区块。此外，区块可以是任何合适的尺寸和形状，并且大小和形状可以在区块之间变化。

在步骤202中，可以从位于场馆内的多个测量点捕获RSRP测量。这些测量被称为指纹RSRP测量。指纹RSRP测量可与获得相应指纹测量的测量点一起存储在指纹测量数据库中。

图4a示出了可以在场馆内进行指纹测量的测量点的分布示例，其中测量点用圆圈表示。标记了三个示例测量点400、402和404。应当理解，测量点的分布可以是任何合适的分布，并且可以不是均匀或对称的。例如，在有专用走道的场馆中，走道沿线的测量点的浓度可能比场馆内不易接近的位置处的浓度更高。

在一些实施例中，可以对指纹测量进行滤波。滤波可用于从测量中去除噪声。在一些实施例中，滤波器可以包括卡尔曼(Kalman)滤波器。

在一些实施例中，场馆地图至连接区域的划分和指纹测量可被存储在存储器中。这如图2中的步骤204所示。

应当理解，步骤200和202可以以任何顺序执行，并且在一些实施例中可以同时执行。

在一些实施例中，在步骤202中获得的在测量点处的测量和在步骤200中执行的场馆至区块的划分可以结合起来，以创建在区块内划分的测量点的分布。因此，例如，可以确定测量点400和402被划分在区块308内，测量点404被划分在区块302内等。这在图4b示出。

在步骤206中，UE可以执行MR/XDR测量的序列。也就是说，在一些实施例中，UE可以在第一时间执行第一MR/XDR测量，并且在第二时间点执行第二MR/XDR测量。MR/XDR测量的序列和该测量的时间戳可被用于确定UE在场馆内的位置。

在步骤208中，该方法可以包括将来自未知位置的UE MR/XDR测量与指纹RSRP测量进行比较以确定UE的位置。

在一些场景中，指纹RSRP测量可能不是捕获测量的点所独有的。也就是说，第一点的指纹RSRP测量可能匹配至少第二点的指纹RSRP测量。例如，在点400、402和404处的测量可以返回相同的值，该值可以是第一值。

因此，可能不能通过简单地将所测量的MR/XDR测量与已知的指纹测量进行比较来准确地确定UE的位置。因此，UE位置中可能存在不确定性。例如，在UE测量返回第一值的情况下，不能确定UE是在点400、402还是404处。

为了克服由不同点处的相同RSRP测量引起的UE位置的不确定性，在一些实施例中，MR/XDR测量的序列可以被输入到隐马尔可夫模型(HMM)中。

HMM可以具有可见的观察序列以及隐藏或未知序列。在一些实施例中，可见的观察序列可以包括MR/XDR测量，并且隐藏序列可以包括测量点。

在一些实施例中，HMM可以使用以下概率矩阵来确定用于基于MR/XDR测量来确定UE位置的模型：

转移概率矩阵(A)，其提供关于UE从一个区块移动到另一个区块的概率的信息；

发射概率矩阵(B)，其提供关于特定MR/XDR与一个特定区块匹配的概率的信息；以及

初始状态概率矩阵(P)，其提供关于一个特定区块是MR/XDR测量序列的第一个区块的概率的信息。

在一些实施例中，转移概率矩阵A表示UE在MR/XDR序列中的第一时间戳和第二时间戳之间的时间间隔期间到达每个区块的概率。

例如，在具有时间t的测量序列中，UE的总可到达区域可以由S

在一些实施例中，UE的速度和/或方向可用于确定转移概率。在一些实施例中，可以使用存储在历史数据库中的关于一个或多个UE的历史信息来确定转移概率。在一些实施例中，使用数据挖掘和/或机器学习技术来确定矩阵A。

在一些实施例中，发射概率矩阵表示特定MR/XDR测量与一个特定区块匹配的概率。在一些实施例中，对于给定区块i，区块内的指纹点的总数是M

如图6b所示，在区块600a中，总共有12个指纹点，那么M

在一些实施例中，初始状态概率矩阵P表示一个特定区块是MR/XDR测量序列的第一个区块的概率。初始状态概率矩阵定义了起点的概率。在一些实施例中，起始点由唯一匹配来标识。也就是说，例如，进入场馆的入口可以具有与之相关联的唯一RSRP测量，从而允许对起始点的唯一标识。在一些实施例中，初始状态概率对于所有区块是相等的。

在步骤206中，MR/XDR信息的序列可以被输入到HMM中。HMM然后可以基于接收到的MR/XDR序列以及矩阵A、B和P来确定UE的位置和/或采取的路线的概率。

在一些实施例中，HMM可以通过确定区块之间的所有可能路线的概率来确定UE的位置和/或采取的路线的概率，并确定具有最高概率的路线。

在一些实施例中，HMM可以基于在先前时间点确定的最可能路线来确定最可能路线。也就是说，在一些实施例中，可以基于时间间隔(T-1)的最可能路线来确定时间间隔T的最可能路线。

在步骤208中，HMM可以输出UE的最可能位置。在一些实施例中，最可能位置可以包括最可能区块。

在一些实施例中，可以输出区块序列。区块序列可以表示基于接收到的MR/XDR序列中的接收到的MR/XDR测量的、UE的最可能路径。

在一些实施例中，可以视觉显示所确定的位置和/或所确定的路线。例如，可以在场馆的地图上显示指示所确定的UE采取的路线的区块的序列。

在一些实施例中，通过比较接收到的MR/XDR序列和指纹测量数据库，可以确定区块内与接收到的序列匹配的点。在一些实施例中，可以确定序列中给定时间戳的单个点。所确定的点可以是具有最小平均误差的点。所确定的点可使用k最近邻法来确定。

在一些实施例中，可以连接针对每个给定时间戳的所确定的点以形成所确定的路线。所确定的路线可以使用迪杰斯特拉(Dijkstra)短连接路径算法来确定。

在一些实施例中，可以输出所确定的路线。在一些实施例中，可以视觉显示所确定的路线。

图6a至图6d示出了上述方法的示例说明。

图6a示出了一个示例，其中场馆600被划分为12个区块600a至600l。每个区块有12个由圆圈表示的指纹测量点，其中每个点的RSRP测量值由圆圈的图案表示。在图6a的示例中，有6种不同的指纹RSRP测量，因此有6种不同的图案。

在图6b中，可以从位于场馆内某处的UE接收MR/XDR序列602。在时间戳T1处的第一MR/XDR测量可以具有MR/XDR测量604。因此，可以确定UE位于非常靠近点601之一的位置。然而，如果没有进一步的信息，可能无法更准确地确定UE的位置。也就是说，可能无法从单个测量确定UE是在区块600a还是600h中。

在这种情况下，可以基于前面提到的公式来确定矩阵B，矩阵B定义给定区块的发射概率。因此，区块600a的发射概率可以被确定为9/12，因为区块600a中有9个点具有与MR/XDR测量604相对应的指纹RSRP测量，并且区块600a中总共有12个点。

类似地，可以确定区块600h具有6/12的发射概率。所有其它区块具有0的发射概率，因为其它区块不具有指纹RSRP测量对应于从UE接收的MR/XDR测量604的任何点。

在图6c中，可以在时间戳T2处接收第二MR/XDR测量606。第二MR/XDR测量可以具有对应于在点603之一处获得的指纹RSRP测量的MR/XDR测量606。

因此，可以确定UE现在非常靠近点603中的一个点。基于该测量和先前的测量，可以确定UE在区块600a而不是600h中开始。然而，可能无法确定UE是否已经移动到区块600b或600e中，因为两个区块都包含指纹RSRP测量与从UE接收的MR/XDR测量相匹配的点，并且两者都是从在先前时间戳处确定为UE的可能位置的区块(即区块600a)可到达的。

图6d示出了在连续时间戳处按序列接收的后续MR/XDR测量607-610。使用这些测量，通过计算具有最大概率的路线(在一些实施例中，可以通过乘以相应的发射概率和转移概率来计算)，该方法可以确定UE采取的穿过场馆的最可能路线。在图6d中，这条路线由场馆地图上粗体的箭头指示。

然后可以输出该路线，例如显示在设备的屏幕上。

在一些实施例中，通过将指纹测量点分组到区块中并且确定给定区块的发射概率，可以考虑UE位置中的不确定性。

在一些实施例中，当确定UE的位置时确定最可能的区块。在一些实施例中，与确定最可能的单点相比，这可以实现用于确定UE的位置的计算时间的减少。

在一些实施例中，可以使用信息来增强由UE提供的MR/XDR测量以提供对UE位置的更准确估计。增强信息的示例可以包括但不限于先前MR/XDR测量、场馆的地图、UE的速度、UE的行进方向。在一些实施例中，可以通过数据挖掘和/或机器学习来确定增强信息。

现在描述根据一些实施例的方法的另一示例，以提供对隐马尔可夫模型的操作的进一步解释。

在一些实施例中，隐马尔可夫模型映射包括如上所述的转移概率矩阵(A)、发射概率矩阵(B)和初始状态概率矩阵(P)。在一些实施例中，HMM可以从UE接收MR/XDR测量序列，该序列被指定为O＝(o

HMM的输出可以是表示具有最高概率的区块序列的隐藏序列。所输出的序列被指定为I*＝{i*

在一些实施例中，对于初始测量o

δ

其中N是区块的数量。

在一些实施例中，HMM随后可使用动态编程来确定t＝2、3...k的后续区块，如下所示：

在一些实施例中，HMM可将时间t＝k时的最高概率确定为：

在一些实施例中，HMM可将UE在时间t＝k时的位置确定为：

在一些实施例中，HMM可以将UE在较早时间点即在t＝(k-1)、(k-2)...1时的位置确定为：

在一些实施例中，HMM因此可以将UE在各个时间戳处的位置序列确定为：

图7中示出了根据一些实施例的方法。

在步骤701，该方法可以包括初始化HMM。

在步骤702，该方法可以包括从UE接收MR/XDR测量。

在步骤703，该方法可以包括确定区块内有多少指纹测量点与所接收的MR/XDR测量匹配。这可以对场馆内的所有区块1...N执行。

在步骤704，该方法可以包括确定发射概率矩阵B。

在步骤705，该方法可以包括计算在时间戳T处的一个MR/XDR测量与在时间戳T-1处的后续MR/XDR测量之间的时间间隔。

在步骤706，该方法可以包括计算转移概率矩阵A。

在步骤707，该方法可以包括计算局部状态δ

在步骤708，该方法可以包括确定序列中的所有MR/XDR测量是否已被处理。如果已经处理了所有测量，则该方法可以进行到步骤709。如果没有处理所有测量，则该方法可以返回到步骤702。

在步骤709，该方法可以包括针对接收序列中的最后MR/XDR测量来确定UE的最高概率区块位置。

在步骤710，该方法可以包括回溯和确定UE的最高概率区块位置序列。

在步骤711，该方法可以包括使用k最近邻(KNN)法来针对序列中每个确定的区块找到UE的位置L。

现在提供示例性用例。应当理解，这只是为了说明的目的，而不应被视为限制。

图10a示出了场馆的卫星图像。图10b示出了由图10a中的虚线1000表示的场馆部分的靠近图像。图10c示出了穿过图10b所示场馆部分的所有走道。在图10b和图10c中，白色正方形1002对应于场馆的物理特征——在本例中是物理支柱。标有1004a至1004f和1006a至1006f的点对应于漏泄电缆中的间隙。

图10d示出了图10b所示场馆部分中的漏泄电缆的布置。在图10d中，有六根电缆1008a-f。每根电缆有两个间隙，由图10d中的灰色圆圈表示，其对应于点1004a-1004f、1006a-1006f。

每条漏泄电缆可接收来自不同基站的信号。因此，每条漏泄电缆1008a-1008f可以承载不同的信号。在本例中，漏泄电缆系统中有12个间隙(因为有六条电缆，且每条电缆中有两个间隙)。

如下表所示的小区部署信息，每条漏泄电缆1008a-1008f可以在两个不同的频率信道上工作。同一漏泄电缆中的两个间隙可以共享相同的物理单元标识符(PCI)和相同的两个频率信道。

应当理解，上述小区部署信息仅作为示例提供，并且不应以任何方式被解释为限制。

指纹RSRP测量可从图10b所示的整个场馆部分的多个指纹测量点进行。指纹测量点的数量可取决于所确定的UE位置的期望精度。例如，指纹RSRP测量点的总数可以超过80000。

在一些实施例中，提供了一种包括用于跟踪UE的部件的装置。在一些实施例中，用于跟踪UE的部件可被配置为执行上述方法步骤中的任何步骤。

在一些实施例中，提供了一种包括定位和跟踪系统的装置。定位和跟踪系统的表示如图5所示。

在一些实施例中，定位和跟踪系统500可以包括日志收集器502。日志收集器可以从设备接收信息504。在一些实施例中，设备可以是UE。所接收的信息可以包括以下至少一项：

来自未知位置处的UE的MR/XDR测量504a；

指纹测量504b，其包括来自在已知位置的UE的指纹RSRP测量；

定义模型和/或矩阵A、B和P的信息504c；

场馆地图504d；

定义场馆中区块分布的信息504e；

UE的速度504f；以及

场馆的热力图504g。

在一些实施例中，日志收集器502可以将接收到的信息存储在一个或多个数据库506中。例如，日志收集器可以将指纹测量存储在指纹数据库506a中，和/或可以将接收到的地图存储在地图数据库506b中，和/或可以将诸如模型的信息存储在模型数据库506c中。应当理解，可以使用以任何给定方式布置的任何数量的数据库来存储接收到的信息504。

在一些实施例中，定位和跟踪系统可以包括系统管理模块506。

在一些实施例中，系统管理模块506可以包括位置管理模块506a。位置管理模块506a可以访问存储在一个或多个数据库506中的信息。在一些实施例中，位置管理模块506a可以访问存储在指纹数据库504a中的信息。

在一些实施例中，系统管理模块500可以包括跟踪管理模块506b。跟踪管理模块506b可以访问存储在一个或多个数据库504中的信息。在一些实施例中，跟踪管理模块506b可以访问存储在地图数据库506b中的信息。

在一些实施例中，系统管理模块500可以包括模型管理模块506c。模型管理模块506c可以访问与场馆内的区块分布相关的信息。模型管理模块还可以访问与UE的速度相关的信息。模型管理模块还可以访问定义模型和/或矩阵A、B和P的信息。模型管理模块还可以访问与UE的过去位置相关的信息。该信息中的一些信息可以被存储在模型数据库504c中。

在一些实施例中，定位和跟踪系统500可以包括计算模块508。计算模块508可被配置为执行概率计算以确定UE的位置。

在一些实施例中，计算模块508可以包括位置预测模块508a。在一些实施例中，计算模块508可以包括跟踪预测模块508b。在一些实施例中，计算模块508可以包括模块执行器508c。在一些实施例中，这些模块可以被提供在基站、数据服务器和手机中的一者或多者中。

在一些实施例中，位置预测模块508a可以从日志收集器502和存储指纹测量的数据库接收至少一个输入。

在一些实施例中，位置预测模块508a可以从接收到的MR/XDR序列中提取RSRP信号和相关联的时间戳。位置预测模块508a可以将所提取的RSRP信号与存储在数据库中的指纹RSRP测量进行比较，并且输出与至少一个指纹测量点对应的至少一个标识符，该指纹测量点具有与所提取的RSRP信号匹配的指纹RSRP测量。

在一些实施例中，位置预测模块508a可以向模块执行器508b输出至少一个标识符。

在一些实施例中，模块执行器508b可以接收来自日志收集器中的至少一个日志收集器的至少一个输入、存储在至少一个数据库中的历史信息、来自位置预测模块508a的输出以及来自跟踪预测模块508c的输出。在一些实施例中，模块执行器508b可被配置为从跟踪预测模块508c接收初始状态概率矩阵P。

在一些实施例中，模块执行器508b可被配置为计算发射概率矩阵B。在一些实施例中，可以基于从位置预测模块508a接收到的输入来计算发射概率矩阵。模块执行器508b可以被配置为计算转移概率矩阵A。在一些实施例中，可以基于来自跟踪预测模块508c的输入来计算转移概率矩阵。在一些实施例中，可以基于附加信息来计算转移概率矩阵，附加信息例如但不限于UE的速度、关于UE的历史信息、关于场馆的信息等。

在一些实施例中，模块执行器508b可被配置为计算隐马尔可夫模型中的局部状态。局部状态可对应于所确定的UE的最可能位置。

在一些实施例中，模块执行器508b可以向跟踪预测模块508c输出具有最高概率的区块序列。

在一些实施例中，跟踪预测模块508c可以从日志收集器、至少一个数据库和模块执行器中的至少一项接收至少一个输入。跟踪预测模块508b可以被配置为向模块执行器提供输出。

在一些实施例中，跟踪预测模块可被配置成将场馆的地图划分为多个区块。跟踪预测模块可被配置成将指纹测量点的标识符与多个区块中的一个区块相关联。

在一些实施例中，跟踪预测模块可被配置成确定初始状态概率矩阵P。

在一些实施例中，跟踪预测模块可以被配置成向模块执行器508b输出区块之间的物理位置关系。

在一些实施例中，跟踪预测模块可以被用于分析从模块执行器508b输出的所确定的区块序列。在一些实施例中，跟踪预测模块508c可使用k最近邻法来确定所确定的区块序列中的每个区块中的指纹测量点。在一些实施例中，跟踪预测模块508c可以使用Dijkstra最短连接路径算法来输出跟踪预测。

在先前的描述中，参考了MR/XDR测量。应当理解，可以执行任何合适的信号特性测量。

图9示出了非易失性存储器介质900a(例如，计算机盘(CD)或数字多功能盘(DVD))和900b(例如，通用串行总线(USB)存储器记忆棒)的示意图，其存储指令和/或参数902，这些指令和/或参数在由处理器执行时使处理器执行先前描述的方法的步骤中的一个或多个步骤。

一般来说，各种实施例可以被实现为硬件或专用电路、软件、逻辑或其任何组合。一些实施例可以硬件实现，而其他方面可以固件或软件实现，这些固件或软件可以由控制器、微处理器或其他计算设备执行，但实施例不限于此。虽然各种方面可被图示和描述为框图、流程图或使用一些其它图示，但应理解，作为非限制性示例，本文所述的这些框图、装置、系统、技术或方法可实现为硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或者其他计算设备或其某种组合。

一些实施例可以通过可由设备的数据处理器(例如在处理器实体中)执行的计算机软件来实现，或者通过硬件或者通过软件和硬件的组合来实现。计算机软件或程序(也称为程序产品)包括软件例程、小程序和/或宏，可以被存储在任何装置可读数据存储介质中，并且它们包括执行特定任务的程序指令。计算机程序产品可以包括一个或多个计算机可执行组件，这些组件被配置为当程序运行时执行实施例。一个或多个计算机可执行组件可以是至少一个软件代码或其部分。

此外，在这方面应当注意，如图中所示的逻辑流程的任何框可以表示程序步骤、或者互连逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储器块的物理介质、诸如硬盘或软盘的磁性介质以及诸如DVD及其数据变体CD的光学介质上。物理介质是一种非瞬态介质。

存储器可以是适合于本地技术环境的任何类型，并且可以使用任何合适的数据存储技术来实现，例如基于半导体的存储器器件、磁存储器器件和系统、光存储器器件和系统、固定存储器和可移动存储器。数据处理器可以是适合于本地技术环境的任何类型，并且作为非限制性示例，可以包括以下中的一项或多项：通用计算机、专用计算机、微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、FPGA、门级电路和基于多核处理器架构的处理器。

一些实施例可以在诸如集成电路模块的各种组件中实施。集成电路的设计大体上是一个高度自动化的过程。复杂而强大的软件工具可用于将逻辑级设计转换为半导体电路设计，以便在半导体衬底上刻蚀和形成。

上述描述通过非限制性示例提供了对示例性实施例的完整和信息性描述。然而，当结合附图和所附权利要求阅读时，鉴于前述描述，各种修改和调整对于相关领域的技术人员来说可能变得显而易见。然而，本发明的教导的所有此类和类似修改仍将落在所附权利要求中限定的本发明的范围内。实际上，存在另一实施例，其包括一个或多个实施例与先前讨论的任何其它实施例的组合。