CN1666113A - 在无线环境中移动的目标装置的位置误差估计 - Google Patents

Abstract

本发明公开了一种确定目标装置的位置的误差估计的方法。目标装置在无线环境中移动，并使用具有至少一个可测量的信号值的信号通信。无线环境的概率模型表明在无线环境中几个样本点的信号值的概率分布。获得信号值的观测结果集合，并基于所述概率模型和所述观测结果集合估计目标装置的位置。确定误差估计(43)为几个样本点(SP)的乘积的组合，每一个乘积都包括所讨论的样本点是目标装置的位置的概率分布(41)和所讨论的样本点与目标装置的估计位置之间的距离函数(43)。

Description

在无线环境中移动的目标装置的位置误差估计

技术领域

本发明一般涉及定位技术，其中在对目标装置的无线通信环境的一个或多个观测结果的基础上估计目标装置的位置。

背景技术

图1示意性地说明了上述定位技术的一个例子。目标装置T通过无线接口RI与基站BS通信。在这个例子中，假定通信为无线通信。目标装置T观测在无线接口RI的信号值。将观测结果O应用于概率模型PM，该模型模拟目标装置的无线通信环境，并产生位置估计LE。在这里，目标装置是位置待确定的装置。目标装置通过无线环境中的信号通信，而无线环境中的信号值被用来确定目标装置的位置。例如，目标装置可以是在无线局域网(WLAN)中通信的数据处理装置，在这种情况下，基站一般被称作接入点(AP)。数据处理装置可以是通用目的膝上或掌上计算机或者通信装置，或者可以是专用测试或测量装置，如连接到无线局域网的医疗器具。在这里，位置是1到3个坐标的坐标组。在一些特殊的情况下，如在隧道中，单独一个坐标就足够了；但是在大多数的情况下，位置用坐标对(X，Y或角度/半径)表示。

更特别地，本发明涉及基于隐马尔可夫模型的定位技术。图2示意性地说明了隐马尔可夫模型。该模型由位置、位置间的转变和在这些位置的观测结果组成。在图2所示的例子中，目标装置沿着有5个位置(从q_t-2到q_t+2)的路径移动。更一般地，q_t定义在t时刻的位置分布，这样P(q_t＝s)就是目标装置在t时刻处于位置s的概率。然而，因为位置分布能够容易地转换为单独的位置估计，因此缩写符号“位置q”用于表示位置分布q。

在这里，信号值是固定发射机的信号的可测量的并且取决于位置的量。例如：信号强度和比特误码率/比是可测量的并取决于位置的量的例子。

隐马尔可夫模型的“隐”字源于这样的事实：我们主要关心位置(从q_t-2到q_t+2)，但是位置不是直接可观测的。作为代替，我们可以在信号值的基础上获得一系列的观测结果(从o_t-2到o_t+2)，但是在观测结果o_t-2...o_t+2与位置q_t-2...q_t+2之间没有简单的关系。(注意从位置q_t-2到q_t+2的直线箭头并不意味着目标装置沿着直的路径或者以固定的速度移动，或者观测是等间隔进行的)。

本发明要解决的问题来源于隐马尔可夫模型：我们不能观测与距离或者位置有单调关系的变量。代替的定位方法是基于信号值的观测结果。对于两个或者更多的远距离位置，可能有几组接近相等的信号值，位置估计可能非常不精确。本发明的好处在基于隐马尔可夫模型的定位技术中是非常显著的，同时也可以适用于其他的定位技术。

发明内容

本发明的目的在于提供一种方法和实现该方法的设备，以克服上述的缺点。换句话说，本发明的目的是确定基于期望信号值的概率模型的定位技术的可靠性测量。本发明的目的通过以独立权利要求所叙述的为特征的方法和设备实现。

从属权利要求公开了本发明的优选实施例。本发明的一些优选实施例涉及这种可靠性测量的新使用。

在这里，术语“概率模型”是指表明几个样本点的信号值的概率分布的模型。对于每一个信道或者信号值类型，如信号强度、比特误码率/比或者信噪比，应该有一个单独的模型，或者一个模型有几层或几个组件。样本点(即位置)的期望信号值概率分布能通过校准(物理测量)或者通过仿真或理论计算，或者通过这些技术的任意组合确定。新的样本点可以通过对其它现有的样本点内插或外推获得。

本发明的一个方面是一种确定目标装置的位置的误差估计的方法，如：

$E\left(x\right|o)=\underset{l}{\mathrm{\Σ}}p\left(l\right|o)\mathrm{dist}(l,x)---\left[1\right]$

其中：

x＝目标装置的估计位置；

l＝位置变量(“l”代表位置，不是数字1)；

o＝在观测点的观测结果(估计为x)

p(l|o)＝位置变量l的可能值的概率分布；

dist＝某个距离函数，例如欧几里得距离、平方距离或类似函数。

上述等式1仅适用于离散位置变量l。如果l连续，则等式中的求和应该用积分代替：

$E\left(x\right|o)=\underset{l}{\∫}p\left(l\right|o)\mathrm{dist}(l,x)---\left[2\right]$

在等式2中，p(l|o)应当解释为概率密度(代替分布)。

p(l|o)的真正解释是目标装置位于位置l的概率。等式1和2能通过假定将误差估计确定为加权平均值来逻辑组合，也就是说，几个样本点的乘积的组合，其中每一个乘积都包括所讨论的样本点是目标装置位置的概率，和所讨论的样本点与目标装置的估计位置之间的距离函数。“乘积的组合”意味着和或者积分，分别取决于模型是离散的还是连续的。如果是连续模型，概率分布应被解释为概率密度。

根据本发明的一个优选实施例，误差估计用于确定信号值概率分布需要确定的新的样本点，或者需要例如通过重新校准来重新确定的现有的样本点。

本发明的另一个优选实施例包括显示地图，其示出了几个样本点，并图示出每一个样本点的误差估计。这种地图提供了在不同位置定位的可靠性的快速视觉估计。

根据本发明的另一个优选实施例，示出了在地图上添加的区域，目标装置具有预定的概率n位于该区域内，其中n是从80％到100％的值。例如，连续区域可以是椭圆。例如，这种区域使用户可以看出附近是否有应当避免的危险点。

根据本发明的一个优选实施例，误差估计用于定位潜在有用的新样本点的候选。然后通过物理校准或者基于传播模型的计算确定信号值概率分布。本实施例基于这样的思想：具有高期望未来误差(future error)的位置是有希望的新样本点的候选。期望未来误差能够使用紧密格网(tightgrid)从等式1或2中计算出。例如，网格间隔是大约1米。一个或多个具有高期望误差的网格点(grid point)，或者被几个这样的网格点包围的点则用作新的样本点。

由于未来是未知的，因此未来期望误差可以通过对所有可能的未来观测结果求和来估计：

$\mathrm{EE}\left(x\right)=\underset{o}{\mathrm{\Σ}}E\left(x\right|o)p\left(o\right)---\left[3\right]$

对于每一个网格点x，其中E(x|o)是从等式1(和)或等式2(积分)中得到的期望误差。如果观测结果向量的维数很高，使得根据等式3的求和是不可行的，那么求和能用采样近似。一个更简单的方法是用校准数据作为进行采样的集合，在这种情况下，只需要对校准的观测结果求和。

为了实现上述基于等式3的方法，需要确定未来观测结果的概率分布或密度。一种更好的近似方法如下。当从等式3中计算EE(x)时，假设概率分布或密度p(o)为基于过去的在最靠近位置x的样本点的观测结果计算的概率分布或密度。如果E(x|o)用dist(l^*，x)近似，其中l^*是定位***在看到观测结果o后产生的点估计，则该算法的效率可以提高。

附图说明

下面将通过优选实施例并参考附图，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说明了隐马尔可夫模型；

图3示意性地说明了离散概率模型；

图4是说明本发明原理的流程图；

图5示出了基于在无线接口RI的信号值估计目标装置的位置的位置估计模块LEM；

图6A和图6B是说明典型的位置待确定的目标装置的框图；

图7示出了用于可视化位置估计的可靠性的可视化技术的一个例子；

图8A和图8B说明了用于选择邻近点或包含目标装置位置的组合概率量(combined probability mass)超过给定阈值的区域的实施例；

图9A到图9C说明了用于确定组合概率量超过给定阈值的椭圆的实施例；

图10A到图10D说明了用于确定组合概率量超过给定阈值的不规则形状区域的实施例。

具体实施方式

再一次参考图2，其示出了一系列信号值的观测结果o_t-2到o_t+z。对于每一个观测结果，沿着目标装置的路径都有各自的位置q_t-2到q_t+z。这一关系用箭头21表示。箭头21的方向意味着位置q_t确定观测结果o_t中包含的信号值，但反之不成立。换句话说，我们只能直接观测信号值，而从观测结果o_t到对应的位置q_t没有简单的关系。在开放的海上，信号值可预见地随离开发射机的距离减小，但实际上在本发明应用的所有环境中，离开发射机的直接路径经常阻塞，并且当它不阻塞时，它也不是发送采用的唯一路径。依靠相位，经由多条路径的传输可以积极地(constructively)或破环性地(destructively)组合。因此，从位置到信号值的关系决不是单调的，并且可能有几个共享一些信号值的位置。对几个信道进行观测是减小目标装置位置的不确定性的一个方法。然而，当现有的定位技术估计目标装置的位置为概率模型中最有可能的样本点，或者样本点之间的位置时，基于隐马尔可夫模型的现有定位技术不能提供位置估计的可靠性的估计。

图3示意性地说明了离散概率模型PM。模型PM包括几个样本点，一般用参考标记SP表示。对于每一个样本点SP，在目标装置的无线环境(典型地，无线电环境，如无线局域网WLAN或蜂窝网络)中，有预定的(校准的、计算的或仿真的)信号值v的概率分布p。参考标记31一般表示这种信号值的概率分布，示意性地示出了3个样本点SP1到SP3的概率分布。目标装置的估计位置用参考标记32表示，并在样本点SP的信号值的概率分布的基础上确定。这些是任何基于目标装置的无线通信环境的概率模型的定位技术都知道的。信号值的概率分布31独立于目标装置的位置。

根据本发明，对于概率模型PM的几个位置中的每一个位置，例如对于每一个样本点SP，确定了目标装置位于那个位置的概率。同样，确定了估计位置和概率模型的几个位置中的每一个位置之间的距离函数。例如，其中一个样本点用参考标记33表示。样本点33和估计位置32之间的距离用参考标记34表示。为距离34确定距离函数，如欧几里得距离，平方距离或其他。因此，有两个不应相互混淆的概率分布。第一个是在不同样本点的信号值的概率分布。这个概率分布独立于目标装置的估计位置。第二个概率分布是对每一个不同的位置作为目标装置的位置计算的概率。计算第二个概率的位置可以是概率模型PM的样本点SP，样本点的子集，或者一些其他位置的集合。对于每一个独立的位置，第二个概率是一个单独的值，但是当考虑了所有的位置后，这些概率构成了概率分布(如果位置是离散的)或密度(如果位置是连续的)。

图4是说明本发明原理的流程图。图4的流程省略了在概率模型的基础上确定目标装置位置的步骤，只示出了与误差估计相关的步骤。在步骤4-1中，确定位置32的概率分布或密度41，该概率分布或密度41在等式1或2中使用。在步骤4-2，确定距离34的距离函数42。在步骤4-3，概率分布或密度41与距离函数42相乘，其结果加到误差估计43中。在步骤4-4，对整个位置区域或样本点的采样子集重复(求和或者积分)该过程，这取决于可用的和所需的计算资源。位置区域是指定位***运行的物理区域。

图5是基于在无线接口RI的信号值估计目标装置的位置的典型位置估计模块LEM的框图。图5示出了一个紧凑的位置估计模块LEM，但是更多的分布式实施例也是同样可能的。位置估计模块的本质特征是目标装置的无线环境的概率模型PM，该概率模型能在给定多个来自无线接口的观测结果的情况下，预测目标装置的位置。在这个例子中，概率模型PM由模型构建模块MCM建立和维护。模型构建模块MCM在校准数据CD或者采用一个或多个传播模型形式的传播数据PD，或者二者任意组合的基础上建立和维护概率模型。校准数据CD是在已知位置物理测量信号值的结果(或者如果通过其他方式不能获知那些位置时，确定它们的坐标)。可选地，如果信号参数随时间变化，则校准数据记录也可以包括进行测量的时间。可以使用一个或多个传播模型PD代替校准数据CD或者和校准数据CD一起模拟无线接口RI。传播模型可以通过类似视景仿真的射线追踪技术的技术构建。收集校准测量值的位置称作校准点。校准数据CD包括数据记录，其中每一个数据记录都包含所讨论的校准点的位置和在该校准点测量的信号参数的集合。位置可以在任何绝对或者相对坐标系中表示。在特殊情况下，如火车、高速路、隧道、水路或类似情况，单独一个坐标就足够了，但是通常还是使用两个或三个坐标。

还有用于在目标装置的观测结果集合OS和概率模型PM的基础上产生位置估计LE的位置计算模块LCM。例如，位置计算模块可以实现为在膝上或掌上计算机中执行的软件程序。从技术上说，“测量值”和“观测结果”可以相似地使用，但是为了避免混淆，术语“测量值”一般用于校准测量，而在目标装置的当前位置获得的信号参数称为“观测结果”。目标装置最近的观测结果集合称为当前观测结果。根据本发明，位置计算模块LCM除了产生位置估计LE外，还产生误差估计EE。

图6A是说明典型的位置待确定的目标装置T的框图。在本例中，目标装置T是通过无线网络RN通信的便携式计算机。例如，无线网络可以是WLAN(无线局域网)。在图6A所示的实施例中，包括概率模型PM的位置估计模块LEM没有安装在目标装置T中。因此，目标装置T必须通过一个或多个与它相连的基站BS，发送其观测结果集合OS到位置估计模块LEM。位置估计模块LEM通过无线接口RI向目标装置返回其位置估计LE。

图6B示出了一个可选的实施例，其中目标装置的附加计算机PC接收可分离存储器DM(如CD-ROM盘)上的概率模型PM的副本，这样目标装置T能够确定自己的位置而不用发送任何东西。作为另一个可选的例子(没有分开表示)，附加计算机PC可以通过连接到位置估计模块LEM的互联网(或其他数据)连接接收概率模型。宽带移动台能通过无线接口RI接收概率模型。也可以使用上述技术的混合，使得接收机通过有线连接或者在可分离存储器上接收初始的概率模型，但以后模型的更新通过无线接口发送。

接下来将描述本发明的确定误差估计的技术的两个实际应用。在一个应用中，误差估计用作校准帮助。在另一个应用中，误差估计作为位置估计的可靠性的视觉指示器显示给用户。

误差估计的可视化

下面，位置区域意味着定位***运行的物理区域。在下面的描述中，假定位置区域是2维的，但是本发明可以同样适用于3维或4维空间。如前面提到的，术语“概率分布”意思是概率分布或概率密度，取决于场合，也就是，区域是离散的还是连续的。

提及的可视化技术包括两个主要阶段，这里称为阶段1和阶段2。阶段1包括在整个位置区域上形成2维概率分布。如果作为基础的定位***是概率的，则阶段1可以是不必要的。然而，一些定位***基于有限的、小的位置集合(例如，收集样本数据的校准点的集合)上的概率分布。在这种情况下，离散概率分布需要扩展到整个位置区域。这种扩展可以用不同的方式实现。例如，位置区域可以被分成所谓“Voronoi”分区，使得每个分区都包括一个校准点和所有比其他校准点更接近该校准点的非校准点。可选地，位置x的扩展概率分布可以是校准点的概率的加权和，其中权重从距离中计算。另一种可能的方式是在逐点位置估计周围采用正态分布，将结合图9A到图9C描述。这可以看作是更通用的称作“entropification”的技术的特殊情况，详细的描述在Peter Grunwald’s博士的论文“The Minimum Description Length and Reasoning underUncertainty”中。还有一种可能的方式将结合图10A到图10D描述。

阶段2包括对定位不确定性可视化。在这个阶段，几个实施例都是可能的。例如，在一个可视化实施例中，在整个位置区域对概率分布可视化。与位置区域中每个点相关的概率值被可视地传输给用户，例如以数字、颜色值、亮度、条形高度、圆的大小等等。位置区域中的点意味着可选的离散集合的任一成员(如校准点的集合，或者视觉显示器的像素的集合)。其思想是用户能容易地看出概率量是如何在位置区域上分布的。图7示出了这种可视化技术的例子。在地图或者平面布局图70上添加视觉指示器的格网，如条，一般用参考标记71表示。视觉指示器71的一个或多个视觉属性表明对应网格点是目标装置的真正位置的概率。在这个例子中，视觉属性是条形长度。立刻很明显的，目标装置最有可能位于条72附近，因为条72是最长的条，并且是长条集合的中心点。可以使用更多的视觉属性代替条形长度，或者加在条形长度上。

在另一个可视化实施例中，向用户显示邻近的区域，假设用户具有预定的概率(如85、90或95％)位于该区域中。优选地，预定的概率是用户可选择的。其思想是确定最小的区域，其包括超过预定的概率(如90％)的概率量。

在图8A和图8B中示出了用于确定组合概率量超过预定的概率阈值的连续区域的简单算法。图8A还示出了图7所示的地图或平面布局图70。在地图70上添加网格点的格网，其中8个网格点用参考标记81-88表示。表80表明任何一个网格点81-88是目标装置位置的概率p。网格点81，具有18％的概率，看来是最有可能的位置，接下来是网格点82，等等。还示出了在地图70上添加的连续区域89，其组合概率量超过预定的概率，如90％。

在图8B中示出了用于确定目标区域，如区域89，的算法。步骤8-1包括初始化操作，如确定阈值级别。例如，阈值级别可以是固定的或用户可设置的。接下来，目标区域被初始化为空集合。在步骤8-2，选择起始点，并将其添加到目标区域。起始点可以是任意点，但优选地，起始点是作为目标装置位置的可能性高的点。例如，起始点可以是目标装置的估计位置或具有最高可能性的网格点。这个例子说明了后面的选择。因此，图8A和图8B所示的例子从将具有18％的概率的网格点81加入目标区域开始。接下来，在步骤8-3，检查目标区域的组合概率量是否超过(或等于)预定的阈值级别，如90％。如果没有，则进入步骤8-4，在该步骤中，选择一点，使得所选择的点邻近目标区域，并且在仍未加入目标区域的点中有最高的概率。在本例中，选择具有15％概率的点82，然后，返回步骤8-3进行资格检验。在本例中，重复循环8-3、8-4，直到目标区域89包括具有91％的组合概率量的点81-88。如果搜索非连续区域，则步骤8-4中的邻近要求可以放宽。

为了更加精确，图8B所示的算法不产生图8A所示的准确的分界线89，但是选择分界线89内的网格点。然后，选择的网格点的集合可以通过画出合适的分界线或者通过采用其他的方式(如不同的颜色或亮度)指示选择的网格点来指示给用户。

图8B所示的算法的改进版本如下进行。图8B所示的算法通过采用任何最有可能的网格点作为起始点来执行。每一次执行该算法都产生(或可能产生)不同的目标区域。最终，选择最小的目标区域，并显示给用户。如果这个改进的算法是穷尽的，也就是说，选择每一个网格点作为起始点，最后选择最小的结果区域，那么起始点的初始选择自然是不重要的。

图9A到图9C示出了一个可视化的实施例，其用于显示椭圆91，或者近似椭圆，使得该椭圆所覆盖的区域的组合概率量等于或超过预定的阈值级别。术语“近似椭圆”意思是指多边形92，其顶点位于椭圆91的周边。图9A示出了添加在地图70上的这样的椭圆91或者多边形92。

图9B示出了用于计算椭圆的算法。假定对于每一个网格点是目标装置的位置，有一个预先计算的概率值p。这样一组概率值如图8A中的表80所示。如果网格点的位置是(x，y)，则该网格点的概率是p(x，y)。目标装置的点估计用期望值(E[x]，E[y])表示。椭圆91基于如下的p的协方差矩阵。

在步骤9-1，确定下面关于p的值：

x和y坐标的期望值：E[x]和E[y]；

x和y坐标的方差：var[x]和var[y]；

协方差为cov[x，y]；

p的协方差矩阵，数学上称为S，用参考标记93表示。

在步骤9-2，计算S的第一特征向量(x1，y1)和两个特征值v1和v2，如下：

$y1=\frac{\mathrm{var}\left[x\right]+\mathrm{var}\left[y\right]+\sqrt{{\left(\mathrm{var}\right[x]-\mathrm{var}[y\left]\right)}^2+4\mathrm{cov}{[x,y]}^2}}{2}---\left[4\right]$

$v2=\frac{\mathrm{var}\left[x\right]+\mathrm{var}\left[y\right]-\sqrt{{\left(\mathrm{var}\right[x]-\mathrm{var}[y\left]\right)}^2+4\mathrm{cov}{[x,y]}^2}}{2}---\left[5\right]$

$y1=\frac{\mathrm{cov}[x,y]}{v1-\mathrm{var}\left[y\right]}---\left[6\right]$

$l1=\sqrt{1+{y1}^2}---\left[7\right]$

$x1=\frac{\sqrt{v1}}{l1}---\left[8\right]$

$y1=y1\·\frac{\sqrt{v1}}{l1}---\left[9\right]$

其中l1是临时变量。

最后，在步骤9-3，画出椭圆，使得(E[x]，E[y])是椭圆的中心，(x1，y1)是长半轴，v1和v2是椭圆的长半轴和短半轴的长度。图9C示出了用于画类似椭圆的多边形的典型伪代码列表94。在列表94中，k是所画多边形的顶点个数，r是从chi²表中选取的椭圆半径；表xs和ys包含顶点的坐标。例如，当k＝20时，多边形看起来相当光滑；当值r＝2.448时，椭圆包含具有协方差矩阵S的高斯分布的95％的概率量。

图10A到图10D说明了用于显示包含等于或超过预定阈值的组合概率量的不规则目标区域的算法。该算法使用如下输入量：

D：样本点的概率分布；

C：样本点的数据(笛卡儿坐标)；

e：点估计的笛卡儿坐标；

参数：

m：待包括的概率量；

a：角精度；

d：离开原点的距离的精度。

该算法的输出U是描述点估计的不确定性的区域的坐标集合。

在步骤10-1，样本点数据C映射到以点估计为原点的极坐标系。例如，如果C是2维的，则使用如图10C所示的用参考标记102表示的伪代码列表。

在步骤10-2，D被转换成极坐标系下的分布。例如，使用如图10D所示的用参考标记103表示的伪代码列表。列表103示出了使用角度和离开点估计的距离已用参数a和d离散的算法的例子。E表示对于每个扇形，离开原点的期望距离，Dp表示极坐标系下的2维分布。

步骤10-3包括查找覆盖m的区域的笛卡儿坐标。一个办法是通过离开点估计的期望距离，其定义了区域的形状。然后，该形状按比例伸缩，使得它可以覆盖m。例如，除了能够使用任何合适的搜索算法，还能够使用图10D中的伪代码列表104。

在步骤10-4中，可伸缩的离开原点的距离被转换成笛卡儿坐标。例如：可以使用图10D中的伪代码列表105。在列表105中，不太正式的术语“blob”是指图10A中用参考标记101表示的不规则目标区域。

误差估计的其他应用

上述实施例涉及向终端用户可视化误差估计。但误差估计也可以用于其他目的，如帮助校准。例如，如果某个位置的误差估计高，则高期望误差能用作附近的样本点需要重新校准的指示，或者新的样本点需要加入概率模型中的指示，或者整个模型需要重新校准的指示。

对于本领域技术人员，随着技术的进步，本发明的思想可以通过不同的方式实现是非常明显的。本发明及其实施例并不限于上述例子，而是可以在权利要求的范围内变化。

Claims (15)

1.一种确定目标装置(T)位置的误差估计(EE，43)的方法，其中所述目标装置可在无线环境(RN)中移动，并且使用信号与无线环境通信，其中每一个所述信号有至少一个可测量的信号值(v)；

所述方法包括：

维护无线环境(RN)的概率模型(PM)，所述概率模型表明在无线环境中几个样本点(SP)的信号值的概率分布(31)；

获得在目标装置(T)的位置处的无线环境中的信号值(v)的观测结果集合(OS)；

基于所述概率模型(PM)和所述观测结果集合(OS)估计目标装置的位置；

其特征在于：确定误差估计(43)为几个样本点(SP)的乘积的组合，每个乘积包括：

所讨论的样本点是目标装置位置的概率(41)；以及

所讨论的样本点和目标装置的估计位置之间的距离函数(43)。

2.根据权利要求1所述的方法，其特征在于：使用误差估计(43)产生给用户的视觉指示器(71，89，91，92，101)。

3.根据权利要求2所述的方法，其特征在于：所述视觉指示器添加到地图(70)上。

4.根据权利要求3所述的方法，其特征在于：所述视觉指示器是一组离散指示器(71)，每一个离散指示器具有至少一个取决于位置的视觉属性。

5.根据权利要求3所述的方法，其特征在于：所述视觉指示器是位置集合(89)，所述集合包括至少具有预定概率的目标装置位置。

6.根据权利要求3所述的方法，其特征在于：所述视觉指示器是区域(91，92，101)，所述区域包括至少具有预定概率的目标装置位置。

7.根据权利要求6所述的方法，其特征在于：估计包括至少具有预定概率的目标装置位置的最小区域。

8.根据权利要求7所述的方法，其特征在于：所述最小区域是椭圆。

9.根据权利要求7所述的方法，其特征在于：所述最小区域是不规则形状的。

10.根据权利要求1所述的方法，其特征在于：使用误差估计更新所述概率模型(PM)。

11.根据权利要求10所述的方法，其特征在于：所述更新概率模型包括在或靠近误差估计高于平均值的位置添加新的样本点。

12.根据权利要求10或11所述的方法，其特征在于：所述更新概率模型包括重新校准现有的样本点。

13.根据权利要求1所述的方法，其特征在于：只对所述概率模型的样本点的采样子集执行几个样本点的乘积的组合。

14.一种估计目标装置(T)的位置的位置估计设备(LEM)，其中目标装置可在无线环境(RN)中移动，并且使用信号与无线环境通信，其中每个所述信号有至少一个可测量的信号值(v)；

所述位置估计设备(LEM)包括：

无线环境(RN)的概率模型(PM)，所述概率模型表明在无线环境中几个样本点(SP)的信号值的概率分布(31)；

用于获得或接收在目标装置(T)的位置处的无线环境中的信号值(v)的观测结果集合(OS)的装置；

用于基于所述概率模型(PM)和所述观测结果集合(OS)估计目标装置的位置的装置；

其特征在于：用于确定目标装置(T)的估计位置的误差估计(43，EE)为几个样本点(SP)的乘积的组合的装置，每一个乘积包括：

所讨论的样本点是目标装置的位置的概率(41)；以及

所讨论的样本点和目标装置的估计位置之间的距离函数(43)。

15.根据权利要求14所述的位置估计设备，其特征在于：包括用于产生误差估计(43，EE)的视觉指示器(71，89，91，92，101)的装置。

Images