JP7473843B2 - 状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム - Google Patents
状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム Download PDFInfo
- Publication number
- JP7473843B2 JP7473843B2 JP2022561738A JP2022561738A JP7473843B2 JP 7473843 B2 JP7473843 B2 JP 7473843B2 JP 2022561738 A JP2022561738 A JP 2022561738A JP 2022561738 A JP2022561738 A JP 2022561738A JP 7473843 B2 JP7473843 B2 JP 7473843B2
- Authority
- JP
- Japan
- Prior art keywords
- wireless communication
- communication terminal
- channel
- information
- state
- 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
- 238000000034 method Methods 0.000 title claims description 33
- 238000004891 communication Methods 0.000 claims description 504
- 239000011159 matrix material Substances 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 17
- 238000010801 machine learning Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 13
- 238000012935 Averaging Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000013135 deep learning Methods 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010048669 Terminal state Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Description
本発明は、無線通信端末が送信する電波伝搬に関するチャネル情報やチャネル特徴量を用いて、実世界での無線通信端末やその周辺環境の状態情報を推定すること、具体的には当該状態情報から選択されたターゲット状態情報を推定することにある。
図1は、本実施形態に係る状態推定システム1の全体構成例を示す図である。状態推定システム1は、無線通信端末2やその周辺環境の状態情報を推定する状態推定システムまたは状態推定装置である。
図2は、実世界通信モデルの生成例を示す図である。機械学習のアルゴリズムは、例えば、サポートベクタマシン、ニューラルネットワーク、決定木、勾配ブースティング決定木、ランダムフォレスト、勾配ブーストなど、任意のアルゴリズムを用いることができる。
図3は、実世界通信モデルの入出力例を示す図である。図2において、実世界通信モデルを構築すれば、チャネル特徴量、またはチャネル特徴量および補助情報を用いて、ターゲット状態情報を出力できる。ターゲット状態情報は、前述のとおり、無線通信端末2の物理状態、種類、または周辺のオブジェクト情報、のうち少なくとも一つの情報となる。
図4は、状態推定システム1の動作例を示す図である。この動作例は、第1の無線通信部11aが、第1の無線通信端末2aが第1の無線通信部11aへ送信した無線信号のパイロット信号を用いるか、第1の無線通信端末2aが第1の無線通信部11aまたは他の無線通信部(例えば、第2の無線通信部11b)へ送信した無線信号に含まれるフィードバック信号を用いて、第1の無線通信端末2aに関連するチャネル情報を取得する場合の状態推定方法である。
第1の無線通信部11aは、第1の無線通信端末2aから送信されるチャネル情報のフィードバック情報を含む無線信号またはパイロット信号を受信する。第1の無線通信部11aは、受信したフィードバック情報またはパイロット信号から、第1の無線通信端末2aと自身との間、または第1の無線通信端末2aと第2の無線通信部11bとの間、の電波伝搬に関するチャネル情報を取得する。その後、第1の無線通信部11aは、取得したチャネル情報を、ネットワーク網16を介して入力特徴量生成部12へ出力する。
入力特徴量生成部12は、第1の無線通信部11aから出力されたチャネル情報(第1のチャネル情報)を用いて、第1の無線通信端末2aと第1の無線通信部11aとの間、または第1の無線通信端末2aと第2の無線通信部11bとの間、の電波伝搬に係るチャネル特徴量を生成する。このとき、入力特徴量生成部12は、同じタイミングで第2の無線通信部11bや他の無線通信部など、一つ以上の無線通信部からもチャネル情報(第2のチャネル情報)が出力されていれば、その第2のチャネル情報もあわせて用いて、チャネル特徴量を生成する。その後、入力特徴量生成部12は、生成したチャネル特徴量を実世界通信モデル制御部14の実世界通信モデルに入力する。
補助情報生成部13は、第1の無線通信端末2aの状態情報や、ネットワーク網16を介して収集できるカメラ/センサの情報、および天候などを取得して補助情報として生成することもできる。その後、補助情報生成部13は、生成した補助情報を実世界通信モデル制御部14の実世界通信モデルに入力する。なお、ステップS3は、ステップS2よりも前のタイミングまたは同じタイミングで実行してもよい。
実世界通信モデル制御部14は、実世界通信モデル記憶部15から実世界通信モデルを読み出し、チャネル特徴量、またはチャネル特徴量及び補助情報を当該実世界通信モデルに入力することで、第1の無線通信端末2aの実世界でのターゲット状態情報を出力する。
本実施形態の効果を実証するために行った実験とその実験結果とを図5から図8に示す。図5は、実験エリアの例を示す図である。図6は、その実験エリアで自律走行ロボット6が移動する移動先の目標位置の設定例を示す図である。自己位置を正確に測定可能な自律走行ロボット6にIEEE 802.11acの無線通信端末2を搭載し、図6の第2の無線通信部11bと通信させた。さらに、実験室内に第1の無線通信部11aとして、フィードバック情報を受信可能な無線通信端末を設置した。自律走行ロボット6は、図6中の中央エリアに設定した8つの目標位置をランダムに選択しながら移動し続ける。この位置を第1の無線通信部11aで得られるフィードバック情報から予測した。
第1の方法は、第2の無線通信部11bへのフィードバック情報に含まれる2つのSNR情報と、第1の無線通信部11aにおいて、フィードバック情報を含む信号を受信した際の、2つのアンテナ1と2におけるRSSI情報、の計4つのチャネル特徴量を、200ms毎に取得し、5秒間の時系列データを図7の深層学習で、無線通信端末の位置情報を出力するように訓練し、新たに得られたSNR情報とRSSI情報で、無線通信端末位置を予測した場合の方法である。
第2の方法は、第1の方法に加え、52のサブキャリアに対応する10の角度情報の正弦・余弦情報をチャネル特徴量とし、計1044つのチャネル特徴量を、200ms毎に取得し、5秒間の時系列データを図7の深層学習で、無線通信端末の位置情報を出力するように訓練し、新たに得られたSNR情報とRSSI情報と正弦余弦情報で、無線通信端末位置を予測した場合の方法である。
第3の方法は、第1の方法に加え、52のサブキャリアに対応する10の角度情報から、4×1のV行列を計算し、V行列の実部と虚部の情報(実部4、虚部3)をチャネル特徴量とし、4+7×52=計368のチャネル特徴量を、200ms毎に取得し、5秒間の時系列データを図7の深層学習で、無線通信端末の位置情報を出力するように訓練し、新たに得られたSNR情報とRSSI情報とV行列の要素情報で、無線通信端末位置を予測した場合の方法である。
第4の方法は、第1の方法に加え、全てのサブキャリアのV行列の和をとったうえで、V行列の各列ベクトルが単位ベクトルとなるように各要素を定数で割った、平均V行列の実部と虚部(実部8、虚部6)として得られる4+14=18の要素をチャネル特徴量とし、200ms毎に取得し、5秒間の時系列データを図7の深層学習で、無線通信端末の位置情報を出力するように訓練し、新たに得られたSNR情報とRSSI情報と平均V行列情報で、無線通信端末位置を予測した場合の方法である。
第5の方法は、第4の方法に加え、直流成分から±14のサブキャリアにおけるV行列の要素(実部8、虚部6)を加えた、4+14+14=32の要素をチャネル特徴量とし、200ms毎に取得し、5秒間の時系列データを図7の深層学習で、無線通信端末の位置情報を出力するように訓練し、新たに得られたSNR情報とRSSI情報と平均V行列情報と2つのサブキャリアのV行列で、無線通信端末位置を予測した場合の方法である。
本実施形態によれば、無線通信端末2や無線通信端末の周辺環境の状態を推定する状態推定システム1において、無線通信端末2から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得する無線通信部11と、前記チャネル情報を用いて、チャネル特徴量を生成する入力特徴量生成部12と、前記チャネル特徴量を、無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器や無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルに入力することで、前記無線通信端末や無線通信端末の周辺環境の状態を検出する実世界通信モデル制御部14と、を備えるので、無線通信端末2や無線通信端末の周辺環境の実世界での状態を推定できる。
上述した実施形態における状態推定システムまたは状態推定装置をコンピュータで実現するようにしてもよい。その場合、状態推定システムまたは状態推定装置が備える構成要素のそれぞれを実現するための状態推定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状態推定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。
11:無線通信部
12:入力特徴量生成部
13:補助情報生成部
14:実世界通信モデル制御部
14a:訓練データ生成部
14b:実世界通信モデル生成部
14c:実世界通信モデル利用部
15:実世界通信モデル記憶部
16:ネットワーク網
2:無線通信端末
21:無線通信部
3:カメラ
4:センサ
5:無線通信網
6:自律走行ロボット
901:CPU
902:メモリ
903:ストレージ
904;通信装置
905:入力装置
906:出力装置
Claims (11)
- 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定システムにおいて、
無線通信端末から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得する無線通信装置と、
前記チャネル情報を用いて、チャネル特徴量を生成する生成装置と、
前記チャネル特徴量を、無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器または無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルに入力することで、前記無線通信端末または無線通信端末の周辺環境の状態を検出する検出装置と、を備え、
前記生成装置は、
前記チャネル特徴量として、チャネル行列または前記チャネル行列の相関行列を線形演算して得られるユニタリ行列を生成する状態推定システム。 - 前記生成装置は、
前記チャネル特徴量として、受信電力、チャネル行列、前記チャネル行列の相関行列、前記チャネル行列または前記相関行列を複数の周波数に対応付けて線形演算して得られる演算行列、前記チャネル行列または前記相関行列を線形演算して得られる対角行列、前記チャネル行列と前記相関行列と前記演算行列と前記ユニタリ行列と前記対角行列とのうちいずれか1つ以上の行列の位相、振幅、実数成分、虚数成分、送信モード情報のうちいずれか1つ以上を生成する請求項1に記載の状態推定システム。 - 前記生成装置は、
前記無線通信装置以外の第2の無線通信装置が受信した前記無線通信端末からの通信信号から取得した複数の周波数チャネルのチャネル情報を用いて、異なる周波数に対するチャネル情報から線形演算して得られる情報を、平均化して得られる情報を生成する請求項1または2に記載の状態推定システム。 - 前記無線通信装置は、
前記無線通信端末から、前記無線通信装置以外の第2の無線通信装置へ送信されたチャネル情報を含む通信信号を受信し、
前記生成装置は、
前記無線通信端末から受信した当該通信信号の受信電力と、当該通信信号に含まれる前記無線通信端末と前記第2の無線通信装置との間のチャネル情報とを用いて、チャネル特徴量を生成する請求項1ないし3のいずれかに記載の状態推定システム。 - 前記実世界通信モデルは、
前記無線通信端末の状態、前記無線通信端末の種類、前記無線通信端末の周辺に位置するオブジェクトのうちいずれか1つ以上の情報をラベル付けした訓練データと、無線通信機器間の電波伝搬に関するチャネル特徴量と、の関係性を学習し、入力されたチャネル特徴量に対応するラベル付けされた情報を出力するように訓練するモデルである請求項1ないし4のいずれかに記載の状態推定システム。 - 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定システムにおいて、
無線通信端末から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得する無線通信装置と、
前記チャネル情報を用いて、チャネル特徴量を生成する生成装置と、
前記チャネル特徴量を、無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器または無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルに入力することで、前記無線通信端末または無線通信端末の周辺環境の状態を検出する検出装置と、を備え、
前記生成装置は、
前記無線通信装置以外の第2の無線通信装置が受信した前記無線通信端末からの通信信号から取得した複数の周波数チャネルのチャネル情報を用いて、異なる周波数に対するチャネル情報から線形演算して得られる情報を、平均化して得られる情報を生成する状態推定システム。 - 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定システムにおいて、
無線通信端末から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得する無線通信装置と、
前記チャネル情報を用いて、チャネル特徴量を生成する生成装置と、
前記チャネル特徴量を、無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器または無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルに入力することで、前記無線通信端末または無線通信端末の周辺環境の状態を検出する検出装置と、を備え、
前記無線通信装置は、
前記無線通信端末から、前記無線通信装置以外の第2の無線通信装置へ送信されたチャネル情報を含む通信信号を受信し、
前記生成装置は、
前記無線通信端末から受信した当該通信信号の受信電力と、当該通信信号に含まれる前記無線通信端末と前記第2の無線通信装置との間のチャネル情報とを用いて、チャネル特徴量を生成する状態推定システム。 - 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定システムにおいて、
無線通信端末から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得する無線通信装置と、
前記チャネル情報を用いて、チャネル特徴量を生成する第1の生成装置と、
前記無線通信端末の物理的な状態、前記無線通信端末の種類、前記無線通信端末の周辺環境のうちいずれか1つ以上の状態情報を測定する測定装置と、
前記状態情報のうち少なくとも1つの状態情報を検出するべき前記無線通信端末の状態となるターゲット状態情報とし、前記ターゲット状態情報以外で検出に用いる情報を補助情報とした、訓練データを生成する第2の生成装置と、
前記訓練データを用いて、前記ターゲット状態情報を出力する実世界通信モデルを生成する第3の生成装置と、を備え、
前記第1の生成装置は、
前記チャネル特徴量として、チャネル行列または前記チャネル行列の相関行列を線形演算して得られるユニタリ行列を生成する状態推定システム。 - 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定方法において、
無線通信装置が、無線通信端末から送信される通信信号を無線で受信し、前記通信信号から前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を取得するステップを行い、
生成装置が、前記チャネル情報を用いて、チャネル特徴量を生成するステップを行い、
検出装置が、前記チャネル特徴量を、無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器または無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルに入力することで、前記無線通信端末または無線通信端末の周辺環境の状態を検出するステップを行い、
前記生成するステップでは、
前記チャネル特徴量として、チャネル行列または前記チャネル行列の相関行列を線形演算して得られるユニタリ行列を生成する状態推定方法。 - 無線通信端末または無線通信端末の周辺環境の状態を推定する状態推定装置において、
無線通信機器間の電波伝搬に関するチャネル特徴量と無線通信機器または無線通信端末の周辺環境の状態との関係性を機械学習によりモデル化した実世界通信モデルを記憶しておく記憶部と、
無線通信端末から無線で送信される通信信号から取得した前記無線通信端末と自身との間の電波伝搬に関するチャネル情報を用いて、チャネル特徴量を生成する生成部と、
前記チャネル特徴量を前記実世界通信モデルに入力することで、前記無線通信端末または無線通信端末の周辺環境の状態を検出する検出部と、を備え、
前記生成部は、
前記チャネル特徴量として、チャネル行列または前記チャネル行列の相関行列を線形演算して得られるユニタリ行列を生成する状態推定装置。 - 請求項10に記載の状態推定装置としてコンピュータを機能させる状態推定プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/041956 WO2022101997A1 (ja) | 2020-11-10 | 2020-11-10 | 状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022101997A1 JPWO2022101997A1 (ja) | 2022-05-19 |
JP7473843B2 true JP7473843B2 (ja) | 2024-04-24 |
Family
ID=81600914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022561738A Active JP7473843B2 (ja) | 2020-11-10 | 2020-11-10 | 状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7473843B2 (ja) |
WO (1) | WO2022101997A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012095051A (ja) | 2010-10-26 | 2012-05-17 | Toshiba Corp | 基地局装置、端末移動推定方法及びプログラム |
JP2017526200A (ja) | 2014-06-26 | 2017-09-07 | インテル コーポレイション | 圧縮構成識別 |
JP2018148297A (ja) | 2017-03-02 | 2018-09-20 | 日本電信電話株式会社 | 通信制御方法、通信システム及び通信制御装置 |
JP2019140582A (ja) | 2018-02-13 | 2019-08-22 | 日本電信電話株式会社 | 無線通信システム、無線通信方法、基地局及び端末 |
JP2020511655A (ja) | 2017-03-15 | 2020-04-16 | シグフォックス | 無線通信システムの端末を位置特定する方法およびシステム |
JP2020128987A (ja) | 2014-07-17 | 2020-08-27 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線測位システム |
-
2020
- 2020-11-10 JP JP2022561738A patent/JP7473843B2/ja active Active
- 2020-11-10 WO PCT/JP2020/041956 patent/WO2022101997A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012095051A (ja) | 2010-10-26 | 2012-05-17 | Toshiba Corp | 基地局装置、端末移動推定方法及びプログラム |
JP2017526200A (ja) | 2014-06-26 | 2017-09-07 | インテル コーポレイション | 圧縮構成識別 |
JP2020128987A (ja) | 2014-07-17 | 2020-08-27 | オリジン ワイヤレス, インコーポレイテッドOrigin Wireless, Inc. | 無線測位システム |
JP2018148297A (ja) | 2017-03-02 | 2018-09-20 | 日本電信電話株式会社 | 通信制御方法、通信システム及び通信制御装置 |
JP2020511655A (ja) | 2017-03-15 | 2020-04-16 | シグフォックス | 無線通信システムの端末を位置特定する方法およびシステム |
JP2019140582A (ja) | 2018-02-13 | 2019-08-22 | 日本電信電話株式会社 | 無線通信システム、無線通信方法、基地局及び端末 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022101997A1 (ja) | 2022-05-19 |
WO2022101997A1 (ja) | 2022-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | Deepsense: Device-free human activity recognition via autoencoder long-term recurrent convolutional network | |
US11536574B2 (en) | System and method for acceleration-based vector field maps | |
JP2021506149A (ja) | 無線信号の特性の機械学習に基づく動き検出 | |
US11755886B2 (en) | Passive positioning with radio frequency sensing labels | |
CN107407566A (zh) | 基于vlc的矢量场指纹映射 | |
US20200005810A1 (en) | Robot and operating method thereof | |
CN112907658A (zh) | 视觉定位评估方法和电子设备 | |
WO2017056777A1 (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
CN112384755A (zh) | 用于传感器方位确定的方法和装置 | |
CN110574041B (zh) | 针对深度学习领域的协同激活 | |
US20220223050A1 (en) | Electronic device controlling a plurality of external electronic devices performing resource offloading, and a control method thereof | |
JP7473843B2 (ja) | 状態推定システム、状態推定方法、状態推定装置、および、状態推定プログラム | |
Liu et al. | Deep-learning-based wireless human motion tracking for mobile ship environments | |
Saeed et al. | CellStory: Extendable cellular signals-based floor estimator using deep learning | |
WO2017056774A1 (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
JP2024507300A (ja) | WLANセンシングフィールドのためのマルチバンドWi-Fi融合 | |
Luo et al. | Indoor Smartphone SLAM With Acoustic Echoes | |
CN113366485A (zh) | 通过与导航相关的感测进行认证 | |
Naveed et al. | Smart indoor Positioning Model for Deterministic Environment | |
Casado et al. | Robust heading estimation in mobile phones | |
US11906647B2 (en) | Person location determination using multipath | |
JP7481654B2 (ja) | モデル利用制御システム、モデル利用制御方法、モデル利用制御装置、および、モデル利用制御プログラム | |
US12022358B2 (en) | Self-supervised passive positioning using wireless data | |
KR102566617B1 (ko) | 인공지능 모델을 기반으로 재난을 감지하는 방법 및 이를 수행하는 전자 장치 | |
WO2022244112A1 (ja) | 位置推定装置、位置推定方法、及び、位置推定プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240219 |
|
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: 20240312 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240325 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7473843 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |