WO2014155602A1

WO2014155602A1 - 端末装置、位置推定方法、位置推定システム及びプログラム

Info

Publication number: WO2014155602A1
Application number: PCT/JP2013/059237
Authority: WO
Inventors: 彬陳
Original assignee: 富士通株式会社
Priority date: 2013-03-28
Filing date: 2013-03-28
Publication date: 2014-10-02
Also published as: JPWO2014155602A1; EP2981136A4; EP2981136B1; US20150358781A1; US9503855B2; EP2981136A1; JP6086148B2

Abstract

　複数の基地局と通信可能な携帯端末は、複数の基地局からの受信信号に基づき推定した携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込み、絞り込んだ候補位置の中から受信信号強度の観測確率に基づき携帯端末の位置を推定するように構成する。

Description

端末装置、位置推定方法、位置推定システム及びプログラム

　本発明は、端末装置、位置推定方法、位置推定システム及びプログラムに関する。本発明は、プログラムを格納したコンピュータ読取可能な記憶媒体にも関する。

　携帯端末が複数の基地局と無線で交信して、各基地局からの距離に応じて携帯端末における電波の受信信号強度が減衰することを利用して、携帯端末のある場所を推定する位置推定技術が提案されている。基地局は、例えばWiFi（Wireless Fidelity, 登録商標）を用いるアクセスポイント（AP: Access Point）である。

　このような位置推定技術では、携帯端末が、事前に各場所で受信した基地局の識別子（ID: Identifier）と受信信号強度（RSSI: Received Signal Strength Indicator）を収集する。各場所で受信した複数の基地局のIDとRSSIの数値から、各場所について一意に求まるRSSI特徴ベクトルを作成して、場所毎に場所モデルを作成する。場所モデルとは、どの場所でどの基地局から、電波をどの程度の信号強度で受信するかを示すデータベースである。場所を推定する時には、携帯端末が基地局から受信した電波のRSSIを場所モデルと照合して、携帯端末のある場所と推定する。場所モデルは、一般的に以下に説明するK近傍法（k-NN: k-Nearest Neighbor algorithm）、確率分布に基づく確率法、及びノンパラメトリック法及びパターンマッチング法等の方法で作成できる。

　K近傍法は、先ず、各場所で収集したRSSI特徴ベクトルと場所名とのペアをデータベースに格納する。次に、場所推定の際に、新たに観測したRSSI特徴ベクトルとデータベース中のサンプルとを照合して、K個の近傍サンプルを抽出する。最後に、K個の近傍サンプルを投票して場所を決める。

　しかし、K近傍法では、サンプル数が多いため、サンプルを格納するために大容量のデータベースが必要となる。携帯端末側にこのような大容量のデータベースを格納することは難しい。また、サンプル数が多いため、新たに観測したRSSI特徴ベクトルとデータベース中のサンプルとを照合する処理に時間がかかる。さらに、APの新設、撤去、移動、場所内の家具などのレイアウト変更などでRSSIが変化した場合、データベースのオンライン更新は難しいので、例えば構築済みのデータベースを廃棄して新たなデータベースを構築するなどの対策が必要となる。

　確率分布に基づく確率法には、例えばパラメトリック方式とノンパラメトリック方式がある。

　パラメトリック方式は、同じ場所で携帯端末を色々な持ち方にして収集したRSSI特徴ベクトルのサンプルを、ある統計的モデルに当てはめてモデルパラメータを計算する。例えば、場所毎のサンプル分布の平均と共分散がこの種の場所モデルのパラメータとなる。携帯端末の場所推定を行う際に、新たに観測したRSSI特徴ベクトルを各場所のRSSIの分布に当てはめ、その場所で観測する場合の観測確率を計算する。観測確率が最大となる場所は、推定場所として出力する。

　しかし、パラメトリック方式では、場所推定の際に、新たに観測したRSSI特徴ベクトルの観測確率を全ての場所モデルについて計算する必要がある。このため、候補場所が多い場合、計算する処理に時間がかかる。また、K近傍法の場合と同様に、場所モデルのオンライン更新は難しい。さらに、場所の推定は、確率の相対評価である（即ち、確率が最大となる場所を出力する）ため、携帯端末が学習した場所以外にある場合への対応ができない。

　ノンパラメトリック方式は、場所モデルのパラメータに平均と共分散を利用するのではなく、RSSIの強度レベルの観測頻度ヒストグラムを利用する。一般的に、RSSIの値は、周囲の壁や障害物などにより電波が反射されたり遮蔽されるため、RSSIの値は変化する。このため、単純な平均と共分散のような場所モデルのパラメータでRSSI分布を正確に表すことは難しい。そこで、RSSIの強度レベルの観測頻度ヒストグラムを確率分布として利用することで、より正確な場所モデルを生成することができる。具体的には、携帯端末の場所推定を行う際に、新たに観測したRSSI特徴ベクトルの観測確率をRSSI強度ヒストグラムに基づいて計算し、観測確率が最大となる場所を推定場所として出力する。

　しかし、ノンパラメトリック方式では、場所推定の際に、新たに観測したRSSI特徴ベクトルの観測確率を全ての場所モデルについて計算する必要がある。このため、候補場所が多い場合、計算する処理に時間がかかる。また、場所モデルのオンライン更新は難しい。さらに、場所の推定は、確率の相対評価である（即ち、確率が最大となる場所を出力する）ため、携帯端末が学習した場所以外にある場合への対応ができない。

　パターンマッチング法は、上記の確率法に比べてより複雑な場所モデルを利用して、RSSIの分布をより正確にモデリングする。パターンマッチング法には、例えば人工ニューラルネットワーク（ANN: Artificial Neural Network）、サポートベクトルマシン（SVM: Support Vector Machine）、ガウシアンプロセス（GP: Gaussian Process）などがある。

　しかし、パターンマッチング法では、観測したRSSI特徴ベクトルを多くの場所モデルと照合する必要があり、計算する処理に時間がかかり、計算コストが高くなる。また、場所モデルのオンライン更新は難しい。さらに、APが新設、撤去、移動、場所内の家具などのレイアウト変更などがされた場合には、場所モデルを再学習する必要がある。

特開２０１０－２３９３３１号公報特開２０１１－１７９９４６号公報

Teemu Roos et al., "A Probabilistic Approach to WLAN User Location Estimation", International Journal of Wireless Information Networks, Vol. 9, No. 3, July 2002 Ville Honkavirta et al., "A Comparative Survey of WLAN Location Fingerprinting Methods", Proc. of the 6th Workshop on Positioning, Navigation and Communication 2009 (WPNC'09), Pages 243-251

　従来の位置推定方法では、例えば数万個以上の大量の候補場所から携帯端末のある場所を推定する場合、処理に時間がかかり、場所の推定を高速に行うことは難しい。

　そこで、本発明は、携帯端末のある場所を高速に推定することが可能な端末装置、位置推定方法、位置推定システム及びプログラムを提供することを目的とする。

　本発明の一観点によれば、複数の基地局と通信可能な携帯端末であって、前記複数の基地局からの受信信号に基づき推定した前記携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込む絞り込み手段と、絞り込んだ候補位置の中から受信信号強度の観測確率に基づき前記携帯端末の位置を推定する推定手段を備えた携帯端末が提供される。

　開示の端末装置、位置推定方法、位置推定システム及びプログラムによれば、携帯端末のある場所を高速に推定することができる。

一実施例における携帯端末の一例の構成を示すブロック図である。複数のAPと携帯端末が存在し得る場所の関係の一例を説明する図である。携帯端末の位置推定処理の一例を説明するフローチャートである。全領域内AP情報リストのデータ構造の一例を示す図である。候補場所リスト作成処理の一例を説明するフローチャートである。第１段階観測確率計算処理の一例を説明するフローチャートである。場所モデルのデータ構造の一例を示す図である。第２段階観測確率計算処理の一例を説明するフローチャートである。 AP状態の確率とAP状態の関係の一例を示す図である。複数の場所におけるAP状態の一例を示す図である。 AP欠損確率と候補場所のRSSIの強度レベルの関係の一例を示す図である。複数の場所におけるRSSIの強度レベルの一例を示す図である。候補場所リストの段階的な絞り込みを説明する図である。一実施例における位置推定システムの動作の一例を説明する図である。サーバが実行する場所モデルの学習処理の一例を説明する図である。場所モデル（確率情報）の学習処理の一例を説明するフローチャートである。場所とAPiのリンク処理の一例を説明するフローチャートである。場所モデル（閾値情報）の学習処理の一例を説明するフローチャートである。

　開示の端末装置、位置推定方法、位置推定システム及びプログラムでは、複数の基地局からの受信信号に基づき推定した携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込み、絞り込んだ候補位置の中から受信信号強度の観測確率に基づき位置を推定する。

　以下に、開示の端末装置、位置推定方法、位置推定システム及びプログラムの各実施例を図面と共に説明する。

　図１は、一実施例における携帯端末の一例の構成を示すブロック図である。図１に示す携帯端末１は、通信機能を備えた端末装置の一例であり、例えば携帯電話などであっても良い。携帯端末１は、CPU（Central Processing Unit）１１、記憶部１２、入力部１３、表示部１４、及び通信部１５がバス１６で接続された構成を有するが、バス１６による接続に限定されるものではない。

　CPU１１は、コンピュータまたはプロセッサの一例である。CPU１１は、携帯端末１全体の制御を司り、プログラムを実行することで後述する位置推定処理などを実行する。記憶部１２は、CPU１１が実行するプログラム、CPU１１が実行する演算の中間結果、CPU１１が実行するプログラム及び演算で用いるデータなどを格納する。記憶部１２は、コンピュータ読み取り可能な記憶媒体で形成可能である。コンピュータ読み取り可能な記憶媒体は、半導体記憶装置であっても良い。また、コンピュータ読み取り可能な記憶媒体が磁気記録媒体、光記録媒体、光磁気記録媒体などの場合、記憶部１２はロードされた記録媒体に対して情報の読み書きを行うリーダ・ライタで形成可能である。

　入力部１３は、キーボードなどで形成可能であり、例えば携帯端末１にコマンド、データなどを入力する際に操作される。表示部１４は、例えばLCD（Liquid Crystal Display）により形成可能であり、ガイダンス、メッセージなどを表示する。入力部１３及び表示部１４は、一体的に設けられていても良く、例えばタッチパネルなどで形成されていても良い。通信部１５は、外部装置（図示せず）と無線で通信可能な無線通信機能を備え、受信機、送信機、アンテナなどを含む周知の構成を有する。この例では、通信部１５は例えばWiFiを用いるアクセスポイント（AP: Access Point）と通信可能である。APは、基地局の一例である。

　図２は、複数のAPと、携帯端末が存在し得る場所の関係の一例を説明する図である。図２に示す例では、複数のAP1～AP5が場所L1, L2をカバーしており、ユーザが保持する携帯端末１は場所L1内に存在する。携帯端末１の受信信号強度（RSSI）は、AP1からがRSSI-1、AP2からがRSSI-2、AP3からがRSSI-3、AP4からがRSSI-4、及びAP5からがRSSI-5である。

　図３は、携帯端末の位置推定処理の一例を説明するフローチャートである。図３に示す位置推定処理は、CPU１１により実行可能である。図３において、ステップＳ１では、通信部１５を介して各SPからのWiFiデータ（以下、「WiFiスキャンデータ」とも言う）をスキャンして、各APのマックアドレス（MAC address: Media Access Control address）とRSSIを取得して、RSSI特徴ベクトルを作成すると共に、記憶部１２に格納された全域内AP情報リスト１００を参照して、全域内AP情報リスト１００に無い未学習のAPを除外する。図４は、全領域内AP情報リストのデータ構造の一例を示す図である。図４に示す全域内AP情報リスト１００には、各APに便宜上割り当てられたAP番号１，２，．．．に対し、各APのMACアドレスM1, M2, …及びAPのカバー場所リストが格納されている。APのカバー場所リストには、場所名L1, L2, L3, …などが格納されている。

　全域内AP情報リスト１００は、例えば以下に説明するように、WiFiスキャンデータから取得した情報に基づいて作成することができる。最初は、空の全域内AP情報リスト１００を用意する。その後、全域内AP情報リスト１００を検索して、WiFiスキャンデータのソースであるAP（または、チェックインAP）が新しければ、チェックインAPのMACアドレスを全域内AP情報リスト１００に追加する。同時に、このチェックインAPのカバー場所リストにチェックインした場所名を追加する。チェックインAPが全域内AP情報リスト１００の中に既に格納されている場合、このチェックインAPのカバー場所リストを検索して、チェックイン場所名が新しければ、チェックイン場所名をカバー場所リストに追加する。

　ステップＳ２では、図４の全域内AP情報リスト１００を参照して、検索したAPの全てのカバー場所を候補場所として、候補場所リストを作成し、記憶部１２に格納する。

　図５は、ステップＳ２の候補場所リスト作成処理の一例を説明するフローチャートである。図５において、ステップＳ２１では、ステップＳ２２以降の処理を各APiに対して実行する。ステップＳ２２では、図４の全域内AP情報リスト１００を参照して、AP_iのカバー場所リストを抽出する。ステップＳ２３では、AP_iのカバー場所リストの全ての場所メンバを候補場所リスト１０１への追加する処理を行う。ただし、場所メンバが候補場所リスト１０１への追加済みであれば、ステップＳ２３はスキップする。ステップＳ２４では、全APiに対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ２１へ戻り、判定結果がＹＥＳであると処理は図３のステップＳ３へ進む。

　図３において、ステップＳ３では、候補場所リスト１０１の各メンバに対して、WiFiスキャンデータのソースであるAPの第１段階観測確率を計算する。図６は、ステップＳ３の第１段階観測確率計算処理の一例を説明するフローチャートである。図７は、場所モデルのデータ構造の一例を示す図である。図７に示す場所モデル２００には、場所番号、場所名、場所内で使用する第２段階観測確率の閾値、及び観測可能なAPリストが格納されている。観測可能なAPリストには、MACアドレスに対し、欠損確率、観測確率、APが観測された場合のRSSIの強度レベル別観測確率などが格納されている。図７は、例えばAPが観測された場合のRSSIの強度レベル数が４であり、観測可能なAPのリストの長さが例えば３の場合を示す。場所モデル２００は、例えば記憶部１２に格納される。なお、観測可能なAPリストは、場所モデル２００の確率情報部分を含むため、図３では「場所モデル（確率情報）」として示されている。一方、観測可能なAPリスト以外の部分は、場所モデル２００の各場所で使用する第２段階観測確率の閾値情報部分を含むため、図３では「場所モデル（閾値情報）」として示されている。

　図６において、ステップＳ３１は、ステップＳ３２以降の処理を各候補場所に対して実行する。ステップＳＳ３２は、ステップＳ３３以降の処理を各APiに対して実行する。ステップＳ３４では、図７に示す場所モデル２００の候補場所の観測可能なAPリストを検索し、AP_iがこの観測可能なAPリストにあれば、事前に学習した観測確率を取得する。一方、APiがこの観測可能なAPリストの中に無ければ、事前に設定した例えば比較的小さな定数をAP_iの観測確率とする。ステップＳ３４では、AP_iの観測確率を記憶部１２に格納された観測確率の積に累積する。ステップＳ３４では、全APiに対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ３２へ戻り、判定結果がＹＥＳであると処理はステップＳ３５へ進む。

　ステップＳ３５では、図７に示す場所モデル２００の候補場所の観測可能なAPリストを抽出する。ステップＳ３６では、各観測可能なAPに対してステップＳ３７以降の処理を実行する。ステップＳ３７では、WiFiスキャンデータ（AP1(MAC, RSSI), …）を検索して、観測可能なAPが欠損であるか否かを判定する。観測可能なAPのMACアドレスがWiFiスキャンデータの中に無いと、欠損であると判定してステップＳ３７の判定結果はＮＯとなり、処理はステップＳ３６へ戻る。一方、ステップＳ３７の判定結果がＹＥＳであると、ステップＳ３８では、欠損である観測可能なAPの欠損確率を場所モデル２００から抽出し、欠損確率を記憶部１２に格納された欠損確率の積に累積する。ステップＳ３９では、観測可能な全APに対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ３６へ戻る。

　ステップＳ３９の判定結果がＹＥＳであると、ステップＳ３９１では、記憶部１２に格納された観測確率の積と欠損確率の積の値の積を計算する。ステップＳ３９２では、ステップＳ３９１で計算した値の積を、候補場所の第１段階観測確率として、候補場所とペアリングして記憶部１２に格納する。ステップＳ３９３では、全候補場所に対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ３１へ戻り、判定結果がＹＥＳであると処理は図３のステップＳ４へ進む。

　図３において、ステップＳ４では、第１段階観測確率の下位の候補場所を切り捨て、候補場所を絞り込む。ステップＳ５では、絞り込んだ候補場所に対して、RSSI特徴ベクトルに基づき第２段階観測確率を計算する。図８は、ステップＳ５の第２段階観測確率計算処理の一例を説明するフローチャートである。

　図８の第２段階観測確率計算処理は、ステップＳ３で計算した第１段階観測確率によってステップＳ４において絞り込んだ候補場所リストを対象とする。ステップＳ５１では、ステップＳ５２以降の処理を各候補場所に対して実行する。ステップＳ５２では、ステップＳ５３以降の処理を各APiに対して実行する。ステップＳ５３では、場所モデル２００を参照して、AP_iのMACアドレスが候補場所の観測可能なAPリストにあれば、AP_iのRSSIから強度レベルを計算して、AP_i が観測された場合のRSSIの強度レベル別観測確率を場所モデル２００から取得する。一方、AP_iのMACアドレスが候補場所の観測可能なAPリストに無ければ、事前に設定した例えば比較的小さな固定値をAP_iが観測された場合のRSSIの強度レベル別観測確率とする。

　ステップＳ５４では、AP_iが観測された場合のRSSIの強度レベル別観測確率を、記憶部１２に格納された強度レベル別観測確率の積へ積算する。ステップＳ５５では、全AP_iに対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳ５２へ戻り、判定結果がＹＥＳであると処理はステップＳ５６へ進む。ステップＳ５６では、ステップＳ３で計算した欠損確率の積を、強度レベル別観測確率の積と積算し、記憶部１２に格納する。ステップＳ５７では、ステップＳ５６で計算した積を第２段階観測確率と定義して、候補場所とペアリングして記憶部１２に格納する。ステップＳ５８では、全候補場所に対する処理が終了したか否かを判定し、判定結果がＮＯであると処理はステップＳ５１へ戻り、判定結果がＹＥＳであると処理は図３のステップＳ６へ進む。

　図３において、ステップＳ６では、第２段階確率が最大である候補場所を抽出（または、選択）する。ステップＳ７では、図７に示す場所モデル２００を参照して、第２段階確率が最大である候補場所の閾値を用いて、第２段階確率が閾値未満であれば携帯端末１が最終候補場所におらず携帯端末１の場所は不明であり、第２段階確率が閾値以上であれば携帯端末１が最終候補場所にあると判定する。

　ステップＳ８では、携帯端末１のある場所、または、携帯端末１の場所がわからないという判定結果を出力し、位置推定処理は終了する。ステップＳ８で出力される判定結果は、例えば携帯端末１の位置を利用したサービスを提供するアプリケーションなどへ出力しても良い。

　CPU１１は、ステップＳ１～Ｓ５の処理（または、手順）を実行することで、複数の基地局からの受信信号に基づき推定した携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込む絞り込み手段として機能しても良い。また、CPU１１は、ステップＳ６，Ｓ７の処理（または、手順）を実行することで、絞り込んだ候補位置の中から受信信号強度の観測確率に基づき携帯端末の位置を推定する推定手段として機能しても良い。

　本実施例では、携帯端末１の場所を高速に推定するために、候補場所リスト１０１を段階的に狭め、最終的に１つの候補場所に絞り込む。そして最後に、この最終候補場所について、携帯端末１が確かに最終候補場所にあるか否かを最終的に判定する。

　上記の如く、第１段階では、比較的粗い情報に基づいてRSSI特徴ベクトルの観測確率を計算する。先ず、観測した全域内AP情報リスト１００から候補場所リスト１０１を作成し、場所モデル２００の中にあるAPの観測確率と欠損確率を利用して、第１段階観測確率計算を行う。つまり、第１段階では、図９に示す如き欠損と観測の２つのAP状態の情報だけを用いて場所確率を計算することができ、計算された場所確率に基づき候補場所リスト１０１に第１の絞り込みを施し、携帯端末１のありそうな場所を推定する。図９中、縦軸はAP状態の確率（または、頻度）を任意単位で示し、横軸はAP状態（欠損、観測）を示す。AP状態が欠損である確率（または、頻度）は、場所毎に異なるため、予め求めた欠損の発生確率を用いて場所確率を計算する。図１０は、複数の場所におけるAP状態の一例を示す図である。図１０では、AP1～AP5は図２と同様の位置に配置されているものとする。図９は、図１０に示す場所L1, L2におけるAP状態をAP状態の確率について示す。

　第１段階において、例えばAP1, AP3, AP5からのWiFiスキャンデータを観測した場合の段階確率ｐ（第１段階確率）は、例えば次のようになる。
ｐ（場所L1｜スキャンデータ）＝ｐ（AP1=観測｜場所L1）
　　　　　　　　　　　　　　　ｐ（AP2=欠損｜場所L1）
　　　　　　　　　　　　　　　ｐ（AP3=観測｜場所L1）
　　　　　　　　　　　　　　　ｐ（AP4=欠損｜場所L1）
　　　　　　　　　　　　　　　ｐ（AP5=観測｜場所L1）
ｐ（場所L2｜スキャンデータ）＝ｐ（AP1=観測｜場所L2）
　　　　　　　　　　　　　　　ｐ（AP2=欠損｜場所L2）
　　　　　　　　　　　　　　　ｐ（AP3=観測｜場所L2）
　　　　　　　　　　　　　　　ｐ（AP4=欠損｜場所L2）
　　　　　　　　　　　　　　　ｐ（AP5=観測｜場所L2）
　第２段階では、第１段階観測確率が上位に位置する候補場所に対して、RSSIの強度レベルの観測確率とAP欠損確率に基づき第２段階観測確率を計算する。つまり、第２段階では、第１段階で絞り込まれた携帯端末１のありそうな場所に対して、例えば図１１に示す如き候補場所のRSSIの強度レベルの観測確率とAP欠損確率に基づき場所確率を計算し、候補場所リスト１０１を、計算された場所確率がある値以上の比較的大きなものにさらに絞る第２の絞り込みを施す。図１１中、縦軸はAP欠損確率を任意単位で示し、横軸は候補場所のRSSIの強度レベルを任意単位で示す。図１２は、複数の場所におけるRSSIの強度レベルの一例を示す図である。図１２では、AP1～AP5は図２と同様の位置に配置されているものとする。図１１は、図１２に示す場所L1, L2におけるRSSIの強度レベルをAP状態の確率について示す。

　第２段階において、例えばAP1, AP3, AP5からのWiFiスキャンデータを観測した場合の段階確率ｐ（第２段階確率）は、AP1, AP3, AP5からのRSSの強度レベルを夫々E, C, Fとすると、例えば次のようになる。
ｐ（場所L1｜スキャンデータ）＝ｐ（RSSI_AP1=E｜場所L1）
　　　　　　　　　　　　　　　ｐ（   AP2=欠損｜場所L1）
　　　　　　　　　　　　　　　ｐ（RSSI_AP3=C｜場所L1）
　　　　　　　　　　　　　　　ｐ（   AP4=欠損｜場所L1）
　　　　　　　　　　　　　　　ｐ（RSSI_AP5=F｜場所L1）
ｐ（場所L2｜スキャンデータ）＝ｐ（RSSI_AP1=E｜場所L2）
　　　　　　　　　　　　　　　ｐ（   AP2=欠損｜場所L2）
　　　　　　　　　　　　　　　ｐ（RSSI_AP3=C｜場所L2）
　　　　　　　　　　　　　　　ｐ（   AP4=欠損｜場所L2）
　　　　　　　　　　　　　　　ｐ（RSSI_AP5=F｜場所L2）
　第３段階では、第２段階観測確率が最大である候補場所について、携帯端末１がその第２段階観測確率が最大である候補場所にあるか否かを最終的に判定する。つまり、第２の絞り込みで絞り込まれた最終候補場所について、第２段階観測確率を学習した閾値と比較し、閾値以上であればその最終候補場所を携帯端末１のある場所と判定し、閾値未満であると携帯端末１のある場所は不明であると判定する。学習した閾値は、後述するように、例えばAPの欠損確率とRSSIの強度レベルの確率分布に基づき計算した場所確率の値の平均と標準偏差から計算したものである。これにより、図１３に示すように、候補場所リスト１０１が第１の絞り込み及び第２の絞り込みを経て、最終的に第２段階観測確率が最大である候補場所に絞り込まれる。

　次に、本実施例における位置推定システムの一例を、図１４と共に説明する。図１４は、本実施例における位置推定システムの動作の一例を説明する図である。図１４に示す位置推定システム２０は、携帯端末１と、携帯端末１と無線通信を行えるサーバ２１を有する。サーバ２１は、携帯端末１からチェックインしたデータ（以下、「チェックインデータ」とも言う）を用いて、場所モデル２００を学習できる。携帯端末１が、サーバ２１からダウロードした場所モデル２００に基づいて、新たに観測したRSSI特徴ベクトルに基づいて位置推定処理を行う。なお、サーバ２１は、プロセッサ及び記憶部を備えた周知の構成を有し、例えば図１に示す携帯端末１と同様の構成を有しても良いため、サーバ２１の構成の図示及び説明は省略する。

　図１４において、ステップＳＴ１では、携帯端末１がWiFiスキャンデータから各APのMACアドレスとRSSIを取得してをチェックインデータを取得する。ステップＳＴ２では、携帯端末１がチェックインデータをサーバ２１へ送信する。

　ステップＳＴ２１では、サーバ２１が携帯端末１からのチェックインデータを受信してサーバ２１の記憶部内のチェックインデータファイル３００に保存する。チェックインデータをチェックインデータファイル３００に保存してから一定期間が経過すると、ステップＳＴ２２では、サーバ２１がチェックインデータファイル３００をサーバ２１の記憶部から読み込み、場所モデル２００の学習処理を実行する。

　場所モデル２００の学習処理には、場所モデル２００の確率情報部分の学習と、場所モデル２００の閾値情報部分の学習の、２段階の学習がある。確率情報部分の学習では、チェックインデータを用いて場所モデル２００の確率情報部分である場所モデル（確率情報）を学習する。その後、第２段階観測確率の計算において、場所モデル（確率情報）に基づいて、チェックインデータに対して、場所推定の第２段階の処理を行う。場所推定の第２段階の処理で得られた第２段階観測確率とチェックイン場所の場所名は、第２段階観測確率の閾値、即ち、各チェックイン場所における閾値の計算に用いられ、場所モデル２００の閾値情報部分である場所モデル（閾値情報）を学習する。このように、場所モデルの確率情報部分と閾値情報部分が学習された後、場所モデル２００の学習が完了する。

　ステップＳＴ２３では、サーバ２１が学習された場所モデル２００のファイル（以下、「場所モデルファイル」とも言う）２００Ａを生成し、サーバ２１の記憶部に格納する。ステップＳＴ２４では、サーバ２１が場所モデルファイル２００Ａを読み込み携帯端末１へ送信する。

　ステップＳＴ３では、携帯端末１がサーバ２１からの場所モデルファイル２００Ａを受信して携帯端末１の記憶部１２に格納する。つまり、携帯端末１は、サーバ２１側で新しい場所モデルファイル２００Ａが生成される度に、場所モデルファイル２００Ａを記憶部１２に格納する。ステップＳＴ４では、携帯端末１は記憶部１２から場所モデルファイル２００Ａを読み込み、場所モデル２００を用いて、チェックインデータRSSI特徴ベクトルに基づいて位置推定処理を行い、携帯端末１の場所の判定結果を出力する。

　次に、場所モデル２００の学習処理について、図１５と共に説明する。上記の如く、場所モデル２００の学習処理には、場所モデル（確率情報）の学習と、場所モデル（閾値情報）の学習が含まれる。図１５は、サーバが実行する場所モデルの学習処理の一例を説明する図である。

　図１５において、ステップＳＴ３１では、サーバ２１が場所モデル（確率情報）の学習処理を実行し、各場所で観測可能な各APについて、APの欠損確率、APの観測確率、APが観測された場合のRSSI強度レベル別観測確率などの確率情報を学習する。学習した確率情報は、サーバ２１の記憶部内の場所モデル２００に格納される。APの欠損確率は、全てのチェックインデータのうち、対象APの欠損回数をチェックインデータ総数で割った数値である。なお、欠損回数とは、チェックインデータの総数から観測回数を引いた数値である。APの観測確率は、全てのチェックインデータのうち、対象APの観測回数をチェックインデータ総数で割った数値である。また、APが観測された場合のRSSI強度レベル別観測確率は、RSSIを一定間隔の刻みで複数の強度レベルに離散化した後、対象APの各強度レベルの観測回数をチェックインデータ総数で割った数値である。

　場所モデル（閾値情報）の学習は、ステップＳＴ３２及びステップＳＴ３３を含む。ステップＳ３２では、サーバ２１が各場所について、第２段階観測確率の閾値を計算する。具体的には、チェックインデータの全てに対して、上記の如く学習した場所モデル（確率情報）に基づいて、第２段階観測確率を計算する。ステップＳＴ３３では、サーバ２１が第２段階観測確率の平均と標準偏差を計算すると共に、APの欠損確率とRSSIの強度レベルの確率分布に基づき、計算した第２段階観測確率の平均と標準偏差から閾値を計算する。学習した閾値情報は、サーバ２１の記憶部内の場所モデル２００に格納される。

　図１６は、サーバの場所モデル（確率情報）の学習処理の一例を説明するフローチャートである。図１６において、ステップＳ３１０では、チェックインデータをサーバ２１の記憶部内のチェックインデータファイル３００から読み込む。ステップＳ３１１では、新しいチェックインデータがあるか否かを判定し、判定結果がＹＥＳであると処理は並行してステップＳＴ３１２とステップＳＴ３１３に進み、判定結果がＮＯであると処理は後述するステップＳＴ３１８へ進む。新しいチェックインデータがありステップＳ３１１の判定結果がＹＥＳであると、点線枠内に示す如きチェックインデータ（AP1(MAC, RSSI), …, APi(MAC, RSSI), …:場所Ａ）がステップＳＴ３１２及びステップＳ３１３に渡される。ステップＳＴ３１２では、新しいチェックイン場所名（場所Ａ）を図７の場所モデル２００へ登録する。チェックインした場所（場所Ａ）が新しい場所であれば、この場所に新しい場所番号が割り振られ、図７の場所モデル２００に新しい行が追加される。

　一方、ステップＳＴ３１３は、ステップＳＴ３１４以降の処理を各APIに対して実行する。ステップＳＴ３１４では、チェックインしたAPを図４の全域内AP情報リスト１００へ登録する。新しいAP（例えばAPi）であれば、このAPに新しいAP番号が割り振られ、図４の全域内AP情報リスト１００に新しい行が追加される。

　ステップＳＴ３１５では、チェックインした場所名とチェックインしたAPの情報をリンクさせる処理を行う。図１７は、ステップＳＴ３１５の場所とAPiのリンク処理の一例を説明するフローチャートである。図１７において、ステップＳＴ３１５１では、チェックイン場所Ａを図４の全域内AP情報リスト１００のAPのカバー場所リストへ登録する。ステップＳＴ３１５２では、チェックインAPを図７の場所モデル２００観測可能なAPリストへの登録する。ステップＳＴ３１５３では、APiの観測回数インクリメント（または、カウント）し、ステップＳＴ３１５４では、APiのRSSIの強度レベル別観測回数をインクリメント（または、カウント）し、処理は図１６のステップＳＴ３１６へ進む。

　図１６の説明に戻るに、ステップＳ３１６では、全APiに対する処理が完了したか否かを判定し、判定結果がＮＯであると処理はステップＳＴ３１３へ戻り、判定結果がＹＥＳであると処理はステップＳＴ３１７へ進む。ステップＳＴ３１７では、チェックインデータの数をカウントし、処理はステップＳＴ３１１へ戻る。

　全てのチェックインデータが処理されステップＳＴ３１１の判定結果がＮＯになると、ステップＳＴ３１８では、図７の場所モデル２００の各場所番号の場所をスキャンして、各APの欠損回数を計算すると共に、欠損回数をチェックインデータ数で割って正規化する。ステップＳＴ３１９では、各APの観測回数をチェックインデータ数で割って正規化する。ステップＳＴ３２０では、各APのRSSIの強度レベル観測回数をチェックインデータ数で割って正規化し、処理は終了する。

　図１８は、サーバの場所モデル（閾値情報）の学習処理の一例を説明するフローチャートである。図１８において、ステップＳＴ３３１では、サーバ２１の記憶部内のチェックインデータファイル３００からチェックインデータ読み込む。ステップＳＴ３３２では、新しいチェックインデータがあるか否かを判定し、判定結果がＹＥＳであると処理はステップＳＴ３３３に進み、判定結果がＮＯであると処理は後述するステップＳＴ３３５へ進む。新しいチェックインデータがありステップＳ３３２の判定結果がＹＥＳであると、点線枠内に示す如きチェックインデータ（AP1(MAC, RSSI), …, APi(MAC, RSSI), …:場所Ａ）がステップＳＴ３３３に渡される。

　ステップＳＴ３３３では、場所モデル（確率情報）と全域内AP情報リスト１００に基づいて、チェックインデータの第２段階観測確率を上記の如き方法で計算する。ステップＳＴ３３３の後、一方では処理はステップＳＴ３３１へ戻り新しいチェックインデータをスキャンし、これと並行して他方では処理はステップＳＴ３３４に進み、ステップＳＴ３３３で計算された第２段階観測確率をチェックイン場所毎にサーバ２１の記憶部に保存する。ステップＳＴ３３５では、全てのチェックインデータについてステップＳＴ３３３の処理を完了した後、チェックインした場所毎に、第２段階観測確率の値の平均と標準偏差を計算する。ステップＳＴ３３６では、ステップＳＴ３３５で計算した平均と標準偏差に基づいて場所毎の閾値を計算して場所モデル（閾値情報）に格納し、処理は終了する。

　上記実施例によれば、場所の数が増えても、増えた場所を学習して場所モデルへ追加すれば良く、学習済みの場所の再学習は不要になる。また、例えば家具やパーティションなどの位置が変化した場合、携帯端末側からチェックインしたデータに基づいてサーバ側の場所モデルを更新できる。

　例えば携帯端末を色々な持ち方にした時に、あるAPからの電波を受信できなくなり、当該APからの電波を受信できないことにより当該APからの受信信号、即ち、RSSI観測ベクトルにデータ欠損が起きる場合があり、このような場合にRSSI特徴ベクトル中に欠損値が生じる。しかし、従来の場所モデルの作成方法では、RSSI特徴ベクトル中の欠損値に対応していないか、或いは、対応が不十分であるため、場所の推定精度を向上することは難しい。

　例えばパラメトリック方式及びノンパラメトリック方式の場合、上記RSSI特徴ベクトル中の欠損値を無視し、欠損確率をRSSI特徴ベクトルの観測確率の計算に反映しない。このため、欠損値が生じた場合の場所の推定精度は低下してしまう。

　また、例えばK近傍法及びパターンマッチング法の場合、一般的にはRSSI特徴ベクトル中の欠損値を、定数または過去のRSSIデータに基づいた補間値などで代用する。しかし、この代用値は、RSSI観測ベクトルとデータベースのサンプルとの距離の計算に大きな影響を及ぼすものであり、代用値を適切な値に設定することは難しい。このため、欠損値が生じた場合、適切な代用値が設定されないと、場所の推定精度は低下してしまう。

　これに対し、上記実施例によれば、APの欠損情報を利用することで、より正確に場所を推定でき、２段階の観測確率計算を行うことで、場所を高速に推定できる。また、場所毎に学習した閾値を用いることで、例えば携帯端末の場所が不明であるという判定結果を出力することができる。

　以上、開示の端末装置、位置推定方法、位置推定システム及びプログラムを実施例により説明したが、本発明は上記実施例に限定されるものではなく、本発明の範囲内で種々の変形及び改良が可能であることは言うまでもない。

１　　　携帯端末
１１　　　ＣＰＵ
１２　　　記憶部
１３　　　入力部
１４　　　表示部
１５　　　通信部
２１　　　サーバ
AP1～AP5　　　アクセスポイント
１００　　　全域内AP情報リスト
１０１　　　候補場所リスト
２００　　　場所モデル

Claims

　複数の基地局と通信可能な携帯端末であって、
　前記複数の基地局からの受信信号に基づき推定した前記携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込む絞り込み手段と、
　絞り込んだ候補位置の中から受信信号強度の観測確率に基づき前記携帯端末の位置を推定する推定手段
を備えたことを特徴とする、携帯端末。
　前記絞り込み手段は、
　前記複数の基地局の観測確率と欠損確率に基づき第１段階観測確率を計算する第１の計算手段と、
　前記第１段階観測確率が上位に位置する候補場所に対して、受信信号強度の観測確率と前記複数の基地局の欠損確率に基づき第２段階観測確率を計算し、候補場所リストを計算された場所確率がある値以上の場所確率に絞る第２の計算手段
を有することを特徴とする、請求項１記載の携帯端末。
　前記推定手段は、前記第２段階観測確率が最大である候補場所について、前記携帯端末が前記第２段階観測確率が最大である候補場所にあるか否かを判定する判定手段を有することを特徴とする、請求項２記載の携帯端末。
　前記判定手段は、前記第２段階観測確率が最大である候補場所について、第２段階観測確率を閾値と比較し、前記閾値以上であれば当該候補場所を前記携帯端末のある場所と判定し、前記閾値未満であると前記携帯端末のある場所は不明であると判定することを特徴とする、請求項３記載の携帯端末。
　請求項１乃至４のいずれか１項記載の携帯端末と、
　前記携帯端末と通信可能なサーバ
を備え、
　前記サーバは、
　　前記携帯端末からのチェックインデータを受信してチェックインデータファイルに保存する手段と、
　　前記チェックインデータを前記チェックインデータファイルから読み込み、場所モデルの学習処理を実行する手段
を有し、
　　前記場所モデルの学習処理は、前記場所モデルの確率情報部分の学習と、前記場所モデルの閾値情報部分の学習の２段階を含むことを特徴とする、位置推定システム。
　前記確率情報部分の学習は、
　前記チェックインデータを用いて前記場所モデルの確率情報部分である場所モデルを学習し、
　前記第２段階観測確率の計算において、前記場所モデルに基づいて、前記チェックインデータに対して、場所推定の第２段階の処理を行い、
　前記第２段階の処理で得られた第２段階観測確率とチェックイン場所の場所名を用いて第２段階観測確率の閾値を計算し、前記場所モデルの閾値情報部分である場所モデルを学習することを特徴とする、請求項５記載の位置推定システム。
　複数の基地局と通信可能な携帯端末の位置を推定する位置推定方法であって、
　コンピュータが、前記複数の基地局からの受信信号に基づき推定した前記携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込む絞り込み手順と、
　前記コンピュータが、絞り込んだ候補位置の中から受信信号強度の観測確率に基づき前記携帯端末の位置を推定する推定手順
を実行することを特徴とする、位置推定方法。
　前記絞り込み手順は、
　前記複数の基地局の観測確率と欠損確率に基づき第１段階観測確率を計算する第１の計算手順と、
　前記第１段階観測確率が上位に位置する候補場所に対して、受信信号強度の観測確率と前記複数の基地局の欠損確率に基づき第２段階観測確率を計算し、候補場所リストを計算された場所確率がある値以上の場所確率に絞る第２の計算手順
を有することを特徴とする、請求項７記載の位置推定方法。
　前記推定手順は、前記第２段階観測確率が最大である候補場所について、前記携帯端末が前記第２段階観測確率が最大である候補場所にあるか否かを判定する判定手順
を有することを特徴とする、請求項８記載の位置推定方法。
　前記判定手順は、前記第２段階観測確率が最大である候補場所について、第２段階観測確率を閾値と比較し、前記閾値以上であれば当該候補場所を前記携帯端末のある場所と判定し、前記閾値未満であると前記携帯端末のある場所は不明であると判定することを特徴とする、請求項９記載の位置推定方法。
　複数の基地局と通信可能な携帯端末のプロセッサに、前記携帯端末の位置を推定する位置推定処理を実行させるプログラムであって、
　前記複数の基地局からの受信信号に基づき推定した前記携帯端末の候補位置を、ある基地局からの受信信号のデータ欠損に基づき絞り込む絞り込み手順と、
　絞り込んだ候補位置の中から受信信号強度の観測確率に基づき前記携帯端末の位置を推定する推定手順
を前記プロセッサに実行させることを特徴とする、プログラム。
　前記絞り込み手順は、
　前記複数の基地局の観測確率と欠損確率に基づき第１段階観測確率を計算する第１の計算手順と、
　前記第１段階観測確率が上位に位置する候補場所に対して、受信信号強度の観測確率と前記複数の基地局の欠損確率に基づき第２段階観測確率を計算し、候補場所リストを計算された場所確率がある値以上の場所確率に絞る第２の計算手順
を有することを特徴とする、請求項１１記載のプログラム。
　前記推定手順は、前記第２段階観測確率が最大である候補場所について、前記携帯端末が前記第２段階観測確率が最大である候補場所にあるか否かを判定する判定手順
を有することを特徴とする、請求項１２記載のプログラム。
　前記判定手順は、前記第２段階観測確率が最大である候補場所について、第２段階観測確率を閾値と比較し、前記閾値以上であれば当該候補場所を前記携帯端末のある場所と判定し、前記閾値未満であると前記携帯端末のある場所は不明であると判定することを特徴とする、請求項１３記載のプログラム。