JP7209296B2

JP7209296B2 - 無線物体検知装置および無線物体検知方法

Info

Publication number: JP7209296B2
Application number: JP2019153047A
Authority: JP
Inventors: 友規村上; 信也大槻; 修牟田
Original assignee: Kyushu University NUC; Nippon Telegraph and Telephone Corp
Current assignee: Kyushu University NUC; Nippon Telegraph and Telephone Corp
Priority date: 2019-08-23
Filing date: 2019-08-23
Publication date: 2023-01-20
Anticipated expiration: 2039-08-23
Also published as: JP2021034878A

Description

本発明は、無線信号を用いて対象エリア内の物体の有無を検知する無線物体検知装置および無線物体検知方法に関する。

無線信号の使用周波数における平均信号強度情報であるＲＳＳＩ（Received Signal Strength Indicator）を応用したサービスの一つとして、無線ＬＡＮシステムで取得したＲＳＳＩを用いた無線端末局の位置提供サービスがある。このサービスを実現するために、無線端末局が複数の無線基地局から送信されるビーコン信号からＲＳＳＩを測定し、取得した複数のＲＳＳＩから無線端末局の位置を推定する（例えば、非特許文献１）。

さらに、位置推定に加えて、他の応用サービスとして、ＲＳＳＩの変動特性から人の行動（呼吸・動作など）を検知する手法の検討も行われている（例えば、非特許文献２）。

現在、これらの検知精度の向上に向けて、使用する周波数における平均信号強度情報であるＲＳＳＩに加えて、直交周波数分割多重（ＯＦＤＭ）を用いるシステムを前提として、ＯＦＤＭにおける各サブキャリアの伝搬チャネル情報（ＣＳＩ：Channel State Information ）を用いた検知の検討も進められている。伝搬チャネル情報とは、無線基地局のアンテナと無線端末局のアンテナとの間の伝搬路におけるＯＦＤＭのサブキャリアごとの振幅情報や位相情報、さらに各アンテナ間の相対値の情報である。この情報はＲＳＳＩよりも情報量が格段に増加するため、例えば非特許文献３では、伝搬チャネル情報を用いることで、位置推定や活動推定などの検知が大幅に改善される報告がされている。さらに、近年の機械学習の発展によって、さらなる検知精度の向上や応用範囲の拡大が進んでいる。

Navarro Eduardo, 2011."Wi-Fi Localization Using RSSI Fingerprinting", California Polytechnic State University, United States of America. http://digitalcommons.calpoly.edu/cpesp/17/ (17 Aug. 2011) Wang, Wei, et al. "Understanding and modeling of wifi signal based human activity recognition." Proceedings of the 21st annual international conference on mobile computing and networking. ACM, 2015. Yang, Zheng, Zimu Zhou, and Yunhao Liu. "From RSSI to CSI: Indoor localization via channel response." ACM Computing Surveys (CSUR) 46.2 (2013): 25.

一般的に、無線信号を活用した物体検知システムのサービスを提供する上では、検知精度および検知までに要する時間は重要な評価要素となる。背景技術に記載したように、ＣＳＩはＲＳＳＩと比較して非常に多くの情報量となることや、周波数・時間・空間などの異なる次元の情報から構成されるため、検知に関わる計算負荷が増加する。さらに、機械学習を適用する場合には、検知のための学習モデルの作成に必要な大量の教師データやモデル作成に関わる計算負荷が増加する。実際に検知を行う装置のスペックによっては、上記理由によって、検知精度が劣化することや検知までに時間を要することが考えられる。

本発明は、無線信号の伝搬チャネル情報から対象エリア内の物体の有無を高精度かつ高速に検知する無線物体検知装置および無線物体検知方法を提供することを目的とする。

第１の発明の無線物体検知装置は、送受信局間で伝送される無線信号の測定パラメータを替えながら対象エリアの伝搬チャネル情報を測定する伝搬チャネル情報測定手段と、伝搬チャネル情報の測定結果について統計処理を行うことにより、物体がある状態とない状態に対応する伝搬モデルを作成し、該伝搬モデルに基づいた伝搬シミュレーションにより、物体がある状態とない状態をパラメータとして設定した環境情報と、そのときの伝搬チャネル情報とを対応付けた教師データを生成し、実測と伝搬シミュレーションで得られたデータからなる伝搬チャネル情報に対して、物体の有無を示す学習モデルを生成する学習モデル生成手段と、伝搬チャネル情報測定手段から新たに入力する伝搬チャネル情報を学習モデルに入力し、対象エリアの物体を検知する物体検知手段とを備える。

第２の発明の無線物体検知方法は、送受信局間で伝送される無線信号の測定パラメータを替えながら対象エリアの伝搬チャネル情報を測定する伝搬チャネル情報測定ステップと、伝搬チャネル情報の測定結果について統計処理を行い、物体がある状態とない状態に対応する伝搬モデルを作成する伝搬モデル作成ステップと、伝搬モデルに基づいた伝搬シミュレーションにより、物体がある状態とない状態をパラメータとして設定した環境情報と、そのときの伝搬チャネル情報とを対応付けた教師データを生成する教師データ作成ステップと、伝搬チャネル情報測定ステップにおける実測と伝搬シミュレーションで得られた教師データからなる伝搬チャネル情報に対して、物体の有無を示す学習モデルを生成する学習モデル生成ステップと、伝搬チャネル情報測定ステップから新たに入力する伝搬チャネル情報を学習モデルに入力し、対象エリアの物体を検知する物体検知ステップとを有する。

本発明は、無線信号の伝搬チャネル情報から物体検知を行うときに、教師データである伝搬チャネル情報および物体の状態である環境情報から、伝搬シミュレーションによって大量の教師データを作成して学習モデルを生成することにより、高精度かつ高速に物体を検知することができる。

物体検知システムの一例を示す図である。送信局１０の構成例を示す図である。受信局２０の構成例を示す図である。物体検知装置３０の構成例を示す図である。伝搬チャネル情報の例を示す図である。

図１は、物体検知システムの一例を示す。
図１において、物体検知システムは、対象エリア１００内の送信局１０－１、送信局１０－２、受信局２０－１、受信局２０－２と、受信局２０－１および受信局２０－２に接続される物体検知装置３０により構成され、対象エリア１００内の物体５０を検知する。

ここで、送信局１０－１および送信局１０－２に共通の説明を行う場合は送信局１０と表記し、特定のブロックを指す場合は送信局１０－１，１０－２と表記する。受信局２０－１および受信局２０－２についても同様に表記する。なお、本図では、２組の送信局と受信局の例を示したが、１組もしくは３組以上の構成でも構わない。また、１つの送信局と複数の受信局の組み合わせでもよい。

物体検知装置３０は、対象エリア１００の送信局１０と受信局２０との間に存在する物体５０を検知する。例えば、送信局１０－１から受信局２０－１に送信される無線信号、および送信局１０－２から受信局２０－２に送信される無線信号は、それぞれ対象エリア１００に存在する物体５０の影響を受ける。そこで、物体検知装置３０は、受信局２０－１および／または受信局２０－２で測定した伝搬チャネル情報（ＣＳＩ）である送受信アンテナ間の振幅や位相を解析し、以下の方法により対象エリア１００内の物体５０を検知する。なお、図１では送信局１０と受信局２０が物体５０を挟んで対向しているが、物理的に対向している必要はない。

まず、物体検知装置３０の学習モデル生成手段では、送信局と受信局との間の伝搬路について測定パラメータを替えながら、伝搬チャネル情報の測定を行う。これにより得られた伝搬チャネル情報の測定結果について統計処理を行うことにより伝搬モデルを作成する。伝搬モデルは物体がある状態とない状態の両方について作成する。次に、伝搬モデルに基づいた伝搬シミュレーションにより、物体がある状態とない状態をパラメータとして設定した環境情報と、そのときの伝搬チャネル情報とを対応付けた教師データを生成する。次に、実測データと伝搬シミュレーションで得られたデータからなる伝搬チャネル情報に対して、物体の有無を示す学習モデルを生成する。次に、物体検知手段では、学習モデル生成手段により生成した学習モデルと、新たに入力する伝搬チャネル情報を用いて、対象エリア１００の物体５０の有無を検知する。

図２は、送信局１０の構成例を示す。図３は、受信局２０の構成例を示す。図４は、物体検知装置３０の構成例を示す。なお、図２～図４では、本実施形態に関係する主要な機能ブロックのみを示し、送信局１０、受信局２０および物体検知装置３０が有する他の機能ブロックは省略してある。

図２において、送信局１０は、測定信号生成部１１、送信部１２および複数のアンテナ１３を備える。ここで、送信局１０は、例えば無線ＬＡＮシステムにおける無線基地局に対応する。

測定信号生成部１１は、受信局２０が伝搬チャネル情報を測定するための測定信号として、例えば、送信局１０および受信局２０における既知信号（伝搬路応答を測定するためのトレーニング信号など）を生成し、送信部１２に出力する。

送信部１２は、測定信号生成部１１で生成された測定信号を配下の受信局２０宛の例えば無線ＬＡＮ信号に変換し、複数のアンテナ１３から送信する。ここで、複数のアンテナ１３は、指向性を有していてもよいし、無指向性であってもよい。

図３において、受信局２０は、複数のアンテナ２１、受信部２２、伝搬チャネル情報測定部２３および通知部２４を備える。ここで、受信局２０は、例えば無線ＬＡＮシステムにおける無線端末局に対応する。

複数のアンテナ２１は、送信局１０から送信された無線ＬＡＮ信号を受信する。なお、アンテナ２１は、指向性を有していてもよいし、無指向性であってもよい。

受信部２２は、複数のアンテナ２１で受信した無線ＬＡＮ信号を伝搬チャネル情報測定部２３で扱うことができる測定信号に変換して出力する。

伝搬チャネル情報測定部２３は、受信部２２から入力する測定信号から伝搬チャネル情報として、例えば、各アンテナ間の振幅、位相などの測定を行い、その測定結果を通知部２４に出力する。

通知部２４は、伝搬チャネル情報測定部２３から入力する伝搬チャネル情報を物体検知装置３０に伝送可能な形式に変換し、物体検知装置３０に通知する。

なお、本発明で用いる伝搬チャネル情報は、図５に示すように、受信局アンテナ数Ｍ、送信局アンテナ数Ｎ、サブキャリア数ｓ、時刻の次元で表される。

図４において、物体検知装置３０は、学習モデル生成手段として、取得部３１、教師データ生成部３２、学習モデル生成部３３を備え、物体検知手段として、取得部３４、物体検知部３５を備える。なお、取得部３１と取得部３４は、便宜的にそれぞれ記載しているが、共通のものである。

取得部３１は、学習モデル生成期間中に受信局２０から通知される伝搬チャネル情報を取得し、教師データ生成部３２に出力する。教師データ生成部３２は、まず実測による伝搬チャネル情報から対象エリア１００内の伝搬モデルを作成する。すなわち、送信局と受信局との間の伝搬路について測定パラメータを替えながら、伝搬チャネル情報の測定を行い、その伝搬チャネル情報の測定結果について統計処理を行うことにより伝搬モデルを作成する。伝搬モデルは物体がある状態とない状態の両方について作成する。

次に、伝搬モデルに基づいた伝搬シミュレーション環境を作成し、物体がある状態とない状態をパラメータとして設定した環境情報と、そのときの伝搬チャネル情報とを対応付けた教師データを生成する。

ここで、環境情報とは、ある状態において取得した情報であり，画像情報・赤外線などのセンシング情報から取得した送信局と受信局の位置（アンテナ数、アンテナ種類、アンテナ設置方向なども含む）、物体の位置と状態（形状、大きさ、種類なども含む）、検知対象の物体以外の状態（エリア内の構造、材質、他の物体の有無なども含む）の情報である。すなわち、実測における測定環境と伝搬シミュレーションにおいて設定したパラメータが想定した環境である。

また、伝搬シミュレーションとは、研究開発等で一般的に利用される伝搬シミュレーターによるシミュレーションの想定であり、入力された環境情報を含めた伝搬シミュレーションを行う。さらに、学習データを作成するにあたり、物体の位置や形状が変化することを考慮して、物体の形状、大きさ、位置を変更することで多様な伝搬チャネル情報を作成する。

学習モデル生成部３３は、取得部３１から入力される伝搬チャネル情報（実測データ）に加えて、伝搬モデルによる教師データ生成部３２から入力される情報（シミュレーションデータ）とを教師データとして、伝搬チャネル情報に対応する学習モデルを作成し、物体検知部３５に出力する。

取得部３４は、物体検知期間中に受信局２０から通知される新たな伝搬チャネル情報を取得し、物体検知部３５に出力する。

物体検知部３５は、取得部３４から入力する伝搬チャネル情報に対して、学習モデル生成部３３から入力する学習モデルを用いて物体検知を行う。なお、検知結果の情報（検知情報）は、内部に保持されてもよいし、外部に出力されてもよい。また、判定手法については、機械学習によるクラスタリングなどの周知技術を用いることができるので、詳細な説明は省略する。

このように、学習モデル生成手段では、伝搬チャネル情報と環境情報から伝搬シミュレーションによって学習データを複製することにより短時間で学習モデルを生成し、物体検知手段では、その学習モデルに新たな伝搬チャネル情報を入力して物体検知を行うことができる。

図４において、伝搬モデルによる教師データ生成部３２は、環境情報から伝搬シミュレーションを行っているが、環境情報に加えて、取得部３１から入力する伝搬チャネル情報に伝搬モデルを近づけるようにしてもよい。具体的には、伝搬モデルにおける対象エリア内の構造物の形状・材質・反射率・透過率・反射回数・回折特性などのパラメータを変更させることによって、複製した伝搬チャネル情報を実際の伝搬チャネル情報に合わせることで、複製データの精度を上げることができる。

図４において、伝搬モデルによる教師データ生成部３２は、特定の環境情報から伝搬シミュレーションを行っているが、対象エリア内の環境は時間的変化が発生する可能性がある。そこで、伝搬モデルに想定される変化（検知物体以外の物体の有無・扉などの形状が変化する物体の状態変化など）を追加して伝搬チャネル情報を生成することで、状態が変化する状態での検知精度を上げることができる。

また、取得部３１から入力する伝搬チャネル情報すべてを用いて伝搬シミュレーションを行う代わりに、伝搬チャネル情報を直接波成分と反射波成分もしくは第一波成分と第二波成分以降に分割し、それぞれ伝搬シミュレーションを行い、最終的に統合するようにしてもよい。この制御によって、それぞれの成分に対して異なる状態変化を模擬することができるため、より複雑な環境における伝搬チャネル情報を生成することができる。

また、伝搬チャネル情報の送信局１０のアンテナ、受信局２０のアンテナ、サブキャリア、時間の各要素を平均値・中央値などの処理によって、値の抽出を行ってもよい。また、複数組の送信局１０と受信局２０の伝搬チャネル情報を単純に結合して図５に示す行列のサイズを拡大する方法、各伝搬チャネル情報を重み付けして結合する方法をとってもよい。これにより、物体検知の精度を向上させることができる。

また、図４の構成では、受信局２０で測定した伝搬チャネル情報がそのまま物体検知装置３０に通知される構成であるが、伝搬チャネル情報を圧縮して通知してもかまわない。なお、伝搬チャネル情報の圧縮情報として、IEEE 802.11ac で用いられている方法や情報抽出の方法がある。

１０送信局
１１測定信号生成部
１２送信部
１３アンテナ
２０受信局
２１アンテナ
２２受信部
２３伝搬チャネル情報測定部
２４通知部
３０物体検知装置
３１，３４取得部
３２教師データ生成部
３３学習モデル生成部
３５物体検知部
１００対象エリア

Claims

送受信局間で伝送される無線信号の測定パラメータを替えながら対象エリアの伝搬チャネル情報を測定する伝搬チャネル情報測定手段と、
測定した複数の前記伝搬チャネル情報の測定結果に基づいて、物体がある状態とない状態に対応する伝搬モデルを作成し、該伝搬モデルに基づいた伝搬シミュレーションにより、物体がある状態とない状態と、そのときの伝搬チャネル情報とを対応付けた教師データを生成し、実測で得られた伝搬チャネル情報と伝搬シミュレーションで得られた教師データからなる伝搬チャネル情報に対して、物体の有無を示す学習モデルを生成する学習モデル生成手段と、
前記伝搬チャネル情報測定手段から新たに入力する伝搬チャネル情報を前記学習モデルに入力し、前記対象エリアの物体を検知する物体検知手段と
を備えたことを特徴とする無線物体検知装置。
送受信局間で伝送される無線信号の測定パラメータを替えながら対象エリアの伝搬チャネル情報を測定する伝搬チャネル情報測定ステップと、
測定した複数の前記伝搬チャネル情報の測定結果に基づいて、物体がある状態とない状態に対応する伝搬モデルを作成する伝搬モデル作成ステップと、
前記伝搬モデルに基づいた伝搬シミュレーションにより、前記物体がある状態とない状態と、そのときの伝搬チャネル情報とを対応付けた教師データを生成する教師データ作成ステップと、
前記伝搬チャネル情報測定ステップにおける実測で得られた伝搬チャネル情報と前記伝搬シミュレーションで得られた教師データからなる伝搬チャネル情報に対して、前記物体の有無を示す学習モデルを生成する学習モデル生成ステップと、
前記伝搬チャネル情報測定ステップから新たに入力する伝搬チャネル情報を前記学習モデルに入力し、前記対象エリアの物体を検知する物体検知ステップと
を有することを特徴とする無線物体検知方法。