JP6993648B2

JP6993648B2 - Indoor state estimation method and indoor state estimation system

Info

Publication number: JP6993648B2
Application number: JP2018218420A
Authority: JP
Inventors: 友規村上; ヒランタアベセカラ; 浩一石原; 崇文林; 卓也前川; ヘンキム
Original assignee: Nippon Telegraph and Telephone Corp; Osaka University NUC
Current assignee: Nippon Telegraph and Telephone Corp; Osaka University NUC
Priority date: 2018-11-21
Filing date: 2018-11-21
Publication date: 2022-01-13
Anticipated expiration: 2038-11-21
Also published as: JP2020088529A

Description

本発明は、無線ＬＡＮ電波を検出および分析して屋内設備の状態を推定する屋内状態推定方法および屋内状態推定システムに関する。 The present invention relates to an indoor state estimation method and an indoor state estimation system that detect and analyze wireless LAN radio waves to estimate the state of indoor equipment.

センサ技術およびＩｏＴ（Internet of Things）技術の進展により、実世界から収集されたセンサデータを用いたコンテキスト認識技術が盛んに研究されており、医療，防犯，福祉，ホームオートメーションなどの様々な分野での応用が期待されている。その中でも、防犯やホームオートメーションへの応用に向けて、ドアや窓の開閉といった屋内設備の状態を常に自動的に推定する技術が多く開発されている。 With the progress of sensor technology and IoT (Internet of Things) technology, context recognition technology using sensor data collected from the real world is being actively researched, and in various fields such as medical care, crime prevention, welfare, and home automation. Is expected to be applied. Among them, many technologies have been developed for automatically estimating the state of indoor equipment such as opening and closing of doors and windows for application to crime prevention and home automation.

従来の手法では、カメラや検知対象に取り付けるセンサなどを利用したものがあるが（非特許文献１および非特許文献２）、プライバシの問題や各検知対象にセンサを取り付ける手間やコストが大きい問題がある。広い環境を対象とする場合や検知対象が非常に多い場合、数多くのセンサが必要であるため導入コストが高くなる。さらに、センサ数が多い場合に、電源の供給，管理，メンテナンスなどのコストもある。 Some conventional methods use a camera or a sensor attached to a detection target (Non-Patent Document 1 and Non-Patent Document 2), but there are problems of privacy and the trouble and cost of attaching a sensor to each detection target. be. When targeting a wide environment or when there are a large number of detection targets, the introduction cost is high because a large number of sensors are required. Furthermore, when the number of sensors is large, there are costs such as power supply, management, and maintenance.

Aipperspach R., Cohen E., Canny J.: Modeling Human Behavior from Simple Sensors in the Home. Pervasive Computing: 4th International Conference. Lecture Notes in Computer Science, vol 3968. Springer, Berlin, Heidelberg (2006)https://pdfs.semanticscholar.org/a763/e6bc4cb7d885baaad108817c952a1a340dea.pdfAipperspach R., Cohen E., Canny J .: Modeling Human Behavior from Simple Sensors in the Home. Pervasive Computing: 4th International Conference. Lecture Notes in Computer Science, vol 3968. Springer, Berlin, Heidelberg (2006) https: // pdfs.semanticscholar.org/a763/e6bc4cb7d885baaad108817c952a1a340dea.pdf Xiaodong Yang, YingLi Tian, Chucai Yi, Aries Arditi: Context-based Indoor Object Detection as an Aid to Blind Persons Accessing Unfamiliar Environments. MM '10 Proceedings of the 18th ACM international conference on Multimedia, pp. 1087-1090 (2010)http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.670.7845&rep=rep1&type=pdfXiaodong Yang, YingLi Tian, Chucai Yi, Aries Arditi: Context-based Indoor Object Detection as an Aid to Blind Persons Accessing Unfamiliar Environments. MM '10 Proceedings of the 18th ACM international conference on Multimedia, pp. 1087-1090 (2010) http //citeseerx.ist.psu.edu/viewdoc/download? doi = 10.1.1.670.7845 & rep = rep1 & type = pdf

近年、検知対象に取り付けるセンサに代わり、無線ＬＡＮ電波を用いた屋内設備の状態推定手法が注目を集めている。無線ＬＡＮ技術は、あらゆる場所に浸透しており、家庭，駅，学校などの様々な場所で既設のアクセスポイントがあるため、無線ＬＡＮ電波を用いた屋内設備の状態推定は低いコストで導入できる。 In recent years, a method for estimating the state of indoor equipment using wireless LAN radio waves instead of a sensor attached to a detection target has attracted attention. Wireless LAN technology has permeated everywhere, and since there are existing access points in various places such as homes, stations, and schools, it is possible to introduce the state estimation of indoor equipment using wireless LAN radio waves at low cost.

さらに、従来の屋内設備の状態推定手法は、一般的に教師あり学習の枠組みを用いていた。しかし、屋内の窓やドアなどの配置や、送信機と受信機の位置により無線ＬＡＮ電波の伝搬の仕方は異なるため、観測される無線ＬＡＮ電波の特徴は環境に大きく依存する。したがって、ある一つの環境で取得した学習データを用いる屋内設備状態推定モデルは、他の環境における推定に利用することは困難である。さらに、環境ごとに学習データを収集するコストは非常に高く、その導入は非現実的である。 Furthermore, conventional methods for estimating the state of indoor equipment generally use a framework for supervised learning. However, since the method of propagating wireless LAN radio waves differs depending on the arrangement of indoor windows and doors and the positions of transmitters and receivers, the characteristics of the observed wireless LAN radio waves greatly depend on the environment. Therefore, it is difficult to use an indoor equipment state estimation model that uses learning data acquired in one environment for estimation in another environment. Furthermore, the cost of collecting learning data for each environment is very high, and its introduction is unrealistic.

本発明は、ある環境で取得したラベルありデータを用いて、異なる環境での屋内設備の状態推定を実現することができる屋内状態推定方法および屋内状態推定システムを提供することを目的とする。 An object of the present invention is to provide an indoor state estimation method and an indoor state estimation system that can realize state estimation of indoor equipment in different environments by using labeled data acquired in a certain environment.

第１の発明は、屋内に配置された無線ＬＡＮ送信機と無線ＬＡＮ受信機との間で送受信される無線ＬＡＮ電波を分析し、教師あり機械学習を用いて屋内設備の状態を推定する屋内状態推定方法において、状態変化に応じたラベルありデータが存在する環境を転移元環境、ラベルなしデータのみが存在する環境を転移先環境とし、無線ＬＡＮ電波のチャネル状態情報から、転移元環境の状態変化に応じたラベルありデータと、転移先環境の状態変化に応じたラベルなしデータとを収集するステップ１と、転移元環境のラベルありデータおよび転移先環境のラベルなしデータから、それぞれ状態変化が発生したタイミングを推定するステップ２と、状態変化が発生したタイミングに応じて状態変化前後のラベルありデータとラベルなしデータから、ＭＵＳＩＣアルゴリズムを用いて、電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求め、該状態変化前後のスペクトラムの差分をそれぞれ計算するステップ３と、転移元環境で得られた状態変化前後のスペクトラムの差分と、転移先環境で得られた状態変化前後のスペクトラムの差分を用いて、転移元環境で得られたラベルありデータの転移学習を行い、転移先環境のラベルなしデータから転移先環境の屋内設備の状態変化を推定するステップ４とを有する。 The first invention is an indoor state that analyzes wireless LAN radio waves transmitted and received between a wireless LAN transmitter and a wireless LAN receiver arranged indoors and estimates the state of indoor equipment by using supervised machine learning. In the estimation method, the environment in which the labeled data exists according to the state change is defined as the transfer source environment, and the environment in which only the unlabeled data exists is defined as the transfer destination environment. State changes occur from step 1 of collecting labeled data according to the above and unlabeled data according to the state change of the transfer destination environment, and from the labeled data of the transfer source environment and the unlabeled data of the transfer destination environment. The spectrum of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave are used from the step 2 for estimating the timing of the change and the labeled data and the unlabeled data before and after the state change according to the timing when the state change occurs. Step 3 to calculate the difference between the spectrum before and after the state change, the difference between the spectrum before and after the state change obtained in the transition source environment, and the difference between the spectrum before and after the state change obtained in the transition destination environment. The present invention includes step 4 of performing transfer learning of the labeled data obtained in the transfer source environment and estimating the state change of the indoor equipment in the transfer destination environment from the unlabeled data of the transfer destination environment.

第１の発明の屋内状態推定方法において、ステップ２は、無線ＬＡＮ電波のチャネル状態情報が所定の閾値以上に変化している区間を検出し、状態変化が発生したタイミングとし、ステップ３は、状態変化前後で無線ＬＡＮ電波のチャネル状態情報が安定している安定区間の電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求める。 In the indoor state estimation method of the first invention, step 2 detects a section in which the channel state information of the wireless LAN radio wave changes to a predetermined threshold value or more, and sets the timing at which the state change occurs, and step 3 sets the state. The spectrum of the arrival angle AoA of the radio wave in the stable section where the channel state information of the wireless LAN radio wave is stable before and after the change and the arrival time ToF of the radio wave are obtained respectively.

第２の発明は、屋内に配置された無線ＬＡＮ送信機と無線ＬＡＮ受信機との間で送受信される無線ＬＡＮ電波を分析し、教師あり機械学習を用いて屋内設備の状態を推定する屋内状態推定システムにおいて、屋内設備の配置環境が既知である環境を転移元環境、該配置環境が未知である環境を転移先環境とし、無線ＬＡＮ電波のチャネル状態情報から、転移元環境の状態変化に応じたラベルありデータと、転移先環境の状態変化に応じたラベルなしデータとを収集する収集手段と、転移元環境のラベルありデータおよび転移先環境のラベルなしデータから、それぞれ状態変化が発生したタイミングを推定し、状態変化が発生したタイミングに応じて状態変化前後のラベルありデータとラベルなしデータから、ＭＵＳＩＣアルゴリズムを用いて、電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求め、該状態変化前後のスペクトラムの差分をそれぞれ計算する計算手段と、転移元環境で得られた状態変化前後のスペクトラムの差分と、転移先環境で得られた状態変化前後のスペクトラムの差分を用いて、転移元環境で得られたラベルありデータの転移学習を行い、転移先環境のラベルなしデータから転移先環境の屋内設備の状態変化を推定する学習・推定手段とを備える。 The second invention is an indoor state that analyzes wireless LAN radio waves transmitted and received between a wireless LAN transmitter and a wireless LAN receiver arranged indoors and estimates the state of indoor equipment by using supervised machine learning. In the estimation system, the environment where the arrangement environment of the indoor equipment is known is the transfer source environment, the environment where the arrangement environment is unknown is the transfer destination environment, and the channel status information of the wireless LAN radio wave is used to respond to the state change of the transfer source environment. The timing at which the state change occurs from the collection means that collects the labeled data and the unlabeled data according to the state change of the transfer destination environment, and the labeled data of the transfer source environment and the unlabeled data of the transfer destination environment. Is estimated, and the spectrum of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave are obtained from the labeled data and the unlabeled data before and after the state change according to the timing when the state change occurs, respectively. Transition using a calculation method that calculates the difference between the spectrum before and after the state change, the difference between the spectrum before and after the state change obtained in the transition source environment, and the difference between the spectrum before and after the state change obtained in the transition destination environment. It is equipped with a learning / estimation means that performs transfer learning of labeled data obtained in the original environment and estimates the state change of indoor equipment in the transfer destination environment from the unlabeled data of the transfer destination environment.

第２の発明の屋内状態推定システムにおいて、計算手段は、無線ＬＡＮ電波のチャネル状態情報が所定の閾値以上に変化している区間を検出し、状態変化が発生したタイミングとし、状態変化前後で無線ＬＡＮ電波のチャネル状態情報が安定している安定区間の電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求める構成である。 In the indoor state estimation system of the second invention, the calculation means detects a section in which the channel state information of the wireless LAN radio wave changes to a predetermined threshold value or more, sets the timing at which the state change occurs, and wirelessly before and after the state change. The configuration is such that the spectrum of the arrival angle AoA of the radio wave in the stable section where the channel state information of the LAN radio wave is stable and the arrival time ToF of the radio wave are obtained respectively.

本発明は、転移学習を用いることで、ある環境（転移元環境）で取得したラベルありデータを用いて、異なる環境（転移先環境）での屋内設備の状態推定を実現することができる。これにより、転移先環境でラベルありデータを取得するコストを削減することができる。 By using the transfer learning, the present invention can realize the state estimation of the indoor equipment in a different environment (transfer destination environment) by using the labeled data acquired in a certain environment (transfer source environment). This makes it possible to reduce the cost of acquiring labeled data in the transfer destination environment.

ドアの開閉状態と無線ＬＡＮ電波の伝搬の変化を示す図である。It is a figure which shows the open / closed state of a door, and the change of the propagation of a wireless LAN radio wave. 学習フェーズの構成例を示す図である。It is a figure which shows the structural example of a learning phase. 電波の到来方向を説明する図である。It is a figure explaining the arrival direction of a radio wave. ＤＴＷの計算アルゴリズムを説明する図である。It is a figure explaining the calculation algorithm of DTW. ＤＡＮＮモデルのアーキテクチャを示す図である。It is a figure which shows the architecture of the DANN model.

まず、提案手法の基本的な考え方について説明する。
図１は、ドアの開閉状態と無線ＬＡＮ電波の伝搬の変化を示す。
図１において、対象とする屋内に、無線ＬＡＮ送信機１１と無線ＬＡＮモジュールを搭載した無線ＬＡＮ受信機１２がそれぞれ１つ以上設置されていることを想定し、その屋内の屋内設備の状態を検知対象とする。以下、ドア１３や窓といった屋内設備の開閉状態を検知対象として説明する。 First, the basic idea of the proposed method will be explained.
FIG. 1 shows the open / closed state of the door and the change in the propagation of the wireless LAN radio wave.
In FIG. 1, it is assumed that one or more wireless LAN transmitters 11 and one or more wireless LAN receivers 12 equipped with wireless LAN modules are installed in the target indoor, and the state of the indoor equipment is detected. set to target. Hereinafter, the open / closed state of indoor equipment such as doors 13 and windows will be described as detection targets.

無線ＬＡＮ電波は障害物に当たって反射するため、検知対象となるドア１３の開閉状態によって、検知対象の方向からの電波が変化する。例えば、ドア１３の開状態のときに、無線ＬＡＮ受信機１２が受信するドア１３の方向からの到来電波は、閉状態に比べて減衰すると考えられる。ドア１３の位置などの環境が異なっても、その開閉によって減衰する電波の到来角が変化するだけであり、ほぼ同様の現象が観測されると考えられる。そこで、ドア１３の開閉による特定の到来角からの電波の減衰／増加の現象を利用して、環境に依存しないドア１３の開閉状態を推定することができる。 Since the wireless LAN radio wave hits an obstacle and is reflected, the radio wave from the direction of the detection target changes depending on the open / closed state of the door 13 to be detected. For example, when the door 13 is in the open state, the incoming radio wave received by the wireless LAN receiver 12 from the direction of the door 13 is considered to be attenuated as compared with the closed state. Even if the environment such as the position of the door 13 is different, the arrival angle of the attenuated radio wave only changes due to the opening and closing of the door 13, and it is considered that almost the same phenomenon is observed. Therefore, it is possible to estimate the open / closed state of the door 13 that does not depend on the environment by utilizing the phenomenon of attenuation / increase of radio waves from a specific arrival angle due to the opening / closing of the door 13.

提案手法では、教師あり機械学習を用いるため、ステップ１の学習フェーズとステップ２の推定フェーズに分けられる。 Since the proposed method uses supervised machine learning, it is divided into a learning phase of step 1 and an estimation phase of step 2.

学習フェーズでは、転移元環境（ソースドメイン）で得られたラベルありのデータと、転移先環境（ターゲットドメイン）のラベルなしのデータを用いて、環境に非依存なドアの開閉を推定する推定器を学習する。ここでラベルとは、検知対象となるドア等がどのように状態変化したかを示すラベルであり、「開から閉」への変化か、「閉から開」への変化か、「変化なし」かの３つの状態変化のラベルである。ドア等の状態が変化したタイミングでは、「開から閉」もしくは「閉から開」のラベルが付けられており、それ以外は「変化なし」のラベルが付けられている。 In the learning phase, an estimator that estimates environment-independent door opening and closing using labeled data obtained in the source environment (source domain) and unlabeled data in the destination environment (target domain). To learn. Here, the label is a label indicating how the state of the door or the like to be detected has changed, and is a change from "open to closed", a change from "closed to open", or "no change". These are the labels of the three state changes. When the state of the door or the like changes, it is labeled as "open to closed" or "closed to open", and otherwise it is labeled as "no change".

図２は、学習フェーズの構成例を示す。ここでは、転移元環境と転移先環境のそれぞれで、受信機によりチャネル状態情報（ＣＳＩ）をパケットごとに取得することを想定する。ただし、転移元環境のラベルありデータと転移先環境のラベルなしデータは事前に収集されているものとする。 FIG. 2 shows a configuration example of the learning phase. Here, it is assumed that the channel state information (CSI) is acquired for each packet by the receiver in each of the transfer source environment and the transfer destination environment. However, it is assumed that the labeled data of the transfer source environment and the unlabeled data of the transfer destination environment have been collected in advance.

図２において、区間検出部２１は、転移元環境および転移先環境のＣＳＩデータを用いて、無線ＬＡＮ電波の伝搬状態が大きく変化している区間を検出し、それを環境内のドア等の検知対象の状態変化が発生したタイミングの候補とする。この候補の中には、歩行者が無線ＬＡＮ送受信機に近接した際に引き起こされる伝搬状態の大きな変化等が含まれるため、以降で説明するニューラルネットワークにより、検知対象にどのような状態変化が起こったのか、もしくは起こっていないのかを推定する。 In FIG. 2, the section detection unit 21 detects a section in which the propagation state of the wireless LAN radio wave is significantly changed by using the CSI data of the transfer source environment and the transfer destination environment, and detects a door or the like in the environment. It is a candidate for the timing when the target state change occurs. Since this candidate includes a large change in the propagation state caused when a pedestrian approaches the wireless LAN transceiver, what kind of state change occurs in the detection target by the neural network described below. Estimate whether it was or did not happen.

ここで、具体的な区間検出の方法について説明する。送信機は定期的にパケットを受信機に送信し、受信機は各パケットに関するチャネル状態情報 (ＣＳＩ）のデータを取得する。ドア等の検知対象の状態変化の際に、無線ＬＡＮ電波の伝搬状態が大きく変化する。そのため、まずその変化点を検知する。ＣＳＩの各チャネルのサブキャリアごとに得られる振幅もしくは位相に対して移動分散を計算し、その移動分散の値がしきい値を超える場合、それを変化点とする。サブキャリアごとにしきい値 (TH C1)を設けて変化点を検知する手法と、移動分散を全チャネル・全サブキャリアで平均したものに対してしきい値 (TH C2)を設けて変化点を検知する手法が考えられる。その後、変化点の前後の区間のＣＳＩデータを用いて電波の到来角を計算する。ただし、ドアなどの開閉前後の人の歩行により伝搬状態が変化する（揺らぐ）ため、その区間のデータを取り除く必要がある。そこで、変化点後（前）のＣＳＩの振幅がしきい値 (TH S) より小さくなってから以降の長さＬの安定区間のデータを用いて電波の到来角を計算する。 Here, a specific method of section detection will be described. The transmitter periodically sends packets to the receiver, and the receiver acquires channel state information (CSI) data for each packet. When the state of the detection target such as a door changes, the propagation state of the wireless LAN radio wave changes significantly. Therefore, the change point is first detected. The movement variance is calculated for the amplitude or phase obtained for each subcarrier of each channel of CSI, and if the value of the movement variance exceeds the threshold value, it is set as the change point. A threshold (TH C1) is set for each subcarrier to detect the change point, and a threshold (TH C2) is set for the averaged movement variance of all channels and all subcarriers to determine the change point. A detection method can be considered. After that, the arrival angle of the radio wave is calculated using the CSI data of the section before and after the change point. However, since the propagation state changes (fluctuations) due to the walking of a person before and after opening and closing the door, it is necessary to remove the data in that section. Therefore, the arrival angle of the radio wave is calculated using the data of the stable section of the length L after the amplitude of the CSI after (before) the change point becomes smaller than the threshold value (TH S).

次に、到来角変化計算部２２は、検出された状態変化前後のＣＳＩデータを切り出して、到来角変化の計算を行う。屋内の検知対象の状態変化のみに注目するため、まず人の動きによるＣＳＩの変動の影響が反映されていない、ＣＳＩの信号が安定している区間を検出する。そして、状態変化前後の安定区間のデータを用い、変化前後での電波の到来角の変化を計算する。 Next, the arrival angle change calculation unit 22 cuts out the CSI data before and after the detected state change and calculates the arrival angle change. In order to pay attention only to the state change of the detection target indoors, first, the section where the CSI signal is stable, which does not reflect the influence of the CSI fluctuation due to the movement of a person, is detected. Then, using the data of the stable section before and after the state change, the change in the arrival angle of the radio wave before and after the change is calculated.

なお、到来角変化計算では、状態変化前後の安定区間のＣＳＩデータから、ＭＵＳＩＣ(MUltiple SIgnal Classification)アルゴリズム２３を用いて、電波の到来角ＡｏＡと電波のＴｏＦ(Time of Flight)のスペクトラムをそれぞれ求める。 In the arrival angle change calculation, the arrival angle AoA of the radio wave and the ToF (Time of Flight) spectrum of the radio wave are obtained from the CSI data of the stable section before and after the state change by using the MUSIC (MUltiple SIgnal Classification) algorithm 23. ..

ここで、ＭＵＳＩＣアルゴリズム２３によるＡｏＡとＴｏＦのスペクトラムの計算について説明する。ＭＵＳＩＣアルゴリズムを用いた到来角推定手法は、複数の直列している受信アンテナを想定している。ある角度から到来する電波はそれぞれのアンテナで受信されるタイミングが異なるため、それぞれのアンテナで受信した電波の位相が異なるという現象を利用し、ＡｏＡを計算する。 Here, the calculation of the AoA and ToF spectra by the MUSIC algorithm 23 will be described. The arrival angle estimation method using the MUSIC algorithm assumes a plurality of receiving antennas in series. Since the radio waves arriving from a certain angle have different timings to be received by each antenna, AoA is calculated by utilizing the phenomenon that the phases of the radio waves received by each antenna are different.

図３に示すように、受信機にＭ個のアンテナが直列していると想定する。電波の到来角ＡｏＡをθ、アンテナ間隔をｄ、電波の周波数をｆ、光速をｃとする。ある２つ隣接するアンテナ間の電波の経路差はｄsinθであり、その位相差は2πｄ(sinθ)f/cである。
これを複素表現すると、以下のようになる。 As shown in FIG. 3, it is assumed that M antennas are connected in series to the receiver. Let θ be the arrival angle AoA of the radio wave, d be the antenna interval, f be the frequency of the radio wave, and c be the speed of light. The path difference of radio waves between two adjacent antennas is dsinθ, and the phase difference is 2πd (sinθ) f / c.
The complex expression of this is as follows.

１番目のアンテナの位相を基準とし、全てのアンテナの位相を以下のように行列でまとめて表現すると、

となる。１番目のアンテナで観測する信号をｓ(t) とおくと、すべてのアンテナで観測される信号は、 Using the phase of the first antenna as a reference, the phases of all the antennas can be expressed together in a matrix as shown below.

Will be. If the signal observed by the first antenna is s (t), the signals observed by all antennas are

となる。ここで、Ｎ(t) はノイズベクトルである。

Will be. Here, N (t) is a noise vector.

信号がｎ個存在する場合、アンテナで観測される信号行列は以下のように変換される。

ここで、ｓ_i(t)はｉ番目の信号、θ_i はｉ番目の信号のＡｏＡである。信号行列Ｘ(t) の信号相関Ｒ_xx(t) は信号の部分空間とノイズの部分空間の２つに分けられる。 When there are n signals, the signal matrix observed by the antenna is converted as follows.

Here, s _i (t) is the i-th signal, and θ _i is the i-th signal AoA. The signal correlation R _xx (t) of the signal matrix X (t) is divided into a signal subspace and a noise subspace.

Ｒ_ssは複素信号のベクトルの相関、Ｒ_nnはノイズベクトルの相関である。Ｒ_xx(t) はＭ個の固有値を持つ。その中、最小Ｍ－ｎ個の固有値を持つ固有ベクトルはノイズベクトルに対応し、それ以外のｎ個の固有値を持つ固有ベクトルは受信信号に対応する。ノイズの固有ベクトルから構成されるノイズ部分空間はＥ_N ＝[ｅ₁, …, ｅ_M-n] となる。ノイズ空間は信号と直交しているため、その信号の到来角θ＝θ₁,θ_2,…_, θ_n において、
ａ(θ)とＥ_N との距離は R s _{s is the correlation of the complex signal vector, and R nn} _is the correlation of the noise vector. R _xx (t) has M eigenvalues. Among them, the eigenvectors having the minimum MN eigenvalues correspond to the noise vector, and the other eigenvectors having n eigenvalues correspond to the received signal. The noise subspace composed of the eigenvectors of noise is _EN = [e ₁ , ..., e _Mn ]. Since the noise space is orthogonal to the signal, at the arrival angles θ = θ ₁ , θ _2, … _, θ _n of the signal,
The distance between a (θ) and _EN

となるため，ＭＵＳＩＣスペクトラム

Therefore, the MUSIC spectrum

は到来角θ₁,θ_2,…_, θ_n においてピークを取ることになる。

Will take a peak at the arrival angles θ ₁ , θ _2, … _, θ _n .

実際は、位相差はアンテナ間のみでなく、サブキャリア間にも生じる。また、異なる伝搬路では、電波の飛行時間（ＴｏＦ）も異なるため、ＴｏＦによって位相も異なる。したがって、等周波数間隔のサブキャリアにおいて、ｆδをサブキャリア間の周波数間隔、τをＴｏＦとおくと、２つの隣接するキャリア間の位相差は２πｆδτとなる。これを複素表現すると以下のようになる。 In reality, the phase difference occurs not only between the antennas but also between the subcarriers. Further, in different propagation paths, the flight time (ToF) of the radio wave is also different, so that the phase is also different depending on the ToF. Therefore, in subcarriers with equal frequency intervals, if fδ is the frequency interval between subcarriers and τ is ToF, the phase difference between two adjacent carriers is 2πfδτ. The complex expression of this is as follows.

サブキャリアがＮ個，アンテナの数がＭ個とすると、受信機にＮ×Ｍ個の仮想センサが存在すると仮定できる。１番目のセンサを基準として、各センサの位相差を表現すると、

となる。信号がｎ個存在する場合、アンテナで観測できる信号行列は以下のようになる。 Assuming that there are N subcarriers and M antennas, it can be assumed that there are N × M virtual sensors in the receiver. Expressing the phase difference of each sensor with the first sensor as a reference,

Will be. When there are n signals, the signal matrix that can be observed by the antenna is as follows.

τ_i はｉ番目の伝送路のＴｏＦ、θ_i はｉ番目の伝送路のＡｏＡである。拡張したＭＵＳＩＣスペクトラム

は、ＡｏＡがθ₁,θ_2,…_, θ_n かつＴｏＦがτ₁,τ_2,…_, τ_n においてピークをとることになる。したがって、ＭＵＳＩＣアルゴリズムにより、ＡｏＡとＴｏＦを変数とするスペクトラムＰ(θ，τ)を求めることができる。 τ _i is ToF of the i-th transmission line, and θ _i is AoA of the i-th transmission line. Expanded MUSIC spectrum

AoA peaks at θ ₁ , θ _2, ... _, θ _n and ToF peaks at τ ₁ , τ _2, ... _, τ _n . Therefore, the spectrum P (θ, τ) with AoA and ToF as variables can be obtained by the MUSIC algorithm.

変化前後の安定区間のＣＳＩデータから、ＭＵＳＩＣアルゴリズムにより、１パケットごとの電波の到来角ＡｏＡと、電波が送信機から受信機に届くまでかかる到達時間ＴｏＦのスペクトラムをそれぞれ計算する。例えば、ＡｏＡは、－90[deg] から90[deg] まで１[deg] ずつ181 要素、ＴｏＦはパケットを送信してからの経過時刻である０から３×10^-9[s] ずつ100 要素で、181 ×100 要素をもつスペクトラムＰ(θ，τ)を作成する。 From the CSI data of the stable section before and after the change, the spectrum of the arrival angle AoA of the radio wave for each packet and the arrival time ToF required for the radio wave to reach the receiver from the transmitter are calculated by the MUSIC algorithm. For example, AoA has 181 elements from -90 [deg] to 90 [deg] by 1 [deg], and ToF has 100 elements from 0 to 3 × 10 ^-9 [s], which is the elapsed time since the packet was sent. Then, a spectrum P (θ, τ) with 181 × 100 elements is created.

ＤＴＷを用いた減算部２４では、状態変化の前後において上記で計算したスペクトラムがどの程度変化したかの差分を計算する。しかし、受信機におけるパケット検出遅延 (Packet Detection Delay: ＰＤＤ) とサンプリング周波数オフセット (Sampling Frequency Offset:ＳＦＯ) の影響により、パケットごとに計算されるＴｏＦにはずれがあるため、直接減算により差分の計算を行うことが不可能である。例えば、ドアの閉状態とドアの開状態の安定区間にて得られたスペクトラムから、それぞれ受信する各パケットのＴｏＦのずれを考慮して減算するために、ＤＴＷ (Dynamic Time Warping) アルゴリズムを使用する。 The subtraction unit 24 using the DTW calculates the difference in how much the spectrum calculated above has changed before and after the state change. However, due to the influence of Packet Detection Delay (PDD) and Sampling Frequency Offset (SFO) in the receiver, there is a deviation in ToF calculated for each packet, so the difference is calculated by direct subtraction. It is impossible to do. For example, the DTW (Dynamic Time Warping) algorithm is used to subtract the ToF deviation of each received packet from the spectrum obtained in the stable interval of the closed state of the door and the open state of the door. ..

ＤＴＷは、図４に示すように、２つの時系列間の距離計算を系列の伸縮を許して計算するアルゴリズムであり、最も類似している点同士のアライメントをとった上で点同士の距離計算を行う。すなわち、ＤＴＷを用いてアライメントがとれている点同士で減算を行うＤＴＷを用いた減算部２４では、多次元データ（次元数はＡｏＡの粒度）を扱うため、ＤＴＷにおける各データ点の距離計算にはユークリッド距離を用いた。 As shown in FIG. 4, DTW is an algorithm for calculating the distance between two time series by allowing the expansion and contraction of the series, and after aligning the most similar points, the distance between the points is calculated. I do. That is, since the subtraction unit 24 using DTW, which subtracts points that are aligned using DTW, handles multidimensional data (the number of dimensions is the grain size of AoA), the distance calculation of each data point in DTW is performed. Used the Euclidean distance.

このように、到来角変化計算部２２では、ＭＵＳＩＣアルゴリズムによるＡｏＡとＴｏＦのスペクトラムを求め、状態変化前後の安定区間のスペクトラムの差分が計算される。 In this way, the arrival angle change calculation unit 22 obtains the spectra of AoA and ToF by the MUSIC algorithm, and calculates the difference between the spectra of the stable sections before and after the state change.

次に、ＤＡＮＮモデル２５では、転移元環境（ソースドメイン）で得られたラベルありのスペクトラムの差分と、転移先環境（ターゲットドメイン）で得られたラベルなしのスペクトラムの差分を用いて、転移先環境の状態変化を認識するＤＡＮＮ (Domain Adversarial Neural Network)を学習する。ここで、転移先環境でラベルありデータを収集せずに、転移先環境の検知対象の状態推定を行うＤＡＮＮを用いて、転移元環境で得られたラベルありデータの転移学習を行う。 Next, in the DANN model 25, the difference between the labeled spectrum obtained in the transfer source environment (source domain) and the difference in the unlabeled spectrum obtained in the transfer destination environment (target domain) are used as the transfer destination. Learn DAN (Domain Adversarial Neural Network) that recognizes changes in the state of the environment. Here, transfer learning of the labeled data obtained in the transfer source environment is performed using DANN that estimates the state of the detection target of the transfer destination environment without collecting the labeled data in the transfer destination environment.

図５は、ＤＡＮＮモデルのアーキテクチャを示す。
図５において、ＤＡＮＮは、主に３つのサブネットワークとして、特徴抽出層、状態変化分類器、ドメイン分類器から構成される。 FIG. 5 shows the architecture of the DAN model.
In FIG. 5, the DANN is mainly composed of a feature extraction layer, a state change classifier, and a domain classifier as three subnetworks.

ドメイン分類器は、入力されたデータ（スペクトラムの差分）がどのドメインから得られたかを出力する。例えば、ソースドメインの数が２の場合、ターゲットドメインと合わせて３クラスの分類器となる。 The domain classifier outputs from which domain the input data (spectrum difference) was obtained. For example, when the number of source domains is 2, it becomes a classifier of 3 classes including the target domain.

状態変化分類器は、データが開から開への変化に分類されるか、閉から開への変化に分類されるか、状態変化が起こっていないかのいずれかを出力する３クラス分類器である。 The state change classifier is a three-class classifier that outputs whether the data is classified as an open-to-open change, a closed-to-open change, or no state change. be.

勾配逆転層 (Gradient Reversal Layer)は、ドメイン分類器の直前に導入され、学習の際の逆伝搬（バックプロパゲーション）に対して負の係数を乗算することで勾配を逆転する役割を持つ。勾配逆転層を導入しない場合、通常のネットワークの学習では、出力層（この場合では状態変化分類器とドメイン分類器）の損失(loss)を小さくするようにネットワークのパラメータが更新される。一方、勾配逆転層が導入されている場合、誤差を最小化するための勾配が逆転され、図５のネットワークではドメイン分類の誤差が大きくなるようにパラメータが更新される。そのため、勾配逆転層はソースドメインとターゲットドメインの分類性能を低下させる働きをもつ。一方で状態変化の分類性能は向上させるようにネットワークが学習される。すなわち、ネットワークはドメインの分類は失敗するが、状態変化の分類は成功するように学習される。そのようなネットワークの特徴抽出層では、ドメインに依存せずに状態変化を分類できる特徴が抽出される。 The Gradient Reversal Layer is introduced just before the domain classifier and has the role of reversing the gradient by multiplying the backpropagation during learning by a negative coefficient. Without the introduction of a gradient inversion layer, normal network learning updates network parameters to reduce the loss of the output layer (in this case the state change classifier and domain classifier). On the other hand, when the gradient inversion layer is introduced, the gradient for minimizing the error is reversed, and the parameters are updated so that the domain classification error becomes large in the network of FIG. Therefore, the gradient inversion layer has a function of lowering the classification performance of the source domain and the target domain. On the other hand, the network is learned so as to improve the classification performance of the state change. That is, the network is learned to fail in domain classification but succeed in state change classification. In the feature extraction layer of such a network, features that can classify state changes without depending on the domain are extracted.

具体的なネットワーク構造について説明する。モデルの隠れ層は全て全結合である。特徴抽出層は３層から構成され、それぞれのニューロン数が256，128，128 である。状態変化分類器は３層の隠れ層から構成され、それぞれのニューロン数が128，64, 2である。ドメイン分類器は４層の隠れ層から構成され、それぞれのニューロン数が128，64, 8, 2 である。また、状態変化分類器とドメイン分類器の出力層はSoftmax 層である。Softmax 層とそれらに隣接する層以外の層の活性化関数にはReLU関数を用いた。Softmax 層と隣接する層に活性化関数は用いていない。 A specific network structure will be described. The hidden layers of the model are all fully connected. The feature extraction layer is composed of three layers, and the number of neurons is 256, 128, 128, respectively. The state change classifier is composed of three hidden layers, each of which has 128, 64, and 2 neurons. The domain classifier consists of four hidden layers, each with 128, 64, 8, and 2. The output layer of the state change classifier and the domain classifier is the Softmax layer. The ReLU function was used as the activation function of the layers other than the Softmax layer and the layers adjacent to them. The activation function is not used for the layer adjacent to the Softmax layer.

また、ソースドメインとターゲットドメインにおいて観測したＣＳＩデータから変化点前後の安定区間のＡｏＡとＴｏＦのスペクトラム（ 181×100 の２次元の行列）を得る。２つのスペクトラムの差異を計算したあと、２次元の行列を 18100次元のベクトルに変換する。これらのソースドメインとターゲットドメインのベクトルがニューラルネットワークの学習データとなる。ただし、ソースドメインのベクトルにのみ状態変化のラベルが貼られている。一方、それぞれのベクトルはどのドメインで取得されたかは既知であると想定しているため、ドメインのラベルはソースおよびターゲットドメインの両方のベクトルに対して貼られているものとする。ただし学習する際は、ソースドメインのデータとターゲットドメインのデータの量はランダムサンプリングなどにより揃えるようにする。ターゲットドメインのベクトルには、検知対象の状態変化のラベルが存在しないため、そのベクトルを用いてネットワークのパラメータを更新する際は、状態変化分類器のパラメータの更新は行わない。一方で、ソースドメインから得られたベクトルを用いる際には、ネットワークの全パラメータを更新する。状態変化分類器では、実際のラベル（正解）とSoftmax 層の出力との交差エントロピーを小さくするように訓練する。一方、ドメイン分類器では、勾配逆転層を利用することで、ドメイン分類の性能を低下させるように、実際の正解ラベルとSoftmax 層の出力との交差エントロピーを逆に大きくするように訓練する。学習に用いる勾配法にはAdam Optimizerなどを用いる。 In addition, the AoA and ToF spectra (181 × 100 two-dimensional matrix) of the stable interval before and after the change point are obtained from the CSI data observed in the source domain and the target domain. After calculating the difference between the two spectra, the two-dimensional matrix is transformed into an 18100-dimensional vector. The vectors of these source domains and target domains are the training data of the neural network. However, only the vector of the source domain is labeled with the state change. On the other hand, since it is assumed that it is known in which domain each vector was obtained, it is assumed that the domain label is attached to both the source and target domain vectors. However, when learning, the amount of data in the source domain and the data in the target domain should be aligned by random sampling. Since the target domain vector does not have a label for the state change to be detected, the parameter of the state change classifier is not updated when the network parameter is updated using the vector. On the other hand, when using the vector obtained from the source domain, all parameters of the network are updated. The state change classifier is trained to reduce the cross entropy between the actual label (correct answer) and the output of the Softmax layer. On the other hand, the domain classifier is trained to increase the cross entropy between the actual correct label and the output of the Softmax layer so as to reduce the performance of the domain classification by using the gradient inversion layer. Adam Optimizer etc. is used as the gradient method used for learning.

なお、勾配逆転層では、学習の繰り返し回数を進めるにつれて反転係数を以下の式のように変化させる。繰り返しの初期において負の小さい係数を用いて状態変化分類器を優先的に学習させるが、繰り返し進めるにつれ、ドメイン分類器にも学習させることで、両方の分類器において安定的に学習を進めることができる。 In the gradient inversion layer, the inversion coefficient is changed as shown in the following equation as the number of times of learning is repeated. At the initial stage of repetition, the state change classifier is trained preferentially using a small negative coefficient, but as the repetition progresses, the domain classifier is also trained so that learning can proceed stably in both classifiers. can.

最後に、推定フェーズでは、転移先環境において観測したＣＳＩデータに対して転移元と同様の前処理（安定区間検出と差分計算）を行った後、スペクトラムの差分についてＤＡＮＮを用いて認識する。すなわち、スペクトラムの差分が、転移先環境におけるいずれかの検知対象の「開から閉」への変化、「閉から開」への変化、「変化なし」のいずれに対応するのかを推定する。ここで、ＤＡＮＮでは、環境内のドアや窓を区別して状態変化を推定しない。すなわち、ある環境における、いずれかのドアが開状態もしくは閉状態に変化した（もしくは変化なしか）という推定のみ行う。 Finally, in the estimation phase, the CSI data observed in the transfer destination environment is subjected to the same preprocessing (stable interval detection and difference calculation) as in the transfer source, and then the difference in the spectrum is recognized using DANN. That is, it is estimated whether the difference in the spectrum corresponds to the change from "open to closed", the change from "closed to open", or "no change" of any of the detection targets in the transition destination environment. Here, DANN does not estimate the state change by distinguishing the doors and windows in the environment. That is, only the estimation that one of the doors has changed (or has not changed) to the open state or the closed state in a certain environment is performed.

推定フェーズでは、ターゲットドメインで観測したＣＳＩデータから変化点前後の安定区間のＡｏＡとＴｏＦのスペクトラム（ 181×100 の２次元のデータ）を得る。２つのスペクトラムの差異を計算したあと、２次元の行列を 18100次元のベクトルに変換する。このターゲットドメインのベクトルがニューラルネットワークのテストデータとなる。検知対象がどのように状態変化（開→閉か、閉→開か、変化なしか）をするかを表す確率が状態変化分類器のSoftmax 層により出力される。出力される確率のうち、最大となる確率に対応するクラスが、推定される状態変化となる。変化なしと推定された場合は、現在の状態は、前回に推定された状態変化の推定結果に基づき決定される。例えば、前回の結果が「開→閉」だった場合は、現在の状態は「閉」となる。ただし、転移先環境に複数の検知対象がある場合は、ＤＡＮＮは検知対象（ドア等）を限定した出力は行わない。ただし、到来角変化の類似性に基づきクラスタリングすることで、検知された状態変化同士が同じドアに対応するかどうかは求められる。クラスタリングには、一般的なクラスタリング手法（k-means++ やx-means （クラスタ数が不明の場合））を用いることができる。 In the estimation phase, the AoA and ToF spectra (181 × 100 two-dimensional data) of the stable interval before and after the change point are obtained from the CSI data observed in the target domain. After calculating the difference between the two spectra, the two-dimensional matrix is transformed into an 18100-dimensional vector. The vector of this target domain becomes the test data of the neural network. The probability of how the detection target changes state (open → closed, closed → open, no change) is output by the Softmax layer of the state change classifier. Of the output probabilities, the class corresponding to the maximum probability is the estimated state change. If it is estimated that there is no change, the current state is determined based on the estimation result of the previously estimated state change. For example, if the previous result was "open → closed", the current state is "closed". However, if there are multiple detection targets in the transfer destination environment, DANN does not output by limiting the detection targets (doors, etc.). However, by clustering based on the similarity of the arrival angle change, it is required whether or not the detected state changes correspond to the same door. For clustering, a general clustering method (k-means ++ or x-means (when the number of clusters is unknown)) can be used.

１１無線ＬＡＮ送信機
１２無線ＬＡＮ受信機
１３ドア
２１区間検出部
２２到来角変化計算部
２３ＭＵＳＩＣアルゴリズム
２４ＤＴＷを用いた減算部
２５ＤＡＮＮモデル 11 Wireless LAN transmitter 12 Wireless LAN receiver 13 Door 21 Section detection unit 22 Arrival angle change calculation unit 23 MUSIC algorithm 24 Subtraction unit using DTW 25 DAN model

Claims

屋内に配置された無線ＬＡＮ送信機と無線ＬＡＮ受信機との間で送受信される無線ＬＡＮ電波を分析し、教師あり機械学習を用いて屋内設備の状態を推定する屋内状態推定方法において、
状態変化に応じたラベルありデータが存在する環境を転移元環境、ラベルなしデータのみが存在する環境を転移先環境とし、
前記無線ＬＡＮ電波のチャネル状態情報から、前記転移元環境の状態変化に応じたラベルありデータと、前記転移先環境の状態変化に応じたラベルなしデータとを収集するステップ１と、
前記転移元環境の前記ラベルありデータおよび前記転移先環境の前記ラベルなしデータから、それぞれ状態変化が発生したタイミングを推定するステップ２と、
前記状態変化が発生したタイミングに応じて状態変化前後の前記ラベルありデータと前記ラベルなしデータから、ＭＵＳＩＣアルゴリズムを用いて、電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求め、該状態変化前後のスペクトラムの差分をそれぞれ計算するステップ３と、
前記転移元環境で得られた前記状態変化前後のスペクトラムの差分と、前記転移先環境で得られた前記状態変化前後のスペクトラムの差分を用いて、前記転移元環境で得られた前記ラベルありデータの転移学習を行い、前記転移先環境の前記ラベルなしデータから前記転移先環境の屋内設備の状態変化を推定するステップ４と
を有することを特徴とする屋内状態推定方法。 In an indoor state estimation method that analyzes the wireless LAN radio waves transmitted and received between a wireless LAN transmitter and a wireless LAN receiver located indoors and estimates the state of indoor equipment using supervised machine learning.
The environment in which labeled data exists according to the state change is the transfer source environment, and the environment in which only unlabeled data exists is the transfer destination environment.
Step 1 of collecting labeled data according to the state change of the transfer source environment and unlabeled data according to the state change of the transfer destination environment from the channel state information of the wireless LAN radio wave.
Step 2 of estimating the timing at which the state change occurs from the labeled data of the transfer source environment and the unlabeled data of the transfer destination environment, respectively.
Using the MUSIC algorithm, the spectrum of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave are obtained from the labeled data and the unlabeled data before and after the state change according to the timing at which the state change occurs, and the states are obtained. Step 3 to calculate the difference between the spectra before and after the change, and
The labeled data obtained in the transition source environment using the difference in the spectrum before and after the state change obtained in the transition source environment and the difference in the spectrum before and after the state change obtained in the transition destination environment. A method for estimating an indoor state, which comprises step 4 of performing transfer learning of the above and estimating a state change of indoor equipment in the transfer destination environment from the unlabeled data of the transfer destination environment.

請求項１に記載の屋内状態推定方法において、
前記ステップ２は、前記無線ＬＡＮ電波のチャネル状態情報が所定の閾値以上に変化している区間を検出し、前記状態変化が発生したタイミングとし、
前記ステップ３は、前記状態変化前後で前記無線ＬＡＮ電波のチャネル状態情報が安定している安定区間の前記電波の到来角ＡｏＡと前記電波の到達時間ＴｏＦのスペクトラムをそれぞれ求める
ことを特徴とする屋内状態推定方法。 In the indoor state estimation method according to claim 1,
In step 2, the section in which the channel state information of the wireless LAN radio wave changes to a predetermined threshold value or more is detected, and the timing at which the state change occurs is set.
The indoor step 3 is characterized in that the spectra of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave in the stable section where the channel state information of the wireless LAN radio wave is stable before and after the state change are obtained, respectively. State estimation method.

屋内に配置された無線ＬＡＮ送信機と無線ＬＡＮ受信機との間で送受信される無線ＬＡＮ電波を分析し、教師あり機械学習を用いて屋内設備の状態を推定する屋内状態推定システムにおいて、
前記屋内設備の配置環境が既知である環境を転移元環境、該配置環境が未知である環境を転移先環境とし、
前記無線ＬＡＮ電波のチャネル状態情報から、前記転移元環境の状態変化に応じたラベルありデータと、前記転移先環境の状態変化に応じたラベルなしデータとを収集する収集手段と、
前記転移元環境の前記ラベルありデータおよび前記転移先環境の前記ラベルなしデータから、それぞれ状態変化が発生したタイミングを推定し、前記状態変化が発生したタイミングに応じて状態変化前後の前記ラベルありデータと前記ラベルなしデータから、ＭＵＳＩＣアルゴリズムを用いて、電波の到来角ＡｏＡと電波の到達時間ＴｏＦのスペクトラムをそれぞれ求め、該状態変化前後のスペクトラムの差分をそれぞれ計算する計算手段と、
前記転移元環境で得られた前記状態変化前後のスペクトラムの差分と、前記転移先環境で得られた前記状態変化前後のスペクトラムの差分を用いて、前記転移元環境で得られた前記ラベルありデータの転移学習を行い、前記転移先環境の前記ラベルなしデータから前記転移先環境の屋内設備の状態変化を推定する学習・推定手段と
を備えたことを特徴とする屋内状態推定システム。 In an indoor state estimation system that analyzes the wireless LAN radio waves transmitted and received between a wireless LAN transmitter and a wireless LAN receiver located indoors and estimates the state of indoor equipment using supervised machine learning.
The environment in which the arrangement environment of the indoor equipment is known is defined as the transfer source environment, and the environment in which the arrangement environment is unknown is defined as the transfer destination environment.
A collecting means for collecting labeled data according to the state change of the transfer source environment and unlabeled data according to the state change of the transfer destination environment from the channel state information of the wireless LAN radio wave.
From the labeled data of the transfer source environment and the unlabeled data of the transfer destination environment, the timing at which the state change occurs is estimated, and the labeled data before and after the state change is estimated according to the timing at which the state change occurs. From the unlabeled data, the MUSIC algorithm is used to obtain the spectra of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave, respectively, and a calculation means for calculating the difference between the spectra before and after the state change, respectively.
The labeled data obtained in the transition source environment using the difference in the spectrum before and after the state change obtained in the transition source environment and the difference in the spectrum before and after the state change obtained in the transition destination environment. An indoor state estimation system including a learning / estimation means for estimating the state change of indoor equipment in the transfer destination environment from the unlabeled data of the transfer destination environment.

請求項３に記載の屋内状態推定システムにおいて、
前記計算手段は、前記無線ＬＡＮ電波のチャネル状態情報が所定の閾値以上に変化している区間を検出し、前記状態変化が発生したタイミングとし、前記状態変化前後で前記無線ＬＡＮ電波のチャネル状態情報が安定している安定区間の前記電波の到来角ＡｏＡと前記電波の到達時間ＴｏＦのスペクトラムをそれぞれ求める構成である
ことを特徴とする屋内状態推定システム。 In the indoor state estimation system according to claim 3,
The calculation means detects a section in which the channel state information of the wireless LAN radio wave changes to a predetermined threshold value or more, sets the timing at which the state change occurs, and sets the channel state information of the wireless LAN radio wave before and after the state change. An indoor state estimation system characterized in that the spectrums of the arrival angle AoA of the radio wave and the arrival time ToF of the radio wave in the stable section where the radio wave is stable are obtained respectively.