用于确定房间占用的系统和方法技术方案

系统和方法基于由移动设备测量的一个或多个无线信号确定移动设备在房间中的占用。移动设备接收并处理在房间中可检测的一个或多个无线信号以生成被输入到分类器的特征向量。无线信号可以源自房间内或房间外。特征向量包括由移动设备测量的对于房间基本上唯一的无线信号特性(例如，时间平均功率、傅立叶系数)。分类器可以是人工神经网络，它根据特征向量预测移动设备在房间中的占用。可替换地，可验证移动设备在房间中的位置，其中特征向量可形成训练示例以训练分类器。

【技术实现步骤摘要】
【国外来华专利技术】用于确定房间占用的系统和方法相关申请的交叉参考本申请要求在2018年1月17日提交的美国临时申请序列号62/618,244的优先权及其权益，其全部内容通过引用并入本文。
技术介绍
占用传感器允许系统确定在给定时间的房间的占用。特定占用传感器是二元的(例如，被占用的房间、未被占用的房间)，诸如经由运动传感器。一种类型的占用系统使用专用的基于房间的硬件设备，硬件设备通过气压变化、光流和/或其他遥感技术来测量个体在房间中的存在。对于特定的房间，这些方法在确定房间是否处于两种可能状态(被占用或空的)中的一个方面是相当准确的。因为传感器直接测量房间的特性，所以它通常不能区分单个占用者和多个占用者。通常，房间占用传感器连接到处理系统，处理系统处理占用信号用于其他任务(例如，为房间照明供电)。当使用诸如这些传感器时，输出“被占用/空的”不需要随着时间而被学习/训练，因为传感器直接测量与房间占用功能相关的特征。与房间相关联的单个传感器，即使它可以在房间中的一个或多个个体之间进行区分，通常也不能将占用与特定的设备相关联。另外，这些占用传感器方法需要专用的设备，专用的设备的唯一作用是房间的占用检测。直接集中于测量特定的个体的存在的其它方法通常从设备发送(或简单地接收)信号，信号通知房间中的传感器关于特定的设备的存在。这些方法已经被用于测量到基站的距离，用于包括对象跟踪、商业和寻路的各种应用。其它技术依赖于无线(802.11)信号强度或甚至声学传感器以将信号强度映射到距离。这些方法存在若干缺点。例如，即使假设信号强度是可以用于确定距离的稳定特征(通常在房间中的特定的点处的干扰将使这些测量失真)，确定距离也是不够的。必须限定对于到基站的给定距离确定该设备是“进入”还是“离开”房间的次级映射。至少，次级映射需要房间大小的估计，因此它可以被阈值化。假定房间可以具有不同尺寸和形状的，这通常是手动完成的，并且因此是麻烦并且不准确的。更重要的是，如果房间不是从基站圆形地成形的，则在相同的距离处，设备可以在房间“中”或在房间“外”。简单地说，这是距离到位置的一对多映射，对于该映射不存在已知函数。其它现有技术方法试图通过替代地对房间中的许多这样的信号进行三角测量以确定设备的特定的位置/定位以避免直接距离函数的问题。多个传感器对估计进行三角测量以提高准确性，并将被测设备的位置映射到笛卡尔平面。这些方法是不利的，因为它们仍然需要明确的次级映射，一旦估计了位置，次级映射就确定占用。次级映射需要关于房间形状相对于位置估计的特定的并且更详细的信息，使得算法(诸如多边形内点测试)可以确定设备是否在房间内。另外，三角测量需要来自位于整个房间的固定且已知位置的多个硬件设备的数据。
技术实现思路
房间中的一个或多个无线信号可以用于预测移动设备在房间中的占用，即，移动设备物理上是位于房间中还是房间外。预测基于由房间中的移动设备测量的无线信号的特性。测量的信号特性的示例包括平均功率、频率响应(例如，傅立叶系数)或傅立叶系数的比率。无线信号可源自与移动设备相同的房间内或其它地方，诸如建筑物的其它房间、其它建筑物、蜂窝式通信收发器和建筑物外的其它附近设备。本文的实施例使用这样的事实：信号特性对于房间基本上是唯一的，并且因此可以充当“签名”，根据签名可以以高概率(例如，大于90％)确定移动设备在房间中的占用。由于若干原因，信号特性对于房间基本上是唯一的。首先，无线信号在传播通过墙壁和其它障碍物时以及在反射离开表面时被失真和衰减。因此，无线信号在一个房间中可能比在另一个房间中更强大，从而引起两个房间之间不同的信号特性。信号特性还可以取决于到发射器的距离以及发射器的设计(例如，用于发送无线信号的天线的增益、方向性和带宽)。例如，移动设备可能位于离发送天线相对远的位置，但是如果移动设备位于发送天线的辐射图的波瓣中，则仍然测量到高信号功率。类似地，移动设备可以位于相对靠近发送天线的位置，但是如果移动设备位于发送天线的辐射图的零点内，则测量到小功率。在罕见的情况下，由移动设备测量的信号特性对于两个不同的房间是相似的，这防止了根据测量的信号特性唯一地确定移动设备的房间占用。在这些情况下，移动设备可以测量第二无线信号的额外特性，从而允许基于额外信号特性唯一地确定移动设备的房间占用。单个无线信号的特性在多个房间中相似的概率小。因此，随着房间中的可测量无线信号的数量增加，以及对应的测量的信号特性的数量也增加，房间的对应签名变得越来越唯一。可以测量可由移动设备在房间中检测到的任何无线信号以形成房间的签名的部分。由于无线通信系统的广泛使用，在单个房间中可能存在即使不是更多也是几十个无线信号，这些无线信号可由单个移动设备测量。例如，这些无线信号中的一些可以是由Wi-Fi路由器(和其它Wi-Fi设备)广播以宣布无线网络的存在的服务集标识符(SSID)或Wi-Fi设备之间的其它通信。无线信号中的一些可以是蓝牙信号，诸如蓝牙设备之间的通信或由蓝牙信标广播的标识符。无线信号可以对应于另一种类型的数字无线电规范，诸如无线USB和ZigBee。无线信号还可包括可与蜂窝网络一起操作的蜂窝通信信号。无线信号可包括能够在没有电导体的情况下在各方之间传递数据的任何其它类型的电磁辐射。在实施例中，由移动设备测量的信号特性被通信到分类器，分类器基于信号特性预测移动设备的占用。分类器被实现为数学函数，数学函数接收测量的信号特性的一个集合作为输入，并且返回测量信号特性的移动设备在房间中的概率。在以下描述中，分类器被呈现为具有多个输入节点和一个输出节点的人工神经网络(ANN)。然而，可以使用另一种类型的机器学习算法而不脱离其范围，诸如支持向量机、二叉分类树或随机森林。在一个实施例中，用于多个房间的分类器被组合到单个ANN中，其中输出节点的数量等于房间的数量，并且每个输出节点输出移动设备在对应于该输出节点的一个房间中的概率。实施例还提供分类器的监督学习(即，训练)。在一个实施例中，移动设备的用户与房间中的另一设备交互以验证移动设备物理地存在于房间中。在验证之后，移动设备生成与测量的信号特性组合的监控信号以产生一个训练示例。移动设备将训练示例通信到分类器，其中，训练示例用于训练分类器以预测移动设备的房间内占用。另外，移动设备的经验证的房间内占用还验证移动设备不位于任何其他房间中。因此，分类器可以将相同的测量的信号特性通信到预测其它房间中的占用的其它分类器。然后，可以使用相同的信号特性来训练这些其它分类器，以预测移动设备的房间外占用。分类器可以在物理上位于它为之预测占用的相同的房间中或附近的硬件中实现。另外，分类器可以使用已经存在于房间中的网络连接的硬件来实现，诸如计算设备(例如，无线路由器)、电话会议设备和显示设备(例如，投影仪和视频显示器)。例如，分类器可以使用SolsticePod实现，SolsticePod是MerssiveTechnologies公司制造的无线屏幕共享系统。当移动设备连接到SolsticePod时，验证移动设备在房间中的占用，允许移动设备生成用于分类器的训练示例并且将这些训练示例无线地本文档来自技高网...

【技术保护点】
1.一种确定移动设备在房间中的占用的系统，包括：/n处理器；/n存储器，所述存储器与所述处理器通信地耦接；/n分类器，所述分类器被实现为机器可读指令，所述机器可读指令存储在所述存储器中并且被配置为控制所述处理器根据由移动设备从无线信号测量的一个或多个无线信号特性计算占用概率；以及/n机器可读指令，存储在所述存储器中以及被配置为控制所述处理器以：/n从所述移动设备接收所述无线信号特性，以及/n通过使用所述分类器从接收到的所述无线信号特性计算所述占用概率来预测所述移动设备在所述房间中的占用。/n

【技术特征摘要】
【国外来华专利技术】20180117 US 62/618,2441.一种确定移动设备在房间中的占用的系统，包括：
处理器；
存储器，所述存储器与所述处理器通信地耦接；
分类器，所述分类器被实现为机器可读指令，所述机器可读指令存储在所述存储器中并且被配置为控制所述处理器根据由移动设备从无线信号测量的一个或多个无线信号特性计算占用概率；以及
机器可读指令，存储在所述存储器中以及被配置为控制所述处理器以：
从所述移动设备接收所述无线信号特性，以及
通过使用所述分类器从接收到的所述无线信号特性计算所述占用概率来预测所述移动设备在所述房间中的占用。


2.如权利要求1所述的系统，所述无线信号特性包括以下中的至少一个：所述无线信号的平均功率、所述无线信号的频谱的一个或多个傅立叶系数、以及所述无线信号的所述频谱的傅立叶系数的一个或多个比率。


3.如权利要求2所述的系统，所述分类器是人工神经网络。


4.如权利要求2所述的系统，其中：
所述存储器存储额外的机器可读指令，所述额外的机器可读指令控制所述处理器接收由所述移动设备检测到的所述无线信号的无线信号标识符，所述无线信号标识符唯一地标识所述无线信号；以及
控制所述处理器预测所述移动设备的占用的所述机器可读指令包括控制所述处理器执行以下的机器可读指令：
基于所述无线信号标识符将所述无线信号特性输入到所述分类器，以及
使用所述分类器根据输入的所述无线信号特性计算所述占用概率。


5.如权利要求4所述的系统，其中：
所述分类器是具有多个输入节点的人工神经网络(ANN)；
所述系统还包括散列函数，所述散列函数被实现为机器可读指令，所述机器可读指令存储在所述存储器中并且被配置为控制所述处理器根据所述无线信号标识符计算所述ANN的偏移节点；以及
控制所述处理器基于所述无线信号标识符将所述无线信号特性输入到所述分类器的所述机器可读指令包括控制所述处理器执行以下的机器可读指令：
使用散列函数根据所述无线信号标识符计算所述ANN的偏移节点，以及
从所述多个输入节点中的所述偏移节点处开始将所述无线信号特性输入到所述ANN。


6.如权利要求5所述的系统，还包括控制所述处理器执行以下的机器可读指令：
从所述移动设备接收唯一地标识所述移动设备的移动标识符；以及
将所述占用概率与所述移动标识符一起存储在所述存储器中。


7.如权利要求1所述的系统，所述存储器存储额外的机器可读指令，所述额外的机器可读指令控制所述处理器使用从占用指示和接收到的所述无线信号特性形成的训练示例来训练所述分类器。


8.如权利要求7所述的系统，所述占用指示是以下中的一个：(i)正占用指示，所述正占用指示验证当所述移动设备测量到所述至少一个无线信号时所述移动设备在所述房间中，以及(ii)负占用指示，所述负占用指示验证当所述移动设备测量到所述至少一个无线信号时所述移动设备在所述房间外。


9.如权利要求8所述的系统，还包括控制所述处理器执行以下的机器可读指令：
从所述移动设备接收唯一地标识所述移动设备的移动标识符；以及
将所述占用指示与所述移动标识符一起存储在所述存储器中。


10.如权利要求8所述的系统，所述存储器存储控制所述处理器使用所述无线信号特性从所述移动设备接收所述占用指示的额外的机器可读指令。


11.如权利要求8所述的系统，所述存储器存储控制所述处理器执行以下的额外的机器可读指令：
当所述移动设备在所述房间中测量到所述无线信号时，接收输入到所述移动设备的代码；以及
当输入的所述代码与和所述系统相关联的标识码匹配时生成所述正占用指示。


12.如权利要求11所述的系统，所述存储器存储控制所述处理器在输入的所述代码与和所述系统相关联的标识码不匹配时生成所述负占用指示的额外的机器可读指令。


13.如权利要求8所述的系统，其中：
所述存储器存储控制所述处理器接收由所述移动设备在测量所述无线信号时检测到的无线信号标识符的额外的机器可读指令，所述无线信号标识符唯一地标识所述无线信号；以及
控制所述处理器训练所述分类器的机器可读指令包括控制所述处理器使用所述训练示例并基于所述无线信号标识符来训练所述分类器的机器可读指令。


14.如权利要求13所述的系统，其中：
所述分类器是具有多个输入节点的人工神经网络(ANN)；
所述系统还包括散列函数，所述散列函数被实现为存储在所述存储器中并被配置为控制所述处理器根据所述无线信号标识符计算所述ANN的偏移节点的机器可读指令；以及
控制所述处理器使用所述训练示例并基于所述无线信号标识符来训练所述分类器的所述机器可读指令包括控制所述处理器执行以下的机器可读指令：
使用所述散列函数根据所述无线信号标识符计算ANN的偏移节点，以及
从所述多个输入节点中的所述偏移节点处开始将所述无线信号特性输入到所述ANN。


15.如权利要求1所述的系统，所述无线信号源自所述房间的外部。


16.如权利要求1所述的系统，所述无线信号源自所述房间的内部。


17.如权利要求1所述的系统，还包括收发器，所述收发器与所述存储器和所述处理器通信地耦接，以从所述移动设备接收所述无线信号特性。


18.如权利要求17所述的系统，所述收发器是被配置为经由有线通信接收所述无线信号特性的有线收发器。


19.如权利要求17所述的系统，所述收发器是被配置为经由无线通信接收所述无线信号特性的无线收发器。


20.如权利要求19所述的系统，其中由所述移动设备测量的所述无线信号由所述收发器无线地发送。


21.一种确定移动设备在房间中的占用的方法，包括：
从无线信号接收由所述移动设备测量的无线信号特性；以及
通过使用分类器根据接收到的所述无线信号特性计算占用概率来预测所述移动设备在所述房间中的占用。


22.如权利要求21所述的方法，还包括无线地发送所述无线信号。


23.如权利要求21所述的方法，所述无线信号特性包括以下中的至少一个：所述无线信号的平均功率、所述无线信号的频谱的一个或多个傅立叶系数、以及所述无线信号的所述频谱的傅立叶系数的一个或多个比率。


24.如权利要求21所述的方法，
还包括接收由所述移动设备检测到的所述无线信号的无线信号标识符，所述无线信号标识符唯一地标识所述无线信号；
其中预测所述移动设备的占用包括：
基于所述无线信号标识符将所述无线信号特性输入到所述分类器，以及
使用所述分类器根据输入的所述无线信号特性计算所述占用概率。


25.如权利要求24所述的方法，
其中所述分类器是具有多个输入节点的人工神经网络(ANN)；以及
输入所述无线信号特性包括：

【专利技术属性】
技术研发人员：克里斯托弗·杰恩斯，基尔克·罗瑞格，文森特·费雷里，
申请(专利权)人：MERSIVE技术有限公司，
类型：发明
国别省市：美国;US