JP7276481B2 - 移動端末及び通信品質予測方法 - Google Patents

Description

本開示は、移動端末の装置情報を用いた通信品質の予測に関する。

様々なデバイスがインターネットにつながるＩｏＴ（Ｉｎｔｅｒｎｅｔ ｏｆ ｔｈｉｎｇｓ）の実現が進んでおり、自動車やドローン、建設機械車両など様々な機器が無線により接続されつつある。無線通信規格としても標準化規格ＩＥＥＥ８０２．１１で規定される無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＬＴＥや５Ｇによるセルラー通信、ＩｏＴ向けのＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ） 通信、車通信に用いられるＥＴＣ（Ｅｌｅｃｔｒｏｎｉｃ Ｔｏｌｌ Ｃｏｌｌｅｃｔｉｏｎ Ｓｙｓｔｅｍ）、ＶＩＣＳ（登録商標）（Ｖｅｈｉｃｌｅ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、ＡＲＩＢ－ＳＴＤ－Ｔ１０９など、サポートする無線規格も発展しており、今後の普及が期待されている。

しかしながら、様々な用途で無線通信が使われる一方、サービスによっては、通信品質の要求条件を、無線通信が必ずしも満たすことができないことが問題となっている。特に通信装置が動くことにより、アンテナの指向性の向きや、伝搬環境が変わってしまい通信品質に影響を及ぼすことはこれまで避けられなかった。

Ｈ． Ｏｋａｍｏｔｏ ｅｔ ａｌ．， "Ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ－ｂａｓｅｄ ｔｈｒｏｕｇｈｐｕｔ ｅｓｔｉｍａｔｉｏｎ ｕｓｉｎｇ ｉｍａｇｅｓ ｆｏｒ ｍｍＷａｖｅ ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，" ｉｎ Ｐｒｏｃ．， ＩＥＥＥ ＶＴＣ ２０１７－ｓｐｒｉｎｇ， Ｊａｎ． ２０１７．

自動車や、ドローン、建設機械車両、ロボット、その他のデバイスに無線通信機能が搭載されている。さらにそれらの通信に対し、スループット、遅延、継続性、安定性、その他の通信品質に対する要求条件が存在する場合もある。このような場合、無線通信機能が搭載された端末の位置、姿勢、動きなどの端末状態により通信品質が変動し、当該デバイスによるサービスやシステムに対して大きな影響を及ぼすことがある。つまり、無線通信機能が搭載された端末には、自身の状態による通信品質の変動に対する対策が必要という課題がある。

そこで、上記課題に鑑み、本発明は、通信品質の変動を予測できる移動端末及び通信品質予測方法を提供することを目的とする。

上記目的を達成するために、本発明に係る移動端末は、自身の、位置／向き／速度／構成物動作／制御指令情報／カメラ情報／センサ情報などからなる端末情報を用い、通信品質との間の関係性を学習してモデル化し、得られた通信品質予測モデルを用いて通信品質を予測することとした。

具体的には、本発明に係る移動端末は、無線通信を行う移動端末であって、
自身の位置、姿勢、動き、制御指令、カメラ、センサの情報、及び過去の通信情報のうち、少なくとも一つ以上の情報からなる端末情報を生成する端末情報生成部と、
前記無線通信の通信品質と前記端末情報との間の関係性が学習されて生成された通信品質モデルを用い、現在の前記端末情報から現在又は未来の前記通信品質を推測する通信予測部と、
を備える。

また、本発明に係る通信品質予測方法は、自身の位置、姿勢、動き、制御情報、カメラ、及びセンサの情報、過去の通信情報のうち、少なくとも一つ以上の情報からなる端末情報を生成すること、及び前記無線通信の通信品質と前記端末情報との間の関係性が学習されて生成された通信品質モデルを用い、現在の前記端末情報から現在又は未来の前記通信品質を推測すること、を特徴とする。

なお、前記端末情報は、前記移動端末の未来の動作に対応する制御計画を少なくとも含む。また、前記端末情報は、前記移動端末の向きの情報をさらに含み、向きの情報として角度の正弦成分と余弦成分を用いる。

本発明に係る移動端末は、取得した端末情報から現在又は未来の通信品質を予測する。従って、本発明は、通信品質の変動を予測できる移動端末及び通信品質予測方法を提供することができる。通信品質の変動が予測できれば、事前に通信品質の変動（特に劣化）に対応する（例えば、無線信号の品質の低下を事前に知ることで、通信あて先局を変更したり、アプリケーションにおけるデータレートを低くしたり、端末の制御モードをより安全なモードに変更する）ことができる。特に、未来（マイクロ秒よりミリ秒先の未来、ミリ秒先の未来より、数秒先の未来）を予測するほど、通信品質の変化に対応可能なオプションが増え、より高度な対応が可能となる（例えば、無線回線を冗長して新たに回線を増やす対応に１秒かかるのであれば、この対応を実施するためには、１秒より先の未来を予測しないと対応ができない）。

通信品質モデルは外部から導入してもよいが、移動端末自身で生成してもよい。すなわち、本発明に係る移動端末は、前記通信品質し、対応する時間情報とともに通信品質情報を生成する通信品質評価部と、前記通信品質と前記端末情報との間の関係性を学習し、前記通信品質モデルを生成する通信品質学習部と、をさらに備え、
前記端末情報生成部は、対応する時間情報とともに前記端末情報を生成することを特徴とする。

予測された通信品質はあくまで予測なので、実測した通信品質とずれることもある。そこで、前記通信予測部は、前記通信品質評価部が評価した前記通信品質と前記通信予測部が推測した前記通信品質との誤差と、前記端末情報との間の関係性が学習されて生成された予測ずれモデルを用い、現在の前記端末情報から現在又は未来の前記誤差を推測することを特徴とする。本発明に係る移動端末は、取得した端末情報から予測される通信品質のずれも予測できる。

予測ずれモデルは外部から導入してもよいが、移動端末自身で生成してもよい。すなわち、本発明に係る移動端末は、前記誤差と前記端末情報との間の関係性を学習し、前記予測ずれモデルを生成する予測ずれ学習部と、をさらに備え、前記通信品質評価部が前記誤差を測定することを特徴とする。

本発明によれば、端末内で生成される、位置／向き／速度／構成物動作／制御指令情報／カメラ情報／センサ情報の少なくとも一部を含む端末情報を用い、外部の通信装置との間で計測される通信品質との間の関係性を機械学習によりモデル化し、得られた通信品質予測モデルにより端末情報から通信品質を予測することで、通信品質の予測精度を高めることができる。
従って、本発明は、通信品質の変動を予測できる移動端末及び通信品質予測方法を提供することができる。

本発明に係る移動端末が未来の通信品質を予測する手法を説明する図である。 本発明に係る移動端末が未来の通信品質のずれを予測する手法を説明する図である。 本発明に係る移動端末の構成を説明する図である。 本発明に係る移動端末の通信品質予測方法を説明する図である。 本発明に係る移動端末の通信品質予測方法を説明する図である。 本発明に係る移動端末の通信品質予測方法を説明する図である。 本発明に係る移動端末の通信品質予測方法を説明する図である。 本発明に係る移動端末で実証実験を行った屋内環境のマップ情報である。 本発明に係る移動端末の効果を説明する図である。 本発明に係る移動端末の効果を説明する図である。 本発明に係る移動端末の効果を説明する図である。

添付の図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

図３は、本実施形態の移動端末１を説明する構成図である。移動端末１は、無線通信を行う移動端末であって、
自身の位置、姿勢、動き、制御情報、カメラ、センサの情報、及び過去の通信情報のうち、少なくとも一つ以上の情報からなる端末情報を生成する端末情報生成部１－２と、
前記無線通信の通信品質と前記端末情報との間の関係性が学習されて生成された通信品質モデルを用い、現在の前記端末情報から現在又は未来の前記通信品質を推測する通信予測部１－３と、
を備える。

移動端末１は、自身の移動や少なくとも自身の一部の動作などの制御、移動端末の構成物の制御、のいずれかが可能なハードウェアである。例えば、移動端末１は、自動車、大型移動車、小型移動車、鉱山ないし建設機械、ドローンなどの飛行移動体、２輪車、車いす、又はロボットである。

移動端末１は、前記通信品質を評価し、前記通信品質に対応する時間情報とともに通信品質情報を生成する通信品質評価部１－４と、
前記通信品質と前記端末情報との間の関係性を学習し、前記通信品質モデルを生成する通信品質学習部１－５と、
をさらに備えていてもよい。
また、前記端末情報生成部は、対応する時間情報とともに前記端末情報を生成する。

図１は、移動端末１が行う第１の通信品質予測の概略を示している。この形態では、移動端末１の端末情報生成部１－２は、位置／向き／速度／構成物動作／制御情報／カメラ情報／センサ情報/過去の通信情報の少なくとも一部を含む端末情報を生成する。端末情報として用いる制御指令情報は、移動端末１を制御するためにモーターなどに出力する前の、今後の制御指令情報の計画を入力してもよい。また、端末情報として用いるカメラ情報およびセンサ情報は、映像のピクセル毎のデータやＬＩＤＡＲ（ＬＩｇｈｔ Ｄｅｔｅｃｔｉｏｎ Ａｎｄ Ｒａｎｇｉｎｇ）の点群データ、あるいは、当該映像や点群データからディープラーニングなどによるオブジェクト認識を行った結果得られる位置情報などのオブジェクト情報である。ここで、制御情報とは、特定の機能のＯＮ／ＯＦＦ情報や、移動端末またはその一部の動きを制御するための命令情報、移動端末の回路が発する信号、などが対応する。

移動端末１が有する、または通信でつながることができる外部に設置した通信品質評価部１－４は通信品質情報を生成する。

前記端末情報と、前記通信品質情報の間の関係性を、移動端末１が有する、または通信でつながることができる外部に設置した通信品質学習部１－５が機械学習し、モデル化する。機械学習のアルゴリズムとしては、サポートベクターマシンや多層パーセプトロン、ｋ近傍法、ランダムフォレストなどの機械学習アルゴリズム、ＲＮＮ（Ｒｅｃｕｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）、などのディープラーニング及びこれらを組み合わせたバギング法などの方法を用いることができる。

通信予測部１－３は、機械学習により得られた通信品質予測モデルを用い、前記端末情報から、通信品質を推定して出力する。

通信予測部１－３は、通信品質評価部１－４が評価した前記通信品質と通信予測部１－３が推測した前記通信品質との誤差と、端末情報１との間の関係性が学習されて生成された予測ずれモデルを用い、現在の前記端末情報から現在又は未来の前記誤差を推測することもできる。

移動端末１は、前記誤差と前記端末情報との間の関係性を学習し、前記予測ずれモデルを生成する予測ずれ学習部１－６をさらに備え、通信品質評価部１－４が前記誤差を測定することでもよい。

図２は、移動端末１が行う第２の通信品質予測の概略を示している。この形態でも同様に、移動端末１の端末情報生成部１－２は、位置／向き／速度／構成物動作／制御情報／カメラ情報／センサ情報/過去の通信情報の少なくとも一部を含む端末情報を生成する。

移動端末１が有する、または通信でつながることができる外部に設置した通信品質評価部１－４は通信品質情報を生成する。前記端末情報と、前記通信品質情報の間の関係性を、移動端末１が有する、または通信でつながることができる外部に設置した通信品質学習部１－５が機械学習し、モデル化する。通信予測部１－３は、この通信品質予測モデルを用いて端末情報から通信品質を推定して出力する。

第２の通信品質予測では、さらに、通信品質評価部１－４は、通信予測部１－３が予測した通信品質情報と、自身が測定した実際の通信品質とを比較し、その予測ずれ情報（誤差）を生成する。得られた予測ずれ情報と、通信品質予測に用いられた端末情報との間の関係性を、移動端末１が有する、または通信でつながることができる外部に設置した予測ずれ学習部１－６が機械学習し、モデル化する。機械学習のアルゴリズムとしては、通信品質学習部１－５と同じアルゴリズムが例示される。

通信予測部１－３は、機械学習により得られた予測ずれモデルを用い、端末情報から、予測される通信品質のずれを出力する。

この形態では、端末情報から、通信品質情報だけでなく、予測ずれ情報を出力できる。予測ずれの利用例としては次が挙げられる。
（例１）予測値の信頼度を下げて、通信品質の予測結果を予測ずれに応じた係数だけ低下させ、予測した通信品質が、実際の通信品質を上回る確率を下げるように評価する。
（例２）予測ずれの大きい条件では、通信品質予測を不可として出力しないようにする。
（例３）予測ずれと高い関係性を持つ特徴量から通信品質予測低下の原因を解明する。
ここで、特徴量とは、機械学習により通信品質を予測する際に用いる情報のことである。

ここで、通信品質とは、受信信号電力、信号対雑音電力比、信号対干渉雑音電力比、Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ Ｉｎｄｉｃａｔｉｏｎ（ＲＳＳＩ）、Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｒｅｆｅｒｅｎｃｅ Ｑｕａｌｉｔｙ（ＲＳＲＱ）、パケット誤り率、到達ビット数、単位時間あたり到達ビット数、Ｍｏｄｕｌａｒ Ｃｏｄｅ Ｉｎｄｅｘ、再送回数、遅延時間、これらの値の微分情報、および、これらの値から計算式を用いて算出される指標である。また、過去に測定された通信品質を端末情報生成部１－２に記憶し、端末情報として用いることもできる。

図３の移動端末１は、
通信装置と無線で通信を実施できる通信部１－１―j（ｊは1からＮまでの整数であり、Ｎは通信部の数である）と、
移動端末１の位置／向き／速度／構成物動作／制御情報／カメラ情報／センサ情報／過去の通信情報
を生成する端末情報生成部１－２と、
学習された通信品質予測モデルを用いて前記端末情報生成部で生成された端末情報を装置ＮＷ１－０を介して取得し、通信品質情報を出力する通信予測部１－３と、
を備える。

通信部１－１－ｊは、ＩＥＥＥ８０２．１１で規定される無線ＬＡＮ、Ｗｉｇｉｇ（登録商標）、ＩＥＥＥ８０２．１１ｐ、ＩＴＳ用通信規格、ＬＴＥや５Ｇなどの３ＧＰＰで規定される無線通信、ＬＰＷＡ（Ｌｏｗ Ｐｏｗｅｒ Ｗｉｄｅ Ａｒｅａ）などの広域無線通信、ないし音波、電気、光による通信を用いることができる。

通信部１－１―jと、外部の通信装置との間で行われる無線通信の通信品質情報は、移動端末１が備える、または当該通信部を介して通信できる外部に具備した通信評価部１－４において生成される。
前記通信品質情報は、移動端末１が備える、または当該通信部を介して通信できる外部に具備した通信品質学習部１－５に入力される。通信品質学習部１－５は、端末情報と通信品質情報の間の関係性を機械学習により学習し、通信品質予測モデルを得る。通信品質予測モデルは、通信予測部１－３に実装される。

さらに、前述した第２の通信品質予測に係る実施形態では、予測ずれ学習部１－６が移動端末１または通信部１－１－ｊを介して通信できる外部に具備される。通信予測部１－３が推定した通信品質情報は、通信品質評価部１－４に入力される。通信品質評価部１－４は、入力された前記通信品質情報と、同じタイミングで実際に測定した通信品質情報を比較して得られる予測ずれ（誤差）を、予測ずれ学習部１－６に出力する。

また、端末情報生成部１－２は、端末情報を予測ずれ学習部１－６に出力する。予測ずれ学習部１－６は、端末情報と予測ずれの間の関係性を機械学習により学習し、予測ずれモデルを得る。予測ずれ学習部１－６は、得られた予測ずれモデルを通信予測部１－３に出力する。通信予測部１－３は、通信品質予測モデルと予測ずれモデルを用い、入力された端末情報から通信品質情報と予測ずれをそれぞれ推定して出力する。

通信予測部１－３、通信品質学習部１－５、および予測ずれ学習部１－６へ入力される端末情報は、次元圧縮を行い、パラメータ数を削減したものや、新たに特徴量として端末情報を用いて計算されたものや、ある条件を満たしたものを透過するようなフィルター処理を行ってもよい。

通信品質学習部１－５と予測ずれ学習部１－６が行う機械学習は、次のようなケースがある。
ケース１：移動端末１が実際に通信を行いながら実環境で行う。
ケース２：他の端末や、学習用に特別に用意された他の端末で取得されたデータを用いて行う。
ケース３：現実世界の実環境にできるだけ近い環境を模擬したシミュレーション空間で行う。
ケース４：シミュレーション空間や類似の外の端末で機械学習された入出力関係（モデル）を導入する。

通信品質を予測したい条件を限定し、学習と予測の効率化を図ることもできる。例えば、端末情報の一部の情報が特定の条件の時にのみ学習または予測またはその両方を行うようにできる。例として、位置情報があらかじめ定めた条件を満たすとき、移動端末の制御情報から特定の機能がONになったとき、オドメトリ情報や位置情報から得られるデータが特定の値を上回るとき、などが考えられる。

通信品質学習部１－５は、このようにして学習した通信品質予測モデルを通信予測部１－３へ出力する。
一方、移動端末１は、予測ずれ学習部１－６があらかじめ定めた予測ずれの指標より小さい値を出力する場合に、通信予測部１－３の出力が信頼できるものし、予測した通信品質情報を出力したり、利用するように設定することもできる。

推定する対象となるターゲットの値の複雑性を減らすため、通信品質低下のみを予測するようにモデルを構築してもよい。例えば、あらかじめ定めた通信品質の指標（時間当たりのビット数、時間と周波数あたりのビット数、パケットロス、パケットロス率、ＲＳＳＩ低下、ＲＳＲＱ低下、パケット送信レート、これらのパラメータが平常時からどれだけ変化したか、及び、これら複数のパラメータから抽出される特徴量）があらかじめ定めた条件を満たしたときに通信品質予測を行うようにすることもできる。

前記通信品質学習部１－５、予測ずれ学習部１－６と通信予測部１－３は、通信部１－１－ｊで用いる周波数、周波数帯域、など通信の設定毎に学習と予測を行ったり、端末情報に通信の設定を含めて学習と予測を行ってもよい。

図４から図６は、第１の通信品質予測の方法を説明するフロー図である。
図４のフロー図は、最も基本的な通信品質予測方法を説明するフロー図である。
端末情報生成部１－２は、端末情報を生成し、通信予測部１－３へ出力する（Ｓｔｅｐ．１）。通信品質学習部１－５は、端末情報と通信品質の関係性を機械学習によりモデル化して通信品質予測モデルを生成し、通信予測部１－３へ出力する（Ｓｔｅｐ．ｂ）。通信予測部１－３は、通信品質予測モデルを用いて入力された端末情報から通信品質を予測する（Ｓｔｅｐ．２）。

この基本のフローでは、通信品質と端末情報の関係（通信品質予測モデル）をシミュレーションで構築してもよく、その場合は移動端末やネットワークに搭載された通信品質評価部１－４を必ずしも用いなくてもよい。

図５のフロー図は、図４のフロー図に、移動端末１、または外部のネットワークに具備された通信評価部１－４が通信品質を測定する工程が追加された通信品質予測方法を説明するフロー図である。

端末情報生成部１－２は、端末情報を生成する（Ｓｔｅｐ．１）。通信評価部１－４は、移動端末１の通信品質を測定し、通信品質情報を生成する（Ｓｔｅｐ．ａ）。通信品質学習部１－５は、端末情報生成部１－２が生成した端末情報と通信評価部１－４が生成した通信品質との間の関係性を機械学習によりモデル化して通信品質予測モデルを生成し、通信予測部１－３へ出力する（Ｓｔｅｐ．ｂ）。通信予測部１－３は、Ｓｔｅｐ．ｂで得られた通信品質予測モデルを用い、入力された端末情報から通信品質を予測する（Ｓｔｅｐ．２）。

図６のフロー図は、図５のフロー図に、未来の制御計画を端末情報に含める工程が追加された通信品質予測方法を説明するフロー図である。

端末情報生成部１－２は、未来の時間における移動端末１を制御させる命令計画を、端末情報の一部として生成する（Ｓｔｅｐ．０）。端末情報生成部１－２は、前記命令計画と位置情報などそのほかの情報を含めた端末情報を生成する。当該端末情報は通信評価部１－４及び通信品質学習部１－５に出力される（Ｓｔｅｐ．１）。通信評価部１－４は、移動端末１の通信品質を測定し、通信品質情報を生成する（Ｓｔｅｐ．ａ）。通信品質学習部１－５は、通信評価部１－４が生成した通信品質と、将来の制御に関する命令計画を含む端末情報との間の関係性を機械学習によりモデル化して通信品質予測モデルを生成し、通信予測部１－３へ出力する（Ｓｔｅｐ．ｂ）。このとき、位置情報や速度情報などは測定された通信品質の時間より、あらかじめ定めた時間より過去の情報を用い、制御命令のみ、前記命令計画に対応する時間だけ未来に対応する情報まで学習させることができる。通信予測部１－３は、Ｓｔｅｐ．ｂで得られた通信品質予測モデルを用い、入力された端末情報から通信品質を予測する（Ｓｔｅｐ．２）。

図７は、第２の通信品質予測の方法を説明するフロー図である。
端末情報生成部１－２は、端末情報を生成する（Ｓｔｅｐ．１）。通信評価部１－４は、移動端末１の通信品質を測定し、通信品質情報を生成する（Ｓｔｅｐ．ａ）。通信品質情報は、予測ずれ評価部１－６と通信品質学習部１－５のそれぞれに出力される。通信品質学習部１－５は、端末情報生成部１－２が生成した端末情報と通信評価部１－４が生成した通信品質との間の関係性を機械学習によりモデル化して通信品質予測モデルを生成し、通信予測部１－３へ出力する（Ｓｔｅｐ．ｂ）。通信予測部１－３は、Ｓｔｅｐ．ｂで得られた通信品質予測モデルを用い、入力された端末情報から通信品質を予測する（Ｓｔｅｐ．２０）。さらに、通信予測部１－３は、上述する予測ずれモデルを用いて通信品質の予測ずれを予測する（Ｓｔｅｐ．２１）。予測ずれ学習部１－６は、通信予測部１－３が生成した通信品質の予測値と通信評価部１－４が測定した通信品質の実測値とのずれ（予測ずれ）を測定する（Ｓｔｅｐ．３）。さらに、予測ずれ学習部１－６は、予測ずれと端末情報との間の関係性を機械学習によりモデル化して予測ずれモデルを生成し、品質予測部１－３に出力する（Ｓｔｅｐ．４）。

本発明の効果を実証するために行った実験とその結果を、図８から図９を用いて説明する。実証実験に用いた移動端末１は、ＬＩＤＡＲを搭載した自律移動ロボットであり、２次元地図上の自己位置情報（Ｘ座標，Ｙ座標）、向き情報（クオータニオンにおける２つの回転情報、２次元地図上の向きθに対して、ｓｉｎ（θ／２）とｃｏｓ（θ／２）を利用）、速度情報（Ｘ座標，Ｙ座標の差分情報、および移動端末で観測されたタイヤの移動量から推測される移動端末正面を基準にした座標系での移動量と、当該移動量を前述の向き情報で２次元地図上の移動量に変換した値）、及び制御指令情報（移動端末のタイヤに対して動作を指示する信号、およびその未来の動作指示信号）を端末情報として収集できる。向き情報として角度情報を用いると、０度と３６０度の間で不整合が生じるため、クオータニオンのように正弦成分と余弦成分をそれぞれ抽出して連続量として扱うことは、機械学習させるうえで有用である。自己位置は、オドメトリとＬＩＤＡＲの測定結果から、Ｒｏｂｏｔ ＯＳのＡＭＣＬ（Ａｄａｐｔｉｖｅ Ｍｏｎｔｅ Ｃａｒｌｏ Ｌｏｃａｌｉｚａｔｉｏｎ）により計算される。

図８は、実証実験を行った屋内環境のマップ情報である。当該マップ情報は、移動端末１が移動した移動経路、ならびに移動端末１が無線通信を行う外部の基地局の位置が含まれる。移動端末１は、おおよそ１０ｍ×４ｍの略Ｌ字型スペースを自動で運行し、端末情報を生成しつつ、通信品質を測定する。ここでは、通信品質情報として、１秒間に計測された到達ビット量であるデータ転送速度（スループット）を用いた。

図９は、移動端末１が第１の通信品質予測を行った結果を２６００秒程度抽出したものである。通信品質学習部１－５は、機械学習としてランダムフォレストを用いた（決定木の数を５００、ｋ分割交差学習法）。ここで、通信品質評価部１－４が取得した通信品質情報を１０分割し、その９／１０を学習に用い、残りの１／１０を端末情報から予測した通信品質との比較に用いた。通信品質情報は、端末情報の１秒後のデータとの間で学習と予測を行った。

図９の横軸は時間、縦軸はスループットである。図９の点線が通信品質の実測値であり、実線が1秒前までの端末情報を用いた予測値である。図９において実測値に予測値が追従しており、移動端末１が端末情報から1秒後の通信品質の予測を行えていることが確認できる。

性能を評価するため、決定係数Ｒ^２を算出した。決定係数はモデルの性能をより効果的に解釈できるようにするため、平均二乗誤差を標準化したものであり、以下のようにあらわせる。

ここで、ｙ^（ｉ）は０．２秒ごとに算出される１秒間でのビット到達量（スループット）を表し、ｙ^（ｉ）のハット添え字がついたものはその予測値、μ_ｙはスループットの平均値となっている。

以下、端末特徴量として、移動端末のＸ，Ｙ座標、Ｘ，Ｙ座標の差分情報（速度）、移動端末向きパラメータ（クォータニオンのｚとｗ；ｃｏｓ（θ／２）とｓｉｎ（θ／２））、向きパラメータの差分情報（回転速度）、移動端末のタイヤ回転速度、移動端末のタイヤ回転速度を２次元地図空間のＸとＹ座標に写像したもの、移動端末のタイヤ回転差分情報（回転速度）、移動端末の正面／背後方向への制御命令情報、移動端末の正面／背後方向への制御命令情報を２次元地図空間のＸとＹ座標に写像したもの、及び移動端末の回転制御命令情報、の１６の特徴量を考える。

そして、これらの特徴量の過去４つ分のサンプル、つまり０．８秒前から現在までの情報に対応する、６４の特徴量［位置／向き／速度／制御情報セット］、このうち４つの制御命令（移動端末の正面／背後方向への制御命令情報、移動端末の正面／背後方向への制御命令情報を２次元地図空間のＸとＹ座標に写像したもの、移動端末の回転制御命令情報）に関して未来の１．０秒後までの情報からなる４×５＝２０の特徴量［計画情報セット］（２００ｍｓごとにデータを得ているので、１秒で５サンプル相当）、および過去１．２秒のスループットおよびＲＳＳＩからなる２×６＝１２の特徴量［通信情報セット］を用いて、１秒後のスループットを予測し、決定係数を算出した。

得られた結果を図１０のテーブルに示す。決定係数は１に近づくほど精度の高い予測が行えたことを表しており、最も多くの９６の特徴量を入力したケースで、０．７８８を得ている。一般に、０．６以上が得られれば、モデル化ができており、０．７以上であればよいモデル化ができると考えられており、１秒先のスループットを予測できていることが確認できる。

ここから、未来の制御命令信号を除去したケースで見ると、０．７８５と若干予測性能が低下する。今回の移動ロボットの運行は、図８で示された定められた運行ルートのみを同じルールで運行しているため、制御命令情報の先取りの効果はそれほど大きくない。これは位置や速度に対して、多くの場合で同じような制御情報が常に生成される傾向にあるためと考えられる。しかしながら、実用されるユースケースにおいて、移動端末の運動に自由度が高い場合、例えば、周囲の障害物が移動していたり、同様に動いている移動端末が周囲に存在する場合、移動端末の制動に対する制御命令はより大きな意味を持ち、通信品質予測性能への向上効果はより大きくなると予測できる。

次に、通信品質の情報を持ちない場合に対応する位置／向き／速度／制御情報セットのみを利用した結果と、逆に過去の通信品質の情報のみを用いた場合の結果を見ると、決定係数はそれぞれ０．６９２、０．６７１となった。過去の通信品質情報から予測するよりも、通信品質情報を全く使わずに、端末の制御情報のみを用いた場合のほうが、予測性能が高いことが確認できる。従来から、通信品質に関する情報のみから将来を予測する方法があるが、これらの情報無しに、位置／向き／速度／制御に関する情報のみから通信品質が予測できることは、定期的に通信品質の確認を行わずに、これから通信を開始する場合の通信品質の予測が可能であることを示しており、本発明による通信品質予測の可用性を高めているといえる。

図１１に、予測ずれの予測を実施した場合の予測された予測ずれと実測された予測ずれをプロットしたものを示す。点線が予測ずれの実測値であり、実線が予測した予測ずれ値である。横軸の値はサンプル数であり、１サンプルあたり、２００ｍｓである。特徴量としては、全ての９６の特徴量を用いて予測し、予測した結果と実測値との間の予測ずれを、さらに同様の９６の特徴量でモデル化し、１秒前までの９６の特徴量で予測ずれを予測した結果となっている。予測ずれは実測値との差の絶対値として評価した。前述の決定係数で評価すると、０．１３２となっており、モデル化ができているとは言えない。しかし、図１１の図を確認するとわかるように、予測ずれが低いと判定している時間において、大きな誤差が生じる可能性が低い。例えば、図中に矢印で示した時間において、低い予測ずれが出力されており、実測値においても大きなずれは生じていない。例えば、通信品質の予測性能に高い要求がある場合には、予測ずれの予測値が低くなる際の特徴量の条件となるように移動端末を運用することができる。また、予測ずれの推定は、時間方向で平均化すると、さらに精度を高めることができ、この実験の例では、図１１は１秒間のスループットに対する予想ずれの絶対値をモデル化して予測した結果であるが、過去３秒間の予測ずれの平均値との間でモデル化すると、決定係数で０．１４１となり、予測性能が高くなることが確認されている。

（他の実施形態）
上述した実施形態における端末をコンピュータで実現するようにしてもよい。その場合、各装置が有する構成要素それぞれを実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現してもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。更に「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでもよい。また上記プログラムは、前述した構成要素の一部を実現するためのものであってもよく、更に前述した構成要素をコンピュータシステムに既に記録されているプログラムとの組み合わせで実現できるものであってもよく、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）やＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等のハードウェアを用いて実現されるものであってもよい。

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１：移動端末
１－０：装置ネットワーク
１－１－１～ｊ：通信部
１－２：端末情報生成部
１－３：通信予測部
１－４：通信評価部
１－５：通信品質学習部
１－６：予測ずれ学習部

Claims (5)

1. 無線通信を行う移動端末であって、
   自身の位置、姿勢、動き、制御情報、カメラ、センサの情報、及び過去の通信情報のうち、少なくとも一つ以上の情報からなる端末情報を生成する端末情報生成部と、
   前記無線通信の通信品質と前記端末情報との間の関係性が学習されて生成された通信品質モデルを用い、現在の前記端末情報から現在又は未来の前記通信品質を推測する通信予測部と、
   前記通信品質を評価し、前記通信品質に対応する時間情報とともに通信品質情報を生成する通信品質評価部と、
   前記通信品質と前記端末情報との間の関係性を学習し、前記通信品質モデルを生成する通信品質学習部と、
   を備え、
   前記端末情報生成部は、
   対応する時間情報とともに前記端末情報を生成すること、及び
   前記通信予測部は、
   前記通信品質評価部が評価した前記通信品質と前記通信予測部が推測した前記通信品質との誤差と、前記端末情報との間の関係性が学習されて生成された、予測ずれモデルを用い、現在の前記端末情報から現在又は未来の前記誤差を推測すること
   を特徴とする移動端末。
2. 前記誤差と前記端末情報との間の関係性を学習し、前記予測ずれモデルを生成する予測ずれ学習部と、
   をさらに備え、
   前記通信品質評価部が前記誤差を測定することを特徴とする請求項１に記載の移動端末。
3. 前記端末情報は、前記移動端末の向きの情報をさらに含み、向きの情報として角度の正弦成分と余弦成分を用いることを特徴とする請求項１又は２に記載の移動端末。
4. 前記端末情報は、前記移動端末の未来の動作に対応する制御計画を少なくとも含むことを特徴とする請求項１から３のいずれかに記載の移動端末。
5. 無線通信品質を予測する通信品質予測方法であって、
   自身の位置、姿勢、動き、制御情報、カメラ、及びセンサの情報、過去の通信情報のうち、少なくとも一つ以上の情報からなる端末情報を生成すること端末情報生成工程、
   前記無線通信の通信品質と前記端末情報との間の関係性が学習されて生成された通信品質モデルを用い、現在の前記端末情報から現在又は未来の前記通信品質を推測する通信予測工程、
   前記通信品質を評価し、前記通信品質に対応する時間情報とともに通信品質情報を生成する通信品質評価工程と、
   前記通信品質と前記端末情報との間の関係性を学習し、前記通信品質モデルを生成する通信品質学習工程と、
   を行い、
   前記端末情報生成工程において、
   対応する時間情報とともに前記端末情報を生成すること、及び
   前記通信予測工程において、
   前記通信品質評価工程で評価した前記通信品質と前記通信予測工程で推測した前記通信品質との誤差と、前記端末情報との間の関係性が学習されて生成された、予測ずれモデルを用い、現在の前記端末情報から現在又は未来の前記誤差を推測すること
   を特徴とする通信品質予測方法。

Images