JP2018124126A - 移動体の状態を検知するための方法、プログラム、及び装置 - Google Patents

Abstract

【課題】ユーザの移動が徒歩によるものか、特定の乗物によるものか等をリアルタイム且つ高精度に検知することができる状態検知方法等を提供する。
【解決手段】移動体の状態を検知するための方法は、取得されたセンサ値からそれぞれ所定の時間間隔で複数の特徴量を算出するステップと、算出された複数の特徴量と、予め生成された少なくとも一つの計算モデルとを用いて、第１の時刻において検知され得る複数の状態に関する複数の状態スコアをそれぞれ計算するステップと、複数の状態スコアに基づいて、第１の時刻における単一の状態を決定するステップと、を含む。
【選択図】図１

Description

本発明は、携帯端末装置等に搭載されるセンサを用いて移動体の状態を検知するための方法等に関する。特に、ユーザの移動が徒歩によるものか、特定の乗物によるものか等をリアルタイム且つ高精度に検知することができる状態検知方法、プログラム、及び携帯端末装置等に関する。

スマートフォン等多機能携帯端末装置の普及に伴い、端末に搭載されたセンサのデータを解析して個人、及び／又は多人数のライフログを取得し、各種サービスに役立てる試みが行われるようになった。センサデータとして、加速度センサ、地磁気センサ、測位センサ等から取得されるデータが用いられる。

従来、複数の軸方向において移動対象の運動を検出して得られる情報に基づいて、複数の軸方向の二軸方向間の運動の関係性を示す相関値を算出する二軸方向相関値算出手段と、複数の軸方向の各軸方向について特徴量を算出する軸方向特徴量算出手段と、特徴量及び相関値に基づいて移動対象の移動状況を判定する移動状況判定手段とを有する移動状況判定装置が提案された（特開２０１３−１９５３６３号公報：特許文献１）。

地磁気センサで検出された地磁気値を示す地磁気データを取得し、該取得した地磁気データが示す地磁気値の変化の大きさに基づいて、地磁気センサを携帯する利用者が、車で移動している状態か、電車で移動している状態か等を判定する方法が提案された（特開２０１４−６６６３８号公報：特許文献２）。

乗り物移動状態における乗り物を区別して検出するための、加速度の検出を行う加速度センサと、磁気の検出を行う磁気センサと、加速度センサにより検出された加速度と、前記磁気センサにより検出された磁気の大きさの変化とに基づき移動状態の種別を判定する制御部と、を備える電子機器が提案された（特開２０１５−８８９０５号公報：特許文献３）。

また、ＧＰＳ軌跡セグメントに基づきすべての測位点に速度や加速度などの特徴を持たせた系列表現を抽出する系列表現抽出部と、系列表現から系列特徴量抽出モデルを生成する系列特徴量抽出モデル生成部と、系列特徴量抽出モデル生成部で生成された系列特徴量抽出モデルを用いて、系列特徴量を抽出する系列特徴量抽出部と、推定モデルを生成する推定モデル生成部とを備えた移動手段推定モデル生成装置が提案された（特開２０１６−９９１１０号公報：特許文献４）。

特開２０１３−１９５３６３号公報 特開２０１４−６６６３８号公報 特開２０１５−８８９０５号公報 特開２０１６−９９１１０号公報

従来技術では、複数の状態を検知するために検知可能な状態を段階的、二者択一的に判定する等、処理が煩雑になりやすかった。また、段階的な判定では各段階が誤検知を含む恐れがあり、最終的に精度が十分ではなかった。また、スマートフォン等携帯端末装置での実装において、ＣＰＵ等に負荷をかけることなく容易に検知を行うことについて十分に検討されず、実用性に乏しかった。

上記問題に鑑み本発明は、携帯端末装置等での実装に適した状態検知方法を提供することを目的とする。リアルタイム且つ高精度な検知を可能にすることで、ライフログ等の収集のみならず、日常の行動の見守り等種々の用途に活用し得る状態検知方法、プログラム、及び装置を提供することを目的とする。また、検知精度の向上のために有効な特徴量抽出及びモデルの設計を提供することを目的とする。

本発明に係る一つの実施形態は、移動体の状態を検知するための方法であって、取得されたセンサ値からそれぞれ所定の時間間隔で複数の特徴量を算出するステップと、算出された複数の特徴量と、予め生成された少なくとも一つの計算モデルとを用いて、第１の時刻において検知され得る複数の状態に関する複数の状態スコアをそれぞれ計算するステップと、複数の状態スコアに基づいて、第１の時刻における単一の状態を決定するステップと、を含む。

本発明によれば、複数の状態スコアに基づいて移動体の状態が一意的に識別される。状態スコアを計算するための計算モデルが予め生成されるので、煩雑な判定処理等を行う必要がなく、容易に誤検知が低減された検知を行うことができる。

単一の状態は複数の時刻毎に順次決定され、単一の状態の開始、単一の状態の継続、及び／又は単一の状態の終了が決定され得る。

本発明によれば、例えば、移動体が「徒歩移動」の状態から「車移動」の状態となったこと等をリアルタイムに検知することができる。例えば、移動体が児童であれば、検知結果の通知の設定などにより保護者等が「スケジュールどおりである」ことや、「徒歩移動のはずであるところ、不測の事態が起こった可能性がある」こと等を把握し得る。

少なくとも一つの計算モデルは、状態スコア間の大小関係を明示するように予め学習された重み、バイアス、及び計算アルゴリズムを含むことが好ましい。

このようにすることで、例えば、検知対象の状態が多数（３以上、４以上、５以上、１０以上等）であっても、ある時刻（期間）における状態を矛盾なく、一意的に決定し得る。

少なくとも一つの計算モデルは３つ以上のモデルであり、複数の特徴量のうちの第１のセットから第１のスコアを計算するための第１モデルと、複数の特徴量のうちの第２のセットから第２のスコアを計算するための第２モデルと、少なくとも第１のスコア及び第２のスコアを特徴量として複数の状態スコアを計算するための第３モデルとを含んでよい。

上記のようにすることで、対象の検知に最適な特徴量（のセット）を用いる一つのモデルで検知精度を向上させるとともに、モデル間の調整によりさらに誤検知を低減させることができる。

単一の状態は、少なくとも状態スコアが所定の閾値を超えることにより決定されてよい。本発明によれば、状態スコアを所定の閾値に基づいて判定することで、精度のよい判定が可能である。

センサ値は少なくとも三軸加速度センサ値を含み、複数の特徴量が、少なくとも一つの加速度周波数の時刻毎の振幅を含む。

センサ値は少なくとも三軸加速度センサ値、及び三軸地磁気センサ値を含み、複数の特徴量が、磁気量の水平成分及び垂直成分のそれぞれの変化に関する値を含む。

このようにすることで、時刻毎の状態判定に適した特徴量が抽出される。

センサ値が、少なくとも速度データを含み、単一の状態を決定するステップにおいて速度データが参照されてよい。

このようにすることで、さらに誤検知が低減され得る。

本発明の他の態様は、上記状態検知方法をコンピュータに実行させるプログラムである。

本発明のもう一つの他の態様は、移動体の状態を検知するための、一つ以上のセンサを備える状態検知装置であって、一つ以上のセンサからセンサ値を取得するためのセンサ値取得手段と、取得されたセンサ値からそれぞれ所定の時間間隔で複数の特徴量を算出する特徴量算出手段と、予め生成された少なくとも一つの計算モデルと状態判定規則とが格納されるデータベース手段と、算出された複数の特徴量と計算モデルとを用いて、第１の時刻において検知され得る複数の状態に関する複数の状態スコアをそれぞれ計算するスコア計算手段と、複数の状態スコアと状態判定規則とに基づいて、第１の時刻における単一の状態を決定する状態判定手段と、を備える。

本発明によれば、携帯端末装置等を用いて、容易に移動状態を検知することができる。検知はほぼリアルタイムであり、精度も十分に高いため、種々の用途に活用することができる。

図１は本発明に係る状態検知装置の概略的なブロック図である。 図２は本発明に係る特徴量算出を説明する図である。 図３は本発明に係る状態検知モデル生成装置の概略的なブロック図である。 図４（ａ）は基本特徴量ＤＢ、図４（ｂ）は特徴量ＤＢ、図４（ｃ）は第１モデル特徴量ＤＢ、図４は第２モデル特徴量ＤＢのデータ構造をそれぞれ表す。 図５は特徴量と状態との相関を説明する図である。 図６（ａ）は第１モデルＤＢのパラメータセット、図６（ｂ）は第２モデルＤＢのパラメータセットを示す。 図７はスコアＤＢのデータ構造を示す。 図８は第３モデルＤＢのパラメータセットを示す。 図９は加速度センサ値の時系列データを示す。 図１０は地磁気センサ値の時系列データを示す。 図１１は特徴量の時系列データを示す。 図１２は特徴量の時系列データを示す。 図１３は特徴量から計算されたスコアの時系列データを示す。 図１４は特徴量から計算されたスコアの時系列データを示す。 図１５は、スコアを特徴量として計算された最終的なスコアと速度の時系列データを示す。

以下、図面を参照しながら、本発明のさまざまな特徴が、本発明の限定を意図しない好適な実施例とともに説明される。

図１に、本発明の一つの実施形態に係る状態検知装置１００のブロック図が概略的に示される。状態検知装置１００は、例えば、スマートフォン、タブレットＰＣ等の公知の小型コンピュータ装置であってよい。

状態検知装置１００は、移動体（ユーザ）の移動状態を検知するために、センサ手段１０、センサ値取得手段２０、特徴量算出手段３０、スコア計算手段４０、状態判定手段５０、データベース手段６０、及び通信手段７０を備える。状態検知装置１００は図示しないＣＰＵ、ＲＡＭ、ＲＯＭ、ＯＳ、アプリケーション等を備え、上記各手段は、ハードウェア及びソフトウェア（電子機器、電子回路、プログラム等）により実装され得る。

センサ手段１０は、公知の三軸加速度センサ、三軸地磁気センサ、及び測位センサを含んでよい。三軸加速度センサは、時刻（ｔ）におけるＸ軸・Ｙ軸・Ｚ軸方向の加速度（ＡＸｔ、ＡＹｔ、ＡＺｔ）（Ｇ）を測定することができる。三軸地磁気センサは、時刻（ｔ）におけるＸ軸・Ｙ軸・Ｚ軸方向の磁気量（ＭＸｔ、ＭＹｔ、ＭＺｔ）（μＴ）を測定することができる。測位センサは、ＧＰＳ測位、Ｗｉ−Ｆｉ測位、基地局測位等に基づいて、時刻（ｔ）における緯度、経度、及び現在向いているデバイスの瞬間の速度（ｍ／ｓ）等を取得することができる。速度データは測位センサ値から直接取得され、あるいは、測位センサの位置情報（緯度、経度）に基づいて算出される。

センサ値取得手段２０はセンサ手段１０からセンサ値を取得することができる。特徴量算出手段３０はセンサ値から特徴量を算出することができる。ＤＢ手段６０には、予め生成されたスコア計算モデル６１及び状態判定規則６２が格納される。スコア計算手段４０は、算出された特徴量を入力とし、スコア計算モデル６１を参照して状態スコアを計算することができる。状態判定手段５０は、計算された状態スコアを入力とし、状態判定規則６２を参照して、ある時刻における移動体の状態を判定し、ディスプレイ等出力手段（図示せず）に出力させることができる。判定結果６３はＤＢ手段６０に格納される。通信手段７０はメーラ等を含んでよく、判定結果６３を設定された通信先等に適宜通知することができる。例えば、児童の通学等の見守りを目的とする保護者のために、特定の状態（例えば、「電車に乗った」、「電車から降りた」等）の検知をメール送信することができる。

図２に、特徴量算出部３０の一つの実施形態に係る特徴量算出の概略が示される。図中Ｓ１、Ｓ２、・・・、及び、Ｓ１'、Ｓ２'、・・・はそれぞれ、所定のサンプリングレートに従ったサンプリング時刻を表す。図示の例では、Ｓ１、Ｓ２、・・・は２００ｍｓのサンプリングレートに対応し、１秒間に５つのサンプルが取得され得る（５Ｈｚ）。また、Ｓ１'、Ｓ２'、・・・は２０００ｍｓのサンプリングレートに対応し、サンプリング開始から２秒に１つのサンプルが取得され得る。サンプリングレートはこれらに限定されないが、ＣＰＵの負荷低減、処理の高速化、低消費電力等のために、サンプリングレートは１０Ｈｚ、５Ｈｚ、１Ｈｚ以下であることが好ましい。本発明に係る方法によれば、少ないサンプル数で十分に移動体の状態を検知することができる。

サンプリングの開始は、ユーザによるアプリケーション起動の指示入力時であってよい。あるいは、常時起動された状態であってもよい。

図示のように、特徴量算出部３０は、三軸加速度センサ値から合成加速度をサンプリング時刻毎に算出し、ある時刻における各周波数の振幅を過去の複数データを用いて算出し、さらに各周波数の振幅の移動平均を特徴量（Ａ，Ｂ，Ｃ，Ｄ，Ｅ）として算出することができる。

具体的に、サンプリング時刻tにおける加速度センサ値をそれぞれＡＸｔ、ＡＹｔ、ＡＺｔとして、加速度合成値（重力値抜き）ＡＣＣｔが以下のように算出される。

各周波数における振幅が、ＡＣＣｔの過去１．８秒間(各９データ)分を元にフーリエ変換を行うことにより算出される。

求められた（ｆａｃｃ（０）ｔ, ... , ｆａｃｃ（８）ｔ）のうち、（||ｆａｃｃ（０）ｔ||, ... , ||ｆａｃｃ（４）ｔ||）が、サンプリング時刻ｔにおける各周波数スペクトルの振幅となる。さらに、（||ｆａｃｃ（０）ｔ||, ... , ||ｆａｃｃ（４）ｔ||）のそれぞれの過去１０秒間（５０データ分）の移動平均が算出される。

算出された５つの値をそれぞれ特徴量Ａ、特徴量Ｂ、特徴量Ｃ、特徴量Ｄ、特徴量Ｅとする。

図２の例では、Ｓ１でサンプリングが開始され、Ｓ５８で各特徴量（Ａ、Ｂ、Ｃ、Ｄ、Ｅ）が算出され、以降、Ｓ５９、Ｓ６０、・・・と、２００ｍｓ毎に順次各特徴量が算出される。

また、特徴量算出部３０は、加速度の平均値から端末のピッチ角、ロール角を算出し、三軸地磁気センサ値から水平成分、鉛直成分を算出し、前の時刻に算出された値との差分をそれぞれとり、複数の差分の移動平均値及び標準偏差を特徴量として算出することができる。

具体的に、磁気量の水平成分、鉛直成分の算出のために、サンプリング時刻ｔにおける三軸加速度センサ値からセンサ搭載端末の傾き（ピッチ角ＰＩＴｔ、ロール角ＲＯＬｔ）が算出される。ピッチ角ＰＩＴｔ、ロール角ＲＯＬｔ、及び時刻Ｔにおける三軸地磁気センサ値（ＭＸ_T,ＭＹ_T,ＭＺ_T）から、鉛直方向をＺ軸としたときのセンサ値（ＭＧＸ_T,ＭＧＹ_T,ＭＧＺ_T）が算出される。なお、時刻ｔはサンプリングレート２００ｍｓの時刻を表し、時刻Ｔはサンプリングレート２０００ｍｓの時刻を表し、算出時の時刻ｔと時刻Ｔとは同一時刻を指すものとする。

鉛直方向をＺ軸としたときのセンサ値（ＭＧＸ_T,ＭＧＹ_T,ＭＧＺ_T）を元に、磁気センサ値の水平成分ＭＨ_T及び鉛直成分ＭＶ_Tが算出される。

さらに、（ＭＨ_T,ＭＶ_T）と（ＭＨ_T-1,ＭＶ_T-1）の差分の絶対値（ＭＨΔ_T,ＭＶΔ_T）が算出される。

時系列に従って、（ＭＨΔ_T,ＭＶΔ_T）の過去１２０秒（各６０データ）の平均値、及び標準偏差を算出することで、特徴量１、特徴量２、特徴量３、特徴量４が算出される。
・・・・・（特徴量１）
・・・・・（特徴量２）
・・・・・（特徴量３）
・・・・・（特徴量４）

図２の例では、サンプリング時刻Ｓ６１'（Ｓ６１０）において、各特徴量（１、２、３、４）が算出され、以降、Ｓ６２'、Ｓ６３'、・・・と、２０００ｍｓ毎に各特徴量が取得され得る。

さらに、特徴量算出部３０は、合成加速度の差分の移動平均、及び標準偏差を特徴量として算出することができる。時刻Ｔにおける三軸加速度センサ値の合成値及び差分（絶対値）、及び平均（特徴量５）、標準偏差（特徴量６）がそれぞれ以下のように算出される。

・・・・・（特徴量５）
・・・・・（特徴量６）

図２の例では、サンプリング時刻Ｓ６１'において過去１２０秒分（６０データ）の平均及び標準偏差が算出され、以降、Ｓ６２'、Ｓ６３'、・・・と順次特徴量５、特徴量６が算出される。

なお、移動平均が過去何データ分であるか等は適宜設定されてよく、上記の例より少なくてもよく、多くてもよい。

スコア計算部４０（図１）は、算出された特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅ、及び特徴量１、２、３、４、５、６を用いて、状態の確からしさ（信頼度）に関連する状態スコアを計算する。計算には、計算モデル６１が参照される。

計算モデル６１は、予め生成されＤＢ手段６０に格納される。計算モデル６１を生成するための一つの実施形態の状態検知モデル生成装置２００のブロック図が、図３に概略的に示される。

状態検知モデル生成装置２００は、コンピュータにより構成され、ラベル有基本特徴量ＤＢ２０１、特徴量抽出部２０２、ラベル有特徴量ＤＢ２０３、モデル用ＤＢ生成部２０４、第１モデル用特徴量ＤＢ２０５、第１モデル生成部２０６、第１モデルＤＢ２０７、第２モデル用特徴量ＤＢ２０８、第２モデル生成部２０９、第２モデルＤＢ２１０、スコアＤＢ２１１、第３モデル生成部２１２、第３モデルＤＢ２１３、判定規則ＤＢ２１４、及び入出力部２１５を備える。状態検知モデル生成装置２００は、図示しないＣＰＵ、ＲＡＭ、ＲＯＭ、ＨＤＤ等ハードウェア、及びＯＳ、アプリケーション等ソフトウェアを備え、各ＤＢ及び各部は、ハードウェア及びソフトウェアの協働により実装される。乗物検知モデル生成装置２００は、単一のコンピュータにより構成されてよく、複数のコンピュータにより構成されてもよい。

図４（ａ）は、ラベル有基本特徴量ＤＢ２０１のデータ構造を示す。図示のように、ラベル有基本特徴量ＤＢ２０１には、時刻ｔ、三軸地磁気センサ値、三軸加速度センサ値、速度、及び基本ラベルが格納される。基本ラベルは、時刻ｔにおける移動体の実際の状態を任意に表すものであってよく、例えば、地下鉄、高架鉄道、新幹線、モノレール、バス、乗用車、歩行、走行、自転車、停止等であってよい。

特徴量抽出部２０２は、モデルの生成のために種々の特徴量を抽出し得る。特徴量抽出部２０２は少なくとも、上記特徴量算出手段３０と同様に、基本特徴量（図４（ａ））から特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅ、及び特徴量１、２、３、４、５、６を算出することができる。

算出された特徴量は、ラベル有特徴量ＤＢ２０３に格納される。図４（ｂ）に、ラベル有特徴量ＤＢ２０３のデータ構造が示される。図示のように、各特徴量は時刻に紐づけられて格納される。特徴量のサンプリングレートが異なる場合（時刻ｔ、時刻Ｔ）、サンプリングレート毎にデータが格納されてよい。

一つの実施形態の特徴量抽出は、誤検知を低減するように設計される。例えば、本発明に係る発明者は、磁気量の鉛直成分及び水平成分の変化に差異があり、これらの変化が、「電車移動」や「車移動」をよく反映することを見出した。

図５に、横軸を磁気量の水平成分の変化（差分）の標準偏差、縦軸を磁気量の鉛直成分の変化（差分）の標準偏差として、対応する状態をプロットした図が示される。図中、白抜きの○は、「車（バスと乗用車を含む）移動」を表し、薄いグレーの×は「電車（地下鉄と高架鉄道を含む）移動」を表し、濃いグレーの点はその他の「徒歩移動や停止等」を表す。図示のとおり、「車移動」と「電車移動」がよく分離されている。従って、磁気量の水平成分の変化（差分）の標準偏差、鉛直成分の変化（差分）の標準偏差は、「車」と「電車」を識別するための特徴量となり得る。

図５に示されるように、「徒歩移動や停止等」（濃いグレーの点）は「車移動」や「電車移動」と重なる部分があり、上記特徴量による解析では誤検知の恐れがある。例えば、「電車」や「車」であると判定しても、実際には「徒歩移動」や「停止」等である場合が考えられる。

本発明に係る検知モデルは、特定の状態の検知に特定の特徴量（のセット）が有利であるときに、特定の状態毎にモデルを生成し、一つのモデルの誤検知を他のモデルにより低減させることで、全体として検知精度を向上させるように生成される。

一つの実施形態では、第１モデルと第２モデルを生成し、これらに基づいて第３モデルが生成される。一つの実施形態では、第１モデルは、特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅを使用して「徒歩」等を検知し、第２モデルは、特徴量１、２、３、４、５、６を用いて、「車」や「電車」等を検知するように生成される。

モデル用ＤＢ生成部２０４は、各モデルの生成に適した特徴量を選択し、適宜ラベルを付与することができる。

図４（ｃ）に、第１モデル用特徴量ＤＢ２０５のデータ構造が示される。一つの実施形態では、「歩行」を検知するモデルの生成のために、選択された特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅ及びラベル１が時刻毎に格納される。ラベル１は、基本ラベルとスコア計算の対象（例えば、「歩行」）により決定され得る。例えば、時刻ｔの基本ラベルが「歩行」を意味する場合、ラベル１情報は「歩行」となり、時刻ｔの基本ラベルが「歩行」を意味しない（電車、車、停止等）場合、ラベル１情報は「その他」となり得る。

第１モデル生成部２０６は、第１モデル用特徴量ＤＢ２０５から読み出した特徴量とラベル１情報の学習により、第１モデルを生成する。第１モデルの生成には、ロジスティック回帰やニューラルネットワーク（ＮＮ）、サポートベクトルマシン（ＳＶＭ）、ディープラーニング等の公知のライブラリ（例えば、ＬＩＢＳＶＭ， ＬＩＢＬＩＮＥＡＲ， ＣＡＦＦＥ， ＴＥＮＳＯＲＦＬＯＷ， ＣＨＡＩＮＥＲ等）を用いることができる。学習により、例えば、ある時刻が「歩行」ラベルを持つ場合、該時刻のスコアが、「その他」ラベルを持つ時刻のスコアに比べて高くなるように、「歩行スコア」のためのパラメータセット（重み、バイアス、計算アルゴリズム）が決定される。

図６（ａ）に、第１モデルＤＢ２０７に格納される決定されたパラメータセットが示される。一つの実施形態では、歩行状態であることの信頼度を表す「歩行スコア」と、走行状態であることの信頼度を表す「走行スコア」を計算するための二組のパラメータが格納される。「歩行スコア」の計算のための特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅの重みがそれぞれＷ_WA、Ｗ_WB、Ｗ_WC、Ｗ_WD、Ｗ_WE、バイアスがｂ_W、及びスコア算出のためのアルゴリズムがｆ_Wで示される。また、「走行スコア」の計算のための特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅの重みがそれぞれＷ_RA、Ｗ_RB、Ｗ_RC、Ｗ_RD、Ｗ_RE、バイアスがｂ_R、及びアルゴリズムがｆ_Rで示される。上記に代えて、あるいは上記に併せて、「歩行」と「走行」を統合した「徒歩スコア」を計算するための一組のパラメータが格納されてもよい。以下の説明では、適宜「徒歩スコア」が用いられる。

図４（ｄ）に、第２モデル用特徴量ＤＢ２０８のデータ構造が示される。一つの実施形態では、「車」や「電車」の検知のために、選択された特徴量１、２、３、４、５、６、及びラベル２が時刻（Ｔ）毎に格納される。ラベル２もまた、基本ラベルとスコア計算の対象（例えば、「車」）により決定され得る。例えば、時刻Ｔ（ｔ）の基本ラベルが検知対象の「車」を意味する場合、ラベル２情報は「車」となり、時刻Ｔ（ｔ）の基本ラベルが検知対象の「車」を意味しない（電車、徒歩、停止等）場合、ラベル２情報は「その他」となり得る。

第２モデル生成部２０９は、第２モデル用特徴量ＤＢ２０８から読み出した特徴量とラベル２情報の学習により、第２モデルを生成する。モデルの生成には、上記のように、公知の機械学習ライブラリ等を用いることができる。例えば、「車スコア」の時系列データにおいて、「車」ラベルを持つ時刻のスコアが、「その他」のラベルを持つ時刻のスコアよりも高くなるように、パラメータセットが学習される。一つの実施形態では、「車」と「電車」と「徒歩、停止等」の三つのスコアのためのパラメータセットが学習される。

図６（ｂ）に、第２モデルＤＢ２１０に格納される学習されたパラメータセットが示される。データ構造は、計算するスコア毎に、特徴量１、２、３、４、５、６のそれぞれの重みと、バイアスと、計算アルゴリズムを持つ。これらにより、時刻毎の特徴量１、２、３、４、５、６から所定の状態らしさを表す各スコアの時系列データが得られる。

図７に、スコアＤＢ２１１のデータ構造が示される。第３モデルの生成のために、得られたスコアが時刻（ｔ＝Ｔ）毎に格納される。一つの実施形態では、時刻ｔについて「徒歩スコア」が計算され、時刻Ｔについて、「車スコア」、「電車スコア」、「徒歩・停止等スコア」が計算される。時刻に対応する状態を検知する目的のために、時刻ｔと時刻Ｔとが対応付けられる。例えば、一つの実施形態において、時刻ｔが２００ｍｓ間隔、時刻Ｔが２０００ｍｓ間隔であれば、歩行スコアの１０サンプルの移動平均をとって、各スコアが共通の時刻（ｔ＝Ｔ）に対応づけられる。

状態ラベルは、基本ラベルと検知対象とする状態により決定され得る。一つの実施形態では、検知対象の状態は「（歩行、走行を含む）徒歩」と、「（バス、乗用車を含む）車」と、「（地下鉄、高架鉄道を含む）電車」である。従って状態ラベルは、例えば、ある時刻（ｔ＝Ｔ）の基本ラベルが「徒歩」を意味する場合、「徒歩」ラベルとなり、ある時刻（ｔ＝Ｔ）の基本ラベルが「徒歩」を意味しない（電車、車、停止等）場合、「その他」ラベルとなり得る。

なお、移動平均をとる際等に同一の時刻（期間）が複数の基本ラベルを含むときは、そのうちの任意の基本ラベルに従ってモデル生成のためのラベルが決定されてよい。例えば、最も多い基本ラベル、先頭の時刻の基本ラベル、最後の時刻の基本ラベルに基づいて、モデル生成のためのラベルが決定されてよい。

第３モデル生成部２１２は、スコアＤＢ２１１から読み出した各スコア（特徴量）と状態ラベル情報を公知の機械学習ライブラリ等を用いて学習し、第３モデルを生成することができる。

図８に、第３モデルＤＢ２１３に格納される一つの実施形態の第３モデルのパラメータセットが示される。一つの実施形態では、パラメータセットは、元の４つのスコアを特徴量として、特徴量毎の重み（Ｗ₁，Ｗ₂，Ｗ₃，・・・）と、バイアス（ｂ₁，ｂ₂，・・・）と、計算アルゴリズム（ｆ₁，ｆ₂，・・・）を、計算するスコア毎に含む。

このようにすることで、異なる特徴量により検知される複数の状態の判定が整合される。第３モデルにより出力される状態スコアは、時刻の状態を適切に反映するように、各スコア間の大小関係を明示することができる。いずれの状態か紛らわしいということがなく、検知対象の状態が多くても（例えば、三つ以上、四つ以上、六つ以上、あるいは十以上）、状態を単一に決定することができる。多数のテストデータ（図示せず）により第３モデルに基づく状態スコアがテストされ、少なくとも、「車」、「電車」、「徒歩」が十分に分離されることが確認された。

なお、特徴量抽出やモデルの生成は、上記の実施形態に限定されない。時刻に紐づけられた状態を精度よく検知するという目的に適合する限り、特徴量やその組み合わせ、モデルの数等は任意であってよい。

判定規則ＤＢ２１４は、第３モデルに従って、スコアに基づく状態判定の規則を定義することができる。例えば、規則は、以下のようなものを含み得る。
Ｌ１．ある時刻の徒歩スコアが所定の閾値以上であるときに、当該時刻の状態を徒歩移動に決定する。
Ｌ２．ある時刻の電車スコアが、車スコアより大きく且つ所定の閾値以上であるときに当該時刻の状態を電車移動状態に決定する。
Ｌ３．ある時刻の車スコアが、電車スコアより大きく且つ所定の閾値以上であるときに当該時刻の状態を車移動状態に決定する。
Ｌ４．ある時刻のいずれのスコアもそれぞれの閾値も下回る場合、検知対象状態のいずれでもない（停止等）と決定する。
上記において優先順位が定義されてよく、例えば、規則Ｌ１は規則Ｌ２、Ｌ３よりも優先され得る。

なお、一つの実施形態の第３モデルによれば、「徒歩移動」を「車移動」や「電車移動」と誤検知することが低減されるが、「停止」を「車移動」や「電車移動」と誤検知する恐れがないとはいえない。例えば、行列に並んでゆっくり動く状態等は「徒歩移動」として検知されにくいので、「徒歩移動」の検知だけでは、「ほぼ停止」状態を「車移動」や「電車移動」と誤検知し得る。従って、判定規則は、速度データを利用するように、以下を含んでよい。
Ｌ５．スコアに基づいて「車移動」又は「電車移動」と判定されるときに、速度データが所定の閾値以下の場合は、「車移動」や「電車移動」と判定せず、「停止等」に決定する。

さらに、判定規則は、実際には「車移動」や「電車移動」であるのに、速度データのみで「停止等」と誤検知することがないように、または「電車」等の状態がある程度持続することが想定されることから、過去の判定結果を利用することを含んでよい。
Ｌ６．直前に判定された状態が「停止等」であるときにのみ、「速度データ」を参照してＬ５規則を採用する。
Ｌ７．直前に判定された状態が車、電車、徒歩等の「検知対象状態」である場合、その後の判定ではその「検知対象状態」であることの閾値を、初期の閾値１から低減された閾値２に変更して行う。

判定規則ＤＢ２１４に格納される判定規則（閾値等）は、計算モデルの出力結果の解釈に基づいて、管理者等により適宜設定されてよい。管理者は、状態検知モデル生成装置２００の入出力部２１５を介して、判定規則の変更、追加、削除等を行うことができる。

状態検知装置１００のＤＢ手段６０（図１）には、上記のように予め決定された計算モデル６１（例えば、第１モデル、第２モデル、第３モデル）、判定規則６２（例えば、Ｌ１〜Ｌ７）が格納される。

スコア計算手段４０は、計算モデル６１を参照して、算出された特徴量から各スコアを計算する。

状態判定手段５０は、判定規則６２を参照して、計算されたスコアから状態を判定する。判定結果６３は順次ＤＢ手段６０に格納される。判定結果６３は、図示しない出力手段（ディスプレイ等）に、判定毎（リアルタイム）に出力されてよい。出力の時間間隔等はユーザ入力により任意に設定されてよい。

以下に一連のテストデータを用いた本発明に係る状態検知方法の実施例が示される。テストの概要が以下の表１に示される。

図９に、取得された三軸加速度センサ値の時系列データが示される。説明のため、下方の棒グラフに正解の状態（縦軸の値−１：歩行、−４：電車、−８：車）が示される（以降の図において同様）。

図１０に取得された三軸地磁気センサ値の時系列データが示される。

図１１に、算出された特徴量Ａ、Ｂ、Ｃ、Ｄ、Ｅ（５つの周波数のそれぞれの振幅の移動平均）の時系列データが示される。

図１２に、算出された特徴量１（磁気量水平成分差分の平均値）、特徴量２（磁気量鉛直成分差分の平均値）、特徴量３（磁気量水平成分差分の標準偏差）、特徴量４（磁気量鉛直成分差分の標準偏差）、特徴量５（合成加速度差分の平均値）、及び特徴量６（合成加速度差分の標準偏差）の時系列データが示される。実際の状態が「電車」のときに、特徴量２（磁気量鉛直成分差分の平均値）、及び特徴量４（磁気量鉛直成分差分の標準偏差）が目立って上昇していることが観察される。また、実際の状態が「歩行」のときに、特徴量５（合成加速度差分の平均値）、及び特徴量６（合成加速度差分の標準偏差）が突出していること等が観察される。

図１３に、実施例の第１モデルにより計算された歩行スコア（実線）、走行スコア（破線）が示される。正解が「歩行」でも「走行」スコアがやや高めの傾向であった。別途「歩行」と「走行」を統合した「徒歩スコア」（図示せず）では、正解（歩行＝徒歩）をよく反映するスコアが得られた。

図１４に、実施例の第２モデルにより計算された実施例の車スコア（細かい点線）、電車スコア（破線）、及び徒歩・停止等スコア（実線）が示される。スコア間の大小関係は、概ね実際の状態を表した。しかしながら、徒歩・停止等スコアがよく分離されない時間帯も見られた。

図１５に、実施例の第３モデルにより計算された各スコア及び速度の時系列データが示される。下方に実施例の判定規則を用いた判定結果（縦軸の値１：徒歩判定、４：電車判定、８：車判定）が濃いグレーで示され、正解（薄いグレー）と対比される。図示のように、歩行は１００パーセント検知された。電車と車は、「車である」、及び「電車である」と検知した期間についてはほぼ１００パーセントの精度であり、過検知（ｆａｌｓｅ ｐｏｓｉｔｉｖｅ）が抑制された。正解が「電車」や「車」であるのに検知されない見逃し（ｆａｌｓｅ ｎｅｇａｔｉｖｅ）はあったものの、その時間は数秒から数分と極短く、十分に実用に耐えるものであった。

上記のとおり、本発明によれば、リアルタイムで高精度の状態検知が可能である。例えば、「電車」状態の最初の検知を「（今）電車に乗った」として出力することができ、「電車」状態に次いで他の状態が検知されたときに、「（今）電車を降りた」として出力することができる。出力の形態は限定されるものではなく、時刻に紐づけられた状態に関する様々な情報を提示することができる。

本発明に係る状態検知方法は、アプリケーションプログラムの形態でスマートフォン等公知の携帯端末装置にインストールすることができる。計算や判定処理に係る負荷が小さく、高速且つ高精度な判定が可能であって、実用性に優れる。

本発明の思想及び態様から離れることなく多くのさまざまな修正が可能であることは当業者の知るところである。したがって、言うまでもなく、本発明の態様は例示に過ぎず、本発明の範囲を限定するものではない。

１００ 状態検知装置
１０ センサ手段
２０ センサ値取得手段
３０ 特徴量算出手段
４０ スコア計算手段
５０ 状態判定手段
６０ データベース手段
６１ スコア計算モデル
６２ 状態判定規則
６３ 判定結果
７０ 通信手段

Claims (10)

1. 移動体の状態を検知するための方法であって、
   取得されたセンサ値からそれぞれ所定の時間間隔で複数の特徴量を算出するステップと、
   算出された複数の特徴量と、予め生成された少なくとも一つの計算モデルとを用いて、第１の時刻において検知され得る複数の状態に関する複数の状態スコアをそれぞれ計算するステップと、
   前記複数の状態スコアに基づいて、前記第１の時刻における単一の状態を決定するステップと、を含む状態検知方法。
2. 複数の時刻のそれぞれの単一の状態が順次決定され、このことにより単一の状態の開始、単一の状態の継続、及び／又は単一の状態の終了が決定されることを特徴とする請求項１に記載された状態検知方法。
3. 前記少なくとも一つの計算モデルが、状態スコア間の大小関係を明示するように予め学習された重み、バイアス、及び計算アルゴリズムを含むことを特徴とする請求項１に記載された状態検知方法。
4. 前記少なくとも一つの計算モデルが３つ以上のモデルであり、
   前記複数の特徴量のうちの第１のセットから第１のスコアを計算するための第１モデルと、
   前記複数の特徴量のうちの第２のセットから第２のスコアを計算するための第２モデルと、
   少なくとも前記第１のスコア及び前記第２のスコアを特徴量として前記複数の状態スコアを計算するための第３モデルと、を含むことを特徴とする請求項１に記載された状態検知方法。
5. 前記決定される単一の状態の状態スコアが少なくとも所定の閾値を超えることを特徴とする請求項１に記載された状態検知方法。
6. 前記センサ値が少なくとも三軸加速度センサ値を含み、
   前記複数の特徴量が、少なくとも一つの加速度周波数の時刻毎の振幅を含むことを特徴とする請求項１に記載された状態検知方法。
7. 前記センサ値が少なくとも三軸加速度センサ値、及び三軸地磁気センサ値を含み、
   前記複数の特徴量が、磁気量の水平成分及び垂直成分のそれぞれの変化に関する値を含むことを特徴とする請求項１に記載された状態検知方法。
8. 前記センサ値が、少なくとも速度データを含み、
   前記単一の状態を決定するステップにおいて速度データが参照されることを特徴とする請求項１に記載された状態検知方法。
9. 請求項１ないし８のいずれかに記載の状態検知方法をコンピュータに実行させるプログラム。
10. 移動体の状態を検知するための、一つ以上のセンサを備える状態検知装置であって、
    前記一つ以上のセンサからセンサ値を取得するためのセンサ値取得手段と、
    取得されたセンサ値からそれぞれ所定の時間間隔で複数の特徴量を算出する特徴量算出手段と、
    予め生成された少なくとも一つの計算モデルと状態判定規則とが格納されるデータベース手段と、
    算出された複数の特徴量と前記計算モデルとを用いて、第１の時刻において検知され得る複数の状態に関する複数の状態スコアをそれぞれ計算するスコア計算手段と、
    前記複数の状態スコアと前記状態判定規則とに基づいて、前記第１の時刻における単一の状態を決定する状態判定手段と、を備える状態検知装置。