JP2017003348A - 位置推定方法、位置推定装置、及び位置推定プログラム - Google Patents

Abstract

【課題】環境に適したデバイスフリーパッシブ屋内位置推定の位置推定モデルを低コストで構築することができる位置推定方法、位置推定装置、及び位置推定プログラムを提供する。
【解決手段】分散モデル作成部２２が、転移元の環境における電波信号を送信する送信部の設置位置と前記電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、人物が通過位置で通過したときの受信部で受信した電波信号の電波強度の分散値との関係を示す分散モデルを複数の第１リンク毎に作成し、転移部２４が、複数の第１リンクの分散モデルの中から、分散モデルの特徴が、転移先の環境の第２リンクと類似する第１リンクの分散モデルを選択し、選択した分散モデルを第２リンクの分散モデルに転移させ、学習部２６が、第２リンクを人物が通過した場合に人物の通過位置を推定するための位置推定モデルを構築して学習し、推定部２８が、人物が通過した第２リンクにおける通過位置を推定する。
【選択図】図１

Description

本発明は、位置推定方法、位置推定装置、及び 位置推定プログラムに係り、特に、電波信号を用いて人物の通過位置を推定する位置推定方法、位置推定装置、及び 位置推定プログラムに関する。

Ｗｉ−Ｆｉ電波信号を用いた一般的な屋内位置推定技術では、位置推定のである人物が常に電波信号の受信機を持ち歩く必要がある。そのため、この技術は、独居高齢者の見守りのような常に人物の位置を捕捉し続けるようなアプリケーションには向いていない。そこで、近年、電波信号の受信機を身に着けていない人物の位置を推定する技術である屋内位置推定手法デバイスフリーパッシブ屋内位置推定技術の研究が注目されている。

非特許文献１には、デバイスフリーパッシブ屋内位置推定技術の学習フェーズにおいて各参照点に人物が立った場合の電波強度を環境内に固定された受信機によって収集する技術が開示されている。この技術における推定フェーズでは、電波強度のベクトルｓが与えられた場合に下記（１）式で表されるベイズの定理を用いて条件付確率Ｐ（ｌ｜ｓ）が最大となる位置を人物の位置ｌとして推定する。また、条件付確率Ｐ（ｓ｜ｌ）のモデル化手法として、ガウス分布、ヒストグラム、ガウスカーネルを比較している。

非特許文献２には、デバイスフリーパッシブ屋内位置推定技術において、異なる窓幅を持つ時間窓によって電波強度の移動平均及び移動分散を計算し、電波強度の短時間の変化と長期間の変化によって環境内に人物がいるか否かを検出する技術が開示されている。

非特許文献３には、デバイスフリーパッシブ屋内位置推定技術において、電波強度の移動平均及び移動分散を計算する手法を実環境において評価し、受信機の数、時間窓のサイズ等の様々なパラメータの影響を調査した結果が開示されている。

非特許文献４には、デバイスフリーパッシブ屋内位置推定技術において、ユーザがどの参照点にいるかを決定するために、線形判別分析や非線形判別分析、ユークリッド距離による分類といった判別分類器を用いる技術が開示されている。

非特許文献５には、Ｍａｔｌａｂ内のｆａｓｔｓｍｏｏｔｈ関数を実行することで電波強度を平滑化し、信号強度のノイズを除去する技術が開示されている。

非特許文献６には、デバイスフリーパッシブ屋内位置推定技術の近年の研究において、環境の変化に対応するために生の電波強度情報の代わりに電波強度の分散値を用いる技術が開示されている。

Kosba, A. E., Abdelkader, A., & Youssef, M. (2009, December). Analysis of a device-free passive tracking system in typical wireless environments. In New Technologies, Mobility and Security (NTMS), 2009 3rd International Conference on (pp. 1-5). IEEE. Youssef, M., Mah, M., & Agrawala, A. (2007, September). Challenges: device-free passive localization for wireless environments. In Proceedings of the 13th annual ACM international conference on Mobile computing and networking (pp. 222-229). ACM. Seifeldin, M., Saeed, A., Kosba, A. E., El-Keyi, A., & Youssef, M. (2013). Nuzzer: A large-scale device-free passive localization system for wireless environments. Mobile Computing, IEEE Transactions on, 12(7), 1321-1334. Xu, C., Firner, B., Zhang, Y., Howard, R., Li, J., & Lin, X. (2012, April). Improving rf-based device-free passive localization in cluttered indoor environments through probabilistic classification methods. In Proceedings of the 11th international conference on Information Processing in Sensor Networks (pp. 209-220). ACM. Deak, G., Curran, K., Condell, J., & Londonderry, U. K. (2010). Device-free passive localization using RSSI-based wireless network nodes. In PGNeT 2010-The Eleventh Annual Postgraduate Symposium on the Convergence of Telecommunications, Networking and Broadcasting (pp. 241-246). Paul, A. S., Wan, E. A., Adenwala, F., Schafermeyer, E., Preiser, N., Kaye, J., & Jacobs, P. G. (2014, September). MobileRF: A robust device-free tracking system based on a hybrid neural network HMM classifier. In Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing (pp. 159-170). ACM.

上述したデバイスフリーパッシブ屋内位置推定を行う場合、屋内位置推定モデルを学習するために、位置推定の対象 とする環境（以下、「対象 環境」という。）における様々な場所で人物が学習用データを取得する必要がある。そのため、デバイスフリーパッシブ屋内位置推定を行う際には、システムの導入にかかるコストが大きくなってしまう。

また、人物の家で学習データを収集する際、人物がスマートフォンのような機器に自身の位置座標を幾度も入力する必要があるため、特に人物が高齢者であった場合等には、人物の負担が大きく実用的ではない。また、家具を動かす等により電波信号の送受信機間の電波強度が変化した場合には、電波強度の分散値を計算することでは送受信機間の人の通過を検出することができなくなってしまう。この場合には、人物が学習用データを再度取得する必要がある。そのため、対象 環境が変化した場合においても、位置推定モデルの学習時における人物の負担が軽減されることが望ましい。

本発明は、以上のような事情に鑑みてなされたものであり、環境に適したデバイスフリーパッシブ屋内位置推定の位置推定モデルを低コストで構築することができる位置推定方法、位置推定装置、及び位置推定プログラムを提供することを目的とする。

上記目的を達成するために、本発明の位置推定方法は、分散モデル作成部、転移部、学習部、及び推定部を備えた位置推定装置における位置推定方法であって、前記分散モデル作成部が、転移元の環境における電波信号を送信する送信部の設置位置と前記電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、前記人物が前記通過位置で通過したときの前記受信部で受信した前記電波信号の電波強度の分散値との関係を示す分散モデルを複数の前記第１リンク毎に作成するステップと、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記分散モデルの特徴が、転移先の環境における前記送信部の設置位置と前記受信部の設置位置とを結んだ第２リンクと類似する前記第１リンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２リンクの前記分散モデルに転移させるステップと、前記学習部が、前記転移された前記第２リンクの前記分散モデルに基づいて、前記第２リンクを前記人物が通過した場合に前記人物の通過位置を推定するための位置推定モデルを構築して学習するステップと、前記推定部が、前記転移先の環境における前記受信部で受信した前記電波信号の電波強度の分散値と、前記位置推定モデルとに基づいて、前記人物が通過した前記第２リンクにおける前記通過位置を推定するステップと、を含む。

なお、前記学習部が前記位置推定モデルを構築して学習するステップは、前記学習部が、前記転移部により選択された前記第１リンクにおける、前記人物が通過したときの前記受信部で受信した前記電波信号の電波強度の分散値と、前記人物が通過していないときの前記受信部で受信した前記電波信号の電波強度の分散値とに基づいて、前記第２リンクを前記人物が通過したか否かを判定するための通過判定モデルを学習するステップを更に含むようにしても良い。

また、前記第１リンクは、前記転移元の環境の間取り図に基づいて、前記送信部の設置位置と前記受信部の設置位置とを結んだ前記第１リンクを、壁により区切った複数の第１サブリンクを含み、前記第２リンクは、前記転移先の環境の間取り図に基づいて、前記送信部の設置位置と前記受信部の設置位置とを結んだ前記第２リンクを、壁により区切った複数の第２サブリンクを含み、前記分散モデル作成部が前記分散モデルを作成するステップは、前記複数の第１サブリンク毎に前記分散モデルを作成し、前記転移部が前記分散モデルを転移させるステップは、前記複数の第２サブリンク毎に、前記第２サブリンクと類似する前記第１サブリンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２サブリンクの前記分散モデルに転移させ、前記学習部が前記位置推定モデルを構築して学習するステップは、前記複数の第２サブリンク毎に、前記位置推定モデルを構築して学習するようにしても良い。

また、前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記第１リンクの両端の特徴が前記第２リンクの両端の特徴に類似する前記第１リンクの前記分散モデルを選択するステップを含むようにしても良い。

また、前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記第１リンクにおける前記送信部と前記受信部との間に配置された壁の数が、前記第２リンクにおける前記送信部と前記受信部との間に配置された壁の数に類似する前記第１リンクの前記分散モデルを選択するステップを含むようにしても良い。

また、前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記人物が前記第１リンクを通過した場合の前記電波強度の分散値の分布が、前記人物が前記第２リンクを通過した場合の前記電波強度の分散値の分布に類似する前記第１リンクの前記分散モデルを選択するステップを含むようにしても良い。

本発明の位置推定装置は、転移元の環境における電波信号を送信する送信部の設置位置と前記電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、前記人物が前記通過位置で通過したときの前記受信部で受信した前記電波信号の電波強度の分散値との関係を示す分散モデルを複数の前記第１リンク毎に作成する分散モデル作成部と、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記分散モデルの特徴が、転移先の環境における前記送信部の設置位置と前記受信部の設置位置とを結んだ第２リンクと類似する前記第１リンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２リンクの前記分散モデルに転移させる転移部と、前記転移された前記第２リンクの前記分散モデルに基づいて、前記第２リンクを前記人物が通過した場合に前記人物の通過位置を推定するための位置推定モデルを構築して学習する学習部と、前記転移先の環境における前記受信部で受信した前記電波信号の電波強度の分散値と、前記位置推定モデルとに基づいて、前記人物が通過した前記第２リンクにおける前記通過位置を推定する推定部と、を備える。

本発明の位置推定プログラムは、コンピュータを、上記位置推定方法の各ステップとして機能させるプログラムである。

本発明によれば、環境に適したデバイスフリーパッシブ屋内位置推定の位置推定モデルを低コストで構築することができる、という効果が得られる。

実施形態に係る位置推定装置の構成を示すブロック図である。 実施形態に係る位置推定装置の記憶部を示す模式図である。 実施形態に係る第１間取り図の一例を示す模式図である。 実施形態に係る第２間取り図の一例を示す模式図である。 実施形態に係るアクセスポイント及び 受信部を３ｍの距離だけ離間させて配置した際に、人がアクセスポイント及び 受信部間を通過した時の電波強度の分散値の時系列データの一例を示す模式図である。 実施形態に係る第１間取り図の一例を示す模式図である。 実施形態に係る第２間取り図の一例を示す模式図である。 実施の形態に係る位置推定装置により実行される位置推定処理の全体の流れを示すフローチャートである。 実施の形態に係る位置推定装置により実行される前処理のサブルーチンの流れを示すフローチャートである。 実施の形態に係る位置推定装置により実行されるモデル作成処理のサブルーチンの流れを示すフローチャートである。 実施の形態に係る位置推定装置により実行される転移処理のサブルーチンの流れを示すフローチャートである。 実施の形態に係る位置推定装置により実行される学習処理のサブルーチンの流れを示すフローチャートである。 実施の形態に係る位置推定装置により実行される推定処理のサブルーチンの流れを示すフローチャートである。

以下、図面を参照して、本実施形態に係る位置推定装置を説明する。なお、本実施形態では、建物を対象 環境とすると共に、建物の間取りが変化することにより対象 環境が変化する場合を想定する。以下、変化前の対象 環境を「転移元の環境」といい、変化後の対象 環境を「転移先の環境」という。また、本実施形態では、屋内位置推定によって独居高齢者を見守るアプリケーションを想定し、対象 環境内に１人の人物がいる場合の人物の位置を推定する。

本実施形態に係る位置推定装置１０は、図１に示すように、対象 環境内において人物の位置を推定する位置推定処理に必要となる各種情報を不揮発性メモリに記憶する記憶部１８を有する。また、位置推定装置１０は、電波信号の受信部で受信された電波信号の前処理を行う前処理部２０を有する。

また、位置推定装置１０は、転移元の環境における電波信号を送信する送信部の設置位置と電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、人物がその通過位置で通過したときの受信部で受信した電波信号の電波強度の分散値との関係を示す分散モデルを複数の第１リンク毎に作成する分散モデル作成部２２を有する。

また、位置推定装置１０は、複数の第１リンク毎に作成した第１リンクの分散モデルの中から、分散モデルの特徴が、転移先の環境における送信部の設置位置と受信部の設置位置とを結んだ第２リンクと類似する第１リンクの分散モデルを選択し、選択した分散モデルを第２リンクの分散モデルに転移させる転移部２４を有する。

また、位置推定装置１０は、転移された第２リンクの分散モデルに基づいて、第２リンクを人物が通過した場合に人物の通過位置を推定するための位置推定モデルを構築して学習する学習部２６を有する。なお、学習部２６は、転移部２４により選択された第１リンクにおける、人物が通過したときの受信部で受信した電波信号の電波強度の分散値と、人物が通過していないときの受信部で受信した電波信号の電波強度の分散値とに基づいて、第２リンクを人物が通過したか否かを判定するための通過判定モデルを学習する。さらに、位置推定装置１０は、転移先の環境における受信部で受信した電波信号の電波強度の分散値と、位置推定モデルとに基づいて、人物が通過した第２リンクにおける通過位置を推定する推定部２８を有する。

記憶部１８には、一例として図２に示すように、電波信号の送信部であるＷｉ−Ｆｉのアクセスポイントと電波信号の受信部との位置関係を含めた転移元の環境の第１間取り図を示す第１間取り図情報１８Ａが記憶されている。また、記憶部１８には、同様に電波信号の送信部であるＷｉ−Ｆｉのアクセスポイントと受信部との位置関係を含めた転移先の環境の第２間取り図を示す第２間取り図情報１８Ｂが記憶されている。

一例として図３に示すように、第１間取り図によると、転移元の環境では、建物３０Ａの内部に壁３４で区切られた複数の部屋３２Ａ乃至３２Ｃが設けられている。また、転移元の環境では、建物３０Ａの中央付近に電波信号の送信部であるＷｉ−Ｆｉのアクセスポイント３６が設置されている。さらに、転移元の環境では、アクセスポイント３６から送信された電波信号を受信する複数の受信部３８Ａ乃至３８Ｅ（以下、受信部を特定しない場合には、単に受信部３８と称する場合がある。）が設置されている。なお、転移元の環境では、アクセスポイント３６及び 受信部３８Ｅが部屋３２Ａ乃至３２Ｃの外部に設けられ、受信部３８Ａが部屋３２Ａに設けられ、受信部３８Ｂ及び ３８Ｃが部屋３２Ｂに設けられ、受信部３８Ｄが部屋３２Ｃに設けられている。

一例として図４に示すように、第２間取り図によると、転移先の環境では、転移元の環境と同様に、建物３０Ｂの内部に壁３４で区切られた複数の部屋３２Ａ乃至３２Ｃが設けられている。また、転移先の環境では、転移元の環境と同様に、建物３０Ａの中央付近に電波信号の送信部であるＷｉ−Ｆｉのアクセスポイント３６、及び、受信部３８Ａ乃至３８Ｅが設置されている。なお、転移先の環境でも、アクセスポイント３６及び 受信部３８Ｅが部屋３２Ａ乃至３２Ｃの外部に設けられ、受信部３８Ａが部屋３２Ａに設けられ、受信部３８Ｂ及び ３８Ｃが部屋３２Ｂに設けられ、受信部３８Ｄが部屋３２Ｃに設けられている。

本実施形態では、転移前の環境における建物３０Ａと転移後の環境における建物３０Ｂとで、内部の部屋３２Ａの位置が異なる場合を想定している。一例として図３及び図４に示すように、転移元の環境における部屋３２Ａの位置が、転移先の環境では右方向にずれた位置となっている。本実施形態では、転移元の環境と転移先の環境との異なる点が部屋３２Ａの位置のみである場合について説明するが、これに限らず、建物３０Ａと建物３０Ｂとが間取りが全く異なる建物であっても良い。

また、記憶部１８には、一例として図２に示すように、位置情報が付加された転移元の環境における受信部３８Ａ〜３８Ｅにより観測された電波強度情報である第１電波強度情報１８Ｃが受信部３８毎に記憶されている。また、記憶部１８には、位置情報が付加されていない転移先の環境における受信部３８Ａ〜３８Ｅにより観測された電波強度情報である第２電波強度情報１８Ｄが受信部３８毎に記憶されている。さらに、記憶部１８には、転移元の環境での人物が対象 環境内にいない時に受信部３８Ａ〜３８Ｅにより観測された電波強度情報である第３電波強度情報１８Ｅ、及び、転移先の環境での人が対象 環境内にいない時に受信部３８Ａ〜３８Ｅにより観測された電波強度情報である第４電波強度情報１８Ｆが受信部３８毎に記憶されている。

なお、ここでいう位置情報は、対象 環境内を人物が移動した軌跡情報であり、時刻と人物の位置とが対応付けられた情報である。この位置情報から、人物がアクセスポイント３６と受信部３８との間のどの座標をどの時刻に通過したかが判別される。また、ここでいう電波強度情報は、受信部３８で得られた電波強度の時系列データである。

本実施形態に係る位置推定装置１０は、例えばＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、後述する位置推定処理プログラム等を含む各種プログラムを記憶するＲＯＭ（Read Only Memory）を備えたコンピュータ装置で構成される。なお、ＲＯＭに代えて不揮発性メモリを用いてもよい。また、位置推定装置１０を構成するコンピュータは、ハードディスクドライブ又は不揮発性メモリ等の記憶部を備えていてもよい。また、ハードディスクドライブ等の記憶部にＣＰＵが実行するプログラムが記憶されていてもよい。ＣＰＵがＲＯＭやハードディスク等の記憶部に記憶されているプログラムを読み出して実行することにより、上記のハードウェア資源とプログラムとが協働し、以下に説明する機能が実現される。

また、本実施形態に係る位置推定装置１０は、アクセスポイント３６に設けられていても良く、アクセスポイントに接続されていても良い。これらの場合には、受信部３８は、受信した電波信号の電波強度情報をアクセスポイント３６に転送する。そして、位置推定装置１０は、アクセスポイント３６に転送された電波強度情報と、後述する位置推定モデルとに基づいて、人物の通過位置を受信部３８毎に推定する。

以下では、前処理部２０による処理段階を前処理フェーズ、分散モデル作成部２２による処理段階をモデル作成フェーズ、転移部２４による処理段階を転移フェーズ、学習部２６による処理段階を学習フェーズ、及び推定部２８による処理段階を推定フェーズとする。以下、各フェーズについて詳細に説明する。

［前処理フェーズ］

前処理部２０は、受信部３８で受信した電波強度情報を取得すると、電波強度の分散値として、電波強度の時系列データを０．１秒毎に平均した平均値を算出する。また、前処理部２０は、電波強度の時系列データに窓幅１秒の時間窓を設定し、時間窓毎に、０．１秒毎の平均値に基づいて電波強度の分散値を算出する。また、前処理部２０は、時間窓を９０％オーバーラップさせつつ時間窓を移動させ、すなわち時間窓を０．１秒分ずつ移動させながら電波強度の分散値を算出する。前処理部２０は、このようにして電波強度情報に前処理を行い、干渉等の影響が緩和された電波強度の分散値の時系列データを作成する。なお、分散モデル作成部２２、転移部２４、学習部２６及び推定部２８では、前処理部２０により前処理が行われた電波強度情報が使用される。また、前処理フェーズは、受信部３８Ａ〜３８Ｅの各々から受信した電波強度情報の各々について実行される。

図５に、アクセスポイント３６及び受信部３８を３ｍの距離だけ離間させて配置した際に、人物がアクセスポイント３６と受信部３８との間を通過した時の電波強度の分散値の時系列データを通過位置毎に示した。一例として図５に示すように、電波強度の分散値は、時系列に沿って変化する。

［モデル作成フェーズ］

分散モデル作成部２２は、転移元の環境において、アクセスポイント３６の設置位置と各受信部３８の設置位置とを結んだリンク４０Ａ乃至４０Ｅ（第１リンク）毎に、人物の通過位置と電波強度の分散値との関係を表す分散モデルを作成する。以下、リンクを特定しない場合には、単に「リンク４０」と称する場合がある。

一例として図５に示すように、電波強度の分散値は、人物がアクセスポイント３６と受信部３８との間を通過した場合、通過していない場合と比較して高くなるが、その際、人物の通過位置によって各々異なっていることがわかる。具体的には、人物がアクセスポイント３６と受信部３８との間の様々な位置を通過した場合、人物がアクセスポイント３６又は受信部３８に近い位置を通過するほど電波強度が大きくなる。これは、人物がアクセスポイント３６と受信部３８との間において、アクセスポイント３６又は受信部３８に近付くほど、受信部３８により受信される電波信号が人体によって遮蔽されるためである。そのため、本実施形態では、作成対象 とする分散モデルとして、アクセスポイント３６又は受信部３８の位置で分散値が最大となる分散モデル、すなわち後述する混合数２の混合ガウス関数を作成する。

また、アクセスポイント３６と受信部３８との間に壁３４が存在する場合、同じリンク４０上であっても、壁３４で区切られた領域毎に電波強度の分散の特徴が大きく変わってくる。そのため、本実施形態では、一例として図６及び図７に示すように、リンク４０上に壁が設けられている場合、リンク４０を壁３４で区切ったサブ区間であるサブリンク４２Ａ１、４２Ａ２乃至４２Ｅ（第１サブリンク）毎に、分散モデルを作成する。以下、サブリンクを特定しない場合には、単に「サブリンク４２」と称する場合がある。なお、壁３４の配置情報は、上述した第１間取り図及び第２間取り図から得られる。

例えば、図３に示す転移元の環境におけるアクセスポイント３６と受信部３８Ａとの間のリンク４０Ａについては、図６に示すように、壁３４で区切られたサブリンク４２Ａ１の分散モデルと、サブリンク４２Ａ２の分散モデルとを別個に作成する。一方、図３に示す転移元のアクセスポイント３６と受信部３８Ｅとの間のリンク４０Ｅは、壁３４で区切られていないため、リンク４０Ｅをそのままサブリンク４２Ｅとする。なお、リンク４０上に２つ以上の壁が配置されている場合は、各々の壁で区切られた３つ以上のサブリンク４２毎にそれぞれ分散モデルを作成する。

また、図３に示す転移元のリンク４０Ａと、図４に示す転移先のリンク４０Ｆとは、リンク４０の距離及び壁３４のリンク４０上での配置位置が各々異なっている。従って、図６に示す転移元のリンク４０Ａが壁３４で区切られたサブリンク４２Ａ１及び ４２Ａ２と、図７に示す転移先のリンク４０Ｆが壁３４で区切られたサブリンク４２Ｆ１及び ４２Ｆ２は、当然異なったものとなる。

電波強度の分散値ｖ（ｘ）とサブリンク４２上の通過位置ｘ［ｍ］との関係を表現する分散モデルとして、下記（２）式で定義される混合数２の混合ガウス関数を用いる。（２）式における通過位置ｘは、サブリンク４２の片端（例えば、アクセスポイント３６）から通過位置までの距離であり、ｌ［ｍ］は、サブリンク４２の長さである。

転移元の環境で得られる学習データは、上述したように、電波強度の分散値の時系列データ、及び、時刻と人物の位置とが対応付けられた軌跡情報である。本実施形態では、この学習データから、時刻ｔにおいて人物がサブリンク４２上の通過位置ｘを通過した場合、時刻ｔを中心にｗ［秒］（例えば、１秒）の時間窓内で最大となる電波強度の分散値を、通過時の電波強度の分散値ｖ（ｘ）とする。そして、通過位置ｘと通過時の電波強度の分散値ｖ（ｘ）との組み合わせを複数抽出する。

パラメータａ１、ｂ１、ａ２、ｂ２は、通過位置ｘと通過時の電波強度の分散値ｖ（ｘ）との組み合わせを用いて、公知の手法であるLevenberg-Marquardt法による最小二乗近似を行うことで計算する。なお、Levenberg-Marquardt法に関しては、以下の参考文献１に具体的に開示されている。

［参考文献１］ More, J. J. (1978). The Levenberg-Marquardt algorithm: implementation and theory. In Numerical analysis (pp. 105-116). Springer Berlin Heidelberg.

[転移フェーズ]

転移部２４は、転移先の環境におけるサブリンク４２（第２サブリンク）について、転移元の環境における複数のサブリンク４２の中から、分散モデルの特徴が転移先の環境におけるサブリンク４２と類似するサブリンク４２を選択する。なお、この第２サブリンクは、転移先の環境におけるリンク４０Ｂ乃至４０Ｄ、４０Ｆ（第２リンク）を壁３４で区切ったサブ区間であるサブリンク４２Ｂ１、４２Ｂ２乃至４２Ｅ、４２Ｆ１、４２Ｆ２（第２サブリンク）である。そして、転移部２４は、選択した転移元の環境におけるサブリンク４２の分散モデルを、転移先の環境における各々のサブリンク４２の分散モデルに転移させる。

ここで、転移元の環境におけるサブリンク４２の選択手順を以下に示す。本実施形態では、転移元の環境における全てのサブリンク４２の中から、選択の候補とするサブリンクを以下の（１）乃至（３）の手順により絞り込んでいく。以下、転移対象 とする転移先のサブリンク４２を転移対象 サブリンクという。

（１）転移元の環境における全てのサブリンク４２の中から、転移対象 サブリンクとサブリンク４２の両端の特徴が類似した転移元の環境におけるサブリンク４２を選択する。例えば、転移対象 サブリンクの両端が受信部３８及び 壁３４であった場合、転移元の環境における全てのサブリンク４２から両端が受信部３８及び 壁３４であるサブリンク４２を選択する。

（２）上記（１）で選択された転移元の環境におけるサブリンク４２の中から、そのサブリンク４２が属するリンク４０内に配置された壁３４の数が、転移対象 サブリンクと類似するサブリンク４２を選択する。ここで、壁３４の数が類似するとは、転移元のサブリンク４２の壁３４の数と転移対象 サブリンクの壁３４の数との差の絶対値が予め定めた閾値以下、例えば１以下であることをいう。例えば、閾値を０とした場合は、転移対象 サブリンクが属するリンク４０内に配置された壁の数が１つであった場合、上記（１）で選択されたサブリンク４２の中から、配置された壁の数が１つであるリンク４０に属するサブリンク４２を更に選択する。なお、壁３４の配置情報は第１間取り図及び第２間取り図から得られる。

（３）上記（２）で選択された転移元の環境におけるサブリンク４２から、下記（ａ）乃至（ｃ）に示す、サブリンク４２同士の類似度を表す基準に従って、転移対象 サブリンクに類似するｋ個のサブリンク４２を選択する。

（ａ）通過時の分散：２つのサブリンク４２において、人物がサブリンク４２上を幾度もランダムに通過した際に得られる電波強度の分散値の分布が類似している場合、それらのサブリンク４２が持つ分散モデルも類似していると考えられる。言い換えると、類似した分散モデルを持つ複数のサブリンク４２からは、サブリンク４２上を幾度も通過した際に各々類似する電波強度の分散値が得られる。そこで、本実施形態では、転移元の環境におけるサブリンク４２を人物が通過した時の電波強度の分散値の分布と、転移対象 サブリンクを人物が通過した時の電波強度の分散値の分布とを比較する。

ここでは、転移元の環境については、第１電波強度情報１８Ｃによって示される位置情報が付加された電波強度情報について前処理部２０が前処理することにより得られた、サブリンク４２上を人物が通過した時の電波強度の分散値を示す情報を取得する。

また、転移先の環境については、第２電波強度情報１８Ｄによって示される位置情報が付加されていない電波強度情報について前処理部２０が前処理することにより得られた、サブリンク４２上を人物が通過した時の電波強度の分散値を示す情報を取得する。上述したように、人物がサブリンク４２上を通過した時に電波強度の分散値が大きくなることが分かっている。本実施形態では、これを利用し、他の値から大きく外れた値を検知する外れ値検知技術を用い、外れ値と判定された電波強度の分散値を、サブリンク４２上を人物が通過した時の電波強度の分散値とみなす。そして、位置情報が付加されていない電波強度情報から、人物がサブリンク４２上を通過した時に対応する電波強度の分散値を検知する。

なお、本実施形態では、外れ値を検知する際、電波強度の時系列データに対して１秒の時間窓を設定し、電波強度の移動分散を求める。また、求めた移動分散の対数を取って電波強度の平均値及び 分散を求め、求めた平均値及び 分散をパラメータとする正規分布において上位５％となる電波強度の分散値を外れ値とみなす。そして、この外れ値とみなされた電波強度の分散値を、人物がサブリンク４２上を通過した時に対応する電波強度の分散値とする。転移先の環境における位置情報が付加されていない電波強度情報が十分な量あれば、転移先の環境におけるサブリンク４２の分散モデルと類似した分散モデルを持つ転移元の環境におけるサブリンク４２を選択することができる。

転移元の環境におけるサブリンク４２を人物が通過した時の電波強度の分散値の分布、及び転移対象 サブリンクを人物が通過した時の電波強度の分散値の分布を、公知の手法であるＫＬダイバージェンス（Kullback-Leibler divergence）によって比較する。本実施形態では、転移元の環境におけるサブリンク４２、及び転移対象 サブリンクのＫＬダイバージェンスによる比較によって得られたＫＬ情報量を、類似度を表す数値Ａとして算出する。なお、ＫＬ情報量は、比較対象 の差異又は類似度を表す指標であり、ＫＬ情報量が小さくなる程、比較対象 が類似していることを表す。

（ｂ）サブリンク４２の長さ：サブリンク４２の長さが類似している分散モデルは、分散モデルの形状が類似していると考えられる。そこで、転移元の環境におけるサブリンク４２と転移対象 サブリンクの長さの差の絶対値を、転移元の環境におけるサブリンク４２と転移対象 サブリンクの長さの類似度を表す数値Ｂとして算出する。

（ｃ）電波強度：人物が環境内にいない時に得られる電波強度の分散値の分布が類似しているサブリンク４２は、サブリンク４２上に存在する障害物が類似していると考えられる。そこで、本実施形態では、第３電波強度情報１８Ｅ及び第４電波強度情報１８Ｆを用いて、人物が環境内にいない時の電波強度の分散値の分布を比較する。転移元の環境において人物が環境内にいない時に得られる電波強度の分散値の分布、及び転移先の環境において人物が環境内にいない時に得られる電波強度の分散値の分布を、上述したＫＬダイバージェンスによって比較する。本実施形態では、転移元の環境におけるサブリンク４２、及び転移対象 サブリンクのＫＬ情報量を、類似度を表す数値Ｃとして算出する。

本実施形態では、上記（ａ）乃至（ｃ）で算出した数値Ａ乃至Ｃを平均が０、分散が１となるように標準化する。また、標準化した値を要素とするベクトルのユークリッド距離を求め、ｋ近傍法（ｋ−ＮＮ）によって最も距離が小さいｋ個の転移元の環境におけるサブリンク４２を選択する。これにより、転移先の環境におけるサブリンク４２に最も類似するｋ個の転移元の環境におけるサブリンク４２が選択される。そして、ｋ個の転移元の環境におけるサブリンク４２の分散モデルのパラメータａ１、ｂ１、ａ２、ｂ２について、ユークリッド距離が近い程、重みが重くなるような重み付き平均を行う。このようにして、転移対象 サブリンクの分散モデルのパラメータａ１、ｂ１、ａ２、ｂ２を算出し、転移対象 サブリンクの分散モデルを作成する。なお、パラメータａ１、ｂ１、ａ２、ｂ２を算出する際には、上記（２）式におけるサブリンクの長さｌを、転移対象 サブリンクの長さとする。

[学習フェーズ]

学習部２６は、電波強度の分散値から、人物がサブリンク４２上を通過したか否かを判定するための通過判定モデル、及び、人物がサブリンク４２上を通過した場合に、人物のサブリンク４２上の通過位置を推定するための位置推定モデルの学習を行う。

（１）通過判定モデル：転移対象 サブリンクの分散モデルを用いた位置推定モデルを学習する前に、転移対象 サブリンク上を人物が通過したか否かを判定する通過判定モデルをサブリンク４２毎に学習する。

本実施形態では、時刻ｔにおける電波強度の分散値が与えられた時に、アクセスポイント３６と受信部３８との間のサブリンク４２を通過したか否かを分類する２クラスＳＶＭ（support vector machine）によって通過判定モデルを学習する。ＳＶＭの学習データとしては、転移フェーズで選択された転移元の環境におけるサブリンク４２上を人物が通過した通過時の電波強度の分散値と、通過していない非通過時の電波強度の分散値とを与える。

なお、電波強度の分散値は、電波強度情報に対して時刻ｔを中心にｗ［秒］（例えば、１秒）の時間窓を設定し、設定した時間窓の内部で最大の分散値とする。また、ここでの通過判定モデルでは、転移元の環境における受信部３８によって得られる位置情報が付加された電波強度の分散値を用いることで、通過時の電波強度の分散値を取得する。そのため、ここでの通過判定モデルは、転移フェーズにおいて位置情報が付加されていない電波強度情報に対して行った、外れ値検知技術を用いた通過判定の手法とは異なっている。

（２）位置推定モデル：転移対象 サブリンク上に参照点として仮想の通過位置を一定間隔 で複数設定する。また、転移された転移対象 サブリンクの分散モデルを用いて転移対象 サブリンク上の各々の参照点を通過した場合に得られるであろう電波強度の分散値をそれぞれ算出する。本実施形態では、サブリンク４２毎にフィンガープリントベースの位置推定モデルを構築し、学習する。すなわち、設定した参照点と転移対象 サブリンクの分散モデルによって算出した各々の参照点を通過した時の電波強度の分散値とをフィンガープリントとして位置推定モデルを構築し、学習する。これにより、分散値を入力した場合に通過位置が出力される位置推定モデルが作成される。本実施形態に係る位置推定モデルでは、ｋ近傍法（ｋ−ＮＮ）を用いて、観測された電波強度の分散値に最も電波強度の分散値が近い参照点を人物の通過位置と推定するが、推定方法はこれに限らない。人物がどの参照点にいるかを決定する分類機器を、前述したＳＭＶ、又は決定木を用いて学習した位置推定モデルを用いて推定しても良い。

[推定フェーズ]

推定部２８には、図１に示すように、転移先の受信部３８Ａ〜３８Ｅが受信した電波信号の電波強度情報が入力される。推定部２８は、入力された電波強度情報から算出した電波強度の分散値に基づいて、学習フェーズで作成した通過判定モデルによって人物がサブリンク４２を通過したと判定された場合、学習フェーズで作成した屋内位置推定モデルによって人物がサブリンク４２を通過した通過位置を推定する。時刻ｔにおいて人物がサブリンク４２を通過したと判定された場合、時刻ｔにおいて得られた電波強度の分散値と学習したフィンガープリントの分散値とのユークリッド距離を求める。

上述したように、サブリンク４２の分散モデルは混合数２の混合ガウス関数で表されることから２峰性をもつため、特定の分散値をとる通過位置が２箇所存在する可能性がある。そのため、時刻ｔにおいて得られた電波強度の分散値に対して最もユークリッド距離が短いフィンガープリントを２つ選び、それぞれの通過位置の座標を時刻ｔにおける推定座標とする。

なお、複数のサブリンク４２において同時刻に人物がサブリンク４２を通過したと判定された場合、推定座標はさらに複数存在する。その場合、それぞれの推定座標には、フィンガープリントの電波強度の分散値の、時刻ｔにおいて得られた電波強度の分散値に対するユークリッド距離の逆数に応じた重み付けを行う。そして、屋内位置推定モデルの推定座標に基づき、非線形システムの状態の推定に利用されるパーティクルフィルタを用いて、対象 とする環境において人物をトラッキングする。

以下、本実施形態で用いるパーティクルフィルタについて説明する。なお、パーティクルフィルタのアルゴリズムは、サンプリング、重み計算、及びリサンプリングの３つのステップによって構成される。

サンプリングでは、移動モデルによって時刻ｔ−１の各パーティクルからｐ個の新しいパーティクルを生成する。生成されたパーティクルは、それぞれが時刻ｔに移動していることが推定される位置座標を表す。移動モデルは、２変量正規分布を用い、この２変量正規分布に基づく正規乱数によって新しいパーティクルを生成する。２変量正規分布の平均は、時刻ｔ−１において各パーティクルが持っている速度によって移動した時刻ｔにおける各パーティクルの位置座標である。２変量正規分布の標準偏差は、上記２変量正規分布の平均の位置座標と時刻ｔ−１におけるパーティクルの位置座標の距離であり、共分散は０である。

重み計算では、時刻ｔにおいて通過判定モデルによって人物がサブリンク４２上を通過したと判定された場合に、屋内位置推定モデルによって推定された推定座標を観測として、尤度関数に基づいて各パーティクルの重みを計算する。基本的には、パーティクルが観測に近いほどパーティクルの重みは大きくなる。なお、屋内位置推定モデルによって人物がサブリンク４２上を通過した通過位置の位置座標を推定する際は、時間窓内の電波強度の分散値のうちの最大の分散を用いる。

尤度関数は、平均の位置座標を推定座標とした２変量正規分布の確率密度関数である。各パーティクルの重みは、パーティクルの位置座標における尤度関数の確率密度によって求める。ただし、上述したように、時刻ｔにおいて推定座標は２つ以上あるため、それぞれの推定座標に与えられた重みによって、各観測の尤度関数から得られたあるパーティクルの重みを重み付き平均し、そのパーティクルの重みとする。その後、全パーティクルの重みの合計が１となるように重みを正規化する。

リサンプリングでは、重みが大きいｒ個のパーティクルを優先的にランダム性を持たせて保持し、残りのパーティクルを削除する。そして、保持したパーティクルの重み付き平均により得られた位置座標を、時刻ｔに人物が通過した位置の位置座標とする。パーティクルフィルタでは、上述したサンプリング、重み計算、及びリサンプリングの手順を、１秒の時間窓を移動させながら時間窓毎に繰り返し行う。

次に、図８乃至１３を参照して、本実施形態に係る位置推定装置１０の処理動作を説明する。図８は、本実施形態に係る位置推定装置１０により実行される位置推定処理の全体の流れを示すフローチャートである。図９は、本実施形態に係る位置推定装置１０により実行される前処理のサブルーチンの流れを示すフローチャートである。図１０は、本実施形態に係る位置推定装置１０により実行されるモデル作成処理のサブルーチンの流れを示すフローチャートである。図１１は、本実施形態に係る位置推定装置１０により実行される転移処理のサブルーチンの流れを示すフローチャートである。図１２は、本実施形態に係る位置推定装置１０により実行される学習処理のサブルーチンの流れを示すフローチャートである。図１３は、本実施形態に係る位置推定装置１０により実行される推定処理のサブルーチンの流れを示すフローチャートである。

ステップＳ１０１では、前処理部２０が、第１電波強度情報１８Ｃ、第２電波強度情報１８Ｄ、第３電波強度情報１８Ｅ、及び第４電波強度情報１８Ｆを、記憶部１８から取得する。また、分散モデル作成部２２が、第１間取り図情報１８Ａ及び第２間取り図情報１８Ｂを、記憶部１８から取得する。さらに、転移部２４が、第１間取り図情報１８Ａ及び第２間取り図情報１８Ｂを、記憶部１８から取得する。

ステップＳ１０３では、前処理部２０が、上述した前処理を行う。この前処理は、各受信部３８によって各々得られた電波強度情報毎に実行される。図９を参照して、本実施形態に係る位置推定装置１０による前処理について詳細に説明する。

ステップＳ２０１では、前処理部２０が、第１電波強度情報１８Ｃによって示される電波強度の時系列データについて、予め定めた時間（例えば、０．１秒）毎の電波強度の平均値を算出する。

ステップＳ２０３では、前処理部２０が、第１電波強度情報１８Ｃによって示される電波強度の時系列データに対して予め定めた時間（例えば、１秒）の時間窓を設定する。本実施形態では、時系列データにおける古い時間帯から、順次０．１秒ずつずらしながら時間窓を設定する。

ステップＳ２０５では、前処理部２０が、電波強度の時系列データに対して設定した時間窓内の電波強度の分散値を算出する。

ステップＳ２０７では、前処理部２０が、電波強度の時系列データにおける全ての時間帯について電波強度の分散値が算出されたか否かを判定する。ステップＳ２０７で全ての時間帯について電波強度の分散値が算出されていないと判定した場合（Ｓ２０７，Ｎ）はステップＳ２０３に移行し、全ての時間帯について電波強度の分散値が算出されたと判定した場合（Ｓ２０７，Ｙ）はステップＳ２０９に移行する。

ステップＳ２０９では、前処理部２０が、時間窓内の電波強度の分散値を時系列に対応させることにより、電波強度の分散値の時系列データを作成する。

なお、前処理部２０は、第２電波強度情報１８Ｄ、第３電波強度情報１８Ｅ、及び第４電波強度情報１８Ｆによって示される各々の電波強度の時系列データについても、ステップＳ２０１乃至Ｓ２０９の処理を行い、電波強度の分散値の時系列データを作成する。

次に、図８のステップＳ１０５では、分散モデル作成部２２が、上述したモデル作成処理を行う。図１０を参照して、本実施形態に係る位置推定装置１０によるモデル作成処理について詳細に説明する。

ステップＳ３０１では、分散モデル作成部２２が、転移元の環境におけるサブリンク４２を１つ選択する。本実施形態では、一例として、転移元の環境におけるサブリンク４２Ａ１、４２Ａ２、サブリンク４２Ｂ１、４２Ｂ２、サブリンク４２Ｃ１、４２Ｃ２、サブリンク４２Ｄ１、４２Ｄ２、サブリンク４２Ｅの順に１つずつ選択する。

ステップＳ３０３では、分散モデル作成部２２が、時刻と人物の位置とが対応付けられた軌跡情報である位置情報から、ステップＳ３０１で選択したサブリンク４２上を人物が通過した時刻における人物の通過位置を取得する。

ステップＳ３０５では、分散モデル作成部２２が、ステップＳ３０１で選択したサブリンク４２上を人物が通過した時刻における電波強度の分散値を、ステップＳ３０３で取得した人物の通過位置に対応付ける。

ステップＳ３０７では、分散モデル作成部２２が、ステップＳ３０１で選択したサブリンク４２上を人物が通過した全ての時刻において、電波強度の分散値を人物の通過位置に対応付けたか否かを判定する。ステップＳ３０７で全ての時刻において電波強度の分散値を人物の通過位置に対応付けていないと判定した場合（Ｓ３０７，Ｎ）はステップＳ３０３に移行する。また、ステップＳ３０７で全ての時刻において電波強度の分散値を人物の通過位置に対応付けたと判定した場合（Ｓ３０７，Ｙ）はステップＳ３０９に移行する。

ステップＳ３０９では、分散モデル作成部２２が、相互に対応付けられた電波強度の分散値、及び人物の通過位置に基づいて、サブリンク４２の分散モデルを作成する。

ステップＳ３１１では、分散モデル作成部２２が、転移元の環境における全てのサブリンク４２について分散モデルを作成したか否かを判定する。ステップＳ３１１で全てのサブリンク４２について分散モデルを作成していないと判定した場合（Ｓ３１１，Ｎ）はステップＳ３０１に移行し、全てのサブリンク４２について分散モデルを作成したと判定した場合（Ｓ３１１，Ｙ）は本モデル作成処理のサブルーチンの実行を終了する。

次に、図８のステップＳ１０７では、転移部２４が、上述した転移処理を行う。図１１を参照して、本実施形態に係る位置推定装置１０による転移処理について詳細に説明する。

ステップＳ４０１では、転移部２４が、転移対象 サブリンクの両端の特徴を示す情報を取得する。本実施形態では、サブリンク４２の両端が、アクセスポイント３６及び 受信部３８、アクセスポイント３６及び 壁３４、壁３４及び 受信部３８、及び 壁３４及び 壁３４の何れであるかを示す情報を取得する。

ステップＳ４０３では、転移部２４が、転移元の環境における複数のサブリンク４２から、ステップＳ４０１で取得した転移対象 サブリンクの両端の特徴に両端の特徴が類似する転移元の環境におけるサブリンク４２を選択する。例えば、転移対象 サブリンクの両端がアクセスポイント３６及び 受信部３８である場合には、同様にサブリンク４２の両端がアクセスポイント３６及び 受信部３８の転移元の環境におけるサブリンク４２を選択する。

ステップＳ４０５では、転移部２４が、転移対象 サブリンクが属するリンク４０内の壁の数を示す情報を取得する。本実施形態では、サブリンク４２が属するリンク４０内に配置された壁の数を示す情報を取得する。

ステップＳ４０７では、転移部２４が、選択した転移元の環境における複数のサブリンク４２の中から、転移元の環境におけるサブリンク４２が属するリンク４０内の壁の数が、取得した転移対象 サブリンクが属するリンク４０内の壁の数に類似するサブリンク４２を選択する。例えば、転移対象 サブリンクが属するリンク４０内の壁の数に対する、サブリンク４２が属するリンク４０内の壁の数の差の絶対値が閾値以下となるサブリンク４２を選択する。あるいは、転移対象 サブリンクが属するリンク４０内の壁の数の差に対して、サブリンク４２が属するリンク４０内の壁の数が等しくなるサブリンク４２を選択する。

ステップＳ４０９では、転移部２４が、転移元の環境におけるサブリンク４２上を人物が通過した時の電波強度の分散値を示す情報を取得する。ここでは、前処理部２０が第１電波強度情報１８Ｃについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過した時の電波強度の分散値を取得する。

ステップＳ４１１では、転移部２４が、転移対象 サブリンク上を人物が通過した時の電波強度の分散値を示す情報を取得する。ここでは、前処理部２０が第２電波強度情報１８Ｄについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過した時の電波強度の分散値を取得する。この際、上述した外れ値検知技術を用いて、外れ値と判定された電波強度の分散値を、サブリンク４２上を人物が通過した時の電波強度の分散値とみなして取得する。

ステップＳ４１３では、転移部２４が、転移元の環境におけるサブリンク４２上を人物が通過した時の電波強度の分散値と、転移対象 サブリンク上を人物が通過した時の電波強度の分散値との類似度を表す数値Ａを算出する。本実施形態では、上述したように、数値ＡをＫＬダイバージェンスによって算出する。

ステップＳ４１５では、転移部２４が、転移元の環境におけるサブリンク４２の長さと、転移先の環境におけるサブリンク４２の長さとの類似度を表す数値Ｂを算出する。

ステップＳ４１７では、転移部２４が、転移元の環境におけるサブリンク４２上を人物が通過していない時の電波強度の分散値を示す情報を取得する。ここでは、前処理部２０が第３電波強度情報１８Ｅについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過していない時の電波強度の分散値を取得する。

ステップＳ４１９では、転移部２４が、転移対象 サブリンク４２上を人物が通過していない時の電波強度の分散値を示す情報を取得する。ここでは、前処理部２０が第４電波強度情報１８Ｆについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過していない時の電波強度の分散値を取得する。

ステップＳ４２１では、転移部２４が、転移元の環境におけるサブリンク４２上を人物が通過していない時の電波強度の分散値と、転移対象 サブリンク上を人物が通過していない時の電波強度の分散値との類似度を表す数値Ｃを算出する。本実施形態では、上述したように、数値ＣをＫＬダイバージェンスによって算出する。

ステップＳ４２３では、転移部２４が、算出した数値Ａ乃至Ｃを標準化した値を要素とするベクトルのユークリッド距離を算出する。

ステップＳ４２５では、転移部２４が、算出したユークリッド距離が最短のｋ個の転移元の環境におけるサブリンク４２を選択する。

ステップＳ４２７では、転移部２４が、転移対象 サブリンクの分散モデルのパラメータａ１、ａ２、ｂ１、ｂ２を算出することにより転移対象 サブリンクの分散モデルを作成して、本転移処理プログラムのサブルーチンの実行を終了する。

図８のステップＳ１０９では、学習部２６が、上述した学習処理を行う。図１２を参照して、本実施形態に係る位置推定装置１０による学習処理について詳細に説明する。

ステップＳ５０１では、学習部２６が、転移元の環境におけるサブリンク４２の電波強度情報から、サブリンク４２上を人物が通過した通過時の電波強度の分散値を取得する。ここでは、前処理部２０が第１電波強度情報１８Ｃについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過した時の電波強度の分散値を取得する。

ステップＳ５０３では、学習部２６が、転移元の環境におけるサブリンク４２の電波強度情報から、サブリンク４２上を人物が通過していない非通過時の電波強度の分散値を取得する。ここでは、前処理部２０が第１電波強度情報１８Ｃについて前処理することにより得られた電波強度の分散値の時系列データに基づき、サブリンク４２上を人物が通過していない時の電波強度の分散値を取得する。

ステップＳ５０５では、学習部２６が、通過判定モデルを学習する。

ステップＳ５０７では、学習部２６が、転移対象 サブリンク上に一定間隔 で複数の参照点を設定する。

ステップＳ５０９では、学習部２６が、図１１のステップＳ４２７で作成した分散モデルを用いて、参照点毎に、転移対象 サブリンク上を人物が通過した時の電波強度の分散値を算出する。

ステップＳ５１１では、学習部２６が、参照点毎に算出した電波強度の分散値を用いて、フィンガープリントベースの屋内位置推定モデルを学習する。

図８のステップＳ１１１では、推定部２８が、上述した推定処理を行う。図１３を参照して、本実施形態に係る位置推定装置１０による推定処理について詳細に説明する。

ステップＳ６０１では、サンプリングとして、上述した移動モデルにより、時刻ｔ−１におけるパーティクルから、時刻ｔに移動していることが推定される位置座標に新たなパーティクルを生成する。

ステップＳ６０３では、ステップＳ５０５で作成した通過判定モデルに基づき、サブリンク４２上を人物が通過したか否かを判定する。通過したと判定した場合（Ｓ６０３，Ｙ）はステップＳ６０５に移行し、通過していないと判定した場合（Ｓ６０３，Ｎ）は本推定処理のサブルーチンの実行を終了する。

ステップＳ６０５では、図１２のステップＳ５１１で作成した屋内位置モデルに基づき、サブリンク４２上を人物が通過した時の電波強度の分散値に対応する通過位置の位置座標を、時刻ｔにおける観測として算出する。

ステップＳ６０７では、新たに生成した各パーティクルに、時刻ｔにおける観測に基づく重み付けを行う。

ステップＳ６０９では、リサンプリングとして、重み付けを行ったパーティクルの重みが最大となるｒ個のパーティクルを保持し、残りのパーティクルを削除する。

ステップＳ６０９では、保持したｒ個のパーティクルについて重み付き平均を算出し、算出した位置座標を、人物が存在する位置の位置座標として出力し、本推定処理のサブルーチンの実行を終了する。

なお、本実施形態に係る位置推定装置１０が備えている前処理部２０、分散モデル作成部２２、転移部２４、学習部２６、及び 推定部２８の各構成は、専用のハードウェアにより実現されるものであってもよく、また、メモリおよび マイクロプロセッサにより実現させるものであっても良い。また、これらの各構成は、メモリおよびＣＰＵ（中央演算装置）により構成され、各構成の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。

また、本実施形態に係る位置推定装置１０の各処理部の機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより位置推定処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータシステム」は、ホームページ提供環境（あるいは表示環境）を備えたＷＷＷシステムも含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ−ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムが送信された場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリ（ＲＡＭ）のように、一定時間プログラムを保持しているものも含むものとする。

また、上記プログラムは、このプログラムを記憶装置等に格納したコンピュータシステムから、伝送媒体を介して、あるいは、伝送媒体中の伝送波により他のコンピュータシステムに伝送されてもよい。ここで、プログラムを伝送する「伝送媒体」は、インターネット等のネットワーク（通信網）や電話回線等の通信回線（通信線）のように情報を伝送する機能を有する媒体のことをいう。また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。

以上、この発明の実施の形態を図面を参照して詳述してきたが、具体的な構成はこの実施の形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１０ 位置推定装置
２０ 前処理部
２２ モデル作成部
２４ 転移部
２６ 学習部
２８ 推定部

Claims (8)

1. 分散モデル作成部、転移部、学習部、及び推定部を備えた位置推定装置における位置推定方法であって、
   前記分散モデル作成部が、転移元の環境における電波信号を送信する送信部の設置位置と前記電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、前記人物が前記通過位置で通過したときの前記受信部で受信した前記電波信号の電波強度の分散値との関係を示す分散モデルを複数の前記第１リンク毎に作成するステップと、
   前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記分散モデルの特徴が、転移先の環境における前記送信部の設置位置と前記受信部の設置位置とを結んだ第２リンクとに類似する前記第１リンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２リンクの前記分散モデルに転移させるステップと、
   前記学習部が、前記転移された前記第２リンクの前記分散モデルに基づいて、前記第２リンクを前記人物が通過した場合に前記人物の通過位置を推定するための位置推定モデルを構築して学習するステップと、
   前記推定部が、前記転移先の環境における前記受信部で受信した前記電波信号の電波強度の分散値と、前記位置推定モデルとに基づいて、前記人物が通過した前記第２リンクにおける前記通過位置を推定するステップと、
   を含む位置推定方法。
2. 前記学習部が前記位置推定モデルを構築して学習するステップは、前記学習部が、前記転移部により選択された前記第１リンクにおける、前記人物が通過したときの前記受信部で受信した前記電波信号の電波強度の分散値と、前記人物が通過していないときの前記受信部で受信した前記電波信号の電波強度の分散値とに基づいて、前記第２リンクを前記人物が通過したか否かを判定するための通過判定モデルを学習するステップを更に含む
   請求項１記載の位置推定方法。
3. 前記第１リンクは、前記転移元の環境の間取り図に基づいて、前記送信部の設置位置と前記受信部の設置位置とを結んだ前記第１リンクを、壁により区切った複数の第１サブリンクを含み、
   前記第２リンクは、前記転移先の環境の間取り図に基づいて、前記送信部の設置位置と前記受信部の設置位置とを結んだ前記第２リンクを、壁により区切った複数の第２サブリンクを含み、
   前記分散モデル作成部が前記分散モデルを作成するステップは、前記複数の第１サブリンク毎に前記分散モデルを作成し、
   前記転移部が前記分散モデルを転移させるステップは、前記複数の第２サブリンク毎に、前記第２サブリンクと類似する前記第１サブリンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２サブリンクの前記分散モデルに転移させ、
   前記学習部が前記位置推定モデルを構築して学習するステップは、前記複数の第２サブリンク毎に、前記位置推定モデルを構築して学習する
   請求項１又は２記載の位置推定方法。
4. 前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記第１リンクの両端の特徴が前記第２リンクの両端の特徴に類似する前記第１リンクの前記分散モデルを選択するステップを含む
   請求項１又は２記載の位置推定方法。
5. 前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記第１リンクにおける前記送信部と前記受信部との間に配置された壁の数が、前記第２リンクにおける前記送信部と前記受信部との間に配置された壁の数に類似する前記第１リンクの前記分散モデルを選択するステップを含む
   請求項１又は請求項４の何れか１項記載の位置推定方法。
6. 前記転移部が前記分散モデルを転移させるステップは、前記転移部が、複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記人物が前記第１リンクを通過した場合の前記電波強度の分散値の分布が、前記人物が前記第２リンクを通過した場合の前記電波強度の分散値の分布に類似する前記第１リンクの前記分散モデルを選択するステップを含む
   請求項１〜５の何れか１項記載の位置推定方法。
7. 転移元の環境における電波信号を送信する送信部の設置位置と前記電波信号を受信する受信部の設置位置とを結んだ第１リンクにおける人物の通過位置と、前記人物が前記通過位置で通過したときの前記受信部で受信した前記電波信号の電波強度の分散値との関係を示す分散モデルを複数の前記第１リンク毎に作成する分散モデル作成部と、
   複数の前記第１リンク毎に作成した前記第１リンクの前記分散モデルの中から、前記分散モデルの特徴が、転移先の環境における前記送信部の設置位置と前記受信部の設置位置とを結んだ第２リンクと類似する前記第１リンクの前記分散モデルを選択し、選択した前記分散モデルを前記第２リンクの前記分散モデルに転移させる転移部と、
   前記転移された前記第２リンクの前記分散モデルに基づいて、前記第２リンクを前記人物が通過した場合に前記人物の通過位置を推定するための位置推定モデルを構築して学習する学習部と、
   前記転移先の環境における前記受信部で受信した前記電波信号の電波強度の分散値と、前記位置推定モデルとに基づいて、前記人物が通過した前記第２リンクにおける前記通過位置を推定する推定部と、
   を備えた位置推定装置。
8. コンピュータを、請求項１〜６の何れか１項記載の位置推定方法の各ステップとして機能させるための位置推定プログラム。

Images