JP7238972B2 - 位置推定装置、位置推定方法及びプログラム - Google Patents
位置推定装置、位置推定方法及びプログラム Download PDFInfo
- Publication number
- JP7238972B2 JP7238972B2 JP2021513519A JP2021513519A JP7238972B2 JP 7238972 B2 JP7238972 B2 JP 7238972B2 JP 2021513519 A JP2021513519 A JP 2021513519A JP 2021513519 A JP2021513519 A JP 2021513519A JP 7238972 B2 JP7238972 B2 JP 7238972B2
- Authority
- JP
- Japan
- Prior art keywords
- source
- pseudo
- unit
- error
- transmission source
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Radar, Positioning & Navigation (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Description
本発明は、位置推定装置、位置推定方法及びプログラムに関する。
既存の発信源位置推定システムの一例が、特許文献１に記載されている。特許文献１に開示されたように、既存の発信源位置推定システムは、受信手段と、信号処理手段と、記憶手段と、位置推定手段と、を含む。
受信手段は、発信源からの電波を受信する。受信手段は、互いに異なった位置に配置されている。信号処理手段は、複数の候補位置のそれぞれから発信された信号を取得して信号処理を行う。記憶手段は、信号処理手段による信号処理の結果として得られる特徴量のセットを保持する。位置推定手段は、推定対象の位置から発信された信号を受信手段で計測して得られた特徴量のセットと、記憶手段が保持する特徴量のセットと、を比較して発信源の位置を推定する。
上記構成を有する既存の発信源位置推定システムは、つぎのような２つのステップで動作する。
第１のステップは「訓練」のステップである。
第１のステップである訓練段階では、発信源位置の候補となる既知の位置から電波が発信され、互いに異なった既知の位置に配置された受信手段が受信する。信号処理手段は、受信信号に対して信号処理を施し特徴量を取得する。受信手段の数と等しい数の特徴量のセットは、その発信源位置に対する位置指紋とも呼ばれる。訓練用データは、発信源位置の候補となる複数の位置に対して取得され、記憶手段に保持される。
第２のステップは「推定」のステップである。
第２のステップである推定段階では、位置が未知の発信源に対して、訓練段階と同様の手順で位置指紋が取得される。そして、あらかじめ訓練時に作成した位置指紋のうち、推定対象の位置指紋と最も近い位置指紋に対応する位置が、発信源の推定位置として扱われる。
特許文献１には、特徴量として、受信強度（ＲＳＳ；Received Signal Strength）やチャネルインパルス応答（ＣＩＲ；Channel Impulse Response）を用いることが開示されている。また、当該文献には、ＣＩＲのデータセットに対して、発信された信号の中心周波数や帯域幅や位置の補間することで、訓練時に用いる発信信号とは異なる信号が発信された場合にも位置推定ができるように位置指紋のデータを拡張する手法が開示されている。位置に対して補間を行うためのアルゴリズムとしては、線形、立体、スプライン補間のほか、クリギングを用いる手法がある。
特許文献１に開示されたような既存の発信源位置推定システムには、位置の補間の際に、訓練段階で十分な数の候補位置に対して位置指紋を取得しておくことが必要という問題がある。
その理由は、候補位置の数が十分でない場合、単純に候補位置毎の位置指紋を重ね合わせただけでは、その間に位置する発信源に対応する位置指紋を合成できない可能性があるためである。例えば、各々の候補位置から同時に電波が発信された場合に取得されるような位置指紋が合成されることもあり得る。
しかし、数多くの位置指紋を取得することはコスト増加の原因となる。
本発明は、訓練段階で取得する位置指紋の数を減らすことに寄与する、位置推定装置、位置推定方法及びプログラムを提供することを主たる目的とする。
本発明の第１の視点によれば、任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する、予測モデル生成部と、既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する、誤差群算出部と、任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する、誤差合成部と、前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する、疑似計測値補正部と、前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する位置推定部と、を備える、位置推定装置が提供される。
本発明の第２の視点によれば、位置推定装置において、任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成するステップと、既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出するステップと、任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力するステップと、前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正するステップと、前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定するステップと、を含む、位置推定方法が提供される。
本発明の第３の視点によれば、位置推定装置に搭載されたコンピュータに、任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する処理と、既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する処理と、任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する処理と、前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する処理と、前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する処理と、を実行させるプログラムが提供される。
本発明の各視点によれば、訓練段階で取得する位置指紋の数を減らすことに寄与する、位置推定装置、位置推定方法及びプログラムが提供される。本発明により、当該効果の代わりに、又は当該効果と共に、他の効果が奏されてもよい。
はじめに、一実施形態の概要について説明する。なお、この概要に付記した図面参照符号は、理解を助けるための一例として各要素に便宜上付記したものであり、この概要の記載はなんらの限定を意図するものではない。なお、本明細書及び図面において、同様に説明されることが可能な要素については、同一の符号を付することにより重複説明が省略され得る。
一実施形態に係る位置推定装置１００は、予測モデル生成部１０１と、誤差群算出部１０２と、誤差合成部１０３と、疑似計測値補正部１０４と、位置推定部１０５と、を備える（図１参照）。予測モデル生成部１０１は、任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する。誤差群算出部１０２は、既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、予測モデルを用いて算出された、既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する。誤差合成部１０３は、任意位置の疑似発信源と参照発信源各々との位置関係に応じて誤差群を合成し、合成誤差として出力する。疑似計測値補正部１０４は、疑似発信源からの信号を受信したときの予測モデルによる特徴量の予測値を、合成誤差を用いて補正する。位置推定部１０５は、発信位置に依存した特徴量の計測値を、少なくとも補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する。
上記位置推定装置１００は、例えば、発信される電波を周囲に配置されたセンサで受信し、当該受信波形から得られる発信位置に依存した特徴量を用いて発信源位置を推定する。上記位置推定装置１００は、単純に複数候補位置に対応する位置指紋を重ね合わせるのではなく、複数候補位置での計測値と予測値の誤差の空間分布を重ね合わせ、当該予測値の誤差の空間分布を用いて予測値を補正する。即ち、上記位置推定装置１００は、発信源から遠ざかるほど特徴量（例えば、ＲＳＳ）が小さくなるといった通常の傾向を考慮することで、少ない数の候補位置での位置指紋から、任意の発信位置に対応する位置指紋を作成する。作成された位置指紋により、実測値による訓練データが拡張される。その結果、訓練段階において、実際に計測して取得する位置指紋の数を削減できる。
さらに、発信源から遠ざかるほどＲＳＳが小さくなるといった通常の傾向を考慮することで、訓練段階で位置指紋を取得した候補位置の外側の発信位置に対応する位置指紋が精度よく作成される。その結果、訓練段階で位置指紋を取得した候補位置の外側に発信源が存在する場合であっても、推定精度の劣化度合いを低減できる。
以下に具体的な実施形態について、図面を参照してさらに詳しく説明する。
［第１の実施形態］
第１の実施形態について、図面を用いてより詳細に説明する。
第１の実施形態について、図面を用いてより詳細に説明する。
［構成の説明］
はじめに、第１の実施形態に係る発信源位置推定システムの構成について説明する。図２は、第１の実施形態に係る発信源位置推定システムの概略構成の一例を示す図である。
はじめに、第１の実施形態に係る発信源位置推定システムの構成について説明する。図２は、第１の実施形態に係る発信源位置推定システムの概略構成の一例を示す図である。
図２を参照すると、発信源位置推定システムには、複数の受信装置１０－１～１０－Ｍと、複数の信号処理装置２０－１～２０－Ｍと、記憶装置３０と、位置推定装置４０と、が含まれる（Ｍは正の整数、以下同じ）。なお、以降の説明において、受信装置１０－１～１０－Ｍを区別する特段の理由がない場合には、単に「受信装置１０」と表記する。同様に、信号処理装置２０－１～２０－Ｍを区別する特段の理由がない場合には、単に「信号処理装置２０」と表記する。
受信装置１０は、発信源位置推定の対象となるフィールドに配置される。受信装置１０には、電波を受信する電波センサ等が例示される。
信号処理装置２０は、受信装置１０が受信した信号を使用して信号処理を行う装置である。具体的には、信号処理装置２０は、受信信号（無線信号）から特徴量（例えば、受信強度ＲＳＳ）を計算する。
記憶装置３０は、受信装置１０の位置と信号処理装置２０により計算された特徴量を関連付けて記憶する。
位置推定装置４０は、記憶装置３０に格納された情報に基づき、位置が未知の信号発信源のフィールド内における位置を推定する。
位置推定装置４０は、図３に示すようなフィールドにおいて、発信源の位置を推定する。図３において、電波センサが上記受信装置１０に相当する。位置推定装置４０は、参照発信源の位置ごとの特徴量マップ（例えば、電波強度のマップ；位置指紋）を生成し、当該マップと未知発信源から得られる特徴量マップ（位置指紋）を照合し、未知発信源の位置を推定する。
図４は、第１の実施形態に係る位置推定装置４０の処理構成（処理モジュール）の一例を示す図である。
図４を参照すると、位置推定装置４０は、入力部２０１と、データ分類部２０２と、訓練データ拡張部２０３と、訓練データ結合部２０４と、学習部２０５と、位置推定部２０６と、出力部２０７と、を含んで構成される。
入力部２０１は、任意位置の発信源からの信号を特定の位置で受信したときのＲＳＳ計測値セットを入力する。
データ分類部２０２は、入力されたデータが訓練用のデータか推定用のデータを分類する。
訓練データ拡張部２０３は、訓練用データを基に疑似的にデータ（訓練用のデータ）を生成する。
訓練データ結合部２０４は、実際に計測して得られた訓練用データと疑似的に生成された訓練用データを結合する。訓練データ結合部２０４は、上記２つの訓練用データ（実測値による訓練用データ、擬似的に生成された訓練用データ）を学習用の訓練用データとして生成する。
学習部２０５は、結合された訓練用データに基づきＲＳＳ計測値セットと正解位置の対応関係を学習する。より具体的には、学習部２０５は、参照発信源からの信号に基づき取得された特徴量の計測値（実測値による訓練用データ）と疑似発信源からの特徴量の予測値（疑似発信源を想定した場合の訓練用データ）に基づき、上記対応関係を学習する。
位置推定部２０６は、学習部２０５が学習した結果に基づき、入力された推定用データに対応する発信源位置を推定する。位置推定部２０６は、発信位置に依存した特徴量の計測値を、少なくとも補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデル（学習部２０５により生成された学習モデル）に入力することで、発信源位置を推定する。
出力部２０７は、推定された発信源位置を出力する。
ここで、ＲＳＳは、発信位置に依存した特徴量の一例である。各々異なるＭ個の位置で計測されたＲＳＳ計測値のセット［ＲＳＳ１、ＲＳＳ２、・・・、ＲＳＳＭ］が、位置指紋の一例である。例えば、図３の例では、９個のＲＳＳからなるＲＳＳ計測値セットが計算される。
訓練用データは、ＲＳＳ位置指紋Xｉ（＝［ＲＳＳ１、ＲＳＳ２、・・・、ＲＳＳＭ］）と、それに対応する訓練用の参照発信源の位置Yｉの対の集合｛（Xｉ、Yｉ）｝である。
なお、訓練段階での参照発信源の数をＮ（Ｎは正の整数。以下同じ）とする。サフィックスｉは１～Ｎである。図３の例では、１個の参照発信源（Ｎ＝１）が記載されている。
上述のように、ＲＳＳは本願開示で使用できる特徴量の一例であり、他の特徴量として、ＣＩＲや基準時刻と到来時刻の差等が用いられてもよい。
入力部２０１は、ＲＳＳ計測値の線形単位と対数単位の相互変換、正規化や標準化といったスケーリングなどの単調写像を伴う前処理を含んでもよい。
データ分類部２０２は、発信源位置推定システムのモードに応じて入力部２０１から取得したデータを「訓練用データ」又は「推定用データ」に振り分ける。発信源位置推定システムのモードは、「訓練モード」及び「推定モード」のいずれかであり、システムの管理者等が発信源位置推定システムのモードを決定し、入力する。
訓練データ拡張部２０３は、伝搬モデル生成部２１１と、参照発信源誤差セット作成部２１２と、疑似発信源位置決定部２１３と、モデルベース疑似計測値セット生成部２１４と、疑似発信源用誤差セット合成部２１５と、疑似計測値セット補正部２１６と、を含む。
伝搬モデル生成部２１１は、訓練用データを用いて電波伝搬モデルを生成する。伝搬モデル生成部２１１は、任意位置の発信源（参照発信源）からの信号を特定の位置で受信装置１０が受信したときに得られる、発信位置に依存した特徴量（例えば、電波強度）を予測するモデルを生成する。当該予測モデルの詳細は後述する。
参照発信源誤差セット作成部２１２は、生成された伝搬モデルから予測されるＲＳＳ疑似計測値セットと実際に得られたＲＳＳ計測値セットとの誤差のセットを作成する。参照発信源誤差セット作成部２１２は、既知位置の参照発信源からの信号に基づき取得された特徴量の計測値（実測値）と、上記予測モデルを用いて算出された、既知位置の参照発信源に関する特徴量の予測値と、誤差を計算する。参照発信源誤差セット作成部２１２は、上記誤差の計算を複数の参照発信源位置に対して実行することで誤差群（複数の誤差マップ）を算出する。
疑似発信源位置決定部２１３は、訓練データ拡張のために設ける疑似的な発信源の位置を決定する。
モデルベース疑似計測値セット生成部２１４は、疑似発信源位置と伝搬モデルに基づいた疑似的なＲＳＳ計測値セットを生成する。
疑似発信源用誤差セット合成部２１５は、任意位置の疑似発信源と参照発信源各々との位置関係に応じて誤差群（複数の誤差マップ）を合成し、合成誤差として出力する。例えば、疑似発信源用誤差セット合成部２１５は、疑似発信源位置と参照発信源位置の空間的な相関の度合いに基づき誤差セットを合成して疑似発信源用誤差セットを合成する。
疑似計測値セット補正部２１６は、生成されたモデルベース疑似計測値セットを合成された疑似発信源用誤差セットで補正して出力する。疑似計測値セット補正部２１６は、疑似発信源からの信号を受信したときの予測モデルによる特徴量の予測値を、上記合成誤差を用いて補正する。
ここで、伝搬モデル生成部２１１は、予測モデル生成部の一例である。また、参照発信源誤差セット作成部２１２は、誤差群算出部の一例である。また、疑似発信源用誤差セット合成部２１５は、誤差合成部の一例である。
［動作の説明］
次に、フローチャートを参照して第１の実施形態に係る発信源位置推定システムの動作について詳細に説明する。図５は、第１の実施形態に係る発信源位置推定システムの訓練段階の動作の一例を示すフローチャートである。はじめに、図５のフローチャートを参照して訓練段階の動作について詳細に説明する。
次に、フローチャートを参照して第１の実施形態に係る発信源位置推定システムの動作について詳細に説明する。図５は、第１の実施形態に係る発信源位置推定システムの訓練段階の動作の一例を示すフローチャートである。はじめに、図５のフローチャートを参照して訓練段階の動作について詳細に説明する。
ステップＳ３１は、訓練段階の準備工程である。本ステップにおいて、発信源位置推定システムは、発信源（参照発信源）からの信号を受信して生成される位置座標セットを生成する。受信位置座標は、レーザー測距計などを用いて基準点からの距離としてシステムに入力されてもよいし、衛星測位システムなどを使うことによって入力されてもよい。なお、受信位置は、領域内の任意の位置に発信源があった場合に複数箇所で電波を受信できるように設定することが望ましい。例えば、図３の例では、９個の電波センサが配置されている位置がシステムに入力される。
次に、発信源位置推定システムは、位置が既知である参照発信源を用いて訓練用データを作成する（ステップＳ３２）。
訓練用データは、複数の参照発信源位置と、それに対応して得られるＲＳＳ計測値セットの集合である。例えば、図３の例では、参照発信源の位置を変更し、各位置における電波センサ（受信装置１０）から受信信号が収集される。当該参照発信源の位置ごとの受信信号から特徴量（例えば、ＲＳＳ）が計算され、ＲＳＳ計測値セット（位置指紋）が得られる。
図６は、ＲＳＳ計測値セットの概念を説明するための図である。図６では、図３に示すようにフィールド内に９個の電波センサを設置した場合の当該センサから得られる電波強度を色の濃淡で表現している。図６を参照すると、参照発信源から送信された電波を電波センサ（受信装置１０）で受信し、各電波センサの位置と当該センサから得られる特徴量を関連付けた情報がＲＳＳ計測値セット（位置指紋）となる。この位置指紋と参照発信源の位置を対応付けた情報が訓練用データである。
図５に説明を戻す。発信源位置推定システムは、実際に計測して得られた訓練用データをもとにして、疑似発信源による訓練用データを作成する（ステップＳ３３）。疑似発信源による訓練用データの作成に関する詳細は後述する。
さらに、発信源位置推定システムは、上記ステップＳ３２で作成された訓練用データと、ステップＳ３３で作成された疑似発信源による訓練用データを結合して得られる訓練データを用いて、位置推定器を訓練する（ステップＳ３４）。即ち、発信源位置推定システムは、２つの訓練データ（実際の参照発信源による訓練用データと疑似発信源による訓練用データ）を用いて学習モデルを生成する。
図７は、上記ステップＳ３２における参照発信源による訓練用データを作成する動作の一例を示すフローチャートである。図７を参照し、上記ステップＳ３２の動作を詳細に説明する。
はじめに、受信装置１０により参照発信源が発信する電波が複数の位置で受信され、信号処理装置２０によりＲＳＳが計測される（ステップＳ４１）。
次に、発信源位置推定システムは、参照発信源の位置を取得する（ステップＳ４２）。
ステップＳ４１で得られる複数のＲＳＳ計測値のセットが位置指紋である。当該位置指紋とステップＳ４２で取得する参照発信源位置は１：１の対応関係にある。すなわち、ステップＳ４１とステップＳ４２が実行されることにより、訓練用データが得られる。
なお、参照発信源の数は、受信位置の数と同程度から５倍程度の数が望ましい。それよりも少ないと、参照発信源による訓練用データから疑似発信源による訓練用データを生成する際の精度が劣化し、高い位置精度が得られなくなる。また、それよりも多いと、位置推定精度向上の観点からは望ましいが、訓練段階で必要なデータ量を削減するという効果が小さくなる。
次に、得られた訓練用データの各々の参照発信源位置に対して、以下の処理が行われる。
訓練データ拡張部２０３の伝搬モデル生成部２１１は、参照発信源位置と実際のＲＳＳ計測値セットに基づき、伝搬モデルを作成（推定）する（ステップＳ４３）。具体的には、伝搬モデル生成部２１１は、発信源と受信位置の間の距離に応じて、どの程度ＲＳＳが減衰するかをモデル化する。
図８は、伝搬モデル生成部２１１の動作を説明するための図である。伝搬モデル生成部２１１は、参照発信源の位置を中心（原点）に設定し、位置が把握されている参照発信源の位置と電波センサ（受信装置１０）の間の距離をＸ軸、各電波センサにおける電波強度をＹ軸に設定し、データセット（グラフ）を生成する。伝搬モデル生成部２１１は、当該データセットに対して回帰解析を実施して伝搬モデルを生成する。図８の例では、直線が伝搬モデルとして生成される。伝搬モデル生成部２１１は、図８の直線を表す定数（伝搬モデル定数）を計算する。
図７に説明を戻す。参照発信源誤差セット作成部２１２は、上記作成された伝搬モデルに基づき、各受信位置におけるＲＳＳの予測値を計算する（ステップＳ４４）。
図９は、参照発信源誤差セット作成部２１２の動作を説明するための図である。参照発信源誤差セット作成部２１２は、図９の左下に示すような電波強度マップを生成する。参照発信源誤差セット作成部２１２は、上記ステップＳ４３にて推定された伝搬モデルに参照発信源と電波センサ（受信装置１０）間の距離を入力し、電波センサ位置における電波強度を計算する。参照発信源誤差セット作成部２１２は、フィールドに配置された各電波センサについて当該電波強度の計算を行い、図９の左下に示すような電波強度マップ（ＲＳＳ予測値）を計算する。
その後、参照発信源誤差セット作成部２１２は、実際のＲＳＳ計測値と上記ステップＳ４４で計算された予測値と差を計算し、誤差セットとして保存する（ステップＳ４５）。図９の例では、左上の電波強度マップ（実際のＲＳＳ計測値）と左下の電波強度マップ（ＲＳＳ予測値）の差分が計算され、参照発信源位置ごとの電波強度の誤差マップが計算される。図９を参照すると、当該図面の左下に記載された伝搬モデルにより生成された電波強度マップは現実のフィールドに存在する障害物の影響を受けない予測値であるので、発信源から離れるに従い電波強度が低くなる。対して、当該図面の左上の電波強度マップは、実測値であるのでフィールドに存在する障害物等の影響を受けている。電波強度に関する実測値と予測値の差分を計算すると、各参照発信源位置における障害物等の影響が誤差として計算される。なお、図９等に示す電波強度の誤差に関する濃淡は、中央の色は誤差が小さいことを示し、端の色は誤差（正の誤差、負の誤差）が大きいことを示す。
図１０は、上記ステップＳ３３における疑似発信源による訓練データを作成する動作の一例を示すフローチャートである。図１０を参照し、上記ステップＳ３３の動作を詳細に説明する。
まず、疑似発信源位置決定部２１３は、疑似発信源の位置を設定する（ステップＳ５１）。疑似発信源位置決定部２１３は、疑似発信源の位置を、位置推定対象である未知発信源が存在しうる領域内に設定する。その際、疑似発信源位置決定部２１３は、既に参照発信源が存在する位置とは異なる位置を、疑似発信源位置に設定することが望ましい。
また、領域内を網羅できるよう、疑似発信源位置決定部２１３は、複数の位置に疑似発信源を設定することが望ましい。具体的には、疑似発信源の数は、参照発信源の数の５倍から１０倍程度が望ましい。それよりも少ないと十分な密度で領域内を網羅できないことがあり、また、それよりも多くしても計算量が増すだけで精度の向上は限定的となる。
次に、各々の疑似発信源位置に対して、以下の処理が行われる。
モデルベース疑似計測値セット生成部２１４は、上記ステップＳ４３で生成された伝搬モデルに基づき、疑似発信源位置から発信される電波を各受信位置で受信したときに得られるＲＳＳ計測値セットを疑似計測値セットとして算出する（ステップＳ５２）。モデルベース疑似計測値セット生成部２１４は、選択した疑似発信源の位置に最も近い参照発信源の伝搬モデルに疑似発信源の位置と電波センサの位置の差を入力し、疑似発信源ごとのＲＳＳ計測値セット（電波強度マップ）を生成する。
あるいは、上記疑似発信源ごとのＲＳＳ計測値セットは、全ての疑似発信源に共通して使用される伝搬モデルから生成されてもよい。具体的には、伝搬モデル生成部２１１は、全ての参照発信源に対するデータを図８に示すようにプロットし、当該プロットされたデータから上記全ての疑似発信源に共通して使用される伝搬モデルを生成する。
あるいは、上記疑似発信源ごとのＲＳＳ計測値セットは、疑似発信源位置と参照発信源の間の距離に応じて決定される重み係数で加重平均することで得られる伝搬モデルから生成されてもよい。この場合の伝搬モデルの生成方法は、後述する疑似発信源用誤差セット合成部２１５が誤差セットを生成する際の方法と同一とすることができる。
次に、疑似発信源用誤差セット合成部２１５は、ステップＳ４５で保存された参照発信源位置毎の誤差セットを合成し、疑似発信源位置に応じた誤差セットを作成する（ステップＳ５３）。例えば、疑似発信源用誤差セット合成部２１５は、参照源発信位置と疑似発信源位置との相対関係（２つの発信源の位置関係）に基づき予め決められた重み係数で誤差セットを加重平均することで、疑似発信源位置に対応する誤差セットを合成する。
図１１は、疑似発信源用誤差セット合成部２１５の動作を説明するための図である。疑似発信源用誤差セット合成部２１５は、先に算出された各参照発信源位置の誤差セットを合成（電波強度を加算）する。その際、疑似発信源用誤差セット合成部２１５は、疑似発信源の位置と参照発信源の位置を反映した加重平均により誤差セットを合成する。例えば、図１１の左側最上段においては、参照発信源と疑似発信源の距離は長いので当該参照発信源の重みは小さくする。一方、左側最下段においては、参照発信源と疑似発信源の距離は短いので当該参照発信源の重みは大きくする。このような誤差セットの合成により、図１１の右側に示すような疑似発信源位置における誤差（電波強度の誤差）が得られる。
図１１の例では、左側最下段に示すように、疑似発信源と参照発信源が近ければ、当該参照発信源の誤差マップと疑似発信源の誤差マップの類似度は高いはずである。対して、左側最上段に示すように、疑似発信源と参照発信源が遠ければ、当該参照発信源の誤差マップと疑似発信源の誤差マップの類似度は低いはずである。疑似発信源用誤差セット合成部２１５は、上記２種類の発信源の位置を考慮して、疑似発信源の誤差マップを生成する。
逆距離加重法では、参照発信源位置と疑似発信源位置の間の距離の逆数に比例する重み係数が用いられる。例えば、距離の－１．５乗や－２乗に比例する重み係数が使用されてもよい。
誤差セットの合成手法の他の例として、はじめに、疑似発信源用誤差セット合成部２１５は、任意の２つの参照発信源に対して、各々の誤差セットの類似度が、２点間の距離に応じてどのように変化するかという空間相関モデルを作成する。その上で、疑似発信源用誤差セット合成部２１５は、当該空間相関モデルと整合するように、参照発信源位置と疑似発信源位置の間の距離に応じて重み係数を決定する。このように、空間相関を考慮した重み係数の決定方法としては、クリギングがある。
疑似計測値セット補正部２１６は、上記ステップＳ５２で生成された疑似計測値セットを上記ステップＳ５３で作成された誤差セットにより補正する（ステップＳ５４）。具体的には、疑似計測値セット補正部２１６は、各疑似発信位置に関し、疑似計測値セットと誤差セットを加算することで、上記ステップＳ５２で生成された疑似計測値セットを補正する。
図１２は、疑似計測値セット補正部２１６の動作を説明するための図である。疑似計測値セット補正部２１６が、疑似発信源位置の疑似計測値セットの電波強度とその誤差を加算すると、図１２の右側に示すような補正後の疑似発信源位置での電波強度マップが得られる。当該電波強度マップは、疑似位置指紋データとなる。
図１３は、第１の実施形態に係る発信源位置推定システムの推定段階の動作の一例を示すフローチャートである。図１３のフローチャートを参照して推定段階の動作について詳細に説明する。
はじめに、ステップＳ３１と同様に、受信位置が取得される（ステップＳ６１）。
次に、入力部２０１は、ステップＳ４１と同様に、信号処理手段により計算されたＲＳＳ計測値セットを取得する（ステップＳ６２）。
次に、位置推定部２０６は、ステップＳ３４で訓練された位置推定器を用いて、未知発信源に対して得られたＲＳＳ計測値セットと、訓練用データに含まれるＲＳＳ計測値セットとを照合する（ステップＳ６３）。
その後、出力部２０７は、最も近い訓練用データのＲＳＳ計測値セットに対応する発信源位置を、未知発信源の推定位置として出力する（ステップＳ６４）。
なお、第１の実施形態では、多数の候補位置のなかから最も近い候補位置を１つ選んで出力する多クラス分類の手法を用いる場合を想定して説明した。しかし、本願開示では、発信源の位置座標を連続的な数値として取り扱って出力する回帰分析の手法を用いてもよい。
あるいは、未知発信源に対して得られたＲＳＳ計測値セットと、類似度の大きな複数の訓練用データのＲＳＳ計測値セットに対応する複数の候補位置に対して、類似度を重み係数とする加重平均を計算して推定位置として扱ってもよい。
多クラス分類の手法の例としては、ロジスティック回帰、ランダムフォレスト、サポートベクタマシン、決定木、ニューラルネットワーク、ｋ近傍法などがある。回帰分析の手法の例としては、線形回帰、ロジスティック回帰、サポートベクタマシン、ランダムフォレスト、ニューラルネットワークなどがある。但し、本願開示が適用可能な位置推定方法は、上記の例示に限定されない。
［効果の説明］
次に、第１の実施形態の効果について説明する。
次に、第１の実施形態の効果について説明する。
第１の実施形態では、参照発信源による訓練用データに基づき、疑似発信源による訓練データを作成することで、訓練データを拡張している。その結果、実際に計測して取得するＲＳＳ計測値セットの数を削減できる。その際、単純に複数の参照発信源位置に対応するＲＳＳ計測値セットを重ね合わせるのではなく、複数の参照発信源位置に対する計測値と予測値の誤差セットが重ね合わせられ、さらに、当該誤差セットを用いて予測値が補正されている。そのため、複数の候補位置から同時に電波が発信されたようなＲＳＳ計測値セットが合成されることを回避できる。即ち、システム運用時に複数の候補位置から同時に電波が発信されるようなことは希であり、このような希なＲＳＳ計測値セットを用いて学習モデルを生成しても当該学習モデルによる推定結果は精度の低いものとなる。
また、第１の実施形態では、参照発信源を用いて実際に計測したＲＳＳ計測値セットに基づき伝搬モデルが作成されている。そのため、参照発信源位置の外側に疑似発信源を配置した場合に得られるＲＳＳ計測値セットが精度よく作成される。その結果、訓練段階での参照発信源位置よりも外側に未知の発信源が存在する場合であっても、推定精度の劣化度合いが低減される。
［第２の実施形態］
次に、第２の実施形態について図面を参照して詳細に説明する。
次に、第２の実施形態について図面を参照して詳細に説明する。
［構成の説明］
図１４は、第２の実施形態に係る位置推定装置４０の処理構成（処理モジュール）の一例を示す図である。図１４を参照すると、第２の実施形態に係る位置推定装置４０は、第１の実施形態に係る位置推定装置４０と比較して、複数波源疑似計測値セット合成部７０１をさらに有する点で異なる。ここで、複数波源疑似計測値セット合成部７０１は、疑似計測値合成部の一例である。
図１４は、第２の実施形態に係る位置推定装置４０の処理構成（処理モジュール）の一例を示す図である。図１４を参照すると、第２の実施形態に係る位置推定装置４０は、第１の実施形態に係る位置推定装置４０と比較して、複数波源疑似計測値セット合成部７０１をさらに有する点で異なる。ここで、複数波源疑似計測値セット合成部７０１は、疑似計測値合成部の一例である。
［動作の説明］
複数波源疑似計測値セット合成部７０１は、概略つぎのように動作する。
複数波源疑似計測値セット合成部７０１は、概略つぎのように動作する。
複数波源疑似計測値セット合成部７０１は、互いに異なる地点から同時に複数の発信源が信号を送信している場合の訓練データを疑似的に作成するため、波源数が１のときのＲＳＳ計測値セットを重ね合わせて複数波源存在時のＲＳＳ計測値セットを作成する。重ね合わせるＲＳＳ計測値セットは、参照発信源によるＲＳＳ計測値セットでも、疑似発信源によるＲＳＳ計測値セットでも、いずれであってもよい。また、重ね合わせ方は、ＲＳＳの場合、線形表現での電力レベルを加算することが望ましい。ただし、加算後に対数表現に変換するなどの単調写像の処理を実施してもよい。
なお、第２の実施形態での訓練用データにおいて、１つのＲＳＳ計測値セットは、１つ以上の発信源位置と対応関係にある。したがって、位置推定部２０６は、１つ以上の発信源位置を出力できるよう、構成されている必要がある。例えば、１つのＲＳＳ計測値セットに対して、複数の候補位置を選んで出力する多ラベル分類の手法を用いることができる。
［効果の説明］
第２の実施形態の効果について説明する。第２の実施形態では、２以上の発信源が同時（実質的に同時）に電波を送信しているときのＲＳＳ計測値セットを作成し、当該ＲＳＳ計測値セットを用いて学習を行う。その結果、領域内に複数の発信源が存在し、同時に電波が送信されている場合であっても、各々の発信源の位置を推定して出力できる。
第２の実施形態の効果について説明する。第２の実施形態では、２以上の発信源が同時（実質的に同時）に電波を送信しているときのＲＳＳ計測値セットを作成し、当該ＲＳＳ計測値セットを用いて学習を行う。その結果、領域内に複数の発信源が存在し、同時に電波が送信されている場合であっても、各々の発信源の位置を推定して出力できる。
［第３の実施形態］
次に、第３の実施形態について図面を参照して詳細に説明する。
次に、第３の実施形態について図面を参照して詳細に説明する。
［構成の説明］
図１５は、第３の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１５を参照すると、第３の実施形態では、第１及び第２の実施形態の入力部２０１の代わりに、発信源からの信号を受信するM個のセンサ８０１－１～８０１－Mと、通信網８０２と、通信部８０３を有する点が異なる。
図１５は、第３の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１５を参照すると、第３の実施形態では、第１及び第２の実施形態の入力部２０１の代わりに、発信源からの信号を受信するM個のセンサ８０１－１～８０１－Mと、通信網８０２と、通信部８０３を有する点が異なる。
複数のセンサ８０１－１～８０１－Mのそれぞれは、電波強度計測部８０４と、位置計測部８０５と、計測したデータを送信するための通信部８０６と、を含んで構成される。ここで、電波強度計測部８０４は、発信位置に依存した特徴量を計測する計測部の一例である。
［動作の説明］
上記構成要素のそれぞれは概略つぎのように動作する。
上記構成要素のそれぞれは概略つぎのように動作する。
電波強度計測部８０４は、発信源からの電波を受信してそのＲＳＳを計測する。位置計測部８０５は、自己位置を計測する。通信部８０６は、通信網８０２を介して、通信部８０３へ計測したデータを送信する。
［効果の説明］
第３の実施形態の効果について説明する。第３の実施形態では、センサ８０１－１～８０１－MがＲＳＳと自己位置を計測して、計測したデータが通信網８０２を介してデータ分類部２０２と接続されるように構成されているため、訓練及び推定のプロセスをオンラインで実施できる。
第３の実施形態の効果について説明する。第３の実施形態では、センサ８０１－１～８０１－MがＲＳＳと自己位置を計測して、計測したデータが通信網８０２を介してデータ分類部２０２と接続されるように構成されているため、訓練及び推定のプロセスをオンラインで実施できる。
［第４の実施形態］
次に、第４の実施形態について図面を参照して詳細に説明する。
次に、第４の実施形態について図面を参照して詳細に説明する。
［構成の説明］
図１６は、第４の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１６を参照すると、第４の実施形態は、第３の実施形態の位置計測部８０５の代わりに、センサ位置保持部９０１とセンサ位置付加部９０２とを有する点が異なる。
図１６は、第４の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１６を参照すると、第４の実施形態は、第３の実施形態の位置計測部８０５の代わりに、センサ位置保持部９０１とセンサ位置付加部９０２とを有する点が異なる。
［動作の説明］
上記構成要素のそれぞれは概略つぎのように動作する。
上記構成要素のそれぞれは概略つぎのように動作する。
センサ位置保持部９０１は、領域内に設置された各々のセンサの位置を保持している。センサ位置付加部９０２は、通信部８０３を介して得られる、センサ８０１－１～８０１－Mが計測したデータに、各々のセンサの位置を付加して出力する。
［効果の説明］
第４の実施形態の効果について説明する。第４の実施形態では、センサ８０１－１～８０１－Mが計測したＲＳＳ計測値セットに、センサ位置保持部９０１が保持するセンサ位置を付加してデータ分類部２０２と接続されるように構成されている。そのため、センサの位置計測部８０５が不要となり、センサを低コストに作成できる。
第４の実施形態の効果について説明する。第４の実施形態では、センサ８０１－１～８０１－Mが計測したＲＳＳ計測値セットに、センサ位置保持部９０１が保持するセンサ位置を付加してデータ分類部２０２と接続されるように構成されている。そのため、センサの位置計測部８０５が不要となり、センサを低コストに作成できる。
［第５の実施形態］
次に、第５の実施形態について図面を参照して詳細に説明する。
次に、第５の実施形態について図面を参照して詳細に説明する。
［構成の説明］
図１７は、第５の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１７を参照すると、第５の実施形態は、第４の実施形態と比較して、時間・気象計測部１００１と、時間・気象ラベル付加部１００２とを有する点が異なる。
図１７は、第５の実施形態に係る発信源位置推定システムの処理構成の一例を示す図である。図１７を参照すると、第５の実施形態は、第４の実施形態と比較して、時間・気象計測部１００１と、時間・気象ラベル付加部１００２とを有する点が異なる。
［動作の説明］
上記構成要素のそれぞれは概略つぎのように動作する。
上記構成要素のそれぞれは概略つぎのように動作する。
時間・気象計測部１００１は、計測を行った年月日や時刻、曜日や祝祭日などのカレンダー情報や、その日の天候や気温や湿度を取得する。時間・気象ラベル付加部１００２は、通信部８０３を介して得られる、センサ８０１－１～８０１－Mが計測したデータに、時間情報や気象情報を付加して出力する。
［効果の説明］
第５の実施形態の効果について説明する。第５の実施形態では、センサ８０１－１～８０１－Mが計測したＲＳＳ計測値セットに、時間ラベルや気象ラベルが付与される。そのため、データ分類部２０２において、時間や気象に応じた分類が行える。すなわち、付与された時間ラベルと気象ラベルに応じた訓練と推定が行えるようになる。例えば、時間については、１年間を周期として、季節に応じて植生が変化するため、葉の生い茂った夏は電波が植生によって吸収されて減衰しやすく、葉の落ちた冬は電波を遮るものがなくなって遠距離まで届きやすい。
第５の実施形態の効果について説明する。第５の実施形態では、センサ８０１－１～８０１－Mが計測したＲＳＳ計測値セットに、時間ラベルや気象ラベルが付与される。そのため、データ分類部２０２において、時間や気象に応じた分類が行える。すなわち、付与された時間ラベルと気象ラベルに応じた訓練と推定が行えるようになる。例えば、時間については、１年間を周期として、季節に応じて植生が変化するため、葉の生い茂った夏は電波が植生によって吸収されて減衰しやすく、葉の落ちた冬は電波を遮るものがなくなって遠距離まで届きやすい。
また、１日周期や１週間周期では、ヒトの流動、それに伴う車両の増減がある。ヒトも車両も、電波にとっては吸収体や反射体となるため、ヒトの活動が盛んになる平日の日中は電波が飛びにくいなどの変化が想定される。同様に、雨天時は雨に電波が吸収されて減衰しやすく、晴天で乾燥した日は電波が飛びやすい。このような変化を考慮に入れた位置推定を行うことで、位置推定精度を改善することができる。なお、時間・気象計測部１００１をセンサ８０１－１～８０１－Mが有していてもよい。
続いて、位置推定装置４０のハードウェアについて説明する。図１８は、位置推定装置４０のハードウェア構成の一例を示す図である。
位置推定装置４０は、情報処理装置（所謂、コンピュータ）により構成可能であり、図１８に例示する構成を備える。例えば、位置推定装置４０は、プロセッサ３１１、メモリ３１２、入出力インターフェイス３１３及び通信インターフェイス３１４等を備える。上記プロセッサ３１１等の構成要素は内部バス等により接続され、相互に通信可能に構成されている。
但し、図１８に示す構成は、位置推定装置４０のハードウェア構成を限定する趣旨ではない。位置推定装置４０は、図示しないハードウェアを含んでもよいし、必要に応じて入出力インターフェイス３１３を備えていなくともよい。また、位置推定装置４０に含まれるプロセッサ３１１等の数も図１８の例示に限定する趣旨ではなく、例えば、複数のプロセッサ３１１が位置推定装置４０に含まれていてもよい。
プロセッサ３１１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）等のプログラマブルなデバイスである。あるいは、プロセッサ３１１は、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）等のデバイスであってもよい。プロセッサ３１１は、オペレーティングシステム（ＯＳ；Operating System）を含む各種プログラムを実行する。
メモリ３１２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等である。メモリ３１２は、ＯＳプログラム、アプリケーションプログラム、各種データを格納する。
入出力インターフェイス３１３は、図示しない表示装置や入力装置のインターフェイスである。表示装置は、例えば、液晶ディスプレイ等である。入力装置は、例えば、キーボードやマウス等のユーザ操作を受け付ける装置である。
通信インターフェイス３１４は、他の装置と通信を行う回路、モジュール等である。例えば、通信インターフェイス３１４は、ＮＩＣ（Network Interface Card）等を備える。
位置推定装置４０の機能は、各種処理モジュールにより実現される。当該処理モジュールは、例えば、メモリ３１２に格納されたプログラムをプロセッサ３１１が実行することで実現される。また、当該プログラムは、コンピュータが読み取り可能な記憶媒体に記録することができる。記憶媒体は、半導体メモリ、ハードディスク、磁気記録媒体、光記録媒体等の非トランジェント（non-transitory）なものとすることができる。即ち、本発明は、コンピュータプログラム製品として具現することも可能である。また、上記プログラムは、ネットワークを介してダウンロードするか、あるいは、プログラムを記憶した記憶媒体を用いて、更新することができる。さらに、上記処理モジュールは、半導体チップにより実現されてもよい。
［変形例］
なお、上記実施形態にて説明した発信源位置推定システムの構成、動作等は例示であって、システムの構成等を限定する趣旨ではない。例えば、受信装置１０と信号処理装置２０が統合されてこれらの機能が単一の装置により実現されていてもよい。
なお、上記実施形態にて説明した発信源位置推定システムの構成、動作等は例示であって、システムの構成等を限定する趣旨ではない。例えば、受信装置１０と信号処理装置２０が統合されてこれらの機能が単一の装置により実現されていてもよい。
また、上述の説明で用いた複数のフローチャートでは、複数の工程（処理）が順番に記載されているが、各実施形態で実行される工程の実行順序は、その記載の順番に制限されない。各実施形態では、例えば各処理を並行して実行する等、図示される工程の順番を内容的に支障のない範囲で変更することができる。また、上述の各実施形態は、内容が相反しない範囲で組み合わせることができる。
上記の説明により、本発明の産業上の利用可能性は明らかであるが、本発明は、不法・違法な電波発信源の位置を推定して適切な処置を行うといった用途に好適である。また、電波の発信器（ビーコン）を備えたヒトやモノの位置を探知・追跡するといった用途にも好適である。
上記の実施形態の一部又は全部は、以下の付記のようにも記載され得るが、以下には限られない。
［付記１］
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する、予測モデル生成部（１０１、２１１）と、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する、誤差群算出部（１０２、２１２）と、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する、誤差合成部（１０３、２１５）と、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する、疑似計測値補正部（１０４、２１６）と、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する位置推定部（１０５、２０６）と、
を備える、位置推定装置（４０、１００）。
［付記２］
前記誤差合成部（１０３、２１５）は、前記任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて決定される重み係数を用いて前記誤差群を加重平均し、前記合成誤差を計算する、付記１に記載の位置推定装置（４０、１００）。
［付記３］
前記既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と前記補正後の疑似発信源からの特徴量の予測値に基づき、前記発信位置に依存した特徴量と正解位置の対応関係を学習し学習モデルを生成する、学習部（２０５）をさらに備える、付記１又は２に記載の位置推定装置（４０、１００）。
［付記４］
前記重み係数は、前記疑似発信源と前記参照発信源の間の距離のべき乗で表現される、付記２に記載の位置推定装置（４０、１００）。
［付記５］
前記重み係数は、任意の２つの参照発信源に対して、２点間の距離に対する誤差の類似度の空間相関モデルを作成し、当該空間相関モデルと整合するように、参照発信源と疑似発信源の間の距離に応じて決定される、付記２に記載の位置推定装置（４０、１００）。
［付記６］
異なる発信源位置に対応する前記計測値又は前記疑似発信源による疑似計測値を１以上合成して出力する、疑似計測値合成部（７０１）をさらに備える、付記１乃至５のいずれか一つに記載の位置推定装置（４０、１００）。
［付記７］
前記発信位置に依存した特徴量を計測する計測部を備えるセンサとネットワークを介して接続された通信部（８０３）をさらに備える、付記１乃至６のいずれか一つに記載の位置推定装置（４０、１００）。
［付記８］
前記特徴量は、電波強度である付記１乃至７のいずれか一つに記載の位置推定装置（４０、１００）。
［付記９］
領域内に設置された各々の前記センサの位置を保持する、センサ位置保持部（９０１）と、
前記通信部（８０３）を介して得られる、前記センサが計測したデータに前記センサの位置を付加して出力する、センサ位置付加部（９０２）と、をさらに備える、付記７に記載の位置推定装置（４０、１００）。
［付記１０］
計測を行った時間に関する時間情報、又は、計測を行った日の気象に関する気象情報を取得する時間・気象計測部（１００１）と、
前記通信部を介して得られる前記センサが計測したデータに、前記時間情報又は気象情報を付加する、時間・気象ラベル付加部（１００２）と、
をさらに備える、付記７に記載の位置推定装置（４０、１００）。
［付記１１］
位置推定装置（４０、１００）において、
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成するステップと、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出するステップと、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力するステップと、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正するステップと、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定するステップと、
を含む、位置推定方法。
［付記１２］
位置推定装置（４０、１００）に搭載されたコンピュータに、
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する処理と、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する処理と、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する処理と、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する処理と、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する処理と、
を実行させるプログラム。
なお、付記１１の形態及び付記１２の形態は、付記１の形態と同様に、付記２の形態～付記１０の形態に展開することが可能である。
［付記１］
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する、予測モデル生成部（１０１、２１１）と、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する、誤差群算出部（１０２、２１２）と、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する、誤差合成部（１０３、２１５）と、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する、疑似計測値補正部（１０４、２１６）と、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する位置推定部（１０５、２０６）と、
を備える、位置推定装置（４０、１００）。
［付記２］
前記誤差合成部（１０３、２１５）は、前記任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて決定される重み係数を用いて前記誤差群を加重平均し、前記合成誤差を計算する、付記１に記載の位置推定装置（４０、１００）。
［付記３］
前記既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と前記補正後の疑似発信源からの特徴量の予測値に基づき、前記発信位置に依存した特徴量と正解位置の対応関係を学習し学習モデルを生成する、学習部（２０５）をさらに備える、付記１又は２に記載の位置推定装置（４０、１００）。
［付記４］
前記重み係数は、前記疑似発信源と前記参照発信源の間の距離のべき乗で表現される、付記２に記載の位置推定装置（４０、１００）。
［付記５］
前記重み係数は、任意の２つの参照発信源に対して、２点間の距離に対する誤差の類似度の空間相関モデルを作成し、当該空間相関モデルと整合するように、参照発信源と疑似発信源の間の距離に応じて決定される、付記２に記載の位置推定装置（４０、１００）。
［付記６］
異なる発信源位置に対応する前記計測値又は前記疑似発信源による疑似計測値を１以上合成して出力する、疑似計測値合成部（７０１）をさらに備える、付記１乃至５のいずれか一つに記載の位置推定装置（４０、１００）。
［付記７］
前記発信位置に依存した特徴量を計測する計測部を備えるセンサとネットワークを介して接続された通信部（８０３）をさらに備える、付記１乃至６のいずれか一つに記載の位置推定装置（４０、１００）。
［付記８］
前記特徴量は、電波強度である付記１乃至７のいずれか一つに記載の位置推定装置（４０、１００）。
［付記９］
領域内に設置された各々の前記センサの位置を保持する、センサ位置保持部（９０１）と、
前記通信部（８０３）を介して得られる、前記センサが計測したデータに前記センサの位置を付加して出力する、センサ位置付加部（９０２）と、をさらに備える、付記７に記載の位置推定装置（４０、１００）。
［付記１０］
計測を行った時間に関する時間情報、又は、計測を行った日の気象に関する気象情報を取得する時間・気象計測部（１００１）と、
前記通信部を介して得られる前記センサが計測したデータに、前記時間情報又は気象情報を付加する、時間・気象ラベル付加部（１００２）と、
をさらに備える、付記７に記載の位置推定装置（４０、１００）。
［付記１１］
位置推定装置（４０、１００）において、
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成するステップと、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出するステップと、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力するステップと、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正するステップと、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定するステップと、
を含む、位置推定方法。
［付記１２］
位置推定装置（４０、１００）に搭載されたコンピュータに、
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する処理と、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する処理と、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する処理と、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する処理と、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する処理と、
を実行させるプログラム。
なお、付記１１の形態及び付記１２の形態は、付記１の形態と同様に、付記２の形態～付記１０の形態に展開することが可能である。
以上、本発明の実施形態を説明したが、本発明はこれらの実施形態に限定されるものではない。これらの実施形態は例示にすぎないということ、及び、本発明のスコープ及び精神から逸脱することなく様々な変形が可能であるということは、当業者に理解されるであろう。
この出願は、２０１９年４月１２日に出願された日本出願特願２０１９－０７６３６１を基礎とする優先権を主張し、その開示の全てをここに取り込む。
１０、１０－１～１０－Ｍ 受信装置
２０、２０－１～２０－Ｍ 信号処理装置
３０ 記憶装置
４０、１００ 位置推定装置
１０１ 予測モデル生成部
１０２ 誤差群算出部
１０３ 誤差合成部
１０４ 疑似計測値補正部
１０５、２０６ 位置推定部
２０１ 入力部
２０２ データ分類部
２０３ 訓練データ拡張部
２０４ 訓練データ結合部
２０５ 学習部
２０７ 出力部
２１１ 伝搬モデル生成部
２１２ 参照発信源誤差セット作成部
２１３ 疑似発信源位置決定部
２１４ モデルベース疑似計測値セット生成部
２１５ 疑似発信源用誤差セット合成部
２１６ 疑似計測値セット補正部
３１１ プロセッサ
３１２ メモリ
３１３ 入出力インターフェイス
３１４ 通信インターフェイス
７０１ 複数波源疑似計測値セット合成部
８０１－１～８０１－M センサ
８０２ 通信網
８０３、８０６ 通信部
８０４ 電波強度計測部
８０５ 位置計測部
９０１ センサ位置保持部
９０２ センサ位置付加部
１００１ 時間・気象計測部
１００２ 時間・気象ラベル付加部
２０、２０－１～２０－Ｍ 信号処理装置
３０ 記憶装置
４０、１００ 位置推定装置
１０１ 予測モデル生成部
１０２ 誤差群算出部
１０３ 誤差合成部
１０４ 疑似計測値補正部
１０５、２０６ 位置推定部
２０１ 入力部
２０２ データ分類部
２０３ 訓練データ拡張部
２０４ 訓練データ結合部
２０５ 学習部
２０７ 出力部
２１１ 伝搬モデル生成部
２１２ 参照発信源誤差セット作成部
２１３ 疑似発信源位置決定部
２１４ モデルベース疑似計測値セット生成部
２１５ 疑似発信源用誤差セット合成部
２１６ 疑似計測値セット補正部
３１１ プロセッサ
３１２ メモリ
３１３ 入出力インターフェイス
３１４ 通信インターフェイス
７０１ 複数波源疑似計測値セット合成部
８０１－１～８０１－M センサ
８０２ 通信網
８０３、８０６ 通信部
８０４ 電波強度計測部
８０５ 位置計測部
９０１ センサ位置保持部
９０２ センサ位置付加部
１００１ 時間・気象計測部
１００２ 時間・気象ラベル付加部
Claims (11)
- 任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成する、予測モデル生成部と、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出する、誤差群算出部と、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力する、誤差合成部と、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正する、疑似計測値補正部と、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定する位置推定部と、
を備える、位置推定装置。 - 前記誤差合成部は、前記任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて決定される重み係数を用いて前記誤差群を加重平均し、前記合成誤差を計算する、請求項１に記載の位置推定装置。
- 前記既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と前記補正後の疑似発信源からの特徴量の予測値とを含む訓練データに基づき、前記発信位置に依存した特徴量と正解位置の対応関係を学習し学習モデルを生成する、学習部をさらに備える、請求項１又は２に記載の位置推定装置。
- 前記重み係数は、前記疑似発信源と前記参照発信源の間の距離のべき乗で表現される、請求項２に記載の位置推定装置。
- 前記重み係数は、任意の２つの参照発信源に対して、２点間の距離に対する誤差の類似度の空間相関モデルを作成し、当該空間相関モデルと整合するように、参照発信源と疑似発信源の間の距離に応じて決定される、請求項２に記載の位置推定装置。
- 前記訓練データを生成する、訓練データ生成部と、
異なる発信源位置に対応する前記計測値又は前記疑似計測値補正部によって補正された前記予測値を１以上合成して前記訓練データ生成部に出力する、疑似計測値合成部と、
をさらに備える、請求項３に記載の位置推定装置。 - 前記発信位置に依存した特徴量を計測する計測部を備えるセンサとネットワークを介して接続された通信部をさらに備える、請求項１乃至６のいずれか一項に記載の位置推定装置。
- 前記特徴量は、電波強度である請求項１乃至７のいずれか一項に記載の位置推定装置。
- 領域内に設置された各々の前記センサの位置を保持する、センサ位置保持部と、
前記通信部を介して得られる、前記センサが計測したデータに前記センサの位置を付加して出力する、センサ位置付加部と、をさらに備える、請求項７に記載の位置推定装置。 - 計測を行った時間に関する時間情報、又は、計測を行った日の気象に関する気象情報を取得する時間・気象計測部と、
前記通信部を介して得られる前記センサが計測したデータに、前記時間情報又は気象情報を付加する、時間・気象ラベル付加部と、
をさらに備える、請求項７に記載の位置推定装置。 - 位置推定装置において、
任意位置の発信源からの信号を特定の位置で受信したときに得られる、発信位置に依存した特徴量を予測する予測モデルを生成するステップと、
既知位置の参照発信源からの信号に基づき取得された特徴量の計測値と、前記予測モデルを用いて算出された、前記既知位置の参照発信源に関する特徴量の予測値と、の誤差を複数の参照発信源位置に対して計算することで誤差群を算出するステップと、
任意位置の疑似発信源と前記参照発信源各々との位置関係に応じて前記誤差群を合成し、合成誤差として出力するステップと、
前記疑似発信源からの信号を受信したときの前記予測モデルによる特徴量の予測値を、前記合成誤差を用いて補正するステップと、
前記発信位置に依存した特徴量の計測値を、少なくとも前記補正後の疑似発信源からの特徴量の予測値に基づき学習された学習モデルに入力することで、発信源位置を推定するステップと、
を含む、位置推定方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019076361 | 2019-04-12 | ||
| JP2019076361 | 2019-04-12 | ||
| PCT/JP2020/009924 WO2020208987A1 (ja) | 2019-04-12 | 2020-03-09 | 位置推定装置、位置推定方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2020208987A1 JPWO2020208987A1 (ja) | 2021-12-09 |
| JP7238972B2 true JP7238972B2 (ja) | 2023-03-14 |
Family
ID=72751090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021513519A Active JP7238972B2 (ja) | 2019-04-12 | 2020-03-09 | 位置推定装置、位置推定方法及びプログラム |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP7238972B2 (ja) |
| WO (1) | WO2020208987A1 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7384363B2 (ja) | 2021-02-22 | 2023-11-21 | ソフトバンク株式会社 | 位置推定システム、飛行体、情報処理装置、位置推定用の学習済みモデルの作成方法、及び、位置推定用の学習済みモデル |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005024535A (ja) | 2003-06-12 | 2005-01-27 | Mitsubishi Electric Corp | 位置推定装置 |
| US20100138184A1 (en) | 2008-12-01 | 2010-06-03 | Andrew David Fernandez | Likelihood Map System for Localizing an Emitter |
| JP2013053930A (ja) | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | 物品位置特定システム、物品位置特定方法および物品位置特定プログラム |
| JP2013205398A (ja) | 2012-03-29 | 2013-10-07 | Tokyo Institute Of Technology | 発信源推定方法およびそれを利用した発信源推定装置 |
| JP2015017845A (ja) | 2013-07-09 | 2015-01-29 | 富士通株式会社 | 位置推定方法、位置推定装置および位置推定システム |
| JP2015040721A (ja) | 2013-08-20 | 2015-03-02 | 国立大学法人東京工業大学 | 推定方法およびそれを利用した推定装置 |
| JP2017142180A (ja) | 2016-02-10 | 2017-08-17 | 国立大学法人 名古屋工業大学 | 位置推定方法及び位置推定システム |
-
2020
- 2020-03-09 WO PCT/JP2020/009924 patent/WO2020208987A1/ja active Application Filing
- 2020-03-09 JP JP2021513519A patent/JP7238972B2/ja active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005024535A (ja) | 2003-06-12 | 2005-01-27 | Mitsubishi Electric Corp | 位置推定装置 |
| US20100138184A1 (en) | 2008-12-01 | 2010-06-03 | Andrew David Fernandez | Likelihood Map System for Localizing an Emitter |
| JP2013053930A (ja) | 2011-09-05 | 2013-03-21 | Nippon Telegr & Teleph Corp <Ntt> | 物品位置特定システム、物品位置特定方法および物品位置特定プログラム |
| JP2013205398A (ja) | 2012-03-29 | 2013-10-07 | Tokyo Institute Of Technology | 発信源推定方法およびそれを利用した発信源推定装置 |
| JP2015017845A (ja) | 2013-07-09 | 2015-01-29 | 富士通株式会社 | 位置推定方法、位置推定装置および位置推定システム |
| JP2015040721A (ja) | 2013-08-20 | 2015-03-02 | 国立大学法人東京工業大学 | 推定方法およびそれを利用した推定装置 |
| JP2017142180A (ja) | 2016-02-10 | 2017-08-17 | 国立大学法人 名古屋工業大学 | 位置推定方法及び位置推定システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JPWO2020208987A1 (ja) | 2021-12-09 |
| WO2020208987A1 (ja) | 2020-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11372114B2 (en) | Systems and methods for high-integrity satellite positioning | |
| AU2009222991B2 (en) | Autonomous sonar system and method | |
| WO2016031174A1 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
| JP4908972B2 (ja) | 観測データ推定方法及び観測データ推定プログラム | |
| JP7195588B2 (ja) | 予測装置、予測方法、及び予測プログラム | |
| CN110851790A (zh) | 一种基于深度学习算法的海流动力优化预报模型 | |
| Redondi | Radio map interpolation using graph signal processing | |
| KR102319145B1 (ko) | 고해상도 해양 데이터를 생성하기 위한 방법 및 이를 이용한 장치 | |
| JP7238972B2 (ja) | 位置推定装置、位置推定方法及びプログラム | |
| JP5029796B2 (ja) | 電波到達状態推定システム及び電波到達状態推定方法ならびにプログラム | |
| Robinson et al. | Prediction systems with data assimilation for coupled ocean science and ocean acoustics | |
| CN110426717B (zh) | 一种协同定位方法及系统、定位设备、存储介质 | |
| CN110208808B (zh) | 一种被动声纳非合作目标线谱信息融合方法 | |
| CN116719062A (zh) | 卫星的信号质量评估方法及装置、设备、存储介质 | |
| KR102500534B1 (ko) | 순환신경망 기반 수자원 정보 생성 장치 및 방법 | |
| KR101941132B1 (ko) | 국지적 전리층지도의 가용영역 확장 장치 및 방법 | |
| Diamant | Prediction of water current using a swarm of submerged drifters | |
| Heyns et al. | Terrain visibility-dependent facility location through fast dynamic step-distance viewshed estimation within a raster environment | |
| JP6819797B2 (ja) | 位置推定装置、位置推定方法とプログラム、並びに、位置推定システム | |
| JP2023523842A (ja) | 気象情報を向上させるための移動データの使用 | |
| CN114646313A (zh) | 一种用户轨迹定位方法、电子设备及计算机存储介质 | |
| Ahmed et al. | Machine Learning Based Sound Speed Prediction for Underwater Networking Applications | |
| US20230185310A1 (en) | Localization system, localization method, storage medium, and map generation device | |
| KR102659273B1 (ko) | Uwb 측위를 위한 거리 보정 방법 | |
| Rixen et al. | Super-ensemble forecasts and resulting acoustic sensitivities in shallow waters |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210804 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210804 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220830 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221012 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230131 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230213 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7238972 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |