JP5829142B2 - 電波センサ装置 - Google Patents

Description

本発明は、電波センサを利用して空間の状態を判定する電波センサ装置に係り、特に、離散的に観測される空間の状態の時系列に基づいて当該空間の真の状態を判定する電波センサ装置に関する。

人の侵入、移動あるいはドアの開閉といったイベント（動作状態）を、赤外線ビームセンサやマイクロ波を用いて検知するイベント検出装置が知られている。特許文献１には、アレイアンテナを備えた受信機の複数チャネルにおいて受信された無線信号から電波の到来方向情報を抽出し、部屋の中での行動検出を行う技術が開示されている。

非特許文献１には、受信感度が一番大きい到来波の情報として、複数チャネルの受信信号の相関行列から求めた第一固有ベクトルをSVM（サポートベクトルマシン）に適用することにより、部屋の中の行動を検出する技術が開示されている。

特開２００８−２１６１５２号公報

「無線見守りシステムのための信号部分空間に基づくサポートベクタマシンを用いた状態識別」電子情報通信学会技術研究報告. RCS, 無線通信システム 110（127）, 143-148, 2010-07-08

SVMは、空間の状態（クラス）を離散的に推定できるものの、例えば物体の移動により空間の状態が変化する場合でも、その時系列での連続した変化を加味して空間の状態を検出することができない。したがって、SVMを採用した電波センサ装置では、特に物体が移動する空間の正確な状態判定が難しかった。

例えば、電波センサ装置を室内の見守りに適用し、「留守」、「在室（動作中）」および「在室（静止）」を判定する場合、人が在室しているものの静止している状態と、在室していない留守の状態とでは、電波センサにより検知される受信波に大きな特徴差が生じ難いので誤認が生じ易い。

しかしながら、例えば「在室（静止）」の状態から「留守」の状態へ遷移するためには、その間に人が居室内を出入り口まで移動しなければならないので、監視周期が１秒程度であれば、状態が「在室（静止）」から「留守」へ直接遷移することなどあり得ず、その間に必ず「在室（動作）」の状態が観測されるはずである。したがって、「在室（静止）」から「留守」への直接遷移が観測されても、「留守」が「在室（静止）」の誤りである可能性が高いことを認識できる。

本発明の目的は、上記した従来技術の課題を解決し、離散的に観測される空間の状態の時系列が、その空間の典型的な状態遷移と矛盾していないかなどに基づいて、当該空間の状態を最終的に判定する電波センサ装置を提供することにある。

上記の目的を達成するために、本発明は、送信機から送信された電波を複数チャネルのアンテナアレイで受信し、電波が伝搬する空間の状態を各アンテナアレイの受信波に基づいて判定する電波センサ装置において、以下のような手段を講じた点に特徴がある。

(1)各アンテナアレイで検知される受信波の特徴量を周期的に計算する特徴量計算手段と、各周期の特徴量を所定の学習モデルに適用して空間の状態を離散的に推定する状態推定手段と、状態判定時刻における空間の状態を、当該時刻の推定結果を含む状態の時系列変化に基づいて判定する状態判定手段とを具備した。

(2)状態推定手段が、学習モデルとしてSVMを採用した。

(3)状態判定手段は、状態判定時刻における空間の状態を、当該時刻における状態推定結果および当該時刻から相対的に定まる判定期間内で観測された状態、あるいは判定期間内で所定の状態が観測された確率に基づいて判定するようにした。

(4)状態判定手段は、状態判定結果の履歴情報を時刻情報と共に蓄積する履歴情報DBと、状態推定結果と状態判定結果の履歴情報とに基づいて状態を判定する複数のルールが記述されたルールテーブルと、状態判定時刻の状態推定結果に対応したルールを前記ルールテーブルから検索するルール検索手段と、検索されたルールで参照される判定期間内の状態判定結果を前記履歴情報DBから検索する履歴情報検索手段と、検索されたルールに前記判定期間内の状態判定結果を適用して状態判定時刻の状態を判定するルールベース判定手段とを具備した。

(5)履歴情報DBは、状態推定結果を一時記憶するバッファを具備し、履歴情報検索手段は、検索されたルールで参照される判定期間が状態判定時刻よりも後の期間を含むと、当該後の期間の判定結果として、前記バッファに一時記憶された当該期間の状態推定結果を検索するようにした。

(6)状態判定手段は、状態判定結果の履歴情報を時刻情報と共に蓄積する履歴情報DBと、状態推定結果および状態判定結果の履歴情報を、予め用意したベイジアンネットワークに入力することより、状態判定における状態を最終判定する確率モデルベース判定手段と、確率モデルベース判定手段から要求された判定期間内の状態判定結果を前記履歴情報DBから検索して応答する履歴検索手段と、状態判定結果を、その時刻情報と共に前記履歴情報DBへ履歴情報として登録する履歴情報登録手段とを具備した。

本発明によれば、以下のような効果が達成される。

(1)複数チャネルのアンテナアレイで検知された受信波から求まる特徴量を学習モデルに適用することで空間の状態を周期的に推定し、その時系列から空間の状態を判定するので、観測される状態の時系列が、当該空間の典型的な状態遷移と合致していなかったり、あるいは論理的にあり得ない状態遷移を示していたりすれば、学習モデルによる推定が誤りであると認識できるので、誤った推定結果に基づく状態判定を防止でき、状態判定の精度を向上させることが可能になる。

(2)状態推定手段は、状態を推定するための学習モデルにSVMを採用したので、多次元ベクトルで表現される受信波の特徴量を簡単に分類できるようになり、受信波の特徴量と空間の状態との対応付けが容易になる。

(3)状態判定時刻における空間の状態が、当該時刻における状態推定結果および当該時刻から相対的に定まる判定期間内で観測された状態に基づいて判定されるので、状態の時系列変化に基づく状態判定が容易になる。

(4)離散的に観測される空間の状態の時系列と、予めルール化された空間の典型的な状態遷移とを比較することで空間の状態を判定するので、状態の時系列が、空間の典型的な状態遷移や、論理的に有り得ない遷移状態を示していれば、学習モデルによる状態の推定結果が誤りであったことを認識できる。

(5)状態の判定期間として、状態判定時刻よりも前の期間のみならず後の期間も選択できるので、状態に応じて適正な判定期間を設定することで、より確度の高い状態判定が可能になる。

(6)状態推定に確率ベースの推定手法を採用すれば、離散的な状態推定の結果に対して、数秒程度の時間的な連続性や、行動検出の精度を改善できる。また、条件に対して確率的に判定結果を推定するために、推定結果の確からしさも提示できる。さらに、識別結果、履歴情報、推定結果の正解を用いてBNモデルを学習しておけばよいため、ルールを正確に規定するよりも手間を省略でき、また判定結果を蓄積し、BNモデルの再学習をすれば、ユーザや多様な状況に柔軟に適応することも可能になる。

アレイアンテナを用いた電波センサ装置の適用例を示した図である。 本発明を適用した電波センサ装置の構成を示した機能ブロック図である。 状態判定部の第１実施形態の機能ブロック図である。 履歴情報DBの一例を示した図である。 ルールテーブルの一例を示した図である。 本発明の一実施形態の動作を示したフローチャートである。 状態判定部の第２実施形態の機能ブロック図である。 ベイジアンネットワークの一例を示した図である。 条件付き確率の一例を示した図である。 判定ノードにおける条件付き確率の一例を示した図である。

以下、図面を参照して本発明の実施の形態について詳細に説明する。本発明では、受信機のアンテナ構造として、複数のアレイを備えたアレイアンテナを採用すれば、各アレイで同時刻に検知される受信電波強度や受信電波時刻などの特性が電波干渉物の状態に対して特異的である点に着目し、電波干渉物の位置や姿勢に応じて変化する空間の状態等と受信電波特性との関係を予め学習してモデル化等し、検知された受信電波特性を学習モデルに適用することで空間の状態を推定する。さらに、このような空間の状態を周期的に検知し、その時系列を所定のルールや確立モデルなどの知識ベースに適用することで、電波干渉物の位置や姿勢に依存する空間の状態を最終判定する。

図１は、アレイアンテナを用いた電波センサ装置の適用例を示した図であり、ここでは、監視対象の人間を電波干渉物に見立てて、室内における人間の存否や挙動を判定する場合を例にして説明する。

室内の適所に送信機Tx（図中、右下）およびアレイアンテナ１０（図中、左上）を配置すると、送信機Txから送信された電波は、直接または家具や壁などの固定物ないしは人間のような動体で反射されてアレイアンテナ１０へ到達し、受信される。このとき、室内に人間が存在しなければ、電波の伝搬経路が変化しないので、アレイアンテナ１０の各アレイで受信される電波の特性に大きな変化は生じない。また、人間が在室している場合でも、就寝中のように静止状態であれば、留守時と同様に電波波の伝搬経路が変化しないので、アレイアンテナ１０の各アレイで受信される電波の特性に大きな変化は生じない。ただし、電波特性自体は変化するので、留守と静止とは区別できる。また、人間が静止している場合でも、静止場所や静止姿勢によって特性が異なるので、静止位置や静止姿勢なども識別できるようになる。

なお、前記送信機Txについては電波センサ装置に特化した専用機を設ける必要はなく、無線LANアクセスポイント、ZigBeeあるいはBluetooth（登録商標）モジュールなどの既存の送信機で代用するようにしても良い。

図２は、本発明を適用した電波センサ装置の主要部の構成を示した機能ブロック図であり、ここでは、本発明の説明に不要な構成は図示が省略されている。

アレイアンテナ１０は、指向性を有する複数（チャネル）のアンテナ素子atから構成され、各アンテナ素子atは、それぞれ異なる方向を指向して配置されている。特徴量計算部１１は、受信波のベクトル情報から相関行列を演算する相関行列演算部１１ａを含み、各アンテナ素子atで検知された受信波の特徴量を計算する。

状態推定部１２は、各時刻において各アンテナ素子atで検知された受信波の特徴量を学習モデルに適用することにより、当該時刻における空間の状態を推定する。状態判定部１３は、状態の判定を要求される時刻（状態判定時刻）における空間の状態を、当該時刻を含む各周期で推定あるいは判定された状態の時系列変化に基づいて判定する

前記状態推定部１２は、学習モデルとしてSVM１２ａを具備し、受信波を、各アンテナ素子atで検知された電波を素性とする多次元ベクトルで表し、受信波を空間の状態で分類した学習データから分離平面を学習し、受信波から計算された特徴量が、前記分離平面によりどのように分類されるのかに基づいて前記空間の状態を推定する。

次いで、前記特徴量計算部１１の相関行列演算部１１ａによる受信波特徴量の算出方法について説明する。

前記アレイアンテナ１０において各アンテナ素子atが直線状に配列されていると、当該アレイアンテナ１０の受信信号は、次式(1)のように、各アンテナ素子atの受信信号を要素とする受信ベクトルx(t)で表される。

ただし、a(θ)：アンテナ素子数をL個とするときのL次元ベクトル
s(ｔ)：基準点での受信信号
n(ｔ)：雑音

前記L次元ベクトルa(θ)は次式(2)で表される。

ただし、θ：アンテナ素子の並びの方向に対する電波到来方向
d：各アレイアン素子の間隔
λ：電波の波長

ここで、M個の到来波が平面波として到来するときには次式(3)が成り立つ。

ただし、AはM個のベクトル（ステアリングベクトルという）を列としたL×M行列であり、次式(4)で表される。また、s(t)は各到来波の複素振幅を要素としたM次元ベクトルであり、次式(5)で表される。ただし、Tは転置を表す。

相関行列演算部１１ａは、受信ベクトルx(t)から、次式(6)で表される相関行列Rxxを演算する。ただし、ベクトルEは集合平均、Hは複素共役転置を表している。

ここで、雑音は到来波と無関係であり、素子に独立であるので、上式(6)は次式(7)に書き換えられる。ただし、σは雑音の分散であり、Sは波源相関行列＝E[s(t)s(t)H]である。

また、上記の相関行列Rxxは、次式(8)から得られる固有値λi、それに対応する固有ベクトルviを用いて、次式(9)のように固有値展開できる。

ここで、

であり、diagは行列の対角要素を並べたものである。

受信データ相関行列Rxxの固有値は、コヒーレント波群とインコヒーレント波の数の和に対応するK個の信号固有値、および大きさが雑音電力に等しいL-K個の雑音固有値に分割できる。すなわち、次式(11)が成立する。ここで、diagは行列の対角要素を並べたものである。

以上により、受信ベクトルから生成される相関行列Rxxを固有値展開することにより、信号部分空間と雑音部分空間に分けることができることを示した。信号部分空間を張る固有ベクトルｖとステアリングベクトルａ(θ)は同じ空間を張っていて、互いが他方の線形結合として表せる。つまり、信号部分空間を張る固有ベクトルは到来方向情報を含んだステアリングベクトルの線形結合によって表すことができ、電波伝搬構造を表しているといえる。

前記状態推定部１２は、SVM１２ａを利用して、前記電波特徴量をクラスタリングする。SVMは、教師あり学習を用いる識別手法の一種であり、与えられた学習データから距離が最大となる分離平面を求めるようにパラメータを学習する。基本的には、2つのクラスを識別する手法ではあるが、ペアワイズ（one-against-one）法を利用することで２つ以上の状態を識別することができる。

SVMの教師データは、監視対象の部屋及び居住者ごとに構築される。すなわち、SVMを2つの状態識別に用いるのであれば、留守時に検知された受信波の特徴量と在室時に検知された受信波の特徴量とを教師データとして分離平面が予め構築され、その後、時刻tにおいて検知された受信波の特徴量が前記分離平面のいずれの側に位置しているかで留守／在室を推定する。このような留守／在室の推定は所定の周期で繰り返され、各推定結果は状態判定部１３へ通知される。

また、ペアワイズ（one-against-one）法を利用するのであれば、室内での所在場所ごとに、かつ所在姿勢（起立、横臥、着座など）ごとに教師データが作成され、所在場所および姿勢毎に分離平面が予め構築され、その後、時刻tにおいて検知された受信波の特徴量が前記各分離平面のいずれの側に位置しているかで、所在場所および姿勢が推定される。
このような所在場所および姿勢の推定も所定の周期で繰り返され、各推定結果は状態識判定部１３へ通知される。

前記状態判定部１３は、前記状態推定部１２から周期的に通知される離散的な状態推定結果を含む状態の時系列変化に基づいて、状態判定時刻における空間の状態を判定する。この判定には、(1)ルールベースの状態判定手法、および(2)確率モデルベースの状態判定手法、のいずれかを適用できる。

[第１実施形態]
・ルールベースの状態判定

図３は、ルールベースの状態判定手法を採用した状態判定部１３の構成を示した機能ブロック図である。

履歴情報データベース(DB)１３１には、状態判定結果の履歴情報が、その時刻情報と共に蓄積されている。図４は、前記履歴情報DB１３１の登録内容の一例を示した図であり、前記状態判定部１３による状態判定結果の履歴情報が１秒周期で登録されている。

ルールテーブル１３２には、各時刻における状態推定結果と、当該時刻を基準にした相対的な判定期間内での状態判定結果および／または状態推定結果と、に基づいて状態判定時刻における状態を判定する複数のルールが記述されている。ルール検索部１３３は、状態判定時刻における状態推定結果に対応したルールを前記ルールテーブル１３２から検索する。ルールテーブル１３２の内容は、ルール閲覧・編集部１３６により閲覧、編集できる。

履歴情報検索部１３４は、前記検索されたルールで参照される判定期間で下された状態判定結果を前記履歴情報DB１３１から検索する。ルールベース判定部１３０は、状態判定時刻における状態推定結果に基づいて検索されたルールに、前記検索された判定期間内の状態判定結果を適用することで、当該時刻における状態を判定する。履歴情報登録部１３５は、前記状態判定結果を、その時刻情報と共に前記履歴情報DB１３１へ履歴情報として登録する。

図５は、前記ルールテーブル１３２の一例を示した図であり、ルール番号「＃」ごとに、状態の「推定結果」と、「結合条件」と、参照される判定結果の期間（相対的な開始時刻および終了時刻）と、判定期間における判定結果に要求される「条件」と、最終的な「判定結果」とが相互に紐付けられている。以下、一部のルールについて説明する。

(1)ルール１：
状態判定時刻における推定結果が「0:留守」であり、当該時刻よりも３０秒前から１秒前までの２９秒間の判定期間における判定結果（履歴情報）が１００％の割合で「2:在室（静止）」であれば、状態判定時刻における状態は「2:在室（静止）」と判定される。これは、在室から留守へ直接に遷移することは有り得ず、その間に必ず「1:在室（動作）」が間に入るはずなので、状態判定時刻における推定結果「0:留守」にかかわらず「2:在室（静止）」と判定される。

(2)ルール５：
状態判定時刻における推定結果が「2:在室（静止）」であり、当該時刻よりも２５時間前から２３時間前までの２時間の判定期間における判定結果（履歴情報）が８０％以上の割合で「0:留守」であり、かつ同期間における「2:在室（静止）」の判定結果が１０％未満であれば「0:留守」と判定される。

(3)ルール１０：
状態判定時刻における推定結果が「2:在室（静止）」であり、当該時刻よりも３０秒前から１秒前までの２９秒間の判定期間における判定結果（履歴情報）が９５％以上の割合で「1:在室（動作）」であり、かつ状態判定時刻よりも１秒後から１０秒後までの９秒間の判定期間における判定結果（履歴情報）が９５％以上の割合で「1:在室（動作）」であれば「1:在室（動作）」と判定される。これは、３０秒前から１０秒後までが「1:在室（動作）」であれば、現在の推定結果が「2:在室（静止）」であっても、これを少し止まった程度と解釈できるからである。

なお、本実施形態では上記のように、状態判定時刻よりも後の推定結果の状態に基づいて当該時刻の状態を判定できるようにするために、前記状態推定部１２による推定結果を所定時間（例えば、１分間）だけ一時記憶するバッファ領域１３１ａを、例えば図示のように履歴情報DB１３１に確保しておき、またはルールベース判定部１３０に確保しておき、状態判定時刻よりも後の時刻が判定期間とされるルールが適用される場合には、当該判定期間の状態が前記バッファ領域１３１ａから読み出される。

(4)ルール２０：状態判定時刻の推定結果が「0:留守」であり、当該時刻よりも２分前から１秒前までの判定結果（履歴情報）が１０％以下の割合で「1:在室（動作）」ではなく、かつ１秒後から１分後までの判定結果（履歴情報）が１０％以下の割合で「2:在室（静止）」でなければ「2:在室（静止）」状態と判定される。これは、「0:留守」と推定されたとしても、少しの時間だけ部屋を出た程度と解釈できるからである。

図６は、本発明の一実施形態の動作を示したフローチャートであり、ここでは、前記状態判定部１３の動作に注目して説明する。

ステップＳ１では、前記状態推定部１２により周期的に算出される状態推定結果のバッファ領域１３１ａへのバッファリングが終了したか否かが判定される。本実施形態では、前記状態推定部１２により１秒周期で状態推定結果が算出されるものとし、例えば１分間に相当する６０回分のバッファリングが終了するとステップＳ２へ進む。なお、前記バッファ領域１３１ａは、例えばFIFOバッファにより構成され、常に最新の６０回分の推定結果が一時記憶されている。

ステップＳ２では、状態判定周期であるか否かが判定される。本実施形態では、状態判定周期が前記状態推定周期と同じ１秒に設定されており、１秒周期でステップＳ３以降へ進む。ステップＳ３では、前記バッファ領域１３１ａから最も古い（本実施形態では、１分前）状態推定結果が、前記ルールベース判定部１３０により読み出される。したがって、本実施形態では現在時刻よりも１分前の状態推定結果に基づいて、当該時刻における状態が、現在時刻よりも１分遅れで判定されることになる。

ステップＳ４では、前記読み出された状態推定結果に対応したルールの検索がルール検索部１３３に対して要求される。ルール検索部１３３は、前記検索要求に応答して前記ルールテーブル１３２からルールを検索し、検索結果をルールベース判定部１３０へ返す。ここでは、前記状態推定結果が「2:在室（静止）」であったものとし、「推定結果」として「2:在室（静止）」が記述されている前記ルール５およびルール１０が検索結果として返されたものとして説明を続ける。

ステップＳ５では、ルールベース判定部１３０により、前記返されたルール５，１０の判定期間が参照され、当該判定期間の履歴情報が前記履歴情報DB１３１から読み出される。このとき、ルール１０の２行目のように、判定期間が当該時刻よりも後であれば、前記バッファ領域１３１ａから推定結果が読み出される。

ステップＳ６では、前記ルール５，１０が満足されているか否かが判定される。ルール５のみが満足されれば、状態判定時刻における状態が「0:留守」と判定される。これに対して、ルール１０のみが満足されれば「1:在室（動作）」と判定される。なお、ルール５，１０のいずれもが満足されるなどして判定結果に齟齬が生じると、判定期間が状態判定時刻により近いルールの確度がより高いという経験則に基づき、ここではルール１０が優先されて「1:在室（動作）」と判定される。

ステップＳ７では、前記判定結果が出力される。ステップＳ８では、前記判定結果が前記履歴情報登録部１３５により履歴情報として履歴情報DB１３１に登録される。ステップＳ９では、状態判定を終了するか否かが判定され、継続するのであればステップＳ２へ戻り、次の周期の状態推定結果が前記バッファ領域１３１ａから読み出されて上記と同様に判定処理が繰り返される。

本実施形態によれば、複数チャネルのアンテナアレイで検知された受信波から求まる特徴量を学習モデルに適用することで空間の状態を周期的に推定し、その時系列から空間の状態を判定するので、観測される状態の時系列が、当該空間の典型的な状態遷移と合致していなかったり、あるいは論理的にあり得ない状態遷移を示していたりすれば、学習モデルによる推定が誤りであると認識できるので、誤った推定結果に基づく状態判定を防止でき、状態判定の精度を向上させることが可能になる。

また、本実施形態によれば、状態判定時刻における空間の状態が、当該時刻における状態推定結果および当該時刻から相対的に定まる判定期間内で観測された状態に基づいて判定されるので、状態の時系列変化に基づく状態判定が容易になる。

さらに、本実施形態によれば、状態判定のための期間として、状態判定時刻よりも前の期間のみならず後の期間も選択できるので、状態に応じて適正な判定期間を設定することで、より確度の高い状態判定が可能になる。

[第２実施形態]
・確率モデルベースの状態判定

図７は、確率モデルベースの判定手法を採用した状態判定部１３の構成を示した機能ブロック図であり、前記と同一の符号は同一または同等部分を表している。

確率モデルベース判定部１３７は、各時刻における状態推定の結果や状態判定結果の履歴情報を、予め用意したベイジアンネットワーク(BN)に入力することより、状態判定時刻における状態を最終判定する。

履歴情報データベース(DB)１３１には、過去の状態判定結果が、その時刻情報と共に蓄積されており、その内容は、前記図４に関して説明した第１実施形態のものと同一または同等である。履歴情報検索部１３８は、前記確率モデルベース判定部１３７から要求された判定期間内の状態判定結果を前記履歴情報DB１３１から検索して応答する。履歴情報登録部１３５は、前記状態判定結果を、その時刻情報と共に前記履歴情報DB１３１へ履歴情報として登録する。

BNは、確率変数の定性的な依存関係をグラフ構造によって表し、依存関係を有する２つの確率変数の間の定量的な関係を条件付き確率によって表したモデルである。BNの確率変数のうち観測できる事項がある場合に、確率変数間の依存関係を用いて観測されていない変数を統計的に推測することができる。したがって、BNによる判定機能を備えた判定部１３８に、SVMによる状態推定手段から送信された推定結果、時刻情報、履歴情報を入力することで、現在の空間の状態を精度よく判定することができる。

図８は、BNの一例を示した図であり、各ノードNでは事後確率が予め学習されており、前記状態推定部１２による状態の推定結果および履歴情報DBに蓄積されている状態判定結果が、観測された値（証拠変数）とされる。そして、これらの情報から状態判定時刻における空間の状態が確率的に判定される。

過去状態判定結果ノードN(過去)は、過去（例えば、１日前）の同時間帯の複数の状態判定結果X(過去)から、後述する図９(a)に一例を示したような、予め学習した条件付き確率に基づいて、その時間帯における大まかな状態X(過去)を判定する。

直前状態判定結果ノードN(直前)は、直前（例えば、１分前）の複数の状態判定結果から、図９(b)に一例を示したような、予め学習した条件付き確率に基づいて、その時間帯における大まかな状態X(直前)を判定する。

直後状態推定結果ノードN(直後)は、直後の複数の状態推定結果から、図９(c)に一例を示したような、予め学習した条件付き確率に基づいて、その時間帯における大まかな状態X(直後)を予測する。

判定ノードN(判定)は、上記の過去状態判定結果X(過去)、直前状態判定結果X(直前)および直後状態推定結果X(直後)から、図１０に一例を示したような、予め学習した条件付き確率に基づいて、現在時刻tの状態を推定する。

図９は、各ノードNにおいて予め学習されている条件付き確率の一例を示した図であり、同図(a)に示した過去状態判定結果ノードN(過去）の条件付き確率は、１日前の同時刻およびその近傍（前後数分あるいは数十分）における複数の判定結果X(過去)t-T、X(過去)t-T+1…がすべて「0:留守」であれば、同時刻は「０．８７」の確率で留守であったことを示している。同様に、一つの判定結果が「1:在室（動作）」で他の判定結果が全て「0:留守」であれば、「０．８０」の確率で留守であったことを示している。同様に、一つの判定結果が「2:在室（静止）」で他の判定結果が全て「0:留守」であれば、「０．８４」の確率で留守であったことを示している。

同図(b)に示した直前状態判定結果ノードN(直前)の条件付き確率は、１分前およびその前後数秒における複数の判定結果X(過去)t-ω、X(過去)t-ω+1…がすべて「0:留守」であれば、同時刻は「０．９９」の確率で留守であったことを示している。同様に、一つの判定結果が「1:在室（動作）」で他の判定結果が全て「0:留守」であれば、「０．８７」の確率で留守であったことを示している。同様に、一つの判定結果が「2:在室（静止）」で他の判定結果が全て「0:留守」であれば、「０．９２」の確率で留守であったことを示している。

同図(c)に示した直後状態推定結果ノードN(直後)の条件付き確率は、直後の複数の判定結果X(過去)t+1、X(過去)t+τ…がすべて「0:留守」であれば、「０．９９」の確率で留守であることを示している。同様に、一つの判定結果が「1:在室（動作）」で他の判定結果が全て「0:留守」であれば、「０．８２」の確率で留守であることを示している。同様に、一つの判定結果が「2:在室（静止）」で他の判定結果が全て「0:留守」であれば、「０．９０」の確率で留守であることを示している。

図１０は、判定ノードN(判定)の条件付き確率の一例を示した図であり、インデックス１であれば、前記過去の状態判定結果が「0:留守」であり、前記直前の状態判定結果が「0：留守」であり、前記直後の状態推定結果が「0:留守」であれば、現在時刻において「0：留守」の確率が「０．９９」、「1:在室（動作）」の確率が「０．００５」、「2:在室（静止）」の確率が「０．００５」であることを示している。

同様に、インデックス２１であれば、過去の状態判定結果が「0:留守」であり、直前の状態判定結果が「1:在室（動作）」であり、直後の状態推定結果が「2:在室（静止）」であれば、現在時刻において「0:留守」の確率が「０．００５」、「1:在室（動作）」の確率が「０．９５０」、「2:在室（静止）」の確率が「０．０４５」であることを示している。

第１実施形態のように、状態推定部１２にルールベースの推定手法を採用すると、完全に記述することが困難な「不確実性」を扱うことができない。例えば、ある時間帯に外出する人が必ずその時間帯に外出するとは限らないが、ルールベースではこのような「不確実性」を事象に対応することができない。また、全てのルールを予め規定する必要があり、複雑な条件を規定するのが非常に煩雑である。

これに対して、本実施形態では状態推定部１２に確率ベースの推定手法を採用するので、離散的な状態推定の結果に対して、数秒程度の時間的な連続性や、行動検出の精度を改善できる。また、条件に対して確率的に判定結果を推定するために、推定結果の確からしさも提示できる。

さらに、識別結果、履歴情報、推定結果の正解を用いてBNモデルを学習しておけばよいため、ルールを正確に規定するよりも手間を省略できる。さらに、判定結果を蓄積し、BNモデルの再学習をすれば、ユーザや多様な状況に柔軟に適応することも可能である。

１０…アレイアンテナ，１１…特徴量計算部，１１ａ…相関行列演算部，１２…状態推定部，１３…状態判定部，１３０…ルールベース判定部，１３１…履歴情報データベース，１３２…ルールテーブル，１３３…ルール検索部，１３４，１３８…履歴情報検索部，１３５…履歴情報登録部，１３６…ルール閲覧・編集部，１３７…確率モデルベース判定部

Claims (8)

1. 送信機から送信された電波を複数チャネルのアンテナアレイで受信し、電波が伝搬する空間の状態を各アンテナアレイの受信波に基づいて判定する電波センサ装置において、
   各アンテナアレイで検知される受信波の特徴量を周期的に計算する特徴量計算手段と、
   各周期の特徴量を所定の学習モデルに適用して空間の状態を離散的に推定する状態推定手段と、
   状態判定時刻における空間の状態を、当該状態判定時刻における状態の推定結果および当該推定結果ごとに固有の判定期間における状態の判定履歴の時系列に基づいて判定する状態判定手段とを具備したことを特徴とする電波センサ装置。
2. 前記状態推定手段は、学習モデルとしてSVMを備え、受信波を、各アンテナアレイで検知された電波を素性とする多次元ベクトルで表し、受信波を空間の状態で分類した学習データから分離平面を学習し、前記受信波から計算された特徴量が、前記分離平面によりどのように分類されるのかに基づいて前記空間の状態を推定することを特徴とする請求項１に記載の電波センサ装置。
3. 前記状態判定手段は、前記状態判定時刻における空間の状態を、当該時刻における状態推定結果および当該時刻から相対的に定まる所定の判定期間内で観測された状態とに基づいて判定することを特徴とする請求項１または２に記載の電波センサ装置。
4. 前記状態判定手段は、前記状態判定時刻における空間の状態を、当該時刻における状態推定結果および当該時刻から相対的に定まる所定の判定期間内で所定の状態が観測された確率に基づいて判定することを特徴とする請求項３に記載の電波センサ装置。
5. 前記状態判定手段は、
   状態判定結果の履歴情報を時刻情報と共に蓄積する履歴情報DBと、
   状態推定結果と状態判定結果の履歴情報とに基づいて状態を判定する複数のルールが記述されたルールテーブルと、
   状態判定時刻の状態推定結果に対応したルールを前記ルールテーブルから検索するルール検索手段と、
   前記検索されたルールで参照される所定の判定期間内の状態判定結果を前記履歴情報DBから検索する履歴情報検索手段と、
   前記検索されたルールに前記判定期間内の状態判定結果を適用して前記状態判定時刻の状態を判定するルールベース判定手段とを具備したことを特徴とする請求項３に記載の電波センサ装置。
6. 前記履歴情報DBは、状態推定結果を一時記憶するバッファを具備し、
   前記履歴情報検索手段は、前記検索されたルールで参照される判定期間が推定時刻よりも後の期間を含むと、当該後の期間の判定結果として、前記バッファに一時記憶された当該期間の状態推定結果を検索することを特徴とする請求項５に記載の電波センサ装置。
7. 前記状態判定手段は、
   状態判定結果の履歴情報を時刻情報と共に蓄積する履歴情報DBと、
   状態推定結果および状態判定結果の履歴情報を、予め用意したベイジアンネットワークに入力することより、状態判定時刻における状態を最終判定する確率モデルベース判定手段と、
   前記確率モデルベース判定手段から要求された判定期間内の状態判定結果を前記履歴情報DBから検索して応答する履歴検索手段と、
   前記状態判定結果を、その時刻情報と共に前記履歴情報DBへ履歴情報として登録する履歴情報登録手段とを具備したことを具備したことを特徴とする請求項３に記載の電波センサ装置。
8. 前記状態判定手段は、前記状態判定時刻および判定期間における状態の時系列が論理的または典型的な状態遷移である割合が第１閾値よりも大きく、かつ論理的または典型的な状態遷移ではない割合が第２閾値よりも小さければ、前記状態判定時刻における状態の推定結果を判定結果とすることを特徴とする請求項１ないし７のいずれかに記載の電波センサ装置。