CN117321437A - 用于动态关联uwb标签与对象的方法及电子设备 - Google Patents
用于动态关联uwb标签与对象的方法及电子设备 Download PDFInfo
- Publication number
- CN117321437A CN117321437A CN202280035839.1A CN202280035839A CN117321437A CN 117321437 A CN117321437 A CN 117321437A CN 202280035839 A CN202280035839 A CN 202280035839A CN 117321437 A CN117321437 A CN 117321437A
- Authority
- CN
- China
- Prior art keywords
- uwb tag
- electronic device
- tag
- uwb
- objects
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 7
- 238000007726 management method Methods 0.000 description 19
- 238000013500 data storage Methods 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000282472 Canis lupus familiaris Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
- G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
- G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
- G06K7/10009—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves
- G06K7/10297—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092
- G06K7/10306—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation sensing by radiation using wavelengths larger than 0.1 mm, e.g. radio-waves or microwaves arrangements for handling protocols designed for non-contact record carriers such as RFIDs NFCs, e.g. ISO/IEC 14443 and 18092 ultra wide band
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/0209—Systems with very large relative bandwidth, i.e. larger than 10 %, e.g. baseband, pulse, carrier-free, ultrawideband
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/06—Systems determining position data of a target
- G01S13/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/003—Transmission of data between radar, sonar or lidar systems and remote stations
- G01S7/006—Transmission of data between radar, sonar or lidar systems and remote stations using shared front-end circuitry, e.g. antennas
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
- G06Q10/0833—Tracking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
- G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
- G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Toxicology (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
提供了一种用于通过电子设备动态地将超宽带(UWB)标签与对象关联的方法。该方法包括由电子设备在一段时间内监测UWB标签附近的第一对象和第二对象,并且由电子设备确定相对于UWB标签的与第一对象和第二对象中的每一个关联的参数。此外,该方法包括由电子设备基于参数生成UWB标签与第一对象和第二对象中的每一个之间的相关性,以及由电子设备基于UWB标签与第一对象和第二对象中的每一个之间的相关性动态地将UWB标签与第一对象和第二对象中的一个关联。
Description
技术领域
本公开涉及无线通信。更具体地,本公开涉及用于动态地将超宽带(UWB)标签与对象关联的方法和电子设备。
背景技术
随着技术的进步,使用各种标签设备来跟踪可能丢失的日常使用的物品。标签设备通常附接到需要使用与用户的电子设备中的标签设备相关联的应用被跟踪和映射的物品。因此,标签设备使用户能够通过他们的电子设备跟踪他们的所属物,并保护物品免受被盗或丢失。然而,标签设备通常被与物品手动地关联或解除关联,这使得标签设备的使用繁琐且耗时。
例如,考虑用户在旅行时将标签设备附接到行李。为了激活标签设备,用户将必须使用电子设备上的标签设备应用手动地设置标签设备。一旦完成了标签设备设置,标签设备应用就将行李映射到标签设备,并且在标签设备应用上反映了这一点。一旦用户完成行程并返回,用户就可将标签设备与行李分离并将标签设备附接到钥匙链。然而,尽管用户将标签设备附接到钥匙链,标签设备仍然被映射到标签设备应用上的行李。为了反映标签设备被附接到钥匙链,用户将必须再次手动改变标签设备应用上的设置。因此,每次用户将标签设备附接到新物品时,用户将必须手动改变标签设备应用中的设置以将标签设备与新物品映射,这是耗时且乏味的过程。此外,如果用户忘记将标签设备映射到标签设备应用中的新物品,则没有办法将标签设备映射到新物品。因此,无法实现使用标签设备来跟踪物品的整个目的。
上述信息仅作为背景信息呈现,以帮助理解本公开。关于上述内容中的任何内容是否可适用于关于本公开的现有技术,尚未做出确定,也未做出断言。
发明内容
技术问题
本公开的各方面至少解决上述问题和/或缺点,并且至少提供下面描述的优点。因此,本公开的一个方面是提供一种用于在没有任何人为干预的情况下动态地将超宽带(UWB)标签与电子设备附近的对象关联或解除关联的方法和电子设备。UWB标签的动态关联或解除关联基于相关性来完成,该相关性基于UWB标签与电子设备附近的对象之间的距离、角度、关联时间等来确定。
另外的方面将部分地在下面的描述中阐述,并且部分地将从描述中显而易见,或者可通过实践所呈现的实施例来学习。
技术解决方案
根据本公开的一个方面,提供了一种用于通过电子设备动态地将超宽带(UWB)标签与对象关联的方法。该方法包括由电子设备在一段时间内监测UWB标签附近的第一对象和第二对象,并且由电子设备确定相对于UWB标签的与第一对象和第二对象中的每一个对象相关联的多个参数中的至少一个参数。该方法包括由电子设备基于多个参数中的至少一个参数生成UWB标签与第一对象和第二对象中的每一个对象之间的相关性,以及由电子设备基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性动态地将UWB标签与第二对象关联。
在实施例中,多个参数中的至少一个参数包括UWB标签与第一对象之间的距离、UWB标签与第二对象之间的距离、第一对象相对于UWB标签的位置数据、第二对象相对于UWB标签的位置数据。
在实施例中,由电子设备在一段时间内监测UWB标签附近的第一对象和第二对象包括:由电子设备使用UWB信号确定第一对象相对于UWB标签的位置数据和第二对象相对于UWB标签的位置数据。此外,该方法包括由电子设备使用确定的第一对象相对于UWB标签(1000)的位置数据和第二对象相对于UWB标签(1000)的位置数据来识别UWB标签附近的第一对象和第二对象,以及由电子设备在该段时间内监测UWB标签附近的第一对象和第二对象。
在实施例中,由电子设备基于多个参数中的至少一个参数来生成UWB标签与第一对象和第二对象中的每一个对象之间的相关性包括:由电子设备(100)基于确定的多个参数中的至少一个参数来确定第一对象和第二对象中的每一个对象与UWB标签(1000)关联的等级,以及由电子设备(100)基于第一对象和第二对象中的每一个对象与UWB标签(1000)关联的等级来生成UWB标签(1000)与第一对象和第二对象中的每一个对象之间的相关性。
在实施例中,由电子设备(100)基于UWB标签(1000)与第一对象和第二对象中的每一个对象之间的相关性动态地将UWB标签(1000)与第二对象关联包括:由电子设备(100)基于相对于UWB标签(1000)的多个参数中的至少一个参数以及UWB标签(1000)与第一对象和第二对象中的每一个对象之间的相关性来计算UWB标签(1000)与第一对象和第二对象中的每一个对象之间的接近指数值。此外,该方法包括由电子设备(100)基于UWB标签(1000)与第一对象和第二对象中的每一个对象之间的接近指数值来确定UWB标签(1000)与第一对象和第二对象中的每一个对象关联的可能性,以及由电子设备(100)基于关联的可能性来动态地将UWB标签(1000)与第二对象关联。
在实施例中,由电子设备使用UWB信号确定第一对象相对于UWB标签的位置数据和第二对象相对于UWB标签的位置数据包括:由电子设备在UWB标签附近发射UWB雷达脉冲,以及由电子设备接收来自第一对象和第二对象反射的UWB雷达脉冲。该方法还包括由电子设备使用发射的UWB雷达脉冲和反射的UWB雷达脉冲之间的飞行时间值来计算从电子设备测量的距离值和从电子设备测量的方向值,并且由电子设备使用UWB信号来确定第一对象相对于UWB标签的位置数据和第二对象相对于UWB标签的位置数据。
在实施例中,由电子设备使用确定的第一对象相对于UWB标签(1000)的位置数据和第二对象相对于UWB标签(1000)的位置数据来识别UWB标签附近的第一对象和第二对象包括:由电子设备从来自第一对象和第二对象反射的UWB雷达脉冲中提取一个或多个特征,并且由电子设备将一个或多个特征作为输入提供给第一预训练模型。此外,该方法还包括由电子设备基于第一预训练模型的输出来确定第一对象和第二对象的标识值,以及由电子设备基于标识值来识别UWB标签附近的第一对象和第二对象。
在实施例中,由电子设备基于位置数据计算UWB标签与第一对象和第二对象之间的接近指数值包括由电子设备确定UWB标签的距离值与对象和第二对象中的每一个对象的距离值之间的第一差异,其中第一差异指示相对距离值。此外,该方法还包括由电子设备确定UWB标签的方向值与第一对象和第二对象中的每一个对象的方向值之间的第二差异,其中第二差异指示相对方向值,以及由电子设备确定UWB标签与第一对象、第二对象关联的持续时间和关联的先前更新时间,以及由电子设备(100)基于确定的加权平均值计算UWB标签(1000)与第一对象和第二对象中的每一个对象之间的接近指数值。
在实施例中,由电子设备(100)基于接近指数确定UWB标签(1000)与第一对象和第二对象中的每一个对象的关联的可能性包括:由电子设备(100)提供UWB标签(1000)的位置数据、一个或更多个物理对象的位置数据、一个或更多个物理对象的标识值以及UWB标签(1000)的关联历史作为第二预训练模型的输入,以及由电子设备(100)通过第二预训练模型确定UWB标签(1000)与一个或更多个物理对象中的每一个物理对象关联的可能性。
在实施例中,由电子设备基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性动态地将UWB标签与第一对象和第二对象中的一个对象关联包括:由电子设备检测不存在第一对象与UWB标签的关联,以及由电子设备动态地将UWB标签与具有最高等级的第二对象关联。
在实施例中,该方法还包括由电子设备获得第一对象和第二对象中与UWB标签关联的一个对象的标识值。该方法还包括由电子设备基于等级和接近指数值来识别不存在第一对象和第二对象中当前与UWB标签关联的一个对象,并且由电子设备动态地将第一对象和第二对象中当前与UWB标签(1000)关联的一个对象解除关联。
在实施例中,由电子设备基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性动态地将UWB标签与第一对象和第二对象中的一个对象关联包括:由电子设备获得第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的标识值,并且由电子设备识别第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的标识值与具有最高等级的物理对象的标识值相同还是不同。该方法还包括由电子设备确定UWB标签与第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的解除关联,以及由电子设备确定UWB标签与第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的解除关联。此外,该方法包括由电子设备(100)动态地将UWB标签(1000)与具有最高等级的物理对象关联,其中,具有最高等级的物理对象是第一对象和第二对象中当前不与UWB标签(1000)关联的一个对象。
在实施例中,该方法还包括由电子设备向用户提供通知,所述通知指示UWB标签(1000)与具有最高等级的物理对象的关联以及UWB标签(1000)与第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的解除关联。该方法还包括由电子设备(100)接收用户输入,该用户输入包括验证UWB标签(1000)与具有最高等级的物理对象的关联以及UWB标签(1000)与第一对象和第二对象中当前与UWB标签(1000)关联的一个对象的解除关联,以及由电子设备基于用户输入更新UWB标签的关联和UWB标签的解除关联中的至少一个。
根据本公开的另一方面,提供了一种用于动态地将超宽带(UWB)标签与对象关联的电子设备。该电子设备包括存储器、处理器、通信器和UWB标签管理控制器。UWB标签管理控制器被配置为在一段时间内监测UWB标签附近的第一对象和第二对象,并且确定相对于UWB标签(1000)的与第一对象和第二对象中的每一个相关联的多个参数中的至少一个参数。此外,UWB标签管理控制器被配置为基于多个参数中的至少一个参数来生成UWB标签与第一对象和第二对象中的每一个对象之间的相关性,并且基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性来动态地将UWB标签与第一对象和第二对象中的一个对象关联。
通过以下结合附图公开了本公开的各种实施例的详细描述,本公开的其他方面、优点和显著特征对于本领域技术人员将变得显而易见。
附图说明
通过以下结合附图的描述,本公开的某些实施例的上述和其他方面、特征和优点将更加明显,其中:
图1A示出了根据本公开的实施例的用于动态地将超宽带(UWB)标签与对象关联的电子设备的框图;
图1B示出了根据本公开的实施例的用于动态地将UWB标签与对象关联的电子设备的每个硬件组件遵循的逐步过程;
图2示出了根据本公开的实施例的数据监测和分析控制器的工作;
图3示出了根据本公开的实施例的用于存储识别的对象和标签数据的数据存储模块;
图4示出了根据本公开的实施例的数据估计控制器的工作;
图5示出了根据本公开的实施例的对象关联预测器模型的工作;
图6A示出了根据本公开的实施例的关联引擎的工作;
图6B示出了根据本公开的实施例的解除关联引擎的工作;
图7示出了根据本公开的实施例的组合器模块的工作;
图8是示出根据本公开的实施例的用于动态地将UWB标签与对象关联的方法的流程图;
图9A和图9B是示出根据本公开的各种实施例的电子设备动态地将UWB标签与对象关联的示例;以及
图10A和图10B是示出根据本公开的各种实施例的电子设备动态地将UWB标签与对象解除关联的示例。
在所有附图中,相同的附图标记用于表示相同的元件。
具体实施方式
提供参考附图的以下描述以帮助全面理解由权利要求及其等同物限定的本公开的各种实施例。它包括各种具体细节以帮助理解,但这些细节应被视为仅仅是示例性的。因此,本领域普通技术人员将认识到,在不脱离本公开的范围和精神的情况下,可对本文描述的各种实施例进行各种改变和修改。另外,为了清楚和简明,可省略对公知功能和结构的描述。
在以下描述和权利要求中使用的术语和词语不限于书面含义,而是仅由发明人使用以使得能够清楚且一致地理解本公开。因此,对于本领域技术人员显而易见的是,提供本公开的各种实施例的以下描述仅用于说明目的,而不是为了限制由所附权利要求及其等同物限定的本公开的目的。
应当理解,单数形式包括复数指示物,除非上下文另有明确说明。因此,例如,对“组件表面”的引用包括对一个或多个这样的表面的引用。
此外,本文描述的各种实施例不一定是相互排斥的,这是因为一些实施例可与一个或多个其他实施例组合以形成新的实施例。除非另有说明,否则如本文所用的术语“或”是指非排他性的“或”。本文使用的示例仅旨在便于理解可实践本文的实施例的方式,并且进一步使本领域技术人员能够实践本文的实施例。因此,示例不应被解释为限制本文的实施例的范围。
如本领域中传统的,可根据执行所描述的一个或多个功能的块来描述和示出实施例。这些块(在本文中可被称为单元或模块等)由模拟或数字电路(诸如逻辑门、集成电路、微处理器、微控制器、存储器电路、无源电子组件、有源电子组件、光学组件、硬连线电路等)物理地实现,并且可以可选地由固件驱动。电路可例如体现在一个或多个半导体芯片中,或者体现在诸如印刷电路板等的基底支撑件上。构成块的电路可由专用硬件实现,或者由处理器(例如,一个或多个编程微处理器和相关联的电路)实现,或者由用于执行所述块的一些功能的专用硬件和执行所述块的其他功能的处理器的组合实现。在不脱离本公开的范围的情况下,实施例的每个块可物理地分成两个或更多个交互和离散的块。同样地,在不脱离本公开的范围的情况下,实施例的块可物理地组合成更复杂的块。
附图用于帮助容易地理解各种技术特征,并且应当理解,本文呈现的实施例不受附图的限制。因此,本公开应当被解释为扩展到除了在附图中特别阐述的那些之外的任何改变、等同物和替代物。尽管本文可使用术语第一、第二等来描述各种元件,但是这些元件不应受这些术语的限制。这些术语通常仅用于将一个元件与另一个元件区分开。
因此,本文的实施例公开了一种用于通过电子设备动态地将超宽带(UWB)标签与对象关联的方法。该方法包括由电子设备在一段时间内监测UWB标签附近的第一对象和第二对象,并且由电子设备确定相对于UWB标签(1000)的与第一对象和第二对象中的每一个对象相关联的多个参数中的至少一个参数。该方法包括由电子设备基于多个参数中的至少一个参数生成UWB标签与第一对象和第二对象中的每一个对象之间的相关性;以及由电子设备基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性动态地将UWB标签与第一对象和第二对象中的一个对象关联。
因此,本文的实施例公开了一种用于动态地将超宽带(UWB)标签与对象关联的电子设备。该电子设备包括存储器、处理器、通信器和UWB标签管理控制器。UWB标签管理控制器被配置为在一段时间内监测UWB标签附近的第一对象和第二对象,并且确定相对于UWB标签(1000)的与第一对象和第二对象中的每一个相关联的多个参数中的至少一个参数。此外,UWB标签管理控制器被配置为基于多个参数中的至少一个参数来生成UWB标签与第一对象和第二对象中的每一个对象之间的相关性,并且基于UWB标签与第一对象和第二对象中的每一个对象之间的相关性来动态地将UWB标签与第一对象和第二对象中的一个对象关联。
在常规方法和***中,需要相机来将标签与对象关联。相机的使用可能是不行的,因为相机不能跨用户携带标签的位置安装。
常规方法和***不提供将标签与不再在用户的电子设备附近的对象解除关联的动态方法。因此,即使在用户已经将标签从对象分离之后,也允许不必要的且有时不相关的对象与标签关联。
与常规方法和***不同,所提出的方法包括基于新对象与标签设备的接近度来智能地和自动地将新对象附接到标签设备。因此,当用户从现有对象分离标签设备并将标签设备附接到新对象时,用户不需要手动设置新对象与标签设备的映射。电子设备动态地且自动地确定标签设备和新对象的接近度;以及标签设备和现有对象的接近度。此外,电子设备将标签设备与现有对象解除关联并将标签设备与新对象关联,而无需任何手动干预。
因此,所提出的方法基于对象的识别和所识别的对象相对于标签设备和电子设备的接近度来提供标签设备与对象的快速、容易和无缝的关联和解除关联。
现在参考附图,更具体地参考图1A、图1B、图2、图3、图4、图5、图6A、图6B、图7、图8、图9A、图9B、图10A和图10B,这些示出为优选实施例,其中类似的附图标记在整个附图中始终表示相应的特征。
图1A和图1B示出了根据本公开的各种实施例的用于动态地将超宽带(UWB)标签(1000)与对象关联的电子设备(100)的框图。
参照图1A,电子设备(100)是带有超宽带(UWB)雷达传感器的具有UWB信号生成能力的设备。电子设备(100)可以是但不限于膝上型计算机、掌上型计算机、台式计算机、移动电话、智能电话、个人数字助理(PDA)、平板计算机、可穿戴设备、物联网(IoT)设备、虚拟现实设备、可折叠设备、柔性设备和沉浸式***。UWB标签(1000)是能够接收和发射UWB信号并且可附接到对象的标签。
在实施例中,电子设备(100)包括存储器(110)、处理器(120)、通信器(130)、UWB标签管理控制器(140)和显示器(150)。
存储器(110)包括数据存储模块(111),并且数据存储模块(111)包括标签数据表和对象数据表。标签数据表包括具有诸如UWB标签(1000)的标识、电子设备(100)与UWB标签(1000)之间的距离、UWB标签(1000)相对于电子设备(100)的方向(按角度)等细节的数据模式(schema)。对象数据表包括具有诸如电子设备(100)附近的多个对象的标识、电子设备(100)与电子设备(100)附近的多个对象之间的距离、多个对象相对于电子设备(100)的方向(按角度)等细节的数据模式。此外,存储器(110)还存储要由处理器(120)执行的指令。存储器(110)可包括非易失性存储元件。这种非易失性存储元件的示例可包括磁性硬盘、光盘、软盘、闪存或电可编程存储器(EPROM)或电可擦除可编程(EEPROM)存储器的形式。另外,在一些示例中,存储器(110)可被认为是非暂时性存储介质。术语“非暂时性”可指示存储介质不以载波或传播信号体现。然而,术语“非暂时性”不应被解释为存储器(110)是不可移动的。在一些示例中,存储器(110)可被配置为存储更大量的信息。在某些示例中,非暂时性存储介质可存储可随时间改变的数据(例如,在随机存取存储器(RAM)或高速缓冲存储器中)。
处理器(120)与存储器(110)、通信器(130)、UWB标签管理控制器(140)和显示器(160)通信。处理器(120)被配置为执行存储在存储器(110)中的指令并执行各种处理。处理器可包括一个或多个处理器,可以是通用处理器(诸如中央处理单元(CPU)、应用处理器(AP)等)、图形专用处理单元(诸如图形处理单元(GPU))、视觉处理单元(VPU)和/或人工智能(AI)专用处理器(诸如神经处理单元(NPU))。
通信器(130)包括特定于实现有线或无线通信的标准的电子电路。通信器(130)被配置为在电子设备(100)的内部硬件组件之间进行内部通信并经由一个或多个网络与外部设备进行通信。
在实施例中,UWB标签管理控制器(140)由诸如逻辑门、集成电路、微处理器、微控制器、存储器电路、无源电子组件、有源电子组件、光学组件、硬连线电路等的处理电路实现,并且可以可选地由固件驱动。电路可例如体现在一个或多个半导体中。UWB标签管理控制器(140)包括数据监测和分析控制器(142)、标签-对象相关性控制器(144)、数据估计控制器(146)和对象关联管理控制器(148)。
数据监测和分析控制器(142)包括数据监测服务(142a)和数据分析器模块(142b)。在实施例中,数据监测和分析控制器(142)被配置为在一段时间内监测UWB标签(1000)附近的第一对象和第二对象,并且确定与第一对象和第二对象中的每一个相关联的多个参数。多个参数包括例如但不限于UWB标签(1000)与第一对象之间的距离、UWB标签(1000)与第二对象之间的距离、第一对象相对于UWB标签(1000)的位置数据、或第二对象相对于UWB标签(1000)的位置数据。
在实施例中,标签-对象相关性控制器(144)被配置为生成UWB标签(1000)和第一对象之间的相关性。类似地,标签-对象相关性控制器(144)被配置为基于多个参数生成UWB标签(1000)和第二对象之间的相关性。相关性包括生成针对UWB标签(1000)与第一对象和第二对象中的每一个的多个相对相关性参数。
在实施例中,数据估计控制器(146)被配置为基于相对相关性参数来生成UWB标签(1000)与第一对象和第二对象中的每一个之间的接近指数值。
在实施例中,对象关联管理控制器(148)包括对象关联预测器模型(148a)、关联映射器表(148b)、关联引擎(148c)、解除关联引擎(148d)和组合器模块(148e)。对象关联管理控制器(148)被配置为基于接近指数值识别在UWB标签(1000)附近不存在第一对象和第二对象中的UWB标签(1000)当前所附接的一个对象,并且动态地将UWB标签(1000)与第一对象和第二对象中的UWB标签(1000)当前所附接的所述一个对象解除关联。类似地,对象关联管理控制器(148)被配置为基于接近指数值识别在UWB标签(1000)附近不存在例如第一对象,但是识别在UWB标签(1000)附近存在第二对象,并且动态地将UWB标签(1000)关联到第二对象。从图1B、图2、图3、图4、图5、图6A、图6B、图7和图8解释每个组件的进一步细节。在实施例中,UWB标签(1000)的动态关联或解除关联可由用户通过在由电子设备(100)显示的通知上提供输入来确认。通知被用作示例,并且包括但不限于通知、弹出窗口等,其包括指示需要由用户确认的UWB标签(1000)的动态关联或解除关联的文本、图像、视频、GIF等中的至少一个。用户输入可以以触摸、滑动、手势、语音等的形式提供。
UWB标签管理控制器(140)的多个模块/组件中的至少一个可通过AI模型来实现。可通过存储器(110)和处理器(120)执行与AI模型相关联的功能。一个或多个处理器根据存储在非易失性存储器和易失性存储器中的预定义操作规则或AI模型来控制输入数据的处理。通过训练或学习提供预定义的操作规则或人工智能模型。
这里,通过学习提供意味着通过将学习过程应用于多个学习数据,形成期望特性的预定义操作规则或AI模型。学习可在执行根据实施例的AI的设备本身中执行,和/或可通过单独的服务器/***实现。
AI模型可由多个神经网络层组成。每一层具有多个权重值,并且通过前一层的计算和多个权重的运算来执行层运算。神经网络的示例包括但不限于卷积神经网络(CNN)、深度神经网络(DNN)、循环神经网络(RNN)、受限玻尔兹曼机(RBM)、深度信念网络(DBN)、双向循环深度神经网络(BRDNN)、生成对抗网络(GAN)和深度Q网络。
学习处理是用于使用多个学习数据来训练预定目标设备(例如,机器人)以使得、允许或控制目标设备进行确定或预测的方法。学习过程的示例包括但不限于监督学习、无监督学习、半监督学习或强化学习。
显示器(150)被配置为向用户显示指示UWB标签(1000)与第一对象和第二对象中的在UWB标签(1000)附近且当前不与UWB标签(1000)关联的一个对象的关联的通知。还向用户提供指示UWB标签(1000)与第一对象和第二对象中的UWB标签(1000)当前所附接的一个对象的解除关联的通知。通知包括用于接收确认UWB标签(1000)与第一对象和第二对象中的一个对象的关联或UWB标签(1000)与第一对象和第二对象中的一个对象的解除关联的用户输入的可操作元素。显示器(150)能够接收输入,并且由液晶显示器(LCD)、发光二极管(LED)、有机发光二极管(OLED)等中的一种制成。
尽管图1A示出了电子设备(100)的各种硬件组件,但是应当理解,其他实施例不限于此。在其他实施例中,电子设备(100)可包括更多或更少数量的组件。此外,组件的标记或名称仅用于说明目的,并不限制本公开的范围。一个或多个组件可组合在一起以执行相同或基本相似的功能,以通过电子设备(100)动态地将UWB标签(1000)与对象关联。
图1B示出了根据本公开的实施例的用于动态地将UWB标签(1000)与对象关联的电子设备(100)的每个硬件组件所遵循的逐步过程。
参考图1B,考虑电子设备(100)充当UWB发射器并且朝向电子设备(100)附近的对象发射UWB信号。在步骤1,电子设备(100)的数据监测服务(142a)接收来自UWB标签(1000)的第一对象的UWB位置数据和来自在电子设备(100)附近存在的第二对象的UWB雷达位置数据。在步骤2,数据监测服务(142a)将接收到的原始数据发送到数据分析器模块(142b)。数据分析器模块(142b)被配置为基于所接收的原始数据来识别UWB标签(1000)被附接到第一对象和第二对象中的存在于电子设备(100)附近的一个对象。在步骤3,数据分析器模块(142b)将所识别的第一对象和第二对象、UWB标签(1000)等转换为表示数据,并且存储在存储器(110)的数据存储模块(111)中。在数据存储模块(111)中,表示数据以表的形式存储。
在步骤4,数据存储模块(111)向标签-对象相关性控制器(144)发送存储设备用新数据被更新的指示。在步骤5a,标签-对象相关性控制器(144)确定数据存储模块(111)中的每个(标签,对象)对的相对相关性参数。每个(标签,对象)对的相对相关性参数包括但不限于相对距离、相对方向、关联持续时间和最后更新的时间。此外,标签-对象相关性控制器(144)将确定的相对相关性参数发送到数据估计控制器(146)。数据估计控制器(146)还从存储器(110)接收关于(标签,对象)对的信息(步骤5b)。此外,数据估计控制器(146)基于在步骤5a和步骤5b接收的输入来确定UWB标签(1000)与第一对象和第二对象之间的接近指数值,并且识别潜在候选,即UWB标签(1000)可与之关联或解除关联的潜在对象。
在步骤6a,数据估计控制器(146)将所识别的潜在候选发送到关联引擎(148c)和解除关联引擎(148d)。在步骤6b,对象关联预测器模型(148a)从存储器(110)接收关于(标签,对象)对的信息(步骤6b)。在步骤7,关联引擎(148c)和解除关联引擎(148d)中的每一个将关于新的关联/解除关联的更新发送到组合器模块(148e)。
在步骤8,组合器模块(148e)将关联/解除关联建议发送到电子设备(100)上的收听服务,该关联/解除关联建议以通知的形式在显示器(150)上提供。在步骤9,电子设备(100)接收确认关联/解除关联建议的用户输入,并且在步骤10,基于用户确认来更新关联映射器表(148b)。此外,在步骤11,关联映射器表(148b)与对象关联预测器模型(148a)以及关联引擎(148c)的关联过滤器模块(148cb)和解除关联引擎(148d)的解除关联过滤器模块(148db)中的每一个共享关联信息的最终更新。因此,关联建议不仅能够实现UWB标签(1000)的关联或解除关联,而且还更新对象关联预测器模型(148a),这有助于预测UWB标签(1000)的未来关联或解除关联。
图2示出了根据本公开的实施例的数据监测和分析控制器(142)的工作。
参考图2,数据监测和分析控制器(142)包括数据监测服务(142a)和数据分析器模块(142b)。数据监测服务(142a)通过周期性轮询来获得包括UWB标签(1000)的设备和UWB范围内的其他物理对象的UWB位置数据。
在步骤1,充当UWB信号发射器和接收器两者的电子设备(100)将UWB脉冲发射到包括UWB标签(1000)的第一对象和电子设备(100)附近的多个第二对象中的每一个。这里,电子设备(100)附近的多个第二对象包括狗、包、钥匙等。在步骤2,数据监测服务(142a)接收第一对象和多个第二对象中的每一个的位置数据的反射UWB脉冲以及相对于每一个对象所计算的飞行时间。具有UWB标签(1000)的第一对象的数据的更新和周期性轮询充当数据监测服务(142a)的触发点。飞行时间(ToF)方法依赖于测量无线电波在空气中行进一段距离所花费的时间。当无线电波以光速行进时,根据时间测量来计算距离。
在步骤3,数据监测服务(142a)将接收到的数据发送到数据分析器模块(142b)的相关性子模块(142ba)。相关性子模块(142ba)包括特征提取器(201)、公共对象数据库(202)、预处理器(203)和第一预训练模型,该第一预训练模型是基于深度学习CNN的分类器(204)。在相关性子模块(142ba)中,接收的数据通过特征提取器(201)以确定第一对象和多个第二对象中的每一个的特征,并将提取的特征存储在公共对象数据库(202)中。此外,通过将提取的特征传递通过预处理器(203),为基于深度学习CNN的分类器(204)准备提取的特征。然后,预处理后的提取的特征通过基于深度学习CNN的分类器(204),其对提取的特征进行分类并识别具有UWB标签(1000)的第一对象和电子设备(100)附近的多个第二对象两者以及这些对象的位置属性(距离/方向)。然后,使用预定义的半径(示例1米)和方向来识别存在于UWB标签(1000)附近的物理对象。例如,具有UWB标签(1000)的第一对象被识别为标签1。例如,多个第二对象被识别为钥匙、宠物、包和桌子。
此外,分类的对象数据也存储在公共对象数据库(202)中。在步骤4,数据转换器子模块(142bb)将所识别的对象数据转换为表示形式,该表示形式可由其他模块解释并容易地存储在数据表中。在步骤5,数据模式被提供为距离(X)(单位:厘米)和方向(角度)(单位:度)。
例如,考虑具有第一UWB标签(1000a)的第一对象距电子设备(100)的距离为5厘米。然后,如表1所示提供表示数据:
[表1]
标签ID | 距离(厘米) | 方向(度) |
标签1 | 5 | 25 |
例如,考虑第二对象(例如包)与电子设备(100)的距离为55厘米。然后,如表2所示提供表示数据:
[表2]
对象ID | 距离(厘米) | 方向(度) |
包 | 55 | 20 |
图3示出了根据本公开的实施例的用于存储识别的对象和标签数据的数据存储模块(111)。
参考图3,数据存储模块(111)的输入是被数据监测和分析控制器(142)转换为表示形式的数据。数据存储模块(111)由其他模块使用,以在需要时访问数据并执行分析。对象以表的形式存储在数据存储模块(111)中,即对象数据表存储与所有多个第二对象相关的数据,并且标签数据表存储与标签设备(例如第一对象)相关的数据。
对象数据表如示例表3中所提供的,并且标签数据表在示例表4中所提供的。
[表3]
对象ID | 距离(厘米) | 方向(度) |
钥匙 | 8 | 35 |
宠物 | 12 | 25 |
桌子 | 17 | 30 |
包 | 20 | 55 |
[表4]
标签ID | 距离(厘米) | 方向(度) |
标签1 | 5 | 25 |
此外,将存储在更新的标签数据表和对象数据表中的数据作为输入提供给标签-对象相关性控制器(144)。标签-对象相关性控制器(144)识别标签对象对的属性(距离/方向/时间)之间的相关性。标签-对象相关性控制器(144)测量关联持续时间(即(标签,对象)对保持在范围内并且有资格进行关联的持续时间)和最后更新时间(当前时间与当在范围内检测到(标签,对象)对时的最后时间之间的时间差)。标签-对象相关性控制器(144)基于标签设备/电子设备(100)的移动来动态地分析不同时间的数据集。标签-对象相关性控制器(144)的输出提供UWB标签(1000)与电子设备(100)附近的每个第二对象之间的相对距离、相对方向和关联持续时间以及最后更新时间,如表5所示。
[表5]
相对距离指示每个标签与对象对之间的距离值的差异。相对方向相似。关联持续时间表示标签设备和对象被识别为在范围内的时间量,并且最后更新的时间表示标签和对象都被识别为在范围内的最后时间实例(‘h’表示小时,‘m’表示分钟)。
图4示出了根据本公开的实施例的数据估计控制器(146)的工作。
参考图4,数据估计控制器(146)包括距离估计器模块(146a)、方向估计器模块(146b)、时间相关性模块(146c)和接近指数计算器(146d)。数据估计控制器(146)使用在距离估计器模块(146a)、方向估计器模块(146b)、时间相关性模块(146c)中的每一个中设置的阈值来识别潜在候选,例如距离阈值是12厘米,方向阈值是30度,并且最后更新的时间小于30分钟。
此外,接近指数计算器(146d)使用满足阈值度量的候选对来确定每个第二对象相对于UWB标签(1000)的接近指数。接近指数是每对UWB标签(1000)和第二对象的相对距离、相对方向以及关联的持续时间和关联的先前更新时间的函数的加权平均值。用于计算接近指数值的公式:
PI(标签,对象)=(α×归一化相对距离+归一化相对方向+函数(关联持续时间,最后更新时间))/3
其中,α是距离参数的权重,是方向参数的权重,函数(关联持续时间,最后更新时间)给出关联持续时间和最后更新时间值之间的相关性值(0-1),归一化相对距离是相对距离/距离阈值,并且归一化相对方向是相对方向/方向阈值。接近指数值的范围在0-1之间,其中较低的值指示候选对的更好的关联潜在性,如表6所示。
[表6]
(标签,对象)对 | 潜在候选 | 接近指数 |
(标签1,钥匙) | 是 | 0.44 |
(标签1,宠物) | 是 | 0.69 |
图5示出了根据本公开的实施例的对象关联预测器模型(148a)的工作。
参考图5,对象关联预测器模型(148a)是第二预训练模型,其包括学习模型(148aa)和关联潜在性指数生成器(148ab)。当根据关联映射器表(148b)更新(标签,对象)映射时,对象关联预测器模型(148a)从关联表数据接收对UWB标签(1000)的位置数据、多个第二对象的位置数据、多个第二对象的标识值以及UWB标签(1000)的关联历史的输入。学习模型(148aa)分析从两个源接收的输入,诸如在一段时间内关联的/解除关联的对以及物理对象的时间移动。
关联潜在性指数生成器(148ab)基于学习模型(148aa)的分析来生成针对不同对象和标签的关联潜在性指数,该关联潜在性指数指示多个第二对象中的每一个与标签1关联的适合性,被提供为等级。这个反馈与关联引擎(148c)和解除关联引擎(148d)共享,以识别关联模式和具有低/高关联潜在性的对象。对象关联预测器模型(148a)的输出是如表7所示的对象关联潜在性表。
[表7]
对象 | 关联潜在性 |
桌子 | 低 |
钥匙 | 高 |
因此,对象关联预测器模型(148a)分析用户的关联/解除关联模式,并动态地更新对象的潜在性指数。
图6A示出了根据本公开的实施例的关联引擎(148c)的工作。
参考图6A,关联引擎(148c)包括候选潜在性估计器(148ca)和关联过滤器模块(148cb)。候选潜在性估计器(148ca)从学习模型(148aa)接收数据并从数据估计控制器(146)接收潜在候选表,候选潜在性估计器(148ca)被配置为确定两个输入数据集的交集并生成最终候选列表。基于接近指数(距离/方向/时间)对所生成的列表进行排序。
此外,关联过滤器模块(148cb)从关联映射器表(148b)接收输入,并且被配置为通过应用接近指数过滤器基于先前列表来确定最有希望的候选。接近指数过滤器值基于输入数据动态地改变。关联引擎(148c)的输出是对象和UWB标签的关联对。例如,将标签2和包关联的关联对被设置为(标签2,包)。类似地,另一个关联对可以是(标签1,宠物)。关联过滤器模块(148cb)过滤出最有希望的候选对(标签、对象)以进行关联并转发结果。关联过滤器模块(148cb)参考关联映射器表(148b)来检查现有的映射以避免重复。
图6B示出了根据本公开的实施例的解除关联引擎(148d)的工作。
参考图6B,解除关联引擎(148d)包括候选潜在性估计器(148da)和解除关联过滤器模块(148db)。候选潜在性估计器(148da)接收来自学习模型(148aa)的数据和来自数据估计控制器(146)的潜在候选表。候选潜在性估计器(148ca)被配置为确定用于解除关联的最有希望的(一个或多个)对。解除关联过滤器模块(148db)从关联映射器表(148b)接收输入,并被配置为应用用于解除关联的阈值过滤器,并检查关联映射器表(148b)以验证映射是否已经存在以标记用于解除关联的候选对。解除关联引擎(148d)的输出是解除关联对。例如,解除关联标签1和钥匙的解除关联对被设置为(标签1,钥匙)。
图7示出了根据本公开的实施例的组合器模块(148e)的工作。
参考图7,组合器模块(148e)分别从关联引擎(148c)和解除关联引擎(148d)接收具有关联对的输入和具有解除关联对的输入。例如,在步骤1,考虑到组合器模块(148e)的输入是解除关联(标签1,钥匙)、关联(标签2,包)和关联(标签1,宠物)。
在步骤2,组合器模块(148e)将来自关联引擎(148c)和解除关联引擎(148d)的数据组合为条目,该条目然后在关联映射器表(148b)中被进行添加、删除和更新中的一种。在步骤3,组合器模块(148e)向电子设备(100)上的收听服务发送关联建议,该关联建议以通知的形式显示给用户。在步骤4,电子设备(100)接收确认对象的关联和解除关联的用户输入。在步骤5,使用新的关联/解除关联数据来更新关联映射器表(148b)。
图8是示出根据本公开的实施例的用于动态地将UWB标签(1000)与对象关联的方法的流程图(800)。
参考图8,在操作802,该方法包括电子设备(100)在一段时间内监测UWB标签(1000)附近的第一对象和第二对象。例如,在如图1A所示的电子设备(100)中,UWB标签管理控制器(140)被配置为在一段时间内监测UWB标签(1000)附近的第一对象和第二对象。
在操作804,该方法包括电子设备(100)确定相对于UWB标签(1000)的与第一对象和第二对象中的每一个相关联的多个参数中的至少一个参数。例如,在如图1A所示的电子设备(100)中,UWB标签管理控制器(140)被配置为确定相对于UWB标签(1000)的与第一对象和第二对象中的每一个相关联的多个参数中的至少一个参数。
在操作806,该方法包括电子设备(100)基于多个参数中的至少一个参数来生成UWB标签(1000)与第一对象和第二对象中的每一个之间的相关性。例如,在如图1A所示的电子设备(100)中,UWB标签管理控制器(140)被配置为基于多个参数中的至少一个参数来生成UWB标签(1000)与第一对象和第二对象中的每一个之间的相关性。
在操作808,该方法包括电子设备(100)基于UWB标签(1000)与第一对象和第二对象中的每一个之间的相关性动态地将UWB标签(1000)与第一对象和第二对象中的一个关联。例如,在如图1A所示的电子设备(100)中,UWB标签管理控制器(140)被配置为基于UWB标签(1000)与第一对象和第二对象中的每一个之间的相关性来动态地将UWB标签(1000)与第一对象和第二对象中的一个对象关联。
该方法中的各种动作、行为、块、步骤等可以以所呈现的顺序、以不同的顺序或同时地执行。此外,在一些实施例中,在不脱离本公开的范围的情况下,可将动作、行为、块、步骤等中的一些省略、添加、修改、跳过等。
图9A和图9B是示出根据本公开的各种实施例的电子设备(100)动态地将UWB标签(1000)与对象关联的示例。
参考图9A和图9B,在步骤1,数据监测服务(142a)从附接有UWB标签(1000)的第一对象和多个第二对象(即钥匙、包等)中的每一个接收反射的UWB信号。在步骤2,从对象接收的原始数据被发送到数据分析器模块(142b),该数据分析器模块识别电子设备(100)附近的对象和标签中的每一个。此外,数据分析器模块(142b)将与所识别的标签和对象相关的数据转换为表示形式,并与数据存储模块(111)共享表示形式(如步骤3所示)。用新识别的标签和对象数据来更新数据存储模块(111),并且在步骤4,数据存储模块(111)向标签-对象相关性控制器(144)共享更新。
在步骤5,标签-对象相关性控制器(144)生成表8中提供的每个(标签,对象)对的相对相关性参数,并与数据估计控制器(146)共享相对相关性参数。
[表8]
(标签,对象)对 | 相对距离 | 相对方向(度) | (关联持续时间,最后更新时间) |
(标签1,钥匙) | 3(8-5) | 25 | (1天,10分钟前) |
(标签1,宠物) | 7(12-5) | 15 | (7小时,25分钟前) |
(标签1,桌子) | 12(17-5) | 20 | (5小时,28分钟前) |
(标签1,包) | 15(20-5) | 45 | (1小时,2天前) |
在步骤6,数据估计控制器(146)使用阈值(诸如例如距离阈值=12厘米、方向阈值=30度、最后更新时间<30分钟)来识别潜在候选。此外,针对(标签,对象)对中的每一对确定接近指数值,如表9中所提供的。
[表9]
(标签,对象)对 | 潜在候选 | 接近指数 |
(标签1,钥匙) | 是 | 0.44 |
(标签1,宠物) | 是 | 0.69 |
(标签1,桌子) | 是 | 0.88 |
(标签1,包) | 否 | - |
基于表9,不存在包是标签1所关联的潜在候选的可能性。然而,基于接近指数,存在桌子是与标签1关联的潜在候选的可能性。数据估计控制器(146)将潜在候选列表发送到关联引擎(148c)的候选潜在性估计器(148ca)。在步骤7,候选潜在性估计器(148ca)还接收来自对象关联预测器模型(148a)的输入,该输入指示由数据估计控制器(146)提供的潜在候选列表中提到的对象的关联潜在性,如表10所示。
[表10]
对象 | 关联潜在性 |
表 | 低 |
钥匙 | 高 |
在步骤8,候选潜在性估计器(148ca)基于在表9和表10中接收的输入来确定潜在候选列表,以生成潜在候选列表,如表11所示。
[表11]
(标签,对象)对 | 潜在候选 | 接近指数 |
(标签1,钥匙) | 是 | 0.44 |
(标签1,宠物) | 是 | 0.69 |
(标签1,桌子) | 否 | 0.88 |
(标签1,包) | 否 | - |
在表9中,(标签1,桌子)是潜在候选。然而,在表11中,基于表10中提供的关联潜在性,(标签1,桌子)不是潜在候选。在步骤9,潜在候选列表由关联过滤器模块(148cb)进一步过滤,以从列表中去除不太可能的候选,并生成新的关联列表,如表12所示。
[表12]
对 | 等级 |
(标签1,钥匙) | 1 |
(标签1,宠物) | 2 |
关联的列表被发送到组合器模块(148e),并且在步骤10,组合器模块(148e)发送指示最高等级对(标签1,钥匙)的关联建议的通知,该通知显示在电子设备(100)的屏幕上。在步骤11,在电子设备(100)的屏幕上接收批准关联建议(标签1,钥匙)对的用户确认,并且完成标签1与钥匙的关联。此外,在步骤12,使用(标签1,钥匙)对在关联映射器表(148b)中更新最终表,并且在步骤13,将反馈从关联映射器表(148b)发送到对象关联预测器模型(148a)。
图10A和图10B是示出根据本公开的各种实施例的电子设备(100)将UWB标签(1000)与对象动态地解除关联的示例。
参考图10A和10B,在步骤1,数据监测服务(142a)从UWB标签(即,标签1)和包中的每一个接收反射的UWB信号。关联映射表(148b)的当前关联状态包括两个标记-对象对,即(标签1,钥匙)和(标签2,袋子)。考虑用户从钥匙中去除标签1并将标签1放在静止桌子上。然而,电子设备(100)不知道这一点。在步骤2,从对象接收的原始数据被发送到数据分析器模块(142b),该数据分析器模块识别电子设备(100)附近的标签和对象中的每一个。此外,数据分析器模块(142b)将与所识别的标签和对象相关的数据转换为表示形式,并与数据存储模块(111)共享表示形式(如步骤3所示)。用新识别的标签和对象数据来更新数据存储模块(111),并且在步骤4,数据存储模块(111)向标签-对象相关性控制器(144)共享更新,如表13和表14所示。
[表13]
标签ID | 距离(厘米) | 方向(度) |
标签1 | 5 | 10 |
[表14]
对象ID | 距离(厘米) | 方向(度) |
钥匙 | 28 | 35 |
宠物 | 18 | 25 |
桌子 | 17 | 30 |
袋子 | 20 | 55 |
在步骤5,标签-对象相关性控制器(144)生成表15中提供的每个(标签,对象)对的相对相关性参数,并与数据估计控制器(146)共享相对相关性参数。
[表15]
(标签,对象)对 | 相对距离 | 相对方向(度) | (关联持续时间,最后更新时间) |
(标签1,钥匙) | 23(28-5) | 25 | (1天,10分钟前) |
(标签1,宠物) | 13(18-5) | 15 | (7小时,25分钟前) |
(标签1,桌子) | 12(17-5) | 20 | (5小时,28分钟前) |
(标签1,包) | 15(20-5) | 45 | (1小时,2天前) |
在步骤6,数据估计控制器(146)使用阈值(诸如例如距离阈值=12厘米、方向阈值=30度、最后更新时间<30分钟)来识别潜在候选。此外,针对(标签,对象)对中的每一对来确定接近指数值,如表16中所提供的。
[表16]
(标签,对象)对 | 潜在候选 | 接近指数 |
(标签1,钥匙) | 否 | - |
(标签1,宠物) | 否 | - |
(标签1,桌子) | 是 | 0.88 |
(标签1,包) | 否 | - |
基于表16,不存在钥匙是与标签1关联的潜在候选的可能性。然而,基于接近指数,存在桌子是与标签1关联的潜在候选的可能性。数据估计控制器(146)将潜在候选列表发送到关联引擎(148c)的候选潜在性估计器(148ca)和解除关联引擎(148d)的候选潜在性估计器(148da)。在步骤7,关联引擎(148c)的候选潜在性估计器(148ca)和解除关联引擎(148d)的候选潜在性估计器(148da)还接收来自对象关联预测器模型(148a)的输入,该输入指示由数据估计控制器(146)提供的潜在候选列表中提到的对象的关联潜在性。
在步骤8,候选潜在性估计器(148da)基于在表16中接收的输入来确定潜在候选的列表,以生成潜在候选列表,如表17所示。
[表17]
(标签,对象)对 | 潜在候选 |
(标签1,钥匙) | 否 |
(标签1,宠物) | 否 |
(标签1,桌子) | 否 |
(标签1,包) | 否 |
在表17中,基于关联潜在性,(标签1,钥匙)不是潜在候选。在步骤9,潜在候选列表由关联过滤模块(148db)进一步过滤,以从列表中去除不太可能的候选,并生成新的关联列表,该新的关联列表被发送到组合器模块(148e),并且在步骤10,组合器模块(148e)发送指示(标签1,钥匙)解除关联建议的通知,该通知显示在电子设备(100)的屏幕上。在步骤11,在电子设备(100)的屏幕上接收批准(标签1,钥匙)对解除关联建议的用户确认,并且完成标签1与钥匙的“否”。此外,在步骤12,使用(标签1,钥匙)对在关联映射器表(148b)中更新最终表,并且在步骤13,将反馈从关联映射器表(148b)发送到对象关联预测器模型(148a)。
具体实施例的前述描述将如此充分地揭示本文中的实施例的一般性质,使得其他人可在不脱离一般概念的情况下通过应用当前知识来容易地修改和/或适应这些具体实施例的各种应用,因此,这些适应和修改应当并且旨在被理解为在所公开的实施例的等同物的含义和范围内。应当理解,本文采用的措辞或术语是出于描述而非限制的目的。
虽然已经参考本公开的各种实施例示出和描述了本公开,但是本领域技术人员将理解,在不脱离由所附权利要求及其等同物限定的本公开的精神和范围的情况下,可在其中进行形式和细节上的各种改变。
Claims (15)
1.一种用于通过电子设备动态地将超宽带UWB标签与对象关联的方法,所述方法包括:
由所述电子设备在一段时间内监测所述UWB标签附近的第一对象和第二对象;
由所述电子设备确定相对于所述UWB标签的与所述第一对象和所述第二对象中的每一个对象相关联的多个参数中的至少一个参数;
由所述电子设备基于相对于所述UWB标签的与所述第一对象和所述第二对象中的每一个对象相关联的所述多个参数中的所述至少一个参数来生成所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性;以及
由所述电子设备基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联。
2.根据权利要求1所述的方法,其中,相对于所述UWB标签的所述多个参数中的所述至少一个参数包括:
所述UWB标签与所述第一对象之间的距离,
所述UWB标签与所述第二对象之间的距离,
所述第一对象相对于所述UWB标签的位置数据,或者
所述第二对象相对于所述UWB标签的位置数据。
3.根据权利要求2所述的方法,其中,由所述电子设备在所述一段时间内监测所述UWB标签附近的所述第一对象和所述第二对象包括:
由所述电子设备使用UWB信号确定所述第一对象相对于所述UWB标签的位置数据和所述第二对象相对于所述UWB标签的位置数据,
由所述电子设备使用确定的所述第一对象相对于所述UWB标签的位置数据和确定的所述第二对象相对于所述UWB标签的位置数据来识别所述UWB标签附近的所述第一对象和所述第二对象,以及
由所述电子设备在所述一段时间内监测所述UWB标签附近的所述第一对象和所述第二对象。
4.根据权利要求1所述的方法,其中,由所述电子设备基于所述多个参数中的所述至少一个参数生成所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性包括:
由所述电子设备基于确定的所述多个参数中的所述至少一个参数来确定所述第一对象和所述第二对象中的每一个对象与所述UWB标签关联的等级,以及
由所述电子设备基于所述第一对象和所述第二对象中的每一个对象与所述UWB标签关联的等级来生成所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性。
5.根据权利要求4所述的方法,其中,由所述电子设备基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联包括:
由所述电子设备基于相对于所述UWB标签的所述多个参数中的所述至少一个参数以及所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性来计算所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的接近指数值,
由所述电子设备基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的接近指数值来确定所述UWB标签与所述第一对象和所述第二对象中的每一个对象关联的可能性,以及
由所述电子设备基于所述关联的可能性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联。
6.根据权利要求3所述的方法,其中,由所述电子设备使用UWB信号确定所述第一对象相对于所述UWB标签的位置数据和所述第二对象相对于所述UWB标签的位置数据包括:
由所述电子设备在所述UWB标签附近发射UWB雷达脉冲,
由所述电子设备接收来自所述第一对象和所述第二对象中的每一个对象反射的UWB雷达脉冲,
由所述电子设备使用发射的UWB雷达脉冲与反射的UWB雷达脉冲之间的飞行时间值来计算从所述电子设备测量的距离值和从所述电子设备测量的方向值,以及
由所述电子设备使用所述UWB信号确定所述第一对象相对于所述UWB标签的位置数据和所述第二对象相对于所述UWB标签的位置数据。
7.根据权利要求3所述的方法,其中,由所述电子设备使用确定的所述第一对象相对于所述UWB标签的位置数据和所述第二对象相对于所述UWB标签的位置数据来识别所述UWB标签附近的所述第一对象和所述第二对象包括:
由所述电子设备从来自所述第一对象和所述第二对象中的每一个对象反射的UWB雷达脉冲中提取一个或多个特征,
由所述电子设备将所述一个或多个特征作为输入提供给第一预训练模型,
由所述电子设备基于所述第一预训练模型的输出来确定所述第一对象和所述第二对象中的每一个对象的标识值,以及
由所述电子设备基于所述标识值来识别所述UWB标签附近的所述第一对象和所述第二对象。
8.根据权利要求5所述的方法,其中,由所述电子设备基于所述位置数据计算所述UWB标签与所述第一对象和所述第二对象之间的接近指数值包括:
由所述电子设备确定所述UWB标签的距离值与所述第一对象和所述第二对象中的每一个对象的距离值之间的第一差异,所述第一差异指示相对距离值,
由所述电子设备确定所述UWB标签的方向值与所述第一对象和所述第二对象中的每一个对象的方向值之间的第二差异,所述第二差异指示相对方向值,
由所述电子设备确定所述UWB标签与所述第一对象和所述第二对象中的每一个对象关联的持续时间以及所述关联的先前更新时间,
由所述电子设备确定所述相对距离值、所述相对方向值、UWB标签与所述第一对象和所述第二对象中的每一个对象相关联的所述关联的持续时间和所述先前更新时间以及所述关联的所述先前更新时间的加权平均值,以及
由电子设备基于确定的所述加权平均值来计算所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的接近指数值。
9.根据权利要求5所述的方法,其中,由所述电子设备基于所述接近指数确定所述UWB标签与所述第一对象和所述第二对象中的每一个对象关联的可能性包括:
由所述电子设备将所述UWB标签的位置数据、所述第一对象和所述第二对象的位置数据、所述第一对象和所述第二对象的标识值以及所述UWB标签的关联历史作为输入提供给第二预训练模型,以及
由所述电子设备通过所述第二预训练模型确定所述UWB标签与所述第一对象和所述第二对象中的每一个对象关联的可能性。
10.根据权利要求5所述的方法,其中,由所述电子设备基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联包括:
由所述电子设备检测不存在所述第一对象与所述UWB标签的关联,以及
由所述电子设备动态地将所述UWB标签与包括最高等级的所述第二对象关联。
11.根据权利要求5所述的方法,还包括:
由所述电子设备获得所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象的标识值,
由所述电子设备基于所述等级和所述接近指数值来识别不存在所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象,以及
由所述电子设备动态地对所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象进行解除关联。
12.根据权利要求5所述的方法,其中,由所述电子设备基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联包括:
由所述电子设备获得所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象的标识值,
由所述电子设备识别所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象的识别值与具有最高等级的物理对象的识别值相同还是不同,
由所述电子设备基于所述识别来确定将所述UWB标签与所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象解除关联,以及
由所述电子设备动态地将所述UWB标签与具有最高等级的所述物理对象关联,其中,具有最高等级的所述物理对象是所述第一对象或所述第二对象中当前不与所述UWB标签关联的一个对象。
13.根据权利要求12所述的方法,还包括:
由所述电子设备向用户提供通知,所述通知指示所述UWB标签与具有最高等级的所述物理对象的关联以及所述UWB标签与所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象的解除关联;
由所述电子设备接收用户输入,所述用户输入包括验证所述UWB标签与具有最高等级的所述物理对象的关联以及所述UWB标签与所述第一对象或所述第二对象中当前与所述UWB标签关联的一个对象的解除关联;以及
由所述电子设备基于所述用户输入来更新所述UWB标签的关联或所述UWB标签的解除关联中的至少一个。
14.一种用于动态地将超宽带UWB标签与对象关联的电子设备,所述电子设备包括:
存储器;
处理器,耦接到所述存储器;
通信器,耦接到所述存储器和所述处理器;以及
UWB标签管理控制器,耦接到所述存储器、所述处理器和所述通信器,
其中,所述UWB标签管理控制器被配置为:
在一段时间内监测所述UWB标签附近的第一对象和第二对象;
确定相对于所述UWB标签的与所述第一对象和所述第二对象中的每一个对象相关联的多个参数中的至少一个参数;
基于相对于所述UWB标签的与所述第一对象和所述第二对象中的每一个对象相关联的所述多个参数中的所述至少一个参数来生成所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性;以及
基于所述UWB标签与所述第一对象和所述第二对象中的每一个对象之间的相关性动态地将所述UWB标签与所述第一对象或所述第二对象中的一个对象关联。
15.根据权利要求14所述的电子设备,其中,相对于所述UWB标签的所述多个参数中的所述至少一个参数包括:
所述UWB标签与所述第一对象之间的距离,
所述UWB标签与所述第二对象之间的距离,
所述第一对象相对于所述UWB标签的位置数据,或者
所述第二对象相对于所述UWB标签的位置数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IN202141034016 | 2021-07-28 | ||
IN202141034016 | 2021-07-28 | ||
PCT/KR2022/095084 WO2023008986A1 (en) | 2021-07-28 | 2022-04-12 | Method and electronic device for dynamically associating uwb tag with object |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117321437A true CN117321437A (zh) | 2023-12-29 |
Family
ID=85088331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280035839.1A Pending CN117321437A (zh) | 2021-07-28 | 2022-04-12 | 用于动态关联uwb标签与对象的方法及电子设备 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11704509B2 (zh) |
EP (1) | EP4285138A1 (zh) |
CN (1) | CN117321437A (zh) |
WO (1) | WO2023008986A1 (zh) |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6927688B2 (en) * | 2003-04-02 | 2005-08-09 | Caci International Inc. | Method for enabling communication and condition monitoring from inside of a sealed shipping container using impulse radio wireless techniques |
US20100001838A1 (en) | 2006-09-14 | 2010-01-07 | Sloan Kettering Institute For Cancer Research | Automated Association of Patient Care Devices |
US9552503B2 (en) * | 2012-05-01 | 2017-01-24 | 5D Robotics, Inc. | Distributed positioning and collaborative behavior determination |
US20170023659A1 (en) * | 2015-05-08 | 2017-01-26 | 5D Robotics, Inc. | Adaptive positioning system |
US20180343397A1 (en) * | 2017-05-26 | 2018-11-29 | Zoptic, Llc | Systems and methods for position tracking |
RU2657185C1 (ru) * | 2017-09-13 | 2018-06-08 | Самсунг Электроникс Ко., Лтд. | Высокоточная система локального позиционирования |
US11113485B2 (en) | 2018-05-17 | 2021-09-07 | Motorola Mobility Llc | Method to correlate an object with a localized tag |
US11641563B2 (en) * | 2018-09-28 | 2023-05-02 | Apple Inc. | System and method for locating wireless accessories |
US11026067B2 (en) * | 2019-01-11 | 2021-06-01 | Sensormatic Electronics, LLC | Power efficient ultra-wideband (UWB) tag for indoor positioning |
CN113301828A (zh) * | 2019-01-18 | 2021-08-24 | 灵动科技(北京)有限公司 | 具有基于超宽带的目标跟踪***的智能行李*** |
EP3956683A1 (en) * | 2019-04-19 | 2022-02-23 | Be Spoon | Ultra-wideband location systems and methods |
CN111126520B (zh) | 2019-11-28 | 2023-08-08 | 清研讯科(北京)科技有限公司 | 定位方法及装置、存储介质、电子装置 |
CN112098985B (zh) | 2020-09-09 | 2024-04-12 | 杭州中芯微电子有限公司 | 基于毫米波检测的uwb定位方法 |
-
2022
- 2022-04-12 WO PCT/KR2022/095084 patent/WO2023008986A1/en active Application Filing
- 2022-04-12 EP EP22849959.6A patent/EP4285138A1/en active Pending
- 2022-04-12 CN CN202280035839.1A patent/CN117321437A/zh active Pending
- 2022-04-25 US US17/728,366 patent/US11704509B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
EP4285138A1 (en) | 2023-12-06 |
US20230045985A1 (en) | 2023-02-16 |
WO2023008986A1 (en) | 2023-02-02 |
US11704509B2 (en) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230036879A1 (en) | Object movement behavior learning | |
US10451712B1 (en) | Radar data collection and labeling for machine learning | |
Miglani et al. | Deep learning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges | |
US11861481B2 (en) | Searching an autonomous vehicle sensor data repository | |
US10769809B1 (en) | Neural networks for object detection | |
EP3853764A1 (en) | Training neural networks for vehicle re-identification | |
US11164565B2 (en) | Unsupervised learning system and method for performing weighting for improvement in speech recognition performance and recording medium for performing the method | |
CN111813532B (zh) | 一种基于多任务机器学习模型的图像管理方法及装置 | |
CN113379718A (zh) | 一种目标检测方法、装置、电子设备以及可读存储介质 | |
EP3938806A1 (en) | Radar data collection and labeling for machine-learning | |
Tsintotas et al. | Tracking‐DOSeqSLAM: A dynamic sequence‐based visual place recognition paradigm | |
Mallik et al. | Paving the way with machine learning for seamless indoor–outdoor positioning: A survey | |
Brannon et al. | Coordinated machine learning and decision support for situation awareness | |
US20220269718A1 (en) | Method And Apparatus For Tracking Object | |
CN115205891A (zh) | 人员行为识别模型训练方法、行为识别方法及装置 | |
Ashraf et al. | Localizing pedestrians in indoor environments using magnetic field data with term frequency paradigm and deep neural networks | |
Wang et al. | Machine learning for transportation research and applications | |
Bobek et al. | Learning sensors usage patterns in mobile context-aware systems | |
CN117321437A (zh) | 用于动态关联uwb标签与对象的方法及电子设备 | |
US11675878B1 (en) | Auto-labeling method for multimodal safety systems | |
CN109583583A (zh) | 神经网络训练方法、装置、计算机设备及可读介质 | |
US20230188936A1 (en) | Locationing System that Utilizes Read Data of a Reader of a Device | |
Raj et al. | An efficient indoor localization for smartphone users: Hybrid metaheuristic optimization methodology | |
Akhavian | Data-driven simulation modeling of construction and infrastructure operations using process knowledge discovery | |
CN112101425A (zh) | 交通模式聚类模型训练方法、模式识别方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |