JP2021148705A - 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム - Google Patents

行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム Download PDF

Info

Publication number
JP2021148705A
JP2021148705A JP2020050898A JP2020050898A JP2021148705A JP 2021148705 A JP2021148705 A JP 2021148705A JP 2020050898 A JP2020050898 A JP 2020050898A JP 2020050898 A JP2020050898 A JP 2020050898A JP 2021148705 A JP2021148705 A JP 2021148705A
Authority
JP
Japan
Prior art keywords
received signal
signal strength
communication device
behavior
transition
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.)
Pending
Application number
JP2020050898A
Other languages
English (en)
Inventor
一歩希 猪股
Ibuki Inomata
一歩希 猪股
三好 堀川
Mitsuyoshi Horikawa
三好 堀川
和幸 橋本
Kazuyuki Hashimoto
和幸 橋本
東 岡本
Azuma Okamoto
東 岡本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Iwate Prefectural University
Original Assignee
Iwate Prefectural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Iwate Prefectural University filed Critical Iwate Prefectural University
Priority to JP2020050898A priority Critical patent/JP2021148705A/ja
Publication of JP2021148705A publication Critical patent/JP2021148705A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

【課題】所定領域内での移動体の行動を容易に把握することの可能な行動推定システム、行動推定方法、プログラムを提供する。【解決手段】行動推定システムは、移動体が所定領域内に存在する場合に、所定領域内の少なくとも1つの位置に設けられた第1通信装置と、移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する取得手段41と、取得した受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、移動体の行動を推定する推定手段42と、を備える。【選択図】図4

Description

本発明は、行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラムに関する。
近年、移動体(例えば、サービスの利用者等)の現在位置を測定し、測定した現在位置に応じて処理(例えば、歩行者ナビゲーションや広告配信等)を行うサービスの導入が進められている。移動体の現在位置を測定する技術の一例としては、無線通信における受信信号強度(RSSI:Received Signal Strength Indicator)を用いるものが知られている(例えば、特許文献1)。
特許文献1に記載された技術では、所定領域内に設けられた複数の固定装置と移動体との間で所定のタイミングで送信又は受信された電波の受信信号強度と、受信信号強度を学習データとして用いて決定された複数の決定木と、に基づいて、当該所定のタイミングにおける移動体の位置を予測するようになっている。
特開2016−176907号公報
従来技術では、所定のタイミングにおける移動体の位置しか把握することができず、例えば、所定領域内で移動体(例えば、サービスの利用者等)がどのような行動をしている(例えば、所定領域内の或る位置に接近している等)のかを把握することが困難であった。
本発明は上記課題に鑑みてなされたものであり、所定領域内での移動体の行動を容易に把握することの可能な行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラムを提供することを目的とする。
上記課題を解決するために、第一に本発明は、移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する取得手段と、取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定する推定手段と、を備える行動推定システムを提供する(発明1)。
ここで、受信信号強度に関する情報とは、例えば、受信信号強度の値であってもよいし、受信信号強度の値を所定の計算式に代入することによって得られた値であってもよいし、受信信号強度の度合いを表す情報であってもよい。
かかる発明(発明1)によれば、受信信号強度に関する情報が経時的に取得されると、取得された受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、移動体の行動が推定されるので、所定のタイミングにおける移動体の位置ではなく、所定領域内で移動体(例えば、サービスの利用者等)がどのような行動をしている(例えば、所定領域内の或る位置に接近している等)のかを推定することが可能になる。これにより、所定領域内での移動体の行動を容易に把握することができる。
上記発明(発明1)においては、前記推定手段は、取得した受信信号強度の所定期間内の推移と、前記学習済モデルと、に基づいて、前記所定期間内の移動体の行動を推定してもよい(発明2)。
かかる発明(発明2)によれば、所定期間内の移動体の行動を容易に把握することができる。
上記発明(発明1〜2)においては、前記移動体の行動は、前記移動体の前記所定領域内の所定位置に関する行動を含んでもよい(発明3)。
かかる発明(発明3)によれば、所定領域内の所定位置に関して移動体がどのように行動しているのかを容易に把握することができる。
上記発明(発明3)においては、前記所定位置に関する行動は、前記所定位置に滞在していること、前記所定位置に接近していること、前記所定位置から離脱していること、及び、前記所定位置とは別の位置に滞在していること、のうち少なくとも1つを含んでもよい(発明4)。
かかる発明(発明4)によれば、移動体が所定位置に滞在しているのか、移動体が所定位置に接近しているのか、移動体が所定位置から離脱しているのか、及び、移動体が所定位置とは異なる位置に滞在しているのか、のうち少なくとも1つを、移動体の行動として把握することができる。
上記発明(発明1〜4)においては、推定された前記移動体の行動に関する情報を提示する提示手段を備えてもよい(発明5)。
かかる発明(発明5)によれば、推定された移動体の行動に関する情報が提示されるので、所定領域内で移動体がどのように行動しているのかを容易に把握することができる。
第二に本発明は、所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する推移情報取得手段と、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習する学習手段と、を備えるモデル学習システムを提供する(発明6)。
かかる発明(発明6)によれば、受信信号強度の推移を学習用データとして用いた機械学習によって、移動体の行動を推定するのに用いられるモデルを学習することが可能になるので、このモデルを用いることによって、移動体の行動を推定することができる。
第三に本発明は、コンピュータが、移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得するステップと、取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定するステップと、の各ステップを実行する、行動推定方法を提供する(発明7)。
第四に本発明は、コンピュータが、所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得するステップと、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習するステップと、の各ステップを実行する、モデル学習方法を提供する(発明8)。
第五に本発明は、コンピュータに、移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する機能と、取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定する機能と、を実現させるためのプログラムを提供する(発明9)。
第六に本発明は、コンピュータに、所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する機能と、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習する機能と、を実現させるためのプログラムを提供する(発明10)。
本発明の行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラムによれば、所定領域内での移動体の行動を容易に把握することができる。
本発明の一実施形態に係る行動推定システムの基本構成を概略的に示す図である。 第2通信装置の構成を示すブロック図である。 推定装置の構成を示すブロック図である。 行動推定システム及びモデル学習システムで主要な役割を果たす機能を説明するための機能ブロック図である。 取得データの構成例を示す図である。 第1通信装置及び第2通信装置間の距離と、受信信号強度との関係を示す図である。 学習用データの構成例を示す図である。 受信信号強度の推移と移動体の行動との関係を示す図である。 本発明の一実施形態に係るモデル学習システムの主要な処理の一例を示すフローチャートである。 本発明の一実施形態に係る行動推定システムの主要な処理の一例を示すフローチャートである。 行動推定システム及びモデル学習システムの各機能について、推定装置と、学習装置との間の分担例を示す図である。
以下、本発明の一実施形態について添付図面を参照して詳細に説明する。ただし、この実施形態は例示であり、本発明はこれに限定されるものではない。
(1)行動推定システム及びモデル学習システムの基本構成
図1は、本発明の一実施形態に係る行動推定システム及びモデル学習システムの基本構成を概略的に示す図である。図1に示すように、この行動推定システムでは、例えば屋内等の所定領域R内の所定位置に設けられた第1通信装置10と、領域R内に存在する移動体(本実施形態では、行動推定の対象である対象者)に設けられた第2通信装置20との間で無線信号の送受信を行い、推定装置30が、当該無線信号の送受信における受信信号強度に関する情報を、通信網NWを介して第1通信装置10から経時的に取得すると、取得した受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、領域R内での移動体の行動を推定するようになっている。ここで、第2通信装置20と、推定装置30とは、例えばインターネットやLAN(Local Area Network)等の通信網NW(ネットワーク)に接続されている。
また、本実施形態に係るモデル学習システムでは、推定装置30が、受信信号強度の推移に関する情報を取得すると、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、移動体の行動を推定するのに用いられるモデルを学習するようになっている。
第1通信装置10は、領域R内で無線LAN(例えば、Wi−Fi(登録商標))を用いて第2通信装置20と無線通信を行うことが可能な位置に設けられている。第1通信装置10は、例えば、領域R内に存在する2つ以上の第2通信装置20間の無線通信を中継する装置であってもよいし、第2通信装置20と領域R内に存在する他の装置(図示省略)との間の無線通信を中継する装置であってもよいし、第2通信装置20と、通信網NWを介して接続された他の装置との間の通信を中継する装置であってもよい。また、第1通信装置10は、パケットキャプチャであってもよい。
なお、本実施形態では、領域R内に1つの第1通信装置10が設けられている場合を一例として説明しているが、第1通信装置10は、領域R内の複数の位置の各々に設けられてもよい。
また、ここでは、Wi−Fi(登録商標)を用いて無線通信を行う場合を一例として説明しているが、通信方式は、この場合に限られない。例えば、Bluetooth(登録商標)、ZigBee(登録商標)、UWB、光無線通信(例えば、赤外線)等の無線通信方式が用いられてもよいし、USB等の有線通信方式が用いられてもよい。
第2通信装置20は、領域R内に存在する場合に、無線LANを用いて第1通信装置10と無線通信を行うことができるように構成されている。また、第2通信装置20は、第1通信装置10との間で無線通信を行うために、自身の識別情報(例えば、MACアドレス等)を含む無線信号(例えば、プローブ要求等)を所定間隔(例えば、数百ミリ秒間隔等)で送信するように構成されてもよい。第2通信装置20は、例えば、移動体に装着可能なデバイス(例えば、ウェアラブルデバイス)であってもよいし、移動体が所持可能な携帯型デバイスであってもよい。さらに、第2通信装置20は、例えば、携帯端末、スマートフォン、PDA(Personal Digital Assistant)、パーソナルコンピュータ、双方向の通信機能を備えたテレビジョン受像機(いわゆる多機能型のスマートテレビも含む。)等のように、個々のユーザによって操作される通信装置であってもよい。
推定装置30は、通信網NWを介して第2通信装置20と通信を行い、第1通信装置10と第2通信装置20との間の無線信号の送受信における受信信号強度に関する情報を、通信網NWを介して第2通信装置20から経時的に取得するように構成されている。なお、推定装置30は、第1通信装置10を介して第2通信装置20と通信可能に構成されている場合には、通信網NWを介して第2通信装置20と通信しなくてもよい。推定装置30は、例えば、汎用のパーソナルコンピュータであってもよい。
(2)第2通信装置の構成
図2を参照して第2通信装置20の構成について説明する。図2は、第2通信装置20の内部構成を示すブロック図である。図2に示すように、第2通信装置20は、CPU(Central Processing Unit)21と、ROM(Read Only Memory)22と、RAM(Random Access Memory)23と、記憶装置24と、表示処理部25と、表示部26と、入力部27と、通信インタフェース部28と、を備えており、各部間の制御信号又はデータ信号を伝送するためのバス20aが設けられている。
CPU21は、電源が第2通信装置20に投入されると、ROM22又は記憶装置24に記憶された各種のプログラムをRAM23にロードして実行する。
記憶装置24は、例えば、フラッシュメモリ、SSD(Solid State Drive)、磁気記憶装置(例えばHDD(Hard Disk Drive)、フロッピーディスク(登録商標)、磁気テープ等)、光ディスク等の不揮発性の記憶装置であってもよいし、RAM等の揮発性の記憶装置であってもよく、CPU21が実行するプログラムやCPU21が参照するデータを格納する。
表示処理部25は、CPU21から与えられる表示用データを表示部26に表示する。表示部26は、例えば、マトリクス状に画素単位で配置された薄膜トランジスタを含むLCD(Liquid Crystal Display)モニタであり、表示用データに基づいて薄膜トランジスタを駆動することで、表示されるデータを表示画面に表示する。
第2通信装置20が釦入力方式の通信装置である場合には、入力部27は、ユーザの操作入力を受け入れるための方向指示釦及び決定釦等の複数の指示入力釦を含む釦群と、テンキー等の複数の指示入力釦を含む釦群とを備え、各釦の押下(操作)入力を認識してCPU21へ出力するためのインタフェース回路を含む。
第2通信装置20がタッチパネル入力方式の通信装置である場合には、入力部27は、主として表示画面に指先又はペンで触れることによるタッチパネル方式の入力を受け付ける。タッチパネル入力方式は、静電容量方式等の公知の方式であってもよい。
また、第2通信装置20が音声入力可能な通信装置である場合には、入力部27は、音声入力用のマイクを含むように構成されてもよいし、外付けのマイクを介して入力された音声データをCPU21へ出力するためのインタフェース回路を備えてもよい。さらに、第2通信装置20が動画像及び/又は静止画像を入力可能な通信装置である場合には、入力部27は、画像入力用のデジタルカメラやデジタルビデオカメラを含むように構成されてもよいし、外付けのデジタルカメラやデジタルビデオカメラで撮像された画像データを受け付けてCPU21へ出力するためのインタフェース回路を備えてもよい。
通信インタフェース部28は、第1通信装置10と無線通信を行うためのインタフェース回路と、通信網NWを介して他の装置(例えば、推定装置30)と通信を行うためのインタフェース回路と、を含む。また、通信インタフェース部28には、第1通信装置10から送信された無線信号を受信したときの受信信号強度を検出するRSSI回路が設けられている。
なお、第1通信装置10から送信された無線信号には、無線信号を送信した第1通信装置10の識別情報(例えば、MAC(Media Access Control)アドレス等)が含まれていてもよく、第1通信装置10から送信された無線信号の受信信号強度がRSSI回路によって検出されると、検出された受信信号強度と当該第1通信装置10の識別情報とが互いに対応付けられた状態で例えばRAM23又は記憶装置24に記憶されてもよい。
(3)推定装置の構成
図3を参照して推定装置30の構成について説明する。図3は、推定装置30の内部構成を示すブロック図である。図3に示すように、推定装置30は、CPU31と、ROM32と、RAM33と、記憶装置34と、表示処理部35と、表示部36と、入力部37と、通信インタフェース部38と、を備えており、各部間の制御信号又はデータ信号を伝送するためのバス30aが設けられている。
CPU31は、電源が推定装置30に投入されると、ROM32又は記憶装置34に記憶された各種のプログラムをRAM33にロードして実行する。本実施形態では、CPU31は、ROM32又は記憶装置34に記憶されたプログラムを読み出して実行することにより、後述する取得手段41、推定手段42、提示手段43、推移情報取得手段44及び学習手段45(図4に示す)の機能を実現する。
記憶装置34は、例えば、フラッシュメモリ、SSD、磁気記憶装置(例えばHDD、フロッピーディスク(登録商標)、磁気テープ等)、光ディスク等の不揮発性の記憶装置であってもよいし、RAM等の揮発性の記憶装置であってもよく、CPU31が実行するプログラムやCPU31が参照するデータを格納する。また、記憶装置34には、後述する取得データ(図5に示す)及び学習用データ(図7に示す)が記憶されている。
入力部37は、例えばマウスやキーボード等の情報入力デバイスであってもよいし、音声入力用のマイクを含むように構成されてもよいし、画像入力用のデジタルカメラやデジタルビデオカメラを含むように構成されてもよいし、外付けのデジタルカメラやデジタルビデオカメラで撮像された画像データを受け付けてCPU31へ出力するためのインタフェース回路を備えてもよい。
通信インタフェース部38は、通信網NWを介して通信を行うためのインタフェース回路を含む。推定装置30内の他の各部の詳細は、第2通信装置20と同様であってもよい。
(4)行動推定システム及びモデル学習システムにおける各機能の概要
本実施形態の行動推定システム及びモデル学習システムで実現される機能について、図4を参照して説明する。図4は、本実施形態の行動推定システム及びモデル学習システムで主要な役割を果たす機能を説明するための機能ブロック図である。図4の機能ブロック図では、取得手段41及び推定手段42が本発明の行動推定システムの主要な構成に対応しており、推移情報取得手段44及び学習手段45が本発明のモデル学習システムの主要な構成に対応している。他の手段(提示手段43)は必ずしも必須の構成ではないが、本発明をさらに好ましくするための構成要素である。
なお、本実施形態の行動推定システム及びモデル学習システムにおける各機能を説明するにあたって、第1通信装置10は、無線信号(例えば、ビーコン信号)を所定間隔(例えば、数百ミリ秒間隔等)で送信しているものと想定する。
取得手段41は、対象者(移動体)が領域R(所定領域)内に存在する場合に、領域R内の少なくとも1つの位置に設けられた第1通信装置10と、対象者に設けられた第2通信装置20との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する機能を備える。ここで、受信信号強度に関する情報とは、例えば、受信信号強度の値であってもよいし、受信信号強度の値を所定の計算式に代入することによって得られた値であってもよいし、受信信号強度の度合いを表す情報であってもよい。
取得手段41の機能は、例えば以下のように実現される。なお、ここでは、取得手段41が、第1通信装置10から送信された無線信号を第2通信装置20が受信したときの受信信号強度に関する情報を経時的に取得する場合を一例として説明する。先ず、第2通信装置20のCPU21は、第1通信装置10から送信された無線信号を、通信インタフェース部28を介して受信する毎に、RSSI回路によって検出された当該無線信号の受信信号強度の値を例えばRAM23又は記憶装置24に記憶する。ここで、受信信号強度の値は、例えば、CPU21が第1通信装置10から無線信号を受信した日時と対応付けられた状態で記憶されてもよい。そして、CPU21は、例えば、所定期間(例えば、数秒等)が経過する毎に、当該所定期間内に記憶された全ての受信信号強度(つまり、当該所定期間内に第2通信装置20が第1通信装置10から受信した全ての無線信号の受信信号強度)の値を、通信インタフェース部28及び通信網NWを介して推定装置30に送信する。ここで、第2通信装置20から推定装置30に送信される情報には、第2通信装置20の識別情報(例えば、第2通信装置ID)が含まれてもよい。
一方、推定装置30のCPU31は、第2通信装置20から送信された受信信号強度の値を、通信インタフェース部38を介して受信(取得)する毎に、受信した受信信号強度の値を、当該第2通信装置20の識別情報(第2通信装置ID)と対応付けた状態で例えば図5に示す取得データに記憶する。取得データは、第2通信装置20の識別情報(第2通信装置ID)毎に、第2通信装置20のRSSI回路が経時的に検出した受信信号強度の値が対応付けられた状態で記述されているデータである。このようにして、第1通信装置10から送信された無線信号を第2通信装置20が受信したときの受信信号強度に関する情報を、経時的に取得することができる。
なお、第1通信装置10から送信された無線信号を第2通信装置20が受信したときの受信信号強度に基づいて、第1通信装置10と第2通信装置20との距離をもとめることができる。具体的に説明すると、第1通信装置10と第2通信装置20との距離は、例えば、以下の式(1)及び(2)を用いることによって算出することができる。
=P+G+G−L …(1)
Figure 2021148705

式(1)中、Pは受信信号強度(dBm)を示し、Pは第1通信装置10の送信電力(dBm)を示し、Gは第2通信装置20の受信アンテナの利得(dBi)を示し、Gは第1通信装置10の送信アンテナの利得(dBi)を示し、Lは自由空間損失(dBm)を示している。このLは式(2)でもとめられ、式(2)中、dは第1通信装置10と第2通信装置20との距離(m)を示し、fは無線信号の周波数(Hz)を示し、cは光速(=2.99792458×10)(m/s)を示している。式(1)及び式(2)によってもとめられる距離と受信信号強度の値との関係は、例えば図6に示す対数関数で表される。図6に示すように、第1通信装置10と第2通信装置20との距離が短いほど、受信信号強度の値が大きいことがわかる。
推定手段42は、取得した受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者(移動体)の行動を推定する機能を備える。
ここで、推定手段42は、取得した受信信号強度の所定期間内の推移と、学習済モデルと、に基づいて、当該所定期間内の対象者(移動体)の行動を推定してもよい。これにより、所定期間内の対象者の行動を容易に把握することができる。
また、対象者(移動体)の行動は、当該対象者の領域R(所定領域)内の所定位置に関する行動を含んでもよい。これにより、領域R内の所定位置に関して対象者がどのように行動しているのかを容易に把握することができる。
さらに、所定位置に関する行動は、当該所定位置に滞在していること、当該所定位置に接近していること、当該所定位置から離脱していること、及び、当該所定位置とは別の位置に滞在していること、のうち少なくとも1つを含んでもよい。これにより、対象者が所定位置に滞在しているのか、対象者が所定位置に接近しているのか、対象者が所定位置から離脱しているのか、及び、対象者が所定位置とは異なる位置に滞在しているのか、のうち少なくとも1つを、対象者の行動として把握することができる。
推定手段42の機能は、例えば以下のように実現される。推定装置30のCPU31は、取得手段41の機能に基づいて、受信信号強度の値(ここでは、所定期間内に第2通信装置20が第1通信装置10から受信した全ての無線信号の受信信号強度)の値を第2通信装置20から取得する毎に、取得した受信信号強度の推移に関する情報(当該所定期間内の全ての受信信号強度の値)を、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデル(後述する)に入力することによって、当該所定期間内の対象者の行動を推定してもよい。
学習用データの一例を図7に示す。図7に示す学習用データは、所定期間における受信信号強度の推移毎に、領域R内の対象者の行動(図の例では、「第1位置に滞在」、「第1位置に接近」、「第1位置から離脱」、「第2位置に滞在」等)が対応付けられた状態で記述されているデータである。これにより、機械学習の結果として、受信信号強度の推移と、対象者の行動との関係を示す学習済モデルが構成される。
ここで、図8を参照して、受信信号強度の推移と対象者の行動との関係の一例について説明する。図8に示す例では、対象者が、領域R内の第1位置と第2位置(第1通信装置10から見た場合、第1位置よりも遠い位置である)との間で移動を繰り返す場合の受信信号強度の推移を示している。図8では、対象者が、第2位置から第1位置に接近し、第1位置に滞在し、第1位置から離脱し(第2位置に接近し)、第2位置に滞在する、という行動を繰り返すことが示されている。
図8に示す例では、対象者が第1位置に接近している期間では受信信号強度が徐々に高くなり、対象者が第1位置に滞在している期間では受信信号強度が高いレベルで安定しており、対象者が第1位置から離脱している期間では受信信号強度が徐々に低くなり、対象者が第2位置に滞在している期間では受信信号強度が低いレベルで安定していることがわかる。これにより、所定期間内の受信信号強度の推移に基づいて、当該所定期間における対象者の行動を推定することができる。
CPU21は、受信信号強度の推移に関する情報を学習済モデルに入力することによって、所定期間における対象者の行動(ここでは、「第1位置に滞在」、「第1位置に接近」、「第1位置から離脱」、「第2位置に滞在」の何れか)を推定することができる。
提示手段43は、推定された対象者(移動体)の行動に関する情報を提示する機能を備える。提示手段43を備えることによって、推定された対象者の行動に関する情報が提示されるので、領域R内で対象者がどのように行動しているのかを容易に把握することができる。
提示手段43の機能は、例えば以下のように実現される。推定装置30のCPU31は、推定手段42の機能に基づいて対象者の行動が推定されると、推定された対象者の行動に関する情報を例えば表示部36に表示してもよい。ここで、対象者の行動に関する情報は、テキストデータで構成されてもよいし、画像データ等で構成されてもよい。また、対象者の行動に関する情報が音声データで構成されている場合には、CPU31は、対象者の行動に関する情報を、スピーカ等の音声出力装置から出力してもよい。
また、CPU31は、推定された対象者の行動に関する情報を、通信網NWを介して推定装置30に接続された他のコンピュータ(例えば、サーバ等)に送信してもよい。
推移情報取得手段44は、領域R(所定領域)内の少なくとも1つの位置に設けられた第1通信装置10と、領域R内に存在する対象者(移動体)に設けられた第2通信装置20との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する機能を備える。
推移情報取得手段44の機能は、例えば以下のように実現される。なお、ここでは、推移情報取得手段44が、第1通信装置10から送信された無線信号を第2通信装置20が受信したときの受信信号強度の推移に関する情報を取得する場合を一例として説明する。推定装置30のCPU31は、取得手段41の機能と同様に、第2通信装置20から送信された受信信号強度(ここでは、所定期間内に第2通信装置20が第1通信装置10から受信した全ての無線信号の受信信号強度)の値を、通信インタフェース部38を介して受信(取得)する毎に、受信した受信信号強度の値を、所定期間における受信信号強度の推移として、図7に示す学習用データに記憶する。また、CPU31は、学習用データに新たに記憶された受信信号強度の推移毎に、複数の行動(図7の例では、「第1位置に滞在」、「第1位置に接近」、「第1位置から離脱」及び「第2位置に滞在」)のうち何れの行動が行われていたかを示す正解データが入力部37を用いて入力されると、入力された正解データを、受信信号強度の推移に対応する「行動」の項目に記憶する。
学習手段45は、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、対象者(移動体)の行動を推定するのに用いられるモデルを学習する機能を備える。
学習手段45の機能は、例えば以下のように実現される。推定装置30のCPU31は、例えば、所定のモデル学習指示が入力部37を用いて入力されると、図7に示す学習用データを用いてモデルの学習を行う。ここで、CPU31は、例えば、畳み込みニューラルネットワーク(CNN)モデル、サポートベクターマシン(SVM)モデル、全結合ニューラルネットワーク(FNN)モデル、勾配ブースティング(HGB)モデル、ウェーブネット(WN)モデル等の複数のモデルのうち何れかのモデルを用いて学習してもよい。
(5)本実施形態のモデル学習システムの主要な処理のフロー
次に、本実施形態のモデル学習システムにより行われる主要な処理のフローの一例について、図9のフローチャートを参照して説明する。
推定装置30のCPU31は、領域R内の少なくとも1つの位置に設けられた第1通信装置10と、領域R内に存在する対象者(移動体)に設けられた第2通信装置20との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する(ステップS100)。具体的に説明すると、CPU31は、第2通信装置20から送信された受信信号強度(ここでは、所定期間内に第2通信装置20が第1通信装置10から受信した全ての無線信号の受信信号強度)の値を、通信インタフェース部38を介して受信(取得)する(ステップS100)毎に、受信した受信信号強度の値を、所定期間における受信信号強度の推移として学習用データに記憶する。
また、CPU31は、学習用データに新たに記憶された受信信号強度の推移毎に、複数の行動(例えば、「第1位置に滞在」、「第1位置に接近」、「第1位置から離脱」及び「第2位置に滞在」)のうち何れの行動が行われていたかを示す正解データが入力部37を用いて入力されると、入力された正解データを、受信信号強度の推移に対応する「行動」の項目に記憶する。
次に、推定装置30のCPU31は、取得した受信信号強度の推移を学習用データとして用いた機械学習によって、対象者(移動体)の行動を推定するのに用いられるモデルを学習する(ステップS102)。具体的に説明すると、CPU31は、例えば、所定のモデル学習指示が入力部37を用いて入力されると、学習用データを用いてモデルの学習を行う。ここで、CPU31は、例えば、畳み込みニューラルネットワーク(CNN)モデル、サポートベクターマシン(SVM)モデル、全結合ニューラルネットワーク(FNN)モデル、勾配ブースティング(HGB)モデル、ウェーブネット(WN)モデル等の複数のモデルのうち何れかのモデルを用いて学習してもよい。
このようにして、受信信号強度の推移を学習用データとして用いた機械学習によって、対象者(移動体)の行動を推定するのに用いられるモデルを学習することが可能になる。
(6)本実施形態の行動推定システムの主要な処理のフロー
次に、本実施形態の行動推定システムにより行われる主要な処理のフローの一例について、図10のフローチャートを参照して説明する。
先ず、推定装置30のCPU31は、対象者(移動体)が領域R内に存在する場合に、領域R内の少なくとも1つの位置に設けられた第1通信装置10と、対象者に設けられた第2通信装置20との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する(ステップS200)。具体的に説明すると、CPU31は、第2通信装置20から送信された受信信号強度の値を、通信インタフェース部38を介して受信(取得)する毎に、受信した受信信号強度の値を、当該第2通信装置20の識別情報(第2通信装置ID)と対応付けた状態で取得データに記憶する。
次に、推定装置30のCPU31は、取得した受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、対象者(移動体)の行動を推定する(ステップS202)。具体的に説明すると、CPU31は、受信信号強度の値(ここでは、所定期間内に第2通信装置20が第1通信装置10から受信した全ての無線信号の受信信号強度)の値を第2通信装置20から取得する毎に、取得した受信信号強度の推移に関する情報(当該所定期間内の全ての受信信号強度の値)を、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルに入力することによって、当該所定期間内の対象者の行動を推定してもよい。
次いで、推定装置30のCPU31は、推定された対象者(移動体)の行動に関する情報を提示する(ステップS204)。具体的に説明すると、CPU31は、ステップS202において対象者の行動が推定されると、推定された対象者の行動に関する情報を例えば表示部36に表示してもよい。
このようにして、領域R内で対象者(移動体)がどのような行動をしている(例えば、所定領域内の或る位置に接近している等)のかを推定することが可能になる。
上述したように、本実施形態の行動推定システム、行動推定方法、プログラムによれば、受信信号強度(RSSI)に関する情報が経時的に取得されると、取得された受信信号強度の推移と、受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、移動体(対象者)の行動が推定されるので、所定のタイミングにおける移動体の位置ではなく、所定領域R内で移動体がどのような行動をしている(例えば、所定領域R内の或る位置に接近している等)のかを推定することが可能になる。これにより、所定領域R内での移動体の行動を容易に把握することができる。
また、本実施形態のモデル学習システム、モデル学習方法、プログラムによれば、受信信号強度(RSSI)の推移を学習用データとして用いた機械学習によって、移動体(対象者)の行動を推定するのに用いられるモデルを学習することが可能になるので、このモデルを用いることによって、移動体の行動を推定することができる。
以下、上述した実施形態の変形例について説明する。
(変形例1)
上記実施形態では、取得手段41が、第1通信装置10から送信された無線信号を第2通信装置20が受信したときの受信信号強度を取得する場合を一例として説明したが、この場合に限られない。例えば、取得手段41は、第2通信装置20から送信された無線信号を第1通信装置10が受信したときの受信信号強度を取得してもよい。ここで、第1通信装置10には、第2通信装置20から送信された無線信号を受信したときの受信信号強度を検出するRSSI回路が設けられていてもよい。
この場合、第2通信装置20のCPU21は、第1通信装置10に対して、無線信号の受信信号強度の値を第2通信装置20に送信するように要求してもよい。そして、推定装置30のCPU31は、取得手段41の機能として、第2通信装置20から送信された第1通信装置10の受信信号強度の値を、通信インタフェース部38を介して受信(取得)すると、受信した情報を取得データに記憶してもよい。
このように、本変形例にかかる行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラムによれば、上述した実施形態と同様の作用効果を発揮することが可能である。
(変形例2)
上記実施形態では、1つの第2通信装置20が移動体に設けられている場合を一例として説明したが、この場合に限られない。例えば、移動体の複数の部位(例えば、対象者の複数の身体部位等)の各々に第2通信装置20が設けられてもよい。
また、本変形例において、取得手段41は、第1通信装置10と、移動体に設けられた複数の第2通信装置20の各々との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を取得し、推定手段42は、複数の第2通信装置20の各々に対応する受信信号強度の推移と、学習済モデルと、に基づいて、移動体の行動を推定してもよい。また、推移情報取得手段44は、第1通信装置10と、移動体に設けられた複数の第2通信装置20の各々との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得し、学習手段45は、複数の第2通信装置20の各々に対応する受信信号強度の推移を学習用データとして用いた機械学習によって、移動体の行動を推定するのに用いられるモデルを学習してもよい。
本変形例にかかる行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラムによれば、移動体の複数の部位の行動を推定することができるので、移動体の行動をより詳細に推定することが可能になる。
なお、本発明のプログラムは、コンピュータで読み取り可能な記憶媒体に記憶されていてもよい。このプログラムを記録した記憶媒体は、図2に示された第2通信装置20のROM22、RAM23又は記憶装置24であってもよいし、図3に示された推定装置30のROM32、RAM33又は記憶装置34であってもよい。また、例えばCD−ROMドライブ等のプログラム読取装置に挿入されることで読み取り可能なCD−ROM等であってもよい。さらに、記憶媒体は、磁気テープ、カセットテープ、フレキシブルディスク、MO/MD/DVD等であってもよいし、半導体メモリであってもよい。
以上説明した実施形態及び変形例は、本発明の理解を容易にするために記載されたものであって、本発明を限定するために記載されたものではない。したがって、上記実施形態及び変形例に開示された各要素は、本発明の技術的範囲に属する全ての設計変更や均等物をも含む趣旨である。
例えば、上述した実施形態では、移動体が人物(対象者)である場合を一例として説明したが、この場合に限られない。移動体は、行動推定の対象となり得るものであれば如何なるものであってもよく、例えば、人物以外の動物であってもよいし、作業機械、車両、飛行体等であってもよい。
また、上述した実施形態では、領域R内の1つの移動体の行動が推定される場合を一例として説明したが、領域R内の複数の移動体の各々の行動が推定されてもよい。
さらに、上述した実施形態では、「第1位置に滞在」、「第1位置に接近」、「第1位置から離脱」、「第2位置に滞在」のうち何れかの行動が対象者の行動として推定される場合を一例として説明したが、行動の内容はこれらに限定されない。
さらに、上述した実施形態では、1つの推定装置30が設けられている場合を一例として説明したが、この場合に限られない。例えば、複数の推定装置30が設けられてもよく、この場合には、何れかの推定装置30上の操作内容及び処理結果等が他の推定装置30上でリアルタイムに提示されてもよいし、何れかの推定装置30での処理結果等が複数の推定装置30間で共有されてもよい。
さらにまた、上述した実施形態では、推定装置30によって、取得手段41、推定手段42、提示手段43、推移情報取得手段44及び学習手段45の各機能を実現する構成としたが、この構成に限られない。例えば、インターネットやLAN等の通信網を介して推定装置30と通信可能に接続されたコンピュータ等(例えば、汎用のパーソナルコンピュータやサーバコンピュータ等)から構成された学習装置50(図11に示す)であって、移動体の行動を推定するのに用いられるモデルを学習するための学習装置50が設けられてもよい。この場合、推定装置30及び学習装置50は、実質的に同一のハードウェア構成を採ることができるので、上記実施形態において説明した各手段41〜45のうち少なくとも1つの手段の機能を学習装置50によって実現することが可能になる。例えば、図4に示した機能ブロック図の各機能は、図11(a),(b)に示すように、推定装置30と学習装置50との間で任意に分担されてもよい。
また、上記各手段41〜45のうち少なくとも1つの手段の機能を、第1通信装置10及び/又は第2通信装置20によって実現する構成としてもよい。
上述したような本発明の行動推定システム、行動推定方法、プログラムは、所定領域内での移動体の行動を容易に把握することができ、例えば、移動体(例えば、作業者や作業機械等)の行動分析を行う業務管理システム等に好適に利用することができるので、その産業上の利用可能性は極めて大きい。
10…第1通信装置
20…第2通信装置
41…取得手段
42…推定手段
43…提示手段
44…推移情報取得手段
45…学習手段
50…学習装置
R…領域

Claims (10)

  1. 移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する取得手段と、
    取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定する推定手段と、
    を備える行動推定システム。
  2. 前記推定手段は、取得した受信信号強度の所定期間内の推移と、前記学習済モデルと、に基づいて、前記所定期間内の移動体の行動を推定する、請求項1に記載の行動推定システム。
  3. 前記移動体の行動は、前記移動体の前記所定領域内の所定位置に関する行動を含む、請求項1又は2に記載の行動推定システム。
  4. 前記所定位置に関する行動は、前記所定位置に滞在していること、前記所定位置に接近していること、前記所定位置から離脱していること、及び、前記所定位置とは別の位置に滞在していること、のうち少なくとも1つを含む、請求項3に記載の行動推定システム。
  5. 推定された前記移動体の行動に関する情報を提示する提示手段を備える、請求項1〜4の何れかに記載の行動推定システム。
  6. 所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する推移情報取得手段と、
    取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習する学習手段と、
    を備えるモデル学習システム。
  7. コンピュータが、
    移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得するステップと、
    取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定するステップと、
    の各ステップを実行する、行動推定方法。
  8. コンピュータが、
    所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得するステップと、
    取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習するステップと、
    の各ステップを実行する、モデル学習方法。
  9. コンピュータに、
    移動体が所定領域内に存在する場合に、前記所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度に関する情報を経時的に取得する機能と、
    取得した受信信号強度の推移と、前記受信信号強度の推移を学習用データとして用いた機械学習に基づく学習済モデルと、に基づいて、前記移動体の行動を推定する機能と、
    を実現させるためのプログラム。
  10. コンピュータに、
    所定領域内の少なくとも1つの位置に設けられた第1通信装置と、前記所定領域内に存在する移動体に設けられた第2通信装置との何れか一方から送信された無線信号を他方が受信したときの受信信号強度の推移に関する情報を取得する機能と、
    取得した受信信号強度の推移を学習用データとして用いた機械学習によって、前記移動体の行動を推定するのに用いられるモデルを学習する機能と、
    を実現させるためのプログラム。
JP2020050898A 2020-03-23 2020-03-23 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム Pending JP2021148705A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020050898A JP2021148705A (ja) 2020-03-23 2020-03-23 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020050898A JP2021148705A (ja) 2020-03-23 2020-03-23 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム

Publications (1)

Publication Number Publication Date
JP2021148705A true JP2021148705A (ja) 2021-09-27

Family

ID=77848501

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020050898A Pending JP2021148705A (ja) 2020-03-23 2020-03-23 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム

Country Status (1)

Country Link
JP (1) JP2021148705A (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118838A (ja) * 2010-12-02 2012-06-21 Hitachi Ltd 監視対象者の行動を監視する装置及び方法
JP2013080123A (ja) * 2011-10-04 2013-05-02 Kddi Corp サイネージ装置
JP2019204266A (ja) * 2018-05-23 2019-11-28 公立大学法人岩手県立大学 情報提供システム、情報提供方法、プログラム
JP2020024688A (ja) * 2018-07-25 2020-02-13 公立大学法人岩手県立大学 情報提供システム、情報提供方法、プログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012118838A (ja) * 2010-12-02 2012-06-21 Hitachi Ltd 監視対象者の行動を監視する装置及び方法
JP2013080123A (ja) * 2011-10-04 2013-05-02 Kddi Corp サイネージ装置
JP2019204266A (ja) * 2018-05-23 2019-11-28 公立大学法人岩手県立大学 情報提供システム、情報提供方法、プログラム
JP2020024688A (ja) * 2018-07-25 2020-02-13 公立大学法人岩手県立大学 情報提供システム、情報提供方法、プログラム

Similar Documents

Publication Publication Date Title
US10237692B2 (en) Systems, devices, and methods for sharing geographic location
CN108304758B (zh) 人脸特征点跟踪方法及装置
WO2018196788A1 (zh) 目的地点推荐方法、装置、服务器及存储介质
CN108090855B (zh) 一种学习计划推荐方法及移动终端
US9367215B2 (en) Mobile devices and related methods for configuring a remote device
EP3594848B1 (en) Queue information acquisition method, device and computer readable storage medium
CN109769213B (zh) 用户行为轨迹记录的方法、移动终端及计算机存储介质
WO2017041664A1 (zh) 一种征信评分确定方法、装置及存储介质
CN107241492B (zh) 一种动态信息显示方法、设备及计算机可读存储介质
CN110147742B (zh) 一种关键点定位方法、装置及终端
CN108551525B (zh) 一种移动轨迹的状态确定方法和移动终端
CN108762621B (zh) 一种消息显示方法及移动终端
CN109886408A (zh) 一种深度学习方法及装置
EP3809757A1 (en) Cell management method, terminal and network-side device
JP2020024688A (ja) 情報提供システム、情報提供方法、プログラム
CN111078819A (zh) 应用分享方法及电子设备
CN111836376A (zh) 一种上行传输方法、上行传输控制方法及相关设备
CN108124044A (zh) 通讯录管理方法及装置
CN112566197A (zh) 一种网络切换控制方法、设备及计算机可读存储介质
CN110069320B (zh) 一种应用程序的分类校正方法、终端、系统及存储介质
CN112566037A (zh) 物品追踪方法、终端及计算机可读存储介质
CN109711850B (zh) 一种安全支付方法、设备及计算机可读存储介质
JP2021148705A (ja) 行動推定システム、モデル学習システム、行動推定方法、モデル学習方法、プログラム
CN107844203B (zh) 一种输入法候选词推荐方法及移动终端
CN111352667A (zh) 信息推送方法和电子设备

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20200402

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220928

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230614

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230704

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20231226