WO2024100889A1 - 通信品質予測装置、通信品質予測方法、およびプログラム - Google Patents

通信品質予測装置、通信品質予測方法、およびプログラム Download PDF

Info

Publication number
WO2024100889A1
WO2024100889A1 PCT/JP2022/042100 JP2022042100W WO2024100889A1 WO 2024100889 A1 WO2024100889 A1 WO 2024100889A1 JP 2022042100 W JP2022042100 W JP 2022042100W WO 2024100889 A1 WO2024100889 A1 WO 2024100889A1
Authority
WO
WIPO (PCT)
Prior art keywords
communication quality
point cloud
difference
information
cloud data
Prior art date
Application number
PCT/JP2022/042100
Other languages
English (en)
French (fr)
Inventor
馨子 高橋
理一 工藤
尚志 永田
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 PCT/JP2022/042100 priority Critical patent/WO2024100889A1/ja
Publication of WO2024100889A1 publication Critical patent/WO2024100889A1/ja

Links

Images

Definitions

  • This disclosure relates to a communication quality prediction device, a communication quality prediction method, and a program.
  • the Internet of Things in which various devices are connected to the Internet, is becoming a reality, and various devices such as automobiles, drones, and construction machinery vehicles are being connected wirelessly.
  • IoT Internet of Things
  • M2M Machine to Machine
  • Next-generation mobile communications (5G, 6G) are expected to realize high-speed, large-capacity communications using frequencies above 30 GHz, known as millimeter waves.
  • communications using high frequencies above the sub-6 GHz band are strongly affected by the surrounding environment.
  • millimeter wave and terahertz wave communications the communication quality is rapidly degraded by obstructions such as human bodies.
  • changes in the propagation environment due to the movement of reflecting objects and the Doppler shift caused by the movement of reflecting objects are also known to affect communications. Such rapid changes in communication quality are a factor that significantly reduces the perceived communication quality.
  • Non-patent document 1 a document on existing technology, proposes a device that predicts communication quality when the wireless communication path of millimeter wave communication is blocked by the passage of an object, using physical space information obtained from a depth camera, and controls handover and transmission power. In this way, it has been shown that physical space information is effective in predicting communication quality.
  • LiDAR Light Detection and Ranging
  • point cloud data is difficult to handle in terms of storing and processing the data due to its enormous volume.
  • This disclosure has been made in consideration of the above, and aims to reduce the computational costs in predicting communication quality using physical space information.
  • a communication quality prediction device is a communication quality prediction device that predicts communication quality, and includes an acquisition unit that acquires point cloud data of a wireless communication area in a time series, a static environment information storage unit that stores the point cloud data representing the static state of the wireless communication area as static environment information, a preprocessing unit that calculates the difference between the static environment information and the point cloud data and outputs difference information, and a prediction unit that predicts and calculates the communication quality of a wireless terminal in the wireless communication area from the difference information in a time series.
  • a communication quality prediction method is a communication quality prediction method using a communication quality prediction device that predicts communication quality, which acquires point cloud data of a wireless communication area in a time series, calculates the difference between the acquired point cloud data and point cloud data representing the static state of the wireless communication area to generate difference information, and predicts and calculates the communication quality of a wireless terminal in the wireless communication area from the time series difference information.
  • FIG. 1 is a diagram showing an example of the configuration of a communication quality prediction device according to the present embodiment.
  • FIG. 2 is a diagram showing an example of point cloud data stored as static environment information.
  • FIG. 3 is a diagram illustrating an example of point cloud data acquired when predicting communication quality.
  • FIG. 4 is a diagram showing an example of a bounding box obtained from the difference between the point cloud data in FIG. 2 and the point cloud data in FIG.
  • FIG. 5 is a diagram showing an example of a bird's-eye view stored as static environment information.
  • FIG. 6 is a diagram showing an example of a bird's-eye view obtained by converting point cloud data acquired when predicting communication quality.
  • FIG. 7 is a diagram showing an example of a difference image obtained by subtracting the bird's-eye view of FIG.
  • FIG. 8 is a flowchart illustrating an example of a process for learning a prediction model.
  • FIG. 9 is a flowchart illustrating an example of a process for predicting communication quality.
  • FIG. 10 is a diagram showing an indoor experimental environment.
  • FIG. 11 is a diagram illustrating an example of the configuration of another communication quality prediction device according to the present embodiment.
  • FIG. 12 is a diagram illustrating an example of a hardware configuration of a communication quality prediction device.
  • the communication quality prediction device 10 is a device that predicts the communication quality of a wireless terminal 50 in an area 100 from physical space information obtained by a LiDAR 30.
  • the communication quality is, for example, the throughput and received signal strength (RSSI) of wireless communication between a base station 70 and a wireless terminal 50.
  • the area 100 is a range in which the communication quality prediction device 10 predicts the communication quality of the wireless terminal 50.
  • the area 100 may be determined based on a wireless communication area formed by a base station 70.
  • a plurality of base stations 70 may be arranged, and the wireless communication areas formed by each base station 70 may overlap in part. Note that the solid arrows in FIG. 1 indicate the flow of data during inference, and the dashed arrows indicate the flow of data during learning.
  • the communication quality prediction device 10 includes an acquisition unit 11, a preprocessing unit 12, a prediction unit 13, a learning unit 14, a data storage unit 15, and a static environment information storage unit 16.
  • the acquisition unit 11 acquires physical space information of the area 100 in a time series. Specifically, the acquisition unit 11 acquires point cloud data, which is a collection of points in the three-dimensional space of the area 100, in a time series from the fixedly placed LiDAR 30 as the physical space information. By placing sensors other than the LiDAR 30, the acquisition unit 11 may integrate the point cloud data obtained by the LiDAR 30 with sensor data from the other sensors.
  • the acquisition unit 11 may acquire position information of the wireless terminal 50 in addition to the point cloud data. For example, the acquisition unit 11 communicates with the wireless terminal 50 and receives position information of the wireless terminal 50 itself from the wireless terminal 50.
  • the pre-processing unit 12 calculates the difference between the physical space information acquired by the acquisition unit 11 and the static environment information stored in the static environment information storage unit 16, and generates difference information.
  • the static environment information is physical space information corresponding to a static environment in which no moving objects exist within the area 100.
  • the prediction unit 13 predicts and calculates the future communication quality of the wireless terminal 50 from the time series difference information. Specifically, the prediction unit 13 inputs the time series difference information generated by the preprocessing unit 12 into a prediction model to predict and calculate the future communication quality of the wireless terminal 50.
  • the prediction model is a machine learning model that infers the current or future communication quality when the time series difference information is input.
  • the difference information is a two-dimensional image
  • a model based on existing machine learning technology for image processing can be used for the prediction model.
  • the prediction unit 13 may input the position information of the wireless terminal 50 and the base station 70, or the relative position information of the base station 70 as viewed from the wireless terminal 50, into the prediction model.
  • the learning unit 14 uses the time series difference information and communication quality stored in the data storage unit 15 as training data, and learns a prediction model that predicts communication quality when the time series difference information is input. In addition to the training data, the learning unit 14 may also use position information of the wireless terminal 50 and the base station 70, or relative position information of the base station 70 as viewed from the wireless terminal 50, as training data.
  • the data storage unit 15 holds time-series difference information and communication quality used to train the prediction model.
  • the communication quality is an actual measurement value of the wireless communication quality between the wireless terminal 50 and the base station 70, and is acquired from the wireless terminal 50 or the base station 70.
  • the physical space information acquired by the acquisition unit 11 is differentially compared with the static environment information in the preprocessing unit 12, and difference information at the same time or close to the time is associated with the communication quality and stored in the data storage unit 15.
  • the data storage unit 15 may store position information of the wireless terminal 50 and the base station 70, and relative position information of the base station 70 from the perspective of the wireless terminal 50, in association with the difference information.
  • the data storage unit 15 may store the prediction model (parameters) learned by the learning unit 14.
  • the static environment information storage unit 16 holds static environment information acquired in advance. Specifically, the static environment information storage unit 16 holds point cloud data of the static environment (hereinafter referred to as background point cloud) as static environment information.
  • the background point cloud is acquired from the LiDAR 30.
  • the static environment information storage unit 16 may hold a two-dimensional image of the static environment created from the background point cloud as static environment information. For example, the static environment information storage unit 16 may hold a bird's-eye view in which the background point cloud is parallel-projected so as to look down from a high viewpoint.
  • the preprocessing methods include a first preprocessing method in which the difference between the point cloud data acquired by the acquisition unit 11 and the background point cloud is calculated, and the center of gravity and bounding box information of the difference point cloud, or the voxel data of the difference point cloud is calculated, and a second preprocessing method in which bird's-eye views are created from each of the point cloud data acquired by the acquisition unit 11 and the background point cloud, and the difference between the two bird's-eye views is calculated to generate a difference image.
  • the static environment information storage unit 16 holds a background point cloud as shown in FIG. 2 as static environment information.
  • the acquisition unit 11 acquires point cloud data as shown in FIG. 3 from the LiDAR 30.
  • the preprocessing unit 12 extracts a difference point cloud by taking the difference between the background point cloud and the point cloud data, and acquires the center of gravity and bounding box information of the difference point cloud, or voxels the difference point cloud to generate voxel data.
  • a bounding box is a rectangular parallelepiped that surrounds the difference point cloud. The amount of data can be reduced by voxelizing the difference point cloud.
  • An example of the obtained bounding box 200 is shown in FIG. 4.
  • the preprocessing unit 12 outputs the center of gravity and bounding box information of the difference point cloud, or voxel data, as difference information.
  • the preprocessing unit 12 may estimate speed from the movement of the center of gravity and acquire speed information.
  • the static environment information storage unit 16 holds a bird's-eye view as shown in FIG. 5 as static environment information.
  • the bird's-eye view in FIG. 5 is a two-dimensional image in which a background point cloud is projected so as to look down on the area 100 from a high viewpoint.
  • the acquisition unit 11 acquires point cloud data of the area 100 from the LiDAR 30.
  • the preprocessing unit 12 converts the point cloud data into a two-dimensional image.
  • FIG. 6 shows an example of a two-dimensional image converted from the point cloud data at the time of prediction.
  • the preprocessing unit 12 acquires a difference image between the two-dimensional image created from the background point cloud and the two-dimensional image created from the point cloud data at the time of prediction.
  • FIG. 7 shows an example of a difference image between the two-dimensional image in FIG. 5 and the two-dimensional image in FIG. 6.
  • the preprocessing unit 12 outputs the difference image as difference information.
  • the center of gravity coordinates and bounding box information may be obtained from the difference image obtained by the second preprocessing method, and the center of gravity coordinates and bounding box information may be output as difference information.
  • the center of gravity coordinates and bounding box coordinates are expressed in two dimensions.
  • the difference point cloud obtained in the first preprocessing method may be converted into a bird's-eye view.
  • the static environment information storage unit 16 stores static environment information.
  • step S11 the acquisition unit 11 acquires point cloud data from the LiDAR 30.
  • step S12 the preprocessing unit 12 calculates the difference between the static environment information and the point cloud data, and stores the difference information in the data storage unit 15.
  • the preprocessing unit 12 obtains a difference point cloud by taking the difference between the background point cloud and the point cloud data acquired in step S11, determines the center of gravity and bounding box information of the difference point cloud, and stores the center of gravity and bounding box information of the difference point cloud as difference information in the data storage unit 15.
  • the preprocessing unit 12 may convert the center of gravity and bounding box information of the difference point cloud obtained in the local coordinate system of the LiDAR 30 to an absolute coordinate system (e.g., GPS coordinates of the area 100). It may also obtain and store voxel data as difference information.
  • the preprocessing unit 12 converts the point cloud data acquired in step S11 into a bird's-eye view, calculates the difference between the bird's-eye view in the static environmental information storage unit 16 and the bird's-eye view converted from the point cloud data, and stores the obtained difference image as difference information in the data storage unit 15.
  • the preprocessing unit 12 may convert the point cloud data acquired in the local coordinate system of the LiDAR 30 into an absolute coordinate system before generating the bird's-eye view.
  • the data storage unit 15 stores the communication quality received from at least one of the wireless terminal 50 and the base station 70 in association with difference information received at the same time or close to the difference information.
  • the data storage unit 15 may receive the communication quality via the acquisition unit 11.
  • the data storage unit 15 acquires the position information of the wireless terminal 50, associates it with the difference information, and stores the position information of the wireless terminal 50 and the base station 70, and the relative position information of the base station 70 from the wireless terminal 50.
  • the position information of the wireless terminal 50 and the base station 70 is converted to match the coordinate system of the difference information.
  • step S14 the learning unit 14 acquires the time series difference information and the communication quality from the data storage unit 15, and learns a prediction model using the time series difference information and the communication quality as training data.
  • the learning unit 14 may also use position information of the wireless terminal 50 and the base station 70, and relative position information of the base station 70 as seen from the wireless terminal 50, as training data.
  • the prediction model In the case of the first preprocessing method, existing machine learning technology can be used for the prediction model. Specifically, the centroid coordinates of the difference point cloud and the coordinate data of the bounding box are used as input, and the prediction model is trained so that the communication quality value is calculated as the output.
  • a model based on existing machine learning technology for image processing can be used as the predictive model. Specifically, a differential image is used as input, and the predictive model is trained so that a communication quality value is calculated as the output.
  • step S21 the acquisition unit 11 acquires point cloud data in time series from the LiDAR 30.
  • the acquisition unit 11 acquires the position information of the wireless terminal 50 and calculates the relative position information of the base station 70.
  • step S22 the preprocessing unit 12 calculates the difference between the static environment information and the point cloud data to generate difference information.
  • the first and second preprocessing methods performed by the preprocessing unit 12 are the same as the preprocessing method used during learning.
  • the preprocessing unit 12 may integrate sensor data from other sensors into the point cloud data, and then take the difference between the static environmental information and the point cloud data.
  • the sensor data from other sensors is, for example, point cloud data obtained from another point cloud sensor in the area 100.
  • step S23 the prediction unit 13 inputs the time series difference information into the prediction model to predict the future communication quality of the wireless terminal 50.
  • the prediction unit 13 may input position information of the wireless terminal 50 and the base station 70, and relative position information of the base station 70 as viewed from the wireless terminal 50, into the prediction model.
  • the experimental environment shown in Figure 10 is an area 100 of approximately 20 m x 6 m installed indoors.
  • a LiDAR 30 is fixedly placed in the area 100.
  • a wireless terminal 50 randomly selects a point of a mark 110 defined in the area 100 and moves there.
  • the wireless terminal 50 communicates with the base station 70 using the wireless communication standard IEEE 802.11ac.
  • the frequency used for wireless communication is 5.6 GHz, with a bandwidth of 20 MHz.
  • the antenna of the wireless terminal 50 is located 100 cm from the floor.
  • the antenna of the base station 70 is located 60 cm from the floor.
  • the measurement frequency of RSSI and throughput was set to 100 ms.
  • the acquisition frequency of point cloud data was set to 100 ms.
  • the first preprocessing method was used, and centroid coordinates and bounding box coordinates were used as difference information.
  • the prediction model was trained using approximately 160,000 samples (equivalent to 4 hours) of data for training, approximately 20,000 samples (equivalent to 30 minutes) of data for validation, and approximately 20,000 samples (equivalent to 30 minutes) of data for test data.
  • Table 1 shows the root mean square error (RMSE) when predicting RSSI and throughput after one second using the point cloud data of this embodiment, and the root mean square error (RMSE) when predicting RSSI and throughput after one second using past communication quality as a comparative example.
  • RMSE root mean square error
  • the communication quality prediction device 10 shown in FIG. 11 differs from the communication quality prediction device 10 in FIG. 1 in that it includes an update unit 17.
  • the update unit 17 acquires point cloud data of the area 100 at a predetermined timing, and if there is no change in the acquired point cloud data, stores the acquired point cloud data in the static environment information storage unit 16 as static environment information.
  • the update unit 17 may acquire point cloud data and update the static environment information in response to an instruction from an administrator.
  • the communication quality prediction device 10 of this embodiment includes an acquisition unit 11 that acquires point cloud data of the area 100 in a time series, a static environment information storage unit 16 that stores a background point cloud representing the static state of the area 100 as static environment information, a pre-processing unit 12 that takes the difference between the background point cloud and the point cloud data and outputs the difference information, and a prediction unit 13 that predicts and calculates the communication quality of a wireless terminal 50 within the area 100 from the time-series difference information. Taking the difference between the background point cloud and the point cloud data can reduce the calculation cost of communication quality prediction. Furthermore, if a difference image is used as the difference information, existing image processing algorithms can be applied to the prediction model.
  • the communication quality prediction device 10 described above can be, for example, a general-purpose computer system including a central processing unit (CPU) 901, a memory 902, a storage 903, a communication device 904, an input device 905, and an output device 906, as shown in FIG. 12.
  • the communication quality prediction device 10 is realized by the CPU 901 executing a predetermined program loaded onto the memory 902.
  • This program can be recorded on a non-transitory computer-readable recording medium such as a magnetic disk, optical disk, or semiconductor memory, or can be distributed via a network.

Landscapes

  • Mobile Radio Communication Systems (AREA)

Abstract

通信品質予測装置１０は、エリア１００の点群データを時系列に取得する取得部１１と、エリア１００の静的状態を表す背景点群を静的環境情報として記憶する静的環境情報記憶部１６と、背景点群と点群データとの差分を取って差分情報を出力する前処理部１２と、時系列の差分情報からエリア１００内の無線端末５０の通信品質を予測計算する予測部１３を備える。

Description

通信品質予測装置、通信品質予測方法、およびプログラム
　本開示は、通信品質予測装置、通信品質予測方法、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、建設機械車両等、様々な機器が無線で接続されつつある。インターネット、IoT、およびMachine to Machine (M2M)トラヒックの増加に伴い、無線通信帯域は逼迫し、より高い周波数の利活用が検討されている。次世代移動体通信(5G,6G)では、ミリ波と呼ばれる30GHz以上の周波数を用いた高速大容量通信の実現が期待される。一方、サブ6GHz帯以上の高い周波数を用いた通信は周囲の環境の影響を強く受ける。特に、ミリ波通信やテラヘルツ波通信では、人体等の遮蔽によって通信品質が急峻に低下する。また、反射物の動きによる伝搬環境の変化や、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。このような通信品質の急峻な変化は体感通信品質大きく低下させる要因となる。
　通信品質の急峻な変化は体感通信品質大きく低下させる要因となるため、通信品質の大きな変化を事前に検知し、対策を行う必要がある。既存技術の非特許文献１では、オブジェクト通過によるミリ波通信の無線通信路遮蔽時における通信品質を、深度カメラから取得したフィジカル空間情報で予測し、ハンドオーバ制御や送信電力制御する装置が提案されている。このようにフィジカル空間情報は通信品質予測に有効であることが示されている。
　また、フィジカル空間情報の取得にLight Detection And Ranging (LiDAR)を用いる手法も提案されている。カメラ映像と違いLiDAR等で得られる点群データはプライバシーを侵害する可能性が低いため、その有用性が示唆されている（非特許文献２）。
T. Nishio, H. Okamoto, K. Nakashima, Y. Koda, K. Yamamoto, M. Morikura, Y. Asai, and R. Miyatake, "Proactive Received Power Prediction Using Machine Learning and Depth Images for mmWave Networks," IEEE Journal on Selected Areas in Communications, vol. 37, no. 11, pp. 2413-2427, Nov. 2019. S. Ohta, T.Nishio, R. Kudo, and K.Takahashi, "Millimeter-wave Received Power Prediction Using Point Cloud Data and Supervised Learning," pp.1-5, 2022, VTC2022-spring
　しかしながら、点群データはデータ量が膨大なため、データの保管や処理の面で取り扱いが困難である。
　本開示は、上記に鑑みてなされたものであり、フィジカル空間情報を用いた通信品質の予測において計算コストの削減を目的とする。
　本開示の一態様の通信品質予測装置は、通信品質を予測する通信品質予測装置であって、無線通信エリアの点群データを時系列に取得する取得部と、前記無線通信エリアの静的状態を表す点群データを静的環境情報として記憶する静的環境情報記憶部と、前記静的環境情報と前記点群データとの差分を取って差分情報を出力する前処理部と、時系列の前記差分情報から前記無線通信エリア内の無線端末の通信品質を予測計算する予測部と、を備える。
　本開示の一態様の通信品質予測方法は、通信品質を予測する通信品質予測装置による通信品質予測方法であって、無線通信エリアの点群データを時系列に取得し、取得した前記点群データと前記無線通信エリアの静的状態を表す点群データとの差分を取って差分情報を生成し、時系列の前記差分情報から前記無線通信エリア内の無線端末の通信品質を予測計算する。
　本開示によれば、フィジカル空間情報を用いた通信品質の予測において計算コストを削減できる。
図１は、本実施形態の通信品質予測装置の構成の一例を示す図である。 図２は、静的環境情報として記憶した点群データの一例を示す図である。 図３は、通信品質を予測するときに取得した点群データの一例を示す図である。 図４は、図２の点群データと図３の点群データの差分から得られたバウンディングボックスの一例を示す図である。 図５は、静的環境情報として記憶した鳥瞰図の一例を示す図である。 図６は、通信品質を予測するときに取得した点群データを変換して得た鳥瞰図の一例を示す図である。 図７は、図５の鳥瞰図と図６の鳥瞰図の差分から得られた差分画像の一例を示す図である。 図８は、予測モデルを学習する処理の一例を示すフローチャートである。 図９は、通信品質を予測する処理の一例を示すフローチャートである。 図１０は、屋内の実験環境を示す図である。 図１１は、本実施形態の別の通信品質予測装置の構成の一例を示す図である。 図１２は、通信品質予測装置のハードウェア構成の一例を示す図である。
　以下、本開示の実施の形態について図面を用いて説明する。
　図１は、本実施形態の通信品質予測装置１０の構成の一例を示す図である。通信品質予測装置１０は、ＬｉＤＡＲ３０で得られたフィジカル空間情報からエリア１００内の無線端末５０の通信品質を予測する装置である。通信品質とは、例えば、基地局７０と無線端末５０との間の無線通信のスループット、受信信号強度(RSSI)である。エリア１００は、通信品質予測装置１０が無線端末５０の通信品質を予測する範囲である。エリア１００は、基地局７０によって形成される無線通信エリアに基づいて定められてもよい。複数の基地局７０を配置し、各基地局７０が形成する無線通信エリアの一部を重複させてもよい。なお、図１の実線の矢印は推論時のデータの流れを示し、破線の矢印は学習時のデータの流れを示す。
　通信品質予測装置１０は、取得部１１、前処理部１２、予測部１３、学習部１４、データ記憶部１５、および静的環境情報記憶部１６を備える。
　取得部１１は、エリア１００のフィジカル空間情報を時系列に取得する。具体的には、取得部１１は、フィジカル空間情報として、固定して配置されたＬｉＤＡＲ３０からエリア１００の３次元空間の点の集合である点群データを時系列に取得する。ＬｉＤＡＲ３０以外の他のセンサを配置して、取得部１１は、ＬｉＤＡＲ３０で得られる点群データと他のセンサからのセンサデータとを統合してもよい。
　取得部１１は、点群データに加えて、無線端末５０の位置情報を取得してもよい。例えば、取得部１１が無線端末５０と通信を行い、無線端末５０から無線端末５０自身の位置情報を受信する。
　前処理部１２は、取得部１１の取得したフィジカル空間情報と、静的環境情報記憶部１６の記憶する静的環境情報との差分を取り、差分情報を生成する。静的環境情報とは、動く物体がエリア１００内に存在しない静的環境に対応するフィジカル空間情報である。前処理部１２がフィジカル空間情報と静的環境情報との差分を取ることで、フィジカル空間情報のデータ量を削減できる。前処理方法の詳細は後述する。
　予測部１３は、時系列の差分情報から無線端末５０の未来の通信品質を予測計算する。具体的には、予測部１３は、前処理部１２で生成した時系列の差分情報を予測モデルに入力して無線端末５０の未来の通信品質を予測計算する。予測モデルは、時系列の差分情報を入力すると現在または未来の通信品質を推論する機械学習モデルである。差分情報が２次元画像の場合、予測モデルには既存の画像処理用機械学習技術のモデルを用いることができる。
　予測部１３は、差分情報に加えて、無線端末５０や基地局７０の位置情報、もしくは無線端末５０から見た基地局７０の相対位置情報を予測モデルに入力してもよい。
　学習部１４は、データ記憶部１５の保持する時系列の差分情報と通信品質を教師データとして用い、時系列の差分情報を入力すると通信品質を予測する予測モデルを学習する。学習部１４は、上記教師データに加えて、無線端末５０や基地局７０の位置情報、もしくは無線端末５０から見た基地局７０の相対位置情報を教師データとして用いてもよい。
　データ記憶部１５は、予測モデルの学習に用いる時系列の差分情報と通信品質を保持する。通信品質は、無線端末５０と基地局７０との間の無線通信品質の実測値であり、無線端末５０または基地局７０から取得する。教師データを収集する際、取得部１１の取得したフィジカル空間情報は、前処理部１２で静的環境情報と差分を取られて、同時刻または時刻の近い差分情報と通信品質とが関連付けられてデータ記憶部１５に格納される。
　データ記憶部１５は、差分情報に関連付けて、無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を保持してもよい。
　データ記憶部１５は、学習部１４において学習した予測モデル（パラメータ）を保持してもよい。
　静的環境情報記憶部１６は、事前に取得した静的環境情報を保持する。具体的には、静的環境情報記憶部１６は、静的環境情報として静的環境の点群データ（以下、背景点群と称する）を保持する。背景点群は、ＬｉＤＡＲ３０から取得する。静的環境情報記憶部１６は、静的環境情報として背景点群をから作成した静的環境の２次元画像を保持してもよい。例えば、静的環境情報記憶部１６は、背景点群を高い視点から俯瞰するように平行投影した鳥瞰図を保持してもよい。
　次に、図２ないし図７を参照し、前処理方法の例について説明する。前処理方法としては、取得部１１の取得した点群データと背景点群との差分を取り、差分点群の重心とバウンディングボックス情報、または差分点群のボクセルデータを取得する第１の前処理方法と、取得部１１の取得した点群データと背景点群のそれぞれから鳥瞰図を作成し、２つの鳥瞰図の差分を取り、差分画像を生成する第２の前処理方法がある。
　まず、第１の前処理方法について説明する。静的環境情報記憶部１６は、静的環境情報として図２に示すような背景点群を保持する。通信品質予測装置１０の動作中、取得部１１は、図３に示すような点群データをＬｉＤＡＲ３０から取得する。前処理部１２は、背景点群と点群データとの差分を取って差分点群を抽出し、差分点群の重心とバウンディングボックス情報を取得する、あるいは差分点群をボクセル化してボクセルデータを生成する。バウンディングボックスとは、差分点群を囲う直方体である。差分点群をボクセル化することでデータ量を削減できる。図４に得られたバウンディングボックス２００の一例を示す。前処理部１２は、差分点群の重心とバウンディングボックス情報、あるいはボクセルデータを差分情報として出力する。前処理部１２は、重心の移動から速度を推定し、速度情報を取得してもよい。
　続いて、第２の前処理方法について説明する。静的環境情報記憶部１６は、静的環境情報として図５に示すような鳥瞰図を保持する。図５の鳥瞰図は、エリア１００を高い視点から俯瞰するように背景点群を投影した２次元画像である。通信品質予測装置１０の動作中、取得部１１は、エリア１００の点群データをＬｉＤＡＲ３０から取得する。前処理部１２は、点群データを２次元画像に変換する。図６に予測時の点群データを変換した２次元画像の例を示す。図６の２次元画像は、図５の鳥瞰図と同様に、高い視点から俯瞰するように点群データを投影して作成する。前処理部１２は、背景点群から作成した２次元画像と予測時の点群データから作成した２次元画像の差分画像を取得する。図７に図５の２次元画像と図６の２次元画像との差分画像の例を示す。前処理部１２は、差分画像を差分情報として出力する。
　なお、第１の前処理方法において、第２の前処理方法で得られた差分画像から重心座標とバウンディングボックス情報を取得し、重心座標とバウンディングボックス情報を差分情報として出力してもよい。この場合、重心座標とバウンディングボックスの座標は２次元で表される。
　また、第２の前処理方法において、第１の前処理方法で得られた差分点群を鳥瞰図に変換してもよい。
　次に、図８のフローチャートを参照し、予測モデルを学習する処理の一例について説明する。静的環境情報記憶部１６は静的環境情報を格納しているものとする。
　ステップＳ１１にて、取得部１１は、ＬｉＤＡＲ３０から点群データを取得する。
　ステップＳ１２にて、前処理部１２は、静的環境情報と点群データとの差分を取り、差分情報をデータ記憶部１５に格納する。
　第１の前処理方法の場合、前処理部１２は、背景点群とステップＳ１１で取得した点群データとの差分を取って差分点群を得て、差分点群の重心とバウンディングボックス情報を求めて、差分点群の重心とバウンディングボックス情報を差分情報としてデータ記憶部１５に格納する。前処理部１２は、ＬｉＤＡＲ３０のローカル座標系で求められた差分点群の重心とバウンディングボックス情報を絶対座標系（例えばエリア１００のＧＰＳ座標）に変換してもよい。差分情報としてボクセルデータを求めて格納してもよい。
　第２の前処理方法の場合、前処理部１２は、ステップＳ１１で取得した点群データを鳥瞰図に変換し、静的環境情報記憶部１６の鳥瞰図と点群データから変換した鳥瞰図との差分を取って、得られた差分画像を差分情報としてデータ記憶部１５に格納する。前処理部１２は、ＬｉＤＡＲ３０のローカル座標系で得られた点群データを絶対座標系に変換してから鳥瞰図を生成してもよい。
　ステップＳ１３にて、データ記憶部１５は、無線端末５０と基地局７０の少なくともいずれか一方から受信した通信品質を、同時刻または時刻が近い差分情報に関連付けて格納する。データ記憶部１５は、取得部１１を介して通信品質を受信してもよい。
　無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を通信品質の予測に用いる場合、データ記憶部１５は、無線端末５０の位置情報を取得し、差分情報に関連付けて、無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を格納する。無線端末５０や基地局７０の位置情報は差分情報の座標系に合わせて変換される。
　ステップＳ１４にて、学習部１４は、データ記憶部１５から時系列の差分情報と通信品質を取得し、時系列の差分情報と通信品質を教師データとして、予測モデルを学習する。学習部１４は、上記教師データに加えて、無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を教師データとして用いてもよい。
　第１の前処理方法の場合、予測モデルに既存の機械学習技術を用いることができる。具体的には、入力に差分点群の重心座標とバウンディングボックスの座標データを用い、出力として通信品質の値が算出されるように予測モデルを学習する。
　第２の前処理方法の場合、予測モデルに既存の画像処理用機械学習技術のモデルを用いることができる。具体的には、入力に差分画像を用い、出力として通信品質の値が算出されるように予測モデルを学習する。
　次に、図９のフローチャートを参照し、通信品質を予測する処理の一例について説明する。
　ステップＳ２１にて、取得部１１は、ＬｉＤＡＲ３０から点群データを時系列に取得する。無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を通信品質の予測に用いる場合、取得部１１は、無線端末５０の位置情報を取得し、基地局７０の相対位置情報を求める。
　ステップＳ２２にて、前処理部１２は、静的環境情報と点群データとの差分を取り、差分情報を生成する。前処理部１２による第１、第２の前処理方法は、学習時の前処理方法と同様である。
　前処理部１２は、点群データに他のセンサのセンサデータを統合した後、静的環境情報と点群データとの差分を取ってもよい。他のセンサのセンサデータとは、例えばエリア１００の別の点群センサから得られる点群データである。
　ステップＳ２３にて、予測部１３は、時系列の差分情報を予測モデルに入力して無線端末５０の未来の通信品質を予測する。予測部１３は、時系列の差分情報に加えて、無線端末５０や基地局７０の位置情報、無線端末５０から見た基地局７０の相対位置情報を予測モデルに入力してもよい。
　次に、図１０に示す実験環境における本実施形態の通信品質予測装置１０の実験結果について説明する。
　図１０に示す実験環境は、屋内に設置した20m×6m程度のエリア１００である。エリア１００にはＬｉＤＡＲ３０が固定して配置される。無線端末５０は、エリア１００に定めたマーク１１０の地点をランダムに選択して移動する。
　無線端末５０は、無線通信規格IEEE 802.11acで、基地局７０と通信する。無線通信に用いる周波数は5.6GHzであり、帯域幅は20MHzである。無線端末５０のアンテナの位置は床から100cmである。基地局７０のアンテナの位置は床から60cmである。ＲＳＳＩとスループットの測定頻度は100msとした。点群データの取得頻度は100msとした。
　前処理方法として、第１の前処理方法を用い、差分情報として重心座標とバウンディングボックス座標を用いた。訓練データに約１６００００サンプル（４時間相当）のデータを用い、バリデーションデータに約２００００サンプル（３０分相当）のデータを用い、テストデータに約２００００サンプル（３０分相当）のデータを用いて予測モデルを学習した。
　本実施形態の点群データを用いて１秒後のＲＳＳＩとスループットを予測したときの二乗平均平方根誤差(RMSE)と、比較例として過去の通信品質を用いて１秒後のＲＳＳＩとスループットを予測したときの二乗平均平方根誤差(RMSE)を表１に示す。
Figure JPOXMLDOC01-appb-T000001
　表１から、本実施形態の点群データを用いる方法は、過去の通信品質を用いる方法よりも精度よく通信品質を予測できることがわかる。
　次に、図１１を参照し、本実施形態の変形例の通信品質予測装置について説明する。
　図１１に示す通信品質予測装置１０は、図１の通信品質予測装置１０と比べて更新部１７を備える点で相違する。更新部１７は、所定のタイミングでエリア１００の点群データを取得し、取得した点群データに変化がない場合、取得した点群データを静的環境情報として静的環境情報記憶部１６に格納する。更新部１７は管理者の指示に応じて点群データを取得して静的環境情報を更新してもよい。
　以上説明したように本実施形態の通信品質予測装置１０は、エリア１００の点群データを時系列に取得する取得部１１と、エリア１００の静的状態を表す背景点群を静的環境情報として記憶する静的環境情報記憶部１６と、背景点群と点群データとの差分を取って差分情報を出力する前処理部１２と、時系列の差分情報からエリア１００内の無線端末５０の通信品質を予測計算する予測部１３を備える。背景点群と点群データとの差分を取ることで通信品質予測の計算コストを低減できる。また、差分情報として差分画像を用いれば、予測モデルに既存の画像処理アルゴリズムを適用できる。
　上記説明した通信品質予測装置１０には、例えば、図１２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、通信品質予測装置１０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、半導体メモリなどの、コンピュータが読み取り可能な非一時的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。
　１０　通信品質予測装置
　１１　取得部
　１２　前処理部
　１３　予測部
　１４　学習部
　１５　データ記憶部
　１６　静的環境情報記憶部
　１７　更新部
　３０　ＬｉＤＡＲ
　５０　無線端末
　７０　基地局

Claims (8)

  1. 　通信品質を予測する通信品質予測装置であって、
    　無線通信エリアの点群データを時系列に取得する取得部と、
    　前記無線通信エリアの静的状態を表す点群データを静的環境情報として記憶する静的環境情報記憶部と、
    　前記静的環境情報と前記点群データとの差分を取って差分情報を出力する前処理部と、
    　時系列の前記差分情報から前記無線通信エリア内の無線端末の通信品質を予測計算する予測部と、を備える
    　通信品質予測装置。
  2. 　請求項１に記載の通信品質予測装置であって、
    　前記前処理部は、前記静的環境情報と前記点群データとの差分を取った差分点群から前記差分点群の重心座標と前記差分点群を囲うバウンディングボックスの座標を求め、前記重心座標と前記バウンディングボックスの座標を前記差分情報として出力する
    　通信品質予測装置。
  3. 　請求項１に記載の通信品質予測装置であって、
    　前記前処理部は、前記静的環境情報と前記点群データとの差分を取った差分点群をボクセル化したボクセルデータを前記差分情報として出力する
    　通信品質予測装置。
  4. 　請求項１に記載の通信品質予測装置であって、
    　前記前処理部は、前記静的環境情報と前記点群データのそれぞれを前記無線通信エリアを高い位置から見た鳥瞰図に変換し、前記鳥瞰図の差分を取った差分画像を前記差分情報として出力する
    　通信品質予測装置。
  5. 　請求項１に記載の通信品質予測装置であって、
    　前記取得部は、他のセンサからのセンサデータを取得し、
    　前記前処理部は、前記点群データと前記センサデータとを統合する
    　通信品質予測装置。
  6. 　請求項１に記載の通信品質予測装置であって、
    　前記静的環境情報を更新する更新部を備える
    　通信品質予測装置。
  7. 　通信品質を予測する通信品質予測装置による通信品質予測方法であって、
    　無線通信エリアの点群データを時系列に取得し、
    　取得した前記点群データと前記無線通信エリアの静的状態を表す点群データとの差分を取って差分情報を生成し、
    　時系列の前記差分情報から前記無線通信エリア内の無線端末の通信品質を予測計算する
    　通信品質予測方法。
  8. 　請求項１ないし６のいずれかに記載の通信品質予測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/JP2022/042100 2022-11-11 2022-11-11 通信品質予測装置、通信品質予測方法、およびプログラム WO2024100889A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/042100 WO2024100889A1 (ja) 2022-11-11 2022-11-11 通信品質予測装置、通信品質予測方法、およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/042100 WO2024100889A1 (ja) 2022-11-11 2022-11-11 通信品質予測装置、通信品質予測方法、およびプログラム

Publications (1)

Publication Number Publication Date
WO2024100889A1 true WO2024100889A1 (ja) 2024-05-16

Family

ID=91032142

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/042100 WO2024100889A1 (ja) 2022-11-11 2022-11-11 通信品質予測装置、通信品質予測方法、およびプログラム

Country Status (1)

Country Link
WO (1) WO2024100889A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
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
WO2020217457A1 (ja) * 2019-04-26 2020-10-29 日本電信電話株式会社 通信システム及び基地局
WO2022102064A1 (ja) * 2020-11-12 2022-05-19 日本電信電話株式会社 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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
WO2020217457A1 (ja) * 2019-04-26 2020-10-29 日本電信電話株式会社 通信システム及び基地局
WO2022102064A1 (ja) * 2020-11-12 2022-05-19 日本電信電話株式会社 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

Similar Documents

Publication Publication Date Title
Thrane et al. Model-aided deep learning method for path loss prediction in mobile communication systems at 2.6 GHz
Atia et al. Dynamic online-calibrated radio maps for indoor positioning in wireless local area networks
Dias et al. Position and LIDAR-aided mmWave beam selection using deep learning
JP2021506149A (ja) 無線信号の特性の機械学習に基づく動き検出
CN111148112B (zh) 一种无线网络部署方法、装置、电子设备以及存储介质
US20220210622A1 (en) Communication system and base station
Marasinghe et al. LiDAR aided human blockage prediction for 6G
JP7226575B2 (ja) 通信端末及び通信品質予測方法
Dashti et al. Rssi localization with gaussian processes and tracking
EP4034948A1 (en) Method, apparatus and computer program for user equipment localization
Morawska et al. Transfer learning-based UWB indoor localization using MHT-MDC and clusterization-based sparse fingerprinting
US20220352995A1 (en) Communication system and terminal
Ohta et al. Point cloud-based proactive link quality prediction for millimeter-wave communications
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
WO2024100879A1 (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
Ohta et al. Millimeter-wave received power prediction using point cloud data and supervised learning
Mukhtar Machine learning enabled-localization in 5g and lte using image classification and deep learning
Polosky et al. Machine learning subsystem for autonomous collision avoidance on a small uas with embedded gpu
CN115131756A (zh) 一种目标检测方法及装置
KR20220065694A (ko) 고해상도 QoS 예측 맵을 결정하는 장치들 및 방법들
KR102016835B1 (ko) 이동체의 자기 위치 추정 방법 및 그 이동체
Asaad et al. Novel integrated matching algorithm using a deep learning algorithm for Wi-Fi fingerprint-positioning technique in the indoors-IoT era
CN113465609A (zh) 一种针对目标对象的时序匹配方法及装置
Al Saadi et al. Ground Level Mobile Signal Prediction Using Higher Altitude UAV Measurements and ANN
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