JP6781432B2 - 電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラム - Google Patents

Description

本発明は、無線通信システム設計において、電波伝搬シミュレーションモデルの作成に必要な通信エリア内の構造物などの物体の媒質定数を推定する技術に関する。

無線通信システムにおいて、運用中の無線通信品質の確認や無線基地局の新設などの検討を行う場合、通信エリアにおける伝搬損失特性や遅延特性などの電波伝搬特性を把握することが求められる。そして、現地での実測定を行わずに電波伝搬特性を把握するために、電波伝搬シミュレーションが用いられている。一般に、電波伝搬シミュレーションではＦＤＴＤ（Ｆｉｎｉｔｅ−ｄｉｆｆｅｒｅｎｃｅ ｔｉｍｅ−ｄｏｍａｉｎ ｍｅｔｈｏｄ）法やレイトレース法が用いられるが、計算には通信エリア内に存在する物体ごとの媒質定数（誘電率，導電率および透磁率などの電気定数）を設定する必要がある。そして、標識、樹木などを含む物体の詳細な形状と物体ごとの媒質定数を技術者がＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｓｉｇｎ）などを用いて入力することにより、電波伝搬特性を推定することが行われている。

一方、土木建設分野では、構造物などの物体の詳細な形状を得る方法として、３次元レーザースキャナーが用いられている。３次元レーザースキャナーは、レーザーを連続して照射しながら距離を計測する機器であり、照射点の空間位置情報や反射強度などに基づいて物体の形状を求めることができ、３次元空間のモデリングが可能になる。

特開２０１２−２２０４７１号公報

下田,柳井,"DCNN特徴を用いたWebからの質感画像の収集と分析",電子情報通信学会技術研究報告PRMU,パターン認識・メディア理解114(409),pp.67-72,2015 細矢良雄 監修,電波伝搬ハンドブック,リアライズ社,pp.374-375,1999

ところが、従来技術では、構造物などの物体の媒質定数の自動取得が難しいため、電波伝搬シミュレーションモデルの作成を自動化することは難しいという課題があった（例えば、特許文献１参照）。

上記課題に鑑み、本発明は、通信エリア内に存在する構造物などの物体の判別性能を大幅に向上するとともに、物体の媒質定数を自動的に割り当てることにより、精度の高い電波伝搬シミュレーションモデルを作成することができる電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラムを提供することを目的とする。

第１の発明は、通信エリアの電波伝搬シミュレーションモデルを作成する作成方法において、ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積するステップと、前記通信エリアを３次元レーザースキャナーによりスキャンし、測定点ごとの３次元座標を取得して点群データを作成するステップと、前記点群データに対応する前記通信エリアのエリア画像データを取得して、前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識するステップと、物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定するステップと、推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するステップとを有することを特徴とする。

第２の発明は、通信エリアの電波伝搬シミュレーションモデルを作成する作成システムにおいて、ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積する分類用データ蓄積部と、前記通信エリアを３次元レーザースキャナーによりスキャンし、測定点ごとの３次元座標を取得して点群データを作成する点群データ作成部と、前記点群データに対応する前記通信エリアのエリア画像データを取得して、前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識する画像認識部と、物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定する媒質定数推定部と、推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するシミュレーションデータ作成部とを有することを特徴とする。

第３の発明は、通信エリアの電波伝搬シミュレーションモデルを作成する作成装置において、ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積する分類用データ蓄積部と、３次元レーザースキャナーによりスキャンされた前記通信エリアの測定点ごとの３次元座標を示す点群データと前記点群データに対応する前記通信エリアのエリア画像データとを入力するデータ入力部と、前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識する画像認識部と、物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定する媒質定数推定部と、推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するシミュレーションデータ作成部とを有することを特徴とする。

第４の発明は、電波伝搬シミュレーションモデルの作成プログラムであって、第３の発明に記載の電波伝搬シミュレーションモデルの作成装置が行う処理をコンピュータに実行させることを特徴とする。

本発明に係る電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラムは、通信エリア内に存在する構造物などの物体の判別性能を大幅に向上するとともに、物体の媒質定数を自動的に割り当てることにより、精度の高い電波伝搬シミュレーションモデルを作成することができる。

一実施形態に係る電波伝搬シミュレーションモデルの作成システム１００の構成例を示す図である。 レーザースキャン部２０１により通信エリアをスキャンする一例を示す図である。 分類用データの一例を示す図である。 物体認識の一例を示す図である。 物体認識の他の例を示す図である。 一実施形態に係る電波伝搬シミュレーションモデルの作成システム１００の処理例を示す図である。 物体の検出結果の一例を示す図である。 比較例の電波伝搬シミュレーションモデルの作成システム９００の構成例を示す図である。 比較例の電波伝搬シミュレーションモデルの作成システム９００の処理例を示す図である。

以下、図面を参照して、本発明に係る電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラムの実施形態について説明する。

図１は、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００（以降、作成システム１００と称する）の構成例を示す。図１において、作成システム１００は、通信エリアをレーザースキャナーによりスキャンして点群データを取得するまでの一連の処理を行う点群データ作成ブロック１０１と、点群データを入力して電波伝搬シミュレーションデータを算出するまでの一連の処理を行うシミュレーションデータ作成ブロック１０２と、インターネットなどから屋内・屋外の大量の２次元画像データを取得して分類用データを学習する分類用データ蓄積ブロック１０３とを有する。ここで、点群データ作成ブロック１０１、シミュレーションデータ作成ブロック１０２および分類用データ蓄積ブロック１０３は、請求項における点群データ作成部、シミュレーションデータ作成部およびデータ蓄積部にそれぞれ対応する。

図１において、点群データ作成ブロック１０１は、レーザースキャン部２０１、緯度経度取得部２０２、出射角度取得部２０３、画像取得部２０４および面素処理部２０５を有する。そして、点群データ作成ブロック１０１は、点群データファイル２０６を作成してシミュレーションデータ作成ブロック１０２側に出力する。

先ず、点群データ作成ブロック１０１の各部の動作について説明する。

レーザースキャン部２０１は、３次元レーザースキャナーを有し、３次元レーザースキャナーから対象物に照射される光の反射光の強度をモニタして対象物までの距離を計測する機器である。レーザースキャン部２０１は、例えば機器本体を水平面上で回転させる機構と、レーザー光を垂直方向に振る機構とを有し、メッシュ状に通信エリア内の全方向をスキャンすることができる。このようにして、レーザースキャン部２０１から対象物（測定点）までの相対距離が計測される。ここで、図２は、複数台のレーザースキャン部２０１を設置して、測定点との相対距離を計測する例を示す。なお、図２において、レーザースキャン部２０１ａおよびレーザースキャン部２０１ｂは、図１で説明したレーザースキャン部２０１と同一又は同様の機器である。例えば、レーザースキャン部２０１ａは、レーザーの出射方向を水平面上で回転させながら垂直方向に振る機構を有し、メッシュ状に全方向をスキャンする。そして、レーザースキャン部２０１ａは、通信エリア内の測定点から反射される光の強度に基づいて、測定点との距離を計測する。同様に、レーザースキャン部２０１ｂは、レーザースキャン部２０１ａとは異なる位置において通信エリア内の測定点ごとの距離を計測する。このように、異なる位置に設置された複数台のレーザースキャン部２０１で測定点ごとの距離を計測することにより、測定精度や分解能が向上する。

緯度経度取得部２０２は、レーザースキャン部２０１が設置されている地理的な位置を示す絶対座標(緯度，経度，標高)を例えばＧＰＳ（Global Positioning System）などにより取得する。

出射角度取得部２０３は、レーザースキャン部２０１がレーザーを出射する角度(例えば、垂直方向の角度及び水平面上の回転角度)を取得する。ここで、各角度は、例えばエンコーダー、ジャイロセンサ、オドメータなどにより取得される。

画像取得部２０４は、レーザースキャン部２０１によりスキャンされる通信エリアをカメラで撮影して２次元画像データを取得する。なお、カラーカメラを用いることにより、色情報を取得することができるので、レーザースキャン部２０１による測定点ごとの色情報が得られる。また、複数台のレーザースキャン部２０１を用いる場合、画像取得部２０４は、それぞれのレーザースキャン部２０１に対応する２次元画像データを撮影するカメラを備える。

面素処理部２０５は、測定点の絶対座標を算出し、さらに、距離空間内に離散的に分布する測定点ごとのデータ（点形式のデータ）を面形式のデータに変換する処理を行う。ここで、測定点の絶対座標は、レーザースキャン部２０１の絶対座標と、レーザースキャン部２０１と測定点との間の相対距離およびレーザーの出射角度に基づいて算出可能である。このようにして、面素処理部２０５は、３次元空間に離散的に分布した全測定点ごとの絶対座標を求める。さらに、面素処理部２０５は、測定点ごとの絶対座標を示す点形式のデータを物体認識など処理に適した面形式のデータに変換した点群データファイル２０６を作成する。本実施形態では、点形式のデータを面形式のデータに変換する技術の一つとして知られるドロネー三角形分割法により、点形式のデータを面形式のデータに変換する。ドロネー三角形分割法の場合、例えば、３点で囲まれた三角形部分を１つの面の単位（面素）とする面形式のデータが生成され、これにより、物体の形状の判別がし易くなる。なお、本実施形態では、ドロネー三角形分割法を用いるが、他の手法を用いても構わない。

このようにして、点群データ作成ブロック１０１は、レーザースキャン部２０１により通信エリアをスキャンして点群データファイル２０６を作成し、シミュレーションデータ作成ブロック１０２に点群データファイル２０６を出力する。

次に、図１において、シミュレーションデータ作成ブロック１０２について説明する。シミュレーションデータ作成ブロック１０２は、画像認識部３０１、物体認識部３０２、媒質定数推定部３０３およびシミュレーションデータ算出部３０４を有する。

画像認識部３０１は、点群データ作成ブロック１０１が作成した点群データファイル２０６を入力して、点群データに対応する画像データを取得する処理を行う。なお、点群データに対応する画像データは、画像取得部２０４により取得された画像データである。

物体認識部３０２は、点群データに対応する通信エリアの画像内の個別の物体を認識する処理を行う。ここで、物体認識部３０２は、（１）通信エリアの画像を小領域に分割する処理、（２）複数の小領域を１つの領域に結合する処理、（３）結合された領域をＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：畳み込みニューラルネットワーク）により判定する処理、の３つの処理により個別の物体を認識する。これにより、物体認識部３０２は、レーザースキャン部２０１によりスキャンされた点群データおよび画像取得部２０４により取得された画像データから通信エリア内のどの位置にどのような種類の物体が存在するのかを知ることができる。なお、物体認識部３０２の処理については、後で詳しく説明する。

媒質定数推定部３０３は、物体認識部３０２が認識した物体ごとの媒質定数（誘電率，導電率および透磁率などの電気定数）を推定する。なお、ここでは、物体認識部３０２が認識して物体の種類（分類名）が確定した物体を媒質と称する。物体認識部３０２が認識した媒質の媒質定数の推定は、媒質の種類別に媒質定数が対応付けて記憶された後述の媒質データサーバ４０３の情報を参照する。例えば、物体認識部３０２が認識した媒質の分類名が「コピー機」である場合は、媒質データサーバ４０３に蓄積されているデータベースから「コピー機」を検索し、「コピー機」に対応付けて記憶されている媒質定数を読み出し、当該媒質の媒質定数として割り当てる。このようにして、媒質定数推定部３０３は、物体認識部３０２が認識した媒質ごとに媒質定数を適切に推定して割り当てることができる。

シミュレーションデータ算出部３０４は、電波伝搬シミュレーションモデルのデータを算出する。電波伝搬シミュレーションモデルのデータは、通信エリアの三次元空間上のどの位置（領域）にどのような媒質定数の物体があるのかを示す情報を有する。例えば、通信エリア内に「コピー機」がある場合、電波伝搬シミュレーションモデルのデータは、「コピー機」の３次元空間位置に「コピー機」の媒質定数が割り当てられた情報である。

このようにして、物体認識部３０２は、通信エリア内の物体の位置と当該物体の媒質定数とを知ることができるので、精度の高い電波伝搬シミュレーションモデルを自動的に作成することができる。

次に、図１に示した分類用データ蓄積ブロック１０３の処理について説明する。図１において、分類用データ蓄積ブロック１０３は、インターネット４０１などのネットワーク上から大量の２次元画像データ（以降、特に必要が無い場合は画像データと称する）を取得し、画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを作成して、媒質データサーバ４０３に蓄積する画像蓄積部４０２を有する。なお、媒質データサーバ４０３は、各媒質ごとに対応する媒質定数の情報が記憶された媒質定数データベース（電気定数データベースと称してもよい）を含む。また、媒質定数データベースは、例えば、非特許文献２などに基づいて事前に作成される。ここで、図１では、画像蓄積部４０２を独立したブロックとしたが、画像蓄積部４０２の処理を画像認識部３０１および物体認識部３０２が行ってもよい。
また、本発明に係る電波伝搬シミュレーションモデルの作成装置は、図１に示したシミュレーションデータ作成ブロック１０２に相当するが、点群データ作成ブロック１０１および分類用データ蓄積ブロック１０３のいずれか又は両方の機能を含めてもよい。また、本発明に係る電波伝搬シミュレーションモデルの作成装置は、コンピュータとプログラムによっても実現でき、プログラムを記録媒体に記録することも、ネットワークを通して提供することも可能である。

画像蓄積部４０２は、インターネット４０１などのネットワーク上から取得可能な屋外・屋内に存在する様々な物体の画像データを種類別に大量に取得して、分類用データをＣＮＮにより機械学習する。なお、種類別に大量の画像データをインターネット４０１上から取得する方法の一つとして、例えば、画像蓄積部４０２が画像の検索サイトで「分類名（例えば、机など）」を自動入力して検索を実行することにより、インターネット４０１上の大量の画像データを収集できる。

図３は、画像蓄積部４０２がインターネット４０１から取得して媒質データサーバ４０３に蓄積する分類用データの一例を示す。図３の例では、棚、机、コピー機およびガラス窓の画像データが分類用データとして学習されている。ここで、棚、机、コピー機およびガラス窓などの分類において、同じ種類の物であっても様々な形状、色、材質などがあり、また、見る角度によっても異なる形状に見える場合があり、認識精度を高めるためには、出来るだけ大量の分類用データを学習することが望ましい。本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００は、媒質データサーバ４０３に蓄積された大量の分類用データを参照することにより、物体の認識精度を大幅に向上することができる。

次に、図１で説明した物体認識部３０２の処理について、詳しく説明する。
（１）通信エリアの画像を小領域に分割する処理
物体認識部３０２は、通信エリアの画像において、例えば、既存のアルゴリズムで小領域に分割する。ここで、既存のアルゴリズムの一例として、例えば、通信エリアの画像をエッジ抽出し、エッジが連続する部分や囲まれた部分を小領域として分割する方法などが考えられる。或いは、単純に８画素×８画素のブロックに分割して小領域としてもよい。
（２）複数の小領域を１つの領域に結合する処理
物体認識部３０２は、分割された小領域同士を類似度（色のヒストグラムやテクスチャ、明るさなど）で数値化する。或いは、通信エリアの画像データに対応する点群データの距離情報を利用して、距離の類似度（距離差が予め設定された範囲内）で数値化してもよい。なお、距離の類似度を用いる処理は、次の（２）で説明する処理に適用してもよい。そして、物体認識部３０２は、各小領域を定量的に評価する混合メトリクスにより類似度の高いものから小領域を結合する処理を行い、所定値以上の類似度の隣接する小領域が無くなるまで繰り返して、最終的な一つの領域に結合する。ここで、結合後の領域の大きさが予め設定された閾値以下の場合に、当該領域を除外する処理を行うようにしてもよい。これにより、ノイズ成分が除去されるので、物体認識の処理時間が短くなり、物体の認識精度が向上する。

図４は、物体認識部３０２による小領域の結合処理後の通信エリアの画像例Ａを示す。また、図５は、他の通信エリアの画像例Ｂを示す。図４および図５において、点線で示した矩形領域は、物体認識部３０２による小領域の結合処理後の領域を示す。図４の画像例Ａでは、６つの最終的な結合領域が示されている。同様に、図５の画像例Ｂでは、４つの最終的な結合領域が示されている。なお、図４および図５に示した各例は、領域分類の実施例であり、矩形の枠でそれぞれの物体の領域が示されているが、さらに、色のヒストグラムやテクスチャなどの類似度を用いてピクセル単位でラベル付けを行うことにより、各物体の形状に応じた領域を切り出すことができる。これにより、例えば、棚、机、コピー機およびガラス窓などの物体は、矩形の領域ではなく、見る角度に応じた各物体の形状が切り出され、物体周辺のノイズが除去されるので、物体の認識精度が向上する。
（３）ＣＮＮによる判定処理
物体認識部３０２は、結合された一つの矩形領域（或いは、物体形状に応じて切り出された領域）に対して、周知の技術であるＣＮＮを用いて物体を判定する。ＣＮＮは、様々な評価尺度を用いて評価することにより物体らしさをスコアで示すことができ、ＣＮＮによる判定により、結合された一つの領域（或いは、物体形状に応じて切り出された領域）の物体の種類（例えば、棚、机、コピー機およびガラス窓など）を判定することができる。

このようにして、物体認識部３０２は、点群データに対応する通信エリア内に存在する物体を認識することができる。

図６は、図１で説明したシミュレーションデータ作成ブロック１０２の処理例を示す。図６において、各処理は、画像認識部３０１、物体認識部３０２および媒質定数推定部３０３により実行される。

ステップＳ１０１において、画像認識部３０１は、点群データ作成ブロック１０１により作成された点群データに対応する画像データを取得する。ここで、点群データに対応する画像データは、画像取得部２０４により取得された画像データである。

ステップＳ１０２において、物体認識部３０２は、画像取得部２０４により取得された画像データの画像から、１つ又は複数の個別の物体を認識する処理を行い、画像上での位置（例えば矩形状の領域）までの絞り込みを行う。ここで、物体の認識は、例えば、画像データの画像と点群データとを組み合わせて行われる。

ステップＳ１０３において、物体認識部３０２は、ステップＳ１０２で絞り込まれた例えば矩形状の領域において、ピクセル単位で物体領域を抽出する（Ｓｅｇｍｅｎｔａｔｉｏｎ）。そして、物体認識部３０２は、抽出された物体領域を判別して、分類名（例えば、机、コピー機、窓など）のラベル付けを行う。ここで、物体の判別は、例えば、ＣＮＮによる画像認識などが用いられる。特に、本実施形態では、インターネット４０１などネットワーク上の屋内・屋外の大量の２次元画像データにより機械学習した分類用データを利用することにより、物体の認識精度を向上することができる。なお、ステップＳ１０３の処理は、媒質定数推定部３０３が行ってもよい。

ステップＳ１０４において、媒質定数推定部３０３は、媒質データサーバ４０３に格納されている媒質定数データベースを参照して、ステップＳ１０３でラベル付けされた分類名に対応する媒質定数を割り当てる。ここで、媒質定数データベースは、図１に示した媒質データサーバ４０３に含まれているものとするが、媒質データサーバ４０３とは別に媒質定数データベースを設けてもよい。なお、媒質定数データベースでは、分類名別に媒質定数が対応付けられており、分類名に基づいて媒質定数を取得することができる。媒質定数データベースには、例えば表１に示すような情報が記憶され、机の媒質定数：μａ，σａ，εａ、棚の媒質定数：μｂ，σｂ，εｂ、椅子の媒質定数：μｃ，σｃ，εｃ、コピー機の媒質定数：μｄ，σｄ，εｄ、ガラス窓の媒質定数：μｅ，σｅ，εｅ、のような情報が格納されている。

なお、分類が同じ机であっても、その材質が木材であったり、金属であったり、プラスチックなど様々なので、媒質定数データベースには、机（木材）の媒質定数：μａ１，σａ１，εａ１、机（金属）の媒質定数：μａ２，σａ２，εａ２、机（プラスチック）の媒質定数：μａ３，σａ３，εａ３、のように、材質別に対応する媒質定数が格納されている。また、ステップＳ１０３のＣＮＮによる物体認識の処理においても、材質を含めた物体の認識が行われる。

ステップＳ１０５において、シミュレーションデータ算出部３０４は、推定された物体の媒質定数と、点群データにより得られる物体の３次元座標とに基づいて、通信エリアにおける電波伝搬シミュレーションモデルを作成する。電波伝搬シミュレーションモデルのデータは、例えば「コピー機」の位置（領域）と「コピー機」の媒質定数とを対応付けたデータであり、通信エリアの三次元空間上のどの位置にどのような媒質定数の媒質があるかが把握できるデータである。

このようにして、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００は、精度の高い電波伝搬シミュレーションモデルを自動的に作成することができる。特に、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００は、３次元レーザースキャナーにより得られる点群データおよび点群データに対応する画像データだけでなく、屋内・屋外の大量の２次元画像データをＣＮＮなどによる機械学習にて最適化した学習済みデータを利用して物体の認識を行うとともに、媒質定数データベースを参照して、認識した物体に媒質定数を自動的に割り当てることができ、精度の高い電波伝搬シミュレーションモデルの作成を自動化することができる。

図７は、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００による物体の認識精度を実際に評価した結果の一例を示す。ここで、図７に示す画像例Ａは、図４で説明した画像例Ａに対応し、図７に示す画像例Ｂは、図５で説明した画像例Ｂに対応する。図７では、画像例Ａおよび画像例Ｂにおける棚、机、コピー機およびガラス窓の存在割合を求めて比較した結果を示している。ここで、存在割合は、画像中に特定の物体が存在するか否かを示す指標である。図７の例では、ＣＮＮによる物体検出の際の物体らしさを示す評価値（Ｓｃｏｒｅ）を用いており、最大で１．０（１００％）となる。図７において、画像例Ａの場合は、棚の存在割合が０．７０（７０％）で最も高く、机の存在割合が０．１８（１８％）、ガラス窓の存在割合が０．１２（１２％）、コピー機の存在割合が０．０１（１％）である。例えば、５％以下のときに当該物体が画像中に存在しないと判定する場合、画像例Ａには、コピー機は存在しないと判定できる。一方、画像例Ｂの場合は、棚の存在割合が０．４９（４９％）で最も高く、次にコピー機の存在割合が０．２０（２０％）、机の存在割合が０．１８（１８％）、ガラス窓の存在割合が０．１３（１３％）であり、画像例Ｂには、コピー機が存在する可能性が高いことを示している。

このように、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００は、精度の高い物体の認識を行うことができる。なお、画像例Ａおよび画像例Ｂの評価結果では、棚の存在割合が高くなっているが、これは、窓の外のビルを棚として誤認識したためであるが、これは屋外の物体に対する学習量が少ないためであり、屋外の物体の学習量を増加させることにより、このような誤認識は解消されるものと考えられる。

図８は、比較例の電波伝搬シミュレーションモデルの作成システム９００の構成例を示す。ここで、図８において、比較例の作成システム９００は、図１に示した本発明の点群データ作成ブロック１０１に相当するブロックである。従って、図８のレーザースキャン部９０１、緯度経度取得部９０２、出射角度取得部９０３、画像取得部９０４、面素処理部９０５および点群データファイル９０６は、図１のレーザースキャン部２０１、緯度経度取得部２０２、出射角度取得部２０３、画像取得部２０４、面素処理部２０５および点群データファイル２０６の各ブロックにそれぞれ対応する。また、図８において、スキャン位置ａに設置されたレーザースキャン部９０１ａおよびスキャン位置ｂに設置されたレーザースキャン部９０１ｂは、図２で説明した本発明のレーザースキャン部２０１ａおよびレーザースキャン部２０１ｂにそれぞれ対応し、レーザースキャン部２０１ａおよびレーザースキャン部２０１ｂと同様に動作する。

このように、比較例の電波伝搬シミュレーションモデルの作成システム９００は、点群データファイル９０６の作成までを自動化できるが、物体の認識や媒質定数の割り当てなどを自動的に行うことは難しい。このため、比較例の作成システム９００では、技術者が点群データを参照して物体の認識を行い、通信エリアの電波伝搬シミュレーションモデルを作成する必要がある。特に、比較例の作成システム９００では、認識した物体に対する媒質定数の割り当てについても技術者が手作業で行わなければならず、電波伝搬シミュレーションモデルの作成を自動化することが難しい。

図９は、図８で説明した比較例の電波伝搬シミュレーションモデルの作成システム９００の処理例を示す。なお、図９の各処理は、図８に示したレーザースキャン部９０１、緯度経度取得部９０２、出射角度取得部９０３、画像取得部９０４および面素処理部９０５により実行される。

ステップＳ９０１において、レーザースキャン部９０１は通信エリア内の測定点（対象物）までの相対距離を計測する。また、緯度経度取得部９０２はＧＰＳによりレーザースキャン部９０１の絶対座標を取得し、出射角度取得部９０３はジャイロセンサやオドメータによりレーザーの出射角度を取得する。そして、画像取得部９０４は、レーザースキャン部９０１によりスキャンされる通信エリアをカメラで撮影して２次元画像データを取得する。

ステップＳ９０２において、面素処理部９０５は、レーザースキャン部９０１により計測された対象物の測定点までの相対距離と、緯度経度取得部９０２により取得されたレーザースキャン部９０１の絶対座標と、出射角度取得部９０３により取得されたレーザーの出射角度と、の情報に基づいて、測定点の絶対座標を算出する。

ステップＳ９０３において、面素処理部９０５は、面素処理部２０５と同様に、ドロネー三角形分割法などにより、面素を生成して点群データファイル９０６を作成する。

このように、比較例の電波伝搬シミュレーションモデルの作成システム９００は、点群データファイル９０６の作成までを自動化できるが、物体の認識や媒質定数の割り当てなどを自動的に行うことは難しい。このため、比較例の作成システム９００では、技術者が点群データを参照して物体の認識を行い、通信エリアの電波伝搬シミュレーションモデルを作成する必要がある。特に、比較例の作成システム９００では、認識した物体に対する媒質定数の割り当てについても技術者が手作業で行わなければならず、電波伝搬シミュレーションモデルの作成を自動化することが難しい。

これに対して、図１および図６で説明した本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００は、３次元レーザースキャナーにより得られる点群データと点群データに対応する画像データだけでなく、インターネット４０１などのネットワーク上から得られる屋内・屋外の大量の２次元画像データをＣＮＮなどによる機械学習にて最適化した学習済みデータを分類用データとして物体の認識を行うので、精度の高い物体認識を自動的に行うことができる。さらに、本実施形態に係る電波伝搬シミュレーションモデルの作成システム１００では、媒質定数データベースを参照して、認識した物体に対応する媒質定数を自動的に割り当てるので、電波伝搬シミュレーションモデルの作成を自動化することができる。

以上、説明したように、本発明に係る電波伝搬シミュレーションモデルの作成方法、作成システム、作成装置および作成プログラムは、３次元レーザースキャナーにより得られた点群データと屋内・屋外における大量の２次元画像データを機械学習にて最適化した学習済みデータを利用することにより、画像データによる物体の判別性能を大幅に向上し、判別した物体の媒質定数を自動的に割り当てることができる。これにより、精度の高い電波伝搬シミュレーションモデルの作成を自動化することが可能となる。

１００，９００・・・作成システム；１０１・・・点群データ作成ブロック；１０２・・・シミュレーションデータ作成ブロック；２０１，９０１・・・レーザースキャン部：２０２，９０２・・・緯度経度取得部：２０３，９０３・・・出射角度取得部：２０４，９０４・・・画像取得部：２０５，９０５・・・面素処理部：２０６，９０６・・・点群データファイル：３０１・・・画像認識部：３０２・・・物体認識部：３０３・・・媒質定数推定部：３０４・・・シミュレーションデータ算出部：４０１・・・インターネット：４０２・・・画像蓄積部：４０３・・・媒質データサーバ

Claims (4)

1. 通信エリアの電波伝搬シミュレーションモデルを作成する作成方法において、
   ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積するステップと、
   前記通信エリアを３次元レーザースキャナーによりスキャンし、測定点ごとの３次元座標を取得して点群データを作成するステップと、
   前記点群データに対応する前記通信エリアのエリア画像データを取得して、前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識するステップと、
   物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定するステップと、
   推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するステップと
   を有することを特徴とする電波伝搬シミュレーションモデルの作成方法。
2. 通信エリアの電波伝搬シミュレーションモデルを作成する作成システムにおいて、
   ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積する分類用データ蓄積部と、
   前記通信エリアを３次元レーザースキャナーによりスキャンし、測定点ごとの３次元座標を取得して点群データを作成する点群データ作成部と、
   前記点群データに対応する前記通信エリアのエリア画像データを取得して、前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識する画像認識部と、
   物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定する媒質定数推定部と、
   推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するシミュレーションデータ作成部と
   を有することを特徴とする電波伝搬シミュレーションモデルの作成システム。
3. 通信エリアの電波伝搬シミュレーションモデルを作成する作成装置において、
   ネットワーク上から種々の物体の物体画像データを種類別に自動検索することで収集し、前記物体画像データの画像から物体の領域を抽出するとともに、抽出された物体を種類別に分類した分類用データを機械学習により作成して蓄積する分類用データ蓄積部と、
   ３次元レーザースキャナーによりスキャンされた前記通信エリアの測定点ごとの３次元座標を示す点群データと前記点群データに対応する前記通信エリアのエリア画像データとを入力するデータ入力部と、
   前記エリア画像データの画像から物体の領域を抽出するとともに、抽出された物体の種類を前記分類用データを参照して認識する画像認識部と、
   物体の種類ごとに媒質定数を対応付けて記憶するデータベースを参照して、認識された物体の種類に対応する媒質定数を推定する媒質定数推定部と、
   推定された物体の前記媒質定数と、前記点群データにより得られる物体の３次元座標とに基づいて、前記通信エリアにおける電波伝搬シミュレーションモデルを作成するシミュレーションデータ作成部と
   を有することを特徴とする電波伝搬シミュレーションモデルの作成装置。
4. 請求項３に記載の電波伝搬シミュレーションモデルの作成装置が行う処理をコンピュータに実行させることを特徴とする電波伝搬シミュレーションモデルの作成プログラム。