JP2013238442A - 推定装置、推定方法及びプログラム - Google Patents

Abstract

【課題】ドップラー信号から複数の対象物の速度を推定する推定装置、推定方法、プログラムを提供する。
【解決手段】対象物のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部と、前記周波数スペクトルの変化状態を記憶する変化状態記憶部と、前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部と、前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部と、を備える、推定装置。
【選択図】図４

Description

本発明は、推定装置、推定方法及びプログラムに関する。

近年、高齢化や核家族化が進む中、孤独死が社会的問題として取り扱われている。特に、独居高齢者（６５歳以上）の親を持つ子供にとって、親の安否確認の需要は高まっている。そのような安否確認の方法のひとつとして、ビデオやマイクを用いたコミュニケーションが挙げられるが、これらの方法には親・子双方に肉体的・精神的負担が大きいという問題がある。そこで、カメラやセンサを用いた安否確認サービスが登場してきている。

また、独居高齢者には身近に頼ることのできる人が少ないので、病気や怪我の際に早期に発見され難く、また病院に行くことも難しいという問題がある。例えば、独居高齢者にとって怪我のリスクが高く、且つ頻度の高いもののひとつとして、居室内での転倒があげられる。そこで、安否確認だけでなく、独居高齢者が転倒したことをカメラやセンサを用いて検知して、子供や行政サービスなどの関係者に通知するサービスが求められている。

このようなセンサを用いて転倒などの人の状態を確認する方法のひとつとして、まず、ドップラーセンサを用いて人の移動速度を推定し、続いて人の移動速度から人の状態を推定する方法が考えられる。例えば、特許文献１では、ドップラーセンサを用いてひとつの対象物の移動速度を推定する技術が開示されている。詳述すると、対象物が概ね一定速度で移動すると仮定し、さらに、ドップラー信号の周波数スペクトルのピーク周波数分布はひとつのピークを持つガウス分布であると仮定した上で、ひとつのピーク周波数から対象物の速度を推定している。従って、特許文献１に開示された技術を人を対象として適用することで、人の移動速度を推定し、移動速度から人の状態を推定することができると考えられる。

特開２０１１−６４５５８号公報

しかしながら、このような方法は、複数の対象物の速度を推定できないという問題がある。即ち、このような方法は、人の動作には人の様々な部位ごとの複雑な運動が伴うにも関わらず、そういった部位ごとの速度を推定できない。また、例えば、人や動物などの運動する物体が複数存在する場合にも、このような方法は物体ごとに速度を推定できない。

そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、ドップラー信号から複数の対象物の速度を推定することが可能な、新規かつ改良された推定装置、推定方法及びプログラムを提供することにある。

上記課題を解決するために、本発明のある観点によれば、対象物のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部と、前記周波数スペクトルの変化状態を記憶する変化状態記憶部と、前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部と、前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部と、を備える、推定装置が提供される。このような推定装置は、ドップラー信号から複数の対象物の速度を推定することができるという効果を奏する。

前記ピークスペクトル推定部は、前記変化状態が周期的に変化すると仮定して前記変化状態を更新してもよい。

前記変化状態は、前記ピークスペクトルの周波数、ならびに前記変化状態の周期的な変化の性質であってもよい。

前記変化状態の周期的な変化の性質は、振幅、位相および周期であってもよい。

前記状態空間モデルはパーティクルフィルタであり、前記パーティクルフィルタは前記変化状態をパーティクルとしてもよい。

前記ピークスペクトル推定部は、前記パーティクルのもつ前記ピークスペクトルの周波数の分布が複数の山を持つ場合に前記パーティクルを群分けし、群ごとに前記ピークスペクトルの周波数を推定してもよい。

前記推定装置は、直交検波により、前記ドップラー信号が２波得られる場合に前記対象物の移動方向を算出する移動方向算出部と、前記速度算出部により算出された前記対象物の速度および前記移動方向算出部により算出された前記対象物の移動方向の時系列変化を自己回帰モデルに適用し、適用結果を用いて前記対象物が定常状態にあるか非定常状態にあるかを推定する状態推定部と、をさらに備えてもよい。

前記状態推定部は、前記自己回帰モデルに基づいて予測した前記対象物の速度および移動方向と、前記速度算出部により算出された前記対象物の速度および前記移動方向算出部により算出された前記対象物の移動方向との差分に基づき、前記差分が所定の閾値を超えない場合に前記対象物が定常状態にあると推定し、前記差分が前記閾値を超えた場合に前記対象物が非定常状態にあると推定してもよい。

前記推定装置は、前記ドップラー信号が１波得られる場合に前記速度算出部により算出された前記対象物の速度の時系列変化を自己回帰モデルに適用し、適用結果を用いて前記対象物が定常状態にあるか非定常状態にあるかを推定する状態推定部を、さらに備えてもよい。

前記状態推定部は、前記自己回帰モデルに基づいて予測した前記対象物の速度と、前記速度算出部により算出された前記対象物の速度との差分に基づき、前記差分が所定の閾値を超えない場合に前記対象物が定常状態にあると推定し、前記差分が前記閾値を超えた場合に前記対象物が非定常状態にあると推定してもよい。

前記状態推定部により前記対象物が非定常状態にあると推定された場合に、前記ドップラー信号より算出される特徴量の示す性質と前記対象物の所定動作を示す前記特徴量の性質との適合度に基づいて前記対象物の動作を推定する動作推定部をさらに備えてもよい。

前記速度算出部は、前記速度算出部により算出された前記対象物の速度を用いて前記対象物の加速度を算出し、前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された前記対象物の加速度の時系列変化であってもよい。

前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された前記対象物の速度の時系列変化であってもよい。

前記ドップラー信号より算出される特徴量は、前記移動方向算出部により算出された前記対象物の移動方向の時系列変化を含んでもよい。

前記ドップラー信号より算出される特徴量は、前記ピークスペクトル推定部により推定された前記ピークスペクトルの周波数の時系列変化であってもよい。

前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された速度の分布であってもよい。

前記ドップラー信号より算出される特徴量は、前記ピークスペクトル推定部により推定されたピークスペクトルの周波数の分布であってもよい。

また、上記課題を解決するために、本発明の別の観点によれば、対象物のドップラー信号から所定周期で周波数スペクトルを算出するステップと、前記周波数スペクトルの変化状態を記憶するステップと、前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するステップと、前記ピークスペクトルの周波数から前記対象物の速度を算出するステップと、を備える、推定方法が提供される。

また、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、対象物のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部と、前記周波数スペクトルの変化状態を記憶する変化状態記憶部と、前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部と、前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部と、を備える、推定装置として機能させるためのプログラムが提供される。

以上説明したように本発明によれば、ドップラー信号から複数の対象物の速度を推定することが可能である。

本発明の実施形態による推定システムの構成を示した説明図である。 パーティクルフィルタを用いた推定処理を示した説明図である。 人の歩行時における、胴体、右腕および左腕に対応する周波数スペクトルのピーク値の時系列変化を示した説明図である。 第１の実施形態による推定装置の有する速度推定部の構成を示す説明図である。 第１の実施形態による推定装置の速度推定処理を示した説明図である。 歩行時の周波数の時間的変化を示したスペクトログラムである。 周波数変化を三角波として示した説明図である。 移動物体が２つある場合の周波数スペクトルの時系列変化を示した第１の説明図である。 移動物体が２つある場合の周波数スペクトルの時系列変化を示した第２の説明図である。 本発明の第２の実施形態による推定システムの構成を示した説明図である。 本発明の第２の実施形態による推定装置の有する状態推定部の構成を示した説明図である。 第２の実施形態による推定装置の状態推定処理を示した説明図である。 本発明の第３の実施形態による推定システムの構成を示した説明図である。 第３の実施形態による推定装置の動作推定処理を示した説明図である。 人が転倒した際の胴体の速度の推定結果を示した図である。 人が転倒した際の胴体の加速度の推定結果を示した図である。 人が寝そべった際の胴体の速度の推定結果を示した図である。 人が寝そべった際の胴体の加速度の推定結果を示した図である。

以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

＜１．推定システムの基本構成および推定処理＞
本発明は、一例として［３−１．第１の実施形態］〜［３−３．第３の実施形態］において詳細に説明するように、多様な形態で実施され得る。また、各実施形態による推定装置（３０）は、
Ａ．対象物（移動物体１０）のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部（４３）と、
Ｂ．前記周波数スペクトルの変化状態を記憶する変化状態記憶部（ピークスペクトル記憶部４５）と、
Ｃ．前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部（４４）と、
Ｄ．前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部（４６）と、
を備える。

以下では、まず、このような各実施形態において共通する推定システムの基本構成について、図１を参照して説明する。

図１は、本発明の実施形態による推定システムの構成を示した説明図である。図１に示したように、本発明の実施形態による推定システムは、ドップラーセンサ２０と、速度推定部４０を有する推定装置３０と、を含む。そして、本発明の実施形態による推定装置３０は、移動物体１０を対象として速度および方向を推定する。

移動物体１０は、ドップラーセンサ２０から照射される電波を反射する物体である。移動物体１０は複数存在してもよく、また、ひとつの物体の中に別個に運動する部位、即ち移動物体１０を複数含んでいてもよい。そのような移動物体１０として、例えば、人、動物ならびに車両などが挙げられる。また、そのような移動物体１０の動作としては、例えば、歩行する人の胴体の移動および両腕の運動、走る車の車体の移動および車輪の回転などが挙げられる。

ドップラーセンサ２０は、電波を移動物体１０に向けて送信し、移動物体１０により反射された電波を受信する電波センサであり、送受信した電波間の差分の周波数の信号（以下、ドップラー信号と呼称する）を出力する。ここで、ドップラーセンサ２０は、直交検波によりドップラー信号を同相信号と直交信号の２波として出力する。なお、同相信号もしくは直交信号のどちらか１波の場合は、推定装置３０は同相信号もしくは直交信号を０として取り扱うことができる。

推定装置３０の有する速度推定部４０は、ドップラーセンサ２０より入力された同相信号および直交信号から複素信号を生成し、生成した複素信号により移動物体１０の速度および移動方向を推定および出力する。ここで、移動方向とは、ドップラーセンサ２０に対して移動物体１０が接近しているか、離反しているか、を指す。なお、ドップラー信号が１波の場合、速度推定部４０は速度のみを出力する。

以上、本発明の実施形態による推定システムの基本構成について説明した。続いて、本発明の実施形態による推定装置３０を用いた速度推定処理について説明する。

移動物体１０が速度ｖでドップラーセンサ２０から接近もしくは離反方向で移動している場合、送信した信号と受信した信号にうなりが生じるので、ドップラーセンサ２０はそれらの差分成分を抽出することでドップラー信号を得る。このとき、ドップラー信号の周波数ｆ_ｄと移動物体１０の速度ｖとの関係は以下の式で表すことができる。

ここで、ｆ_ｔｈは送信周波数を示し、ｃは光速（３×１０＾８［ｍ／ｓ］）を示す。

ドップラー信号の周波数スペクトルを解析してピークスペクトルの周波数（以下、ピーク周波数と呼称する）を求めると、求めたピーク周波数を用いて上記数式１により移動物体１０の速度ｖを推定することができる。このため、推定装置３０は、移動物体１０の速度を推定するためには、ドップラー信号の周波数スペクトルを解析してピーク周波数を推定する処理を行う。

このような処理の一例として、状態空間モデルのひとつであるパーティクルフィルタを用いて推定する処理があげられる。パーティクルフィルタとは、状態の分布を多数のパーティクルの密度で近似（モンテカルロ近似）し、「予測」、「尤度計算」、「リサンプリング」の３つのステップを逐次的に繰り返すことによって、パーティクル（状態）の分布を更新していくフィルタである。以下では、まず、パーティクルフィルタを用いた推定処理の概要について、図２を参照して説明する。

図２は、パーティクルフィルタを用いた推定処理を示した説明図である。

まず、ステップＳ１で、推定装置３０は所定数のパーティクルを生成する。なお、前時刻に後述のステップＳ５が行われていた場合は、推定装置３０は前時刻においてステップＳ５で用いられたパーティクルを用いる。ここで、前時刻とは現時刻（現在の時刻）よりも前の時刻のことを指す。

次に、ステップＳ２で、推定装置３０は現時刻のパーティクルの分布から次時刻の状態を予測する。具体的には、推定装置３０は各パーティクルの状態を状態方程式に基づいて更新する。

続いて、ステップＳ３で、推定装置３０は、次時刻において観測した観測結果と、ステップＳ２において予測した予測結果とに基づいて、各パーティクルの尤度を算出する。ここで、次時刻とは現時刻よりも後の時刻のことを指す。

そして、ステップＳ４で、推定装置３０はパーティクルのリサンプリングを行う。ここで、リサンプリングとは、ステップＳ３において各パーティクルについて算出した尤度に基づいて、推定装置３０が現時刻で用いられたパーティクルを次時刻に用いられるパーティクルに移動させるか、もしくは消滅させることを指す。その際、推定装置３０は、パーティクルの数を所定数に保つため、移動させたパーティクルを用いて、消滅させたパーティクルの数だけパーティクルを補充する。

最後に、ステップＳ５で、推定装置３０は、ステップＳ４でリサンプリングしたパーティクルの分布に基づいて推定を行う。

以上、パーティクルフィルタを用いた推定処理の概要について説明した。

本発明の実施形態は、上述した推定装置３０に関し、特に、パーティクルフィルタを用いた推定処理に関する。そこで、以下では、本発明の比較例による推定装置におけるパーティクルフィルタを用いたピーク周波数の推定処理を説明した後に、本発明の各実施形態について詳細に説明する。

＜２．比較例による推定装置＞
（パーティクルフィルタを用いたピーク周波数の推定処理）
以下では、比較例による、周波数スペクトルからピーク周波数、即ち移動物体１０の速度を推定する処理について、再度図２を参照して説明する。なお、図２を参照して上記で説明した動作と重複するものについては説明を省略する。

比較例による推定装置は、まず、ステップＳ１で、周波数をパーティクルの状態として用いたパーティクルを所定数生成する。

次に、ステップＳ２で、比較例による推定装置は、移動物体１０は概ね一定速度で移動すると仮定した上で、各パーティクルの更新前後の変化量、即ち周波数の変化量がガウス分布に従うよう、各パーティクルを更新する。

続いて、ステップＳ３で、比較例による推定装置は各パーティクルのパワースペクトルから尤度を算出する。

そして、ステップＳ４で、比較例による推定装置はステップＳ３において算出した各パーティクルの尤度に基づいて、パーティクルのリサンプリングを行う。

最後に、ステップＳ５で、比較例による推定装置は、移動物体１０はひとつであり、且つ、移動物体１０には別個に運動する部位を含まないとして、全パーティクルの推定した周波数の分布がひとつのピークを持つガウス分布であると仮定して、分布の重心をピーク周波数として推定する。

（課題の整理）
比較例による推定装置は、上記で説明した通り、移動物体１０はひとつであり、且つ、移動物体１０は概ね一定速度で移動すると仮定することで、全パーティクルの推定した周波数の分布がひとつのピークを持つガウス分布であると仮定している。しかし、実環境において、対象物が、ピーク周波数の変化がガウス的な分布を描くようなひとつの移動物体１０で構成されることは少ない。例えば、人間が歩行する際には、胴体の動き、腕の動き、足の動き、頭の動きなどの、速度変化がガウス的な分布を描かず、またそれぞれの速度が異なる動きが合成された周波数スペクトルが観測される。よって、周波数スペクトルのピークが複数現れる場合がある。このとき、ドップラーセンサ２０に向かって人間が歩行により一定速度で接近したとすると、胴体の動きは一定速度ではなく歩容にあわせて変化し、腕の動きも胴体とは異なる動きをするので、ドップラーセンサ２０で観測されるドップラー信号も多様な動体の影響を受ける。そこで、図３を参照し、胴体と腕の動きを考える。

図３は、人の歩行時における、胴体、右腕および左腕に対応する周波数スペクトルのピーク値の時系列変化を示した説明図である。図３に示したように、胴体および腕は歩容にあわせて変化している。このとき、胴体よりも腕の方が前後に大きく振れるので速度変動、即ち周波数変動が大きいが、面積的に小さいのでスペクトルのパワーは小さくなると考えられる。

このような場合、比較例による推定装置は、周波数（速度）変動がガウス分布に従うと仮定しているので、胴体のようにパワースペクトルが最も大きく、且つ、周波数（速度）変動が小さいものだけをトラッキングできる。しかしながら、変動がガウス的な分布に従わない場合にはトラッキング精度は低くなる。また、腕の動きのように胴体と比較してパワースペクトルが小さく、周波数（速度）変動の大きいものを併せてトラッキングすることはできない、という問題がある。

また、例えば、人間の歩行時における右腕と左腕の動きのように、同一時刻に同等の大きさを持つパワースペクトルが２つ以上存在する場合であっても、単一な移動物体１０を仮定しているので、比較例による推定装置はパーティクルの分布の重心を推定値として出力してしまう、という問題がある。

そこで、上記事情を一着眼点にして本実施形態による推定装置３０を創作するに至った。本実施形態による推定装置３０は、ドップラー信号から複数の対象物の速度を推定することが可能である。以下、このような本発明の各実施形態について順次詳細に説明する。

＜３．各実施形態の詳細な説明＞
［３−１．第１の実施形態］
まず、図４〜６を参照し、本発明の第１の実施形態を説明する。本発明の第１の実施形態によれば、ドップラー信号から複数の対象物の速度を推定することが可能である。

（構成）
図４は、第１の実施形態による推定装置３０の有する速度推定部４０の構成を示す説明図である。図４で示したように、本発明の第１の実施形態による推定装置３０の有する速度推定部４０は、複素信号生成部４１と、信号記憶部４２と、周波数スペクトル算出部４３と、ピークスペクトル推定部４４と、ピークスペクトル記憶部４５と、速度算出部４６と、を含む。

複素信号生成部４１は、ドップラーセンサ２０から入力された同相信号と直交信号とを用いて、同相信号を実部、直交信号を虚部に持つ複素信号を生成する。信号記憶部４２は、複素信号生成部４１より入力された信号を、時系列で所定区間記憶する。周波数スペクトル算出部４３は、信号記憶部４２より入力された信号データから周波数スペクトルを算出する。

ピークスペクトル推定部４４は、周波数スペクトル算出部４３より入力された周波数スペクトルと、後述のピークスペクトル記憶部４５に記憶されている前時刻のピークスペクトル分布とを用いてパーティクルフィルタにより現時刻のピークスペクトル分布を推定する。ピークスペクトル記憶部４５は、ピークスペクトル推定部４４が推定したピークスペクトル分布を記憶する。速度算出部４６は、移動方向算出部としての機能を有し、ピークスペクトル推定部４４から入力されたピークスペクトル分布から、移動物体１０の速度および移動方向を算出する。

（速度推定処理）
以上、第１の実施形態による推定装置３０の構成を説明した。続いて、図５を参照し、第１の実施形態による推定装置３０の、移動物体１０の速度を推定する処理を説明する。

図５は、第１の実施形態による推定装置３０の速度推定処理を示した説明図である。

まず、ステップＳ４１で、複素信号生成部４１は、ドップラーセンサ２０より入力された同相信号Ｉ（ｔ）と直交信号Ｑ（ｔ）を用いて、次式で示す複素信号ｓ（ｔ）を生成する。

ドップラーセンサ２０によっては、複素信号生成部４１は、同相信号Ｉ（ｔ）または直交信号Ｑ（ｔ）相当の１チャネルのみ入力される場合もある。この場合、速度推定装置３０は、移動体１０が接近しているのか、もしくは離反しているのか、を区別できないものの、２チャネル入力された場合と同様に速度を推定することが可能である。具体的には、複素信号生成部４１は、実部であるＩ（ｔ）をドップラーセンサ２０により入力された信号とし、虚部Ｑ（ｔ）を０とした実数演算を行う。以下では、ドップラーセンサ２０により２チャンネルの入力をされたものとして説明する。

ステップＳ４２で、信号記憶部４２は、複素信号生成部４１より入力された複素信号ｓ（ｔ）を時系列で所定区間分記憶する。ここで、所定区間とは、サンプル単位または時間単位である。信号記憶部４２は、所定区間分の信号データを記憶した場合は、記憶した信号データをすべて周波数スペクトル算出部４３に出力する。次に複素信号生成部４１から新たな信号が入力されると、信号記憶部４２は、記憶した信号データの中で最も古いデータを削除し新たに入力された信号を記憶した上で、記憶した信号データをすべて周波数スペクトル算出部４３に出力する。従って、信号記憶部４２には常に最新の信号データが記憶され、また常に最新の信号データが周波数スペクトル算出部４３に出力される。

信号記憶部４２がこのような処理を行う理由は、周波数スペクトル算出部４３において、周波数スペクトルを算出するために一定長のデータ系列が必要となるためである。例えば、信号記憶部４２が５００サンプルのデータを記憶でき、サンプリング周波数が５００Ｈｚであるとすると、信号記憶部４２は、１秒分のデータを記憶し、周波数スペクトル算出部４３へ出力する。ドップラーセンサ２０より５０１番目のデータが入力された場合には、信号記憶部４２は、１番目のデータと５０１番目のデータを入れ替え、２〜５０１番の１秒分のデータを周波数スペクトル算出部４３へ出力する。

ステップＳ４３で、周波数スペクトル算出部４３は、信号記憶部４２より入力された信号データから、短時間フーリエ変換、またはウェーブレット変換などの周波数解析の手法を用いて周波数スペクトルを算出する。以下では、そのような周波数解析のひとつとして、短時間フーリエ変換を用いた例を説明する。

周波数スペクトル算出部４３は、信号記憶部４２より入力された複素信号ｓ（ｔ）に対して短時間フーリエ変換を行うことで、次式で示す信号Ｓ（ω，τ）を算出する。

ここで、ωは角周波数、τはシフト幅、ｈ（ｔ）は窓関数を示す。周波数スペクトル算出部４３は、窓関数ｈ（ｔ）に、対象とする周波数成分にあわせてハニング窓やガウス窓などの任意の窓関数を用いてよい。ここでは、窓関数の一例として、ハミング窓を次式で示す。

例えば、信号記憶部４２が５００サンプル記憶でき、サンプリング周波数が５００Ｈｚであるとすると、まず、信号記憶部４２は１秒分の複素信号ｓ（ｔ）を記憶する。周波数スペクトル算出部４３は、この信号に対して、窓幅０．２秒（１００サンプル分）、シフト幅０．０５秒（２５サンプル分）で短時間フーリエ変換を行った場合、まずτ＝０のときに、０．００２秒（１サンプル）から０．２秒（１００サンプル）までの信号に対する周波数成分の複素信号を得る。次に、周波数スペクトル算出部４３は、τ＝０．０５のときに、０．０５秒（２５サンプル）から０．２５秒（１２５サンプル）までの信号に対する周波数成分の複素信号を得る。周波数スペクトル算出部４３は、これらの処理を全データに対して適用することで、シフト幅間隔で窓幅長の周波数成分の複素信号の時系列データを算出することができる。

ステップＳ４４で、ピークスペクトル推定部４４は、周波数スペクトル算出部４３より入力された周波数スペクトルの値とピークスペクトル記憶部４５に記憶されている前時刻のピークスペクトルの分布とを用いて、パーティクルフィルタによって、周波数スペクトルのピーク周波数を推定する。以下では、まず、パーティクルフィルタで用いるパーティクルについて説明し、続いて、具体的なパーティクルフィルタによる周波数スペクトルのピーク周波数の推定処理について説明する。

まず、Ｎ個の状態ベクトルを以下の式で定義する。

ここで、ｔは観測時刻を示し、ｔ＝０の場合は初期状態、ｔ＝１の場合は観測開始後最初に得られた観測値に基づく状態ベクトルを示す。

パーティクルフィルタにおけるパーティクルを、ひとつの上記状態ベクトルとする。パーティクルは以下のように表すことができる。

ただし、ｉ＝１、・・・Ｎとする。

ここで、ｆ^ｉ _ｔは時刻ｔにおける周波数を指す。また、ａ^ｉ _ｔは時刻ｔにおける歩容の振幅を指す。また、ｐ^ｉ _ｔは時刻ｔにおける歩容の位相を指す。また、ｃ^ｉ _ｔは時刻ｔにおける歩容の周期を指す。

図６は、歩行時の周波数の時間的変化を示したスペクトログラムである。図６に示した通り、歩行時の周波数の時間的変化を見ると、歩容の１歩に同期した速度で変化の１周期が観測される。人がほぼ一定の速度で歩いているものと仮定したときの周期的な変化の性質である振幅、周期、位相を推定することで、ピークスペクトル推定部４４は、歩容の周期に応じた周波数変化のパターンを効率よくトラッキングできる。即ち、パーティクルＸ^ｉ _ｔを、周波数スペクトルの変化状態を示す周波数、振幅、周期、位相とするとこで、ピークスペクトル推定部４４は、歩容の周期に応じてピークスペクトルを推定する。

以上、パーティクルフィルタで用いるパーティクルについて説明した。以下では、上記で説明した図２を再度参照し、上記で説明した歩容の速度変化が周期的に変化する三角波であると仮定したパーティクルを用いて、パーティクルフィルタによりピークスペクトルを推定する処理を説明する。なお、図２を参照して上記で説明した処理と重複するものについては説明を省略する。

まず、ステップＳ１で、ピークスペクトル推定部４４はパーティクルの生成を行う。詳述すると、ピークスペクトル推定部４４は、ピークスペクトル記憶部４５に記憶されている前時刻のピークスペクトル分布を初期状態として与えられる。前時刻のピークスペクトル分布がない場合は、例えば、初期状態として取り得る値の範囲にほぼ一様に分布する疑似乱数によるピークスペクトル分布がピークスペクトル推定部４４に与えられる。サンプリング周波数５００Ｈｚの場合、周波数スペクトル算出部４３から得られた複素信号の周波数スペクトルの取り得る範囲は、−２５０Ｈｚ〜２５０Ｈｚとなる。

次に、ステップＳ２で、ピークスペクトル推定部４４は時刻ｔのパーティクルの分布から時刻ｔ＋１の状態を予測する。時刻ｔ＋１の状態を予測する状態方程式を以下のように定義する。

ただし、ｉ＝１、・・・Ｎとする。

ここで、ｆ_ｓはサンプリング周波数、μはガウス分布による乱数、σ^２ _ａは振幅ａの分散、σ^２ _ｐは位相ｐの分散、σ^２ _ｃは周期ｃの分散を示す。

ここで、歩容の速度変化が三角波であると仮定しているため、上記数式１０で示したように、周波数変化は図７で示した三角波に基づいている。

図７は、周波数変化を三角波として示した説明図である。

例えば、サンプリング周波数ｆ_ｓ＝５００、あるパーティクルの時刻ｔの状態をＸ_ｔ＝［１００，１．０，０．２，１．０］^Ｔとしたとき、ｔ＋１の予測状態はＸ_ｔ＋１＝［１００＋ｖ_ｆｔ，１．０＋ｖ_ａｔ，０．２＋ｖ_ｐｔ，１．０＋ｖ_ｃｔ］^Ｔとなる。ここで、ｖ_ａｔ＝０、ｖ_ｐｔ＝０、ｖ_ｃｔ＝０とすると、ｖ_ｆｔ＝０．００８となり、ｔ＋１の予測状態Ｘ_ｔ＋１＝［１００．００８，１．０，０．２，１．０］^Ｔとなる。

続いて、ステップＳ３で、ピークスペクトル推定部４４は各パーティクルの尤度を計算する。詳述すると、ピークスペクトル推定部４４は、周波数スペクトル算出部４３より入力された周波数スペクトルからパワースペクトルを算出し、正規化することにより尤度関数とする。

ピークスペクトル推定部４４は、パワースペクトルφ（ω，τ）を以下の式で算出する。

また、尤度関数Ｌ（ω、ｔ）は、以下の式で算出する。

ここで、直流成分（ω＝０）はノイズとして扱うため、小さくしてもよく、または０にしてもよい。

ピークスペクトル推定部４４は、パーティクルが予測したｆ^ｉ _ｔを用いて、上記数式１５により尤度Ｌ^ｉ _ｔを算出する。

そして、ステップＳ４で、ピークスペクトル推定部４４はパーティクルのリサンプリングを行う。詳述すると、まず、ピークスペクトル推定部４４は次式により尤度Ｌ^ｉ _ｔを用いて分布確率Ｐ^ｉ _ｔを算出する。

ただし、ｉ＝１、・・・Ｎとする。

この確率に基づき、ピークスペクトル推定部４４は、｛Ｘ´^ｉ _ｔ＋１｝^Ｎ _ｉ＝１からパーティクルをリサンプリングし、次の時刻における状態確率モデル｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１を構成する。例えば、ピークスペクトル推定部４４は、確率Ｐ^ｉ _ｔが閾値α（例えば、０．００１や０．２など）以下のパーティクルＸを消滅させ｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１へは移動させない。一方で、ピークスペクトル推定部４４は、閾値β（例えば、０．７や０．０１など）以上のパーティクルＸを、｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１がＮ個になるよう消滅したパーティクル数と同数だけ複製および増加させて｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１へ移動させる。閾値β以上のパーティクルが複数ある場合は、ピークスペクトル推定部４４は、消滅したパーティクル数を閾値β以上のパーティクル数で等分割し、その分それぞれのパーティクルを複製および増加させてもよい。他にも、ピークスペクトル推定部４４は、尤度を重みとして尤度が高いものをより多く複製および増加させてもよい。また、ピークスペクトル推定部４４は、閾値αより大きく閾値β未満のパーティクルを、そのまま｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１へ移動するなどの方法をとることができる。

最後に、ステップＳ５で、ピークスペクトル推定部４４はピークスペクトルの周波数を推定する。詳述すると、ピークスペクトル推定部４４は、ステップＳ４において予測した状態確率モデル｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１からピークスペクトルを算出する。状態確率モデルがひと山分布であれば、最大値や平均値、最頻値をピークスペクトルの周波数としてもよい。また、状態確率モデルの分布がふた山以上であれば、ｋ−ｍｅａｎｓ法などでＮ個未満のクラスタに群分けし、多くのパーティクルが属するクラスタの最大値や平均値、最頻値をピークスペクトルの周波数としてもよい。

例えば、胴体と両腕のパワースペクトルが大きいとすると、状態確率モデルは３つのクラスタに分けられると考えられるため、ピークスペクトル推定部４４は、３つのピークスペクトルの周波数を推定できる。ここで、ピークスペクトル記憶部４５は、予測された状態確率モデル｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１および推定されたピークスペクトルの周波数のパーティクルを記憶する。

次の時刻ｔ＋１で新しい観測地Ｓ（ω，τ）が得られると、ピークスペクトル推定部４４は、ステップＳ１におけるパーティクルの生成からの処理を繰り返す。

以上、歩容の速度変化が三角波である仮定してパーティクルフィルタによりピークスペクトルを推定する処理を説明した。以下では、引き続き図５を参照し、推定したピークスペクトルの周波数を用いて対象物の速度を推定する。

続いて、ステップＳ４５で、ピークスペクトル記憶部４５はピークスペクトルの変化状態を記憶する。ここで、変化状態とは、上記で説明した、ピークスペクトル推定部４４において予測された状態確率モデル｛Ｘ^ｉ _ｔ＋１｝^Ｎ _ｉ＝１および推定されたピークスペクトルの周波数のパーティクルを指す。

最後に、ステップＳ４６で、速度算出部４６は、ピークスペクトル推定部４４より入力されたピークスペクトルの周波数ｆ^ｉ _ｄ，ｔを用いて次式により速度ｖを算出する。

ただし、ｉ＝１，・・・，Ｍとする。ここで、Ｍは推定したピークスペクトル数、ｆ_ｔｈは送信周波数を示し、ｃは光速（３×１０＾８［ｍ／ｓ］）を示す。

例えば、送信周波数ｆ_ｔｈが２４．１１ＧＨｚ、ピークスペクトルの周波数ｆ^ｉ _ｄ，ｔが１Ｈｚだとすると、速度ｖは０．００６２［ｍ／ｓ］となる。

このとき、速度ｖが正の値であれば移動物体１０の移動方向が接近方向であることを示し、速度ｖが負の値であれば移動物体１０の移動方向が離反方向であることを示す。即ち、速度算出部４６は、速度ｖを算出することで、移動物体１０の速度および移動方向を出力する。

（効果）
以上説明したように、第１の実施形態によれば、複数の移動物体１０の速度を推定することができる。以下では、図８および９を参照して、第１の実施形態による推定装置３０の、比較例と比較して有利な効果を説明する。

図８は、移動物体１０が２つある場合の周波数スペクトルの時系列変化を示した第１の説明図である。図８の破線１００および１点破線１０４は、２つの移動物体１０にそれぞれ対応している。比較例による推定装置は、２つのピークスペクトルを同時にトラッキングできず、また、周波数スペクトルの平均値を結果として出力するので、トラッキング結果は図８の実線１０８のようになる。一方で、第１の実施形態による推定装置３０は、２つのピークスペクトルを同時にトラッキングできるので、図８の（１）のように周波数スペクトルのピークが離れて存在している場合でも、２つのピーク値を推定できる。その上、図８の（２）のように途中で交差している場合においても、歩容の速度変化を予測に用いているので、２つのピークを混同することなく、正しくトラキングすることができる。

図９は、移動物体１０が２つある場合の周波数スペクトルの時系列変化を示した第２の説明図である。図９の破線１１２および１点破線１１６は、２つの移動物体１０にそれぞれ対応している。第１の実施形態による推定装置３０は、図９の（３）のように周波数スペクトルのピーク周波数が重なる場合においても、歩容の速度変化を予測に用いているので、２つのピークを混同することなく、正しくトラキングすることができる。

このように、第１の実施形態による推定装置３０は、パーティクルの変化状態としてピーク周波数に加え、振幅、位相、周期を用いてパーティクルの予測ステップに用いることで、移動物体１０が複数ある場合もそれぞれの速度を推定できる。尚且つ、第１の実施形態による推定装置３０は、移動物体１０のパワースペクトルが小さく周波数（速度）変動が大きい場合や、周波数（速度）変動がガウス分布に従わない場合であっても、速度を推定できる。さらに、第１の実施形態による推定装置３０は、同一時刻に同等のパワースペクトルを持つ２つ以上の移動物体１０に対しても、それぞれの速度を推定できる。従って、第１の実施形態による推定装置３０は、例えば、人の歩行時においては、胴体と、胴体に比べてパワースペクトルが小さく、また速度変動が大きく、且つガウス分布に従わない両腕の速度を、それぞれ推定およびトラッキングすることができる。

［３−２．第２の実施形態］
第２の実施形態は、第１の実施形態で説明した速度推定部４０により出力された移動物体１０の速度および移動方向の時系列変化を用いて移動物体１０の状態を推定する形態である。

（構成）
以下では、図１０、１１を参照し、第２の実施形態による推定装置３０の構成について説明する。なお、「１．推定システムの基本構成および推定処理」または「３−１．第１の実施形態」において、図１および４を参照して説明した構成と重複するものについては説明を省略する。

図１０は、本発明の第２の実施形態による推定システムの構成を示した説明図である。図１０に示したように、本発明の第２の実施形態による推定装置３０は、移動物体１０の状態を推定する状態推定部５０を含む。そして、本発明の第２の実施形態による推定装置３０は、移動物体１０が定常状態にあるか、または非定常状態にあるか、を推定する。

状態推定部５０は、速度推定部４０により出力された移動物体１０の速度および移動方向を用いて、移動物体１０が定常状態にあるか、または非定常状態にあるか、を推定する。例えば、移動物体１０を人間とすると、定常状態を歩行、非定常状態を転倒としてもよい。

図１１は、本発明の第２の実施形態による推定装置３０の有する状態推定部５０の構成を示した説明図である。図１１に示したように、状態推定部５０は、速度記憶部５１と、状態検出部５２と、を含む。

速度記憶部５１は、速度推定部４０より入力された移動物体１０の速度および移動方向の時系列変化を記憶する。状態検出部５２は、速度記憶部５１に記憶された速度および移動報告の時系列変化を用いて、移動物体１０が定常状態にあるか、または非定常状態にあるか、を検出する。

（状態推定処理）
以下では、図１２を参照し、第２の実施形態による推定装置３０の、移動物体１０の状態を推定する処理について説明する。ただし、以下では、状態推定部５０は速度推定部４０により速度のみ入力される例を説明する。なお、状態推定部５０は、速度推定部４０により速度および移動方向が入力され、入力された速度および移動方向に基づいて移動物体１０の状態を推定してもよい。

図１２は、第２の実施形態による推定装置３０の状態推定処理を示した説明図である。

まず、ステップＳ５１で、速度記憶部５１は、速度推定部４０により入力された速度を一定区間記憶する。このとき、入力される速度の時間間隔は、周波数スペクトル算出部４３で行われる短時間フーリエ変換のシフト幅に依存する。例えば、シフト幅が０．０５秒であれば、速度推定部４０より入力される速度も０．０５秒間隔となる。また、速度記憶部５１で１０００サンプル記憶したとすると、５０秒分の速度データを有することになる。そして、速度推定部４０から１００１番目の速度データが入力された場合は、速度記憶部５１は１番古いデータを破棄し、１００１番目のデータを記憶する。このように、速度記憶部５１は、常に最新のデータが記憶されている状態をとる。

次にステップＳ５２で、状態検出部５２は速度記憶部５１により入力された速度データを用いて、移動物体１０が定常状態にあるか、または非定常状態にあるか、を検出する。詳述すると、まず、状態検出部５２は速度記憶部５１より一定区間分の速度データを入力される。続いて、状態検出部５２は、入力された速度データの時系列変化に対して自己回帰モデルを適用する。なお、状態推定部５０に、速度推定部４０により速度および移動方向が入力された場合は、状態検出部５２は正負の符号をもつ速度データの時系列変化に対して自己回帰モデルを適用してもよい。ここで、自己回帰モデルは以下の式で表すことができる。

ここで、ａ_ｉは自己回帰係数、ｐは次数、ｅ_ｔは誤差を示す。また、誤差ｅ_ｔはゼロを平均値とする正規分布に従う。

状態検出部５２が、入力された速度データに対して自己回帰モデルを適用する方法として、例えば、ユールウォーカー法、最小自乗法、最尤法、Ｂｕｒｇ法などがある。以下では、以下の式で示すユールウォーカー法を用いた例を説明する。

ただし、ｍ＝０，・・・，ｐとする。

ここで、γ_ｍはｙ_ｔの自己共分散関数、σ_ｅは誤差の標準偏差、δ_ｍはクロネッカーのデルタを示す。ここで、状態検出部５２は、上記数式１９で示したｐ＋１個の方程式をａ_ｋについて解くことで、自己回帰係数を得る。また、クロネッカーのデルタは以下の式で表すことができる。

また、ｍ＝０のとき、以下の式により誤差の分散σ^２ _ｅが求まる。

以上、ユールウォーカー法を用いて、状態検出部５２が、速度記憶部５１により入力された速度データに対して自己回帰モデルを適用する例を説明した。

続いて、ステップＳ５３で、状態検出部５２は、予測値と観測値との誤差が閾値以下か否かを判定する。詳述すると、まず、現時刻ｔにおいて上記数式１８により求めた予測値ｙ_ｔと速度推定部４０が推定した速度ｖ_ｔとの誤差ｅ_ｔは、以下の式で算出することができる。

ここで、誤差ｅ_ｔは速度ｖ_ｔが定常状態のときはゼロに近づき、非定常状態になるとゼロから遠ざかる性質を持つ。そこで、状態検出部５２は、誤差ｅ_ｔが閾値以下であればステップＳ５４で定常状態であると推定し、閾値を超えた場合はステップＳ５５で非定常状態であると推定する。ここで、誤差ｅ_ｔは、例えば±σ_ｅでもよい。

（効果）
以上説明したように、第２の実施形態によれば、推定装置３０は、移動物体１０の速度および移動方向の時系列変化を自己回帰モデルに適用することで、移動物体１０の移動速度変化が歩行のような定常的な動作から、転倒のような非定常動作に移ったときに、異常として検出することができる。

このとき、「３−１．第１の実施形態」で上記説明したように、速度推定部４０は複数の移動物体１０の速度を推定できるので、本実施形態による推定装置３０は、複数の移動物体１０の状態を推定することができる。また、速度推定部４０は、速度変化が急激であっても周期的である場合はトラッキング可能であるので、速度変化が急激な場合であっても周期範囲内であれば定常状態であると推定でき、速度変化が緩慢であっても周期範囲外であれば非定常状態であると推定できる。また、状態検出部５２は、速度および移動方向の時系列変化に対して自己回帰モデルを適用した場合も、速度の時系列変化に対して自己回帰モデルに適用した場合も、移動物体１０の状態を推定できる。従って、推定装置３０は、ドップラーセンサ２０により２チャンネルの入力をされた場合も、１チャンネルのみの入力をされた場合も、移動物体１０の状態を推定できる。

［３−３．第３の実施形態］
第３の実施形態は、第２の実施形態で説明した状態推定部５０が、移動物体１０は非定常状態にあると推定した場合に、移動物体１０の動作を推定する形態である。

（構成）
以下では、図１３を参照し、第３の実施形態による推定装置３０の構成について説明する。なお、「３−２．第２の実施形態」の構成において、図１０および１１を参照して説明した構成と重複するものについては説明を省略する。

図１３は、本発明の第３の実施形態による推定システムの構成を示した説明図である。図１３に示したように、本発明の第３の実施形態による推定装置３０は、移動物体１０の動作を推定する動作推定部６０を含む。そして、本発明の第３の実施形態による推定装置３０は、移動物体１０の動作を推定する。

動作推定部６０は、状態推定部５０が移動物体１０は非定常状態にあると推定した場合に、移動物体１０の動作を推定する。

（動作推定処理）
以下では、図１４〜１８を参照し、第２の実施形態による推定装置３０の、移動物体１０の動作を推定する処理について説明する。

図１４は、第３の実施形態による推定装置３０の動作推定処理を示した説明図である。

まず、ステップＳ６１で、動作推定部６０は、状態推定部５０により入力された移動物体１０の状態が、定常状態であるか、非定常状態であるか、を判定する。このとき、定常状態である場合は、動作推定部６０は現時刻における処理を終了し、非定常状態である場合は、ステップＳ６２に進む。

状態推定部５０が移動物体１０は非定常状態にあると推定した場合に、ステップＳ６２で、動作推定部６０は、移動物体１０の動作を推定する。詳述すると、ドップラー信号より算出される特徴量の示す性質が、移動物体１０の所定動作を示す特徴量の性質と適合する場合に、動作推定部６０は、移動物体１０の動作は特徴量の性質が適合した該所定動作である、と推定する。以下では、このような移動物体１０の所定動作が示す特徴量の性質の例として、移動物体１０を人の胴体とし、所定動作を転倒したとき、および寝そべったときとし、特徴量を移動方向、速度および加速度の時系列変化としたときの、これら特徴量の示す性質を説明する。

図１５は、人が転倒した際の胴体の速度の推定結果を示した図である。また、図１６は、人が転倒した際の胴体の加速度の推定結果を示した図である。また、図１７は、人が寝そべった際の胴体の速度の推定結果を示した図である。また、図１８は、人が寝そべった際の胴体の加速度の推定結果を示した図である。また、図１５〜１８において、図の上部は正の周波数領域、即ち接近方向の成分を示し、図の下部は負の周波数領域、即ち離反方向の成分を示す。ここで、これらの速度および移動方向は速度推定部４０により推定される。また、加速度は速度より容易に求まるので、加速度は速度推定部４０により出力される。

図１５が示す通り、転倒した際の速度は、正の周波数領域はほぼゼロに近い値をとる一方で、負の周波数領域では激しく上下する。同様に、図１６が示す通り、転倒した際の加速度は、正の周波数領域はほぼゼロに近い値をとる一方で、負の周波数領域では激しく上下する。また、図１７が示す通り、寝そべった際の速度は、正の周波数領域はほぼゼロに近い値をとり、負の周波数領域ではゆるやかに上下する。同様に、図１８が示す通り、転倒した際の加速度は、正の周波数領域および負の周波数領域において、共にほぼゼロに近い値で緩やかに変動する。

このように、人が転倒や寝そべるといった動作を行った場合には、ドップラー信号より算出される人の移動方向、速度および加速度に、その動作特有の性質が現れる。従って、動作推定部６０は、ドップラー信号より算出される人の移動方向、速度および加速度の示す性質が、上記のような動作特有の性質と適合する場合に、適合する動作をその人の動作であると推定することができる。例えば、図１５および１６のような性質を示した際には、動作推定部６０は、人は転倒したと推定することができ、また、図１７および１８のような性質を示した際には、動作推定部６０は、人は寝そべったと推定することができる。

以上、移動物体１０を人の胴体とし、人が転倒したとき、および寝そべったときの例を説明したが、その他にも静止したときや、歩行したときなどの動作についても同様に推定することができる。また、特徴量として移動物体１０の移動方向、速度および加速度を用いる例を説明したが、移動方向、速度および加速度を併せて用いなくてもよい。即ち、動作推定部６０は、上記の例において周波数領域を正負に分けることなく、正負の符号のない速度の時系列変化のみ、または正負の符号のない加速度の時系列変化のみを特徴量として用いてもよい。また、動作推定部６０は、特徴量として他にも例えば、移動物体１０のピークスペクトルの周波数の時系列変化、速度の分布、ピークスペクトルの周波数の分布などを用いてもよい。

例えば、動作推定部６０が特徴量として移動物体１０のピークスペクトルの周波数の時系列変化を用いる場合について説明する。上記数式１で示したように、速度はピークスペクトルの周波数により算出されるので、上記で説明した特徴量として速度を用いた処理と同様の処理により、動作推定部６０は移動物体１０の動作を推定してもよい。また、動作推定部６０が特徴量として速度の分布を用いる場合について説明する。例えば、移動物体１０が複数存在する場合に、動作推定部６０は、速度が所定の閾値を超えた移動物体１０の全体に占める割合や、移動物体１０の速度のとる範囲の広狭を特徴量の性質として移動物体１０の動作を推定してもよい。また、特徴量としてピークスペクトルの周波数の分布を用いる場合について説明する。例えば、動作推定部６０は、特徴量として速度の分布を用いた場合と同様に、周波数が所定の閾値を超えたピークスペクトルの全体に占める割合や、ピークスペクトルの周波数のとる範囲の広狭を特徴量の性質として移動物体１０の動作を推定してもよい。

なお、上記で説明した、ある動作特有の特徴量の性質を、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）または誤差逆伝播法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）などの学習モデルを用いて学習および識別してもよい。

（効果）
以上説明したように、第３の実施形態によれば、移動物体１０が非定常状態である場合に、移動物体１０の動作を推定することができる。例えば、人が歩行のような定常状態から、何らかの非定常状態に移ったときに、それが例えば寝ころびなのか、転倒なのかを判別することができる。

また、「３−１．第１の実施形態」および「３−２．第３の実施形態」で上記説明したように、速度推定部４０は複数の移動物体１０の速度を推定でき、状態推定部５０は複数の移動物体１０の状態を推定できるので、本実施形態による推定装置３０は、複数の移動物体１０の動作を推定することができる。また、動作推定部６０は、特徴量に移動方向を含めた場合も、含めない場合も、移動物体１０の動作を推定できる。従って、推定装置３０は、ドップラーセンサ２０により２チャンネルの入力をされた場合も、１チャンネルのみの入力をされた場合も、移動物体１０の動作を推定できる。

＜４．むすび＞
以上説明したように、本発明の第１の実施形態〜第３の実施形態によれば、ドップラー信号から複数の対象物の速度、状態および動作を推定することが可能である。

なお、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。

例えば、上記第１の実施形態では、ひとりの人間の歩行を例として説明したが、本発明はかかる例に限定されない。例えば、歩行ペースや腕の振り方などに個人差があることから、複数の人間の歩行を対象として、それぞれの人間の速度を推定してもよい。また、建物の入り口などにドップラーセンサを設置し、接近速度・離反速度を推定することで、建物の入退場者をカウントしてもよい。

また、例えば、上記第２の実施形態では、定常状態として歩行を例として説明したが、本発明はかかる例に限定されない。例えば、人間の体に電波センサを設置し、呼吸や心拍を対象とすることで、人間の安静検知を行ってもよい。

例えば、上記第３の実施形態では、対象物が非定常状態であるときに動作を推定する、としたが、本発明はかかる例に限定されない。例えば、人の歩行時の特徴量の性質、および自動車の通行時の特徴量の性質をそれぞれ学習および識別することで、対象物が人なのか、または自動車なのか、を推定することも可能である。よって、対象物の動作が示す特徴量の性質を用いて、対象物が何かを識別してもよい。

１０ 移動物体
２０ ドップラーセンサ
３０ 推定装置
４０ 速度推定部
４１ 複素信号生成部
４２ 信号記憶部
４３ 周波数スペクトル算出部
４４ ピークスペクトル推定部
４５ ピークスペクトル記憶部
４６ 速度算出部
５０ 状態推定部
５１ 速度記憶部
５２ 状態検出部
６０ 動作推定部

Claims (19)

1. 対象物のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部と、
   前記周波数スペクトルの変化状態を記憶する変化状態記憶部と、
   前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部と、
   前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部と、
   を備える、推定装置。
2. 前記ピークスペクトル推定部は、前記変化状態が周期的に変化すると仮定して前記変化状態を更新する、請求項１に記載の推定装置。
3. 前記変化状態は、前記ピークスペクトルの周波数、ならびに前記変化状態の周期的な変化の性質である、請求項２に記載の推定装置。
4. 前記変化状態の周期的な変化の性質は、振幅、位相および周期である、請求項３に記載の推定装置。
5. 前記状態空間モデルはパーティクルフィルタであり、
   前記パーティクルフィルタは前記変化状態をパーティクルとする、請求項１〜４のいずれか一項に記載の推定装置。
6. 前記ピークスペクトル推定部は、前記パーティクルのもつ前記ピークスペクトルの周波数の分布が複数の山を持つ場合に前記パーティクルを群分けし、群ごとに前記ピークスペクトルの周波数を推定する、請求項５に記載の推定装置。
7. 直交検波により、前記ドップラー信号が２波得られる場合に前記対象物の移動方向を算出する移動方向算出部と、
   前記速度算出部により算出された前記対象物の速度および前記移動方向算出部により算出された前記対象物の移動方向の時系列変化を自己回帰モデルに適用し、適用結果を用いて前記対象物が定常状態にあるか非定常状態にあるかを推定する状態推定部と、
   をさらに備える、請求項１〜６のいずれか一項に記載の推定装置。
8. 前記状態推定部は、前記自己回帰モデルに基づいて予測した前記対象物の速度および移動方向と、前記速度算出部により算出された前記対象物の速度および前記移動方向算出部により算出された前記対象物の移動方向との差分に基づき、前記差分が所定の閾値を超えない場合に前記対象物が定常状態にあると推定し、前記差分が前記閾値を超えた場合に前記対象物が非定常状態にあると推定する、請求項７に記載の推定装置。
9. 前記ドップラー信号が１波得られる場合に前記速度算出部により算出された前記対象物の速度の時系列変化を自己回帰モデルに適用し、適用結果を用いて前記対象物が定常状態にあるか非定常状態にあるかを推定する状態推定部をさらに備える、請求項１〜６のいずれか一項に記載の推定装置。
10. 前記状態推定部は、前記自己回帰モデルに基づいて予測した前記対象物の速度と、前記速度算出部により算出された前記対象物の速度との差分に基づき、前記差分が所定の閾値を超えない場合に前記対象物が定常状態にあると推定し、前記差分が前記閾値を超えた場合に前記対象物が非定常状態にあると推定する、請求項９に記載の推定装置。
11. 前記状態推定部により前記対象物が非定常状態にあると推定された場合に、前記ドップラー信号より算出される特徴量の示す性質と前記対象物の所定動作を示す前記特徴量の性質との適合度に基づいて前記対象物の動作を推定する動作推定部をさらに備える、請求項７〜１０のいずれか一項に記載の推定装置。
12. 前記速度算出部は、前記速度算出部により算出された前記対象物の速度を用いて前記対象物の加速度を算出し、
    前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された前記対象物の加速度の時系列変化である、請求項１１に記載の推定装置。
13. 前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された前記対象物の速度の時系列変化である、請求項１１に記載の推定装置。
14. 前記ドップラー信号より算出される特徴量は、前記移動方向算出部により算出された前記対象物の移動方向の時系列変化を含む、請求項７を引用する請求項１２または１３のいずれか一項に記載の推定装置。
15. 前記ドップラー信号より算出される特徴量は、前記ピークスペクトル推定部により推定された前記ピークスペクトルの周波数の時系列変化である、請求項１１に記載の推定装置。
16. 前記ドップラー信号より算出される特徴量は、前記速度算出部により算出された速度の分布である、請求項１１に記載の推定装置。
17. 前記ドップラー信号より算出される特徴量は、前記ピークスペクトル推定部により推定されたピークスペクトルの周波数の分布である、請求項１１に記載の推定装置。
18. 対象物のドップラー信号から所定周期で周波数スペクトルを算出するステップと、
    前記周波数スペクトルの変化状態を記憶するステップと、
    前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するステップと、
    前記ピークスペクトルの周波数から前記対象物の速度を算出するステップと、
    を備える、推定方法。
19. コンピュータを、
    対象物のドップラー信号から所定周期で周波数スペクトルを算出する周波数スペクトル算出部と、
    前記周波数スペクトルの変化状態を記憶する変化状態記憶部と、
    前記周波数スペクトルならびに前時刻の前記変化状態に基づいて状態空間モデルにより前記変化状態を更新し、更新された前記変化状態に基づいて１つ以上のピークスペクトルの周波数を推定するピークスペクトル推定部と、
    前記ピークスペクトルの周波数から前記対象物の速度を算出する速度算出部と、
    を備える、推定装置
    として機能させるためのプログラム。

Images