WO2022102069A1 - 情報出力システム、情報出力方法、推定装置、およびプログラム - Google Patents

情報出力システム、情報出力方法、推定装置、およびプログラム Download PDF

Info

Publication number
WO2022102069A1
WO2022102069A1 PCT/JP2020/042321 JP2020042321W WO2022102069A1 WO 2022102069 A1 WO2022102069 A1 WO 2022102069A1 JP 2020042321 W JP2020042321 W JP 2020042321W WO 2022102069 A1 WO2022102069 A1 WO 2022102069A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
wireless communication
real
communication terminal
world
Prior art date
Application number
PCT/JP2020/042321
Other languages
English (en)
French (fr)
Inventor
理一 工藤
馨子 高橋
友規 村上
智明 小川
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Priority to JP2022561795A priority Critical patent/JPWO2022102069A1/ja
Priority to PCT/JP2020/042321 priority patent/WO2022102069A1/ja
Publication of WO2022102069A1 publication Critical patent/WO2022102069A1/ja

Links

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

Definitions

  • the present invention relates to an information output system, an information output method, an estimation device, and a program.
  • IoT Internet of things
  • wireless LAN defined by the standardization standard IEEE 802.11, Bluetooth (registered trademark), cellular communication by LTE and 5G, Low Power Wide Area (LPWA) communication for IoT, Electrical Tool used for car communication.
  • LPWA Low Power Wide Area
  • Supporting wireless standards such as Collection System (ETC), Electrical Information and Communication System (VICS), ARIB-STD-T109, etc. are also developing and are expected to spread in the future.
  • wireless communication is used for various purposes, there is a problem that some services cannot always meet the requirements for wireless communication quality.
  • the terminal state such as the position, posture, and movement of the wireless communication terminal and the static or dynamic objects around it change the radio wave propagation environment with the communication partner, and the communication quality is affected. It may have a great impact on the services and systems realized by wireless communication.
  • the higher the frequency the stronger the straightness of the radio wave, and the more easily it is affected by the communication quality.
  • the wireless communication of the wireless communication terminal is affected by both itself and the state of the surrounding environment.
  • the movement of a wireless communication terminal or surrounding objects may change the directivity direction of the antenna or the propagation environment, which may affect the communication quality.
  • Non-Patent Document 1 shows that it is possible to predict that a peripheral object of a wireless communication terminal blocks a communication path by using a depth camera, and even in wireless communication, an image obtained from a camera, a sensor, or the like can be predicted. Attention is being paid to the usefulness of information.
  • the position and state of the wireless communication terminal must be known. is required.
  • the present invention has been made in view of the above, and an object of the present invention is to extract information in the real space of a wireless communication terminal that performs wireless communication.
  • the information output system of one aspect of the present invention is an information output system that outputs status information of a wireless communication terminal that performs wireless communication, and is a collection device that collects real-world information that senses the space where the wireless communication terminal exists. And the communication device that acquires the wireless communication information of the wireless communication terminal, the real world information and the wireless communication information are input, and the real world is based on the relationship between the real world information and the wireless communication information. An estimation device for extracting the state information of the wireless communication terminal from the information is provided.
  • FIG. 1 is a diagram showing an example of the configuration of the state information output system of the present embodiment.
  • FIG. 2 is a diagram showing an example of the configuration of the estimation device.
  • FIG. 3A is a diagram showing an example of an image to be input to the estimation device.
  • FIG. 3B is a diagram showing an example of a detection result in which an object is detected from FIG. 3A.
  • FIG. 3C is a diagram showing an example of extracting a target object from the detection result of FIG. 3B.
  • FIG. 4 is a diagram showing an example of another configuration of the estimation device.
  • FIG. 5 is a flowchart showing an example of the processing flow of the estimation device.
  • FIG. 6 is a plan view of the indoor experimental area.
  • FIG. 7 is an image of the experimental area obtained from the camera.
  • FIG. 8 is a diagram showing the evaluation result of the prediction performance.
  • FIG. 9 is a diagram showing an example of the hardware configuration of the device included in the state information output system.
  • the state information output system 1 shown in FIG. 1 includes an estimation device 10, a communication information collection unit 20, a real-world information collection unit 30, and a model generation device 40.
  • the state information output system 1 is a system that extracts and outputs state information of a wireless communication terminal that performs wireless communication from real-world data acquired by a camera or a sensor.
  • the state information is information indicating the state of the wireless communication terminal such as the position, posture, speed, direction, speed, acceleration, angular velocity, usage mode, and holding state of the wireless communication terminal, for example.
  • the communication information collecting unit 20 collects the wireless communication information of the wireless communication terminal.
  • the wireless communication information is information related to wireless communication, and is, for example, an identification number of a communication terminal to be communicated with, a communication method, radio wave propagation information of a wireless communication signal, channel-related information related to the radio wave propagation information, and a wireless communication signal.
  • Feedback information via feedback information, received signal power, signal-to-noise power ratio, signal-to-interference noise power ratio, Received Signal Strength Information (RSSI), Received Signal Reference Quality (RSRQ), Quality Of Service (Qo) QoE), packet error rate, number of arrival bits, bit error rate, number of arrival bits per unit time, Modular Code Index (MCS), number of retransmissions, packet arrival delay time, error correction technology setting, communication terminal user contract information, Differential information of these values, indicators calculated from these values using formulas, frequency of wireless communication system, frequency conditions such as bandwidth of resources used, communication network to which wireless communication system is connected. Information and the setting items of the communication system that affect these indicators.
  • a plurality of communication information collecting units 20 may be provided for each wireless system.
  • the state information output system 1 includes a communication information collecting unit 20 for each wireless system such as a wireless LAN, LTE, and 5G, and each of the communication information collecting units 20 collects the communication quality of each wireless system.
  • the wireless communication information is obtained as information on a wireless system or a wired network to which the wireless system is connected.
  • the real-world information collection unit 30 collects real-world information such as the physical position and movement of an object (including a wireless communication terminal) existing in the real world from a sensor.
  • Real-world information is sensing data in the space in which the target wireless communication terminal exists, and is, for example, a two-dimensional or three-dimensional ground obtained from sensors such as an RGB camera, a depth camera, a frame subtraction / background subtraction camera, and LiDAR. Information on the physical position and movement of walls, structures, objects, etc.
  • the real-world information may further include static map information and spatial semantic information such as stores, products, intersections, and charging locations.
  • the real-world information collecting unit 30 may collect real-world information from a plurality of sensors, or may collect a plurality of types of real-world information. Real-world information is also referred to as environmental information or sensor information.
  • the model generator 40 inputs the wireless communication information collected by the communication information collecting unit 20 and the real-world information collected by the real-world information collecting unit 30, and represents the relationship between the wireless communication information and the real-world information in the real world. -Generate a communication model.
  • wireless communication information and real-world information are input as training data, and training is performed to update the coefficients of the real-world / communication model that outputs parameters related to the real-world or wireless communication information, and then outputs the data.
  • the real-world information about the target wireless communication terminal can be obtained. ..
  • the wireless communication information and the real-world information may be those generated in the simulation space or may be actually measured data.
  • Machine learning can use any machine learning algorithm such as neural network, decision tree, random forest, etc.
  • machine learning can use unsupervised learning, semi-supervised learning, and supervised learning.
  • the estimation device 10 When unsupervised learning is used, for example, the estimation device 10 performs clustering, grouping, and latent structure analysis on the data obtained by combining the real-world information and the wireless communication information, and obtains the real-world information and the wireless communication information. Classify the relationships between the two, select the information that has the same cluster, group, and feature quantity as the target wireless communication terminal from the real world information, and the event that is closely related to the wireless communication terminal in the real world, that is, the relevant Extract state information such as the position, posture, and movement of the wireless communication terminal or its owner or its inclusions.
  • real-world information an RGB image is acquired, the relationship between the RGB image and the wireless communication information obtained from the wireless communication terminal is learned, and the part closely related on the video is extracted.
  • the owner of the wireless communication terminal or the wireless communication terminal or the inclusion of the wireless communication terminal is determined.
  • inclusions such as a person (owner) holding a wireless communication terminal and a vehicle or a robot equipped with the wireless communication terminal may be simply referred to as a wireless communication terminal.
  • the model generator 40 When using semi-supervised learning, the model generator 40 generates an object detection model using an object detection algorithm (see Non-Patent Document 2) trained to detect objects related to wireless communication. do.
  • Objects related to wireless communication may be equipped with wireless communication terminals such as people, cars, bikes, bicycles, robots, drones, etc., or may affect wireless radio wave propagation. It is an object, and as a result, it includes those that do not affect the wireless communication quality.
  • the estimation device 10 classifies the relationship between the object information (for example, the time-series data of the detected object class and the bounding box information) obtained by inputting the real-world information into the object detection model and the wireless communication information.
  • the class of the wireless communication terminal and the position on the image can be known.
  • semi-supervised learning the above-mentioned unsupervised learning or semi-supervised learning is used, and the wireless communication terminal real-world information on the extracted real-world information of the wireless communication terminal is transferred to the wireless communication terminal.
  • Communication / real-world models may be trained by supervised learning so that they can be labeled as relevant and the real-world information of the newly generated label can be extracted.
  • the model generator 40 When supervised learning is used, the model generator 40 generates camera images and sensor information after knowing in advance what the wireless communication terminal will be detected by the camera or sensor, and wirelessly communicates with the wireless communication terminal.
  • the relationship between the wireless communication information for the terminal and the obtained real-world information is modeled by machine learning, and training is performed so that the state information of the wireless communication terminal in the real-world information can be extracted from the arbitrary wireless communication information.
  • the time-series data of the bounding box information of the obtained object is obtained by acquiring the RGB image as the real-world information and using the object detection algorithm trained by the RGB image with the class information of the wireless communication terminal prepared separately. It is modeled by learning with a teacher with the wireless communication information of the wireless communication terminal.
  • object information corresponding to the wireless communication terminal is extracted using objects related to wireless communication
  • the wireless communication terminal is specified by a camera or sensor.
  • the real-world / communication model to output the bounding box of the wireless communication terminal using wireless communication information and real-world information
  • the real-world information and wireless communication information can be used in the real-world information.
  • Form a real-world / communication model so that the state information of the target wireless communication terminal existing in can be extracted.
  • the estimation device 10 uses the real-world / communication model generated by the model generation device 40, and based on the relationship between the real-world information and the wireless communication information, obtains the state of the target wireless communication terminal from the real-world information. Extract. For example, when observing the wireless communication information of the target wireless communication terminal, if the wireless communication information of the target wireless communication terminal being observed and the real world information sensed in the real world are input to the estimation device 10, the estimation device 10 is used. 10 extracts state information such as the position, posture, and movement of the target wireless communication terminal from the real world information.
  • FIG. 2 shows an example of the configuration of the estimation device 10.
  • the estimation device 10 shown in the figure includes a detection unit 11 and an extraction unit 12.
  • the detection unit 11 inputs video information as real-world information and detects a state such as the position and speed of an object related to wireless communication.
  • the detection unit 11 may use a machine-learned model to detect an object related to wireless communication from real-world information. For example, when the image of the surveillance camera shown in FIG. 3A is input to the detection unit 11, the detection unit 11 detects the position of the vehicle on the image as shown in FIG. 3B. In FIG. 3B, the object detected by the detection unit 11 is shown by a bounding box. There are many automobiles in the image, and a large number of automobiles are detected by the detection unit 11.
  • the detection unit 11 may input continuous images in time series to detect various states such as the traveling direction and speed of the automobile.
  • the real-world information extraction unit may further refer to, for example, the position information declared from the wireless communication terminal around the video. Obtaining low-precision position information such as GPS from the target wireless communication terminal for extracting the state of the wireless communication terminal and inputting it to the extraction unit 12 to improve the accuracy of the position information as the state of the wireless communication terminal. You can also.
  • the extraction unit 12 uses a real-world communication model to extract and extract an object having a high correlation with the wireless communication information of the wireless communication terminal to be observed from the objects detected by the detection unit 11. Outputs state information such as the position and speed of the object.
  • the result of extracting the object from the detection result of FIG. 3B is shown in FIG. 3C.
  • the vehicle shown in the bounding box of FIG. 3C is a vehicle equipped with the target wireless communication terminal.
  • the wireless communication information of the target wireless communication terminal is obtained from, for example, a base station that receives a signal from the target wireless communication terminal.
  • the extraction unit 12 classifies the relationship between the object detected by the detection unit 11 and the wireless communication information, and extracts an object having the same cluster, group, and feature amount as the target wireless communication terminal from the objects. , State information such as the position and speed of the extracted object may be output.
  • the state of the wireless communication terminal obtained by the estimation device 10 can be used for the communication quality prediction described in Non-Patent Document 1, or the state of the target wireless communication terminal and the behavior of the owner / inclusion of the wireless communication terminal. It can be used to look ahead to the next action such as the owner / inclusion initiating communication from history or preferences. Alternatively, it can also be used for control such as switching of base stations, allocating bands, and allocating antennas and beam patterns of base stations for pre-reading actions. For example, if it is found that the wireless communication terminal will be subject to poor communication quality conditions, the base station may be switched in advance, the allocated bandwidth may be increased, or a better antenna or beam pattern may be assigned to the wireless communication terminal. be able to.
  • FIG. 4 shows an example of another configuration of the estimation device 10.
  • the estimation device 10 shown in the figure is the estimation device 10 of FIG. 2 provided with a prediction unit 13.
  • the prediction unit 13 inputs the wireless communication information of the target wireless communication terminal and the state information of the target wireless communication terminal extracted from the real world information by the extraction unit 12, and uses the real world / communication model to use the target wireless. Predict future wireless communication information of communication terminals.
  • a real-world / communication model representing the relationship between the wireless communication information generated by the model generator 40 and the real-world information can be used.
  • the prediction unit 13 may predict future wireless communication information using only the real-world information corresponding to the wireless communication terminal input from the extraction unit 12, or the wireless communication extracted by the extraction unit 12.
  • Future wireless communication information may be predicted by using real-world information corresponding to the terminal and real-world information input from other detection units 11 other than the wireless communication terminal, and further communication information collection.
  • the future wireless communication information may be predicted including the current or past wireless communication information acquired by the unit 20.
  • the output of the prediction unit 13 may not be used as the prediction result of the future wireless communication quality, but may be used as the control information of the wireless communication for improving the prediction result.
  • the control information is, for example, switching of a base station, allocating a band, selecting a data rate / modulation method / error correction code / spatial multiplex / communication mode, and allocating an antenna or a beam pattern of a base station. ..
  • step S11 the detection unit 11 inputs the image of FIG. 3A, detects an object from the image, and outputs the detection result shown in FIG. 3B.
  • step S12 the extraction unit 12 inputs the detection result of FIG. 3B and the wireless communication information of the target wireless communication terminal, and extracts the state of the target wireless communication terminal. Relationships with all objects obtained in step S11 can be classified by unsupervised learning, or specified by supervised learning learned from pre-measured object detection results and training data of wireless communication information. Further, in step S12, only objects that are likely to be related to the communication terminal may be evaluated. If the wireless communication terminal is known to be a car in advance, the target wireless communication terminal can be extracted using only the detection results related to the car. If the object is extracted in step S11 with a model that can also identify the wireless communication terminal, step S12 can be omitted.
  • step S13 the prediction unit 13 inputs the wireless communication information of the target wireless communication terminal and the extracted state of the extraction unit 12, and predicts the future wireless communication information of the target wireless communication terminal.
  • the control information of the wireless communication information may be output instead of the prediction of the wireless communication information. Further, if the purpose of the system is to estimate the state of the wireless communication terminal in the real world, the output of step S12 may be used and step S13 may be omitted.
  • the wireless communication terminal used in the experiment is an autonomous mobile robot equipped with LiDAR, and randomly moves in the experiment area shown in FIG.
  • the autonomous mobile robot can collect self-position information as terminal information.
  • the self-position is calculated by the Adaptive Monte Carlo Localization (AMCL) of Robot OS from the measurement results of odometry and LiDAR.
  • AMCL Adaptive Monte Carlo Localization
  • FIG. 7 shows an image obtained from the camera 110.
  • An autonomous mobile robot 140 and a stationary robot 150 are shown in the video.
  • the stationary robot 150 is another robot arranged in the central part of the experiment area. Both the autonomous mobile robot 140 and the stationary robot 150 are detected on the image, and a bounding box is obtained at each detection position.
  • Base station 130 performs wireless communication with an autonomous mobile robot.
  • Wireless LAN IEEE802.11ac
  • the bounding box of the autonomous mobile robot can be used. It can be derived that the information has a high relationship with the target RSSI. In this way, if wireless communication information such as RSSI for a certain wireless communication terminal is obtained, the relationship between the real-world information such as the bounding box of the object detected in the video and the wireless communication information can be learned by unsupervised learning. By calculation, the bounding box corresponding to the target wireless communication terminal or the owner / inclusion of the wireless communication terminal can be derived.
  • the prediction accuracy of the wireless communication information that predicted the future RSSI using the derived bounding box will be described.
  • the position of the autonomous mobile robot is extracted by the present embodiment using the images obtained by the two cameras and the future RSSI is predicted, the self-position is estimated with high accuracy by the LiDAR mounted on the autonomous mobile robot.
  • the prediction accuracy was evaluated when the future RSSI was predicted using the above results and when the future RSSI was predicted from the past RSSI information.
  • a prediction model for predicting RSSI from the position of an autonomous mobile robot was constructed using a random forest.
  • FIG. 8 shows the evaluation of the prediction accuracy in the future time in each method.
  • the horizontal axis of the graph is the predicted future time, and the vertical axis is the evaluation of prediction accuracy.
  • the prediction accuracy was evaluated using the R2 score expressed by the following equation.
  • Ri is the RSSI value in the i-th sample
  • Ri with a hat is the RSSI value predicted in the random forest
  • Rave is the average value of RSSI in the data used. The higher R2, the higher the prediction performance.
  • the graph plotted by the solid line is an evaluation of the prediction accuracy of predicting the future RSSI using the bounding box of the autonomous mobile robot obtained by the present embodiment.
  • the graph plotted by the dotted line is an evaluation of the prediction accuracy of predicting the future RSSI using the self-position of the autonomous mobile robot.
  • the graph plotted by the alternate long and short dash line is an evaluation of the prediction accuracy of predicting the future RSSI from the past RSSI information.
  • the one in which the communication quality is predicted by this embodiment obtains the highest prediction performance.
  • the same prediction performance can be obtained by using high-precision position information, but this requires high-frequency feedback of position information from the wireless communication terminal, which causes a problem of straining the wireless communication line.
  • RSSI can be measured on the base station side, but the prediction performance is significantly reduced by the method of predicting from the past RSSI.
  • the state information output system 1 of the present embodiment acquires the wireless communication quality of the wireless communication terminal and the real-world information collecting unit 30 that collects the real-world information that senses the space where the wireless communication terminal exists. Estimated to input the real-world information and wireless communication quality with the communication information collecting unit 20 to extract the state information of the wireless communication terminal in the real-world information based on the relationship between the real-world information and the wireless communication quality.
  • the device 10 is provided. As a result, the state information of the wireless communication terminal that performs wireless communication can be extracted from the real-world information.
  • the state information output system 1 of the present embodiment predicts future wireless communication information from the state information of the wireless communication terminal extracted from the real world information based on the relationship between the real world information and the wireless communication information. It has a part. This makes it possible to predict future wireless communication information from real-world information and wireless communication information.
  • the devices included in the state information output system 1 described above include, for example, a central processing unit (CPU) 901, a memory 902, a storage 903, a communication device 904, and an input device 905, as shown in FIG. ,
  • a general-purpose computer system including an output device 906 can be used.
  • the apparatus included in the state information output system 1 is realized by the CPU 901 executing a predetermined program loaded on the memory 902. This program can be recorded on a computer-readable recording medium such as a magnetic disk, an optical disk, or a semiconductor memory, or can be distributed via a network.
  • the device provided in the state information output system 1 may be realized by using hardware such as Programmable Logic Device (PLD) and Field Programmable Gate Array (FPGA).
  • PLD Programmable Logic Device
  • FPGA Field Programmable Gate Array

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Traffic Control Systems (AREA)

Abstract

無線通信を行う無線通信端末の状態情報を出力する状態情報出力システム１である。状態情報出力システム１は、無線通信端末の存在する空間をセンシングした実世界情報を収集する実世界情報収集部３０と、無線通信端末の無線通信品質を取得する通信情報収集部２０と、実世界情報と無線通信品質を入力し、実世界情報と無線通信品質との間の関係性に基づいて、実世界情報における無線通信端末の状態情報を抽出する推定装置１０備える。

Description

情報出力システム、情報出力方法、推定装置、およびプログラム
　本発明は、情報出力システム、情報出力方法、推定装置、およびプログラムに関する。
　様々なデバイスがインターネットにつながるＩｎｔｅｒｎｅｔ　ｏｆ　ｔｈｉｎｇｓ（ＩｏＴ）の実現が進んでおり、自動車、ドローン、および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ＩＥＥＥ　８０２．１１で規定される無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＬＴＥや５Ｇによるセルラー通信、ＩｏＴ向けのＬｏｗ　Ｐｏｗｅｒ　Ｗｉｄｅ　Ａｒｅａ（ＬＰＷＡ）通信、車通信に用いられるＥｌｅｃｔｒｏｎｉｃ　Ｔｏｌｌ　Ｃｏｌｌｅｃｔｉｏｎ　Ｓｙｓｔｅｍ（ＥＴＣ）、Ｖｅｈｉｃｌｅ　Ｉｎｆｏｒｍａｔｉｏｎ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ（ＶＩＣＳ）、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。
　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、無線通信品質の要求条件を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。無線通信端末の位置、姿勢、動きなどの端末状態や、その周辺の静的または動的な物体により、通信相手との間の電波伝搬環境が変化し、通信品質が影響され、当該無線通信端末による無線通信により実現され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。特に、高い周波数を用いるほど、電波の直進性が強く、通信品質に影響を受けやすい。つまり、無線通信端末の無線通信は、自身と周辺環境の状態の両方が作用する。例えば、無線通信端末や周辺のオブジェクトが動くことにより、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可能性がある。非特許文献１は、深度カメラを用い、無線通信端末の周辺物体が通信路を遮蔽することを予測することが可能であることを示しており、無線通信においてもカメラやセンサなどから得られる映像情報の有用性が注目されている。
Nishio, Takayuki, et al. "Proactive received power prediction using machine learning and depth images for mmWave networks." IEEE Journal on Selected Areas in Communications 37.11 (2019): 2413-2427. J. Redmon and A. Farhadi, "Yolov3: An incremental improvement," CoRR, vol. abs/1804.02767, Apr. 2018.
　しかしながら、無線通信端末または周辺物体が動くことによるアンテナの指向性の向きや伝搬環境の変化によって生じる通信状態への影響を考慮するためには、無線通信端末の位置や状態を把握していることが必要である。
　本発明は、上記に鑑みてなされたものであり、無線通信を行う無線通信端末の実空間における情報を抽出することを目的とする。
　本発明の一態様の情報出力システムは、無線通信を行う無線通信端末の状態情報を出力する情報出力システムであって、前記無線通信端末の存在する空間をセンシングした実世界情報を収集する収集装置と、前記無線通信端末の無線通信情報を取得する通信装置と、前記実世界情報と前記無線通信情報を入力し、実世界情報と無線通信情報との間の関係性に基づいて、前記実世界情報から前記無線通信端末の状態情報を抽出する推定装置を備える。
　本発明によれば、無線通信を行う無線通信端末の実空間における情報を抽出することができる。
図１は、本実施形態の状態情報出力システムの構成の一例を示す図である。 図２は、推定装置の構成の一例を示す図である。 図３Ａは、推定装置に入力する映像の一例を示す図である。 図３Ｂは、図３Ａからオブジェクトを検出した検出結果の一例を示す図である。 図３Ｃは、図３Ｂの検出結果から対象のオブジェクトを抽出した一例を示す図である。 図４は、推定装置の別の構成の一例を示す図である。 図５は、推定装置の処理の流れの一例を示すフローチャートである。 図６は、屋内の実験エリアの平面図である。 図７は、カメラから得られた実験エリアの映像である。 図８は、予測性能の評価結果を示す図である。 図９は、状態情報出力システムの備える装置のハードウェア構成の一例を示す図である。
　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。
　まず、図１を参照し、本実施形態の状態情報出力システム１の構成例について説明する。図１に示す状態情報出力システム１は、推定装置１０、通信情報収集部２０、実世界情報収集部３０、およびモデル生成装置４０を備える。状態情報出力システム１は、無線通信を行う無線通信端末の状態情報をカメラやセンサにより取得される実世界データから抽出して出力するシステムである。状態情報とは、例えば、無線通信端末の位置、姿勢、速度、向き、速度、加速度、角速度、利用形態、保持状態などの無線通信端末の状態を示す情報である。
　通信情報収集部２０は、無線通信端末の無線通信情報を収集する。無線通信情報とは、無線通信に関する情報であり、例えば、通信相手となる通信端末の識別番号、通信方式、無線通信信号の電波伝搬情報、電波伝搬情報に関係のあるチャネル関係情報、無線通信信号を介したフィードバック情報、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）、Ｑｕａｌｉｔｙ　Ｏｆ　Ｓｅｒｖｉｃｅ（ＱｏＳ）、Ｑｕａｌｉｔｙ　Ｏｆ　Ｅｘｐｅｒｉｅｎｃｅ（ＱｏＥ）、パケット誤り率、到達ビット数、ビット誤り率、単位時間あたり到達ビット数、Ｍｏｄｕｌａｒ　Ｃｏｄｅ　Ｉｎｄｅｘ（ＭＣＳ）、再送回数、パケット到達遅延時間、誤り訂正技術の設定、通信端末利用者契約情報、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、無線通信システムの周波数、利用するリソースの帯域幅などの周波数条件、無線通信システムが接続されている通信ネットワークの情報、およびこれらの指標に影響を与える通信システムの設定項目を表す。
　通信情報収集部２０を無線システムごとに複数備えてもよい。例えば、状態情報出力システム１が無線ＬＡＮ、ＬＴＥ、５Ｇなどの無線システムごとに通信情報収集部２０を備えて、通信情報収集部２０のそれぞれが各無線システムの通信品質を収集する。無線通信情報は、無線システムまたは無線システムが接続される有線ネットワークの情報として得られる。
　実世界情報収集部３０は、実世界に存在する物体（無線通信端末を含む）の物理的な位置および動きなどの実世界情報をセンサから収集する。実世界情報とは、対象の無線通信端末が存在する空間のセンシングデータであり、例えば、ＲＧＢカメラ、深度カメラ、フレーム差分／背景差分カメラ、ＬｉＤＡＲなどのセンサから得られる２次元または３次元の地面、壁、構造物、物体などの物理的な位置や動きの情報である。実世界情報には、さらに、静的な地図情報や、店・商品・交差点・充電場所など空間的な意味情報を含んでもよい。実世界情報収集部３０は、複数のセンサから実世界情報を収集してもよいし、複数種類の実世界情報を収集してもよい。実世界情報は、環境情報またはセンサ情報とも称される。
　モデル生成装置４０は、通信情報収集部２０の収集した無線通信情報と実世界情報収集部３０の収集した実世界情報を入力し、無線通信情報と実世界情報の間の関係性を表す実世界・通信モデルを生成する。機械学習として言い換えると、無線通信情報と実世界情報を訓練データとして入力し、実世界または無線通信情報に係るパラメータを出力する実世界・通信モデルの係数を更新する訓練を行い、出力する。例えば、実世界・通信モデルに、対象の無線通信端末の無線通信情報と対象の無線通信端末の存在する環境をセンシングした実世界情報を入力すると、対象の無線通信端末に関する実世界情報が得られる。無線通信情報と実世界情報はシミュレーション空間で生成されたものを使ってもよいし、実測したデータでもよい。
　機械学習は、ニューラルネットワーク、決定木、ランダムフォレスト、など任意の機械学習アルゴリズムを用いることができる。また、機械学習は、教師無し学習、半教師あり学習、教師あり学習を用いることができる。
　教師無し学習を用いる場合には、推定装置１０は、例えば、実世界情報と無線通信情報を合わせたデータに対し、クラスタリング、グループ分け、潜在構造解析を行い、実世界情報と無線通信情報との間の関係性を分類し、実世界情報の中で、対象の無線通信端末と同じクラスタ、グループ、特徴量となる情報を選択し、実世界における当該無線通信端末に関係の深い事象、つまり当該無線通信端末またはその所有者またはその包含物の位置、姿勢、および動きなどの状態情報を抽出する。具体的な例としては、実世界情報として、ＲＧＢイメージを取得し、ＲＧＢイメージと、無線通信端末から得られる無線通信情報との関係性を学習し、映像上で関係が深い部分を抽出して、無線通信端末または無線通信端末の所有者または無線通信端末の包含物を判断する。以下、無線通信端末を保持する人（所有者）および無線通信端末を備える車両やロボットなどの包含物を単に無線通信端末と称することもある。これは、無線通信端末の動きが、無線通信情報に影響を与えるため、無線通信端末が動くことで、電波伝搬の条件が変わり、無線通信情報に変化が見えることを利用しており、時系列で関係性を見るなどして、どの実世界情報が、取得したい無線通信端末の無線通信情報に強く影響しているかを抽出することで、無線通信端末を特定できる。
　半教師あり学習を用いる場合には、モデル生成装置４０は、無線通信と関連のあるオブジェクトを検出するように訓練されたオブジェクト検出アルゴリズム（非特許文献２を参照）を用いてオブジェクト検出モデルを生成する。無線通信と関連があるオブジェクト、とは、人、車、バイク、自転車、ロボット、ドローン、など無線通信端末を搭載している可能性があったり、無線の電波伝搬に影響を与える可能性がある物体のことであり、結果的には無線通信品質に影響を与えないものも含む。推定装置１０は、実世界情報をオブジェクト検出モデルに入力して得られたオブジェクト情報（例えば、検出したオブジェクトのクラスとバウンディングボックス情報の時系列データ）と無線通信情報との間の関係性を分類し、オブジェクト情報の中で、対象の無線通信端末と同じクラスタ、グループ、特徴量となる情報を選択し、当該無線通信端末のクラスと、映像上の位置を知ることができる。また、異なる形態の半教師あり学習としては、前述の教師無し学習または半教師あり学習を用い、抽出された無線通信端末の実世界情報上での無線通信端末実世界情報を、無線通信端末に係るものとしてラベルを付け、改めて生成したラベルの実世界情報が抽出できるように教師あり学習により、通信・実世界モデルを訓練してもよい。
　教師あり学習を用いる場合には、モデル生成装置４０は、無線通信端末が、どのようなものとしてカメラまたはセンサで検出されるのかあらかじめ分かったうえで、カメラ映像やセンサ情報を生成し、無線通信端末に対する無線通信情報と得られた実世界情報の間の関係性を機械学習によりモデル化し、任意の無線通信情報から、実世界情報における無線通信端末の状態情報を抽出できるように訓練する。例えば、実世界情報として、ＲＧＢイメージを取得し、別途用意された無線通信端末のクラス情報付きＲＧＢイメージで訓練されたオブジェクト検出アルゴリズムを用い、得られたオブジェクトのバウンディングボックス情報の時系列データを、当該無線通信端末の無線通信情報との間で教師あり学習でモデル化する。つまり、半教師あり学習において、無線通信と関連があるオブジェクトを用いて無線通信端末に対応するオブジェクト情報を抽出したのに対し、教師あり学習では、カメラやセンサにより無線通信端末を特定したうえで得られる無線通信端末に対応するオブジェクト情報を用い、無線通信情報との間の関係を学習する。無線通信情報と実世界情報を用い、当該無線通信端末のバウンディングボックスを出力するように、実世界・通信モデルを訓練することで、実世界情報と無線通信情報を用いて、実世界情報の中に存在する対象の無線通信端末の状態情報を抽出できるように実世界・通信モデルを形成する。
　推定装置１０は、モデル生成装置４０の生成した実世界・通信モデルを利用し、実世界情報と無線通信情報との間の関係性に基づいて、実世界情報から対象の無線通信端末の状態を抽出する。例えば、対象の無線通信端末の無線通信情報を観測している場合、推定装置１０に観測している対象の無線通信端末の無線通信情報と実世界をセンシングした実世界情報を入力すると、推定装置１０は、実世界情報から対象の無線通信端末の位置、姿勢、および動きなどの状態情報を抽出する。
　図２に推定装置１０の構成の一例を示す。同図に示す推定装置１０は、検出部１１と抽出部１２を備える。
　検出部１１は、実世界情報として映像情報を入力し、無線通信と関連があるオブジェクトの位置や速度などの状態を検出する。検出部１１は、実世界情報から無線通信と関係があるオブジェクトを検出するように機械学習したモデルを利用してもよい。例えば、図３Ａに示す監視カメラの映像を検出部１１に入力すると、検出部１１は、図３Ｂに示すように映像上の自動車の位置を検出する。図３Ｂでは、検出部１１の検出したオブジェクトをバウンディングボックスで示した。映像中には多数の自動車が存在し、検出部１１によって多数の自動車が検出されている。検出部１１は、時系列に連続する映像を入力して、自動車の進行方向や速度など様々な状態を検出してもよい。実世界情報抽出部は、映像に加え、例えば、映像周辺の無線通信端末から申告される位置情報を、さらに参照してもよい。無線通信端末の状態を抽出する対象となる無線通信端末から、ＧＰＳなど精度の低い位置情報を取得して、抽出部１２へ入力し、無線通信端末の状態として、位置情報を高精度化することもできる。
　抽出部１２は、実世界・通信モデルを利用して、検出部１１の検出したオブジェクトの中から、観測している対象の無線通信端末の無線通信情報と相関の高いオブジェクトを抽出し、抽出したオブジェクトの位置や速度などの状態情報を出力する。図３Ｂの検出結果からオブジェクトを抽出した結果を図３Ｃに示す。図３Ｃのバウンディングボックスで示した自動車が対象の無線通信端末を搭載した自動車である。対象の無線通信端末の無線通信情報は、例えば、対象の無線通信端末からの信号を受信する基地局から得られる。
　抽出部１２は、検出部１１の検出したオブジェクトと無線通信情報との間の関係性を分類し、オブジェクトの中から、対象の無線通信端末と同じクラスタ、グループ、特徴量となるオブジェクトを抽出し、抽出したオブジェクトの位置や速度などの状態情報を出力してもよい。
　推定装置１０で得られた無線通信端末の状態を非特許文献１に記載の通信品質予測に用いることができ、あるいは、対象の無線通信端末の状態と無線通信端末の所有者／包含物の行動履歴や嗜好から所有者／包含物が通信を開始するような次の行動の先読みに利用することができる。または、行動の先読みに対して、基地局の切り替えや帯域の割り当てや、基地局のアンテナやビームパターンの割り当てなどの制御に用いることもできる。例えば、無線通信端末が、通信品質の悪い条件にこれからなることがわかれば、予め基地局を切り替えたり、割り当て帯域を増やしたり、アンテナやビームパターンを当該無線通信端末に対してよりよいものを割り当てることができる。
　図４に推定装置１０の別の構成の一例を示す。同図に示す推定装置１０は、図２の推定装置１０に予測部１３を備えたものである。
　予測部１３は、対象の無線通信端末の無線通信情報と抽出部１２が実世界情報から抽出した対象の無線通信端末の状態情報を入力し、実世界・通信モデルを利用して、対象の無線通信端末の未来の無線通信情報を予測する。予測部１３の利用する実世界・通信モデルには、モデル生成装置４０の生成した無線通信情報と実世界情報の間の関係性を表す実世界・通信モデルを利用できる。予測部１３は、抽出部１２から入力される、無線通信端末に対応する実世界情報のみを用いて、未来の無線通信情報を予測してもよいし、抽出部１２で抽出された当該無線通信端末に対応する実世界情報および、当該無線通信端末ではない、そのほかの検出部１１から入力された実世界情報も含めて用いて未来の無線通信情報を予測してもよいし、さらに通信情報収集部２０で取得された、現在または過去の無線通信情報も含めて、未来の無線通信情報を予測してもよい。また、予測部１３の出力を未来の無線通信品質の予測結果とせず、予測結果を向上するための無線通信の制御情報としてもよい。制御情報とは、例えば、基地局の切り替えや帯域の割り当てや、データレート／変調方式／誤り訂正符号／空間多重数／通信モードの選択や、基地局のアンテナやビームパターンの割り当てのことである。
　次に、図５のフローチャートを参照し、推定装置１０の処理の流れについて説明する。
　ステップＳ１１にて、検出部１１は、図３Ａの映像を入力し、映像からオブジェクトを検出し、図３Ｂに示す検出結果を出力する。
　ステップＳ１２にて、抽出部１２は、図３Ｂの検出結果と対象の無線通信端末の無線通信情報を入力し、対象の無線通信端末の状態を抽出する。ステップＳ１１において得られる全てのオブジェクトとの関係性を、教師無し学習による分類や、事前に測定したオブジェクト検出結果と無線通信情報の訓練データで学習した教師あり学習による特定を行うことができる。また、ステップＳ１２では、通信端末と関連がある可能性の高いオブジェクトのみ、評価してもよい。あらかじめ、無線通信端末が車と分かっていれば、車に関係する検出結果のみを用いて、対象の無線通信端末を抽出できる。ステップＳ１１において、オブジェクトが、無線通信端末の識別も可能なモデルで抽出された場合、ステップＳ１２は省くこともできる。
　ステップＳ１３にて、予測部１３は、対象の無線通信端末の無線通信情報と抽出部１２の抽出した状態を入力し、対象の無線通信端末の未来の無線通信情報を予測する。ステップＳ１３は無線通信情報の予測ではなく、無線通信情報の制御情報を出力してもよい。また、システムが無線通信端末の実世界での状態の推定が目的であれば、ステップＳ１２の出力を用い、ステップＳ１３を省いてもよい。
　次に、図６ないし図８を参照し、本実施形態の効果を実証するために行った実験とその結果を説明する。
　実験に用いた無線通信端末はＬｉＤＡＲを搭載した自律移動ロボットであり、図６に示す実験エリア内をランダムに移動している。自律移動ロボットは、自己位置情報を端末情報として収集できる。自己位置は、オドメトリとＬｉＤＡＲの測定結果から、Ｒｏｂｏｔ　ＯＳのＡｄａｐｔｉｖｅ　Ｍｏｎｔｅ　Ｃａｒｌｏ　Ｌｏｃａｌｉｚａｔｉｏｎ（ＡＭＣＬ）により計算される。
　実験エリア内に、２台のカメラ１１０，１２０と基地局１３０を設置した。カメラ１１０，１２０で実験エリアを撮影する。図７にカメラ１１０から得られる映像を示す。映像中には自律移動ロボット１４０と静止ロボット１５０が写っている。静止ロボット１５０は、実験エリアの中央部に配置した別のロボットである。自律移動ロボット１４０と静止ロボット１５０のいずれも映像上で検出されて、それぞれの検出位置にバウンディングボックスが得られる。
　基地局１３０は、自律移動ロボットとの間で無線通信を行う。無線通信は無線ＬＡＮ（ＩＥＥＥ８０２．１１ａｃ）を用いており、０．２秒間のＲＳＳＩの中央値を計測した。
　バウンディングボックスの映像中の位置（Ｘ, Ｚ）、幅Ｗと高さＨの４つの情報に対し、ターゲットのＲＳＳＩとの間の関係性を教師無し学習でグルーピングすると、自律移動ロボットのバウンディングボックスの情報はターゲットとなるＲＳＳＩとの関係性が高いことが導ける。このように、ある無線通信端末に対するＲＳＳＩなどの無線通信情報が得られれば、映像中で検出された物体のバウンディングボックスなどの実世界情報と無線通信情報との間の関係性を教師無し学習により計算することで、対象の無線通信端末または無線通信端末の所有者／包含物に対応するバウンディングボックスを導出できる。
　続いて、導出されたバウンディングボックスを用いて未来のＲＳＳＩを予測した無線通信情報の予測精度について説明する。ここでは、２台のカメラで得られる映像を用いて本実施形態により自律移動ロボットの位置を抽出して未来のＲＳＳＩを予測した場合、自律移動ロボットに搭載されたＬｉＤＡＲにより高精度に自己位置推定した結果を用いて未来のＲＳＳＩを予測した場合、および過去のＲＳＳＩの情報から未来のＲＳＳＩを予測した場合について予測精度を評価した。なお、自律移動ロボットの位置からＲＳＳＩを予測する予測モデルはランダムフォレストにより構築した。
　図８に、各手法における未来の時間での予測精度の評価を示す。グラフの横軸は予測した未来の時間であり、縦軸は予測精度の評価である。縦軸の評価には次式で表されるＲ２スコアを用いて予測精度を評価した。
Figure JPOXMLDOC01-appb-M000001
　ここで、Ｒｉはｉ番目のサンプルでのＲＳＳＩ値であり、ハット付きＲｉはランダムフォレストで予測されたＲＳＳＩ値であり、Ｒａｖｅは用いたデータにおけるＲＳＳＩの平均値である。Ｒ２が高いほど予測性能が高いことを表す。
　図８において、実線でプロットしたグラフは、本実施形態により得られた自律移動ロボットのバウンディングボックスを用いて未来のＲＳＳＩを予測した予測精度の評価である。点線でプロットしたグラフは、自律移動ロボットの自己位置を用いて未来のＲＳＳＩを予測した予測精度の評価である。一点鎖線でプロットしたグラフは、過去のＲＳＳＩの情報から未来のＲＳＳＩを予測した予測精度の評価である。
　図８より、本実施形態により通信品質を予測したものが最も高い予測性能を得ていることが確認できる。高精度の位置情報を用いたものも同等の予測性能が得られるが、これは無線通信端末からの位置情報のフィードバックを高頻度で取得する必要があり、無線通信回線をひっ迫する問題がある。ＲＳＳＩは基地局側で測定可能であるが、過去のＲＳＳＩから予測する方法では予測性能が著しく低くなる。
　以上説明したように、本実施形態の状態情報出力システム１は、無線通信端末の存在する空間をセンシングした実世界情報を収集する実世界情報収集部３０と、無線通信端末の無線通信品質を取得する通信情報収集部２０と、実世界情報と無線通信品質を入力し、実世界情報と無線通信品質との間の関係性に基づいて、実世界情報における無線通信端末の状態情報を抽出する推定装置１０備える。これにより、実世界情報から無線通信を行う無線通信端末の状態情報を抽出できる。
　本実施形態の状態情報出力システム１は、実世界情報と無線通信情報との間の関係性に基づいて、実世界情報から抽出した無線通信端末の状態情報から未来の無線通信情報を予測する予測部を備える。これにより、実世界情報と無線通信情報から未来の無線通信情報の予測が可能になる。
　上記説明した状態情報出力システム１の備える装置には、例えば、図９に示すような、中央演算処理装置（ＣＰＵ）９０１と、メモリ９０２と、ストレージ９０３と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、ＣＰＵ９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、状態情報出力システム１の備える装置が実現される。このプログラムは磁気ディスク、光ディスク、半導体メモリ等のコンピュータ読み取り可能な記録媒体に記録することも、ネットワークを介して配信することもできる。また、状態情報出力システム１の備える装置は、Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ（ＰＬＤ）およびＦｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ（ＦＰＧＡ）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。
　１…状態情報出力システム
　１０…推定装置
　１１…検出部
　１２…抽出部
　１３…予測部
　２０…通信情報収集部
　３０…実世界情報収集部
　４０…モデル生成装置

Claims (9)

  1. 　無線通信を行う無線通信端末の状態情報を出力する情報出力システムであって、
    　前記無線通信端末の存在する空間をセンシングした実世界情報を収集する収集装置と、
    　前記無線通信端末の無線通信情報を取得する通信装置と、
    　前記実世界情報と前記無線通信情報を入力し、実世界情報と無線通信情報との間の関係性に基づいて、前記実世界情報から前記無線通信端末の状態情報を抽出する推定装置を備える
    　情報出力システム。
  2. 　請求項１に記載の情報出力システムであって、
    　前記推定装置は、実世界情報と無線通信情報との間の関係性を分類し、前記無線通信端末の無線通信情報に対応する実世界情報を前記無線通信端末の状態情報として抽出する
    　情報出力システム。
  3. 　請求項１に記載の情報出力システムであって、
    　前記推定装置は、前記実世界情報から無線通信と関連のあるオブジェクト情報を検出し、検出したオブジェクト情報と無線通信情報との間の関係性を分類し、前記無線通信端末の無線通信情報に対応するオブジェクト情報を前記無線通信端末の状態情報として抽出する
    　情報出力システム。
  4. 　請求項１に記載の情報出力システムであって、
    　実世界情報から検出される前記無線通信端末に対応するオブジェクト情報と前記無線通信情報とを教師データとして入力し、オブジェクト情報と無線通信情報との間の関係性を機械学習して実世界・通信モデルを生成するモデル生成装置を備え、
    　前記推定装置は、前記実世界情報から前記無線通信端末に対応するオブジェクト情報を検出し、前記実世界・通信モデルに検出したオブジェクト情報と前記無線通信端末の無線通信情報を入力することで、前記実世界情報から前記無線通信端末の状態情報を抽出する
    　情報出力システム。
  5. 　請求項１ないし４のいずれかに記載の情報出力システムであって、
    　前記推定装置は、実世界情報と無線通信品質との間の関係性に基づいて、前記無線通信端末の状態情報から前記無線通信端末の未来の無線通信情報を予測し、未来の無線通信品質または無線通信制御方法を出力する
    　情報出力システム。
  6. 　無線通信を行う無線通信端末の状態情報を出力する情報出力方法であって、
    　収集装置が、前記無線通信端末の存在する空間をセンシングした実世界情報を収集し、
    　通信装置が、前記無線通信端末の無線通信情報を取得し、
    　推定装置が、前記実世界情報と前記無線通信情報を入力し、実世界情報と無線通信情報との間の関係性に基づいて、前記実世界情報から前記無線通信端末の状態情報を抽出する
    　情報出力方法。
  7. 　無線通信を行う無線通信端末の状態情報を出力する推定装置であって、
    　前記無線通信端末の存在する空間をセンシングした実世界情報から無線通信と関連のあるオブジェクト情報を検出する検出部と、
    　前記無線通信端末の無線通信情報を入力し、実世界情報と無線通信情報との間の関係性に基づいて、前記オブジェクト情報の中から前記無線通信端末の無線通信情報と相関の高いオブジェクト情報を前記無線通信端末の状態情報として抽出する抽出部を備える
    　推定装置。
  8. 　請求項７に記載の推定装置であって、
    　実世界情報と無線通信情報との間の関係性に基づいて、前記無線通信端末の状態情報から前記無線通信端末の未来の無線通信情報を予測し、未来の無線通信品質または無線通信制御方法を出力する予測部を備える
    　推定装置。
  9. 　請求項７または８に記載の推定装置の各部としてコンピュータを動作させるプログラム。
PCT/JP2020/042321 2020-11-12 2020-11-12 情報出力システム、情報出力方法、推定装置、およびプログラム WO2022102069A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022561795A JPWO2022102069A1 (ja) 2020-11-12 2020-11-12
PCT/JP2020/042321 WO2022102069A1 (ja) 2020-11-12 2020-11-12 情報出力システム、情報出力方法、推定装置、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/042321 WO2022102069A1 (ja) 2020-11-12 2020-11-12 情報出力システム、情報出力方法、推定装置、およびプログラム

Publications (1)

Publication Number Publication Date
WO2022102069A1 true WO2022102069A1 (ja) 2022-05-19

Family

ID=81600962

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/042321 WO2022102069A1 (ja) 2020-11-12 2020-11-12 情報出力システム、情報出力方法、推定装置、およびプログラム

Country Status (2)

Country Link
JP (1) JPWO2022102069A1 (ja)
WO (1) WO2022102069A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016170012A (ja) * 2015-03-12 2016-09-23 エヌ・ティ・ティ・コミュニケーションズ株式会社 測位装置、測位方法、測位プログラム、および、測位システム
JP2018026728A (ja) * 2016-08-10 2018-02-15 Kddi株式会社 通信品質予測装置、ロボット、通信品質予測方法、及びプログラム
JP2020112441A (ja) * 2019-01-11 2020-07-27 株式会社Ｗｈｅｒｅ 情報処理装置、位置算出システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016170012A (ja) * 2015-03-12 2016-09-23 エヌ・ティ・ティ・コミュニケーションズ株式会社 測位装置、測位方法、測位プログラム、および、測位システム
JP2018026728A (ja) * 2016-08-10 2018-02-15 Kddi株式会社 通信品質予測装置、ロボット、通信品質予測方法、及びプログラム
JP2020112441A (ja) * 2019-01-11 2020-07-27 株式会社Ｗｈｅｒｅ 情報処理装置、位置算出システム

Also Published As

Publication number Publication date
JPWO2022102069A1 (ja) 2022-05-19

Similar Documents

Publication Publication Date Title
US20220210622A1 (en) Communication system and base station
Sliwa et al. The channel as a traffic sensor: Vehicle detection and classification based on radio fingerprinting
CN108009688B (zh) 聚集事件预测方法、装置及设备
US20220345919A1 (en) Communication terminal and communication quality prediction method
Higuchi et al. Mobile devices as an infrastructure: A survey of opportunistic sensing technology
Sliwa et al. System-of-systems modeling, analysis and optimization of hybrid vehicular traffic
US20220352995A1 (en) Communication system and terminal
JP7351397B2 (ja) 通信品質を予測するシステム、装置、方法及びプログラム
WO2022102069A1 (ja) 情報出力システム、情報出力方法、推定装置、およびプログラム
Tabibiazar et al. Kernel-based optimization for traffic density estimation in ITS
WO2022102064A1 (ja) 情報出力システム、情報出力方法、情報出力装置、およびプログラム
El Boudani et al. Positioning as service for 5g iot networks
KR101250495B1 (ko) 와이파이 단말기의 위치를 예측하는 방법 및 장치
WO2023147892A1 (en) Long-term accurate crowd estimation in smart cities
Mukhtar Machine learning enabled-localization in 5g and lte using image classification and deep learning
KR20220065694A (ko) 고해상도 QoS 예측 맵을 결정하는 장치들 및 방법들
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
EP3752793B1 (en) Apparatus and method for estimating a physical state of a movable object
WO2024100889A1 (ja) 通信品質予測装置、通信品質予測方法、およびプログラム
JP7439947B2 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
WO2022079833A1 (ja) 通信情報予測装置、通信情報予測方法、および通信情報予測プログラム
JP7453587B2 (ja) 通信品質予測装置、通信品質予測システム、通信品質予測方法、及び、通信品質予測プログラム
EP4224116A1 (en) Utilizing models to evaluate geolocation estimate quality without independent test data
JP7431415B2 (ja) 情報処理装置および情報処理方法
Abuhoureyah et al. Free device location independent WiFi‐based localisation using received signal strength indicator and channel state information

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20961597

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022561795

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20961597

Country of ref document: EP

Kind code of ref document: A1