JP2023010182A - 学習装置、経路推定システムおよび学習方法 - Google Patents

学習装置、経路推定システムおよび学習方法 Download PDF

Info

Publication number
JP2023010182A
JP2023010182A JP2021114136A JP2021114136A JP2023010182A JP 2023010182 A JP2023010182 A JP 2023010182A JP 2021114136 A JP2021114136 A JP 2021114136A JP 2021114136 A JP2021114136 A JP 2021114136A JP 2023010182 A JP2023010182 A JP 2023010182A
Authority
JP
Japan
Prior art keywords
reception level
level information
learning
sequence
unit
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
JP2021114136A
Other languages
English (en)
Inventor
亨宗 白方
Yukimune Shirakata
芽生 岡本
Mei OKAMOTO
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Priority to JP2021114136A priority Critical patent/JP2023010182A/ja
Priority to US18/576,283 priority patent/US20240163645A1/en
Priority to PCT/JP2022/012170 priority patent/WO2023281839A1/ja
Publication of JP2023010182A publication Critical patent/JP2023010182A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/029—Location-based management or tracking services
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
    • G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Factory Administration (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

【課題】作業者が行った工程、工程を行った順序および工程を行うために工程間を移動した経路を推定すること。【解決手段】本開示の一実施例に係る学習装置は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集する収集部と、工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる学習部と、を備える。【選択図】図１

Description

本開示は、学習装置、経路推定システムおよび学習方法に関する。
工業製品の生産方式の１つとして、多品種少量生産や生産量変動への適応力が高いセル生産方式がある。セル生産方式は、１人または少数の作業者で製品の組立工程を完成する方式であり、１人の作業者が複数の工程を受け持っている。作業者が行った工程、工程を行った順序および工程を行うために工程間を移動した経路を把握することは生産性管理のための情報になるため、作業者の（作業）位置と工程の稼動状態（工程稼動情報）との関係を検出したいというニーズがある。
そのようなセル生産方式に適用可能であると考えられる屋内での位置推定技術として種々の技術が存在するが、無線通信技術を応用した位置推定の需要が高まっている。例えば特許文献１には、多数のアクセスポイントからの電波強度のリスト（無線マップまたはフィンガープリントと呼ばれる）を予め収集しておき、電波強度のリストに基づいて端末の位置を推定する技術が開示されている。
特開２０２１－５６２２２号公報
セル生産方式では、比較的狭い範囲内に複数の作業者が存在し、工程ごとの工程稼動情報には複数の作業者による工程稼動情報が混在することが多い。
位置推定技術により複数の作業者による工程稼動情報を作業者ごとに分離するには高い位置推定精度が求められる。しかしながら、フィンガープリント方式の位置推定の精度が低い場合、特許文献１に開示されているような技術をセル生産方式に適用したとしても、工程稼動情報とセルの工程配置すなわち作業者の（作業）位置とを紐付けることは難しい。そのため、作業者が行った工程、工程を行った順序および工程を行うために工程間を移動した経路を把握するのは難しくなる。
本開示の非限定的な実施例は、フィンガープリント方式を用いても、作業者が行った工程、工程を行った順序および工程を行うために工程間を移動した経路を推定することができる学習装置、経路推定システムおよび学習方法の提供に資する。
本開示の一実施例に係る学習装置は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集する収集部と、工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる学習部と、を備える。
本開示の一実施例に係る経路推定システムは、上記学習装置と、工程稼動情報系列と、前記第３の無線局が複数の前記第２の無線局から受信した信号の受信レベルを含む受信レベル情報系列と、前記生成モデルと、に基づいて、前記移動の状態を推定する推定部と、を備える。
本開示の一実施例に係る学習方法は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集し、工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる。
なお、これらの包括的または具体的な態様は、システム、装置、方法、集積回路、コンピュータプログラムまたは記録媒体で実現されてもよく、システム、装置、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
本開示によれば、フィンガープリント方式を用いても、作業者が行った工程、行った工程の順序および工程を行うために工程間を移動した経路を推定することができる。
本開示の一実施例における更なる利点および効果は、明細書および図面から明らかにされる。かかる利点および／または効果は、いくつかの実施形態並びに明細書および図面に記載された特徴によってそれぞれ提供されるが、１つまたはそれ以上の同一の特徴を得るために必ずしも全てが提供される必要はない。
本開示の実施の形態における経路推定システムの一例を示す構成図 本開示の実施の形態における工程ラベル系列の例を示す図 本開示の実施の形態における工程ラベルおよびフィンガープリントの例を示す図 本開示の実施の形態における学習部の一例を示す構成図 本開示の実施の形態における学習方法の一例を示すフローチャート 本開示の実施の形態における経路推定部の一例を示す構成図 本開示の実施の形態における経路推定方法の一例を示すフローチャート 本開示の実施の形態における候補系列の例を示す図 本開示の実施の形態における工程間移動確率テーブルの一例を示す図 本開示の実施の形態における観測フィンガープリント系列および再構成フィンガープリント系列の一例を示す図 本開示の実施の形態における表示部による表示の一例を示す図 本開示の実施の形態における表示部による表示の他の一例を示す図
以下、図面を適宜参照して、本開示の実施の形態について、詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
なお、添付図面および以下の説明は、当業者が本開示を十分に理解するために、提供されるのであって、これらにより特許請求の範囲に記載の主題を限定することは意図されていない。
（実施の形態）
＜経路推定システム＞
図１は、本開示の実施の形態における経路推定システム１００の一例を示す構成図である。
経路推定システム１００は、工程を移動し、かつ、工程で作業を行う作業者１０１について、作業者１０１が行った工程、行った工程の順序および工程を行うために工程間を移動した経路（すなわち、作業者１０１と紐付けられた携帯センサ１０２の工程間の移動の状態）を推定し、推定した工程、順序および経路（以下において、推定結果と呼ぶ）をユーザ（例えば、工程管理者、システム管理者等）に提示する。なお、本開示における移動は、異なる工程間の移動だけでなく、同じ作業を行うために同じ工程に留まることも含む。以下において、経路を推定する（または経路推定）とは、作業者が行った工程、行った工程の順序および工程を行うために工程間を移動した経路を推定することを意味する。
経路推定システム１００は、携帯センサ１０２と、工程センサ１０３－１～１０３－Ｎ（Ｎは２以上の整数）と、親局１０４と、受信レベル情報収集部１０５と、工程情報収集部１０６と、教師データ記憶部１０７と、学習部１０８と、経路推定部１０９と、表示部１１０と、を備える。
本実施の形態では、親局１０４、受信レベル情報収集部１０５、工程情報収集部１０６、教師データ記憶部１０７、学習部１０８、経路推定部１０９および表示部１１０は、１つまたは複数のコンピュータ装置として実現される。
経路推定システム１００は、本開示に係る経路推定システムの一例である。受信レベル情報収集部１０５、工程情報収集部１０６、教師データ記憶部１０７および学習部１０８は、本開示に係る学習装置の一例である。受信レベル情報収集部１０５および工程情報収集部１０６は、本開示に係る収集部の一例である。学習部１０８は、本開示に係る学習部の一例である。経路推定部１０９は、本開示に係る推定部の一例である。
工程センサ１０３－１～１０３－Ｎは、互いに区別される必要がない場合には工程センサ１０３と表記される。また、携帯センサ（無線端末装置、第３の無線局）１０２、工程センサ（第２の無線局）１０３および親局（無線基地局装置、第１の無線局）１０４は、無線局（無線装置）と総称されることがある。
携帯センサ１０２、工程センサ１０３および親局１０４は、例えば、ＷｉＦｉ（登録商標）やＢｌｕｅｔｏｏｔｈ（登録商標）等により、同一の無線ネットワーク内で接続する。例えば図１において、これらの無線局の無線接続関係の一部が点線で示されている。
携帯センサ１０２は、工程内で作業を行う作業者１０１によって携帯されて所持される。ここで、携帯センサ１０２のＩＤと作業者１０１（例えば作業者１０１のＩＤ）とは１対１に紐付けられる。紐付けられた携帯センサのＩＤと例えば作業者１０１のＩＤとは、例えば、上記１つまたは複数のコンピュータ装置の記憶部（メモリ等；図示せず）にテーブルの形態で記憶される。携帯センサ１０２は、当該携帯センサ１０２のＩＤを親局１０４に定期的に無線送信する。
携帯センサ１０２は、他の無線局からの無線信号を受信または傍受すると、その受信電力、受信信号強度（ＲＳＳＩ：Receive Signal Strength Indicator）等の受信レベルと送信元のＩＤを、無線信号を受信した時刻と紐付けて受信レベル情報として当該携帯センサ１０２の記憶部に記憶させる。携帯センサ１０２は、記憶させた受信レベル情報を親局１０４に定期的に無線送信する。
携帯センサ１０２は、携帯センサ１０２のＩＤと受信レベル情報とを、同じタイミングで親局１０４に無線送信する。これにより、携帯センサ１０２のＩＤと受信レベル情報とが紐付けられる。
工程センサ１０３－１～１０３－Ｎはそれぞれ、Ｎ個の作業工程（単に工程とも呼ぶ）に設置されている。作業者１０１がある工程で作業を行うと、その工程に設置されている工程センサ１０３は、その工程が稼動していること（その工程の稼動状態）、すなわち、ある作業者１０１－１がその工程にいることを示す工程稼動情報と、その工程が稼動していないこと（その工程の非稼動状態）、すなわち、全ての作業者１０１がその工程にいないことを示す工程非稼動情報と、を含む経時的な工程情報を親局１０４に無線送信する。なお、各工程センサ１０３は、その工程にいる作業者１０１のＩＤを特定しておらず、工程稼動情報は、作業者１０１（例えば作業者１０１のＩＤ）と紐付けられていない。
例えば図１において、作業者１０１－１から工程センサ１０３－２への矢印は、作業者１０１－１による工程「２」での作業を意味する。このとき、工程センサ１０３－２は、工程「２」の工程稼動情報を親局１０４に無線送信する。他の工程センサ１０３も同様に動作する。
工程センサ１０３は、他の無線局からの無線信号を受信または傍受すると、その受信電力、ＲＳＳＩ等の受信レベルと送信元のＩＤを、無線信号を受信した時刻と紐付けて受信レベル情報として当該工程センサ１０３の記憶部に記憶させる。工程センサ１０３は、記憶させた受信レベル情報を親局１０４に定期的に無線送信する。
親局１０４は、携帯センサ１０２から無線送信された携帯センサ１０２のＩＤと携帯センサ１０２の受信レベル情報とを受信し、工程センサ１０３から無線送信された工程センサ１０３の工程情報と工程センサ１０３の受信レベル情報とを受信する。
親局１０４は、携帯センサ１０２と工程センサ１０３からの無線信号を受信した場合、その受信電力、ＲＳＳＩ等の受信レベルと送信元のＩＤを、無線信号を受信した時刻と紐付けて親局１０４の受信レベル情報として受信レベル情報収集部１０５に出力する。また、親局１０４は、受信した携帯センサ１０２のＩＤと、携帯センサ１０２の受信レベル情報と、工程センサ１０３の受信レベル情報と、を受信レベル情報収集部１０５に出力する。また、親局１０４は、受信した工程センサ１０３の工程情報を工程情報収集部１０６に出力する。
受信レベル情報収集部１０５は、親局１０４から入力された、無線ネットワーク内の全部または一部の無線局の受信レベル情報を受け付ける。受信レベル情報収集部１０５は、入力された受信レベルを、工程ごと（工程ラベルごと）に、例えば以下で説明する図３に示すように所定の順序に並べてベクトル化した受信レベル情報（フィンガープリント（ＦＰ：FingerPrint）またはＦＰベクトルとも呼ぶ）を生成および収集する。このようにして生成されたＦＰおよびＦＰ系列をそれぞれ、観測されたＦＰおよび観測されたＦＰ系列、または、観測ＦＰおよび観測ＦＰ系列とも呼ぶ。なお、図３では、図示しないが、時刻に関する情報も含まれてもよい。
経路推定システム１００の学習部１０８が学習を行うときには、受信レベル情報収集部１０５は、訓練用の入力データとして、生成したＦＰを教師データ記憶部１０７に記憶させる。
工程の運用中には（作業者１０１の経路の推定を行いたいときには）、受信レベル情報収集部１０５は、生成したＦＰ系列を経路推定部１０９に出力する。
受信レベル情報収集部１０５は、作業者１０１の移動速度や作業速度よりも十分に速い速度でＦＰを収集することで、作業者１０１の位置に応じたＦＰの変化を捉えることができる。
工程情報収集部１０６は、親局１０４から入力された、工程センサ１０３からの工程稼動情報を収集および集約する。
経路推定システム１００の学習部１０８が学習を行うときには、工程情報収集部１０６は、訓練ラベル（教師データとしての工程ラベル）として、作業者１０１がいた工程を示す工程ラベルを教師データ記憶部１０７に記憶させる。
工程の運用中には（作業者１０１の経路の推定を行いたいときには）、工程情報収集部１０６は、集約した工程稼動情報を工程ラベル系列として経路推定部１０９に出力する。工程ラベル系列の例については、図２を参照して後述する。
工程情報収集部１０６は、集約した工程稼動情報を工程ラベル系列として表示部１１０に出力する。
教師データ記憶部１０７は、作業者１０１が行った工程、工程を行った順序および工程を行うために工程間を移動した経路（作業者１０１と紐付けられた携帯センサ１０２の工程間の移動の状態）を推定するためのＦＰモデルを学習させるための教師データを記憶する。教師データおよびＦＰモデルは、作業者の位置（すなわち作業者がいて稼動している工程、工程ラベル）とそのときのＦＰとを紐付けるものである。したがって、教師データ記憶部１０７は、作業者がある工程にいるときの工程ラベルとそのときに観測されたＦＰとを組にした教師データを記憶する。
教師データは、予め訓練用のモデルとして、例えば、携帯センサ１０２を所持する作業者１０１が所定の工程順で作業を行うことにより携帯センサ１０２を複数の工程の間で移動させることで、既知の工程ラベルと作業者１０１がその工程にいるときに観測されたＦＰとを組にしたものとして収集されて教師データ記憶部１０７に記憶される。教師データの例については、図３を参照して後述する。
学習部１０８は、教師データ記憶部１０７に記憶されている工程ラベルおよびＦＰを用いてＦＰモデルの学習を行う。学習部１０８は、学習されたＦＰモデルのパラメータを経路推定部１０９に出力する。なお、ＦＰモデルには、種々の機械学習アルゴリズムを用いた生成モデルを用いることができる。以下では、ＦＰモデル（生成モデル）に条件付き変分オートエンコーダ（ＣＶＡＥ：Conditional Variational AutoEncoder）を用いる例を説明する。
経路推定部１０９は、学習部１０８によって学習されたＦＰモデルのパラメータを用いて、工程の運用中に観測されたＦＰ系列と工程ラベル系列との関連を推定し、作業者１０１の経路を推定する。経路推定部１０９は、推定した作業者１０１の経路を含む推定結果を表示部１１０に出力する。
表示部１１０は、工程の運用中の工程ラベル系列、作業者（携帯センサ１０２（のＩＤ））ごとに分離した経路等をユーザに表示する。
図２は、本開示の実施の形態における工程ラベル系列の例を示す図である。
図２において、９個の工程センサ１０３－１～１０３－９に対してそれぞれ工程ラベル「１」～「９」が割り当てられている。それぞれの工程センサ１０３－１～１０３－９からの工程情報は、時刻を合わせた時系列データとして扱われる。すなわち、時系列データである工程稼動情報（工程ラベル系列（または工程稼動情報系列とも呼ぶ））は、時刻と紐付けられる。
例えば、工程センサ１０３－１からの工程情報は、時系列データ２０１－１のように表される。工程センサ１０３－１からの工程情報は、非稼動中は工程非稼動情報としてＬレベルで表され、稼動中は工程稼動情報としてＨレベルで表される。また、作業者１０１－１および作業者１０１－２はそれぞれ、工程６および工程９で同時に作業をしており、工程６および工程９で同時に作業している期間では、時系列データ２０１－６および２０１－９は同時にＨレベルとなる。
なお、上述したように、工程稼動情報は、作業者１０１（例えば作業者１０１のＩＤ）と紐付けられていないため、時系列データ２０１－６だけでは、工程６で作業していた作業者１０１－１を把握することは困難である。
図３は、本開示の実施の形態における工程ラベルおよびＦＰの例を示す図である。
図３に示す工程ラベル３０１－１～３０１－Ｎ（工程センサ１０３－１～１０３－Ｎに対してそれぞれ割り当てられている「１」～「Ｎ」）は、作業者１０１がいた位置（工程）を表す。
図３に示す、携帯センサ１０２が工程センサ１０３－１～１０３－Ｎおよび親局１０４から受信した無線信号の受信レベルの列ベクトル（例えば（－３０ －５０ ・・・ －９０ －７０）Ｔ）（単位：ｄＢｍ）が、ＦＰを表す。訓練用の入力データとして用いられるＦＰは、作業者のうちの１人等の代表者によって所持されている１つの携帯センサ１０２を用いて収集されてもよいし、複数の作業者によってそれぞれ所持されている複数の携帯センサ１０２を用いて収集されてもよい。
＜学習部の詳細＞
図４は、本開示の実施の形態における学習部１０８の一例を示す（内部）構成図である。本実施の形態では、生成モデルにＣＶＡＥが用いられる。学習部１０８は、ラベルに対応する入力ベクトル（ＦＰ）を低次元の潜在変数に圧縮するエンコーダと、入力された潜在変数を用いて入力ベクトル（ＦＰ）を再構成するデコーダと、の学習を行う。再構成されたＦＰおよび再構成されたＦＰ系列をそれぞれ、再構成ＦＰおよび再構成ＦＰ系列とも呼ぶ。
学習部１０８は、エンコーダ１０８１、潜在変数１０８２およびデコーダ１０８３を含む構成である生成モデル（ＦＰモデル）１０８４と、誤差学習部１０８５と、を含む。
エンコーダ１０８１は、例えばニューラルネットワークで構成される。エンコーダ１０８１は、教師データ記憶部１０７に記憶されている訓練ＦＰベクトルと訓練ラベル（教師データとしての工程ラベル）とを入力として受け付け、これらの入力に基づいて低次元の平均ベクトルおよび分散ベクトルを求める。
エンコーダ１０８１は、求めた低次元の平均ベクトルおよび分散ベクトルに基づいて多変量ガウス分布から潜在変数１０８２をサンプリングする。これにより、エンコーダ１０８１は、平均ベクトルにある程度ランダム性をもたせた次元圧縮を行って、次元圧縮後の潜在変数１０８２を求める。エンコーダ１０８１は、潜在変数１０８２をデコーダ１０８３に出力する。
デコーダ１０８３は、例えばニューラルネットワークで構成される。デコーダ１０８３は、低次元に圧縮された潜在変数１０８２と、エンコーダ１０８１に入力されたのと同じ、教師データ記憶部１０７に記憶されている訓練ラベル（教師データとしての工程ラベル）と、を入力して受け付け、これらの入力に基づいて（元の高次元の）ＦＰベクトルを再構成する。デコーダ１０８３は、再構成されたＦＰベクトルを誤差学習部１０８５に出力する。なお、ランダム性とは、同じ工程ラベルから再構成されるＦＰベクトルの少なくとも一部が変動していればよい。ランダム性によって、ベクトル空間内で少しだけ距離が離れたベクトルに再構成される。このため、再構成ＦＰ系列のバリエーションを増やすことができる。
誤差学習部１０８５は、デコーダ１０８３から入力された再構成ＦＰベクトルとエンコーダ１０８１に入力された訓練ＦＰベクトルとの誤差を最小化するように、エンコーダ１０８１、潜在変数１０８２およびデコーダ１０８３のパラメータ（例えば、重み、平均ベクトル、分散ベクトル等）を調整して、生成モデル１０８４のこれらのパラメータを学習する。なお、これらのパラメータの学習には、確率的最急降下法等、種々の最適化手法を用いることができる。
学習部１０８は、このようにして学習したパラメータを、経路推定部１０９における生成モデルの設定のために、経路推定部１０９に出力する。
図５は、本開示の実施の形態における学習方法５００の一例を示すフローチャートである。
ステップＳ５０１において、訓練用の教師データとして、図３に示すようにＮ種類の工程ラベルと各工程で観測されたＦＰベクトルとの組が予め用意される。具体的には、受信レベル情報収集部１０５および工程情報収集部１０６は、工程ラベルとＦＰベクトルとの組を、教師データとして教師データ記憶部１０７に記憶させる。学習部１０８は、これらの教師データを用いてＣＶＡＥの学習を行う。
ステップＳ５０２において、エンコーダ１０８１は、入力されたＦＰベクトルおよび工程ラベルから低次元の平均ベクトルおよび分散ベクトルを求め、低次元の平均ベクトルおよび分散ベクトルに基づいて多変量ガウス分布から潜在変数１０８２をサンプリングすることで、次元圧縮後の潜在変数１０８２を求める。
ステップＳ５０３において、デコーダ１０８３は、エンコーダ１０８１に入力されたのと同じ、入力された工程ラベルおよび低次元に圧縮された潜在変数１０８２からＦＰベクトルを再構成する。
ステップＳ５０４において、誤差学習部１０８５は、エンコーダ１０８１に入力されたＦＰベクトルとデコーダ１０８３から入力された再構成されたＦＰベクトルとの誤差を最小化するように、エンコーダ１０８１、潜在変数１０８２およびデコーダ１０８３のパラメータを学習する。
ステップＳ５０４における誤差が所定の小さい値内であれば、すなわち、訓練ＦＰ系列に対して所定の十分小さい誤差の再構成されたＦＰ系列が生成されていれば、学習部１０８は学習を終了する（ステップＳ５０５においてＹＥＳ）。一方、ステップＳ５０４における誤差が所定の小さい値内でなければ、ステップ（Ｓ５０１、）Ｓ５０２、Ｓ５０３およびＳ５０４が繰り返される（ステップＳ５０５においてＮＯ）。
＜経路推定部の詳細＞
図６は、本開示の実施の形態における経路推定部１０９の一例を示す（内部）構成図である。経路推定部１０９は、工程の運用中に観測された工程稼動情報（工程ラベル系列）から、可能性のある複数の候補系列を生成する。経路推定部１０９は、生成した候補系列および学習済みの生成モデルに基づいてＦＰ系列を再構成する。経路推定部１０９は、携帯センサ１０２のＩＤと紐付けられた観測されたＦＰ系列と、再構成したＦＰ系列と、の類似度を判定する。そして、経路推定部１０９は、類似度を判定した結果に基づいて、複数の候補系列の中からある候補系列を選択することにより、選択した候補系列を作業者１０１の経路として推定する。
経路推定部１０９は、候補系列生成部１０９１と、学習済みの生成モデル１０８４ａと、類似度判定部１０９２と、を含む。
候補系列生成部１０９１は、工程情報収集部１０６から入力された観測された工程ラベル系列６０２から、可能性のある複数の候補系列を生成する。候補系列生成部１０９１は、生成した複数の候補系列を、学習済みの生成モデル１０８４ａおよび類似度判定部１０９２に出力する。なお、観測された工程ラベル系列６０２とは、工程センサ１０３から得られる工程ラベルの系列である。
学習済みの生成モデル１０８４ａは、学習部１０８によって学習されて学習部１０８から入力されたパラメータを持つ潜在変数１０８２ａおよびデコーダ１０８３ａを含む構成である。なお、潜在変数１０８２ａおよびデコーダ１０８３ａはそれぞれ、学習部１０８の生成モデル１０８４の潜在変数１０８２およびデコーダ１０８３と同じであるのに対し、生成モデル１０８４ａは、エンコーダを含まない点で、学習部１０８の生成モデル１０８４と異なる。
生成モデル１０８４ａは、候補系列ごとに、候補系列生成部１０９１からデコーダ１０８３に入力された候補系列の工程ラベルと、潜在変数１０８２ａに入力された乱数と、を用いてＦＰ系列を再構成し、再構成ＦＰ系列６０４を生成する。
詳細には、候補系列の工程ラベルがデコーダ１０８３ａに入力され、潜在変数１０８２ａのパラメータに応じた多変量ガウス分布からサンプリングした乱数が潜在変数１０８２ａに入力されることで、生成モデル１０８４ａ（デコーダ１０８３ａ）は、ある程度ランダム性をもたせたＦＰ系列を再構成する。
生成モデル１０８４ａ（デコーダ１０８３ａ）は、生成した再構成ＦＰ系列６０４を類似度判定部１０９２に出力する。
類似度判定部１０９２は、受信レベル情報収集部１０５から入力された観測ＦＰ系列６０１と生成モデル１０８４ａ（デコーダ１０８３ａ）から入力された複数の再構成ＦＰ系列６０４それぞれとの類似度を求め、どの再構成ＦＰ系列が最も類似度が高いかを判定する。この類似度の判定では、類似度判定部１０９２は、例えばベクトル間のユークリッド距離を用い、距離が近い再構成ＦＰ系列を、類似度が高いと判定してよい。類似度判定部１０９２は、複数の候補系列の中から、最も類似度が高い再構成ＦＰ系列をもたらした候補系列を、作業者が行った予測工程、工程を行った予測順序および工程間を移動した予測経路として選択することにより、選択した予測工程、予測順序および予測経路を作業者１０１の経路として推定する。類似度判定部１０９２は、推定した推定結果を表示部１１０に出力する。
図７は、本開示の実施の形態における経路推定方法７００の一例を示すフローチャートである。
ステップＳ７０１において、経路推定部１０９は、学習部１０８によって学習されたパラメータを生成モデル１０８４ａ（潜在変数１０８２ａおよびデコーダ１０８３ａ）に設定する。
ステップＳ７０２において、候補系列生成部１０９１は、例えば表示部１１０に対するユーザ入力に基づく経路推定を行いたい期間について、工程間移動確率テーブルに基づいて、観測された工程ラベル系列から複数の候補系列を生成する。ステップＳ７０２の詳細については、後述する。
ステップＳ７０３において、生成モデル１０８４ａは、生成された候補系列ごとに、候補系列の工程ラベルと乱数とを用いてＦＰ系列を再構成して、再構成ＦＰ系列を生成する。
ステップＳ７０４において、類似度判定部１０９２は、生成された複数の再構成ＦＰ系列と観測されたＦＰ系列との類似度を求める。
ステップＳ７０５において、類似度判定部１０９２は、最も類似度が高い再構成ＦＰ系列をもたらした候補系列を推定結果として表示部１１０に出力する。
経路推定部１０９は、経路推定を行いたい期間について、作業者（携帯センサ１０２（のＩＤ））ごとにステップＳ７０２～Ｓ７０５を繰り返し行うことで、作業者ごとの経路推定を行う。
ステップＳ７０６において、表示部１１０は、観測された工程ラベル系列および作業者ごとの推定経路を含む推定結果等を表示する。
ステップＳ７０２の詳細について、図８および図９を参照して説明する。
図８は、本開示の実施の形態における候補系列６０３－１～６０３－Ｋの例を示す図である。例えば図８の（ａ）に示すような工程ラベル系列６０２が観測されたとする。図８の（ａ）の工程ラベル系列６０２の中から時間に沿って移動した工程のラベルを１つずつ順番に取り出すと、図８の（ｂ）に示すように、多数の組合せの候補系列６０３－１～６０３－ｋが考えられる。例えば、候補系列６０３－１は、工程９→工程８→工程７→工程５→工程４→・・・→工程３→工程６の順に移動した可能性を表す。このとき、必ずしも全ての工程間での移動（遷移）確率が等しいわけではない。このように移動確率が等しいわけではないことに鑑みて、生産工程設計で考えられている移動が起こる確率が高いことを考慮することにより、候補系列の組合せ数を制限することができる。
図９は、本開示の実施の形態における工程間移動確率テーブル９０１の一例を示す図である。候補系列生成部１０９１は、図９に示すような工程間の移動確率を考慮して候補系列を生成してよい。
例えば、工程間移動確率テーブル９０１は、縦に現在の工程ラベルをとり、横に次の工程ラベルをとり、その交点に現在の工程ラベルから次の工程ラベルへの移動が起こる確率を要素とするテーブルである。基本的には同じ工程で作業を継続する確率が高く、次いで場所や生産手順の順に近い隣の工程に移動する確率が高い。一方、離れた工程に移動する確率は低くなる。このように、生産ラインの手順設計およびレイアウト、さらには作業者の熟練度といった要素に応じて、工程間移動確率テーブル９０１における確率を動的に調整することができる。
例えば、工程ラベル６～３を担当する作業者１０１－３は、これらの工程を繰り返し作業する確率が高いということが考えられる。このような確率を考慮して、候補系列生成部１０９１は、図９に示すような工程間移動確率テーブル９０１に従って、図８に示すような候補系列６０３－２を生成する。
図１０は、本開示の実施の形態における観測ＦＰ系列６０１および再構成ＦＰ系列６０４の一例を示す図である。図１０の（ａ）は、携帯センサ１０２と工程センサ１０３－１～Ｎ、親局１０４との間の送受信（無線リンク）による受信レベルを時刻Ｔ＿１からＴ＿ｋまでにおいて示している。
例えば、図１０の（ｂ）において、候補系列６０３の各工程ラベル（６～３）に対してそれぞれ再構成されたＦＰベクトルを横に（時系列に）結合したものが再構成ＦＰ系列６０４となる。
生成モデル１０８４ａは、ステップＳ７０３において、このような再構成ＦＰ系列を、生成された候補系列の数に応じて生成する。
類似度判定部１０９２は、ステップＳ７０４において、図１０の（ａ）に示すような観測ＦＰ系列６０１と図１０の（ｂ）に示すような再構成ＦＰ系列６０４との類似度を求め、ステップＳ７０５において、最も類似度が高い再構成ＦＰ系列をもたらした候補系列を推定結果として出力する。
＜推定結果等の表示＞
図１１は、本開示の実施の形態における表示部１１０による表示の一例を示す図である。
図１１に示すように、表示部１１０には、工程情報収集部１０６によって観測された工程ラベル系列（工程情報として図示されている）１１０１と経路推定部１０９によって推定された作業者１０１ごとの経路（推定経路として図示されている）１１０２とが表示される。なお、図１１において、作業者Ａ１０１ａの経路８０２－２は、図８における候補系列６０３－２に対応する。
ここで、経路１１０２は、複数の作業者１０１の経路が判別しやすいように、作業者１０１ごとに線の色やパターンを変えて表示されてよい。例えば、図１１に示すように、作業者Ａ１０１ａの経路が実線で表示され、作業者Ｂ１０１ｂの経路が点線で表示されてよい。
このように、ユーザは、表示部１１０を通して、例えば、工程ラベル系列、作業者１０１が行った工程、行った工程の順序および工程間を移動した経路等を判別できるようになり、作業効率改善や工程改善の判定等を行うことができる。
図１２は、本開示の実施の形態における表示部１１０による表示の他の一例を示す図である。
図１２に示すように、表示部１１０には、観測ＦＰ系列６０１のヒートマップグラフ１１０３や工程間移動確率テーブル９０１のヒートマップグラフ１１０４が、観測されたＦＰ系列との関連性を示すために、工程ラベル系列１１０１および経路１１０２と同時に表示されてもよい。このようにヒートマップグラフ１１０３、１１０４を表示することで、経路の判定基準の一部をユーザに提示することができる。
観測ＦＰ系列６０１のヒートマップグラフ１１０３は、携帯センサ１０２と工程センサ１０３－１～Ｎ間（無線リンク）の受信レベルの時間変化を示す。濃色ほど、受信レベルは高い。工程間移動確率テーブル９０１のヒートマップグラフ１１０４は、現在の工程から移動先の工程への移動確率を示す。作業者Ａ１０１ａは、工程３から工程６までの間を移動しているので、工程３から工程６までが濃色となる。
（変形例）
本開示は、これまでに説明した実施の形態に示されたものに限定されないことはいうまでもなく、その趣旨を逸脱しない範囲内で、種々の変形を加えることができる。
上記では、類似度判定部１０９２が、最も類似度が高い再構成ＦＰ系列をもたらした候補系列を推定結果として表示部１１０に出力する例を説明したが、本開示はこの例に限定されるものではない。
例えば、類似度判定部１０９２は、最も類似度が高い再構成ＦＰ系列をもたらした候補系列を表示部１１０に出力する代わりに、作業者１０１ごとに、または、１人の作業者１０１について、類似度が高い順に所定の数の複数の候補系列を表示部１１０に出力してもよい。これに応じて、表示部１１０は、類似度が高い順に所定の数の複数の候補系列を示す推定結果を表示してもよい。
また、上記では、携帯センサ１０２が工程センサ１０３－１～１０３－Ｎおよび親局１０４から受信した無線信号の受信レベルの列ベクトルがＦＰに用いられる例を説明したが、本開示はこの例に限定されるものではない。
例えば、携帯センサ１０２が工程センサ１０３－１～１０３－Ｎから受信した無線信号の受信レベルの列ベクトルがＦＰに用いられてもよいし、工程センサ１０３－１～１０３－Ｎが携帯センサ１０２から受信した無線信号の受信レベルの列ベクトルがＦＰに用いられてもよい。
また、例えば、携帯センサ１０２が工程センサ１０３－１～１０３－Ｎおよび親局１０４から受信した無線信号の受信レベルに加えて、工程センサ１０３が他の工程センサ１０３および親局１０４から受信した無線信号の受信レベルの列ベクトルがＦＰに用いられてもよい。
（実施の形態における効果）
本開示の実施の形態における学習装置は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集する収集部と、工程ごとに工程稼動情報と受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる学習部と、を備える。このように、工程ごとに工程稼動情報と受信レベル情報とを紐付けた教師データを用いて工程稼動情報と受信レベル情報とを紐付ける生成モデルを学習させることで、受信レベル情報を用いても、第３の無線局を所持し、第３の無線局と紐付けられた作業者が行った工程、工程を行った順序および工程間を移動した経路を推定することが可能となる。同様に、本開示の実施の形態における経路推定システムは、工程稼動情報と受信レベル情報とを紐付ける生成モデルを用いることで、受信レベル情報を用いても、第３の無線局を所持し、第３の無線局と紐付けられた作業者が行った工程、工程を行った順序および工程間を移動した経路を推定することが可能となる。
また、本開示の実施の形態における学習装置および経路推定システムは、生成モデルに条件付き変分オートエンコーダを用いる。変分オートエンコーダは、ある程度ランダム性をもたせた受信レベル情報系列を再構成することで、学習時と異なる無線環境の変動にも対応することができる。
また、本開示の実施の形態における経路推定システムは、工程間の移動確率に基づいて、工程稼動情報系列から複数の候補系列を生成し、複数の候補系列および生成モデルに基づいて第３の無線局の移動の状態を推定する。例えば、生産ラインの手順設計およびレイアウト、作業者の熟練度といった要素に応じて、工程間の移動確率を調整することができる。これにより、候補系列の組合せ数を効率よく絞りこむことができる。
また、本開示の実施の形態における経路推定システムは、第３の無線局の移動の状態を推定した推定結果を表示する表示部を備える。これにより、ユーザは、表示部を通して、例えば、工程稼動情報、第３の無線局を所持し、第３の無線局と紐付けられた作業者が行った工程、工程を行った順序および工程間を移動した経路等を判別できるようになり、作業効率改善や工程改善の判定等を行うことができる。
また、本開示の実施の形態における経路推定システムは、複数の第３の無線局の移動の状態を推定した推定結果を表示する。例えば、複数の第３の無線局をそれぞれ所持し、複数の第３の無線局とそれぞれ紐付けられた複数の作業者が工程間を移動した経路等は、判別しやすいように線の色やパターンを変えて表示される。これにより、作業者が工程間を移動した経路等がより判別しやすくなるので、ユーザは、作業効率改善や工程改善の判定等を行うことができる。
上述の実施の形態においては、各構成要素に用いる「・・・部」という表記は、「・・・回路（circuitry）」、「・・・アッセンブリ」、「・・・デバイス」、「・・・ユニット」、または、「・・・モジュール」といった他の表記に置換されてもよい。
以上、図面を参照しながら実施の形態について説明したが、本開示はかかる例に限定されない。当業者であれば、特許請求の範囲に記載された範疇において、各種の変更例または修正例に想到し得ることは明らかである。そのような変更例または修正例についても、本開示の技術的範囲に属するものと了解される。また、本開示の趣旨を逸脱しない範囲において、実施の形態における各構成要素は任意に組み合わされてよい。
本開示はソフトウェア、ハードウェア、または、ハードウェアと連携したソフトウェアで実現することが可能である。上記実施の形態の説明に用いた各機能ブロックは、部分的にまたは全体的に、集積回路であるＬＳＩとして実現され、上記実施の形態で説明した各プロセスは、部分的にまたは全体的に、一つのＬＳＩまたはＬＳＩの組み合わせによって制御されてもよい。ＬＳＩは個々のチップから構成されてもよいし、機能ブロックの一部または全てを含むように一つのチップから構成されてもよい。ＬＳＩはデータの入力と出力を備えてもよい。ＬＳＩは、集積度の違いにより、ＩＣ、システムＬＳＩ、スーパーＬＳＩ、ウルトラＬＳＩと呼称されることもある。
集積回路化の手法はＬＳＩに限るものではなく、専用回路、汎用プロセッサまたは専用プロセッサで実現してもよい。また、ＬＳＩ製造後に、プログラムすることが可能なＦＰＧＡ（Field Programmable Gate Array）や、ＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。本開示は、デジタル処理またはアナログ処理として実現されてもよい。
さらには、半導体技術の進歩または派生する別技術によりＬＳＩに置き換わる集積回路化の技術が登場すれば、当然、その技術を用いて機能ブロックの集積化を行ってもよい。バイオ技術の適用等が可能性としてありえる。
（本開示のまとめ）
本開示の一実施例に係る学習装置は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集する収集部と、工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる学習部と、を備える。
上記学習装置において、前記生成モデルは、入力された前記受信レベル情報を低次元の潜在変数に圧縮するエンコーダと、前記潜在変数を用いて前記受信レベル情報を再構成するデコーダと、を含む条件付き変分オートエンコーダである。
上記学習装置において、前記学習部は、前記再構成された受信レベル情報と前記エンコーダに入力された前記受信レベル情報との誤差を最小化するように、前記エンコーダ、前記潜在変数および前記デコーダのパラメータを学習する。
本開示の一実施例に係る経路推定システムは、上記学習装置と、工程稼動情報系列と、前記第３の無線局が複数の前記第２の無線局から受信した信号の受信レベルを含む受信レベル情報系列と、前記生成モデルと、に基づいて、前記移動の状態を推定する推定部と、を備える。
上記経路推定システムにおいて、前記推定部は、工程間の移動確率に基づいて、前記工程稼動情報系列から複数の候補系列を生成し、前記複数の候補系列および前記生成モデルに基づいて前記複数の候補系列にそれぞれ対応する複数の受信レベル情報系列を再構成し、前記受信レベル情報系列と前記再構成された複数の受信レベル情報系列それぞれとの類似度に基づいて前記複数の候補系列の中から前記移動の状態に対応する候補系列を選択することにより、前記移動の状態を推定する。
上記経路推定システムにおいて、前記第３の無線局の移動の状態を推定した推定結果を表示する表示部をさらに備える。
上記経路推定システムにおいて、前記第３の無線局は複数存在し、前記表示部は、複数の前記第３の無線局の移動の状態を推定した推定結果を表示する。
本開示の一実施例に係る学習方法は、各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集し、工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる。
本開示は、経路推定システムに有用である。
１００ 経路推定システム
１０１ 作業者
１０２ 携帯センサ
１０３ 工程センサ
１０４ 親局
１０５ 受信レベル情報収集部
１０６ 工程情報収集部
１０７ 教師データ記憶部
１０８ 学習部
１０９ 経路推定部
１１０ 表示部
１０８１ エンコーダ
１０８２、１０８２ａ 潜在変数
１０８３、１０８３ａ デコーダ
１０８４、１０８４ａ 生成モデル
１０８５ 誤差学習部

Claims (8)

  1. 各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集する収集部と、
    工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる学習部と、
    を備える学習装置。
  2. 前記生成モデルは、
    入力された前記受信レベル情報を低次元の潜在変数に圧縮するエンコーダと、
    前記潜在変数を用いて前記受信レベル情報を再構成するデコーダと、
    を含む条件付き変分オートエンコーダである、
    請求項１に記載の学習装置。
  3. 前記学習部は、前記再構成された受信レベル情報と前記エンコーダに入力された前記受信レベル情報との誤差を最小化するように、前記エンコーダ、前記潜在変数および前記デコーダのパラメータを学習する、
    請求項２に記載の学習装置。
  4. 請求項１ないし３のうちのいずれか一項に記載の学習装置と、
    工程稼動情報系列と、前記第３の無線局が複数の前記第２の無線局から受信した信号の受信レベルを含む受信レベル情報系列と、前記生成モデルと、に基づいて、前記移動の状態を推定する推定部と、
    を備える経路推定システム。
  5. 前記推定部は、工程間の移動確率に基づいて、前記工程稼動情報系列から複数の候補系列を生成し、前記複数の候補系列および前記生成モデルに基づいて前記複数の候補系列にそれぞれ対応する複数の受信レベル情報系列を再構成し、前記受信レベル情報系列と前記再構成された複数の受信レベル情報系列それぞれとの類似度に基づいて前記複数の候補系列の中から前記移動の状態に対応する候補系列を選択することにより、前記移動の状態を推定する、
    請求項４に記載の経路推定システム。
  6. 前記第３の無線局の移動の状態を推定した推定結果を表示する表示部
    をさらに備える、請求項４または５に記載の経路推定システム。
  7. 前記第３の無線局は複数存在し、前記表示部は、複数の前記第３の無線局の移動の状態を推定した推定結果を表示する、
    請求項６に記載の経路推定システム。
  8. 各工程の稼動状態を示す工程稼動情報と、第１の無線局が各工程それぞれに設置された第２の無線局から受信した信号の受信レベルを含む受信レベル情報と、を収集し、
    工程ごとに前記工程稼動情報と前記受信レベル情報とを紐付けた教師データを用いて、第３の無線局の移動の状態を推定するための生成モデルを学習させる、
    学習方法。
JP2021114136A 2021-07-09 2021-07-09 学習装置、経路推定システムおよび学習方法 Pending JP2023010182A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021114136A JP2023010182A (ja) 2021-07-09 2021-07-09 学習装置、経路推定システムおよび学習方法
US18/576,283 US20240163645A1 (en) 2021-07-09 2022-03-17 Learning device, path estimation system, and learning method
PCT/JP2022/012170 WO2023281839A1 (ja) 2021-07-09 2022-03-17 学習装置、経路推定システムおよび学習方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021114136A JP2023010182A (ja) 2021-07-09 2021-07-09 学習装置、経路推定システムおよび学習方法

Publications (1)

Publication Number Publication Date
JP2023010182A true JP2023010182A (ja) 2023-01-20

Family

ID=84801390

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021114136A Pending JP2023010182A (ja) 2021-07-09 2021-07-09 学習装置、経路推定システムおよび学習方法

Country Status (3)

Country Link
US (1) US20240163645A1 (ja)
JP (1) JP2023010182A (ja)
WO (1) WO2023281839A1 (ja)

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015040733A1 (ja) * 2013-09-20 2015-03-26 株式会社日立製作所 測位システム、測位方法、および測位プログラム
KR101625757B1 (ko) * 2014-11-25 2016-05-31 한국과학기술원 무선랜 라디오맵 자동 구축 방법 및 시스템
JP6794093B2 (ja) * 2015-04-23 2020-12-02 ニッタン株式会社 位置推定システム
JP6770464B2 (ja) * 2017-03-08 2020-10-14 株式会社日立製作所 製造管理方法、及び製造管理システム
JP2020051921A (ja) * 2018-09-27 2020-04-02 日本電産株式会社 測位システムおよび測位装置
JP7229714B2 (ja) * 2018-10-09 2023-02-28 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 位置推定装置、無線装置、位置推定システム、および位置推定方法
US11537896B2 (en) * 2019-03-15 2022-12-27 Intel Corporation Machine learning techniques for precise position determination
US11751057B2 (en) * 2019-09-19 2023-09-05 Colorado State University Research Foundation Security-enhanced deep learning fingerprint-based indoor localization
EP3798918A1 (en) * 2019-09-26 2021-03-31 Naver Corporation Using semi-supervised variational autoencoder for wi-fi-based indoor localization
KR20210072528A (ko) * 2019-12-09 2021-06-17 삼성전자주식회사 뉴럴 네트워크를 이용하여 새로운 화학 구조를 생성하는 장치 및 방법

Also Published As

Publication number Publication date
US20240163645A1 (en) 2024-05-16
WO2023281839A1 (ja) 2023-01-12

Similar Documents

Publication Publication Date Title
Stief et al. A PCA and two-stage Bayesian sensor fusion approach for diagnosing electrical and mechanical faults in induction motors
CN110444263B (zh) 基于联邦学习的疾病数据处理方法、装置、设备及介质
JP5278310B2 (ja) 診断システム
US11620465B2 (en) RFID motion detection for dense RFID tag environments
Tekin et al. Distributed online big data classification using context information
Lazaris et al. Deep learning models for aggregated network traffic prediction
CN106464526A (zh) 检测异常的系统与方法
Ding et al. Big data analytics in future internet of things
Zou et al. Multiple kernel semi-representation learning with its application to device-free human activity recognition
WO2023281839A1 (ja) 学習装置、経路推定システムおよび学習方法
CN107409070A (zh) 管理设备、网络管理方法和存储程序的存储介质
Sasso et al. Interaction-based distributed learning in cyber-physical and social networks
Nardelli et al. Framework for the identification of rare events via machine learning and iot networks
CN108594169B (zh) 一种适应于时变通信拓扑的多机器人分布式协作定位方法
CN113923099B (zh) 一种通信网络故障的根因定位方法及相关设备
CN109828910A (zh) monkey测试的方法及装置、计算机设备、存储介质
CN113065690B (zh) 一种交通预测方法及装置
US11943242B2 (en) Deep automation anomaly detection
CN107276837A (zh) 基于上下文认知的数据转发方法和装置
König et al. Advanced methods for the analysis of semiconductor manufacturing process data
Cao et al. Partially observable Markov decision processes with reward information: Basic ideas and models
CN108668265B (zh) 基于循环神经网络预测移动用户间相遇概率的方法
CN111199307A (zh) 基于决策树的生产线生产状态预测方法及系统
Song et al. Gaussian process model enabled particle filter for device-free localization
CN114051273B (zh) 一种基于深度学习的大规模网络动态自适应路径规划方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240124