JP7502682B2

JP7502682B2 - 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

Info

Publication number: JP7502682B2
Application number: JP2022561795A
Authority: JP
Inventors: 理一工藤; 馨子高橋; 友規村上; 智明小川
Original assignee: Nippon Telegraph and Telephone Corp
Current assignee: Nippon Telegraph and Telephone Corp
Priority date: 2020-11-12
Filing date: 2020-11-12
Publication date: 2024-06-19
Anticipated expiration: 2040-11-12
Also published as: JPWO2022102069A1; WO2022102069A1

Description

本発明は、情報出力システム、情報出力方法、推定装置、およびプログラムに関する。

様々なデバイスがインターネットにつながるＩｎｔｅｒｎｅｔｏｆｔｈｉｎｇｓ（ＩｏＴ）の実現が進んでおり、自動車、ドローン、および建設機械車両など様々な機器が無線により接続されつつある。無線通信規格としても標準化規格ＩＥＥＥ８０２．１１で規定される無線ＬＡＮ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＬＴＥや５Ｇによるセルラー通信、ＩｏＴ向けのＬｏｗＰｏｗｅｒＷｉｄｅＡｒｅａ（ＬＰＷＡ）通信、車通信に用いられるＥｌｅｃｔｒｏｎｉｃＴｏｌｌＣｏｌｌｅｃｔｉｏｎＳｙｓｔｅｍ（ＥＴＣ）、ＶｅｈｉｃｌｅＩｎｆｏｒｍａｔｉｏｎａｎｄＣｏｍｍｕｎｉｃａｔｉｏｎＳｙｓｔｅｍ（ＶＩＣＳ）、ＡＲＩＢ－ＳＴＤ－Ｔ１０９など、サポートする無線規格も発展しており、今後の普及が期待されている。

様々な用途で無線通信が使われる一方、サービスによっては、無線通信品質の要求条件を必ずしも満たすことができないことが問題となっている。無線通信端末の位置、姿勢、動きなどの端末状態や、その周辺の静的または動的な物体により、通信相手との間の電波伝搬環境が変化し、通信品質が影響され、当該無線通信端末による無線通信により実現されるサービスやシステムに対して大きな影響を及ぼすことがある。特に、高い周波数を用いるほど、電波の直進性が強く、通信品質に影響を受けやすい。つまり、無線通信端末の無線通信は、自身と周辺環境の状態の両方が作用する。例えば、無線通信端末や周辺のオブジェクトが動くことにより、アンテナの指向性の向きや、伝搬環境が変わってしまい通信品質に影響を及ぼす可能性がある。非特許文献１は、深度カメラを用い、無線通信端末の周辺物体が通信路を遮蔽することを予測することが可能であることを示しており、無線通信においてもカメラやセンサなどから得られる映像情報の有用性が注目されている。

Nishio, Takayuki, et al. "Proactive received power prediction using machine learning and depth images for mmWave networks." IEEE Journal on Selected Areas in Communications 37.11 (2019): 2413-2427. J. Redmon and A. Farhadi, "Yolov3: An incremental improvement," CoRR, vol. abs/1804.02767, Apr. 2018.

しかしながら、無線通信端末または周辺物体が動くことによるアンテナの指向性の向きや伝搬環境の変化によって生じる通信状態への影響を考慮するためには、無線通信端末の位置や状態を把握していることが必要である。

本発明は、上記に鑑みてなされたものであり、無線通信を行う無線通信端末の実空間における情報を抽出することを目的とする。

本発明の一態様の情報出力システムは、無線通信を行う無線通信端末の状態情報を出力する情報出力システムであって、前記無線通信端末の存在する空間をセンシングした実世界情報を収集する収集装置と、前記無線通信端末の無線通信品質を示す無線通信情報を取得する通信装置と、前記実世界情報と前記無線通信情報を入力し、実世界情報と無線通信情報との間の関係性に基づいて、前記実世界情報から前記無線通信端末の状態情報を抽出する推定装置を備え、前記推定装置は、前記実世界情報から無線通信と関連のあるオブジェクト情報を検出し、機械学習済みの実世界・通信モデルに検出したオブジェクト情報と前記無線通信端末の無線通信情報を入力することで、前記実世界情報から前記無線通信端末の状態情報を抽出する。

本発明によれば、無線通信を行う無線通信端末の実空間における情報を抽出することができる。

図１は、本実施形態の状態情報出力システムの構成の一例を示す図である。図２は、推定装置の構成の一例を示す図である。図３Ａは、推定装置に入力する映像の一例を示す図である。図３Ｂは、図３Ａからオブジェクトを検出した検出結果の一例を示す図である。図３Ｃは、図３Ｂの検出結果から対象のオブジェクトを抽出した一例を示す図である。図４は、推定装置の別の構成の一例を示す図である。図５は、推定装置の処理の流れの一例を示すフローチャートである。図６は、屋内の実験エリアの平面図である。図７は、カメラから得られた実験エリアの映像である。図８は、予測性能の評価結果を示す図である。図９は、状態情報出力システムの備える装置のハードウェア構成の一例を示す図である。

図面を参照して本発明の実施形態を説明する。以下に説明する実施形態は本発明の実施例であり、本発明は、以下の実施形態に制限されるものではない。なお、本明細書及び図面において符号が同じ構成要素は、相互に同一のものを示すものとする。

まず、図１を参照し、本実施形態の状態情報出力システム１の構成例について説明する。図１に示す状態情報出力システム１は、推定装置１０、通信情報収集部２０、実世界情報収集部３０、およびモデル生成装置４０を備える。状態情報出力システム１は、無線通信を行う無線通信端末の状態情報をカメラやセンサにより取得される実世界データから抽出して出力するシステムである。状態情報とは、例えば、無線通信端末の位置、姿勢、速度、向き、速度、加速度、角速度、利用形態、保持状態などの無線通信端末の状態を示す情報である。

通信情報収集部２０は、無線通信端末の無線通信情報を収集する。無線通信情報とは、無線通信に関する情報であり、例えば、通信相手となる通信端末の識別番号、通信方式、無線通信信号の電波伝搬情報、電波伝搬情報に関係のあるチャネル関係情報、無線通信信号を介したフィードバック情報、受信信号電力、信号対雑音電力比、信号対干渉雑音電力比、ＲｅｃｅｉｖｅｄＳｉｇｎａｌＳｔｒｅｎｇｔｈＩｎｄｉｃａｔｉｏｎ（ＲＳＳＩ）、ＲｅｃｅｉｖｅｄＳｉｇｎａｌＲｅｆｅｒｅｎｃｅＱｕａｌｉｔｙ（ＲＳＲＱ）、ＱｕａｌｉｔｙＯｆＳｅｒｖｉｃｅ（ＱｏＳ）、ＱｕａｌｉｔｙＯｆＥｘｐｅｒｉｅｎｃｅ（ＱｏＥ）、パケット誤り率、到達ビット数、ビット誤り率、単位時間あたり到達ビット数、ＭｏｄｕｌａｒＣｏｄｅＩｎｄｅｘ（ＭＣＳ）、再送回数、パケット到達遅延時間、誤り訂正技術の設定、通信端末利用者契約情報、これらの値の微分情報、および、これらの値から計算式を用いて算出される指標、無線通信システムの周波数、利用するリソースの帯域幅などの周波数条件、無線通信システムが接続されている通信ネットワークの情報、およびこれらの指標に影響を与える通信システムの設定項目を表す。

通信情報収集部２０を無線システムごとに複数備えてもよい。例えば、状態情報出力システム１が無線ＬＡＮ、ＬＴＥ、５Ｇなどの無線システムごとに通信情報収集部２０を備えて、通信情報収集部２０のそれぞれが各無線システムの通信品質を収集する。無線通信情報は、無線システムまたは無線システムが接続される有線ネットワークの情報として得られる。

実世界情報収集部３０は、実世界に存在する物体（無線通信端末を含む）の物理的な位置および動きなどの実世界情報をセンサから収集する。実世界情報とは、対象の無線通信端末が存在する空間のセンシングデータであり、例えば、ＲＧＢカメラ、深度カメラ、フレーム差分／背景差分カメラ、ＬｉＤＡＲなどのセンサから得られる２次元または３次元の地面、壁、構造物、物体などの物理的な位置や動きの情報である。実世界情報には、さらに、静的な地図情報や、店・商品・交差点・充電場所など空間的な意味情報を含んでもよい。実世界情報収集部３０は、複数のセンサから実世界情報を収集してもよいし、複数種類の実世界情報を収集してもよい。実世界情報は、環境情報またはセンサ情報とも称される。

モデル生成装置４０は、通信情報収集部２０の収集した無線通信情報と実世界情報収集部３０の収集した実世界情報を入力し、無線通信情報と実世界情報の間の関係性を表す実世界・通信モデルを生成する。機械学習として言い換えると、無線通信情報と実世界情報を訓練データとして入力し、実世界または無線通信情報に係るパラメータを出力する実世界・通信モデルの係数を更新する訓練を行い、出力する。例えば、実世界・通信モデルに、対象の無線通信端末の無線通信情報と対象の無線通信端末の存在する環境をセンシングした実世界情報を入力すると、対象の無線通信端末に関する実世界情報が得られる。無線通信情報と実世界情報はシミュレーション空間で生成されたものを使ってもよいし、実測したデータでもよい。

機械学習は、ニューラルネットワーク、決定木、ランダムフォレスト、など任意の機械学習アルゴリズムを用いることができる。また、機械学習は、教師無し学習、半教師あり学習、教師あり学習を用いることができる。

教師無し学習を用いる場合には、推定装置１０は、例えば、実世界情報と無線通信情報を合わせたデータに対し、クラスタリング、グループ分け、潜在構造解析を行い、実世界情報と無線通信情報との間の関係性を分類し、実世界情報の中で、対象の無線通信端末と同じクラスタ、グループ、特徴量となる情報を選択し、実世界における当該無線通信端末に関係の深い事象、つまり当該無線通信端末またはその所有者またはその包含物の位置、姿勢、および動きなどの状態情報を抽出する。具体的な例としては、実世界情報として、ＲＧＢイメージを取得し、ＲＧＢイメージと、無線通信端末から得られる無線通信情報との関係性を学習し、映像上で関係が深い部分を抽出して、無線通信端末または無線通信端末の所有者または無線通信端末の包含物を判断する。以下、無線通信端末を保持する人（所有者）および無線通信端末を備える車両やロボットなどの包含物を単に無線通信端末と称することもある。これは、無線通信端末の動きが、無線通信情報に影響を与えるため、無線通信端末が動くことで、電波伝搬の条件が変わり、無線通信情報に変化が見えることを利用しており、時系列で関係性を見るなどして、どの実世界情報が、取得したい無線通信端末の無線通信情報に強く影響しているかを抽出することで、無線通信端末を特定できる。

半教師あり学習を用いる場合には、モデル生成装置４０は、無線通信と関連のあるオブジェクトを検出するように訓練されたオブジェクト検出アルゴリズム（非特許文献２を参照）を用いてオブジェクト検出モデルを生成する。無線通信と関連があるオブジェクト、とは、人、車、バイク、自転車、ロボット、ドローン、など無線通信端末を搭載している可能性があったり、無線の電波伝搬に影響を与える可能性がある物体のことであり、結果的には無線通信品質に影響を与えないものも含む。推定装置１０は、実世界情報をオブジェクト検出モデルに入力して得られたオブジェクト情報（例えば、検出したオブジェクトのクラスとバウンディングボックス情報の時系列データ）と無線通信情報との間の関係性を分類し、オブジェクト情報の中で、対象の無線通信端末と同じクラスタ、グループ、特徴量となる情報を選択し、当該無線通信端末のクラスと、映像上の位置を知ることができる。また、異なる形態の半教師あり学習としては、前述の教師無し学習または半教師あり学習を用い、抽出された無線通信端末の実世界情報上での無線通信端末実世界情報を、無線通信端末に係るものとしてラベルを付け、改めて生成したラベルの実世界情報が抽出できるように教師あり学習により、通信・実世界モデルを訓練してもよい。

教師あり学習を用いる場合には、モデル生成装置４０は、無線通信端末が、どのようなものとしてカメラまたはセンサで検出されるのかあらかじめ分かったうえで、カメラ映像やセンサ情報を生成し、無線通信端末に対する無線通信情報と得られた実世界情報の間の関係性を機械学習によりモデル化し、任意の無線通信情報から、実世界情報における無線通信端末の状態情報を抽出できるように訓練する。例えば、実世界情報として、ＲＧＢイメージを取得し、別途用意された無線通信端末のクラス情報付きＲＧＢイメージで訓練されたオブジェクト検出アルゴリズムを用い、得られたオブジェクトのバウンディングボックス情報の時系列データを、当該無線通信端末の無線通信情報との間で教師あり学習でモデル化する。つまり、半教師あり学習において、無線通信と関連があるオブジェクトを用いて無線通信端末に対応するオブジェクト情報を抽出したのに対し、教師あり学習では、カメラやセンサにより無線通信端末を特定したうえで得られる無線通信端末に対応するオブジェクト情報を用い、無線通信情報との間の関係を学習する。無線通信情報と実世界情報を用い、当該無線通信端末のバウンディングボックスを出力するように、実世界・通信モデルを訓練することで、実世界情報と無線通信情報を用いて、実世界情報の中に存在する対象の無線通信端末の状態情報を抽出できるように実世界・通信モデルを形成する。

推定装置１０は、モデル生成装置４０の生成した実世界・通信モデルを利用し、実世界情報と無線通信情報との間の関係性に基づいて、実世界情報から対象の無線通信端末の状態を抽出する。例えば、対象の無線通信端末の無線通信情報を観測している場合、推定装置１０に観測している対象の無線通信端末の無線通信情報と実世界をセンシングした実世界情報を入力すると、推定装置１０は、実世界情報から対象の無線通信端末の位置、姿勢、および動きなどの状態情報を抽出する。

図２に推定装置１０の構成の一例を示す。同図に示す推定装置１０は、検出部１１と抽出部１２を備える。

検出部１１は、実世界情報として映像情報を入力し、無線通信と関連があるオブジェクトの位置や速度などの状態を検出する。検出部１１は、実世界情報から無線通信と関係があるオブジェクトを検出するように機械学習したモデルを利用してもよい。例えば、図３Ａに示す監視カメラの映像を検出部１１に入力すると、検出部１１は、図３Ｂに示すように映像上の自動車の位置を検出する。図３Ｂでは、検出部１１の検出したオブジェクトをバウンディングボックスで示した。映像中には多数の自動車が存在し、検出部１１によって多数の自動車が検出されている。検出部１１は、時系列に連続する映像を入力して、自動車の進行方向や速度など様々な状態を検出してもよい。実世界情報抽出部は、映像に加え、例えば、映像周辺の無線通信端末から申告される位置情報を、さらに参照してもよい。無線通信端末の状態を抽出する対象となる無線通信端末から、ＧＰＳなど精度の低い位置情報を取得して、抽出部１２へ入力し、無線通信端末の状態として、位置情報を高精度化することもできる。

抽出部１２は、実世界・通信モデルを利用して、検出部１１の検出したオブジェクトの中から、観測している対象の無線通信端末の無線通信情報と相関の高いオブジェクトを抽出し、抽出したオブジェクトの位置や速度などの状態情報を出力する。図３Ｂの検出結果からオブジェクトを抽出した結果を図３Ｃに示す。図３Ｃのバウンディングボックスで示した自動車が対象の無線通信端末を搭載した自動車である。対象の無線通信端末の無線通信情報は、例えば、対象の無線通信端末からの信号を受信する基地局から得られる。

抽出部１２は、検出部１１の検出したオブジェクトと無線通信情報との間の関係性を分類し、オブジェクトの中から、対象の無線通信端末と同じクラスタ、グループ、特徴量となるオブジェクトを抽出し、抽出したオブジェクトの位置や速度などの状態情報を出力してもよい。

推定装置１０で得られた無線通信端末の状態を非特許文献１に記載の通信品質予測に用いることができ、あるいは、対象の無線通信端末の状態と無線通信端末の所有者／包含物の行動履歴や嗜好から所有者／包含物が通信を開始するような次の行動の先読みに利用することができる。または、行動の先読みに対して、基地局の切り替えや帯域の割り当てや、基地局のアンテナやビームパターンの割り当てなどの制御に用いることもできる。例えば、無線通信端末が、通信品質の悪い条件にこれからなることがわかれば、予め基地局を切り替えたり、割り当て帯域を増やしたり、アンテナやビームパターンを当該無線通信端末に対してよりよいものを割り当てることができる。

図４に推定装置１０の別の構成の一例を示す。同図に示す推定装置１０は、図２の推定装置１０に予測部１３を備えたものである。

予測部１３は、対象の無線通信端末の無線通信情報と抽出部１２が実世界情報から抽出した対象の無線通信端末の状態情報を入力し、実世界・通信モデルを利用して、対象の無線通信端末の未来の無線通信情報を予測する。予測部１３の利用する実世界・通信モデルには、モデル生成装置４０の生成した無線通信情報と実世界情報の間の関係性を表す実世界・通信モデルを利用できる。予測部１３は、抽出部１２から入力される、無線通信端末に対応する実世界情報のみを用いて、未来の無線通信情報を予測してもよいし、抽出部１２で抽出された当該無線通信端末に対応する実世界情報および、当該無線通信端末ではない、そのほかの検出部１１から入力された実世界情報も含めて用いて未来の無線通信情報を予測してもよいし、さらに通信情報収集部２０で取得された、現在または過去の無線通信情報も含めて、未来の無線通信情報を予測してもよい。また、予測部１３の出力を未来の無線通信品質の予測結果とせず、予測結果を向上するための無線通信の制御情報としてもよい。制御情報とは、例えば、基地局の切り替えや帯域の割り当てや、データレート／変調方式／誤り訂正符号／空間多重数／通信モードの選択や、基地局のアンテナやビームパターンの割り当てのことである。

次に、図５のフローチャートを参照し、推定装置１０の処理の流れについて説明する。

ステップＳ１１にて、検出部１１は、図３Ａの映像を入力し、映像からオブジェクトを検出し、図３Ｂに示す検出結果を出力する。

ステップＳ１２にて、抽出部１２は、図３Ｂの検出結果と対象の無線通信端末の無線通信情報を入力し、対象の無線通信端末の状態を抽出する。ステップＳ１１において得られる全てのオブジェクトとの関係性を、教師無し学習による分類や、事前に測定したオブジェクト検出結果と無線通信情報の訓練データで学習した教師あり学習による特定を行うことができる。また、ステップＳ１２では、通信端末と関連がある可能性の高いオブジェクトのみ、評価してもよい。あらかじめ、無線通信端末が車と分かっていれば、車に関係する検出結果のみを用いて、対象の無線通信端末を抽出できる。ステップＳ１１において、オブジェクトが、無線通信端末の識別も可能なモデルで抽出された場合、ステップＳ１２は省くこともできる。

ステップＳ１３にて、予測部１３は、対象の無線通信端末の無線通信情報と抽出部１２の抽出した状態を入力し、対象の無線通信端末の未来の無線通信情報を予測する。ステップＳ１３は無線通信情報の予測ではなく、無線通信情報の制御情報を出力してもよい。また、システムが無線通信端末の実世界での状態の推定が目的であれば、ステップＳ１２の出力を用い、ステップＳ１３を省いてもよい。

次に、図６ないし図８を参照し、本実施形態の効果を実証するために行った実験とその結果を説明する。

実験に用いた無線通信端末はＬｉＤＡＲを搭載した自律移動ロボットであり、図６に示す実験エリア内をランダムに移動している。自律移動ロボットは、自己位置情報を端末情報として収集できる。自己位置は、オドメトリとＬｉＤＡＲの測定結果から、ＲｏｂｏｔＯＳのＡｄａｐｔｉｖｅＭｏｎｔｅＣａｒｌｏＬｏｃａｌｉｚａｔｉｏｎ（ＡＭＣＬ）により計算される。

実験エリア内に、２台のカメラ１１０，１２０と基地局１３０を設置した。カメラ１１０，１２０で実験エリアを撮影する。図７にカメラ１１０から得られる映像を示す。映像中には自律移動ロボット１４０と静止ロボット１５０が写っている。静止ロボット１５０は、実験エリアの中央部に配置した別のロボットである。自律移動ロボット１４０と静止ロボット１５０のいずれも映像上で検出されて、それぞれの検出位置にバウンディングボックスが得られる。

基地局１３０は、自律移動ロボットとの間で無線通信を行う。無線通信は無線ＬＡＮ（ＩＥＥＥ８０２．１１ａｃ）を用いており、０．２秒間のＲＳＳＩの中央値を計測した。

バウンディングボックスの映像中の位置（Ｘ, Ｚ）、幅Ｗと高さＨの４つの情報に対し、ターゲットのＲＳＳＩとの間の関係性を教師無し学習でグルーピングすると、自律移動ロボットのバウンディングボックスの情報はターゲットとなるＲＳＳＩとの関係性が高いことが導ける。このように、ある無線通信端末に対するＲＳＳＩなどの無線通信情報が得られれば、映像中で検出された物体のバウンディングボックスなどの実世界情報と無線通信情報との間の関係性を教師無し学習により計算することで、対象の無線通信端末または無線通信端末の所有者／包含物に対応するバウンディングボックスを導出できる。

続いて、導出されたバウンディングボックスを用いて未来のＲＳＳＩを予測した無線通信情報の予測精度について説明する。ここでは、２台のカメラで得られる映像を用いて本実施形態により自律移動ロボットの位置を抽出して未来のＲＳＳＩを予測した場合、自律移動ロボットに搭載されたＬｉＤＡＲにより高精度に自己位置推定した結果を用いて未来のＲＳＳＩを予測した場合、および過去のＲＳＳＩの情報から未来のＲＳＳＩを予測した場合について予測精度を評価した。なお、自律移動ロボットの位置からＲＳＳＩを予測する予測モデルはランダムフォレストにより構築した。

図８に、各手法における未来の時間での予測精度の評価を示す。グラフの横軸は予測した未来の時間であり、縦軸は予測精度の評価である。縦軸の評価には次式で表されるＲ２スコアを用いて予測精度を評価した。

ここで、Ｒｉはｉ番目のサンプルでのＲＳＳＩ値であり、ハット付きＲｉはランダムフォレストで予測されたＲＳＳＩ値であり、Ｒａｖｅは用いたデータにおけるＲＳＳＩの平均値である。Ｒ２が高いほど予測性能が高いことを表す。

図８において、実線でプロットしたグラフは、本実施形態により得られた自律移動ロボットのバウンディングボックスを用いて未来のＲＳＳＩを予測した予測精度の評価である。点線でプロットしたグラフは、自律移動ロボットの自己位置を用いて未来のＲＳＳＩを予測した予測精度の評価である。一点鎖線でプロットしたグラフは、過去のＲＳＳＩの情報から未来のＲＳＳＩを予測した予測精度の評価である。

図８より、本実施形態により通信品質を予測したものが最も高い予測性能を得ていることが確認できる。高精度の位置情報を用いたものも同等の予測性能が得られるが、これは無線通信端末からの位置情報のフィードバックを高頻度で取得する必要があり、無線通信回線をひっ迫する問題がある。ＲＳＳＩは基地局側で測定可能であるが、過去のＲＳＳＩから予測する方法では予測性能が著しく低くなる。

以上説明したように、本実施形態の状態情報出力システム１は、無線通信端末の存在する空間をセンシングした実世界情報を収集する実世界情報収集部３０と、無線通信端末の無線通信品質を取得する通信情報収集部２０と、実世界情報と無線通信品質を入力し、実世界情報と無線通信品質との間の関係性に基づいて、実世界情報における無線通信端末の状態情報を抽出する推定装置１０備える。これにより、実世界情報から無線通信を行う無線通信端末の状態情報を抽出できる。

本実施形態の状態情報出力システム１は、実世界情報と無線通信情報との間の関係性に基づいて、実世界情報から抽出した無線通信端末の状態情報から未来の無線通信情報を予測する予測部を備える。これにより、実世界情報と無線通信情報から未来の無線通信情報の予測が可能になる。

上記説明した状態情報出力システム１の備える装置には、例えば、図９に示すような、中央演算処理装置（ＣＰＵ）９０１と、メモリ９０２と、ストレージ９０３と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、ＣＰＵ９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、状態情報出力システム１の備える装置が実現される。このプログラムは磁気ディスク、光ディスク、半導体メモリ等のコンピュータ読み取り可能な記録媒体に記録することも、ネットワークを介して配信することもできる。また、状態情報出力システム１の備える装置は、ＰｒｏｇｒａｍｍａｂｌｅＬｏｇｉｃＤｅｖｉｃｅ（ＰＬＤ）およびＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ（ＦＰＧＡ）等のハードウェアを用いて実現されるものであってもよい。

１…状態情報出力システム
１０…推定装置
１１…検出部
１２…抽出部
１３…予測部
２０…通信情報収集部
３０…実世界情報収集部
４０…モデル生成装置

Claims

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