JP2023031341A - プログラム、位置特定装置、位置特定方法、位置特定システム - Google Patents

Abstract

【課題】従来よりも精度良く物体の位置を特定する。【解決手段】本発明のある態様は、エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末の前記エリア内の位置を特定するために、コンピュータに所定の方法を実行させるプログラムである。上記方法は、エリア内の複数の位置の各位置の位置情報と、各位置に通信端末を配置したときに通信端末が複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得し、取得した機械学習モデルを利用して、エリア内に配置された通信端末が複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、通信端末のエリア内の位置情報を特定すること、を含む。【選択図】図５

Description

本発明は、プログラム、位置特定装置、位置特定方法、及び、位置特定システムに関する。

従来から、屋内に設置された少なくとも３箇所の送信装置から発信される電波を基に３点測位法により屋内の物体の位置を特定する方法が知られており、様々な分野に利用されている。この３点測位法では、物体に受信端末を取り付け、距離に応じて減衰する電波の特性を利用して、受信端末における電波の受信信号強度から物体の位置を測位する方法である。
例えば特許文献１には、複数の中継装置と、配送する荷物に取り付けられた無線タグと、管理サーバとを備えた荷物管理システムにおいて、３点測位法により無線タグの現在位置を特定することが記載されている。このシステムでは、各中継装置は、所定の距離内にある無線タグと無線通信し、無線タグが複数の電波を受信できた場合、受信強度の高い順に、少なくとも３つの受信電波強度を管理サーバに送信する。管理サーバでは、少なくとも３つの受信電波強度の測定値から、３点測位法により無線タグの現在位置を特定する。

特開２０１８－８７７２号公報

しかし、従来の３点測位法は、物体の大まかな位置はわかるものの正確な位置を特定するのが難しい（つまり、測位精度が低い）という問題がある。例えば、屋内に棚などの設置物や人の往来がある場合には、送信装置から発信される電波の反射等による干渉から揺らぎが生じるため、実際の受信信号強度が、距離の二乗に反比例する理想的な受信信号強度から外れ、結果的に測位精度が低下することになる。
そこで、本発明の目的は、従来よりも精度良く物体の位置を特定することである。

本発明のある態様は、エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末の前記エリア内の位置を特定するために、コンピュータに所定の方法を実行させるプログラムである。前記方法は、
前記エリア内の複数の位置の各位置の位置情報と、各位置に前記通信端末を配置したときに前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得し、
前記取得した機械学習モデルを利用して、前記エリア内に配置された前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、前記通信端末の前記エリア内の位置情報を特定すること、を含む。

本発明のある態様によれば、従来よりも精度良く物体の位置を特定することができる。

一実施形態の位置特定システムの適用例を説明する図である。 図１に示すフロアにおいて機械学習のために使用される複数の位置（学習用位置）を例示する図である。 ＲＳＳＩデータベースを例示する図である。 教師データ群の基礎となる一連のＲＳＳＩデータセットを示す図である。 一実施形態の位置特定システムの機能ブロック図である。 サーバの学習部におけるニューラルネットワークを概略的に示す図である。

以下、本発明の一実施形態に係る位置特定システムについて説明する。
実施形態の位置特定システムでは、通信端末の可動エリア（例えば、倉庫やオフィス等のフロア）内に所定の電波を送信する複数の装置を異なる位置に配置し、当該電波を通信端末が受信したときの受信信号強度情報に基づいて通信端末の位置を特定する。通信端末の位置を特定する（つまり、通信端末を測位する）ことは、通信端末が取り付けられた物体、あるいは通信端末が内在される物体の位置を特定することと等価である。

所定の電波を送信する複数の装置は、如何なる通信装置でもよいが、例えばアクセスポイントやビーコン機器などである。アクセスポイントは、例えばＷｉ－Ｆｉ（登録商標）等のＩＥＥＥ８０２．１１規格に適合した通信を行う機器である。ビーコン機器の場合には、例えば、Bluetooth（登録商標） Low Energyに適合した通信を行う機器である。
通信端末は、複数の装置から送信される電波を受信できればよく、例えば、受信機能付きのコンピュータ装置でもよいし、プリンタでもよいし、スマートフォンや無線タグでもよい。その際、複数の装置から送信される電波には、送信元の装置を特定する識別情報（装置ＩＤ）の信号が含まれており、通信装置は、各装置の装置ＩＤと、各装置から送信される電波を受信したときの受信信号強度情報と、を対応付けることができる。

実施形態の位置特定システムでは、電波の受信信号強度から３点測位法を用いて物体の位置を特定するのではなく、機械学習を行うことで物体の位置を特定する。好ましくは、機械学習は教師あり学習であり、教師データは、エリア内の位置の情報（位置データ）、及び、当該位置に通信端末を配置したときに通信端末が受信する電波の受信信号強度情報である。エリア内の多数の位置に対応した教師データからなる教師データ群を基に機械学習モデルを構築することで、エリア内の通信端末の位置を高精度に特定することができるようになる。

以下、一実施形態の位置特定システムをより具体的に説明する。
図１に、一実施形態に係る位置特定システム１の適用例を示す。図１は、一例として屋内のオフィスのフロアＦＬ（エリアの一例）に配置される通信端末２の位置を特定するための位置特定システム１を示している。なお、図１では、１つの通信端末２のみを記載しているが、その限りではない。複数の通信端末２の位置を特定することもできる。
位置特定システム１では、フロアＦＬの予め決められた位置に、所定の電波を送信する複数のアクセスポイントＡＰ１～ＡＰ７（複数の装置の一例）が設置されている。各アクセスポイントは、固有の識別情報であるアクセスポイントＩＤを含む信号（電波）を発信し、通信端末２が電波を受信する。各アクセスポイントは、例えば、通信端末２がＬＡＮ（Local Area Network）に接続するときの無線装置である。

通信端末２は、いずれかのアクセスポイントを経由して、あるいは直接に、ネットワークＮＷに接続することで、サーバ５（位置特定装置、情報処理装置の一例）と通信可能である。ネットワークＮＷは限定しないが、例えば、上記ＬＡＮのほか、ＷＡＮ（Local Area Network）、移動通信網等が挙げられる。

一実施形態の位置特定システム１において通信端末２の測位を可能とするには、先ず、通信端末２の位置を特定するための機械学習モデルを作成する必要がある。
一実施形態では、機械学習モデルは、教師あり学習により作成される。教師あり学習において使用される教師データは、フロアＦＬ内の位置のデータ（位置データ）、及び、当該位置に通信端末２を配置したときに通信端末２が受信する複数のアクセスポイントからの電波の受信信号強度情報である。以下では、受信信号強度情報を、ＲＳＳＩ（Received Signal Strength Indicator）、又はＲＳＳＩデータという。ＲＳＳＩは、通信端末２の受信部に入力されるアクセスポイントからの電波の受信信号の強度を示す数値（ｄＢｍ）である。

以下の説明では、あるアクセスポイントから送信された電波を通信端末２が受信したときのＲＳＳＩデータを、当該アクセスポイントに対するＲＳＳＩデータという。例えば、アクセスポイントＡＰ５から送信された電波を通信端末２が受信したときのＲＳＳＩデータを、「アクセスポイントＡＰ５に対するＲＳＳＩデータ」と表記する。

図２は、教師データ群を作成するときに、通信端末２を配置する複数の位置を例示する図である。
図２に示す例では、フロアＦＬの縦及び横をそれぞれ所定距離の間隔に区切ることでＰ_１，１～Ｐ_Ｍ，ＮのＭ×Ｎ個の位置（以下、適宜「学習用位置」という。）が定義される。例えば機械学習の訓練フェーズ（後述する）では、このＭ×Ｎ個の各学習用位置に通信端末２を配置し、各学習用位置において通信端末２がＲＳＳＩデータを取得（測定）する。フロアＦＬ上の学習用位置を所定距離の間隔で区切ることで、通信端末２の位置を特定する際に通信端末２がフロアＦＬ上のいずれの場合にある場合でも一定の位置精度が担保される。
しかし、その限りではなく、複数の学習用位置は、図２に示すようにフロアＦＬの縦及び横をそれぞれ所定距離の間隔に区切った場合の位置に限られない。必要とする位置精度のレベルに応じて学習用位置を定義することができる。例えば、大まかな位置精度でよい領域では、隣接する学習用位置の間隔を広げてもよいし、高い位置精度が求められる領域では、隣接する学習用位置の間隔を狭めてもよい。

図３に、各学習用位置において取得されるＲＳＳＩデータベースを例示する。
一実施形態では、各位置（例えば、図３の学習用位置Ｐ_１，１）に通信端末２を配置した場合に、異なる時刻におけるフロアＦＬ内のアクセスポイントＡＰ１～ＡＰ７に対する７個のＲＳＳＩデータに基づいて、ＲＳＳＩデータ群を取得する。ここで、ＲＳＳＩデータ群とは、複数のアクセスポイントの各アクセスポイントＩＤと、各アクセスポイントに対するＲＳＳＩデータとが対応付けられたものである。

例えば、図１に示すオフィスが朝９時から夕方５時までの８時間利用される場合、通信端末２は、図３に示すように１秒ごとにアクセスポイントＡＰ１～ＡＰ７から受信する電波のＲＳＳＩデータ群を取得し、サーバ５に測定結果（取得したＲＳＳＩデータ群）を通知する。各位置を対象として異なる時刻において複数個のデータを取得することは、測定環境であるオフィスの実際の状況を教師データ群に反映できる点で好ましい。フロアＦＬにいる人の人数や活動状況（例えば、人の移動状態や人が操作するコンピュータ装置等の電波の状況など）は、アクセスポイントから送信される電波のオフィス内の伝搬環境に影響を及ぼす。そこで、オフィスが利用されている時間に亘って満遍なくデータを取得することで、ロバスト性の高い機械学習モデルを構築することができる。

８時間の間、１秒ごとにＲＳＳＩデータ群を取得した場合、１つの学習用位置に対して２８８００回の各アクセスポイントに対するＲＳＳＩデータ群が得られる。したがって、すべての学習用位置（図２のＭ×Ｎ個の位置）に対する測定が完了すると、ＲＳＳＩデータベースには、２８８００×Ｍ×Ｎ回の７個のアクセスポイントに対するＲＳＳＩデータ群が含まれることになる。
通信端末２は、７個のアクセスポイントからの電波のＲＳＳＩデータを測定する度に（つまり、上記例では１秒おきに）１回分のＲＳＳＩデータ群をサーバ５に送信する。その場合、サーバ５において、通信端末２から受信したＲＳＳＩデータ群を基に、ＲＳＳＩデータベースが逐次更新される。あるいは、通信端末２は、１つの位置を対象としたすべてのＲＳＳＩデータ群の測定が完了する度に、当該ＲＳＳＩデータ群をサーバ５に送信してもよい。

ＲＳＳＩデータ群の測定回数は、学習用位置に応じて変動させて、教師データを収集するときの省力化を図ることができる。
すなわち、複数の学習用位置のうち、複数のアクセスポイントに対するＲＳＳＩの変動が大きい学習用位置において取得するＲＳＳＩデータ群の数を、ＲＳＳＩの変動が小さい学習用位置において取得するＲＳＳＩデータ群の数よりも多く取得することが好ましい。例えば、フロアにおいて人の往来がほとんどない領域では、当該領域内に通信端末２を配置したときのＲＳＳＩは安定しており、異なる時刻で測定してもＲＳＳＩの変動がないか、極めて小さいため、ＲＳＳＩデータ群の取得回数は少なくてよい。それに対して、フロアにおいて人の往来が頻繁に発生する領域では、人による電波の遮断が発生しやすく、異なる時刻で測定したときのＲＳＳＩの変動が比較的大きいため、ＲＳＳＩデータ群の取得回数が多い方が好ましい。

一実施形態では、ＲＳＳＩデータベースは、１回の測定で得られる７個のアクセスポイントに対するＲＳＳＩデータ群のうち一部が含まれる。例えば、１回の測定において７個のアクセスポイントから得られる７個のＲＳＳＩデータのうち、ＲＳＳＩが大きい順に所定数のＲＳＳＩデータが選択され、ＲＳＳＩデータベースに記録される。
図４は、１回の測定タイミングにおいてＲＳＳＩが大きい順に３個のＲＳＳＩデータを含むＲＳＳＩデータ群がＲＳＳＩデータベースに記録される例が示される。なお、３個のＲＳＳＩデータとするのは一例に過ぎず、ＲＳＳＩデータベースに記録されるＲＳＳＩデータ群に含まれるＲＳＳＩデータの数は任意に設定可能である。ここで、比較的小さいＲＳＳＩのＲＳＳＩデータを記録しないのは、小さいＲＳＳＩとなるアクセスポイントからの電波が途切れることがあり、良い教師データとならない可能性があるからである。

サーバ５は、作成されたＲＳＳＩデータベースを基に、教師あり学習を行う際の基礎となる教師データ群を作成する。教師データ群の各教師データは、ＲＳＳＩデータベースの１レコード分のデータ（データセット）に対応している。教師データは、ＲＳＳＩデータ群と学習用位置の組合せからなる。図４に示すＲＳＳＩデータベースを基に教師データ群を作成した場合、例えば、以下のような教師データが作成される。ここで、以下の例において、ＡＰ２，ＡＰ３，ＡＰ４は、アクセスポイントＩＤを示している。
｛ＡＰ２：－６２ｄＢｍ，ＡＰ３：－５８ｄＢｍ，ＡＰ４：－５４ｄＢｍ、Ｐ_１，１｝
｛ＡＰ２：－６１ｄＢｍ，ＡＰ３：－５９ｄＢｍ，ＡＰ４：－５６ｄＢｍ、Ｐ_１，１｝
｛ＡＰ２：－６０ｄＢｍ，ＡＰ３：－５５ｄＢｍ，ＡＰ４：－５３ｄＢｍ、Ｐ_１，１｝
｛ＡＰ２：－６３ｄＢｍ，ＡＰ３：－５５ｄＢｍ，ＡＰ４：－５４ｄＢｍ、Ｐ_１，１｝
…

一実施形態では、サーバ５は、作成された教師データ群を基に教師あり学習を行い、機械学習モデルを作成する。好ましくは、教師あり学習に対して深層学習が適用されるが、他の機械学習手法を適宜適用することもできる。
機械学習モデルを作成した後は、検証フェーズ（後述する）に移行し、作成した機械学習モデルの汎化性能が十分であるか検証することが好ましい。

機械学習モデルが作成された後、位置特定システム１の運用（つまり、フロアＦＬの任意の位置にある通信端末２の位置特定）が開始される。
位置特定システム１の運用が開始されると、通信端末２は、フロアＦＬ内のアクセスポイントＡＰ１～ＡＰ７に対するＲＳＳＩデータ群、又は、当該ＲＳＳＩデータ群のうちＲＳＳＩが大きい順に所定数のＲＳＳＩデータを含むＲＳＳＩデータ群を、逐次サーバ５に送信する。
サーバ５は、通信端末２からＲＳＳＩデータ群を受信すると、作成済みの機械学習モデルを利用して、通信端末２の現在の位置を特定（推定）する。つまり、サーバ５は、通信端末２から取得したＲＳＳＩデータ群を機械学習モデルに入力して、通信端末２の現在の位置データを取得する。

次に、図５を参照して、位置特定システム１の構成について説明する。
図５は、一実施形態に係る位置特定システム１を構成する各装置のハードウェア構成を示すブロック図である。
図５に示すように、通信端末２は、制御部２１、ストレージ２２、操作入力部２３、表示部２４、ＲＳＳＩ測定部２５、及び、受信部２６を備える。
サーバ５は、制御部５１及びストレージ５２を備える。
図示しないが、通信端末２とサーバ５は、互いにネットワークＮＷを介して通信を行うための通信インタフェースを備える。通信インタフェースは、サーバ５と通信端末２の間で予め定義された通信プロトコルに従って通信を行う。

通信端末２において、制御部２１は、マイクロプロセッサを主体として構成され、通信端末２の全体を制御する。
ストレージ２２は、不揮発性のメモリであり、例えばフラッシュメモリ等のＳＳＤ（Solid State Drive）である。操作入力部２３及び表示部２４は、任意的構成要素である。通信端末２が、例えばスマートフォンである場合には、操作入力部２３及び表示部２４が存在するが、通信端末２が無線タグなどの場合には、操作入力部２３及び表示部２４は存在しない。
受信部２６は、アクセスポイントＡＰ１～ＡＰ７からの電波を受信するアンテナ及び受信機を備え、受信した電波を復調して受信信号に含まれるアクセスポイントＩＤを取得する。
ＲＳＳＩ測定部２５は、受信部２６と協働して各アクセスポイントに対するＲＳＳＩを測定することで、電波の送信元の各アクセスポイントのアクセスポイントＩＤと、各アクセスポイントに対するＲＳＳＩデータとを対応付ける。

制御部２１のマイクロプロセッサがプログラムを実行することで、制御部２１は、データ提供部２１１及び位置特定要求部２１２として機能する。
データ提供部２１１（情報提供部の一例）は、教師データ群を作成するための基礎となるＲＳＳＩデータ群を取得する。前述したように、データ提供部２１１は、各学習用位置の位置データ（学習用位置データ）と、各学習用位置における複数のアクセスポイントの少なくとも一部に対するＲＳＳＩデータ群とをサーバ５に提供する。サーバ５が受信したデータは、ＲＳＳＩデータベース（ＲＳＳＩ ＤＢ）５２１に蓄積される。
位置特定要求部２１２は、システムの運用開始後にサーバ５に対して、複数のアクセスポイントの少なくとも一部に対するＲＳＳＩデータ群を含む位置特定要求を行う。

本実施形態のサーバ５は、制御部５１及びストレージ５２を備える。
制御部５１は、マイクロプロセッサを主体として構成され、サーバ５の全体を制御する。
ストレージ５２は、不揮発性のメモリであり、例えばＨＤＤ（Hard Disk Drive）等の大容量記憶装置である。ストレージ５２は、ＲＳＳＩデータベース５２１、教師データ群５２２、及び、機械学習モデル５２３を格納する。
制御部５１のマイクロプロセッサがプログラムを実行することで、制御部５１は、教師データ作成部５１１、学習部５１２、及び、位置特定部５１３として機能する。

教師データ作成部５１１は、ＲＳＳＩデータベース５２１を基に教師データ群５２２を作成する。
ＲＳＳＩデータベース５２１では、図３及び図４に例示したとおり、フロアＦＬ内の複数の位置の各学習用位置と、複数のアクセスポイントの少なくとも一部から受信する電波のＲＳＳＩデータ群と、が対応付けられている。
教師データ群５２２は、フロアＦＬ内の複数の位置の各学習用位置の教師データからなる教師データ群である。各教師データは、対応する学習用位置データと、対応する学習用位置に通信端末２を配置したときに通信端末２が複数のアクセスポイントの少なくとも一部から受信する電波のＲＳＳＩデータ群との組合せである。前述したように、各学習用位置に対応して、異なる時刻に複数の教師データを用意することが好ましい。

学習部５１２（モデル取得部の一例）は、教師データ群５２２に基づいて教師あり学習を実行し、機械学習モデル５２３を作成する。学習部５１２は、作成した機械学習モデル５２３をストレージ５２に格納する。
位置特定部５１３（位置情報特定部の一例）は、通信端末２から位置特定要求を取得すると、通信端末２の位置を特定する。位置特定要求には、フロアＦＬ内に配置された通信端末２が複数のアクセスポイントの少なくとも一部から受信する電波のＲＳＳＩデータ群が含まれる。位置特定部５１３は、作成された機械学習モデル５２３を利用して、位置特定要求に含まれるＲＳＳＩデータ群を基に、通信端末２のフロアＦＬ内の位置を特定（推定）する。
なお、サーバ５以外の情報処理装置において教師あり学習を実行することで作成された機械学習モデルをサーバ５が取得する場合には、サーバ５において学習部５１２は必要ない。

次に、図６を参照して、機械学習の一例として、機械学習モデルを構築する際に行われる深層学習について説明する。図６は、学習部５１２において教師あり学習を進める際に用いられるニューラルネットワークを模式的に示している。図６に示すように、ニューラルネットワークは、入力層Ｌｉと隠れ層Ｌｈと出力層Ｌｏを含み、各層がニューロンを模擬したモデルである。図６に示すニューラルネットワークは、便宜的に各層が３つのノードからなる場合を図示しているが、その限りではなく、ノードの数は、適宜設定可能である。
入力層Ｌｉは、教師データ群５２２の各教師データを入力するための層である。例えば、教師データが｛ＡＰ２：－６２ｄＢｍ，ＡＰ３：－５８ｄＢｍ，ＡＰ４：－５４ｄＢｍ、Ｐ_１，１｝である場合、入力層Ｌｉの入力Ｘ_１，Ｘ_２，Ｘ_３，…，Ｘ_ｎは、各アクセスポイントに対するＲＳＳＩ（ＡＰ２：－６２ｄＢｍ，ＡＰ３：－５８ｄＢｍ，ＡＰ４：－５４ｄＢｍ）からなるＲＳＳＩデータ群である。
隠れ層Ｌｈは、深層学習の場合には複数の層から構成される。隠れ層Ｌｈに含まれる層数および各層のノード数は、良好な推定精度を得るために適宜設定可能である。
出力層Ｌｏは、フロアＦＬ上に設定されたＭ×Ｎ個の各位置に判定される確率を出力するための層であり、学習用位置の数に相当する数のノードから構成される。図７に例示する出力層Ｌｏは、出力Ｚ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍ（例えば、ｍ＝Ｍ×Ｎ）を含む。

図６に示すニューラルネットワークでは、例えば、入力層Ｌｉの入力Ｘ_１，Ｘ_２，Ｘ_３，…，Ｘ_ｎの各々に対して重みを乗算して加算した結果を、隠れ層Ｌｈの第１層のノードＹ_１，Ｙ_２，Ｙ_３，…，Ｙ_ｎに出力する。第１層の各ノードに出力するときの入力Ｘ_１，Ｘ_２，Ｘ_３，…，Ｘ_ｎに対する重み付けは、ノードごとに異なってよい。
同様にして、出力層Ｌｏまでの隣接する層間の各ノードに対して、重みを乗算して加算する処理を順次行っていくことで、出力Ｚ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍを得る。

出力Ｚ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍは、教師データの正解データＴ_１，Ｔ_２，Ｔ_３，…，Ｔ_ｍと比較される。ここで、教師データが上述した｛ＡＰ２：－６２ｄＢｍ，ＡＰ３：－５８ｄＢｍ，ＡＰ４：－５４ｄＢｍ、Ｐ_１，１｝である場合、教師データに含まれる正解データはＰ_１，１である。
深層学習では、ニューラルネットワークの各層の重みを少しずつ調整し、教師データ（正解データ）との誤差を小さくする処理が行われる。すなわち、学習の初期段階では、すぐに期待した通りの値は出力されないため、正解データと出力値（図６の例では、出力Ｚ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍ）の誤差をとり、誤差を各層に逆伝播（バックプロパゲーション）させて正解データに近付くように各層の重みを調整する。

なお、学習部５１２は、上述した深層学習を訓練と検証の２つのフェーズに分けて処理を行うことが好ましい。この場合、教師データは、訓練用データと検証用データに分けられる。
訓練フェーズでは、学習部５１２は、上述したようにして、訓練用データに含まれるＲＳＳＩデータ群を入力層Ｌｉに入力し、得られたＺ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍと正解データとの誤差が少なくなるように各層の重みを調整する。

次いで、検証フェーズでは、学習部５１２は、訓練フェーズで調整された重みが設定されたニューラルネットワークに対して、検証用データ（つまり、重みの設定に関与していない教師データ群）に含まれる複数の教師データの各々を入力層Ｌｉに入力する。学習部５１２は、得られたＺ_１，Ｚ_２，Ｚ_３，…，Ｚ_ｍと正解データとの誤差が少ない場合には汎化性能があると判断して、訓練フェーズで設定された重みを基に運用を開始することを決定する。誤差が大きい場合には汎化性能が十分ではないと判断して、訓練フェーズに戻り、再度各層の重みが調整される。
汎化性能があると判断されたニューラルネットワークは、機械学習モデル５２３としてストレージ５２に格納される。

訓練フェーズ及び／又は検証フェーズでは、特定された通信端末２の位置と、通信端末２の実際の位置とが所定の条件を満たす場合に、実際の位置（通信端末２を配置した位置）と、通信端末２が複数のアクセスポイントの少なくとも一部から受信する電波のＲＳＳＩデータ群と、を新たな教師データとすることで、機械学習モデルを更新することも好ましい。それによって、機械学習モデルによる位置精度をさらに向上させることができる。
特定された通信端末２の位置と、通信端末２の実際の位置とが満たすべき条件は限定しないが、例えば、両位置間の距離が所定値以下であるという条件である。つまり、機械学習モデルによって特定された通信端末２の位置と、通信端末２の実際の位置とのずれが小さい場合に、取得したＲＳＳＩデータ群を新たな教師データとしてもよい。

以上説明したように、本実施形態の位置特定システム１では、システムの運用前に、通信端末２のフロアにおける位置と、フロアに固定配置された複数のアクセスポイントから送信される電波を受信したときの通信端末２のＲＳＳＩデータ群と、に基づいて、予めＲＳＳＩデータ群と通信端末２の位置との関係を学習させて機械学習モデルを作成する。そして、システムの運用後、フロアの任意の位置に配置された通信端末２が取得する複数のアクセスポイントに対するＲＳＳＩデータ群を機械学習モデルに入力することで、通信端末２の位置を特定するように構成される。

そのため、従来利用されていた３点測位法によりも精度良く位置を特定することができる。これは以下の理由による。すなわち、オフィス等、通信端末２の移動可能エリアには棚や机等の設置物が存在するが、当該設置物によって各ＲＳＳＩデータから送信される電波の揺らぎが生じることから、３点測位法では実際の電波の伝播が理論値から逸脱し、位置特定精度が低い。それに対して、機械学習モデルを利用する場合には、そのような電波の揺らぎによるＲＳＳＩデータの変動をも反映された上で機械学習モデルが構築されるため、３点測位法を利用する場合よりも位置精度が高くなる。
また、従来利用されていた３点測位法では、電波を送信する３個の装置で画定される三角形の領域内に測位対象が存在する必要があるが、上記位置特定システム１では、そのような制約を必要としない。

機械学習モデルを構築する際には、各学習用位置を対象として異なる時刻において複数個のデータを取得することが好ましい。電波の揺らぎや電波の遮蔽が、オフィスにある棚や机等の設置物、オフィス内の人の往来、及び、人が使用するアクセスポイント以外の通信装置（例えば、コンピュータ装置）によっても生じ得る。そのため、各学習用位置を対象として異なる時刻において複数個のデータを取得して、その複数個のデータを教師データとすることで、位置精度をさらに高めることができる。

上述した位置特定システム１は、様々な分野にて応用することができる。
例えば、物流倉庫において、通信端末２に相当するプリンタを配置した場合、プリンタの位置を特定することで、プリンタの位置に応じた印字データをホストから送信する。例えば、プリンタが出荷口にあると判断された場合には、出荷に対応する印字データをプリンタに送信し、プリンタが製造ラインの特定の工程に位置すると判断された場合には、当該工程に対応する印字データをプリンタに送信する。
また、工場や倉庫で働く作業者が所持する携帯端末の位置を特定することで、作業者の位置を特定することができるため、作業者の配置や生産ラインの効率等の分析を行うことができる。
また、作業者が広い倉庫や工場において、通信端末２に相当するプリンタを置いた場所がわからなくなった場合、プリンタの位置を容易に特定することができる。

以上、本発明のプログラム、位置特定装置、位置特定方法、及び、位置特定システムの実施形態について詳細に説明したが、本発明は上記の実施形態に限定されない。また、上記の実施形態は、本発明の主旨を逸脱しない範囲において、種々の改良や変更が可能である。

図４では、１回の測定において７個のアクセスポイントから得られる７個のＲＳＳＩデータのうち、ＲＳＳＩが大きい順に所定数（この例では３個）のＲＳＳＩデータが選択され、ＲＳＳＩデータベースに記録される場合について説明したが、その限りではない。各アクセスポイントの送信電力が一定である場合には、概ね、通信端末２を学習用位置に配置したときの各アクセスポイントに対するＲＳＳＩデータは、当該学習用位置と各アクセスポイントが配置されている位置との距離と相関がある。そこで、１回の測定において７個のアクセスポイントから得られる７個のＲＳＳＩデータのうち、学習用位置との距離が近い順に所定数のアクセスポイントに対するＲＳＳＩデータが選択され、ＲＳＳＩデータベースに記録してもよい。

複数のアクセスポイントの電波の送信出力は必ずしも同一でなくてもよい。いずれかのアクセスポイントが送信出力を例えば適応制御等により変動させなければよく、一定とする送信出力はアクセスポイントごとに異なっていても構わない。

１…位置特定システム
２…通信端末
２１…制御部
２１１…データ提供部
２１２…位置特定要求部
２２…ストレージ
２３…操作入力部
２４…表示部
２５…ＲＳＳＩ測定部
２６…受信部
５…サーバ
５１…制御部
５１１…教師データ作成部
５１２…学習部
５１３…位置特定部
５２…ストレージ
５２１…ＲＳＳＩデータベース
５２２…教師データ群
５２３…機械学習モデル
ＡＰ１～ＡＰ７…アクセスポイント
ＦＬ…フロア
Ｐ…位置
ＮＷ…ネットワーク

Claims (9)

1. エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末の前記エリア内の位置を特定するために、コンピュータに所定の方法を実行させるプログラムであって、前記方法は、
   前記エリア内の複数の位置の各位置の位置情報と、各位置に前記通信端末を配置したときに前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得し、
   前記取得した機械学習モデルを利用して、前記エリア内に配置された前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、前記通信端末の前記エリア内の位置情報を特定すること、を含む、
   プログラム。
2. 前記機械学習モデルを作成する際において、前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報とは、前記複数の装置から前記通信端末が受信する電波の受信信号強度のうち大きい順に所定数の受信信号強度情報である、
   請求項１に記載されたプログラム。
3. 前記機械学習モデルを作成する際において、前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報とは、前記複数の装置のうち前記通信端末が配置された位置から近い順に所定数の装置から受信する電波の受信信号強度情報である、
   請求項１に記載されたプログラム。
4. 前記方法は、
   特定された前記通信端末の位置情報と、前記通信端末の実際の位置情報とが所定の条件を満たす場合に、前記実際の位置情報と、前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて、前記機械学習モデルを更新すること、をさらに含む、
   請求項１から３のいずれか一項に記載されたプログラム。
5. 前記機械学習モデルは、教師あり学習により作成されるモデルであって、前記複数の位置のうち、前記複数の装置から送信される電波の受信信号強度の変動が大きい位置に対する教師データを、受信信号強度の変動が小さい位置に対する教師データよりも多く取得することで作成される、
   請求項１から４のいずれか一項に記載されたプログラム。
6. 前記複数の位置は、前記エリア内において所定距離の間隔で設定される、
   請求項１から５のいずれか一項に記載されたプログラム。
7. エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末の前記エリア内の位置を特定する位置特定装置であって、
   前記エリア内の複数の位置の各位置の位置情報と、各位置に前記通信端末を配置したときに前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得するモデル取得部と、
   前記機械学習モデルを利用して、前記エリア内に配置された前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、前記通信端末の前記エリア内の位置情報を特定する位置情報特定部と、
   を備えた位置特定装置。
8. エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末の前記エリア内の位置を推定する位置特定方法であって、
   前記エリア内の複数の位置の各位置の位置情報と、各位置に前記通信端末を配置したときに前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得し、
   前記機械学習モデルを利用して、前記エリア内に配置された前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、前記通信端末の前記エリア内の位置情報を特定する、
   位置特定方法。
9. エリア内の異なる位置に配置された複数の装置から送信される電波を受信する通信端末と、前記通信端末と通信可能な情報処理装置と、を含み、前記通信端末の前記エリア内の位置を特定する位置特定システムであって、
   前記通信端末は、
   前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を前記情報処理装置に提供する情報提供部を有し、
   前記情報処理装置は、
   前記エリア内の複数の位置の各位置の位置情報と、各位置に前記通信端末を配置したときに前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報と、に基づいて作成される機械学習モデルを取得するモデル取得部と、
   前記機械学習モデルを利用して、前記エリア内に配置された前記通信端末が前記複数の装置の少なくとも一部から受信する電波の受信信号強度情報を基に、前記通信端末の前記エリア内の位置情報を特定する位置情報特定部と、を有する、
   位置特定システム。

Images