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

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_ｒ＝Ｐ_ｔ＋Ｇ_ｒ＋Ｇ_ｔ−Ｌ …（１）

式（１）中、Ｐ_ｒは受信信号強度（ｄＢｍ）を示し、Ｐ_ｔは第１通信装置１０の送信電力（ｄＢｍ）を示し、Ｇ_ｒは第２通信装置２０の受信アンテナの利得（ｄＢｉ）を示し、Ｇ_ｔ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（＝２．９９７９２４５８×１０^８）（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。

Images