WO2024100881A1 - 通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム - Google Patents
通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム Download PDFInfo
- Publication number
- WO2024100881A1 WO2024100881A1 PCT/JP2022/042068 JP2022042068W WO2024100881A1 WO 2024100881 A1 WO2024100881 A1 WO 2024100881A1 JP 2022042068 W JP2022042068 W JP 2022042068W WO 2024100881 A1 WO2024100881 A1 WO 2024100881A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- communication
- user
- motion information
- communication quality
- communication state
- Prior art date
Links
- 238000004891 communication Methods 0.000 title claims abstract description 252
- 238000000034 method Methods 0.000 title claims description 12
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Definitions
- This disclosure relates to a communication state estimation device, a communication state estimation system, a communication state estimation method, and a communication state estimation program.
- the communication quality changes according to changes in the environment, such as the movement of objects in the vicinity. Due to changes in the environment, it may become impossible to meet the service provided by the communication device or the communication quality required by the system.
- fifth-generation communications such as "IEEE802.11ad” and cellular communications use high frequencies in the millimeter range, so blocking caused by obstacles between the transmitter and receiver in wireless communications has a significant impact on communication quality.
- Non-patent literature 1 and 2 describe a method for estimating the receiving power of millimeter wave radio waves based on physical information obtained from a depth camera
- non-patent literature 2 describes a method for estimating millimeter wave throughput based on physical information obtained from a depth camera.
- non-patent documents 1 and 2 do not take into account the movement of the user carrying the communication device when predicting communication quality. That is, non-patent documents 1 and 2 acquire physical space information from a depth camera, and predict communication quality when the wireless communication channel of millimeter wave communication is interrupted due to the passage of an object, based on this information. Non-patent documents 1 and 2 make no mention of predicting communication quality based on physical space information using motion including the positional relationship between the user and the communication device, and the user's moving speed and acceleration. This poses the problem that communication conditions such as communication quality cannot be predicted with high accuracy.
- This disclosure has been made in consideration of the above circumstances, and its purpose is to provide a communication state estimation device, a communication state estimation system, a communication state estimation method, and a communication state estimation program that are capable of predicting with high accuracy the communication state of a communication terminal carried by a user (person, robot).
- a communication status estimation device includes an information acquisition unit that acquires user motion information from detection data from the motion detection unit, a communication quality acquisition unit that acquires the communication quality of the communication terminal carried by the user, and an estimation unit that compares the motion information with the communication quality, extracts motion information whose relationship with the communication quality is higher than a predetermined value, and, when the motion information of the user to be estimated is acquired, estimates the communication status of the communication terminal carried by the user to be estimated based on the motion information whose relationship is higher than the predetermined value.
- a communication state estimation system includes a motion detection unit installed around a user, and a communication state estimation device that estimates the communication state of a communication terminal carried by the user.
- the communication state estimation device includes an information acquisition unit that acquires motion information of the user from data detected by the motion detection unit, a communication quality acquisition unit that acquires the communication quality of the communication terminal carried by the user, and an estimation unit that compares the motion information with the communication quality, extracts motion information whose relationship with the communication quality is higher than a predetermined value, and, when motion information of a user to be estimated is acquired, estimates the communication state of the communication terminal carried by the user to be estimated based on the motion information whose relationship is higher than a predetermined value.
- a communication status estimation method acquires user motion information from detection data from a motion detection unit, acquires communication quality of a communication terminal carried by the user, compares the motion information with the communication quality, extracts motion information whose relationship to the communication quality is higher than a predetermined value, and, when the motion information of a user to be estimated is acquired, estimates the communication status of the communication terminal carried by the user to be estimated based on the motion information whose relationship is higher than a predetermined value.
- One aspect of the present disclosure is a communication state estimation program for causing a computer to function as the above-mentioned communication state estimation device.
- This disclosure makes it possible to predict with high accuracy the communication status of a communication terminal owned by a user.
- FIG. 1 is a block diagram showing the configuration of a communication state estimating system and its peripheral devices according to an embodiment.
- FIG. 2 is a flowchart showing a processing procedure of the communication state estimating system according to the embodiment.
- FIG. 3 is an explanatory diagram that illustrates a flow of calculating a correlation value between motion information and communication quality using machine learning based on the motion information and communication quality collected during data collection.
- FIG. 4A is a graph showing which parts contributed significantly to predictions when learning a prediction model, and shows data when the communication terminal was inserted in a backpack carried by the user.
- FIG. 4B is a graph showing which parts contributed significantly to predictions when learning the prediction model, and shows data when the user held the communication terminal in his/her left hand.
- FIG. 4A is a graph showing which parts contributed significantly to predictions when learning a prediction model, and shows data when the communication terminal was inserted in a backpack carried by the user.
- FIG. 4B is a graph showing which parts contributed significantly to predictions when learning the prediction model, and shows
- FIG. 5A is a graph showing estimated values of communication quality predicted based on location coordinates and actual measured values of communication quality.
- FIG. 5B is a graph showing estimated values when communication quality is predicted based on motion information and actual measured values of communication quality.
- FIG. 6 is a block diagram showing the hardware configuration of this embodiment.
- FIG. 1 is a block diagram showing the configuration of a communication state estimation system according to an embodiment.
- the communication state estimation system 100 includes a motion detection unit 1 and a communication state estimation device 2.
- the motion detection unit 1 is installed around a person or a robot.
- the robot is, for example, a robot that imitates a human, and is equipped with, for example, a right hand, a left hand, a torso, and a head, each of which can operate independently.
- the person and the robot are collectively referred to as "user P1".
- User P1 possesses a communication terminal 51.
- the communication terminal 51 is, for example, a smartphone, a tablet terminal, or a PC (personal computer), and is capable of voice calls, data communications, etc.
- the motion detection unit 1 includes at least one of a sensor 11 worn by the user P1 and a camera 12 installed around the user P1 to capture images of the surroundings.
- Motion information is information about the position, speed, acceleration, and combinations of these of the part. Specifically, motion information is information such as “the right hand is raised upwards” and “the left hand is moving at a speed of XX [m/sec]."
- Camera 12 is installed at an appropriate location around user P1, and captures an image of user P1 to obtain image data. Because the installation position of camera 12 is fixed, it is possible to detect motion information of user P1 by analyzing the image data.
- the motion detection unit 1 which includes the sensor 11 and the camera 12, is connected to the communication state estimation device 2 wirelessly or via a wire.
- the motion detection unit 1 transmits motion information detected by the sensor 11 and image data captured by the camera 12 to the communication state estimation device 2.
- the motion detection unit 1 includes the sensor 11 and the camera 12 will be described, but a configuration in which only one of the sensor 11 and the camera 12 is included may also be used.
- devices capable of detecting the above-mentioned motion information may also be installed.
- the communication state estimation device 2 collects the communication quality when communication terminals 51 held by multiple users P1 are communicating, and the motion information of each user P1 obtained from the motion detection unit 1, and collects associated data indicating the relationship between the motion information and the communication quality. Furthermore, when the motion information of the user P1 to be estimated is obtained, the communication state of the communication terminal 51 held by this user P1 is estimated based on the associated data.
- the communication state includes the communication quality of the communication terminal 51, and the manner in which the user P1 holds the communication terminal 51.
- Communication quality includes, for example, bandwidth throughput, RSSI (Received Signal Strength Indicator) which indicates the received signal strength of radio waves, RSRP (Reference Signal Received Power) which indicates the radio wave strength of the base station, RSRQ (Reference Signal Received Quality) which indicates the received strength of radio waves, and SINR (Signal to Interference and Noise) which indicates the received quality of the signal.
- RSSI Receiveived Signal Strength Indicator
- RSRP Reference Signal Received Power
- RSRQ Reference Signal Received Quality
- SINR Signal to Interference and Noise
- the manner in which user P1 holds communication terminal 51 refers to, for example, user P1 holding communication terminal 51 in his right hand, or communication terminal 51 being inserted in a backpack carried by user P1.
- the configuration of communication state estimation device 2 will be specifically described below.
- the communication state estimation device 2 includes a communication quality acquisition unit 21, an information acquisition unit 22, and an estimation unit 23.
- the communication quality acquisition unit 21 acquires the communication quality when the communication terminal 51 owned by the user P1 is communicating.
- the information acquisition unit 22 acquires at least one of the motion information detected by the sensor 11 and image data captured by the camera 12. Based on the image data transmitted from the camera 12, the information acquisition unit 22 calculates the motion information of the user P1 contained in the image data. That is, the information acquisition unit 22 acquires the motion information of the user from the detection data of the motion detection unit 1 installed around the user.
- Well-known image processing techniques can be used as a method for calculating the motion information from the image data.
- the estimation unit 23 acquires the communication quality from the communication quality acquisition unit 21, and acquires the motion information from the information acquisition unit 22. Specifically, the estimation unit 23 calculates a correlation value between the motion information and the communication quality using machine learning based on the communication quality and the motion information. Based on the calculated correlation value, the estimation unit 23 extracts motion information whose correlation value with the communication quality is higher than a predetermined value. Note that the calculation of the correlation value may employ a statistical method other than machine learning.
- feature importance and singular value decomposition may also be analyzed, and motion information whose analysis results are higher than a predetermined value may be extracted. That is, the estimation unit 23 analyzes at least one of the factors of the correlation value, feature importance, and singular value decomposition based on the time-series data of the motion information and communication quality, and outputs motion information whose factor is higher than a predetermined threshold value.
- the estimation unit 23 also acquires motion information of the user P1 to be estimated, and estimates the communication state of the communication terminal 51 held by the user P1 to be estimated based on the motion information in which the relationship is higher than a predetermined value.
- the communication state includes the communication quality and the manner in which the user P1 holds the communication terminal 51.
- the estimation unit 23 generates a communication quality prediction model that indicates the relationship between the extracted motion information and the communication quality during communication, and when the motion information of the user P1 to be estimated is input, this model is used to estimate the communication quality (communication state) of the communication terminal 51 held by the user P1 to be estimated.
- the estimation unit 23 generates a prediction model based on the motion information of the user P1 to be estimated and the motion information whose correlation value with the communication quality is higher than a predetermined value, and estimates the manner in which the user P1 is holding the communication terminal 51. For example, it estimates that the user P1 is holding the communication terminal 51 in his right hand, that the communication terminal 51 is inserted in a backpack that the user P1 is carrying, and the like.
- the estimation unit 23 compares the motion information with the communication quality, extracts the motion information whose relationship with the communication quality is higher than a predetermined value, and when the motion information of the user P1 to be estimated is obtained, it estimates the communication state of the communication terminal 51 held by the user P1 to be estimated based on the motion information whose relationship with the communication quality is higher than a predetermined value.
- Fig. 2 is a flowchart showing the processing procedure of the communication state estimation system 100
- Fig. 3 is an explanatory diagram showing a schematic flow of calculating a correlation value between motion information and communication quality using machine learning based on the motion information and communication quality collected during data collection.
- the communication quality acquisition unit 21 acquires the communication quality when the communication terminal 51 is communicating.
- the communication quality includes bandwidth throughput, RSSI, RSRP, RSRQ, SINR, and the time required for downloading.
- the information acquisition unit 22 acquires motion information from the motion detection unit 1.
- the motion information is, for example, information on the skeletal coordinates of the user P1, as shown by "C1" in FIG. 3.
- the estimation unit 23 acquires the communication quality from the communication quality acquisition unit 21, and acquires the motion information from the information acquisition unit 22.
- the estimation unit 23 calculates the correlation value between the motion information acquired in the processing of step S11 and the communication quality by using techniques such as machine learning and statistics.
- the correlation value is calculated by machine learning using a neural network that takes motion information as input and communication quality as output.
- motion information that has a high correlation with wireless communication quality is determined from the weight values of a neural network consisting of an input layer W1, at least one intermediate layer W2, and an output layer W3, and the importance of the input of the random forest.
- the communication quality of the communication terminal 51 owned by the user P1 and the manner in which the communication terminal 51 is owned can be estimated.
- the predicted results of communication quality are output, and in “C4" the output results are evaluated.
- feature importance and singular value decomposition may be analyzed to automatically generate motion information whose correlation value with respect to communication quality is higher than a predetermined value.
- the communication quality of communication terminal 51 owned by user P1 can be estimated with high accuracy.
- feature importance and singular value decomposition may be analyzed to determine motion information whose correlation value with respect to communication quality is higher than a predetermined value.
- step S13 the estimation unit 23 estimates the communication quality (communication state) of the communication terminal 51 based on the motion information output in the processing of step S12. Specifically, the estimation unit 23 uses the motion information obtained in the processing of step S12 to generate a communication quality model indicating the relationship between the motion information and the communication quality. When the motion information of the user P1 to be estimated is obtained, the estimation unit 23 predicts the communication quality of the communication terminal 51 owned by the user P1 based on this motion information using the communication quality model.
- the estimation unit 23 estimates the manner in which the user P1 is holding the communication terminal 51 (communication state) based on the motion information of the user P1 to be estimated obtained in the processing of step S11. For example, it estimates that the user P1 is holding the communication terminal 51 in his/her right hand, or that the communication terminal 51 is inserted in a backpack that the user is carrying. In this way, it is possible to estimate the communication state (communication quality, the manner in which the user P1 is holding the communication terminal 51) of the communication terminal 51 held by the user P1 based on the motion information of the user P1.
- Figures 4A and 4B are graphs showing the importance during learning, i.e., which parts of the body contributed greatly to predictions when learning the prediction model.
- the head and torso of user P1 contributed greatly to the learning of the prediction model, and it is estimated that there is a high possibility that communication terminal 51 is inserted into the backpack. According to experiments conducted by the inventors, it was confirmed that communication terminal 51 is actually inserted into the backpack carried by user P1.
- the left hand, torso, and left shoulder of user P1 contribute significantly to the learning of the prediction model, and it is estimated that there is a high possibility that communication terminal 51 is held in the left hand. According to experiments conducted by the inventors, it was confirmed that communication terminal 51 is actually held in the left hand.
- FIG. 5A is a graph showing the estimated and measured values when estimating communication quality based on the location information (internal information) of user P1 acquired by a GPS receiver, where the graph shown with a solid line shows the measured values and the graph shown with a dashed dotted line shows the estimated values. It can be seen from the graph in FIG. 5A that when internal information is used, the measured values and the estimated values are almost the same.
- FIG. 5B is a graph showing estimated and measured values when estimating the communication quality of communication terminal 51 owned by user P1 based on the motion information used in this embodiment, with the graph shown with a solid line showing the measured values and the graph shown with a dashed dotted line showing the estimated values. From the graph in FIG. 5B, it can be seen that when motion information is used, the measured and estimated values are nearly identical, and results are nearly equivalent to those obtained when the internal information shown in FIG. 5A is used.
- the communication state estimation device 2 includes an information acquisition unit 22 that acquires motion information of the user P1 from the detection data of the motion detection unit 1, a communication quality acquisition unit 21 that acquires the communication quality of the communication terminal 51 carried by the user P1, and an estimation unit 23 that compares the motion information with the communication quality, extracts motion information whose relationship to the communication quality is higher than a predetermined value, and, when the motion information of the user P1 to be estimated is acquired, estimates the communication state (communication quality, carrying manner) of the communication terminal 51 carried by the user P1 to be estimated based on the motion information whose relationship is higher than the predetermined value.
- the communication state estimation device 2 is capable of estimating communication quality with high accuracy, and if an estimation result indicates that communication quality will decrease, for example, it becomes possible to carry out processing in advance, such as "reducing the frame rate when transmitting video.”
- the manner in which the communication terminal 51 is held by the user P1 who is the subject of estimation (communication state). For example, it is possible to estimate whether the user P1 is holding the communication terminal 51 in his/her right hand, or whether the communication terminal 51 is inserted in a backpack that the user P1 is carrying.
- the estimation unit 23 analyzes at least one of the factors, correlation value, feature importance, and singular value decomposition, based on the time-series data of the motion information and communication quality, and extracts motion information whose factor has a numerical value higher than a predetermined threshold. This makes it possible to extract motion information that affects communication quality with high accuracy.
- the motion detection unit 1 includes at least one of a sensor 11 that detects the position, speed, and acceleration of parts of the user P1, and a camera that captures an image of the user P1, making it possible to detect the motion information of the user P1 with high accuracy.
- the communication state estimation device 2 of the present embodiment described above may be, for example, a general-purpose computer system including a CPU (Central Processing Unit, processor) 901, memory 902, storage 903 (HDD: Hard Disk Drive, SSD: Solid State Drive), communication device 904, input device 905, and output device 906, as shown in FIG. 6.
- the memory 902 and storage 903 are storage devices.
- the CPU 901 executes a predetermined program loaded onto the memory 902, thereby realizing each function of the communication state estimation device 2.
- the communication state estimation device 2 may be implemented in one computer, or in multiple computers.
- the communication state estimation device 2 may also be a virtual machine implemented in a computer.
- the program for the communication state estimation device 2 can be stored on a computer-readable recording medium such as a HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), or DVD (Digital Versatile Disc), or can be distributed via a network.
- a computer-readable recording medium such as a HDD, SSD, USB (Universal Serial Bus) memory, CD (Compact Disc), or DVD (Digital Versatile Disc), or can be distributed via a network.
- the computer-readable recording medium is, for example, a non-transitory recording medium.
- the present invention is not limited to the above embodiment, and many variations are possible within the scope of the gist.
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
モーション検出部（１）の検出データから、ユーザ（Ｐ１）のモーション情報を取得する情報取得部（２２）と、ユーザ（Ｐ１）が所持する通信端末（５１）の通信品質を取得する通信品質取得部（２１）と、モーション情報と通信品質とを比較し、通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザ（Ｐ１）のモーション情報が取得された際に、通信品質との関係性が所定値よりも高いモーション情報に基づいて、推定対象となるユーザ（Ｐ１）が所持する通信端末（５１）の通信状態を推定する推定部（２３）と、を備える。
Description
本開示は、通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラムに関する。
通信デバイスを用いて無線通信を行う場合には、その周辺に存在する物体の移動などの環境の変化に応じて通信品質が変化する。環境の変化により、通信デバイスによるサービス、或いは、システムが要求する通信品質を満たせなくなる可能性がある。
例えば、「IEEE802.11ad」、セルラー通信などの第５世代通信（５Ｇ通信）では、波長がミリメートル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通信品質に大きな影響を与える。
予め通信品質を予測できれば、サービス或いはシステムが影響を受ける前に対策を取ることができる可能性がある。非特許文献１、２には、深度カメラから取得したフィジカル情報に基づきミリ波の電波の受電電力を推定する方法が記載され、非特許文献２には、深度カメラから取得したフィジカル情報に基づき、ミリ波のスループットを推定する方法が記載されている。
T. Nishio,H. Okamoto, K. Nakashima, Y. Koda, K. Yamamoto, M. Morikura, Y. Asai, and R. Miyatake, "Proactive Received Power Prediction Using Machine Learningand Depth Imagesfor mmWave Networks," IEEE Journal on Selected Areasin Communications, vol. 37, no. 11, pp. 2413-2427, Nov. 2019. doi: 10.1109/JSAC.2019.2933763.
H. Okamotoet al., "Machine-learning-based throughput estimation using imagesfor mmWave communications," in Proc.,IEEE VTC 2017-spring, Jan. 2017.
しかし、上述した非特許文献１、２では、通信品質の予測時に通信デバイスを所持するユーザの動きを考慮していない。即ち、非特許文献１、２では、深度カメラからフィジカル空間情報を取得し、この情報に基づいて、オブジェクトの通過に起因して生じるミリ波通信の無線通信路遮断時における通信品質を予測している。非特許文献１、２では、ユーザと通信デバイスとの位置関係、ユーザの移動速度及び加速度を含むモーションを用いたフィジカル空間情報による通信品質の予測について言及されていない。このため、通信品質などの通信状態を高精度に予測することができないという問題があった。
本開示は、上記事情に鑑みてなされたものであり、その目的とするところは、ユーザ（人、ロボット）が所持する通信端末の通信状態を高精度に予測することが可能な通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラムを提供することにある。
本開示の一態様の通信状態推定装置は、モーション検出部の検出データから、ユーザのモーション情報を取得する情報取得部と、前記ユーザが所持する通信端末の通信品質を取得する通信品質取得部と、前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する推定部と、を備える。
本開示の一態様の通信状態推定システムは、ユーザの周囲に設置されたモーション検出部と、前記ユーザが所持する通信端末の通信状態を推定する通信状態推定装置と、を備え、前記通信状態推定装置は、前記モーション検出部の検出データから、前記ユーザのモーション情報を取得する情報取得部と、前記ユーザが所持する通信端末の通信品質を取得する通信品質取得部と、前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する推定部と、を備える。
本開示の一態様の通信状態推定方法は、モーション検出部の検出データから、ユーザのモーション情報を取得し、前記ユーザが所持する通信端末の通信品質を取得し、前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する。
本開示の一態様は、上記通信状態推定装置としてコンピュータを機能させるための通信状態推定プログラムである。
本開示によれば、ユーザが所持する通信端末の通信状態を高精度に予測することが可能になる。
以下、実施形態について図面を参照して説明する。図１は、実施形態に係る通信状態推定システムの構成を示すブロック図である。図１に示すように、通信状態推定システム１００は、モーション検出部１と、通信状態推定装置２を備えている。
モーション検出部１は、人またはロボットの周囲に設置されている。ロボットは、例えば人を模擬したロボットであり、例えば右手、左手、胴体、頭部を備え、それぞれが個別に動作可能とされている。以下では、人及びロボットを総称して、「ユーザＰ１」という。ユーザＰ１は、通信端末５１を所持している。通信端末５１は、例えばスマートフォン、タブレット端末、ＰＣ（personal computer）であり、音声通話、データ通信などが可能である。
モーション検出部１は、ユーザＰ１に装着したセンサ１１、及びユーザＰ１の周囲に設置して周囲画像を撮像するカメラ１２、の少なくとも一方を含む。
センサ１１は、ユーザＰ１の手、足などの所望の部位に装着され、各部位のモーション情報を検出する。モーション情報は、部位の位置、速度、加速度、及びこれらを組み合わせた情報である。具体的にモーション情報は、「右手が上方に上げられている」、「左手が速度○○［ｍ／sec］で動いている」などの情報である。
カメラ１２は、ユーザＰ１の周囲の適所に設置されており、ユーザＰ１を撮像して画像データを取得する。カメラ１２の設置位置は固定されているため、画像データを解析することにより、ユーザＰ１のモーション情報を検出することが可能である。
センサ１１及びカメラ１２を含むモーション検出部１は、無線或いは有線にて通信状態推定装置２に接続されている。モーション検出部１は、センサ１１にて検出されたモーション情報、及びカメラ１２で撮像された画像データを、通信状態推定装置２に送信する。なお、本実施形態では、モーション検出部１がセンサ１１及びカメラ１２を備える例について説明するが、センサ１１及びカメラ１２のうちのいずれか一方のみを備える構成としてもよい。センサ１１、カメラ１２以外にも、上記したモーション情報を検出可能な機器を搭載してもよい。
通信状態推定装置２は、複数のユーザＰ１が所持する通信端末５１が通信しているときの通信品質と、モーション検出部１から得られる各ユーザＰ１のモーション情報を収集して、モーション情報と通信品質との関係を示す関連データを収集する。更に、推定対象となるユーザＰ１のモーション情報が取得された際には、上記関連データに基づいて、このユーザＰ１が所持する通信端末５１の通信状態を推定する。通信状態は、通信端末５１の通信品質、及びユーザＰ１が通信端末５１を所持する態様を含む。
通信品質は、例えば帯域のスループット、電波の受信信号強度を表すＲＳＳＩ(Received Signal StrengthIndicator)、基地局の電波強度を表すＲＳＲＰ(Reference SignalReceived Power)、電波の受信強度を表すＲＳＲＱ(Reference Signal ReceivedQuality)、信号の受信品質を表すＳＩＮＲ(Signal to Interference and Noise)である。これらの数値が大きいほど通信品質が高い。通信品質は、データのダウンロードに要する時間である。この時間が短いほど通信品質は高い。
また、「ユーザＰ１が通信端末５１を所持する態様」とは、例えばユーザＰ１が通信端末５１を右手に所持している、或いは、ユーザＰ１が背負っているバックパック内に通信端末５１が挿入されている、などである。以下、通信状態推定装置２の構成について具体的に説明する。
通信状態推定装置２は、通信品質取得部２１と、情報取得部２２と、推定部２３を備えている。
通信品質取得部２１は、ユーザＰ１が所持する通信端末５１が通信を行っているときの通信品質を取得する。
情報取得部２２は、センサ１１で検出されたモーション情報、及び、カメラ１２で撮像された画像データの少なくとも一方を取得する。情報取得部２２は、カメラ１２から送信された画像データに基づき、この画像データに含まれるユーザＰ１のモーション情報を算出する。即ち、情報取得部２２は、ユーザの周囲に設置されたモーション検出部１の検出データから、前記ユーザのモーション情報を取得する。画像データからモーション情報を算出する方法は、周知の画像処理技術を用いることができる。
推定部２３は、通信品質取得部２１から通信品質を取得し、情報取得部２２からモーション情報を取得する。具体的に、推定部２３は、通信品質及びモーション情報に基づき、機械学習を用いてモーション情報と通信品質との相関値を算出する。推定部２３は、算出された相関値に基づき、通信品質との相関値が所定値よりも高いモーション情報を抽出する。なお、相関値の算出は、機械学習以外の統計手法を採用してもよい。
また、上記した相関値以外にも、特徴量重要度、特異値分解を解析し、この解析結果が所定値よりも高い数値となるモーション情報を抽出してもよい。即ち、推定部２３は、モーション情報と通信品質との時系列データに基づき、相関値、特徴量重要度、特異値分解、の少なくとも一つの要因を解析し、要因が所定の閾値よりも高い数値となるモーション情報を出力する。
推定部２３はまた、推定対象となるユーザＰ１のモーション情報を取得し、関係性が所定値よりも高いモーション情報に基づいて、推定対象となるユーザＰ１が所持する通信端末５１の通信状態を推定する。通信状態は、通信品質及びユーザＰ１が通信端末５１を所持する態様を含む。
具体的に推定部２３、抽出したモーション情報と通信時の通信品質との関係を示す通信品質予測モデルを生成し、推定対象となるユーザＰ１のモーション情報が入力された際に、このモデルを用いて、推定対象となるユーザＰ１が所持する通信端末５１の通信品質（通信状態）を推定する。
推定部２３は、推定対象となるユーザＰ１のモーション情報、及び通信品質との相関値が所定値よりも高いモーション情報、に基づいて、予測モデルを生成し、ユーザＰ１が通信端末５１を所持している態様を推定する。例えば、ユーザＰ１が通信端末５１を右手に持っている、ユーザＰ１が背負っているバックパックに通信端末５１が挿入されている、などの態様を推定する。即ち、推定部２３は、モーション情報と通信品質とを比較し、通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザＰ１のモーション情報が取得された際に、通信品質との関係性が所定値よりも高いモーション情報に基づいて、推定対象となるユーザＰ１が所持する通信端末５１の通信状態を推定する。
次に、上述のように構成された本実施形態に係る通信状態推定システム１００の動作について、図２、図３を参照して説明する。図２は、通信状態推定システム１００の処理手順を示すフローチャート、図３は、データ収集時に収集したモーション情報と通信品質に基づき、機械学習を用いてモーション情報と通信品質との相関値を算出する流れを模式的に示す説明図である。
初めに図２のステップＳ１１において、通信品質取得部２１は通信端末５１が通信しているときの通信品質を取得する。前述したように、通信品質は、帯域のスループット、ＲＳＳＩ、ＲＳＲＰ、ＲＳＲＱ、ＳＩＮＲ、ダウンロードに要する時間、などである。情報取得部２２は、モーション検出部１からモーション情報を取得する。モーション情報は、図３の「Ｃ１」に示すように、例えばユーザＰ１の骨格座標の情報である。推定部２３は、通信品質取得部２１から通信品質を取得し、情報取得部２２からモーション情報を取得する。
ステップＳ１２において推定部２３は、ステップＳ１１の処理で取得したモーション情報と通信品質との相関値を、機械学習、統計などの手法で算出する。例えば、モーション情報を入力とし、通信品質を出力とするニューラルネットワークを用いた機械学習により、相関値を算出する。図３の「Ｃ２」に示すように、入力層Ｗ１、少なくとも一つの中間層Ｗ２、及び出力層Ｗ３からなるニューラルネットワークの重みの値や、ランダムフォレストの入力の重要度から無線通信品質との相関性が高いモーション情報を決定するその結果、ユーザＰ１が所持する通信端末５１の通信品質、通信端末５１を所持する態様を推定することができる。
更に、図３の「Ｃ３」において通信品質の予測結果を出力し、「Ｃ４」において、出力結果を評価する。また、相関値以外にも、特徴量重要度、特異値分解を解析して、通信品質に対する相関値が所定値よりも高いモーション情報を自動生成してもよい。更に、図３においてモーションの重要度を出力し、重要度が所定値よりも高いモーションを用いた予測モデルを利用することにより、ユーザＰ１が所持する通信端末５１の通信品質を高精度に推定できる。また、特徴量重要度、特異値分解を解析して、通信品質に対する相関値が所定値よりも高いモーション情報を決定しても良い。
ステップＳ１３において、推定部２３は、ステップＳ１２の処理で出力されるモーション情報に基づいて通信端末５１の通信品質（通信状態）を推定する。具体的に推定部２３は、ステップＳ１２の処理で得られたモーション情報を用いて、モーション情報と通信品質との関係を示す通信品質モデルを生成する。推定対象となるユーザＰ１のモーション情報が取得された際には、このモーション情報に基づき、通信品質モデルを用いてユーザＰ１が所持する通信端末５１の通信品質を予測する。
推定部２３は、ステップＳ１１の処理で得られた推定対象となるユーザＰ１のモーション情報に基づいて、このユーザＰ１が通信端末５１を所持している態様（通信状態）を推定する。例えば、ユーザＰ１が通信端末５１を右手に持っている、或いは、通信端末５１をユーザが背負っているバックパックに挿入している、などの態様を推定する。こうして、ユーザＰ１のモーション情報に基づいて、ユーザＰ１が所持する通信端末５１の通信状態（通信品質、ユーザＰ１が通信端末５１を所持している態様）を推定することができる。
図４Ａ、図４Ｂは、学習時の重要度、即ち予測モデルの学習時にどの部位が予測に大きく寄与していたのかを表すグラフである。図４Ａに示すグラフでは、ユーザＰ１の頭部、胴体が予測モデルの学習に大きく寄与しており、通信端末５１をバックパックに挿入している可能性が高いものと推定される。発明者らの実験によると、実際に通信端末５１がユーザＰ１が背負っているバックパックに挿入されていることが確認された。
図４Ｂに示すグラフでは、ユーザＰ１の左手、胴体、左肩が予測モデルの学習に大きく寄与しており、通信端末５１を左手に所持している可能性が高いものと推定される。発明者らの実験によると、実際に通信端末５１が左手に所持していることが確認された。
図５Ａは、ＧＰＳ受信機で取得されるユーザＰ１の位置情報（内部情報）に基づいて通信品質を推定したときにおける、推定値及び測定値を示すグラフであり、実線で示すグラフは測定値を示し、一点鎖線で示すグラフは推定値を示している。図５Ａのグラフから、内部情報を用いた場合には、測定値と推定値はほぼ一致していることが理解される。
図５Ｂは、本実施形態で使用するモーション情報に基づいてユーザＰ１が所持する通信端末５１の通信品質を推定したときにおける、推定値及び測定値を示すグラフであり、実線で示すグラフは測定値を示し、一点鎖線で示すグラフは推定値を示している。図５Ｂのグラフから、モーション情報を用いた場合には、測定値と推定値はほぼ一致しており、図５Ａに示した内部情報を用いる場合とほぼ同等の結果が得られることが理解される。
このように、本実施形態に係る通信状態推定装置２では、モーション検出部１の検出データから、ユーザＰ１のモーション情報を取得する情報取得部２２と、ユーザＰ１が所持する通信端末５１の通信品質を取得する通信品質取得部２１と、モーション情報と通信品質とを比較し、通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザＰ１のモーション情報が取得された際に、関係性が所定値よりも高いモーション情報に基づいて、推定対象となるユーザＰ１が所持する通信端末５１の通信状態（通信品質、所持態様）を推定する推定部２３と、を備える。
本実施形態に係る通信状態推定装置２では、高精度に通信品質を推定することができ、例えば通信品質が低下するという推定結果が得られた場合には、「動画を送信するときのフレームレートを低下させる」などの処理を事前に行うことが可能になる。
また、推定対象となるユーザＰ１による通信端末５１の所持態様（通信状態）を推定することができる。例えば、ユーザＰ１が通信端末５１を右手に持っている、或いはユーザＰ１が背負っているバックパックに挿入している、などの態様を推定することができる。
本実施形態では、通信端末５１の内部情報（ＧＰＳ受信機による位置情報など）を容易に取得できない環境下であっても、外部に設置したセンサ１１、カメラ１２などのモーション検出部１から取得したユーザＰ１の部位の位置、速度、加速度、及びそれらの組合せであるモーション情報を使用することにより、内部情報が取得できない場合でも高精度に通信端末の通信品質の予測が可能になる。更に、ユーザＰ１が通信端末５１を所持する態様を特定することが可能になる。通信端末５１を所持する態様を特定することで、通信品質の予測だけでなく、ＲＩＳ（Reconfigurable Intelligent Surface）などの反射板の制御で通信品質を向上させることができる。
推定部２３は、モーション情報と通信品質との時系列データに基づき、相関値、特徴量重要度、特異値分解、の少なくとも一つを要因を解析し、要因が所定の閾値よりも高い数値となるモーション情報を抽出する。このため、通信品質に影響を与えるモーション情報を高精度に抽出することが可能になる。
モーション検出部１は、ユーザＰ１の部位の位置、速度、及び加速度を検出するセンサ１１、及び、ユーザＰ１の画像を撮像するカメラ、の少なくとも一方を備えるので、ユーザＰ１のモーション情報を高精度に検出することが可能になる。
上記説明した本実施形態の通信状態推定装置２には、図６に示すように例えば、ＣＰＵ（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（ＨＤＤ：Hard Disk Drive、ＳＳＤ：Solid StateDrive）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。メモリ９０２およびストレージ９０３は、記憶装置である。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、通信状態推定装置２の各機能が実現される。
なお、通信状態推定装置２は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また、通信状態推定装置２は、コンピュータに実装される仮想マシンであっても良い。
なお、通信状態推定装置２用のプログラムは、ＨＤＤ、ＳＳＤ、ＵＳＢ（Universal Serial Bus）メモリ、ＣＤ (Compact Disc)、ＤＶＤ (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。コンピュータ読取り可能な記録媒体は、例えば非一時的な（non-transitory）記録媒体である。
なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。
１ モーション検出部
２ 通信状態推定装置
１１ センサ
１２ カメラ
２１ 通信品質取得部
２２ 情報取得部
２３ 推定部
５１ 通信端末
１００ 通信状態推定システム
Ｐ１ ユーザ
２ 通信状態推定装置
１１ センサ
１２ カメラ
２１ 通信品質取得部
２２ 情報取得部
２３ 推定部
５１ 通信端末
１００ 通信状態推定システム
Ｐ１ ユーザ
Claims (8)
- モーション検出部の検出データから、ユーザのモーション情報を取得する情報取得部と、
前記ユーザが所持する通信端末の通信品質を取得する通信品質取得部と、
前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する推定部と、
を備えた通信状態推定装置。 - 前記推定部は、前記関係性が所定値よりも高いモーション情報と、通信品質と、の関係を示す予測モデルを生成し、
推定対象となるユーザのモーション情報が入力された際に、前記予測モデルに基づいて、前記推定対象となるユーザが所持する通信端末の通信品質を推定する
請求項１に記載の通信状態推定装置。 - 前記推定部は、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが前記通信端末を所持している態様を推定する
請求項１に記載の通信状態推定装置。 - 前記推定部は、
前記モーション情報と前記通信品質との時系列データに基づき、相関値、特徴量重要度、特異値分解、の少なくとも一つの要因を解析し、前記要因が所定の閾値よりも高い数値となるモーション情報を抽出する
請求項１に記載の通信状態推定装置。 - ユーザの周囲に設置されたモーション検出部と、
前記ユーザが所持する通信端末の通信状態を推定する通信状態推定装置と、を備え、
前記通信状態推定装置は、
前記モーション検出部の検出データから、前記ユーザのモーション情報を取得する情報取得部と、
前記ユーザが所持する通信端末の通信品質を取得する通信品質取得部と、
前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出しと、
推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する推定部と、
を備えた通信状態推定システム。 - 前記モーション検出部は、前記ユーザの部位の位置、速度、及び加速度を検出するセンサ、及び、前記ユーザの画像を撮像するカメラ、の少なくとも一方を備えた
請求項５に記載の通信状態推定システム。 - モーション検出部の検出データから、ユーザのモーション情報を取得し、
前記ユーザが所持する通信端末の通信品質を取得し、
前記モーション情報と前記通信品質とを比較し、前記通信品質に対して関係性が所定値よりも高いモーション情報を抽出し、
推定対象となるユーザのモーション情報が取得された際に、前記関係性が所定値よりも高いモーション情報に基づいて、前記推定対象となるユーザが所持する通信端末の通信状態を推定する
通信状態推定方法。 - 請求項１に記載の通信状態推定装置としてコンピュータを機能させる通信状態推定プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/042068 WO2024100881A1 (ja) | 2022-11-11 | 2022-11-11 | 通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2022/042068 WO2024100881A1 (ja) | 2022-11-11 | 2022-11-11 | 通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| WO2024100881A1 true WO2024100881A1 (ja) | 2024-05-16 |
Family
ID=91032190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/JP2022/042068 WO2024100881A1 (ja) | 2022-11-11 | 2022-11-11 | 通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム |
Country Status (1)
| Country | Link |
|---|---|
| WO (1) | WO2024100881A1 (ja) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019195136A (ja) * | 2018-05-02 | 2019-11-07 | 日本電気株式会社 | 管理装置、データ抽出方法及びプログラム |
| WO2021214997A1 (ja) * | 2020-04-24 | 2021-10-28 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
-
2022
- 2022-11-11 WO PCT/JP2022/042068 patent/WO2024100881A1/ja unknown
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019195136A (ja) * | 2018-05-02 | 2019-11-07 | 日本電気株式会社 | 管理装置、データ抽出方法及びプログラム |
| WO2021214997A1 (ja) * | 2020-04-24 | 2021-10-28 | 三菱電機株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7241745B2 (ja) | バッファを用いた動き検出信号の時間整合 | |
| JP7082113B2 (ja) | 散歩を自動的に検出および開始するためのシステムおよび方法 | |
| EP3163543B1 (en) | Alarming method and device | |
| Vattapparamban et al. | Indoor occupancy tracking in smart buildings using passive sniffing of probe requests | |
| KR101666009B1 (ko) | 다중 셀 환경에서 피간섭 단말을 검출하고 간섭 제어를 수행하는 통신 시스템 | |
| US10667107B2 (en) | Method and system for entry and exit monitoring using bluetooth low energy (BLE) beacons | |
| Yang et al. | Fine-grained adaptive location-independent activity recognition using commodity WiFi | |
| US9788145B2 (en) | Detection of device motion and nearby object motion | |
| WO2021084519A1 (en) | System for multi-path 5g and wi-fi motion detection | |
| WO2012115557A1 (en) | Positioning devices and methods in cellular communication systems | |
| JP7226575B2 (ja) | 通信端末及び通信品質予測方法 | |
| US20180034569A1 (en) | Method and apparatus for detecting motion activity | |
| TW201804169A (zh) | 人體定位方法、人體定位系統與定位伺服器 | |
| WO2024100881A1 (ja) | 通信状態推定装置、通信状態推定システム、通信状態推定方法、及び通信状態推定プログラム | |
| US10901076B2 (en) | Temporal analysis for user speed estimation in wireless networks | |
| EP3837494B1 (en) | Multimodal location sensing on a mobile phone | |
| Savazzi et al. | Radio imaging by cooperative wireless network: Localization algorithms and experiments | |
| KR101347885B1 (ko) | 무선 인지 장치 및 무선 인지 방법 | |
| Manjappa et al. | Estimating crowd distribution using smart bulbs | |
| KR20160001084A (ko) | 사용자에 대한 상황 정보 리포팅 방법 및 상황 정보를 이용하는 방법 | |
| Oliveira et al. | A multi-scale statistical control process for mobility and interference identification in IEEE 802.11 | |
| CN111245538B (zh) | 链路质量检测方法及相关设备 | |
| US20230292282A1 (en) | Wireless lan signal based motion detection method and device | |
| WO2023160538A1 (zh) | 感知方法、装置及通信设备 | |
| Yin et al. | Passive Localization for Comparing Physical Activities in Indoor Environments |