WO2021064849A1 - 通信端末及び通信品質予測方法 - Google Patents

Abstract

通信品質の予測の汎用性を高める無線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。本発明に係る無線端末及び通信品質予測方法は、周辺環境情報収集部が収集したカメラ画像などの周辺環境情報からオブジェクトを抽出し、オブジェクトを所定のカテゴリ（例えば、抽出されたオブジェクトが人であるか機械であるか、または、移動速度が速いか遅いか、など）で分類したうえで、カテゴリごとに画像を再構築する。カテゴリごとに画像を再構築した上で通信品質についての機械学習を行うことでオブジェクトの動作や素材などを含めた通信品質を予測することができる。

Description

通信端末及び通信品質予測方法

　本開示は、周辺環境の変化に伴う無線通信の品質を予測する通信端末及び通信品質予測方法に関する。

　無線通信機能が搭載されたデバイス（通信装置）を使用する際、デバイス周辺に存在するオブジェクトの移動などの周辺環境の変化に伴って通信品質が変化し、当該デバイスのサービスやシステムが要求する通信品質を満たせない場合が発生することがある。例えば、ＩＥＥＥ８０２．１１ａｄやセルラー通信の５Ｇでは、ミリメータ帯の高い周波数を用いるため、無線通信を行う送受の間の遮蔽物によるブロッキングが大きな影響を及ぼす。ミリ波以外の周波数の無線通信であっても、遮蔽物によるブロッキングや、反射物の動きによる周辺環境の変化は通信品質に影響を及ぼす。それ以外にも、反射物が動くことによって生じるドップラーシフトも通信に影響を与えるものとして知られている。

　あらかじめ機械学習で予測モデルを作成しておき、それを用いて通信品質を予測できることが知られている（例えば、非特許文献１を参照。）。通信品質を予測できれば、環境変化によりサービスやシステムが影響を受ける前に通信品質低下の対策を行うことができる。

Ｈ．　Ｏｋａｍｏｔｏ　ｅｔ　ａｌ．，　"Ｍａｃｈｉｎｅ－ｌｅａｒｎｉｎｇ－ｂａｓｅｄ　ｔｈｒｏｕｇｈｐｕｔ　ｅｓｔｉｍａｔｉｏｎ　ｕｓｉｎｇ　ｉｍａｇｅｓ　ｆｏｒ　ｍｍ　Ｗａｖｅ　ｃｏｍｍｕｎｉｃａｔｉｏｎｓ，"　ｉｎ　Ｐｒｏｃ．，　ＩＥＥＥ　ＶＴＣ　２０１７－ｓｐｒｉｎｇ，　Ｊａｎ．　２０１７． Ｊ．　Ｒｅｄｍｏｎ，　Ａ．　Ｆａｒｈａｄｉ，"ＹＯＬＯｖ３：　Ａｎ　Ｉｎｃｒｅｍｅｎｔａｌ　Ｉｍｐｒｏｖｅｍｅｎｔ，"，　ＣｏＲＲ，　２０１８． Ｓｈｕｉｗａｎｇ　Ｊｉ，　ｅｔ　ａｌ．　"３Ｄ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ｆｏｒ　Ｈｕｍａｎ　Ａｃｔｉｏｎ　Ｒｅｃｏｇｎｉｔｉｏｎ"．　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　　Ｉｎｔｅｌｌｉｇｅｎｃｅ，　ｖｏｌ．　３５，　Ｎｏ．　１，　Ｊａｎｕａｒｙ　２０１３．

　非特許文献１の技術は、オブジェクトの通過でミリ波通信の無線通信路が遮蔽された時の通信品質の予測を深度カメラを用いて行なっている。非特許文献１では、オブジェクトが人のみであり、その動きも一定である場合を開示している。しかし、オブジェクトの動作や素材などで通信品質への影響が変化する。つまり、非特許文献１が開示する技術には、材質などが異なる複数種類のオブジェクトが不規則に動作する場合、通信品質を予測することが困難という課題がある。

　そこで、本発明は、上記課題を解決するために、通信品質の予測の汎用性を高める通信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、本発明に係る通信端末及び通信品質予測方法は、通信品質を予測する際、周辺に存在するオブジェクトの動作や素材などにより通信品質への影響が変わる点を考慮することとした。

　具体的には、本発明に係る通信端末は、無線通信を行う通信端末であって、
　自身の周辺を時間ごとに撮影して周辺環境情報を生成する周辺環境情報収集部と、
　前記周辺環境情報に含まれる認識物をカテゴリ別に分類してオブジェクト状態情報を生成するオブジェクト判定部と、
　時間ごとに前記無線通信の通信品質を評価した通信品質情報と前記カテゴリ全ての前記オブジェクト状態情報との関係を、予め機械学習して生成された通信品質モデルを用い、現在を含む前記オブジェクト状態情報から現在又は未来の前記通信品質を推定する通信品質予測部と、
を備える。　

　また、本発明に係る通信品質予測方法は、
　無線通信を行う通信端末の周辺を時間ごとに撮影して周辺環境情報を生成すること、
　前記周辺環境情報に含まれる認識物をカテゴリ別に判定してオブジェクト状態情報を生成すること、及び
　時間ごとに前記無線通信の通信品質を評価した通信品質情報と前記カテゴリ全ての前記オブジェクト状態情報との関係を、予め機械学習して生成された通信品質モデルを用い、現在を含む前記オブジェクト状態情報から現在又は未来の前記通信品質を推定すること、
を含む。

　本発明に係る通信端末及び通信品質予測方法は、周辺環境情報収集部が収集したカメラ画像などの周辺環境情報からオブジェクトを抽出し、オブジェクトを所定のカテゴリ（例えば、抽出されたオブジェクトが人であるか機械であるか、または、移動速度が速いか遅いか、など）で分類したうえで、カテゴリごとに画像を再構築する。カテゴリごとに画像を再構築した上で通信品質についての機械学習を行った予測モデルを使用することでオブジェクトの動作や素材などを含めた通信品質を予測することができる。従って、本発明は、通信品質の予測の汎用性を高める通信端末及び通信品質予測方法を提供することができる。

　本発明に係る通信端末は、前記無線通信の通信品質を評価し、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、
　前記カテゴリに対応する前記オブジェクト状態情報と前記通信品質情報との関係を機械学習して前記通信品質モデルを生成する予測モデル生成部と、
をさらに備え、
　前記周辺環境情報収集部は、前記通信端末自身の周辺を撮影し、対応する時間情報とともに周辺環境情報を生成することを特徴とする。通信端末自身で通信品質モデルを生成することができる。

　本発明に係る通信端末は、現在の前記通信端末自身の位置、通信相手となる通信端末の位置、またはその両方の位置、姿勢、動き、その他の状態を計測して通信装置状態情報を生成する通信装置管理部をさらに備え、前記通信品質予測部は、前記通信装置状態情報も含めて機械学習して生成された前記通信品質モデルを用い、前記通信装置状態情報も含めて前記通信品質を推定することを特徴とする。この場合、本発明に係る通信端末の前記通信装置管理部は、計測に対応する時間情報を含めて前記通信装置状態情報を生成し、前記予測モデル生成部は、前記通信装置状態情報も含めて機械学習を行い、前記通信品質モデルを生成する。通信装置の動作や姿勢も含めて予測することで、さらに通信品質予測の汎用性が高まる。

　本発明に係る学習機の前記オブジェクト判定部は、前記周辺環境情報収集部が撮影した画像内で前記オブジェクト状態情報の前記認識物が対応する位置を任意の値で埋め、他を“０”で埋めることを特徴とする。また、前記オブジェクト判定部は、前記オブジェクト状態情報の前記認識物の位置とサイズ情報を用いて前記画像内の前記位置を決定することを特徴とする。さらに、前記オブジェクト判定部は、前記任意の値を前記認識物の速度、オブジェクトスコア又は奥行の値とすることを特徴とする。

　オブジェクト状態情報のデータの次元を一定化するとともに、データ量を圧縮することができる。

　なお、本発明に係る通信品質予測方法は、前記カテゴリを前記オブジェクトの動作又は素材に基づいて決定すること、及び従前の前記カテゴリを決定した前記カテゴリで置換することをさらに含むことが好ましい。カテゴリを更新可能とすることで、外部からカテゴリを設定することも、新たな認識部（従前には存在しなかった新たなもの）をカテゴライズ可能とすることもできる。

　なお、上記各発明は、可能な限り組み合わせることができる。

　本発明は、通信品質の予測の汎用性を高める通信端末及び通信品質予測方法を提供することができる。

本発明に係る通信品質予測方法を説明する図である。 本発明に係る通信品質予測方法を説明する図である。 カテゴリの設定例を説明する図である。 カテゴリの設定例を説明する図である。 本発明に係る通信端末を説明する図である。 本発明に係る通信端末のオブジェクト判定部の例を説明する図である。 オブジェクト状態情報の表現手法を説明する図である。 オブジェクト状態情報の表現手法を説明する図である。Ｏ_Ａはオブジェクトであり、各オブジェクトはそれぞれのスコアで埋められる。Ｏ_Ｂはオブジェクトが存在しない部分であり、当該部分は“０”で埋められる。 本発明に係る通信品質予測方法を説明する図である。 本発明に係る通信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。

［定義］
・通信品質とは、通信端末内に有する通信部の少なくとも１つが、外部の通信端末と無線で通信する際の品質に関連する指標である。受信電力、ＲＳＳＩ（Ｒｅｃｅｉｖｅｄ　Ｓｉｇｎａｌ　Ｓｔｒｅｎｇｔｈ　Ｉｎｄｉｃａｔｏ）、ＲＳＲＱ（Ｒｅｆｅｒｅｓｎｃｅ　Ｓｉｎｇｎａｌ　Ｒｅｃｅｉｖｅｄ　Ｑｕａｌｉｔｙ）、ＳＮＲ（Ｓｉｇｎａｌ　ｔｏ　ｎｏｉｓｅ　ｒａｔｉｏ）、ＳＩＮＲ（Ｓｉｇｎａｌ　ｔｏ　ｉｎｔｅｒｆｅｒｅｎｃｅ　ｎｏｉｓｅ　ｒａｔｉｏ）、パケットロス率、データレート、アプリケーション品質、およびそれらの増減に関する指標や、それらの２つ以上を線形演算などにより組み合わせた指標など、ＱｏＥ（Ｑｕａｌｉｔｙｂｏｆ　ｅｘｐｅｒｉｅｎｃｅ）　に関連する指標を用いることができる。
・無線通信の種類は、ダウンリンク（基地局から移動端末への送信）、アップリンク（移動端末から基地局への送信）、サイドリンク（移動端末から移動端末への送信）である。
・端末とは、移動や動作などが制御可能である、その構成物が制御可能である、あるいは、その通信が制御可能である、ハードウェアである。例えば、移動端末は、自動車、大型移動車、小型移動車、鉱山・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。

（実施形態）
　図５は、本実施形態の通信システムを説明する図である。図５において、破線で示した機能部は、通信端末１と外部ネットワーク部０のいずれか一方に存在すればよいことを意味する。

　通信端末１は、無線通信を行う通信端末であって、
　自身の周辺を時間ごとに撮影して周辺環境情報を生成するカメラ（周辺環境情報収集部）１－２と、
　前記周辺環境情報に含まれる認識物をカテゴリ別に判定してオブジェクト状態情報を生成するオブジェクト判定部１－４と、
　時間ごとに前記無線通信の通信品質を評価した通信品質情報と前記カテゴリ全ての前記オブジェクト状態情報との関係を、予め機械学習して生成された通信品質モデルを用い、現在を含む前記オブジェクト状態情報から現在又は未来の前記通信品質を推定する通信品質予測部１－８と、
を備える。

　さらに、通信端末１は、
　時間ごとに前記無線通信の通信品質を評価した通信品質情報を生成する通信品質評価部１－６と、
　前記カテゴリ全ての前記オブジェクト状態情報と前記通信品質情報との関係を機械学習して通信品質モデルを生成する予測モデル生成部（通信品質学習部）１－７と、
を備える。

　また、通信端末１は、
　自身の現在の位置、姿勢、移動、その他の状態を計測して通信装置状態情報を生成する通信装置管理部１－５をさらに備える。
　そして、予測モデル生成部（通信品質学習部）１－７が、前記通信装置状態情報も含めて機械学習を行い、前記通信品質モデルを生成すること、並びに、通信品質予測部１－８が、前記通信装置状態情報も含めて機械学習して生成された前記通信品質モデルを用い、前記通信装置状態情報も含めて前記通信品質を推定することが好ましい。

　以下、詳細を説明する。
　通信端末１は他の通信端末と無線通信を行っている。また通信端末１は有線または無線で外部ネットワーク部０に接続することができる。
　通信部（１－１－１～Ｎ）は、他の通信端末と無線通信又は有線通信を行う。ただし、通信部はＮ個（Ｎは自然数）存在し、少なくともひとつは無線通信を行う。
　周辺環境情報収集部１－２は、通信端末１の周辺環境情報（特に他の通信端末との間の移動体の情報）をセンサ及びカメラで収集する。周辺環境情報とは、例えば、画像である。
　オブジェクト判定部１－４は、周辺環境情報とオブジェクト判定モデルから、オブジェクトをカテゴリごとに取得し、オブジェクト状態情報を生成する。
　カテゴリ定義部１－３は、オブジェクトを分けるためのカテゴリが設定される。カテゴリは、状況に応じて更新することができる。
　通信装置管理部１－５は、通信端末１、他の通信端末、またはその両方の、位置／姿勢／速度／加速度のうち少なくとも一つを含む通信装置状態情報を生成する。
　通信品質評価部１－６は、通信端末１と他の通信端末との間の無線通信の品質を測定する。
　通信品質学習部１－７は、上記機能部より得られた、オブジェクト状態情報、通信装置状態情報、及び通信品質の関係を表す通信品質モデルを機械学習により生成する。
　通信品質予測部１－８は、通信品質モデルを利用し、現在又は過去のオブジェクト状態情報、場合によっては通信装置状態情報も含めて、現在または未来の通信品質を予測する。

　なお、周辺環境情報収集部１－２、カテゴリ定義部１－３、オブジェクト判定部１－４、通信品質評価部１－６、及び通信品質学習部１－７は、通信端末１と通信する外部ネットワーク部０に備えてもよい。通信品質学習部１－７を双方に備える場合には、例えば、通信端末１は、自ら収集したオブジェクト状態情報、通信装置状態情報、及び通信品質から、自身が持つ通信品質学習部１－７で通信品質モデルを作成してもよいし、自ら収集したオブジェクト状態情報、通信装置状態情報、及び通信品質を外部セットワーク部０へ送り、外部セットワーク部０の通信品質学習部１－７で通信品質モデルを作成させ、それを自身に転送してもらうこともできる。また、周辺環境情報収集部１－２とオブジェクト判定部１－４は通信端末１と通信する外部ネットワーク部０に備えたり、外部ネットワーク部０と通信端末１の双方に備えたりしてもよい。外部ＮＷに備える場合には、通信を介してオブジェクト状態情報を通信品質予測部１－８に出力し、双方に備える場合には、オブジェクト状態情報を通信端末１および外部ＮＷに備えたオブジェクト判定部から収集し、双方からのオブジェクト情報を学習および予測に用いることができる。さらに、通信端末１は、他の通信端末が取得したオブジェクト状態情報、通信装置状態情報、及び通信品質から作成した通信品質モデルを外部セットワーク部０を介して導入してもよい。

　図１及び図２は、本通信システムが行う通信品質の予測方法を説明する図である。当該予測方法は“事前準備”、“データ取得”、“データ処理”の３段階で構成される。

　図２－Ｃ１及び図１のＳｔｅｐ１－１は、通信装置の一方もしくは両方の装置に設置された周辺環境情報部１－２（センサーやカメラ等）から周辺環境情報を取得する工程である。ここで、周辺環境情報にはセンサやカメラのサンプリング間隔も含まれる。

　図２－Ｃ２及び図１のＳｔｅｐ２－１は、オブジェクト判定部１－４が図２－Ｃ１で得られた周辺環境情報から、認識物として、存在するオブジェクトのクラス、位置情報、速度情報、状態情報等のオブジェクト状態情報をカテゴリごとに取得する。ここで、位置情報とは画角上または実世界上におけるオブジェクトの中心位置／幅／高さ／輪郭／距離／深度／奥行きなどである。速度情報とは画角上または実世界上における位置の変化量などである。状態情報とはオブジェクトの形状／重量／向き／温度などである。

　図６は、オブジェクト判定部１－４の例を説明する図である。オブジェクト判定部１－４は、カメラから取得した映像から、１コマごとにオブジェクトのクラス、スコア、位置、大きさを出力することができる。オブジェクト判定部１－４は、例えば、物体認識技術ＹＯＬＯｖ３を搭載する（例えば、非特許文献２を参照。）。オブジェクト判定部１－４は、図６のように、認識したオブジェクトに対して、画面上における位置座標（ｘ，ｙ）、幅ｗｘ、高さｗｙ、所属するｃｌａｓｓ、ｏｂｊｅｃｔ　ｓｃｏｒｅをオブジェクト状態情報として出力する。Ｏｂｊｅｃｔ　ｓｃｏｒｅはオブジェクトがそのクラスに属する信頼度を示す値である。

　ここでカテゴリとは、あるクラスに属するオブジェクトが無線通信で使用する周波数帯の電波伝搬に与える影響具合の類似性を基準に区分される。この類似性はオブジェクトの素材、サイズ、動作、認識される位置、などによる。事前にそのクラスに属するオブジェクトが通信品質へ与える影響を調査し、各クラスに対応するカテゴリを決定し、カテゴリ定義部１－３に設定する。図３及び図４は、カテゴリの設定例である。図３のカテゴリ設定例１は、オブジェクトを速度で分離した例である。図３のカテゴリ設定例２は、オブジェクトを素材で分離した例である。図３のカテゴリ設定例３は、オブジェクトを大きさで分離した例である。図４のカテゴリ設定例４は、オブジェクトを空間条件（例えば、道路の上り線と下り線）で分離した例である。

　なお、オブジェクト状態情報を取得する際、図２－Ｃ１で得られた過去情報も利用可能である。図２－Ｃ２に示している立方体が並んだ図は、オブジェクト判定部１－４が画像からオブジェクト状態情報を取得するときにＣＮＮ等のディープラーニングを用いた場合をイメージして記載している。オブジェクト判定部１－４は、それ以外の機械学習のアルゴリズムを用いてオブジェクト状態情報を取得してもよい。当該機械学習を用いるパラメータは事前に学習する。図２－Ｃ４は図２－Ｃ３より出力されたカテゴリごとのオブジェクト状態情報の例を示している（図１のＳｔｅｐ２－１）。

　図２－Ｃ５及び図１のＳｔｅｐ１－２では、通信装置管理部１－５が通信端末１や他の通信端末の位置、速度、状態等の通信装置情報を取得する。図２－Ｃ８及び図１のＳｔｅｐ１－２では、通信品質評価部１－６が通信品質を評価する。

　図２－Ｃ６及び図１のＳｔｅｐ３－１では、通信品質予測部１－８が通信品質モデルを用いて、オブジェクト状態情報から通信品質を予測する。通信品質予測部１－８は、予測の際に、通信装置情報も用いて予測してもよい。また、オブジェクト判定部は外部ＮＷや他の通信端末のオブジェクト判定部で得られたＣ４の情報も用いて予測してもよい。このとき予測に利用する情報の内容はカテゴリごとに異なっても良い。及び過去もしくは現在の通信品質情報の一部もしくは全てをもちいて通信品質を予測する。当該通信品質モデルは事前に機械学習しておく（図１のＳｔｅｐ０－１に対応）。

　図２－Ｃ６の図は、通信品質学習部１－７が、オブジェクト状態情報（図２－Ｃ４）、及び過去もしくは現在の通信品質（図２－Ｃ８）からニューラルネットワークで通信品質モデルを生成する場合をイメージしている。通信品質学習部１－７は、通信状態情報（図２－Ｃ５）も用いて通信品質モデルを生成してもよい。通信品質学習部１－７は、これに限定することなく、他の機械学習や統計的手法などのいかなる手法を用いて通信品質モデルを生成しても良い。

　図７及び図８は、オブジェクト状態情報の表現手法を説明する図である。オブジェクト状態情報は画像から認識される物体の種類や数によってデータの次元が変化するため、通信品質学習部１－７や通信品質予測部１－８での計算が複雑になるという課題がある。図７は、取得したオブジェクト状態情報の例である。各時間ｔに対して、オブジェクトＯ_１～Ｏ_ｎそれぞれからｃｌａｓｓ，ｘ，ｙ，ｗｘ，ｗｙ，ｓｃｏｒｅの５つのパラメータが得られる。通信端末１の周辺に存在するオブジェクトの数（ｎ）は時間によって変化するため、オブジェクト状態情報の次元も時間変化する。

　本発明では、認識される物体の種類や数に関わらずオブジェクト状態情報の次元が変わらないように、カテゴリごとにフレームを分けて情報を簡易画像化している。図８は、本発明でのオブジェクト状態情報の例である。取得した画像からカテゴリごとの画像を作成することで次元を一定化とデータの圧縮ができる。さらに、取得した画像からカテゴリごとに画像を作成することでオブジェクトが電波伝搬に与える影響の特性考慮したまま、各時間におけるオブジェクト状態情報を表現することができる。

　図８は、３つのカテゴリ（車グループＡ、Ｂ、及び人グループ）を定義したときの、カメラから得た画像から簡易画像を作成する例を説明する図である。各オブジェクトが属するカテゴリは図３に従うとする。ｈ×ｗ　ｐｉｘｅｌの画像から、ｈ／ｄ×ｗ／ｄ　ｐｉｘｅｌ　の各カテゴリに対応した画像が３枚（簡易画像セット）作成される。ｄ（０＜ｄ≦１）は簡易画像の圧縮率を示す。簡易画像では、オブジェクトが存在する範囲をそのオブジェクトのスコア、速度、奥行き、その他の任意の値で埋め、且つオブジェクトが存在する範囲を“０”で埋めることで、オブジェクトが電波伝搬に与える影響の特性も簡易画像内で表現できる。

　図９は、３次元畳み込みニューラルネットワーク（例えば、非特許文献３を参照。）を用いたオブジェクト状態情報による通信品質を予測する方法を説明する図である。図９は、ｔ－ｓ＋１～ｔ時間分の簡易画像セット（複数のカテゴリの簡易画像）からｔ＋ｋ（ｋ時間後）の通信品質を予測する場合である。ここでｓはニューラルネットワークに入力する画像データの時間幅を表す。ｔ－ｓ＋１～ｔ時間分の簡易画像セットは３次元畳み込みニューラルネットワークに入力し時空間特徴を抽出する。得られた特徴量から全結合型ニューラルネットワークによって通信品質を予測する。

　図１０は、本通信システムの効果を説明する図である。効果を検証するために、本通信システムを通信品質低下の事前予測に用いることを想定する。本通信システムの通信品質予測では、同一の画像からオブジェクト状態情報を取得する際に、カテゴリに分類した場合と分類しない場合を比較している。図１０の横軸は、実測値から予測した通信品質（スループット）を減算した結果である。この値が負になる場合は、予測値よりも実測値が低いことを意味する。すなわち、通信品質の低下を十分に予測できず、予測値より実際の通信品質低下が大きかったことを意味する。技術的な観点では、実測値が予測値を下回る、つまり得られた差分情報が負になる場合を陽性（Ｐｏｓｉｔｉｖｅ）と陰性（Ｎｅｇａｔｉｖｅ）の概念をもってとらえることができる。通信品質の低下事象を、陽性（Ｐｏｓｉｔｉｖｅ）と定義すると、実測値から予測値の減算結果が負であることは、実際には陽性であったのに、陰性と判定する、偽陰性（Ｆａｌｓｅ　Ｎｅｇａｔｉｖｅ）となっていることに対応する。実際のシステムの機械学習における学習及び予測の方法として、真陽性（Ｔｒｕｅ　Ｐｏｓｉｔｉｖｅ）や真陰性（Ｔｒｕｅ　Ｎｅｇａｒｔｉｖｅ）を最大化するようにモデル化することもできるし、真陽性（Ｔｒｕｅ　Ｐｏｓｉｔｉｖｅ）や真陰性（Ｔｒｕｅ　Ｎｅｇａｒｔｉｖｅ）を高めつつ、偽陽性（Ｆａｌｓｅ　Ｐｏｓｉｔｉｖｅ）や偽陰性（Ｆａｌｓｅ　Ｎｅｇａｔｉｖｅ）となる確率を最小化するように学習してもよい。また、本検証は、偽陰性は許容できないが、逆に偽陽性は許容できる場合も考えられる。通信品質低下の予測で考えると、通信品質低下は確実に予測したいが、通信品質が低下すると予測したが実際には通信品質の低下がなかった（偽陽性）ことは許容できるケースとしてとらえられる。図１０において、横軸中心の０より左側は予測値が実測値より高い（偽陰性）ことを意味し、右側は予測値が実測値より低い（偽陽性）ことを意味する。従って、通信品質低下を予測するために本通信システムを用いる場合、図１０の負の分布ができるだけ０に漸近することが望ましい。

　図１０の縦軸は、予測精度（累積分布関数）を表している。実線はオブジェクトのカテゴリ分類を行わない場合、点線はオブジェクトを車両と歩行者の２カテゴリで分類した場合の結果である。オブジェクトをカテゴリで分類した場合の方が、オブジェクトのカテゴリ分類を行わない場合より差分０に近くで１００％に達しており、予測精度が高いことがわかる。

（実施形態のバリエーション）
　通信端末１がダウンリンクまたはアップリンクの通信品質を予測する基地局であった場合、通信装置管理部１－５は、他の通信端末である移動端末の位置などの情報を通信部（１－１－１～Ｎ）を介して取得し、通信装置状態情報を生成する。

　通信端末１がダウンリンクまたはアップリンクの通信品質を予測する移動端末であった場合、通信装置管理部１－５は、自通信装置の位置などから通信装置状態情報を生成する。また、通信相手となる基地局の位置やアンテナ条件などの情報を通信部（１－１－１～Ｎ）を介して収集し、通信装置管理部１－５が通信装置状態情報を生成してもよい。

　通信端末１がサイドリンクの通信品質を予測する基地局であった場合、通信装置管理部１－５は、他の通信端末である移動端末の位置情報などを通信部（１－１－１～Ｎ）を介して取得するとともに、自通信装置の位置情報などを含めて通信装置状態情報を生成する。

　無線通信システムとしては、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などのセルラー通信、ＬＰＷＡ（Ｌｏｗ　Ｐｏｗｅｒ　Ｗｉｄｅ　Ａｒｅａ）　などの無線通信、ないし音波、電気、光による通信を用いることができる。

［付記］
　以下は、本実施形態の通信システムを説明したものである。
（目的）
　本発明は、環境変動による通信品質の変化に対応できるよう、将来の通信品質を予測可能な通信システム及び端末を提供することを目的とする。

（課題解決手段）
　カメラ・センサー・報知情報収集機器・その他の周辺環境情報収集装置から、通信機器周辺の周辺環境情報を収集する。
　周辺環境情報から周辺に存在するオブジェクトを判定し、当該オブジェクトの位置／形状／サイズ／動き／速度／加速度などのオブジェクト状態情報をカテゴリごとに取得する。
　オブジェクトカテゴリは、通信品質に与える影響が近しいグループで分類され、電波伝搬への影響が大きい素材、存在する位置、動きの条件、によって定義することができる。
　カテゴリごとのオブジェクト状態情報を少なくとも含み、通信を行っている自分または相手またはその両方の通信装置の位置／向き／動き／速度／加速度などの通信装置状態情報や過去の通信品質情報を含めて定義される通信予測用特徴量と、通信品質との関係を機械学習にてモデル化する。

（発明の効果）
　本発明によれば、周辺環境情報収集装置により得られた周辺環境情報から、通信品質への影響が類似したカテゴリ毎にオブジェクト状態情報を収集することで、通信予測用特徴量と通信品質との関係性を効率的に学習することができ、学習に用いるデータの必要量を削減できたり、端末が用いる無線通信の通信品質を高精度に予測することができる。

０：外部ネットワーク部
１：通信装置
１－０：装置内のネットワーク
１－１－１～Ｎ：通信部
１－２：周辺環境情報収集部
１－３：カテゴリ定義部
１－４：オブジェクト判定部
１－５：通信装置管理部
１－６：通信品質評価部
１－７：通信品質学習部
１－８：通信品質予測部

Claims (9)

1. 　無線通信を行う通信端末であって、
   　自身の周辺を時間ごとに撮影して周辺環境情報を生成する周辺環境情報収集部と、
   　前記周辺環境情報に含まれる認識物をカテゴリ別に判定してオブジェクト状態情報を生成するオブジェクト判定部と、
   　時間ごとに前記無線通信の通信品質を評価した通信品質情報と前記カテゴリ全ての前記オブジェクト状態情報との関係を、予め機械学習して生成された通信品質モデルを用い、現在を含む前記オブジェクト状態情報から現在又は未来の前記通信品質を推定する通信品質予測部と、
   を備える通信端末。
2. 　現在の前記通信端末自身の位置、通信相手となる通信端末の位置、またはその両方の位置、姿勢、動き、その他の状態を計測して通信装置状態情報を生成する通信装置管理部をさらに備え、
   　前記通信品質予測部は、前記通信装置状態情報も含めて機械学習して生成された前記通信品質モデルを用い、前記通信装置状態情報も含めて前記通信品質を推定すること
   を特徴とする請求項１に記載の通信端末。
3. 　前記無線通信の通信品質を評価し、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、
   　前記カテゴリに対応する前記オブジェクト状態情報と前記通信品質情報との関係を機械学習して前記通信品質モデルを生成する予測モデル生成部と、
   をさらに備え
   　前記周辺環境情報収集部は、前記通信端末自身の周辺を撮影し、対応する時間情報とともに周辺環境情報を生成することを特徴とする請求項１又は２に記載の通信端末。
4. 　前記通信装置管理部は、計測に対応する時間情報を含めて前記通信装置状態情報を生成し、
   　前記予測モデル生成部は、前記通信装置状態情報も含めて機械学習を行い、前記通信品質モデルを生成することを特徴とする請求項２を引用する請求項３に記載の通信端末。
5. 　前記オブジェクト判定部は、前記周辺環境情報収集部が撮影した画像内で前記オブジェクト状態情報の前記認識物が対応する位置を任意の値で埋め、他を“０”で埋めることを特徴とする請求項１から４のいずれかに記載の通信端末。
6. 　前記オブジェクト判定部は、前記オブジェクト状態情報の前記認識物の位置とサイズ情報を用いて前記画像内の前記位置を決定することを特徴とする請求項５に記載の通信端末。
7. 　前記オブジェクト判定部は、前記任意の値を前記認識物の速度、オブジェクトスコア又は奥行の値とすることを特徴とする請求項５に記載の通信端末。
8. 　通信品質予測方法であって、
   　無線通信を行う通信端末の周辺を時間ごとに撮影して周辺環境情報を生成すること、
   　前記周辺環境情報に含まれる認識物をカテゴリ別に判定してオブジェクト状態情報を生成すること、及び
   　時間ごとに前記無線通信の通信品質を評価した通信品質情報と前記カテゴリ全ての前記オブジェクト状態情報との関係を、予め機械学習して生成された通信品質モデルを用い、現在を含む前記オブジェクト状態情報から現在又は未来の前記通信品質を推定すること、
   を含む通信品質予測方法。
9. 　前記カテゴリをオブジェクトの動作又は素材に基づいて決定すること、及び
   　従前の前記カテゴリを決定した前記カテゴリで置換すること
   をさらに含むことを特徴とする請求項８に記載の通信品質予測方法。

Images