JP6182196B2 - 無線ｌａｎラジオマップ自動構築方法及び無線ｌａｎラジオマップ自動構築システム - Google Patents

Description

本発明は、室内位置情報認識技術に関し、より詳しくは、室内位置認識に必要な無線ＬＡＮラジオマップを自動で構築する方法及びシステムに関する。

最近、スマートフォン普及の拡大及びＡＰ（無線ＬＡＮ中継機）設置の増大により、室内位置認識サービスに対する要求が高まっている。実際に過去の数年間に室内位置認識システムが与える潜在的な効用を認識して広い可用性及び高い正確性を有するＩＰＳ（Ｉｎｄｏｏｒ Ｐｏｓｉｔｉｏｎｉｎｇ Ｓｙｓｔｅｍ）を実現するための様々な試みがあった。特に、無線ＬＡＮフィンガープリントに基づいた方式が比較的に正確度が高いことから幅広く通用している。ところが、この方式は、収集された無線ＬＡＮ信号と当該信号が収集された位置情報を含んでいるＤＢのラジオマップの構築を要求する。

ラジオマップが構築された室内空間では、当該ラジオマップに位置認識システムを搭載し、無線信号受信機が取付けられた移動機器の位置情報を容易に提供することができる。搭載した位置認識システムは、普通、移動機器で収集された無線ＬＡＮフィンガープリントと最も類似の数個かの無線ＬＡＮフィンガープリントをラジオマップで探し、見つけられた無線ＬＡＮフィンガープリントが収集された位置情報に基づいて位置を推定する。したがって、全世界の室内空間の無線ＬＡＮフィンガープリントを収集位置情報と共に収集してラジオマップを構築することは、室内位置認識システムの開発において最も核心的な作業である。しかし、室内空間のラジオマップを構築するためには、一般的に多くのコスト及び努力が求められる。したがって、コストと時間を極端に節減してくれる効率的なラジオマップの構築自動化方式が要求されている。

いままでこのようなコスト節減のための数多い試みがあった。ＧＰＳ信号と無線ＬＡＮ信号を同時に収集する装置を装着した車を運行して、収集された無線ＬＡＮ信号の収集地点をタギングしてラジオマップを構築したりもした。ユーザの移動機器でＧＰＳ信号と共に取得された無線ＬＡＮ信号を活用してラジオマップを構築することもできる。ところが、ＧＰＳを参照位置で用いる方法は、室内で収集された無線ＬＡＮ信号を活用できない短所がある。室内にはＧＰＳ信号が達しないためである。無線ＬＡＮ信号と共に種々のセンサで取得された信号情報を活用して収集地点を自動タギングしてラジオマップを構築する試みもあった。しかし、かかる方式もラジオマップ構築に追加的なコストが求められたり、可用度及び正確度の側面において依然として限界が存在する。

本発明は、前述した問題点を解決するために案出されたものであり、本発明の目的は、無線ＬＡＮラジオマップ構築に必要とされるコストを節減するための方案として、室内で収集位置情報なしに取得された無線ＬＡＮフィンガープリントに対してＧＰＳ信号のような参照位置情報を用いることなく、収集位置を自動ラベリングする方法及びシステムを提供することにある。

上記のような目的を達成するための本発明の一実施形態に係る、無線ＬＡＮラジオマップ自動構築方法は、室内地図の分割された領域が位置状態に表現されたＦＳＡ（Ｆｉｎｉｔｅ Ｓｔａｔｅ Ａｕｔｏｍａｔａ）に基づいて学習モデルを生成するステップと、前記学習モデルを基盤にした機械学習を介して収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置する学習ステップとを含む。

そして、本発明の一実施形態に係る、無線ＬＡＮラジオマップ自動構築方法は、室内で移動機器が取得した無線ＬＡＮフィンガープリントを収集するステップをさらに含み、前記学習ステップは、前記収集ステップで収集した無線ＬＡＮフィンガープリントを当該の位置状態に配置してもよい。

また、前記移動機器が取得した無線ＬＡＮフィンガープリントは、位置情報及び移動情報を含まなくてもよい。

また、本発明の一実施形態に係る、無線ＬＡＮラジオマップ自動構築方法は、配置結果を格納するステップをさらに含んでもよい。

また、前記学習ステップは、前記位置状態に対する代表無線ＬＡＮフィンガープリントをそれぞれ設定するステップと、前記代表無線ＬＡＮフィンガープリントを参考し、収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置するステップとを含んでもよい。

そして、前記設定ステップは及び前記配置ステップは、特定の回数にかけて繰り返されてもよい。

また、前記設定ステップは、前記配置結果に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更してもよい。

また、前記設定ステップは、前記配置ステップによって配置された全体無線ＬＡＮフィンガープリントを参照し、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更してもよい。

また、前記設定ステップは、Ａ＊アルゴリズム、山登り法アルゴリズム、遺伝子アルゴリズム、及びメメティックアルゴリズムのうち少なくとも１つを用いた学習を用いて行われてもよい。

また、前記配置ステップは、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズム及びＳｅｇｍｅｎｔａｌ Ｋ Ｍｅａｎｓアルゴリズムのうち少なくとも１つを用いた学習によって行われてもよい。

また、前記設定ステップは、ＡＰが配置した位置状態と無線ＬＡＮ信号電波モデルを参考し、前記位置状態に対する初期代表無線ＬＡＮフィンガープリントをそれぞれ設定してもよい。

そして、前記初期値に含まれるＡＰの個数は可変的であってもよい。

また、前記初期値に含まれるＡＰの個数は、三辺測量に応じて決定される位置範囲が分散することなく一定サイズ以下の１つの範囲に決定される条件が満足するまでＡＰの個数を増加させて選択されるＡＰ個数を動的に決定し、前記初期値に含まれるＡＰの順序はＩＧ（Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ）を基準にして決定されてもよい。

また、前記無線ＬＡＮフィンガープリントのうちの一部は位置情報が与えられ、
前記配置ステップは、位置情報が与えられた無線ＬＡＮフィンガープリントについて、前記位置情報に基づいて配置する当該の位置状態を決定してもよい。

また、前記位置情報は、ＧＰＳ情報、設置位置が知られたタグ情報、動き情報のうち少なくとも１つによって与えられてもよい。

そして、前記学習モデルは、前記ＦＳＡで、前記無線ＬＡＮフィンガープリントが配置され、前記位置状態の間の遷移確率と前記無線ＬＡＮフィンガープリントが観測される確率をパラメータにするモデルであってもよい。

一方、他の実施形態に係る、無線ＬＡＮラジオマップ自動構築システムは、無線ＬＡＮフィンガープリントを収集する収集サーバと、室内地図の分割された領域が位置状態に表現されるＦＳＡ（Ｆｉｎｉｔｅ Ｓｔａｔｅ Ａｕｔｏｍａｔａ）に基づいて学習モデルを生成し、前記学習モデルを基盤にした機械学習を介して前記収集サーバにより収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置する学習サーバと、を含む。

また、前記収集サーバは、室内で移動機器が取得した無線ＬＡＮフィンガープリントを収集してもよい。

そして、前記移動機器が取得した無線ＬＡＮフィンガープリントは、位置情報及び移動情報を含まなくてもよい。

また、前記学習サーバは、前記位置状態に対する代表無線ＬＡＮフィンガープリントをそれぞれ設定し、前記代表無線ＬＡＮフィンガープリントを参考し、収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置してもよい。

そして、前記学習サーバは、前記配置結果に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更してもよい。

また、前記学習サーバは、配置された全体無線ＬＡＮフィンガープリントを参照し、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更してもよい。

また、前記学習サーバは、ＡＰが配置した位置状態と無線ＬＡＮ信号電波モデルを参考し、前記位置状態に対する初期代表無線ＬＡＮフィンガープリントをそれぞれ設定してもよい。

以上で説明したように、本発明の実施形態によると、不特定の複数スマートフォンでＧＰＳ信号のような参照位置情報なしに収集された無線ＬＡＮフィンガープリントに対して収集位置を自動ラベリングできるようにする。各建物で十分多くの無線ＬＡＮフィンガープリントが収集されれば、当該の建物内で位置認識できる基盤情報を提供するラジオマップを手作業することなく自動構築することができ、コストを画期的に節減することができる。

さらに、本発明の実施形態によると、ラジオマップが一回構築されて位置認識サービスが提供される地域で多くの人々が位置認識サービスを用いる場合、自動でラジオマップをアップデートすることによって無線ＬＡＮ環境が変わる場合にも効率よく対処できる。

本発明の一実施形態に係る無線ＬＡＮラジオマップ自動構築システムを示す図である。 本発明の他の実施形態に係る無線ＬＡＮラジオマップ自動構築方法を説明するフローチャートである。 室内地図分割の結果を例示する図である。 複数の領域に分割された室内地図からＦＳＡを生成した結果を例示する図である。 学習過程を図式的に示す図である。 学習モデル初期値の具体的な形態を例示する図である。 ＡＰ１が位置状態Ｌ１に存在する仮定下で構成した探索空間を示す図である。 全体探索と部分探索を交互に用いて探索空間で全体最適の解を求める過程の概念図である。 Ｓｅｇｍｅｎｔａｌ Ｋ−ｍｅａｎｓ Ｔｒａｉｎｉｎｇの開始ステップを示す図である。 特定フィンガープリントが特定の位置状態に配置される確率を示す図である。 ビタビ（Ｖｉｔｅｒｂｉ）アルゴリズムによってＭＬＥ（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ｅｓｔｉｍａｔｉｏｎ）条件を満たす形態にフィンガープリントが位置状態に配置した状態を示す図である。 ビタビアルゴリズムによってフィンガープリントが位置状態に配置した状態を示す図である。 パラメータ値が変更されて再開始状態に戻った状態を示す図である。 部分探索と全体探索に関する処理流れを示す図である。 全体探索のために構成したポピュレーション（ｐｏｐｕｌａｔｉｏｎ）の一部分を示す図である。 探索空間縮小の概念を示す図である。 探索空間を縮小するための基本戦略を示す図である。 全体探索のためのＬＤＰＬ（Ｌｏｇ−Ｄｉｓｔａｎｃｅ Ｐａｔｈ−Ｌｏｓｓ）に基づいた遺伝子タイプ（ｇｅｎｏｔｙｐｅ）フォーマットを示す図である。 参照位置情報を活用した候補解の除去を通した探索空間縮小を示す図である。

以下は、図面を参照して本発明をより詳細に説明する。

１．無線ＬＡＮラジオマップ自動構築システム
図１は、本発明の一実施形態に係る無線ＬＡＮラジオマップ自動構築システムを示す図である。理解及び説明の便宜のために、図１では無線ＬＡＮラジオマップ自動構築システムの他に、ＡＰ１０と移動機器１００をさらに示す。

本発明の実施形態に係る無線ＬＡＮラジオマップ自動構築システムは、スマートフォンのような移動機器１００を介して取得された無線ＬＡＮフィンガープリントに対して収集位置を自動にラベリングするためのシステムである。

ここで、移動機器１００は不特定の複数機器であっても構わず、無線ＬＡＮフィンガープリントは、ＧＰＳ信号のような位置情報と加速センサ、ジャイロセンサ、方向センサで得られるセンシング情報あるいは移動情報と共に収集されなくてもよい。

このような機能を行う本発明の実施形態に係る無線ＬＡＮラジオマップ自動構築システムは、図１に示すように、無線ＬＡＮフィンガープリント収集サーバ２００、アンラベリング（Ｕｎｌａｂｅｌｅｄ：ラベリングされない）無線ＬＡＮフィンガープリントＤＢ３００、室内地図ＤＢ４００、学習サーバ５００、及びラベリング（Ｌａｂｅｌｅｄ：ラベリングされた）無線ＬＡＮフィンガープリントＤＢ６００を含む。

無線ＬＡＮフィンガープリント収集サーバ２００は、移動機器１００がＡＰ１０から取得したＵｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントを収集する。Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントを収集するために、無線ＬＡＮフィンガープリント収集サーバ２００は様々なネットワーク（Ｎ）を介して移動機器１００と接続する。

移動機器１００から収集する無線ＬＡＮフィンガープリントには位置情報が含まれていないため、これを「Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリント」のように表記する。無線ＬＡＮフィンガープリント収集サーバ２００によって収集されたＵｎｌａｂｅｌｅｄフィンガープリントは、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ３００に格納される。

室内地図ＤＢ４００には、無線ＬＡＮラジオマップを構築する対象建物に対する室内地図が格納されているため、ここには壁と通路情報が与えられているものと仮定する。

学習サーバ５００は、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ３００に格納されたＵｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントと室内地図ＤＢ４００に格納された室内地図とに基づいて学習モデルを生成する。

その後、学習サーバ５００は学習モデルに対して機械学習を行い、収集位置が知られていないＵｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントの収集位置を決定する。そのため、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントは、Ｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントになり、これはＬａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ６００に格納される。

２.無線ＬＡＮラジオマップ自動構築方法
図１に示されたシステムが無線ＬＡＮラジオマップを自動で構築する過程を図２に具体的に示す。図２は、本発明の他の実施形態に係る無線ＬＡＮラジオマップ自動構築方法の説明に提供されるフローチャートである。

図２に示すように、まず、無線ＬＡＮフィンガープリント収集サーバ２００が建物内に位置する移動機器１００から無線ＬＡＮフィンガープリントシーケンスを収集し、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ３００を構築する（Ｓ７００）。

移動機器１００は、無線ＬＡＮフィンガープリントを連続的に取得するため、１つの移動機器１００によって連続的に取得される無線ＬＡＮフィンガープリントを無線ＬＡＮフィンガープリントシーケンスに表記した。

無線ＬＡＮフィンガープリントシーケンスを構成する無線ＬＡＮフィンガープリントに、位置情報及び移動情報が含まれていないことは前述した。

学習サーバ５００は、室内地図ＤＢ４００に格納されている室内地図を予め決定した大きさに分割し（Ｓ７１０）、分割された領域が位置状態（ｌｏｃａｔｉｏｎ−ｓｔａｔｅ）と表現されたＦＳＡ（Ｆｉｎｉｔｅ Ｓｔａｔｅ Ａｕｔｏｍａｔａ）を生成する（Ｓ７２０）。

その後、学習サーバ５００は、ＦＳＡ基盤のＥｍｐｔｙ（空いている）学習モデルを生成する（Ｓ７３０）。ステップＳ７３０で生成される学習モデルは、各位置状態で観測され得る無線ＬＡＮフィンガープリント、及びその他の関連パラメータが配置（決定）されていないか、学習を介して変更される臨時的な値を用いる点で、Ｅｍｐｔｙ学習モデルに表記した。

次に、学習サーバ５００は、学習モデルの初期パラメータを構成する（Ｓ７４０）。ステップＳ７４０では、室内にあるＡＰを学習モデルにおける位置状態にランダムに配置し、ＡＰの配置結果と無線ＬＡＮ信号電波モデル（ＡＰの距離に反比例して信号強度が決定されるモデル）から位置状態それぞれに「無線ＬＡＮフィンガープリントの代表値」（以下、「代表無線ＬＡＮフィンガープリント」のように表記）を付与することで、学習モデルの初期値を構成する。

その後、学習サーバ５００は、最適モデルパラメータを設定するための部分探索を行う（Ｓ７７０）。ステップＳ７７０は、ステップＳ７４０で設定された代表無線ＬＡＮフィンガープリントに基づいて、位置状態の間の移転確率を決定し、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントを学習モデルの位置状態に配置し、位置状態で無線ＬＡＮフィンガープリントが観測される確率を算出する過程である。

ステップＳ７７０は、位置状態ごとに行われるため部分探索のように表現した。ステップＳ７７０は、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズム、ビタビトレーニング（Ｖｉｔｅｒｂｉ Ｔｒａｉｎｉｎｇ）として知られているＳｅｇｍｅｎｔａｌ Ｋ Ｍｅａｎｓアルゴリズムなどを用いる学習を介して実行可能である。

次に、ステップＳ７７０によってモデルパラメータが構成された学習モデルに対して、最適モデルパラメータを設定するための全体探索を行い（Ｓ７５０）、その結果、学習モデルの位置状態それぞれに対して代表無線ＬＡＮフィンガープリントが変更される（Ｓ７６０）。

ステップＳ７５０は、学習モデル全体について行われるため、全体探索のように表現した。ステップＳ７５０は、Ａ＊アルゴリズム、山登り法（Ｈｉｌｌ Ｃｌｉｍｂｉｎｇ）アルゴリズム、遺伝子アルゴリズム、及びメメティックアルゴリズムなどを用いた学習を介して実行可能である。

次に、ステップＳ７７０が再実行され、部分探索と全体探索が続いて繰り返される。この反復過程において、全体無線ＬＡＮフィンガープリントが配置された状態に基づいて、位置状態に対する代表無線ＬＡＮフィンガープリントが変更され、代表無線ＬＡＮフィンガープリントの変更によって無線ＬＡＮフィンガープリントが配置した位置状態が変更される手続が繰り返される。

その反復過程は、全体探索を行ってもモデルパラメータが変更されない状態（すなわち、モデルパラメータが最適である場合）又はモデルパラメータが微小に変更される状態になるまで継続する。

３．各ステップに対する詳細説明
３．１無線ＬＡＮフィンガープリント収集

無線ＬＡＮフィンガープリントシーケンスは、移動機器１００の移動中あるいは停止状態で取得され得る。移動機器１００の他にも、無線ＬＡＮフィンガープリントシーケンスは、建物内部を飛行する無人機（いわゆるｄｒｏｎｅ）に装着された無線ＬＡＮフィンガープリントの収集装置を通しても取得できる。

３．２室内地図分割
モデリング段階の最初の手続として、対象建物の室内地図を予め決定した大きさに分割する。室内地図では当該建物の壁と移動経路が明記されている。

予め決定した大きさは、普通の人が歩く速度を基準にして、１〜２秒内で離れることができる大きさ、あるいは無線ＬＡＮを用いて区分される大きさを基準にして、２〜３メートルあるいは３〜４メートルを一辺にする辺にする多角形の大きさとなる。したがって、分割される領域の個数は１建物に対して数百、数千、あるいは数万個に達する。図３には室内地図を分割した結果を例示した。

３．３ＦＳＡ生成
ＦＳＡは学習モデルの基盤になる状態図であり、ＦＳＡの状態は前に分割された領域である。したがって、分割された領域が１、０００個であれば、生成されるＦＳＡは１、０００個の位置状態を有し得る。

また、各領域で数秒内に歩いて到達できる領域（すなわち、位置状態）の場合には、移転確率（ｔｒａｎｓｉｔｉｏｎ ｐｒｏｂａｂｉｌｉｔｙ）に連結する。普通、隣接する領域に対する位置状態は、移転エッジ（ｔｒａｎｓｉｔｉｏｎ ｅｄｇｅ）に連結する。各位置状態は自身の状態に回帰するエッジも有する。

図４には、複数の領域に分割された室内地図からＦＳＡを生成した結果を例示した。

３．４学習モデル構成
本発明の実施形態において、学習モデルは、ＦＳＡ基盤で無線ＬＡＮフィンガープリントをラベリングするための機械学習モデルである。学習モデルには、ＦＳＡの各位置状態の間の移転確率が付与されている。移転確率は、ＦＳＡのある位置状態から他の位置状態に移動する確率である。

一方、学習モデルには、各位置状態に無線ＬＡＮフィンガープリントがまだ配置されていない状態であり、無線ＬＡＮフィンガープリント配置が後述する学習過程によって行われる。

学習過程は、室内地図から生成したＦＳＡ基盤に構成した学習モデルに対して、機械学習を介してＵｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントを配置し、位置状態の間の移転確率と各位置状態で無線ＬＡＮフィンガープリントが観測される確率を算出する過程であって、図５に図式的に示し、以下は具体的に説明する。

一方、無線ＬＡＮフィンガープリントが観測される確率は、ＭＬＥ（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ｅｓｔｉｍａｔｉｏｎ）方式を用いて算出可能であるものの、その他の方式を用いることも可能である。

３．５．１学習モデル初期値設定
学習モデル初期値設定は、学習モデルを駆動するために必要である。同時に、モデル初期値は、学習モデルの探索空間（すなわち、ソリューション空間）を減らすために多くの影響を及ぼす。一般的に生成された学習モデルは、普通、数百、数千個の位置状態を有して無線ＬＡＮフィンガープリントの基礎になるＡＰも数十個から数百個に至る場合が多く、極めて大きい探索空間を形成する。このような巨大な探索空間を減らさなければ、学習に所要する時間が長くなり、モデルを実際に活用することが難しい。

本発明の実施形態において学習モデル初期値は、学習モデルの探索空間を大幅減らすことができるよう、ＡＰ１０の位置を決定して無線ＬＡＮ信号の電波モデルを組み合わせる形態に構成され、図６には具体的な形態を例示した。

信号電波モデルを示す２つのフィールドｅｉ、ＬＯＳとｅｉ、ＮＬＯＳは、ｉ番目の解のＬＯＳ（Ｌｉｎｅ ｏｆ Ｓｉｇｈｔ）とＮＬＯＳ（Ｎｏｎｅ Ｌｉｎｅ ｏｆ Ｓｉｇｈｔ）のＰａｓｓ Ｌｏｓｓ Ｅｘｐｏｎｅｎｔｓ値を意味する。以下の数式は、ｅ値によって影響を受けるＬＤＰＬ（Ｌｏｇ−Ｄｉｓｔａｎｃｅ Ｐａｔｈ−Ｌｏｓｓ）信号電波モデルである。

（１）

ここで、ＰＷｔはＡＰの送信パワーであり、ＰＷｒは移動機器における受信パワーであり、ｗｌは波長であり、ｅはｐａｔｈ ｌｏｓｓ ｅｘｐｏｎｅｎｔ（ｅ＝２ｉｎ ｆｒｅｅ ｓｐａｃｅ）であり、ｄはＡＰと移動機器間の距離である。

学習モデルの初期値は、無線ＬＡＮフィンガープリントから室内にあるＡＰを把握し、把握したＡＰを学習モデルにおける位置状態にランダムに配置し、ＡＰの配置結果と無線ＬＡＮ信号電波モデルから位置状態それぞれに代表無線ＬＡＮフィンガープリントを付与することで構成される。

３．５．２探索空間を減らすためのＡＰ選択方式
モデル初期値入力の大きさは、学習モデルの探索空間の大きさを決定する。したがって、入力の大きさを減らすことは探索空間の大きさを減らすために重要である。

前述において信号電波モデルを用いることによって入力の大きさを減らしたが、本発明の実施形態では、用いるＡＰを選択的に入力に含ませることで、入力の大きさを減らして探索空間の大きさを減らし得る。

本発明の実施形態では、入力に用いるＡＰの選択において入力に含むＡＰの数を予め決定することなく、選択されたＡＰの三辺測量に応じて決定される位置範囲が分散することなく、一定サイズ以下の１つの範囲に決定される条件が満足するまでＡＰの個数を増加させ、選択されるＡＰ個数を動的に決定する方式を用いる。

ただし、入力に含ませるための候補ＡＰの選択順序を決定することにおいて、ＩＧ（Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ）のような一般的な基準を用いる。次は、本発明の実施形態で提案するＡＰ選択アルゴリズムとして、１つの位置状態に対してｎ個のＡＰを選択するためのアルゴリズムである。

n = dimensionality of the indoor space of interest
AP = set of APs sorted by IG
O = set of observations
SELECT = < >
For ap in AP, until all o in O has more than n+1 aps
Add ap to SELECT
Sort SELECT by IG descending
For ap in SELECT
If all o in O has more than n+1 aps without ap
Remove ap from SELECT
３．５．３探索空間
下記で説明する探索過程に対する理解を助けるために、無線ＬＡＮフィンガープリントの収集位置情報を含んでいる解が含まれた探索空間の構成、全体探索と部分探索を介して解を探す過程を具体的な例を挙げて説明する。まず、図７に示すように、Ｌ_１とＬ_２の位置状態から構成された室内空間に１つの信号中継機ＡＰ１がそれぞれ２つのフィンガープリントから構成された信号シーケンスＦ_ａ＝＜ａ_１、ａ_２＞、Ｆ_ｂ＝＜ｂ_１、ｂ_２＞によって観測された時を仮定する。

この場合、探索空間は、信号中継機ＡＰ_１が位置状態Ｌ_１に位置するか、Ｌ_２に位置することを含む。そして、ＡＰ１それぞれの位置状態に位置する場合、再び全体フィンガープリントＵ＝｛ａ_１、ａ_２、ｂ_１、ｂ_２｝が位置状態Ｌ_１とＬ_２に置かれられる場合の数は下記のようなｔｒｅｅに表現されてもよい。Ｔｒｅｅを構成している様々な方法が存在するが、構成されるＴｒｅｅの形態と関係がなくそれぞれ含まれるノードは同一でなければならない。このように形成されるＴｒｅｅが本発明において課題となる解を含んでいる探索空間となる。

図７は、信号中継機ＡＰ_１が位置状態Ｌ_１に存在する仮定下で構成された１６個のノード（ルートノードは除外）で構成された探索空間である。信号中継機ＡＰ１は位置状態Ｌ２にも存在し得るため、ＡＰ_１が位置状態Ｌ_１に存在すると仮定すると、図７と同じ大きさの探索空間が与えられる。

本発明の実施形態で解決しようとする問題は、与えられた条件及び制約に基づいて形成された探索空間において最も高い確率で発生するノードを探すものである。そのためには各ノードの発生確率を算出する方法あるいは数式が要求される。本発明の実施形態では、このような場合にＭＬＥ（Ｍａｘｉｍｕｍ Ｌｉｋｅｌｉｈｏｏｄ Ｅｓｔｉｍａｔｉｏｎ）方式を用いて各ノードの発生確率を算出する。もちろん、各ノードの出現確率を算出できる方式であれば、いずれのものを用いても関係ない。この算出過程では、一人の移動距離あるいは信号シーケンスを構成するフィンガープリントの収集時間情報を追加的に用いることで、巧みな算出を行うことができる。

このような方式によって発生確率が最も高い１つのノードが選択されれば、そのノードが有する情報に基づいて収集位置を決定する。すなわち、Ｌ_１＝＜ａ_１、ａ_２＞、Ｌ_２＝＜ｂ_１、ｂ_２＞で構成されたノードが最も高い確率を有する場合にはフィンガープリント｛ａ_１、ａ_２｝は位置状態Ｌ_１で、｛ｂ_１、ｂ_２｝は位置状態Ｌ２で信号が収集されたものと見なす。

３．６探索方法
上記のような方式で構成された探索空間は、存在するＡＰ数が増加して位置状態数が増加することで探索空間が爆発的に増加し、適正な時間内に全体の探索空間内に存在する全てのノードを比較検討することができない。本発明の実施形態で提案した全体−部分の探索交互方式は、このような探索空間の爆発的な増大にもかかわらず、適正な時間内に最適な解を取得する目的を有する。全体−部分の探索を交互に用いて適正な条件に適する探索空間のみを探索することで、全体空間を全て探索しなくても最適化された値、すなわち、ノードを適正な時間内に探すことが可能となる。そのため、部分探索にはＳｅｇｍｅｎｔａｌ Ｋ−ｍｅａｎｓ Ｔｒａｉｎｉｎｇ方法を全体探索方式では遺伝子アルゴリズム（あるいは、これを拡張したメメティックアルゴリズム）を用いることができる。

一方、全体探索と部分探索を交互に用いる理由は、部分探索のみを用いる場合、頻繁に部分最適値に偏って全体最適値を求めることができない現象が発生することがある。図８は、部分探索と全体探索とを交互に用いて最適値を求める過程に対する概要を示している。図８に示すように、全体探索過程によって初期値が与えられれば、部分探索によって部分最適値を探して見つかった値は全体探索モジュールに提供すれば、この値を以前に取得された値と共に参照し、新しい初期値を作って部分探索モジュールに提供する過程を繰り返す。この反復回数は、予め決定した値によって決定されることが普通である。特に、図８は、部分探索はＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）に基づいて学習されるものと仮定しているが、部分探索によって最適値を取得することができる方法であればいずれの方法を用いても構わない。

３．６．１最適モデルパラメータを設定するための部分探索
部分探索（あるいは、ローカル探索）では、初期時の設定又は全体探索によって決定された代表無線ＬＡＮフィンガープリントに基づいて、Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントが配置される最適の位置状態を探す過程である。

全体探索と部分探索が繰り返しながら学習モデルのパラメータが変化かつ進化してＣｏｍｐｌｅｔｅｄ学習モデルとなり、この過程でＵｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントの配置作業は完了する。

当該の位置状態に配置された無線ＬＡＮフィンガープリントは、結局、当該の位置状態が示す領域で収集されたものと見なし、その結果はＬａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ６００に格納されることで、無線ＬＡＮフィンガープリントラベリングは終了する。

部分探索の結果は、全体探索のアルゴリズムにより逆関数及び回帰分析によってモデル初期値設計形態（ＡＰの設置位置と信号の電波モデルの組合せ）に変換して全体探索の効率性を高めるために活用される。

次は、本発明の実施形態で提案する部分探索の過程に対して詳細に説明する。この部分探索の過程を２つの位置状態を有する空間で観測された２つのフィンガープリントシーケンスに対して、Ｓｅｇｍｅｎｔａｌ Ｋ−ｍｅａｎｓ Ｔｒａｉｎｉｎｇによりフィンガープリントが位置状態に配置する過程を記述する。ただし、当該の空間には１つのＡＰのみが設置されており、各図面における数字は当該のＡＰで取得された仮想的な信号の強度を意味する。図９は、前述したモデル（あるいは、ＨＭＭ）の初期値パラメータλ０値が与えられ、＜６、１４、２０＞と＜１０、１６、２０＞が観測された２つのフィンガープリントシーケンスに提供するものと仮定する。また、初期状態において、各位置状態で取得された無線ＬＡＮ信号の強度はそれぞれ１５と２５であると仮定する。すなわち、ＡＰが２つの位置状態（位置状態１（図９で左側四角形）と位置状態２（図９で右側四角形））を同じ空間で位置状態２に位置していると仮定する。一方、ＡＰ信号の強度は−３０ｄＢｍから−９０ｄＢｍの間に分布することが普通であるが、ここでは説明の便宜上、正の整数値を用いた。

図９に示すように、初期値が与えられることでＳｅｇｍｅｎｔａｌ Ｋ−ｍｅａｎｓ Ｔｒａｉｎｉｎｇが開始すると、２つのシーケンスに存在するフィンガープリントが各位置状態に配置される可能性の最も高い状態の組合がビタビアルゴリズムによって選択される。ビタビアルゴリズムが駆動されるためには、特定のフィンガープリントが特定位置に配置される確率を算出しなければならない。図１０は、ＨＭＭのパラメータが決定された状態で、特定フィンガープリントが特定の位置状態に配置する確率を算出する方法を示している。

図１０では、ＨＭＭのパラメータが生成された状態で、強度１２を有するフィンガープリント、ｆが観測された時このフィンガープリントｆが位置状態１あるいは位置状態２に配置する確率を算出する過程を示す。

まず、ｆが位置状態１で観測される確率分布は、ｆの強度１２と位置状態１の平均強度１０のユークリッド距離を、下記の数式（２）、

（２）

を用いて算出すると、［（１２−１０）^２］^１／２＝２であり、これにより信号類似度を下記の数式（３）、

（３）

を用いて算出すると、１／（１＋２）＝１／３となる。続いて、収集されたフィンガープリントｆが位置状態１で観測される確率を下記の数式（４）、

（４）

を用いて算出することができる。ここで、フィンガープリントｆはｏ^＊に見なして処理される。上記の数式を用いて算出すれば、無線ＬＡＮフィンガープリントｆが取得されたとき、その位置が位置状態１である確率は（１／３）／（１／３＋１／９）＝３／４であり、与えられたフィンガープリントシーケンスに含まれたフィンガープリントｆが位置状態１で取得される確率は下記の数式（５）、

（５）

を通じて算出することができる。数式でＰｒ（ｌ）とＰｒ（ｏ^＊）を定数として取り扱えば、上記の数式の値はＰｒ（ｌ｜ｏ^＊）Ｃの値に表現し得る。したがって、Ｐｒ（ｆ｜位置状態１）は３Ｃ／４となる。同じ方法で算出すれば、Ｐｒ（ｆ｜位置状態２）はＣ／４となる。

かかる方式で対象となる全ての可能な配置組合を対象にフィンガープリントの確率値を加えて最も大きい値を有する最適の配置を探すことができる。

図１１は、２つのシーケンスに対してこのような配置が完了して２つのフィンガープリントシーケンスを構成するフィンガープリントが各位置状態に配置した状態を示している。

図１１に示すように、配置が完了すると、配置されたフィンガープリント情報を反映してモデルパラメータを変更する。上記の場合、位置状態１にＡＰ信号強度６、１４、１０、１６を有するフィンガープリントが新しく配置されることで、平均信号の強度は１５．５に、位置状態２の場合には２２に変更される。図１２はこのように変更された状態を示している。

図１２に示すように、パラメータが変更されれば、変更されたパラメータを用いてビタビアルゴリズムを再び適用しながら同じ過程を繰り返す。図１３は、パラメータ値が変更された後、再び最初の段階に戻った状態を示している。学習が繰り返されることによりＨＭＭモデルのパラメータ値は変更されるが、同一のフィンガープリントを入力として用いる。

パラメータ値変更とビタビ経路（Ｖｉｔｅｒｂｉ Ｐａｔｈ）の検出を通したフィンガープリントの配置過程は、これ以上モデルパラメータに変更が発生しないまで繰り返される。この反復学習が終了すると、最終的なＨＭＭパラメータが取得されるのである。しかし、本発明の実施形態から、この状態を学習が完了した最終的な状態と見なすことはない。部分最適化値に偏っている可能性があるためである。このような問題を克服するために全体探索を実施する。

３．６．２最適モデルパラメータを設定するための全体探索
学習モデルは、学習の入力に与えられる無線ＬＡＮフィンガープリントシーケンスを室内空間に最適に配置するため、部分探索と全体探索を繰り返し施行しながら最適モデルパラメータを設定する。

最適モデルパラメータを設定するための全体探索においては、部分探索で用いられる代表無線ＬＡＮフィンガープリントを設定する。全体探索のために様々なアルゴリズムが存在する。Ａ＊アルゴリズム、山登り法（Ｈｉｌｌ Ｃｌｉｍｂｉｎｇ）アルゴリズム、遺伝子アルゴリズム、及びメメティックアルゴリズムなどを全体探索として用いることができる。

全体探索の主な目的は、部分探索が部分的な領域においては最適であるものの、全体空間では依然として最適ではないため、探索空間を拡張するために全体探索が必要である。

全体探索は、以前の部分探索ステップで取得された結果を活用し、以前の部分探索で用いた代表無線ＬＡＮフィンガープリントと互いに異なる無線ＬＡＮフィンガープリントを次の部分探索ステップで用いる。

部分探索と全体探索を繰り返す過程は、予め決定された基準（この基準は、通常用いられる初期値に含まれたＡＰの個数あるいは探索反復回数）が満足するまで繰り返し施行する。

以下で、全体探索（あるいは、グローバル探索）の過程を遺伝子アルゴリズムの高度化されたメメティックアルゴリズムを用いて説明する。図１４に示すように、全体探索では、部分探索で取得された結果に基づいて遺伝子の選択、突然変異、交互を反映して新しい子孫を作って進化しながら、部分探索の新しい初期値に伝達する。図１４は、全体探索と部分探索が統合した形状を示す。

図１４に示すように、全体探索は部分探索の初期値を提供し、部分探索は全体探索で進化を介して子孫を作るために必要な情報を提供する。

モデルテンプレート＜π^０、Ａ^０、ｎｕｌｌ＞が与えられたとき（但し、ここでπ０は、各位置状態で観測が開始する確率初期値、Ａ^０は、位置状態間の移動確率情報を含んでいる遷移行列）、遺伝子アルゴリズムはこれに対応するμ^０値を探す。ここで、μ値は、各位置状態で観測される平均信号の強度を意味する。対象空間がｋ個の位置状態を含み、ｎ個の互いに異なる位置状態が存在して特定の位置状態１で観測された信号が{μ_l1=(rssi₁, rssi₂, rssi₃, …), μ_l2=(rssi₁, …), … , μ_lm=(rssi₁, …)}のようにｍ個が存在すると仮定すると、全てｄｎｋだけの可能な組合が存在する。ここで、ｄは互いに異なる無線ＬＡＮ信号の強度として９０個の互いに異なる無線ＬＡＮ信号の強度が存在すると仮定し、合わせて２００個の位置状態、１００個の互いに異なるＡＰが存在する状態を仮定すると、合わせて９０^{１００＊２００}の大きさの探索空間が形成される。

全体探索及び部分探索は互いに連結して交互に施行されるが、全体探索は、部分探索を実施するための新しい初期値を決定するための目的として施行され、部分探索は、与えられた初期値と収集された無線ＬＡＮフィンガープリントシーケンスに基づいて、各フィンガープリントが位置状態に配置される最適の組合せを探す。

このように部分探索と全体探索は実行される目的が異なって部分探索で用いる入力の形態と全体探索で用いる入力の形態も互いに異なる。部分探索で用いる入力の形態をｐｈｅｎｏｔｙｐｅ（表現型）、そして、全体探索で用いる入力の形態をｇｅｎｏｔｙｐｅ（遺伝子型）という。本発明の実施形態では遺伝子型として前述したモデル初期値形態と同一である。したがって、部分探索と全体探索が交代されるときには。表現型と遺伝子型が相互変換しなければならない。

一方、遺伝子アルゴリズムに基づいた全体探索では初期に約１００個余りの１世代ｐｏｐｕｌａｔｉｏｎを準備し、これが順次世代を増加させながら進化する。適用分野に応じて相異であるが、通常、１００世代程度を進化させれば、その結果値が導き出すのが普通である。図１５は、全体探索のために構成したｐｏｐｕｌａｔｉｏｎの一部を示している。

３．６．３代表無線ＬＡＮフィンガープリント変更
無線ＬＡＮフィンガープリント変更ステップでは、学習の入力に与えられる無線ＬＡＮフィンガープリントシーケンスを室内空間で最適に配置するための部分探索が実行されるよう初期値を変更する。

遺伝子アルゴリズムやメメティックアルゴリズムを用いる場合、その組合は、普通数十個から数百個の入力（いわゆる、ｐｏｐｕｌａｔｉｏｎ）を予め構成して学習モデルを駆動する。そして、各位置状態に対する代表無線ＬＡＮフィンガープリントは、部分探索と全体探索を経る過程で選択及び交差と変移を介して新しい代表無線ＬＡＮフィンガープリントに進化しながら学習が進行される。

３．７探索空間縮約
全体探索において、前述した探索空間ｄｎｋは極めて巨大な空間である。したがって、本発明の実施形態で提案した方式が実質的に活用されるためには探索空間の縮約が必要である。探索空間の縮約は、前述した全体探索空間の大きさ（ｄｎｋ）を無線ＬＡＮ信号の特性を考慮して、適正範囲の無線ＬＡＮ信号の強度についてのみ探索を実施し（ｄ値の縮小）、探索対象となるＡＰの個数も位置情報に影響を与える最小限の数（ｎ値の縮小）にすることで画期的に節減できる。図１６は、本発明の実施形態で提案する方式を活用して探索空間の画期的な縮小に対する概念を示している。

図１６に示すように、無線ＬＡＮ信号の特性を活用して取り扱うＡＰの数を減らすことで、本来の探索空間を画期的に縮小して本発明の実施形態で提案した方式を実質的に活用することができる。上記の概念を実現するための具体的に探索空間を縮小するための基本的な戦略を図１７に示した。

探索空間の縮小において、ｄ値、すなわち、互いに異なる信号強度の個数を減らすための戦略として、無線ＬＡＮ信号がＬＤＰＬ（Ｌｏｇ Ｄｉｓｔａｎｃｅ Ｐａｔｈ Ｌｏｓｓ）モデルに従うという特性を活用し、信号値はその値が壁が存在しない場合（Ｌｉｎｅ ｏｆ Ｓｉｇｈｔ）、そして、壁が存在しない場合（Ｎｏｎｅ Ｌｉｎｅ ｏｆ Ｓｉｇｈｔ）の範囲に存在する特性を活用し、ＬＯＳとＮＬＯＳの範囲内にある信号についてのみ探索を実施する。具体的に、全体探索で決決定した初期値（図１７では、ｂａｓｅ ｐｏｉｎｔのように表現）に対して、部分探索では当該のｂａｓｅ ｐｏｉｎｔの隣接信号の強度についてのみ探索を実施することで、ｄ値を大幅減らし得る。図１８は、ＬＯＳとＮＬＯＳ値の決定に活用されたＬＤＰＬモデルと、これに基づいて構成された遺伝子型の関係を示している。遺伝子型の構成に対しては上述した通りである。

探索空間ｄｎｋの更なる因子であるｎ値を減らすためには、対象となるＡＰの個数を大幅減らさなければならない。

３．８探索方式拡張
今までは収集された無線ＬＡＮフィンガープリントの収集位置情報が分かる参照位置情報が一切与えられない場合、無線ＬＡＮフィンガープリントの収集位置をラベリングする方式を記述した。しかし、時々収集された無線ＬＡＮフィンガープリントでの一部は収集位置が与えられることもある。ＧＰＳ信号と共に無線ＬＡＮ信号が取得され、設置位置が知られたブルートゥースタグから発生する信号と共に取得されることもある。ＡＰの設置位置が知られた場合、無線ＬＡＮ中継機の設置された位置を、収集された無線ＬＡＮフィンガープリントの参照位置として活用することも可能である。また、一部のフィンガープリントに対して、フィンガープリントと共に収集された慣性センサから取得された情報を用いて収集位置を推測することもできる。

このような場合でも、本発明の実施形態で提示した学習モデルを用いた無線ＬＡＮフィンガープリントラベリング方法は依然として有効である。そして、この場合、次のような方法で一部の無線ＬＡＮフィンガープリントの収集位置が知られた状況に対処することができる。

無線ＬＡＮフィンガープリントの収集された位置情報が比較的に明確な場合、部分探索の過程で当該の無線ＬＡＮフィンガープリントの収集位置を予め決定し、その位置を変更しないながらも、無線ＬＡＮフィンガープリントを配置する方式に変更するものであり、これによって学習過程がよりはやく終了できる。

それと共に、参照位置が正確な場合はより正確なラベリングが可能である。以前の例で、フィンガープリントｂ１の収集位置が参照位置情報によってＬ２位置状態であると確認された場合、図１９に示すように、ｂ１の収集位置がＬ１であるものと仮定された８個の候補解を探索空間から排除されるため、探索空間を大幅縮小することができる。

無線ＬＡＮフィンガープリントの収集された位置情報が与えられたものの、明確ではない場合（ＧＰＳ信号情報には誤差が頻繁に含まれている）には、フィンガープリントの収集位置を予め決定することなく、当該の位置状態で観測されるか算出される無線ＬＡＮフィンガープリントの確率値を増加し、本発明の実施形態で提案した学習モデルに反映することができる。

４．変形例
今まで、収集された無線ＬＡＮフィンガープリントの収集位置情報が分かる参照位置情報が一切与えられない場合、無線ＬＡＮフィンガープリントの収集位置をラベリングする方法について詳細に説明した。

ＦＳＡ基盤無線ＬＡＮフィンガープリントラベリング学習モデルを実現する１つの実現方法として、ＨＭＭ（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ）を用いてもよい。ＨＭＭは、ＦＳＡに基づいてこれを拡張した学習モデルとして見ることができる。

ＨＭＭを用いる場合、位置状態は隠れ状態（Ｈｉｄｄｅｎ Ｓｔａｔｅ）となり、各位置状態の出力値の無線ＬＡＮフィンガープリントは観測値となる。そして、各位置状態で特定の無線ＬＡＮフィンガープリントが観測される確率は、Ｅｍｉｓｓｉｏｎ Ｐｒｏｂａｂｉｌｉｔｙとなる。

ＨＭＭを基盤にして学習モデルを構成した場合、ＨＭＭモデルに適切な無線ＬＡＮフィンガープリントシーケンスを位置状態に配置する全体探索アルゴリズムと部分探索アルゴリズムを選択して用いることが必要である。

本発明の実施形態において、遺伝子アルゴリズムを全体探索アルゴリズムに、Ｓｅｇｍｅｎｔａｌ Ｋ Ｍｅａｎｓアルゴリズムを部分探索アルゴリズムに選択して学習モデルを構成することが可能である。この場合、部分探索で発見された結果値（ｐｈｅｎｏｔｙｐｅ）に基づいて交差（ｃｒｏｓｓ ｏｖｅｒ）、変移（ｍｕｔａｔｉｏｎ）などの変形を加えて進化した子孫を生成し、これに基づいて後続する部分探索で用いられるモデル初期値（ｇｅｎｏｔｙｐｅ、あるいはｃｈｒｏｍｏｓｏｍｅ）を決定する。

全体探索や部分探索に遺伝子アルゴリズム、あるいはＳｅｇｍｅｎｔａｌ Ｋ Ｍｅａｎｓアルゴリズム（いわゆる、Ｖｉｔｅｒｂｉ Ｔｒａｉｎｉｎｇ）以外に他のアルゴリズムを選択することもできるが、大きい枠で本発明の範疇を逸脱することはない。

一方、本発明の実施形態で提案した方式は、室内空間にだけ適用されることはない。無線ＬＡＮ信号が豊かに存在する都心の室外環境であっても不特定複数のスマートフォンを用いて収集位置情報なしで無線ＬＡＮ信号が取得された場合には、本発明の実施形態で提案した方式を用いて収集位置をタギングして当該空間のラジオマップを構築することができる。

上述したように、本発明を限定された実施形態と図面によって説明したが、本発明は、上記の実施形態に限定されることなく、本発明が属する分野における通常の知識を有する者であれば、このような実施形態から多様な修正及び変形が可能である。したがって、本発明の範囲は、開示された実施形態に限定されるものではなく、特許請求の範囲だけではなく特許請求の範囲と均等なものなどによって定められるものである。

１０：ＡＰ
１００：移動機器
２００：無線ＬＡＮフィンガープリント収集サーバ
３００：Ｕｎｌａｂｅｌｅｄ無線ＬＡＮフィンガープリントＤＢ
４００：室内地図ＤＢ
５００：学習サーバ
６００：Ｌａｂｅｌｅｄ無線ＬＡＮフィンガープリント

Claims (23)

1. 室内地図の分割された領域が位置状態に表現されたＦＳＡ（Ｆｉｎｉｔｅ Ｓｔａｔｅ Ａｕｔｏｍａｔａ）に基づいて学習モデルを生成するステップと、
   前記学習モデルを基盤にした機械学習を行うことにより、収集された無線ＬＡＮフィンガープリントの収集位置を決定し、収集された無線ＬＡＮフィンガープリントを、前記学習モデルの当該の位置状態に配置する学習ステップと、
   を含み、
   前記学習モデルは、前記位置状態の間の遷移確率と前記無線ＬＡＮフィンガープリントが観測される確率をパラメータにするモデルであり、
   移動機器が取得した無線ＬＡＮフィンガープリントは、位置情報を含まない、
   ことを特徴とする無線ＬＡＮラジオマップ自動構築方法。
2. 室内で前記移動機器が取得した無線ＬＡＮフィンガープリントを収集する収集ステップをさらに含み、
   前記学習ステップは、前記収集ステップで収集した無線ＬＡＮフィンガープリントを当該の位置状態に配置する、ことを特徴とする請求項１に記載の無線ＬＡＮラジオマップ自動構築方法。
3. 前記移動機器が取得した無線ＬＡＮフィンガープリントは、移動情報を含まない、ことを特徴とする請求項２に記載の無線ＬＡＮラジオマップ自動構築方法。
4. 配置結果を格納するステップをさらに含む、ことを特徴とする請求項１に記載の無線ＬＡＮラジオマップ自動構築方法。
5. 前記学習ステップは、
   前記位置状態に対する代表無線ＬＡＮフィンガープリントをそれぞれ設定する設定ステップと、
   前記代表無線ＬＡＮフィンガープリントに基づいて、位置状態の間の移転確率を決定し、収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置する配置ステップと、
   を含む、ことを特徴とする請求項１に記載の無線ＬＡＮラジオマップ自動構築方法。
6. 前記設定ステップ及び前記配置ステップは、特定の回数にかけて繰り返される、ことを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
7. 前記設定ステップは、前記学習モデルに対して、最適モデルパラメータを設定するための全体探索を行い、前記全体探索の結果に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更する、ことを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
8. 前記設定ステップは、前記配置ステップによって配置された全体無線ＬＡＮフィンガープリントが配置された状態に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更する、ことを特徴とする請求項７に記載の無線ＬＡＮラジオマップ自動構築方法。
9. 前記設定ステップは、Ａ＊アルゴリズム、山登り法アルゴリズム、遺伝子アルゴリズム、及びメメティックアルゴリズムのうち少なくとも１つを用いた学習を用いて行われる、ことを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
10. 前記配置ステップは、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズム及びＳｅｇｍｅｎｔａｌ Ｋ Ｍｅａｎｓアルゴリズムのうち少なくとも１つを用いた学習によって行われる、ことを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
11. 前記設定ステップは、ＡＰが配置した位置状態と無線ＬＡＮ信号電波モデルから、前記位置状態に対する初期代表無線ＬＡＮフィンガープリントをそれぞれ設定する、ことを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
12. 初期値に含まれるＡＰの個数は可変的である、ことを特徴とする請求項１１に記載の無線ＬＡＮラジオマップ自動構築方法。
13. 前記初期値に含まれるＡＰの個数は、
    三辺測量に応じて決定される位置範囲が分散することなく一定サイズ以下の１つの範囲に決定される条件が満足するまでＡＰの個数を増加させて選択されるＡＰ個数を動的に決定し、
    前記初期値に含まれるＡＰの順序はＩＧ（Ｉｎｆｏｒｍａｔｉｏｎ Ｇａｉｎ）を基準にして決定される、ことを特徴とする請求項１２に記載の無線ＬＡＮラジオマップ自動構築方法。
14. 前記無線ＬＡＮフィンガープリントのうちの一部は位置情報が与えられ、
    前記配置ステップは、位置情報が与えられた無線ＬＡＮフィンガープリントについて、前記位置情報に基づいて配置する当該の位置状態を決定することを特徴とする請求項５に記載の無線ＬＡＮラジオマップ自動構築方法。
15. 前記位置情報は、ＧＰＳ情報、設置位置が知られたタグ情報、動き情報のうち少なくとも１つによって与えられる、ことを特徴とする請求項１４に記載の無線ＬＡＮラジオマップ自動構築方法。
16. 前記学習モデルは、前記ＦＳＡで、前記無線ＬＡＮフィンガープリントが配置される、ことを特徴とする請求項１に記載の無線ＬＡＮラジオマップ自動構築方法。
17. 無線ＬＡＮフィンガープリントを収集する収集サーバと、
    室内地図の分割された領域が位置状態に表現されるＦＳＡ（Ｆｉｎｉｔｅ Ｓｔａｔｅ Ａｕｔｏｍａｔａ）に基づいて学習モデルを生成し、前記学習モデルを基盤にした機械学習を行うことにより、収集された無線ＬＡＮフィンガープリントの収集位置を決定し、前記収集サーバにより収集された無線ＬＡＮフィンガープリントを、前記学習モデルの当該の位置状態に配置する学習サーバと、
    を含み、
    前記学習モデルは、前記位置状態の間の遷移確率と前記無線ＬＡＮフィンガープリントが観測される確率をパラメータにするモデルであり、
    移動機器が取得した無線ＬＡＮフィンガープリントは、位置情報を含まない、
    ことを特徴とする無線ＬＡＮラジオマップ自動構築システム。
18. 前記収集サーバは、室内で前記移動機器が取得した無線ＬＡＮフィンガープリントを収集する、ことを特徴とする請求項１７に記載の無線ＬＡＮラジオマップ自動構築システム。
19. 前記移動機器が取得した無線ＬＡＮフィンガープリントは、移動情報を含まない、ことを特徴とする請求項１８に記載の無線ＬＡＮラジオマップ自動構築システム。
20. 前記学習サーバは、前記位置状態に対する代表無線ＬＡＮフィンガープリントをそれぞれ設定し、前記代表無線ＬＡＮフィンガープリントに基づいて、位置状態の間の移転確率を決定し、収集された無線ＬＡＮフィンガープリントを当該の位置状態に配置する、ことを特徴とする請求項１７に記載の無線ＬＡＮラジオマップ自動構築システム。
21. 前記学習サーバは、前記学習モデルに対して、最適モデルパラメータを設定するための全体探索を行い、前記全体探索の結果に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更する、ことを特徴とする請求項２０に記載の無線ＬＡＮラジオマップ自動構築システム。
22. 前記学習サーバは、配置された全体無線ＬＡＮフィンガープリントの状態に基づいて、前記位置状態に対する前記代表無線ＬＡＮフィンガープリントをそれぞれ変更する、ことを特徴とする請求項２１に記載の無線ＬＡＮラジオマップ自動構築システム。
23. 前記学習サーバは、ＡＰが配置した位置状態と無線ＬＡＮ信号電波モデルから、前記位置状態に対する初期代表無線ＬＡＮフィンガープリントをそれぞれ設定する、ことを特徴とする請求項２０に記載の無線ＬＡＮラジオマップ自動構築システム。