JP2016170012A - Positioning device, method for positioning, positioning program, and positioning system - Google Patents
Positioning device, method for positioning, positioning program, and positioning system Download PDFInfo
- Publication number
- JP2016170012A JP2016170012A JP2015049411A JP2015049411A JP2016170012A JP 2016170012 A JP2016170012 A JP 2016170012A JP 2015049411 A JP2015049411 A JP 2015049411A JP 2015049411 A JP2015049411 A JP 2015049411A JP 2016170012 A JP2016170012 A JP 2016170012A
- Authority
- JP
- Japan
- Prior art keywords
- terminal
- information
- positioning
- sensor information
- learning model
- 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.)
- Granted
Links
Images
Landscapes
- Navigation (AREA)
- Traffic Control Systems (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
Description
本発明は、屋内での測位技術に関する。 The present invention relates to indoor positioning technology.
測位技術として、屋外では、GPS、準天頂衛星などに用いた高精度な測位技術が実現されている。一方、屋内では、Wi−Fi、BLE(Bluetooth Low Energy(登録商標))などを用いた測位技術が提案されている。 As a positioning technique, a high-precision positioning technique used for GPS, quasi-zenith satellites, and the like is realized outdoors. On the other hand, a positioning technique using Wi-Fi, BLE (Bluetooth Low Energy (registered trademark)) or the like has been proposed indoors.
また、複合的なデータを解析するための統計的機械学習が研究されている(非特許文献1)。 In addition, statistical machine learning for analyzing complex data has been studied (Non-Patent Document 1).
屋内では、Wi−FiまたはBLEなどを用いた測位技術が提案されているものの、屋外と比較して、高精度な測位技術が確立されていない。 Although a positioning technique using Wi-Fi or BLE has been proposed indoors, a highly accurate positioning technique has not been established as compared with the outdoors.
また、Wi−FiアクセスポイントまたはBLE発信機から発信され、端末で収集される電波の強度は、周囲の影響を受けて不安定であるため、1度の電波強度の収集から1回の測位十分な測位精度が得られない場合がある。 In addition, since the strength of radio waves transmitted from Wi-Fi access points or BLE transmitters and collected by terminals is unstable due to the influence of the surroundings, it is sufficient to perform one positioning from a single collection of radio wave strength. Accurate positioning accuracy may not be obtained.
また、電波は、周囲の状況(人の有無や移動など)に応じて絶えず変化しているため、1回の測定値または複数の測定値の中央値を用いても、十分な測位精度が得られない場合がある。 In addition, since radio waves constantly change according to the surrounding conditions (such as the presence or absence of people and movement), sufficient positioning accuracy can be obtained even if the median value of a single measured value or multiple measured values is used. It may not be possible.
本発明は上記事情に鑑みてなされたものであり、本発明の目的は、屋内において、端末の位置を高い精度で推定することにある。 The present invention has been made in view of the above circumstances, and an object of the present invention is to estimate the position of a terminal with high accuracy indoors.
上記課題を解決するために、第1の本発明は、屋内の端末の位置を測定する測位装置であって、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段と、前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成手段と、を備える。 In order to solve the above-described problem, a first aspect of the present invention is a positioning device that measures the position of an indoor terminal, wherein the terminal measures at least one of radio wave intensity and sound wave intensity measured in time series at a predetermined time. Receiving means for receiving the position information of the terminal from the terminal, and model generation means for generating a learning model using the sensor information and the position information as teacher data.
上記測位装置において、前記受信手段は、前記端末から当該端末の端末情報を受信し、前記モデル生成手段は、前記端末情報毎に前記学習モデルを生成する。 In the positioning device, the receiving unit receives terminal information of the terminal from the terminal, and the model generating unit generates the learning model for each terminal information.
上記測位装置において、前記受信手段は、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定手段を、さらに備える。 In the positioning device, the receiving unit receives a positioning request including the terminal information of the terminal and the sensor information, selects a learning model corresponding to the terminal information, and adds the sensor information to the selected learning model. Position estimation means for inputting and estimating the position of the terminal is further provided.
上記測位装置において、前記モデル生成手段は、前記位置推定手段が推定した位置情報に対する正解の位置情報を前記端末から受信し、前記正解の位置情報と前記測位要求の前記センサ情報とを教師データとして前記選択した学習モデルに入力し、前記学習モデルを更新する。 In the positioning device, the model generation unit receives correct position information for the position information estimated by the position estimation unit from the terminal, and uses the correct position information and the sensor information of the positioning request as teacher data. Input to the selected learning model and update the learning model.
上記測位装置において、前記モデル生成手段は、測位精度が所定の閾値以下の位置については、前記教師データを追加して前記学習モデルを更新する。 In the positioning device, the model generation unit updates the learning model by adding the teacher data for a position whose positioning accuracy is equal to or less than a predetermined threshold.
第2の本発明は、コンピュータが行う、屋内の端末の位置を測定する測位方法であって、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信ステップと、前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成ステップと、を行う。 2nd this invention is a positioning method which measures the position of the indoor terminal which a computer performs, Comprising: The sensor information containing at least 1 of the radio wave intensity and sound wave intensity which the said terminal measured in time series in predetermined time And a reception step of receiving the position information of the terminal from the terminal, and a model generation step of generating a learning model using the sensor information and the position information as teacher data.
第3の本発明は、コンピュータが実行する、屋内の端末の位置を測定する測位プログラムであって、前記コンピュータを、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段、および、前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成手段、として機能させる。 According to a third aspect of the present invention, there is provided a positioning program for measuring the position of an indoor terminal, which is executed by a computer, the computer having at least one of radio wave intensity and sound wave intensity measured in time series by the terminal at a predetermined time Sensor information including the information and the position information of the terminal from the terminal, and function as model generation means for generating a learning model using the sensor information and the position information as teacher data.
第4の本発明は、端末と、前記端末の屋内の位置を測定する測位装置と有する測位システムであって、前記端末は、屋内に配置された各発信機から送信される電波の電波強度および音波強度の少なくとも1つを含むセンサ情報を所定の時間において時系列に測定し、収集するセンサ情報収集手段と、前記端末の位置情報を収集する位置情報収集手段と、前記センサ情報と、前記位置情報とを、前記測位装置に送信する送信手段と、を備え、前記測位装置は、前記センサ情報と、前記位置情報とを、前記端末から受信する受信手段と、前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成手段と、を備える。 4th this invention is a positioning system which has a terminal and the positioning apparatus which measures the indoor position of the said terminal, Comprising: The said terminal is the field intensity of the electromagnetic wave transmitted from each transmitter arrange | positioned indoors, and Sensor information collecting means for measuring and collecting sensor information including at least one of sound wave intensity in a time series in a predetermined time, position information collecting means for collecting position information of the terminal, the sensor information, and the position Transmitting means for transmitting information to the positioning device, the positioning device receiving the sensor information and the position information from the terminal, the sensor information and the position information. Model generation means for generating a learning model for each terminal information as teacher data.
第5の本発明は、端末であって、屋内に配置された各発信機から送信される電波の電波強度および音波強度の少なくとも1つを含むセンサ情報を所定の時間において時系列に測定し、収集するセンサ情報収集手段と、前記端末の位置情報を収集する位置情報収集手段と、前記センサ情報と、前記位置情報とを、前記端末の屋内の位置を測定する測位装置に送信する送信手段と、を備える。 5th this invention is a terminal, Comprising: The sensor information containing at least one of the radio wave intensity | strength of the electromagnetic wave transmitted from each transmitter arrange | positioned indoors, and a sound wave intensity is measured in time series in predetermined time, Sensor information collecting means for collecting, position information collecting means for collecting position information of the terminal, transmission means for transmitting the sensor information and the position information to a positioning device for measuring the indoor position of the terminal; .
本発明によれば、屋内において、端末の位置を高い精度で推定することができる。 According to the present invention, the position of the terminal can be estimated with high accuracy indoors.
以下、本発明の実施の形態について説明する。 Embodiments of the present invention will be described below.
<第1の実施形態>
図1は、第1の実施形態における屋内位置測位システムの構成を示す機能ブロック図である。屋内位置測位システムは、測位サーバ1(測位装置)と、測位クライアント2(端末)とを備える。
<First Embodiment>
FIG. 1 is a functional block diagram showing the configuration of the indoor position positioning system in the first embodiment. The indoor positioning system includes a positioning server 1 (positioning device) and a positioning client 2 (terminal).
測位サーバ1は、屋内において、測位クライアント2が測定した電波強度または音波強度などのセンサ情報を受信し、機械学習によりセンサ情報と屋内における位置との関係を学習して学習モデルを生成する。また、測位サーバ1は、生成した学習モデルを用いて、測位クライアント2から受信したセンサ情報を入力として、当該測位クライアント2の位置を推定する。 The positioning server 1 receives sensor information such as radio wave intensity or sound wave intensity measured by the positioning client 2 indoors, learns the relationship between the sensor information and the indoor position by machine learning, and generates a learning model. In addition, the positioning server 1 estimates the position of the positioning client 2 by using the generated learning model and the sensor information received from the positioning client 2 as an input.
測位クライアント2は、屋内に設置された各種の発信機31−33から発信される各電波または各音波を受信し、当該電波または音波の発信元の発信機31−33のID(識別情報)と、電波強度または音波強度とをセンサ情報として収集し、測位サーバ1に送信する。 The positioning client 2 receives each radio wave or each sound wave transmitted from various transmitters 31-33 installed indoors, and the ID (identification information) of the transmitter 31-33 from which the radio wave or sound wave is transmitted. The radio wave intensity or the sound wave intensity is collected as sensor information and transmitted to the positioning server 1.
図1に示す測位クライアント2は、センサ情報収集部21と、学習用位置情報収集部22と、端末情報収集部23とを備える。なお、測位クライアント2には、例えば、スマートフォンなどの携帯端末を用いることができる。
The positioning client 2 shown in FIG. 1 includes a sensor
センサ情報収集部21は、Wi−Fiの電波、BLEの電波、音波などを受信し、当該電波または音波の送信元を示すIDと、電波強度または音波強度とを、センサ情報として測定し、収集する。
The sensor
なお、BLEの電波は、複数のBLE発信機31からそれぞれ発信されるビーコン信号であり、Wi−Fiの電波は、複数のWi−Fi発信機32(例えば、Wi−Fiアクセスポイント)からそれぞれ発信されるビーコン信号である。音波は、複数の音波発信機33からそれぞれ発信される、人には聞こえない音波(超音波)である。
The BLE radio wave is a beacon signal transmitted from each of the plurality of
図2に示すように、発信機31−33から発信される電波および音波は、周囲の状況(人の有無や移動など)に応じて絶えず変化している。そのため、任意の時点におけるある発信機(図示する例では、BLE−A)からの電波強度として、どの時点の値をセンサ値として採用するかが問題となる。また、図2に示すように、各時点における電波(または音波)は、大きく変化しているので、平均値または中央値を採用しても測位精度を期待できない。 As shown in FIG. 2, the radio waves and sound waves transmitted from the transmitters 31-33 are constantly changing according to the surrounding situation (the presence or absence of a person, movement, etc.). Therefore, it becomes a problem which value at which time point is adopted as the sensor value as the radio wave intensity from a certain transmitter (BLE-A in the illustrated example) at an arbitrary time point. Further, as shown in FIG. 2, the radio wave (or sound wave) at each time point changes greatly, so that positioning accuracy cannot be expected even if the average value or the median value is adopted.
そのため、本実施形態では、センサ情報収集部21は、Wi−Fiの電波、BLEの電波、音波などを、所定の時間において時系列に受信し、当該電波または音波の送信元を示すIDと、所定の時間の電波強度または音波強度の時系列データとを、センサ情報として測定し、収集する。
Therefore, in this embodiment, the sensor
図3は、センサ情報収集部21が収集した時系列データであるセンサ情報の一例を示すものである。図示する例では、測位クライアント2が、所定の時間において測定したBLE発信機Aから発信された電波の電波強度、BLE発信機Bから発信された電波の電波強度などが示されている。
FIG. 3 shows an example of sensor information that is time-series data collected by the sensor
本実施形態では、各発信機から送信される電波の電波強度または音波の音波強度の時系列データをセンサ値として収集し、測位サーバ1に送信することで、測位サーバ1は、電波間、電波―音波間、音波間の相関関係を維持しつつ、ノイズを除去し、より高い測位精度の学習モデルを生成する。 In the present embodiment, the positioning server 1 collects the time series data of the radio wave intensity or the sound wave intensity of the sound wave transmitted from each transmitter as a sensor value and transmits it to the positioning server 1. -While maintaining the correlation between sound waves, eliminate noise and generate a learning model with higher positioning accuracy.
学習用位置情報収集部22は、測位クライアント2の屋内における現在位置(正解の位置)を、学習用位置情報として収集・取得する。なお、学習用位置情報は、例えば、測位クライアント2を使用するユーザが入力することなどが考えられる。
The learning position
端末情報収集部23は、測位クライアント2の端末情報(機種情報)を収集・取得する。端末情報は、測位クライアント2のOS種別、OSバージョン、機種名、ベンダなどである。なお、端末情報は、測位クライアント2の図示しない記憶部にあらかじめ記憶されているものとする。
The terminal
送信部24は、学習モデル生成時(学習時)においては、センサ情報収集部21が収集したセンサ情報と、学習用位置情報収集部22が収集した学習用位置情報と、端末情報収集部23が収集した端末情報とを、測位サーバ1に送信する。また、送信部24は、学習モデル利用時(測位要求時)には、センサ情報収集部21が収集したセンサ情報と、端末情報収集部23が収集した端末情報とを含む測位要求を、測位サーバ1に送信する。
When the learning model is generated (during learning), the
受信部25は、測位要求に対して、測位サーバ1が推定した当該測位クライアント2の位置情報を受信する。
The receiving
図1に示す測位サーバ1は、受信部11と、モデル生成部12と、モデルDB13と、位置推定部14と、送信部15とを備える。
The positioning server 1 shown in FIG. 1 includes a receiving
受信部11は、学習モデル生成時においては、センサ情報と、学習用位置情報と、端末情報とを、測位クライアント2から受信する。また、受信部11は、モデル利用時(位置推定時)には、センサ情報と、端末情報とを含む測位要求を、測位クライアント2から受信する。
The receiving
センサ情報は、測位クライアント2が所定の時間において測定し、収集したWi−Fi、BLEなどの電波および/または音波の送信元を示すIDと、電波強度または音波強度の時系列データである。学習用位置情報は、測位クライアント2の現在位置である。端末情報は、測位クライアント2のOS種別、OSバージョン、機種名、ベンダなどである。 The sensor information is an ID indicating a transmission source of radio waves and / or sound waves such as Wi-Fi, BLE and the like measured and collected by the positioning client 2 and time series data of the radio wave intensity or the sound wave intensity. The learning position information is the current position of the positioning client 2. The terminal information includes the OS type, OS version, model name, vendor, etc. of the positioning client 2.
モデル生成部12は、測位クライアント2から受信した情報に基づいて、測位クライアント2の位置を推定するための学習モデルを生成・更新する。すなわち、モデル生成部12は、センサ情報および学習位置情報を教師データとして、端末情報毎に学習モデルを生成する。学習モデルは、あるセンサ情報が入力された場合に、推定される測位クライアント2の位置を出力するモデル(関数)であり、本実施形態では、測位クライアント2の端末情報毎に生成される。
The
本実施形態では、屋内の各地点で測位クライアント2が測定した各電波の電波強度および/または各音波の音波強度の時系列データをそれぞれ組み合わせて、多次元相関関係分析手法を用いて解析し学習モデルを生成する。これにより、本実施形態では、状況の変化に頑強な測位を実現することができる。 In the present embodiment, the time series data of each radio wave intensity and / or each sound wave intensity measured by the positioning client 2 at each indoor point is combined and analyzed using a multidimensional correlation analysis method. Generate a model. Thereby, in this embodiment, positioning robust to the change of a situation is realizable.
学習モデルを生成する機械学習の例としては、例えば、非特許文献1に記載の「Non−Negative Multiple Matrix Factorization(NMMF)」を用いた多次元機械学習技術、「Self−Organizing Incremental Neural Network(SOINN)」、「Deep Natural Networks(DNN)」などを用いることができる。 As an example of machine learning that generates a learning model, for example, a multi-dimensional machine learning technique using “Non-Negative Multiple Matrix Factorization (NMMF)” described in Non-Patent Document 1, “Self-Organizing Incremental Natural Network (NSO)” ) "," Deep Natural Networks (DNN) ", and the like.
例えば、センサ情報には、以下に示すように、各電波または各音波について、発信機のIDと、電波強度または音波強度の時系列データとが、ペアで設定されている。
「(BLE発信機A:電波強度a1,a2,a3,・・・)、(BLE発信機B:電波強度b1,b2,b3,・・・)、(BLE発信機C:電波強度c1,c2,c3,・・・)、(Wi−Fi発信機A:電波強度d1,d2,d3,・・・)、(Wi−Fi発信機B:電波強度e1,e2,e3,・・・)、(Wi−Fi発信機C:電波強度f1,f2,f3,・・・)、(音波発信機A:電波強度g1,g2,g3,・・・)」
本実施形態では、測位サーバ1は、各発信機から送信される電波の電波強度または音波の音波強度の時系列データ(センサ値)を教師データとして用いることで、電波間、電波―音波間、音波間の相関関係を維持しつつ、ノイズを除去し、より高い測位精度の学習モデルを生成することができる。
For example, in the sensor information, as shown below, for each radio wave or each sound wave, a transmitter ID and time series data of the radio wave intensity or the sound wave intensity are set in pairs.
“(BLE transmitter A: radio wave intensity a1, a2, a3,...), (BLE transmitter B: radio wave intensity b1, b2, b3,...), (BLE transmitter C: radio wave intensity c1, c2 , C3,..., (Wi-Fi transmitter A: radio wave intensity d1, d2, d3,...), (Wi-Fi transmitter B: radio wave intensity e1, e2, e3,...), (Wi-Fi transmitter C: radio wave intensity f1, f2, f3,...) (Sound wave transmitter A: radio wave intensity g1, g2, g3,...) ”
In the present embodiment, the positioning server 1 uses time series data (sensor values) of radio wave intensity or sound wave intensity of radio waves transmitted from each transmitter as teacher data, so that radio waves, radio waves-sound waves, While maintaining the correlation between sound waves, noise can be removed and a learning model with higher positioning accuracy can be generated.
図4は、地点Pにおける、教師データのセンサ情報を多次元のグラフにマッピングしたものである。図示する例では、多次元相関関係分析手法を用いて、各発信機からの電波または音波の相関関係を維持しつつ、ハズレ値(ノイズ)を除去することができる。図4に示す「○」は、あるクラスタに属するセンサ情報を示し、点線で囲まれた領域外の「○」はハズレ値(ノイズ)である。 FIG. 4 is a diagram in which the sensor information of the teacher data at the point P is mapped to a multidimensional graph. In the illustrated example, the loss value (noise) can be removed using the multidimensional correlation analysis method while maintaining the correlation between radio waves or sound waves from each transmitter. “◯” shown in FIG. 4 indicates sensor information belonging to a certain cluster, and “◯” outside the area surrounded by the dotted line is a loss value (noise).
なお、特定の発信機の電波の電波強度または音波の音波強度が欠落した場合は、当該欠落した電波または音波の分布における平均値を用いるものとする。 When the radio wave intensity of a specific transmitter or the sound wave intensity of a sound wave is missing, an average value in the distribution of the missing radio wave or sound wave is used.
なお、センサ情報は、電波強度および音波強度の少なくとも1つを含むものであり、電波強度のみでもよく、あるいは、音波強度のみでもよい。 The sensor information includes at least one of the radio wave intensity and the sound wave intensity, and may include only the radio wave intensity or only the sound wave intensity.
モデルDB13には、モデル生成部12が生成した学習モデルが、端末情報毎に格納される。
The
位置推定部14は、モデルDB13に格納された、測位クライアント2から受信した端末情報に対応する学習モデルを用いて、測位クライアント2から受信したセンサ情報を入力として、測位クライアント2の位置を推定する。すなわち、位置推定部14は、端末情報に対応する学習モデルをモデルDB13から選択し、選択した学習モデルにセンサ情報を入力し、当該学習モデルの出力を前記端末の位置として推定する。
The
なお、受信した端末情報に対応する学習モデルがモデルDB13に存在しない場合、当該端末情報に類似する端末情報(例えば、OSや機種が同じ端末情報)の学習モデルを用いて位置を推定する。
In addition, when the learning model corresponding to the received terminal information does not exist in the
送信部15は、位置推定部14が推定した測位クライアント2の位置を、測位クライアント2に送信する。
The
上記説明した測位サーバ1および測位クライアント2は、例えば、CPUと、メモリと、ハードディスク等の外部記憶装置などを備えた汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、CPUがメモリ上にロードされた所定のプログラムを実行することにより、各装置の各機能が実現される。例えば、測位サーバ1および測位クライアント2の各機能は、測位サーバ1用のプログラムの場合は測位サーバ1のCPUが、そして、測位クライアント2用のプログラムの場合は測位クライアント2のCPUが、それぞれ実行することにより実現される。 As the positioning server 1 and the positioning client 2 described above, for example, a general-purpose computer system including a CPU, a memory, and an external storage device such as a hard disk can be used. In this computer system, each function of each device is realized by the CPU executing a predetermined program loaded on the memory. For example, each function of the positioning server 1 and the positioning client 2 is executed by the CPU of the positioning server 1 in the case of the program for the positioning server 1, and by the CPU of the positioning client 2 in the case of the program for the positioning client 2, respectively. It is realized by doing.
また、測位サーバ1用のプログラムおよび測位クライアント2用のプログラムは、ハードディスク、フレキシブルディスク、CD−ROM、MO、DVD−ROMなどのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。 Further, the program for the positioning server 1 and the program for the positioning client 2 can be stored in a computer-readable recording medium such as a hard disk, a flexible disk, a CD-ROM, an MO, a DVD-ROM, or distributed via a network. You can also
次に、本実施形態の処理について説明する。 Next, the processing of this embodiment will be described.
図5は、測位サーバ1が学習モデルを生成・更新する処理の流れを示すフローチャートである。 FIG. 5 is a flowchart showing a flow of processing in which the positioning server 1 generates and updates a learning model.
測位サーバ1の受信部11は、測位クライアント2から、時系列データであるセンサ情報、学習用位置情報および端末情報を受信する(ステップS11)。
The receiving
モデル生成部12は、受信した端末情報に対応する学習モデル(測位クライアント2に対応する学習モデル)がモデルDB13に存在するか否かを判別する(ステップS12)。
The
受信した端末情報に対応する学習モデルが存在する場合(ステップS12:YES)、モデル生成部12は、当該学習モデルを選択する(ステップS13)。
When there is a learning model corresponding to the received terminal information (step S12: YES), the
受信した端末情報に対応する学習モデルが存在しない場合(ステップS12:NO)、モデル生成部12は、当該端末情報に対応する初期学習モデルを生成する(ステップS14)。ここでは、モデル生成部12は、モデルDB13に存在する学習モデルのうち、受信した端末情報と最も類似する端末情報の学習モデルを流用して、初期学習モデルとする。例えば、機種およびOSが同じで、OSバージョンが最も近い端末情報の学習モデルを、最も類似する端末情報の学習モデルとして流用することが考えられる。
When there is no learning model corresponding to the received terminal information (step S12: NO), the
モデル生成部12は、測位クライアント2から受信したセンサ情報および学習用位置情報を教師データとして、ステップS13またはS14で選択・生成した学習モデルに入力し、センサ情報を入力とした場合に、学習用位置情報が出力される(正解となる)ように学習モデルを生成・更新する(ステップS15)。
The
図6は、測位サーバ1が測位クライアント2の位置を推定する処理の流れを示すフローチャートである。 FIG. 6 is a flowchart showing a flow of processing in which the positioning server 1 estimates the position of the positioning client 2.
測位サーバ1の受信部11は、測位クライアント2から、センサ情報および端末情報を含む測位要求を受信する(ステップS21)。
The receiving
位置推定部14は、受信した端末情報に対応する学習モデルがモデルDB13に存在するか否かを判別する(ステップS22)。
The
受信した端末情報に対応する学習モデルが存在する場合(ステップS22:YES)、位置推定部14は、当該学習モデルを選択する(ステップS23)。
When the learning model corresponding to the received terminal information exists (step S22: YES), the
受信した端末情報に対応する学習モデルが存在しない場合(ステップS22:NO)、位置推定部14は、汎用の学習モデルを選択する(ステップS24)。ここでは、位置推定部14は、モデルDB13に存在する学習モデルのうち、受信した端末情報と最も類似する端末情報の学習モデルを、汎用学習モデルとして選択することとしてもよい。
When there is no learning model corresponding to the received terminal information (step S22: NO), the
位置推定部14は、ステップS23またはS24で選択した学習モデルに、測位クライアント2から受信したセンサ情報を入力して、測位クライアント2の位置を推定する(ステップS25)。
The
送信部15は、位置推定部14が推定した位置の位置情報を測位クライアント2に送信する(ステップS26)。
The
<第2の実施形態>
第2の実施形態は、CGM(Consumer Generated Media)的に学習モデルの教師データを収集するものである。
<Second Embodiment>
In the second embodiment, teacher data of a learning model is collected in a CGM (Consumer Generated Media) manner.
前述の第1の実施形態では、学習モデル生成時においてのみ学習用位置情報を収集し、学習モデルを生成・更新することとした。これに対し、本実施形態では、学習モデル利用時(位置推定時)においても、測位クライアント2のユーザが入力した正解の位置情報を収集し、学習モデルを更新する。 In the first embodiment described above, the learning position information is collected only when the learning model is generated, and the learning model is generated and updated. On the other hand, in this embodiment, even when the learning model is used (position estimation), correct position information input by the user of the positioning client 2 is collected and the learning model is updated.
本実施形態の構成については、第1の実施形態(図1)と同様であるため、ここでは説明を省略する。 Since the configuration of this embodiment is the same as that of the first embodiment (FIG. 1), description thereof is omitted here.
図7は、本実施形態における、測位サーバ1が測位クライアント2の位置を推定する処理の流れを示すフローチャートである。 FIG. 7 is a flowchart showing a flow of processing in which the positioning server 1 estimates the position of the positioning client 2 in the present embodiment.
図7に示すステップS31〜S35は、図6に示す処理のステップS21〜S25と同じであるため、ここでは、説明を省略する。 Steps S31 to S35 shown in FIG. 7 are the same as steps S21 to S25 of the process shown in FIG.
ステップS36で、送信部15は、位置推定部14が推定した位置の位置情報を測位クライアント2に送信する。本実施形態では、送信部15は、推定した位置情報とともに、測位対象の屋内を示す画像データを測位クライアント2に送信する。測位クライアント2は、送信された画像データを表示する。
In step S <b> 36, the
図8(a)は、測位クライアント2のディスプレイに表示される画像データの一例である。図示する画像データには、測位サーバ1が推定した推定位置「×」が、設定されている。なお、画像データは、位置推定部14が生成するものとする。
FIG. 8A is an example of image data displayed on the display of the positioning client 2. In the illustrated image data, an estimated position “×” estimated by the positioning server 1 is set. The image data is generated by the
測位クライアント2のユーザは、画像データの推定位置「×」が、自ら認識する正解位置と異なる場合、図8(b)に示すように、自分が認識する正解位置「○」を画像データ上で入力し、図示しない学習ボタンをクリックする。測位クライアント2の学習用位置情報収集部22は、ユーザが入力した正解位置の位置情報を、送信部24を介して、測位サーバ1に送信する。
When the estimated position “×” of the image data is different from the correct position recognized by the user of the positioning client 2, as shown in FIG. 8B, the correct position “◯” recognized by the user of the positioning client 2 is displayed on the image data. Enter and click the Learn button (not shown). The learning position
測位サーバ1のモデル生成部12は、受信部11を介して、推定した位置情報に対する正解位置の位置情報を受信する(ステップS37)。
The
モデル生成部12は、受信した正解位置の位置情報と、S31で受信した測位要求のセンサ情報とを教師データとして、ステップS33またはS34で選択または生成した学習モデルに入力し、当該学習モデルを更新する(ステップS38)。すなわち、モデル生成部12は、センサ情報を入力とした場合に、正解位置の位置情報が出力されるように学習モデルを更新する。
The
このように、本実施形態では、測位要求を行ったユーザが自ら認識する正解位置の情報を収集し、教師データとして学習モデルを更新することで、学習モデルを精緻化することができる。 As described above, in this embodiment, the learning model can be refined by collecting information on the correct position recognized by the user who has made the positioning request and updating the learning model as teacher data.
<第3の実施形態>
第3の実施形態は、測位精度が悪い地点に対して、追加学習を行う実施形態である。
<Third Embodiment>
The third embodiment is an embodiment in which additional learning is performed on a point with poor positioning accuracy.
図9に示すように、屋内には、壁、机、観葉植物などの物体が配置されており、測位環境は一律ではない。そのため、多数の教師データを要する地点(測位精度が悪い地点)と、少数の教師データでも十分な地点(測位精度が良い地点)とが存在する。図示する例では、各学習地点の中で、壁などの物体の近傍の地点が、測位精度が悪い地点として示されている。 As shown in FIG. 9, objects such as walls, desks, and foliage plants are placed indoors, and the positioning environment is not uniform. Therefore, there are points that require a lot of teacher data (points with poor positioning accuracy) and points that have a small amount of teacher data (points with good positioning accuracy). In the illustrated example, among the learning points, points in the vicinity of an object such as a wall are indicated as points with poor positioning accuracy.
本実施形態では、精度が悪い地点については、さらに教師データを収集し、学習モデルに入力して追加学習させて、当該地点における学習モデルの精度を向上させる。 In the present embodiment, the teacher data is further collected for a point with low accuracy and input to the learning model for additional learning to improve the accuracy of the learning model at the point.
本実施形態の構成については、第1の実施形態(図1)と同様であるため、ここでは説明を省略する。 Since the configuration of this embodiment is the same as that of the first embodiment (FIG. 1), description thereof is omitted here.
本実施形態では、学習モデルの生成後、各地点において、推定した位置の精度を算出する。例えば、図9に示す、各学習地点×において、測位サーバ1は、学習モデルを用いて推定した位置と、測位クライアント2が実際にいる位置(学習地点×)との差に基づいて精度を算出し、精度が閾値以下の場合、追加学習を行うものとする。 In the present embodiment, after the learning model is generated, the accuracy of the estimated position is calculated at each point. For example, at each learning point x shown in FIG. 9, the positioning server 1 calculates accuracy based on the difference between the position estimated using the learning model and the position where the positioning client 2 is actually located (learning point x). However, if the accuracy is less than or equal to the threshold value, additional learning is performed.
図10は、本実施形態における測位サーバ1が、各学習地点×において、追加学習を行うか否かの判定処理の流れを示すフローチャートである。 FIG. 10 is a flowchart showing a flow of determination processing for determining whether or not the positioning server 1 according to the present embodiment performs additional learning at each learning point x.
図10に示すステップS41〜S45は、図6に示す処理のステップS21〜S25と同じであるため、ここでは、説明を省略する。 Steps S41 to S45 shown in FIG. 10 are the same as steps S21 to S25 of the process shown in FIG.
ステップS46で、位置推定部14は、推定した位置と、測位クライアント2が実際にいる学習地点との差(誤差)を算出し、当該差を用いて精度を算出する。なお、差が小さいほど精度は高くなり、差が大きいほど精度は低くなるように算出する。
In step S46, the
そして、位置推定部14は、算出した精度が所定の閾値以下か否かを判別し(ステップS47)、閾値以下の地点については、追加学習を行う(ステップS48)。
Then, the
すなわち、所定の閾値以下の地点については、当該地点において、図2に示すモデル作成処理を所定回数、繰り返し行うことで、モデル生成部12は、追加の教師データを学習モデルに入力し、学習モデルを更新する。
That is, for a point that is equal to or less than a predetermined threshold, the
図11(a)は、測位精度が良い地点Pにおける、教師データのセンサ情報を多次元のグラフにマッピングしたものである。図11(a)では、教師データが少なくても、クラスタが比較的明確であり、これにより、学習モデルの測位精度が高いことを示している。 FIG. 11A is a diagram in which the sensor information of teacher data at a point P with good positioning accuracy is mapped to a multidimensional graph. FIG. 11A shows that the cluster is relatively clear even if the teacher data is small, and thus the positioning accuracy of the learning model is high.
一方、図11(b)は、測位精度が悪い地点Qにおいて、追加学習後の教師データのセンサ情報を多次元のグラフにマッピングしたものである。図11(b)では、追加学習により教師データの数が増えることで、クラスタの境界が明確になり、学習モデルの測位精度が向上する。 On the other hand, FIG. 11B is a diagram in which the sensor information of the teacher data after additional learning is mapped to a multidimensional graph at the point Q where the positioning accuracy is poor. In FIG.11 (b), when the number of teacher data increases by additional learning, the boundary of a cluster becomes clear and the positioning accuracy of a learning model improves.
なお、図11に示す「○」は、あるクラスタ(図示する例では、BLE−A,BLE−B, Wi−Fi−α)における教師データであって、「×」は、他のクラスタにおける教師データを示すものである。クラスタは、少なくとも1つの所定のIDの発信機から送信される電波および/または音波の組み合わせ毎に、生成される。 Note that “◯” shown in FIG. 11 is the teacher data in a certain cluster (BLE-A, BLE-B, Wi-Fi-α in the illustrated example), and “×” is the teacher data in another cluster. Data is shown. A cluster is generated for each combination of radio waves and / or sound waves transmitted from at least one transmitter having a predetermined ID.
以上説明した第1から第3の実施形態では、測位サーバ1は、測位クライアント2が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、測位クライアント2の位置情報とを、測位クライアント2から受信し、センサ情報および位置情報を教師データとして、学習モデルを生成する。本実施形態では、測位クライアント2が所定の時間において時系列に測定したセンサ情報を教師データとして用いることで、各発信機からの電波または音波の相関関係を維持しつつ、ハズレ値(ノイズ)を除去し、状況の変化に頑強な学習モデルを生成することができる。 In the first to third embodiments described above, the positioning server 1 includes the sensor information including at least one of the radio wave intensity and the sound wave intensity measured in time series by the positioning client 2 at a predetermined time, and the positioning client 2 The position information is received from the positioning client 2, and a learning model is generated using the sensor information and the position information as teacher data. In the present embodiment, the sensor information measured in time series by the positioning client 2 at a predetermined time is used as teacher data, so that the loss value (noise) is obtained while maintaining the correlation between radio waves or sound waves from each transmitter. Remove and generate learning models that are robust to changing circumstances.
また、第1から第3の実施形態では、測位サーバ1は、測位クライアント2の端末情報と、測位クライアント2が測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、測位クライアント2の位置情報とを、測位クライアント2から受信し、センサ情報および位置情報を教師データとして、端末情報毎に学習モデルを生成する。本実施形態では、測位クライアント2のOS種別や機種など、測位に影響を与える端末情報毎に、学習モデルを生成するため、屋内であっても、より精度の高い測位を行うことができる。 In the first to third embodiments, the positioning server 1 includes the terminal information of the positioning client 2, sensor information including at least one of the radio wave intensity and the sound wave intensity measured by the positioning client 2, and the positioning client 2. Position information is received from the positioning client 2, and a learning model is generated for each terminal information using the sensor information and the position information as teacher data. In this embodiment, since a learning model is generated for each terminal information that affects positioning, such as the OS type and model of the positioning client 2, positioning with higher accuracy can be performed even indoors.
また、第2の実施形態では、学習モデルの利用時(位置推定時)においても、測位要求を行ったユーザが入力した正解の位置情報を収集し、学習モデルを更新する。これにより、学習モデルの利用時においても、学習モデルを更新し、より精緻化することができる。 In the second embodiment, even when the learning model is used (position estimation), correct position information input by the user who has made the positioning request is collected and the learning model is updated. Thereby, even when the learning model is used, the learning model can be updated and further refined.
また、第3の実施形態では、測位精度が悪い地点については、教師データを追加して、追加学習を行い、学習モデルを更新する。これにより、もともと測位精度が悪い地点であっても、測位精度を向上させることができる。 In the third embodiment, for points with poor positioning accuracy, teacher data is added, additional learning is performed, and the learning model is updated. Thereby, even if it is a point where positioning accuracy is originally bad, positioning accuracy can be improved.
なお、本発明は上記の実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。 In addition, this invention is not limited to said embodiment, Many deformation | transformation are possible within the range of the summary.
例えば、上記実施形態では、測位サーバ1は、測位クライアント2から受信した端末情報を用いて、端末情報毎に学習モデルを生成することとしたが、本発明はこれに限定されるものではことなく、測位クライアント2は、端末情報を送信せず、測位サーバ1は、各測位クライアント2に共通する汎用的な学習モデルを生成することとしてもよい。 For example, in the above embodiment, the positioning server 1 uses the terminal information received from the positioning client 2 to generate a learning model for each terminal information. However, the present invention is not limited to this. The positioning client 2 may not transmit terminal information, and the positioning server 1 may generate a general-purpose learning model common to the positioning clients 2.
1 :測位サーバ
11:受信部
12:モデル生成部
13:モデルDB
14:位置推定部
15:送信部
2 :測位クライアント
21:センサ情報収集部
22:学習用位置情報収集部
23:端末情報収集部
24:送信部
25:受信部
1: positioning server 11: receiving unit 12: model generating unit 13: model DB
14: Position estimation unit 15: Transmission unit 2: Positioning client 21: Sensor information collection unit 22: Learning position information collection unit 23: Terminal information collection unit 24: Transmission unit 25: Reception unit
上記課題を解決するために、第1の本発明は、屋内の端末の位置を測定する測位装置であって、前記端末の端末情報と、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段と、前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成手段と、を備え、前記受信手段は、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定手段を、さらに備える。 In order to solve the above-described problem, a first aspect of the present invention is a positioning device that measures the position of an indoor terminal, and the terminal information of the terminal and the radio wave intensity measured in time series by the terminal at a predetermined time. And receiving means for receiving sensor information including at least one of sound wave intensity and position information of the terminal from the terminal, and using the sensor information and the position information as teacher data , a learning model for each terminal information. Model generating means for generating , wherein the receiving means receives a positioning request including the terminal information of the terminal and the sensor information, selects a learning model corresponding to the terminal information, and selects the selected learning model The apparatus further includes position estimation means for inputting the sensor information to estimate the position of the terminal.
第2の本発明は、コンピュータが行う、屋内の端末の位置を測定する測位方法であって、前記端末の端末情報と、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信ステップと、前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成ステップと、を行い、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定ステップを、さらに行う。 The second aspect of the present invention is a positioning method for measuring the position of an indoor terminal, which is performed by a computer, the terminal information of the terminal, and the radio wave intensity and sound wave intensity measured in time series by the terminal in a predetermined time. A reception step of receiving sensor information including at least one and position information of the terminal from the terminal, and model generation for generating a learning model for each terminal information using the sensor information and the position information as teacher data a step, stomach line, and the terminal information of the terminal, receives a positioning request including said sensor information, select the learning model corresponding to the terminal information, enter the sensor information to the selected learning model, A position estimating step for estimating the position of the terminal is further performed.
第3の本発明は、コンピュータが実行する、屋内の端末の位置を測定する測位プログラムであって、前記コンピュータを、前記端末の端末情報と、前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段、および、前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成手段、として機能させ、前記受信手段は、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定手段、としてさらに機能させる。 A third aspect of the present invention is a positioning program for measuring the position of an indoor terminal, which is executed by a computer, the computer comprising the terminal information of the terminal and radio waves measured in time series at a predetermined time by the terminal. A receiving means for receiving sensor information including at least one of intensity and sound wave intensity and position information of the terminal from the terminal, and learning for each terminal information using the sensor information and the position information as teacher data Functioning as model generation means for generating a model , wherein the reception means receives a positioning request including the terminal information of the terminal and the sensor information, selects a learning model corresponding to the terminal information, and selects The sensor information is input to the learning model and further functions as position estimation means for estimating the position of the terminal.
第4の本発明は、端末と、前記端末の屋内の位置を測定する測位装置と有する測位システムであって、前記端末は、前記端末の端末情報を収集する端末情報収集手段と、屋内に配置された各発信機から送信される電波の電波強度および音波強度の少なくとも1つを含むセンサ情報を所定の時間において時系列に測定し、収集するセンサ情報収集手段と、前記端末の位置情報を収集する位置情報収集手段と、前記端末情報と、前記センサ情報と、前記位置情報とを、前記測位装置に送信する送信手段と、を備え、前記測位装置は、前記端末情報と、前記センサ情報と、前記位置情報とを、前記端末から受信する受信手段と、前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成手段と、を備え、前記受信手段は、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定手段を、さらに備える。 4th this invention is a positioning system which has a terminal and the positioning apparatus which measures the indoor position of the said terminal, Comprising: The said terminal is arrange | positioned indoors, the terminal information collection means which collects the terminal information of the said terminal Sensor information collecting means for measuring and collecting sensor information including at least one of radio wave intensity and sound wave intensity of each radio wave transmitted from each transmitter in a predetermined time, and collecting position information of the terminal Transmitting position information collecting means, transmitting the terminal information, the sensor information, and the position information to the positioning device, wherein the positioning device includes the terminal information, the sensor information, Receiving means for receiving the position information from the terminal; and model generating means for generating a learning model for each terminal information using the sensor information and the position information as teacher data. For example, the receiving means includes a terminal information of the terminal, receives a positioning request including said sensor information, select the learning model corresponding to the terminal information, enter the sensor information to the selected learning model, Position estimation means for estimating the position of the terminal is further provided .
上記測位装置において、前記モデル生成手段は、多次元相関関係分析手法を用いて、各発信機から発信される電波および音波の相関関係を維持しつつ、ノイズ除去し、学習モデルを生成する。 In the above positioning device, the model generation means uses a multidimensional correlation analysis technique to remove noise while maintaining the correlation between radio waves and sound waves transmitted from each transmitter, and generates a learning model.
学習モデルを生成する機械学習の例としては、例えば、非特許文献1に記載の「Non−Negative Multiple Matrix Factorization(NMMF)」を用いた多次元機械学習技術、「Self−Organizing Incremental Neural Network(SOINN)」、「Deep Neural Networks(DNN)」などを用いることができる。 As an example of machine learning that generates a learning model, for example, a multi-dimensional machine learning technique using “Non-Negative Multiple Matrix Factorization (NMMF)” described in Non-Patent Document 1, “Self-Organizing Incremental Natural Network (NSO)” ) "," Deep Neural Networks (DNN) ", and the like.
Claims (9)
前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段と、
前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成手段と、を備えること
を特徴とする測位装置。 A positioning device that measures the position of an indoor terminal,
Receiving means for receiving, from the terminal, sensor information including at least one of radio wave intensity and sound wave intensity measured in time series by the terminal at a predetermined time; and position information of the terminal;
And a model generation means for generating a learning model using the sensor information and the position information as teacher data.
前記受信手段は、前記端末から当該端末の端末情報を受信し、
前記モデル生成手段は、前記端末情報毎に前記学習モデルを生成すること
を特徴とする測位装置。 The positioning device according to claim 1,
The receiving means receives terminal information of the terminal from the terminal;
The positioning device is characterized in that the model generation means generates the learning model for each terminal information.
前記受信手段は、前記端末の端末情報と、前記センサ情報とを含む測位要求を受信し、
前記端末情報に対応する学習モデルを選択し、選択した学習モデルに前記センサ情報を入力し、前記端末の位置を推定する位置推定手段を、さらに備えること
を特徴とする測位装置。 The positioning device according to claim 2,
The receiving means receives a positioning request including terminal information of the terminal and the sensor information,
A positioning apparatus, further comprising: a position estimation unit that selects a learning model corresponding to the terminal information, inputs the sensor information to the selected learning model, and estimates a position of the terminal.
前記モデル生成手段は、前記位置推定手段が推定した位置情報に対する正解の位置情報を前記端末から受信し、前記正解の位置情報と前記測位要求の前記センサ情報とを教師データとして前記選択した学習モデルに入力し、前記学習モデルを更新すること
を特徴とする測位装置。 The positioning device according to claim 3, wherein
The model generation means receives correct position information for the position information estimated by the position estimation means from the terminal, and the selected learning model uses the correct position information and the sensor information of the positioning request as teacher data. And the learning model is updated.
前記モデル生成手段は、測位精度が所定の閾値以下の位置については、前記教師データを追加して前記学習モデルを更新すること
を特徴とする測位装置。 The positioning device according to any one of claims 1 to 4, wherein:
The model generation means updates the learning model by adding the teacher data for a position whose positioning accuracy is a predetermined threshold value or less.
前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信ステップと、
前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成ステップと、を行うこと
を特徴とする測位方法。 A positioning method for measuring the position of an indoor terminal performed by a computer,
Receiving the sensor information including at least one of the radio wave intensity and the sound wave intensity measured in time series by the terminal at a predetermined time, and the position information of the terminal from the terminal;
And a model generation step of generating a learning model using the sensor information and the position information as teacher data.
前記コンピュータを、
前記端末が所定の時間において時系列に測定した電波強度および音波強度の少なくとも1つを含むセンサ情報と、前記端末の位置情報とを、前記端末から受信する受信手段、および、
前記センサ情報および前記位置情報を教師データとして、学習モデルを生成するモデル生成手段、として機能させること
を特徴とする測位プログラム。 A positioning program for measuring the position of an indoor terminal executed by a computer,
The computer,
Receiving means for receiving, from the terminal, sensor information including at least one of radio wave intensity and sound wave intensity measured in time series by the terminal at a predetermined time; and position information of the terminal;
A positioning program that functions as model generation means for generating a learning model using the sensor information and the position information as teacher data.
前記端末は、
屋内に配置された各発信機から送信される電波の電波強度および音波強度の少なくとも1つを含むセンサ情報を所定の時間において時系列に測定し、収集するセンサ情報収集手段と、
前記端末の位置情報を収集する位置情報収集手段と、
前記センサ情報と、前記位置情報とを、前記測位装置に送信する送信手段と、を備え、
前記測位装置は、
前記センサ情報と、前記位置情報とを、前記端末から受信する受信手段と、
前記センサ情報および前記位置情報を教師データとして、前記端末情報毎に学習モデルを生成するモデル生成手段と、を備えること
を特徴とする測位システム。 A positioning system having a terminal and a positioning device that measures the indoor position of the terminal,
The terminal
Sensor information collecting means for measuring and collecting sensor information including at least one of radio wave intensity and sound wave intensity of radio waves transmitted from each transmitter disposed indoors in a predetermined time series;
Position information collecting means for collecting position information of the terminal;
Transmission means for transmitting the sensor information and the position information to the positioning device,
The positioning device is
Receiving means for receiving the sensor information and the position information from the terminal;
And a model generation unit that generates a learning model for each of the terminal information using the sensor information and the position information as teacher data.
屋内に配置された各発信機から送信される電波の電波強度および音波強度の少なくとも1つを含むセンサ情報を所定の時間において時系列に測定し、収集するセンサ情報収集手段と、
前記端末の位置情報を収集する位置情報収集手段と、
前記センサ情報と、前記位置情報とを、前記端末の屋内の位置を測定する測位装置に送信する送信手段と、を備えること
を特徴とする端末。 A terminal,
Sensor information collecting means for measuring and collecting sensor information including at least one of radio wave intensity and sound wave intensity of radio waves transmitted from each transmitter disposed indoors in a predetermined time series;
Position information collecting means for collecting position information of the terminal;
A terminal comprising: transmission means for transmitting the sensor information and the position information to a positioning device that measures an indoor position of the terminal.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015049411A JP6093792B2 (en) | 2015-03-12 | 2015-03-12 | POSITIONING DEVICE, POSITIONING METHOD, POSITIONING PROGRAM, AND POSITIONING SYSTEM |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015049411A JP6093792B2 (en) | 2015-03-12 | 2015-03-12 | POSITIONING DEVICE, POSITIONING METHOD, POSITIONING PROGRAM, AND POSITIONING SYSTEM |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016170012A true JP2016170012A (en) | 2016-09-23 |
JP6093792B2 JP6093792B2 (en) | 2017-03-08 |
Family
ID=56982348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015049411A Active JP6093792B2 (en) | 2015-03-12 | 2015-03-12 | POSITIONING DEVICE, POSITIONING METHOD, POSITIONING PROGRAM, AND POSITIONING SYSTEM |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6093792B2 (en) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018055638A (en) * | 2016-09-30 | 2018-04-05 | 株式会社Nttドコモ | Determination device |
JP2018113517A (en) * | 2017-01-06 | 2018-07-19 | 株式会社バサイ | Imaging apparatus for automatically imaging subject |
JP2018124439A (en) * | 2017-02-01 | 2018-08-09 | 株式会社デンソー | Capability evaluation system and capability evaluation device |
JP2018147081A (en) * | 2017-03-02 | 2018-09-20 | 本田技研工業株式会社 | Moving body control system |
JP2018152063A (en) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | Device, method, and program for evaluating learning results |
JP6480042B1 (en) * | 2018-02-05 | 2019-03-06 | ソフトバンク株式会社 | Information processing apparatus and program |
KR20200033694A (en) * | 2018-09-20 | 2020-03-30 | 에스케이텔레콤 주식회사 | Positioning model generation device and terminal positioning device, control method thereof |
JP2021144316A (en) * | 2020-03-10 | 2021-09-24 | ヤフー株式会社 | Information processing device, terminal device, information processing system, information processing method, terminal control method, information processing program, and terminal control program |
JP7036271B1 (en) | 2021-09-15 | 2022-03-15 | トヨタ自動車株式会社 | Model management device and model management method |
WO2022102069A1 (en) * | 2020-11-12 | 2022-05-19 | 日本電信電話株式会社 | Information output system, information output method, estimation device, and program |
WO2022101996A1 (en) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | Model use control system, model use control method, model use control device, and model use control program |
WO2023026471A1 (en) * | 2021-08-27 | 2023-03-02 | 日本電信電話株式会社 | Position estimation device, position estimation method, and position estimation program |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1094040A (en) * | 1996-03-22 | 1998-04-10 | Matsushita Electric Ind Co Ltd | Mobile radio communication system and position detection method for mobile station |
JPH10136436A (en) * | 1996-11-01 | 1998-05-22 | Matsushita Electric Ind Co Ltd | Learning data collecting device for radio mobile station position detection |
JP2007139748A (en) * | 2005-11-17 | 2007-06-07 | Korea Electronics Telecommun | Complementary device and method for navigation map |
JP2010060419A (en) * | 2008-09-03 | 2010-03-18 | Ntt Docomo Inc | System, method and program for managing database |
JP2013050325A (en) * | 2011-08-30 | 2013-03-14 | Dainippon Printing Co Ltd | Location detection system, terminal device, and location detection program |
JP2013053930A (en) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | System, method, and program for locating article |
US20130079039A1 (en) * | 2008-11-13 | 2013-03-28 | Timo Heikkilae | Method and system for refining accuracy of location positioning |
JP2013205170A (en) * | 2012-03-28 | 2013-10-07 | Sony Corp | Information processing device, information processing method, and program |
WO2014033874A1 (en) * | 2012-08-30 | 2014-03-06 | 株式会社日立製作所 | Apparatus for indicating measurement position and method for indicating measurement position |
-
2015
- 2015-03-12 JP JP2015049411A patent/JP6093792B2/en active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1094040A (en) * | 1996-03-22 | 1998-04-10 | Matsushita Electric Ind Co Ltd | Mobile radio communication system and position detection method for mobile station |
JPH10136436A (en) * | 1996-11-01 | 1998-05-22 | Matsushita Electric Ind Co Ltd | Learning data collecting device for radio mobile station position detection |
JP2007139748A (en) * | 2005-11-17 | 2007-06-07 | Korea Electronics Telecommun | Complementary device and method for navigation map |
JP2010060419A (en) * | 2008-09-03 | 2010-03-18 | Ntt Docomo Inc | System, method and program for managing database |
US20130079039A1 (en) * | 2008-11-13 | 2013-03-28 | Timo Heikkilae | Method and system for refining accuracy of location positioning |
JP2013050325A (en) * | 2011-08-30 | 2013-03-14 | Dainippon Printing Co Ltd | Location detection system, terminal device, and location detection program |
JP2013053930A (en) * | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | System, method, and program for locating article |
JP2013205170A (en) * | 2012-03-28 | 2013-10-07 | Sony Corp | Information processing device, information processing method, and program |
WO2014033874A1 (en) * | 2012-08-30 | 2014-03-06 | 株式会社日立製作所 | Apparatus for indicating measurement position and method for indicating measurement position |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018055638A (en) * | 2016-09-30 | 2018-04-05 | 株式会社Nttドコモ | Determination device |
JP2018113517A (en) * | 2017-01-06 | 2018-07-19 | 株式会社バサイ | Imaging apparatus for automatically imaging subject |
JP2018124439A (en) * | 2017-02-01 | 2018-08-09 | 株式会社デンソー | Capability evaluation system and capability evaluation device |
JP2018147081A (en) * | 2017-03-02 | 2018-09-20 | 本田技研工業株式会社 | Moving body control system |
JP2018152063A (en) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | Device, method, and program for evaluating learning results |
JP7097195B2 (en) | 2017-03-14 | 2022-07-07 | オムロン株式会社 | Learning result identification device, learning result identification method, and its program |
JP6480042B1 (en) * | 2018-02-05 | 2019-03-06 | ソフトバンク株式会社 | Information processing apparatus and program |
JP2019135817A (en) * | 2018-02-05 | 2019-08-15 | ソフトバンク株式会社 | Information processing device and program |
KR102169291B1 (en) * | 2018-09-20 | 2020-10-23 | 에스케이텔레콤 주식회사 | Positioning model generation device and terminal positioning device, control method thereof |
KR20200033694A (en) * | 2018-09-20 | 2020-03-30 | 에스케이텔레콤 주식회사 | Positioning model generation device and terminal positioning device, control method thereof |
JP2021144316A (en) * | 2020-03-10 | 2021-09-24 | ヤフー株式会社 | Information processing device, terminal device, information processing system, information processing method, terminal control method, information processing program, and terminal control program |
JP7091382B2 (en) | 2020-03-10 | 2022-06-27 | ヤフー株式会社 | Information processing device, terminal device, information processing system, information processing method, terminal control method, information processing program, and terminal control program |
WO2022101996A1 (en) * | 2020-11-10 | 2022-05-19 | 日本電信電話株式会社 | Model use control system, model use control method, model use control device, and model use control program |
JP7481654B2 (en) | 2020-11-10 | 2024-05-13 | 日本電信電話株式会社 | MODEL USE CONTROL SYSTEM, MODEL USE CONTROL METHOD, MODEL USE CONTROL DEVICE, AND MODEL USE CONTROL PROGRAM |
WO2022102069A1 (en) * | 2020-11-12 | 2022-05-19 | 日本電信電話株式会社 | Information output system, information output method, estimation device, and program |
WO2023026471A1 (en) * | 2021-08-27 | 2023-03-02 | 日本電信電話株式会社 | Position estimation device, position estimation method, and position estimation program |
JP7036271B1 (en) | 2021-09-15 | 2022-03-15 | トヨタ自動車株式会社 | Model management device and model management method |
JP2023043082A (en) * | 2021-09-15 | 2023-03-28 | トヨタ自動車株式会社 | Model management device and model management method |
Also Published As
Publication number | Publication date |
---|---|
JP6093792B2 (en) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6093792B2 (en) | POSITIONING DEVICE, POSITIONING METHOD, POSITIONING PROGRAM, AND POSITIONING SYSTEM | |
JP6093791B2 (en) | POSITIONING DEVICE, POSITIONING METHOD, POSITIONING PROGRAM, AND POSITIONING SYSTEM | |
Zou et al. | An online sequential extreme learning machine approach to WiFi based indoor positioning | |
US10003913B2 (en) | System and method for device positioning with bluetooth low energy distributions | |
US20200036611A1 (en) | Method and apparatus for warning | |
Ozer et al. | Improving the accuracy of bluetooth low energy indoor positioning system using kalman filtering | |
US10565860B1 (en) | Offline tuning system for detecting new motion zones in a motion detection system | |
TWI461082B (en) | System and method for effectively populating a mesh network model | |
JP6168527B2 (en) | Position estimation system, position estimation method, program | |
Bajo et al. | Self-organizing architecture for information fusion in distributed sensor networks | |
US10356744B2 (en) | Node localization method and device | |
de Blasio et al. | Beacon-related parameters of bluetooth low energy: development of a semi-automatic system to study their impact on indoor positioning systems | |
Miyagusuku et al. | Precise and accurate wireless signal strength mappings using Gaussian processes and path loss models | |
US11252485B2 (en) | Integration of transducer data collection | |
Herrero et al. | Fuzzy mobile-robot positioning in intelligent spaces using wireless sensor networks | |
Castañón–Puga et al. | A novel hybrid intelligent indoor location method for mobile devices by zones using Wi-Fi signals | |
JP2011075505A (en) | Position calculation device, position calculation method, and position calculation program | |
Hachem et al. | Urban Civics: An IoT middleware for democratizing crowdsensed data in smart societies | |
CN109041093B (en) | Blind signal source power position joint estimation method and system | |
US20210166082A1 (en) | Data analysis system and data analysis method | |
JP6481787B1 (en) | Device selection apparatus, data set selection apparatus, device selection method and program | |
JPWO2019244434A1 (en) | Information processing equipment, information processing methods and programs | |
CN110636525B (en) | Credibility perception-based data transmission control method suitable for 5G network | |
CN106611100B (en) | User behavior analysis method and device | |
CN111194000B (en) | Distance measurement method and system based on Bluetooth fusion hybrid filtering and neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160726 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160921 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20170124 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20170213 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6093792 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |