JP2021097362A

JP2021097362A - 通信品質の推定装置及びプログラム

Info

Publication number: JP2021097362A
Application number: JP2019228596A
Authority: JP
Inventors: ユンイチヨウ; Yunichi Yo; 隆秀村上; Takahide Murakami; 宏之新保; Hiroyuki Shinbo
Original assignee: KDDI Research Inc
Current assignee: KDDI Research Inc
Priority date: 2019-12-18
Filing date: 2019-12-18
Publication date: 2021-06-24
Anticipated expiration: 2039-12-18
Also published as: JP7252885B2

Abstract

【課題】通信品質の推定のために行う学習処理の処理量を少なくできる技術を提供する。【解決手段】推定装置は、複数のカメラが取得した複数の深度画像に基づき所定領域の３次元空間モデルを生成する生成手段と、基地局装置から当該基地局装置と通信しているユーザ装置の位置と、当該通信の通信品質に関する情報を取得する取得手段と、前記基地局装置の位置と前記ユーザ装置の位置とに基づき前記３次元空間モデルから前記通信に関する部分を通信路空間モデルとして抽出する抽出手段と、前記通信路空間モデルにおける所定の物体を判定し、判定した物体に基づき前記通信路空間モデルの特徴量を判定する判定手段と、前記通信路空間モデルの特徴量と前記通信の通信品質とに基づき特徴量から通信品質を推定するための学習データを生成する学習手段と、を備えている。【選択図】図２

Description

本発明は、基地局装置とユーザ装置との間の通信の通信品質を推定する技術に関する。

移動通信ネットワークにおいては、基地局装置（ＢＳ）とユーザ装置（ＵＥ）との間の通信速度を高くするため、ミリ波と呼ばれる高周波数帯域が使用されている。ミリ波による通信は見通し内通信となるため、通信路に遮蔽物があると通信品質は劣化する。このため、特許文献１及び非特許文献１は、深度画像を取得し、深度画像に基づきＢＳとＵＥとの間の通信品質を予測・推定する技術を開示している。深度画像とは、距離情報を有する画像であり、例えば、ＲＧＢ−Ｄ（ＲＧＢａｎｄＤｅｐｔｈ）カメラにより取得することができる。

特開２０１８−１４８２９７号公報

ＹｕｔａＯｇｕｍａ，ｅｔ．ａｌ．，"ＰｒｏａｃｔｉｖｅＢａｓｅＳｔａｔｉｏｎＳｅｌｅｃｔｉｏｎＢａｓｅｄｏｎＨｕｍａｎＢｌｏｃｋａｇｅＰｒｅｄｉｃｔｉｏｎＵｓｉｎｇＲＧＢ−ＤＣａｍｅｒａｓｆｏｒｍｍＷａｖｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ"

特許文献１及び非特許文献１は、深度画像と、当該深度画像の撮像時にＵＥ又はＢＳから取得する通信品質並びにＵＥ及びＢＳの位置とを教師データとして機械学習を行うことで、深度画像、ＵＥの位置及びＢＳの位置の組み合わせに対する当該ＵＥと当該ＢＳとの間の通信品質を推定するものである。しかしながら、深度画像においてある被写体の後ろに隠れたものがある場合、推定精度は劣化する。また、特許文献１及び非特許文献１の構成は、深度画像そのものを教師データとして使用するため学習処理の処理量が大きくなる。

本発明は、通信品質の推定のために行う学習処理の処理量を少なくできる技術を提供するものである。

本発明の一態様によると、推定装置は、複数のカメラが取得した複数の深度画像に基づき所定領域の３次元空間モデルを生成する生成手段と、基地局装置から当該基地局装置と通信しているユーザ装置の位置と、当該通信の通信品質に関する情報を取得する取得手段と、前記基地局装置の位置と前記ユーザ装置の位置とに基づき前記３次元空間モデルから前記通信に関する部分を通信路空間モデルとして抽出する抽出手段と、前記通信路空間モデルにおける所定の物体を判定し、判定した物体に基づき前記通信路空間モデルの特徴量を判定する判定手段と、前記通信路空間モデルの特徴量と前記通信の通信品質とに基づき特徴量から通信品質を推定するための学習データを生成する学習手段と、を備えていることを特徴とする。

本発明によると、通信品質の推定のために行う学習処理の処理量を少なくすることができる。

一実施形態による推定装置を含むシステムの構成図。一実施形態による推定装置の構成図。通信路空間モデルの一例を示す図。通信路空間モデルの一例を示す図。フレネルゾーンの複数のゾーンへの分割例を示す図。通信路空間モデルの特徴量の例を示す図。通信路空間モデルの特徴量の例を示す図。一実施形態による推定装置の構成図。

以下、添付図面を参照して実施形態を詳しく説明する。尚、以下の実施形態は特許請求の範囲に係る発明を限定するものでなく、また実施形態で説明されている特徴の組み合わせの全てが発明に必須のものとは限らない。実施形態で説明されている複数の特徴うち二つ以上の特徴が任意に組み合わされてもよい。また、同一若しくは同様の構成には同一の参照番号を付し、重複した説明は省略する。

図１は、本実施形態による推定装置３を含むシステムの構成図である。システムは、複数のＢＳ１と、複数のカメラ２と、を有する。ＢＳ１は、そのカバレッジ内にある１つ以上のＵＥ（図１には示さず）と通信することができる。複数のＢＳ１を配置することで、所定領域に渡る通信サービスをＵＥに提供することができる。また、カメラ２は、例えば、ＴＯＦカメラ、ステレオカメラ、ＲＧＢ−Ｄカメラ等である。本実施形態において、カメラ２は、ＲＧＢ−Ｄカメラであり、各画素の色情報（ＲＧＢ）と、各画素の距離情報と、を含む深度画像を撮像することができる。なお、画素の距離情報とは、カメラ２から当該画素に対応する被写体（物体）までの距離を示す情報である。複数のカメラ２は、複数のＢＳ１により通信サービスが提供される所定領域をカバーする様にそれぞれが異なる位置に配置される。より詳しくは、後述する様に、複数のカメラ２のそれぞれが取得する深度画像により当該所定領域の３次元（３Ｄ）空間モデルを生成できる様に、複数のカメラ２の配置位置及びその向きは決定される。

各ＢＳ１と各カメラ２は、推定装置３と通信可能な様に構成される。各ＢＳ１は、位置情報及び通信品質情報を推定装置３に繰り返し送信する。ＢＳ１が送信する位置情報は、当該ＢＳ１の位置と、当該ＢＳ１が通信しているＵＥの位置と、を示す情報である。ＢＳ１が送信する通信品質情報は、位置情報が示す位置にＵＥがいる際の、当該ＢＳ１と当該ＵＥとの間の通信品質を示す情報である。なお、通信品質とは、例えば、誤り率や、ＳＮ比（又はＳＮＩ比）や、受信電力である。なお、ＢＳ１からＵＥへの下り方向の通信品質を推定する場合、ＢＳ１は、下り方向の通信品質をＵＥから取得して推定装置３に送信する。同様に、ＵＥからＢＳ１への上り方向の通信品質を推定する場合、ＢＳ１は、上り方向の通信品質を推定装置３に送信する。また、両方向の通信品質を推定する場合、ＢＳ１は、両方向の通信品質を推定装置３に送信する。なお、上り方向の通信品質と下り方向の通信品質は同様であるとの仮定のもと、下り方向と上り方向とを区別しない構成とすることもできる。この場合、ＢＳ１は、下り方向の通信品質のみ、或いは、上り方向の通信品質のみを推定装置３に送信することができる。或いは、ＢＳ１は、下り方向及び上り方向の通信品質を、その方向を区別することなく推定装置３に送信することができる。また、各カメラ２は、深度画像を繰り返し撮像し、深度画像を示す画像情報を推定装置３に繰り返し送信する。

図２は、本実施形態による推定装置３の構成図である。なお、図２においては、学習データの生成に関する機能ブロックのみを示している。モデル生成部３１は、複数のカメラ２が繰り返し撮像した深度画像の内、撮像時刻の差が所定値以内の深度画像に基づき、複数のＢＳ１により通信サービスが提供される所定領域の３Ｄ空間モデルを生成する。３Ｄ空間モデルは、当該所定領域において物体が存在する領域を示すものである。例えば、複数のカメラ２に同期したタイミング信号を与え、各カメラ２がこのタイミング信号に基づき略同時刻に深度画像を撮像する様に構成することができる。この場合、モデル生成部３１は、複数のカメラ２が略同時刻に撮像した深度画像に基づき３Ｄ空間モデルを生成する。モデル生成部３１は、３Ｄ空間モデルを示す３Ｄ空間モデルデータを通信路抽出部３２に出力する。

上述した様に、ＢＳ１は、位置情報及び通信品質情報を推定装置３に繰り返し送信する。ここで、通信品質情報は、ＢＳ１とＵＥとの間で行われている通信の通信品質を示し、位置情報は、当該通信品質を取得した際のＢＳ１とＵＥの位置を示している。ＢＳ１は、位置情報及び通信品質情報を繰り返し推定装置３に送信するが、以下に説明する処理は、モデル生成部３１が３Ｄ空間モデルの生成に使用した深度画像の撮像時刻における位置情報及び通信品質情報、或いは、撮像時刻との時間差が短い時刻（時間差が所定値以内）における位置情報及び通信品質情報を使用して行う。なお、３Ｄ空間モデルの生成に使用した深度画像の撮像時刻に幅がある場合、以下に説明する処理は、この時間幅内の位置情報及び通信品質情報、或いは、この時間幅の中心時刻との時間差が所定値以内の位置情報及び通信品質情報を使用して行う。

通信路抽出部３２は、位置情報が示す２つの位置に基づき３Ｄ空間モデルデータが示す３Ｄ空間モデルの部分領域を切り出し、これを通信路空間モデルとする。通信路空間モデルは、位置情報がその位置を示すＢＳ１とＵＥとの間の通信路（無線信号の伝搬路）空間をモデル化したものである。

通信路空間モデルとしては２つの異なる種別を考えることができる。第１の種別は、図３に示すフレネルゾーンモデルである。図３において、ＢＳ１とＵＥ４は、それぞれ、位置情報においてその位置が示されるＢＳ及びＵＥである。フレネルゾーン５は、ＢＳ１とＵＥ４との距離と通信周波数により決定される。第２の種別は、図４に示す光線モデルである。図４において、ＢＳ１とＵＥ４は、それぞれ、位置情報においてその位置が示されるＢＳ及びＵＥである。ミリ波帯の無線信号の伝搬特性は光に近いため、光線モデルは、ＢＳ１とＵＥ４とを結ぶパスを通信路空間としたものである。例えば、図４によると、ＢＳ１とＵＥ４とを結ぶ直接パス６１と、反射物７を介する反射パス６２とが、通信路空間として定義されている。これらパスは、光線追跡法による判定することができる。なお、パスを純粋な線とするのではなく、パスの方向とは直交する方向にある程度の大きさで広がったものとしてパスを定義することもできる。

通信路抽出部３２は、通信路空間モデルを示すデータを特徴量算出部３３に出力する。通信路空間モデルは、ＢＳ１とＵＥ４との無線伝搬路に存在する物体を示している。ここで、ＢＳ１又はＵＥ４の位置から見て小さな物体が通信品質に与える影響は小さい。したがって、特徴量算出部３３は、通信路空間モデルから通信品質に与える影響が小さい物体については、学習処理の処理負荷を小さくするために除去する。

本実施形態では、通信路空間モデルから個々の物体を特定し、その体積をＶとする。また、ＢＳ１と物体との距離をｄ１とし、ＵＥ４と物体との距離をｄ２とする。そして、Ｖ／（ｄ１^３）とＶ／（ｄ２^３）との大きい方をＳとする。そして、Ｓが閾値より小さいと、当該物体については通信路空間モデルから除去する。つまり、当該物体が空間には存在しない様に、通信路空間モデルを修正する。一方、Ｓが閾値以上であると、当該物体についてはそのままとする。この処理は、ＢＳ１及びＵＥ４の位置から見たときのサイズが閾値より小さい物体を削除することに対応する。

通信品質に与える影響が小さい物体を通信路空間モデルから除去した後、特徴量算出部３３は、通信路空間モデルの各物体の属性を判定する。属性とは、例えば、物体が人であるか、車であるか、道路標識であるか、建物であるかといった物体の種別に関連する情報である。なお、判定する属性の種別は予め決められている。具体的には、ミリ波による通信に影響を与える物体を予め特定し、これら物体の種別を属性の種別することができる。なお、属性の判定は、例えば、その形状と、色などに基づき行う。特徴量算出部３３は、各属性の判定後、通信路空間モデルの特徴量を生成する。

図５は、通信路空間モデルとして図３に示すフレネルゾーンモデルを利用した場合における通信路空間モデルの特徴量の生成方法の説明図であり、図６は、フレネルゾーンモデルを利用した場合における特徴量の例を示している。図５（Ａ）に示す様に、フレネルゾーン５を、中心から異なる大きさの複数の領域に分割する。図５（Ａ）においては、ｎ＝１〜３の３つの領域に分割している。図５（Ｂ）は、ＢＳ１とＵＥ４とを結ぶ直線に対して垂直なフレネルゾーンの断面を示している。中心の円状領域（ｎ＝１に対応）と、その円状領域を取り囲む２つの環状領域（ｎ＝２及び３に対応）を、それぞれ、円周方向に沿って複数の領域に分割する。図５（Ｂ）では、８つの領域に分割している。つまり、図５（Ａ）及び図５（Ｂ）に示す本例では、１つのフレネルゾーン５を合計２４個の領域に分割している。以下では、２４個の領域それぞれをゾーンと表現する。各ゾーンには、ゾーン識別子が付与される。例えば、図５（Ｂ）に示す様に、ｎ＝１の８つのゾーンには、Ｚ_１１〜Ｚ_１８とのゾーン識別子が付与されている。なお、フレネルゾーン５の分割数は任意である。

図６に示す様に、特徴量算出部３３は、各ゾーンについて、ゾーンに含まれる物体の属性毎の体積に比例する値の合計値を特徴量とする。なお、本実施形態においては、体積に比例する値を、通信路空間モデルの画素数としている。例えば、図６によると、ゾーン識別子Ｚ_１１のゾーンには、属性＃１（例えば、人）に対応する画素が２００あり、属性＃２（例えば、車）に対応する画素が０であることが示されている。

図７は、通信路空間モデルとして図４に示す光線モデルを利用した場合における特徴量の例を示している。図７に示す様に、特徴量は、パス特徴量と物体特徴量とを含む。物体特徴量は、フレネルゾーンを利用する場合と同様であり、パス上に存在する物体の体積に比例する値の属性毎の合計値である。パス特徴量は、パスを特徴付ける値であり、図４では、種別、ＢＳ側角度、ＵＥ側角度、パス長の４つの値を有する。種別は、直接パスであるか反射パスであるかを示す値である。また、ＢＳ側角度は、ＢＳ１とＵＥ４とを結ぶ直線に対するＢＳ１側でのパスの角度である。同様に、ＵＥ側角度は、ＢＳ１とＵＥ４とを結ぶ直線に対するＵＥ４側でのパスの角度である。パス長は、パスの長さである。なお、ＢＳ側角度及びＵＥ側角度が０であることは直接パスであることを意味しているため、種別を使用しない構成とすることができる。また、ＢＳ側角度、ＵＳ側角度及びパス長のうちのいずれか１つ、又は、２つを特徴量として使用する構成とすることもできる。さらに、物体特徴量のみを使用し、パス特徴量を使用しない構成とすることもできる。

学習部３４には、特徴量と通信品質の組み合わせが教師データとして入力される。例えば、ＢＳ１から、当該ＢＳ１とＵＥ４との間の通信の通信品質情報と、そのときの位置情報を推定装置３が受信したものとする。この場合、当該通信品質が測定された時刻、或いは、当該通信品質が測定された時刻との差が短い時刻（所定値以下）において撮像された深度画像に基づき生成された３Ｄ空間モデルから、当該位置情報に基づき通信路空間モデルが抽出され、当該通信路空間モデルから生成された特徴量と当該通信品質情報が示す通信品質の組み合わせが教師データとなる。推定装置３は、各ＢＳ１から通信品質情報及び位置情報を取得する毎に、上記の様に教師データを生成する。そして、学習部３４は、教師データの特徴量を入力としたときに、当該教師データが示す通信品質が出力される様に学習を行って学習データを出力する。

図８は、本実施形態による推定装置３の構成図である。なお、図８においては、学習データに基づく通信品質の推定に関する機能ブロックのみを示している。通信路抽出部３２には、通信品質の推定を行いたいＵＥの位置とＢＳの位置が入力される。通信路抽出部３２は、最新の深度画像に基づき生成された３Ｄ空間モデルから通信路空間モデルを抽出し、特徴量算出部３３は、当該通信路空間モデルの特徴量を算出する。通信路抽出部３２及び特徴量算出部３３での処理は学習データの生成時と同様である。なお、学習データが、フレネルゾーンモデルを利用して生成されたものである場合、推定時にもフレネルゾーンモデルを利用し、学習データが、光線モデルを利用して生成されたものである場合、推定時にも光線モデルを利用する。

推定部３５は、学習データを有し、特徴量が入力されると、通信品質を推定結果として出力する。

例えば、ＵＥのハンドオーバ先のＢＳが複数ある場合、推定結果に基づきＵＥのハンドオーバ先のＢＳを決定することができる。また、あるＢＳと通信中のＵＥの移動状況に基づき、所定時間後のＵＥの位置を判定し、判定した位置のＵＳと当該ＢＳとの通信品質を推定し、通信品質が所定値より劣化すると推定された場合、ハンドオーバを行う様に制御することができる。

なお、本実施形態において、ＢＳ１は、当該ＢＳ１の位置を位置情報に含めるとしたが、ＵＥとは異なりＢＳ１の位置は変化しないため、各ＢＳ１の位置を推定装置３に格納しておき、ＢＳ１は、位置情報としてＵＥの位置のみを推定装置３に送信する構成とすることができる。また、本実施形態の推定装置３は、複数のＢＳ１によりサービス提供される所定領域の３Ｄ空間モデルを生成するものであったが、ＢＳ１毎の３Ｄ空間モデルを生成する構成とすることができる。この場合、推定装置３については、対応するＢＳ１内に設ける構成とすることができる。

なお、本実施形態では特徴量を物体の属性毎に求めていたが属性を判定することなく、所定の大きさ（Ｓが閾値以上）の物体の合計体積を特徴量とすることができる。また、上述したＳと閾値との比較による、小さな物体の削除を行わない構成とすることもできる。

以上、複数の深度画像に基づき３Ｄ空間モデルを生成することにより、個々の深度画像では被写体に隠れている物体による推定精度の劣化を防ぐことができる。また、３Ｄ空間モデルから通信路空間モデルを抽出し、通信路空間モデルの特徴量を算出し、特徴量に基づき学習処理を行う。この構成により、深度画像や通信路空間モデルそのものを使用して学習処理を行うことと比較して学習処理の処理量を少なくすることができる。さらに、通信路空間モデルから通信に影響を与えない小さな物体を削除することで推定精度を高め、処理量を小さくすることができる。

なお、本発明による推定装置３は、例えば、コンピュータといった装置の１つ以上のプロセッサで実行されると、当該１つ以上のプロセッサを上記推定装置３として機能・動作させるプログラムにより実現することができる。これらコンピュータプログラムは、コンピュータが読み取り可能な記憶媒体に記憶されて、又は、ネットワーク経由で配布が可能なものである。

発明は上記の実施形態に制限されるものではなく、発明の要旨の範囲内で、種々の変形・変更が可能である。

３１：モデル生成部、３２：通信路抽出部、３３：特徴量算出部、３４：学習部

Claims

複数のカメラが取得した複数の深度画像に基づき所定領域の３次元空間モデルを生成する生成手段と、
基地局装置から当該基地局装置と通信しているユーザ装置の位置と、当該通信の通信品質に関する情報を取得する取得手段と、
前記基地局装置の位置と前記ユーザ装置の位置とに基づき前記３次元空間モデルから前記通信に関する部分を通信路空間モデルとして抽出する抽出手段と、
前記通信路空間モデルにおける所定の物体を判定し、判定した物体に基づき前記通信路空間モデルの特徴量を判定する判定手段と、
前記通信路空間モデルの特徴量と前記通信の通信品質とに基づき特徴量から通信品質を推定するための学習データを生成する学習手段と、
を備えていることを特徴とする推定装置。
前記抽出手段は、前記基地局装置の位置と前記ユーザ装置の位置との間のフレネルゾーンを前記通信路空間モデルとして抽出することを特徴とする請求項１に記載の推定装置。
前記判定手段は、前記フレネルゾーンを複数のゾーンに分割し、前記複数のゾーンそれぞれに存在する前記所定の物体の体積に比例する値を前記特徴量とすることを特徴とする請求項２に記載の推定装置。
前記判定手段は、種別の異なる複数の物体を判定し、前記複数のゾーンそれぞれに存在する前記所定の物体の種別毎の体積に比例する値を前記特徴量とすることを特徴とする請求項３に記載の推定装置。
前記抽出手段は、前記基地局装置の位置と前記ユーザ装置の位置とを結ぶ１つ以上のパスの経路を前記通信路空間モデルとして抽出することを特徴とする請求項１に記載の推定装置。
前記判定手段は、前記１つ以上のパスそれぞれに存在する前記所定の物体の体積に比例する値を前記特徴量とすることを特徴とする請求項５に記載の推定装置。
前記判定手段は、種別の異なる複数の物体を判定し、前記１つ以上のパスそれぞれに存在する前記所定の物体の種別毎の体積に比例する値を前記特徴量とすることを特徴とする請求項６に記載の推定装置。
前記特徴量は、前記１つ以上のパスそれぞれについて、パスの長さと、前記基地局装置と前記ユーザ装置とを結ぶ直線に対する前記基地局装置での前記パスの角度と、前記基地局装置と前記ユーザ装置とを結ぶ直線に対する前記ユーザ装置での前記パスの角度と、の少なくとも１つを含むことを特徴とする請求項６又は７に記載の推定装置。
前記判定手段は、前記抽出手段が抽出した前記通信路空間モデルから所定の条件を満たす物体を削除し、削除後の前記通信路空間モデルにおける前記所定の物体を判定し、判定した物体に基づき前記通信路空間モデルの特徴量を判定することを特徴とする請求項１から８のいずれか１項に記載の推定装置。
前記所定の条件を満たす物体は、前記基地局装置の位置及び前記ユーザ装置の位置から見たときのサイズが閾値より小さい物体であることを特徴とする請求項９に記載の推定装置。
１つ以上のプロセッサを有する装置の前記１つ以上のプロセッサで実行されると、前記装置を請求項１から１０のいずれか１項に記載の推定装置として機能させることを特徴とするプログラム。