知財求人 - 知財ポータルサイト「IP Force」
特開2023-42280端末位置特定システム、端末位置特定方法、及び、プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023042280
(43)【公開日】2023-03-27
(54)【発明の名称】端末位置特定システム、端末位置特定方法、及び、プログラム
(51)【国際特許分類】
H04B 7/06 20060101AFI20230317BHJP
G01S 5/02 20100101ALI20230317BHJP
【ＦＩ】
H04B7/06 040
G01S5/02 Z
【審査請求】未請求
【請求項の数】19
【出願形態】ＯＬ
(21)【出願番号】P 2021149501
(22)【出願日】2021-09-14
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り ウェブサイトの掲載日 令和３年８月２３日 ウェブサイトのアドレス ｈｔｔｐｓ：／／ｗｗｗ．ｉｅｉｃｅ．ｏｒｇ／ｋｅｎ／ｐａｐｅｒ／２０２１１０２１ＨＣｆＰ／ ウェブサイトの掲載日 令和３年８月３１日 ｈｔｔｐｓ：／／ｗｗｗ．ｉｅｉｃｅ－ｔａｉｋａｉ．ｊｐ／２０２１ｓｏｃｉｅｔｙ／ｊｐｎ／ｗｅｂｐｒｏ／＿ｈｔｍｌ／ｃｓ．ｈｔｍｌ ｈｔｔｐｓ：／／ｗｗｗ．ｉｅｉｃｅ－ｔａｉｋａｉ．ｊｐ／２０２１ｓｏｃｉｅｔｙ／ｊｐｎ／ｐｒｏｇｒａｍ．ｈｔｍｌ
【公序良俗違反の表示】
（特許庁注：以下のものは登録商標）
１．ＴＥＮＳＯＲＦＬＯＷ
(71)【出願人】
【識別番号】899000079
【氏名又は名称】慶應義塾
(74)【代理人】
【識別番号】100088155
【弁理士】
【氏名又は名称】長谷川 芳樹
(74)【代理人】
【識別番号】100113435
【弁理士】
【氏名又は名称】黒木 義樹
(74)【代理人】
【識別番号】100124800
【弁理士】
【氏名又は名称】諏澤 勇司
(74)【代理人】
【識別番号】100206966
【弁理士】
【氏名又は名称】崎山 翔一
(72)【発明者】
【氏名】大槻 知明
(72)【発明者】
【氏名】モンデル ボアジジ
【テーマコード（参考）】
5J062
【Ｆターム（参考）】
5J062CC18
(57)【要約】
【課題】端末の位置の特定精度が容易に向上され得る端末位置特定システムを提供する。
【解決手段】端末位置特定システム１は、情報取得部１１と、格納部１２と、位置情報演算部１４と、を備えている。情報取得部１１は、端末データマップに関するマップ情報を取得する。端末データマップは、端末Ｔにおけるビーム信号の受信強度に関する受信強度情報をビーム信号の種別ごとに示している。格納部１２は、位置推定モデルを格納している。位置推定モデルは、マップ情報と端末Ｔの位置に関する位置情報とを関連付けている。位置情報演算部１４は、情報取得部１１によって取得されたマップ情報と位置推定モデルとに基づいて、位置情報を演算する。
【選択図】図１
【解決手段】端末位置特定システム１は、情報取得部１１と、格納部１２と、位置情報演算部１４と、を備えている。情報取得部１１は、端末データマップに関するマップ情報を取得する。端末データマップは、端末Ｔにおけるビーム信号の受信強度に関する受信強度情報をビーム信号の種別ごとに示している。格納部１２は、位置推定モデルを格納している。位置推定モデルは、マップ情報と端末Ｔの位置に関する位置情報とを関連付けている。位置情報演算部１４は、情報取得部１１によって取得されたマップ情報と位置推定モデルとに基づいて、位置情報を演算する。
【選択図】図１
【特許請求の範囲】
【請求項1】
移動通信端末におけるビーム信号の受信強度に関する受信強度情報を前記ビーム信号の種別ごとに示す端末データマップに関するマップ情報を取得する情報取得部と、
前記マップ情報と前記移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルを格納している格納部と、
前記情報取得部によって取得された前記マップ情報と前記位置推定モデルとに基づいて、前記位置情報を演算する位置情報演算部と、を備えている、端末位置特定システム。
前記マップ情報と前記移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルを格納している格納部と、
前記情報取得部によって取得された前記マップ情報と前記位置推定モデルとに基づいて、前記位置情報を演算する位置情報演算部と、を備えている、端末位置特定システム。
【請求項2】
前記情報取得部は、複数の前記移動通信端末のそれぞれに対応する複数の前記端末データマップの差分を示す差分情報を前記マップ情報として取得し、
前記位置推定モデルは、前記差分情報と当該差分情報に対応する前記複数の移動通信端末の相対位置に関する相対位置情報とを関連付けており、
前記位置情報演算部は、前記差分情報と前記位置推定モデルとに基づいて、前記相対位置情報を演算する、請求項１に記載の端末位置特定システム。
前記位置推定モデルは、前記差分情報と当該差分情報に対応する前記複数の移動通信端末の相対位置に関する相対位置情報とを関連付けており、
前記位置情報演算部は、前記差分情報と前記位置推定モデルとに基づいて、前記相対位置情報を演算する、請求項１に記載の端末位置特定システム。
【請求項3】
前記情報取得部は、
前記複数の移動通信端末のうち第１移動通信端末の前記端末データマップと、前記複数の移動通信端末のうち第２移動通信端末の前記端末データマップとを取得するデータマップ取得部と、
前記第１移動通信端末の前記端末データマップと前記第２移動通信端末の前記端末データマップとの差分を前記差分情報として演算する差分情報演算部と、を含んでいる、請求項２に記載の端末位置特定システム。
前記複数の移動通信端末のうち第１移動通信端末の前記端末データマップと、前記複数の移動通信端末のうち第２移動通信端末の前記端末データマップとを取得するデータマップ取得部と、
前記第１移動通信端末の前記端末データマップと前記第２移動通信端末の前記端末データマップとの差分を前記差分情報として演算する差分情報演算部と、を含んでいる、請求項２に記載の端末位置特定システム。
【請求項4】
前記情報取得部は、複数の前記移動通信端末のうち第１移動通信端末の前記端末データマップと、前記複数の移動通信端末のうち第２移動通信端末の前記端末データマップとの各々を、前記マップ情報として取得するデータマップ取得部を含んでおり、
前記位置推定モデルは、前記端末データマップと前記移動通信端末の前記位置情報とを関連付けており、
前記位置情報演算部は、
前記第１移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第１移動通信端末の前記位置情報を演算し、かつ、前記第２移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第２移動通信端末の前記位置情報を演算する端末位置演算部と、
前記端末位置演算部によって演算された前記第１移動通信端末の前記位置情報と前記第２移動通信端末の前記位置情報とに基づいて、前記第１移動通信端末と前記第２移動通信端末との相対位置に関する相対位置情報を演算する相対位置演算部と、を含んでいる、請求項１に記載の端末位置特定システム。
前記位置推定モデルは、前記端末データマップと前記移動通信端末の前記位置情報とを関連付けており、
前記位置情報演算部は、
前記第１移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第１移動通信端末の前記位置情報を演算し、かつ、前記第２移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第２移動通信端末の前記位置情報を演算する端末位置演算部と、
前記端末位置演算部によって演算された前記第１移動通信端末の前記位置情報と前記第２移動通信端末の前記位置情報とに基づいて、前記第１移動通信端末と前記第２移動通信端末との相対位置に関する相対位置情報を演算する相対位置演算部と、を含んでいる、請求項１に記載の端末位置特定システム。
【請求項5】
前記相対位置情報は、前記複数の移動通信端末の間の相対距離を含んでいる、請求項２から４のいずれか一項に記載の端末位置特定システム。
【請求項6】
基地局から送信される複数の前記ビーム信号の種別ごとに前記移動通信端末における前記受信強度情報を示す第１データマップに基づいて、超解像技術によって、前記第１データマップの解像度よりも高い解像度を有している第２データマップを演算する超解像部をさらに備え、
前記端末データマップは、前記超解像部によって演算された前記第２データマップである、請求項１から５のいずれか一項に記載の端末位置特定システム。
前記端末データマップは、前記超解像部によって演算された前記第２データマップである、請求項１から５のいずれか一項に記載の端末位置特定システム。
【請求項7】
前記ビーム信号の種別は、基地局から前記ビーム信号が送信される方位を含んでいる、請求項１から６のいずれか一項に記載の端末位置特定システム。
【請求項8】
前記端末データマップは、互いに異なる前記ビーム信号の種別に対応する複数の画素を含んでいると共に、各前記画素おいて、前記画素に対応する種別の前記ビーム信号の前記受信強度情報を示す画像を含んでいる、請求項１から７のいずれか一項に記載の端末位置特定システム。
【請求項9】
前記位置推定モデルは、複数の学習用の前記端末データマップに関する複数の学習用の前記マップ情報と、各前記学習用のマップ情報に対応する前記移動通信端末の位置に関する学習用位置情報とを用いて学習され、かつ、前記マップ情報の入力に応じて前記位置情報を出力する、モデルを含んでおり、
前記複数の学習用の端末データマップは、互いに異なる位置に存在する前記移動通信端末に対応している、請求項１から８のいずれか一項に記載の端末位置特定システム。
前記複数の学習用の端末データマップは、互いに異なる位置に存在する前記移動通信端末に対応している、請求項１から８のいずれか一項に記載の端末位置特定システム。
【請求項10】
複数の学習用の前記端末データマップに関する複数の学習用の前記マップ情報と、各前記学習用のマップ情報に対応する前記移動通信端末の位置に関する学習用位置情報とを用いた学習によって、前記マップ情報の入力に応じて前記位置情報を出力するモデルを前記位置推定モデルとして作成するモデル作成部をさらに備え、
前記複数の学習用の端末データマップは、互いに異なる位置に存在する前記移動通信端末に対応しており、
前記複数の学習用のマップ情報は、前記情報取得部によって取得された前記マップ情報を含んでおり、
前記格納部は、前記モデル作成部によって作成された前記モデルを格納する、請求項１から９のいずれか一項に記載の端末位置特定システム。
前記複数の学習用の端末データマップは、互いに異なる位置に存在する前記移動通信端末に対応しており、
前記複数の学習用のマップ情報は、前記情報取得部によって取得された前記マップ情報を含んでおり、
前記格納部は、前記モデル作成部によって作成された前記モデルを格納する、請求項１から９のいずれか一項に記載の端末位置特定システム。
【請求項11】
移動通信端末におけるビーム信号の受信強度に関する受信強度情報を前記ビーム信号の種別ごとに示す端末データマップに関するマップ情報を取得することと、
前記マップ情報と前記移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルを取得することと、
取得された前記マップ情報と取得された前記位置推定モデルとに基づいて、前記位置情報を演算することと、を含んでいる、端末位置特定方法。
前記マップ情報と前記移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルを取得することと、
取得された前記マップ情報と取得された前記位置推定モデルとに基づいて、前記位置情報を演算することと、を含んでいる、端末位置特定方法。
【請求項12】
互いに異なる位置に存在する複数の前記移動通信端末に対応している複数の学習用の前記マップ情報を取得することと、
前記複数の学習用のマップ情報にそれぞれ対応する複数の前記移動通信端末の位置に関する複数の学習用位置情報を取得することと、
前記複数の学習用のマップ情報と前記複数の学習用位置情報とを用いた学習によって、前記マップ情報の入力に応じて前記位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、
請求項１１に記載の端末位置特定方法。
前記複数の学習用のマップ情報にそれぞれ対応する複数の前記移動通信端末の位置に関する複数の学習用位置情報を取得することと、
前記複数の学習用のマップ情報と前記複数の学習用位置情報とを用いた学習によって、前記マップ情報の入力に応じて前記位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、
請求項１１に記載の端末位置特定方法。
【請求項13】
各々が、複数の前記移動通信端末のそれぞれに対応する複数の学習用の前記端末データマップの差分を示す複数の学習用差分情報を取得することと、
各前記学習用差分情報に対応する前記複数の移動通信端末の相対位置に関する学習用相対位置情報を取得することと、
前記複数の学習用差分情報と前記各学習用差分情報に対応する前記複数の移動通信端末の相対位置に関する前記学習用相対位置情報とを用いた学習によって、複数の前記移動通信端末のそれぞれに対応する複数の前記端末データマップの差分を示す差分情報の入力に応じて、当該差分情報に対応する前記複数の移動通信端末の相違位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、請求項１１に記載の端末位置特定方法。
各前記学習用差分情報に対応する前記複数の移動通信端末の相対位置に関する学習用相対位置情報を取得することと、
前記複数の学習用差分情報と前記各学習用差分情報に対応する前記複数の移動通信端末の相対位置に関する前記学習用相対位置情報とを用いた学習によって、複数の前記移動通信端末のそれぞれに対応する複数の前記端末データマップの差分を示す差分情報の入力に応じて、当該差分情報に対応する前記複数の移動通信端末の相違位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、請求項１１に記載の端末位置特定方法。
【請求項14】
前記マップ情報の取得において、複数の前記移動通信端末のそれぞれに対応する複数の前記端末データマップの差分を示す差分情報が前記マップ情報として取得され、
前記位置推定モデルは、前記差分情報と前記複数の移動通信端末の相対位置に関する相対位置情報とを関連付けており、
前記位置情報の演算において、前記差分情報と前記位置推定モデルとに基づいて、前記相対位置情報が演算される、請求項１１又は１３に記載の端末位置特定方法。
前記位置推定モデルは、前記差分情報と前記複数の移動通信端末の相対位置に関する相対位置情報とを関連付けており、
前記位置情報の演算において、前記差分情報と前記位置推定モデルとに基づいて、前記相対位置情報が演算される、請求項１１又は１３に記載の端末位置特定方法。
【請求項15】
複数の前記移動通信端末に対して複数の学習用の前記端末データマップをそれぞれ取得することと、
各前記学習用の端末データマップに対応する前記移動通信端末の位置に関する学習用位置情報を取得することと、
前記複数の学習用の端末データマップと前記各学習用の端末データマップに対応する前記移動通信端末の位置に関する前記学習用位置情報とを用いた学習によって、前記端末データマップの入力に応じて当該端末データマップに対応する前記移動通信端末の前記位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、請求項１１に記載の端末位置特定方法。
各前記学習用の端末データマップに対応する前記移動通信端末の位置に関する学習用位置情報を取得することと、
前記複数の学習用の端末データマップと前記各学習用の端末データマップに対応する前記移動通信端末の位置に関する前記学習用位置情報とを用いた学習によって、前記端末データマップの入力に応じて当該端末データマップに対応する前記移動通信端末の前記位置情報を出力するモデルを前記位置推定モデルとして作成することと、をさらに含んでいる、請求項１１に記載の端末位置特定方法。
【請求項16】
前記マップ情報の取得において、複数の前記移動通信端末のうち第１移動通信端末に対応する前記端末データマップと、前記複数の移動通信端末のうち第２移動通信端末に対応する前記端末データマップとの各々が前記マップ情報として取得され、
前記位置推定モデルは、前記端末データマップと前記移動通信端末の位置に関する位置情報とを関連付けており、
前記位置情報の演算において、
前記第１移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第１移動通信端末の位置に関する前記位置情報が演算され、
前記第２移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第２移動通信端末の位置に関する前記位置情報が演算され、
演算された前記第１移動通信端末の前記位置情報と演算された前記第２移動通信端末の前記位置情報とに基づいて、前記第１移動通信端末と前記第２移動通信端末との相対位置に関する相対位置情報が演算される、請求項１１又は１５に記載の端末位置特定方法。
前記位置推定モデルは、前記端末データマップと前記移動通信端末の位置に関する位置情報とを関連付けており、
前記位置情報の演算において、
前記第１移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第１移動通信端末の位置に関する前記位置情報が演算され、
前記第２移動通信端末の前記端末データマップと前記位置推定モデルとに基づいて、前記第２移動通信端末の位置に関する前記位置情報が演算され、
演算された前記第１移動通信端末の前記位置情報と演算された前記第２移動通信端末の前記位置情報とに基づいて、前記第１移動通信端末と前記第２移動通信端末との相対位置に関する相対位置情報が演算される、請求項１１又は１５に記載の端末位置特定方法。
【請求項17】
基地局から送信される複数のビーム信号の種別ごとに前記移動通信端末における受信強度情報を示す第１データマップに基づいて、超解像技術によって、前記第１データマップの解像度よりも高い解像度を有している第２データマップを演算すること、をさらに含んでおり、
前記端末データマップは、演算された前記第２データマップである、請求項１１から１６のいずれか一項に記載の端末位置特定方法。
前記端末データマップは、演算された前記第２データマップである、請求項１１から１６のいずれか一項に記載の端末位置特定方法。
【請求項18】
前記基地局から送信された複数のビーム信号の種別ごとに前記移動通信端末における受信強度情報を示す複数の学習用のデータマップグループを取得することと、
前記複数の学習用のデータマップグループを用いた学習によって、前記第１データマップの入力に応じて前記第２データマップを出力する超解像モデルを作成することと、をさらに含んでおり、
前記複数の学習用のデータマップグループの各々は、互いに同一の位置に存在している前記移動通信端末における受信強度情報を示す、学習用の前記第１データマップと学習用の前記第２データマップとを含んでおり、
前記第２データマップの演算において、前記第１データマップと前記超解像モデルとに基づいて、前記第２データマップが演算される、請求項１７に記載の端末位置特定方法。
前記複数の学習用のデータマップグループを用いた学習によって、前記第１データマップの入力に応じて前記第２データマップを出力する超解像モデルを作成することと、をさらに含んでおり、
前記複数の学習用のデータマップグループの各々は、互いに同一の位置に存在している前記移動通信端末における受信強度情報を示す、学習用の前記第１データマップと学習用の前記第２データマップとを含んでおり、
前記第２データマップの演算において、前記第１データマップと前記超解像モデルとに基づいて、前記第２データマップが演算される、請求項１７に記載の端末位置特定方法。
【請求項19】
基地局から送信される複数のビーム信号の種別ごとに移動通信端末における受信強度情報を示す端末データマップに関するマップ情報と、前記マップ情報と前記移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルと、に基づいて、前記位置情報を演算することをコンピュータに実行させるプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、端末位置特定システム、端末位置特定方法、及び、プログラムに関する。
【背景技術】
【0002】
端末の位置を特定する種々の技術が知られている（例えば、非特許文献１）。非特許文献１には、基地局と端末との通信による情報に基づいて、端末の位置を特定することが記載されている。
【先行技術文献】
【非特許文献】
【0003】
【非特許文献1】F.Hejazi,K. Vuckovic, and N. Rahnavard, “DyLoc: Dynamic Localization for Massive MIMOUsing Predictive Recurrent Neural Networks,” in arXiv preprintarXiv:2101.07848.
【発明の概要】
【発明が解決しようとする課題】
【0004】
端末の位置の特定精度を向上するための技術が検討されている。端末は、例えば、携帯電話などの移動通信端末である。端末の位置が特定されれば、例えば、端末の所有者の位置を特定することができる。例えば非特許文献１には、ＴｏＡ（Time of Arrival）及びＡＯＡ（Angle of Arrival）技術などによって、端末の位置を特定することが記載されている。しかし、この技術では、環境に応じて特定された端末の位置についてメートル単位の誤差がしばしば生じる。
【0005】
複数の端末の位置の特定によって、端末間の相対位置情報も特定され得る。端末の位置の特定精度が向上されれば、端末の所有者間の接触も判定され得る。この場合、例えば、ウィルス保有者との接触も判定され得る。
【0006】
このような端末間の相対位置情報の特定において要求される位置の特定精度を満たすためには、上述したような従来技術では、多数の基地局による情報の取得、及び、高度な演算処理が要される。Ｂｌｕｅｔｏｏｔｈ（登録商標）又はＷｉＦｉ（登録商標）を用いた端末間の相対位置の特定技術も知られているが、これらの技術においても要求を満たす精度が得られ難い。Ｂｌｕｅｔｏｏｔｈ及びＷｉＦｉの通信範囲は比較的狭く、比較的近くに位置する端末のみが特定の対象となる。また、Ｂｌｕｅｔｏｏｔｈ又はＷｉＦｉを用いる場合には、端末へのソフトウェアのインストール、及び、Ｂｌｕｅｔｏｏｔｈ又はＷｉＦｉの動作を端末上において有効にする操作を要する。
【0007】
本発明の一つの態様は、端末の位置の特定精度が容易に向上され得る端末位置特定システムを提供することを目的とする。本発明の別の態様は、端末の位置の特定精度が容易に向上され得る端末位置特定方法を提供することを目的とする。本発明のさらに別の態様は、端末の位置の特定精度が容易に向上され得るプログラムを提供することを目的とする。
【課題を解決するための手段】
【0008】
本発明の一つの態様における端末位置特定システムは、情報取得部と、格納部と、位置情報演算部と、を備えている。情報取得部は、端末データマップに関するマップ情報を取得する。端末データマップは、移動通信端末におけるビーム信号の受信強度に関する受信強度情報を前記ビーム信号の種別ごとに示している。格納部は、位置推定モデルを格納している。位置推定モデルは、マップ情報と移動通信端末の位置に関する位置情報とを関連付けている。位置情報演算部は、情報取得部によって取得されたマップ情報と位置推定モデルとに基づいて、位置情報を演算する。
【0009】
上記一つの態様において、位置情報演算部は、上記端末データマップに関するマップ情報と位置推定モデルとに基づいて、移動通信端末の位置情報を演算する。端末データマップは、移動通信端末におけるビーム信号の受信強度に関する受信強度情報を前記ビーム信号の種別ごとに示している。本願発明者は、基地局から送信される複数のビーム信号と受信強度情報との組み合わせは、移動通信端末の位置情報に関係する情報を豊富に含んでいることを見出した。この端末位置特定システムによれば、端末の位置の特定精度が容易に向上され得る。
【0010】
上記一つの態様において、情報取得部は、差分情報をマップ情報として取得してもよい。差分情報は、複数の移動通信端末のそれぞれ対応する複数の端末データマップの差分を示している。位置推定モデルは、差分情報と当該差分情報に対応する複数の移動通信端末の相対位置に関する相対位置情報とを関連付けていてもよい。位置情報演算部は、差分情報と位置推定モデルとに基づいて、相対位置情報を演算してもよい。この場合、相対位置情報は、個々の移動通信端末の位置情報を求めることなく、複数の端末データマップの差分を示す差分情報と位置推定モデルとに基づいて演算される。このため、環境の変化によるロバスト性が向上し得る。したがって、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0011】
上記一つの態様において、情報取得部は、データマップ取得部と、差分情報演算部とを含んでいてもよい。データマップ取得部は、複数の移動通信端末のうち第１移動通信端末の端末データマップと、複数の移動通信端末のうち第２移動通信端末の端末データマップとを取得してもよい。差分情報演算部は、第１移動通信端末の端末データマップと第２移動通信端末の端末データマップとの差分を上記差分情報として演算する。この場合、第１移動通信端末と第２移動通信端末との間の相対位置情報がより容易に演算され得る。
【0012】
上記一つの態様において、情報取得部は、データマップ取得部を含んでいてもよい。データマップ取得部は、複数の移動通信端末のうち第１移動通信端末の端末データマップと、複数の移動通信端末のうち第２移動通信端末の端末データマップとの各々を、マップ情報として取得してもよい。位置推定モデルは、端末データマップと移動通信端末の位置情報とを関連付けていてもよい。位置情報演算部は、端末位置演算部と、相対位置演算部とを含んでいてもよい。端末位置演算部は、第１移動通信端末の端末データマップと位置推定モデルとに基づいて、第１移動通信端末の位置情報を演算してもよい。端末位置演算部は、第２移動通信端末の端末データマップと位置推定モデルとに基づいて、第２移動通信端末の位置情報を演算してもよい。相対位置演算部は、端末位置演算部によって演算された第１移動通信端末の位置情報と第２移動通信端末の位置情報とに基づいて、第１移動通信端末と第２移動通信端末との相対位置に関する相対位置情報を演算してもよい。この場合、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0013】
上記一つの態様において、相対位置情報は、複数の移動通信端末の間の相対距離を含んでいてもよい。
【0014】
上記一つの態様において、端末位置特定システムは、超解像部をさらに備えていてもよい。超解像部は、基地局から送信される複数のビーム信号の種別ごとに移動通信端末における受信強度情報を示す第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算してもよい。端末データマップは、超解像部によって演算された第２データマップである。基地局から送信される複数のビーム信号の種別が少なかったとしても、より多くの情報に基づいて移動通信端末の位置情報が演算され得る。移動通信端末の位置情報の特定において、ロバスト性が向上する。複数のビーム信号の種別ごとの受信強度情報の取得において、オーバーヘッドも削減され得る。したがって、移動通信端末間の位置情報がより容易かつ高精度に演算され得る。
【0015】
上記一つの態様において、ビーム信号の種別は、基地局からビーム信号が送信される方位を含んでいてもよい。この場合、端末データマップは、互いに異なる方位に送信された複数のビーム信号の各々に対する受信強度情報を示している。このため、移動通信端末の位置情報の特定において、ロバスト性が向上する。したがって、移動通信端末間の位置情報がより容易かつ高精度に演算され得る。
【0016】
上記一つの態様において、端末データマップは、互いに異なるビーム信号の種別に対応する複数の画素を含んでいてもよい。端末データマップは、各画素おいて、画素に対応する種別のビーム信号の受信強度情報を示す画像を含んでいてもよい。この場合、ビーム信号の種別ごとの受信強度情報が視覚的に識別され得る。位置推定モデルとして、画像に関するアーキテクチャを有するモデルが用いられ得る。
【0017】
上記一つの態様において、位置推定モデルは、複数の学習用の端末データマップに関する複数の学習用のマップ情報と、各学習用のマップ情報に対応する移動通信端末の位置に関する学習用位置情報とを用いて学習され、かつ、マップ情報の入力に応じて位置情報を出力する、モデルを含んでいてもよい。複数の学習用の端末データマップは、互いに異なる位置に存在する移動通信端末に対応していてもよい。この場合、マップ情報に含まれる多くの情報が考慮され、移動通信端末の位置情報の特定において、演算負荷が抑制されながらロバスト性が確保され得る。したがって、移動通信端末間の位置情報がより高精度に演算され得る。
【0018】
上記一つの態様において、端末位置特定システムは、モデル作成部をさらに備えていてもよい。モデル作成部は、複数の学習用の端末データマップに関する複数の学習用のマップ情報と、各学習用のマップ情報に対応する移動通信端末の位置に関する学習用位置情報とを用いた学習によって、マップ情報の入力に応じて位置情報を出力するモデルを位置推定モデルとして作成してもよい。複数の学習用の端末データマップは、互いに異なる位置に存在する移動通信端末に対応していてもよい。複数の学習用のマップ情報は、情報取得部によって取得された上記マップ情報を含んでいてもよい。格納部は、モデル作成部によって作成された上記モデルを格納してもよい。この場合、マップ情報に含まれる多くの情報が考慮され、移動通信端末の位置情報の特定において、演算負荷が抑制されながらロバスト性が確保され得る。したがって、移動通信端末間の位置情報がより高精度に演算され得る。
【0019】
本発明の別の態様における端末位置特定方法は、マップ情報を取得することと、位置推定モデルを取得することと、位置情報を演算することと、を含んでいる。マップ情報の取得において、移動通信端末におけるビーム信号の受信強度に関する受信強度情報をビーム信号の種別ごとに示す端末データマップに関するマップ情報が取得される。位置推定モデルの取得において、マップ情報と移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルを取得する。位置情報の演算において、取得されたマップ情報と取得された位置推定モデルとに基づいて、位置情報を演算することと、を含んでいる。
【0020】
上記別の態様において、上記端末データマップに関するマップ情報と位置推定モデルとに基づいて、移動通信端末の位置情報が演算されている。端末データマップは、移動通信端末におけるビーム信号の受信強度に関する受信強度情報をビーム信号の種別ごとに示している。この端末位置特定方法によれば、端末の位置の特定精度が容易に向上され得る。
【0021】
上記別の態様において、端末位置特定方法は、複数の学習用のマップ情報を取得することと、複数の学習用位置情報を取得することと、モデルを作成することとをさらに含んでいてもよい。複数の学習用のマップ情報は、互いに異なる位置に存在する複数の移動通信端末に対応していてもよい。複数の学習用位置情報は、複数の学習用のマップ情報にそれぞれ対応する複数の移動通信端末の位置に関していてもよい。モデルの作成において、複数の学習用のマップ情報と複数の学習用位置情報とを用いた学習によって、マップ情報の入力に応じて位置情報を出力するモデルが位置推定モデルとして作成されてもよい。この場合、マップ情報に含まれる多くの情報が考慮され、移動通信端末の位置情報の特定において、演算負荷が抑制されながらロバスト性が確保され得る。したがって、移動通信端末間の位置情報がより高精度に演算され得る。
【0022】
上記別の態様において、端末位置特定方法は、複数の学習用差分情報を取得することと、学習用相対位置情報を取得することと、モデルを作成することとをさらに含んでいてもよい。複数の学習用差分情報の各々は、複数の移動通信端末のそれぞれに対応する複数の学習用の端末データマップの差分を示していてもよい。学習用相対位置情報は、各学習用差分情報に対応する複数の移動通信端末の相対位置に関していてもよい。複数の学習用差分情報と各学習用差分情報に対応する複数の移動通信端末の相対位置に関する学習用相対位置情報とを用いた学習によって、複数の移動通信端末のそれぞれに対応する複数の端末データマップの差分を示す差分情報の入力に応じて、当該差分情報に対応する複数の移動通信端末の相違位置情報を出力するモデルが位置推定モデルとして作成されてもよい。この場合、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0023】
上記別の態様において、マップ情報の取得において、複数の移動通信端末のそれぞれに対応する複数の端末データマップの差分を示す差分情報がマップ情報として取得されてもよい。位置推定モデルは、差分情報と複数の移動通信端末の相対位置に関する相対位置情報とを関連付けていてもよい。位置情報の演算において、差分情報と位置推定モデルとに基づいて、相対位置情報が演算されてもよい。この場合、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0024】
上記別の態様において、端末位置特定方法は、複数の移動通信端末に対して複数の学習用の端末データマップをそれぞれ取得することと、各学習用の端末データマップに対応する移動通信端末の位置に関する学習用位置情報を取得することと、複数の学習用の端末データマップと各学習用の端末データマップに対応する移動通信端末の位置に関する学習用位置情報とを用いた学習によって、端末データマップの入力に応じて当該端末データマップに対応する移動通信端末の位置情報を出力するモデルを位置推定モデルとして作成することと、をさらに含んでいてもよい。この場合、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0025】
上記別の態様において、マップ情報の取得において、複数の移動通信端末のうち第１移動通信端末に対応する端末データマップと、複数の移動通信端末のうち第２移動通信端末に対応する端末データマップとの各々がマップ情報として取得されてもよい。位置推定モデルは、端末データマップと移動通信端末の位置に関する位置情報とを関連付けていてもよい。位置情報の演算において、第１移動通信端末の端末データマップと位置推定モデルとに基づいて、第１移動通信端末の位置に関する位置情報が演算されてもよい。第２移動通信端末の端末データマップと位置推定モデルとに基づいて、第２移動通信端末の位置に関する位置情報が演算されてもよい。演算された第１移動通信端末の位置情報と演算された第２移動通信端末の位置情報とに基づいて、第１移動通信端末と第２移動通信端末との相対位置に関する相対位置情報が演算されてもよい。この場合、移動通信端末間の相対位置情報が容易かつ高精度に演算され得る。
【0026】
上記別の態様において、端末位置特定方法は、基地局から送信される複数のビーム信号の種別ごとに移動通信端末における受信強度情報を示す第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算すること、をさらに含んでいてもよい。端末データマップは、演算された第２データマップであってもよい。この場合、基地局から送信される複数のビーム信号の種別が少なかったとしても、より多くの情報に基づいて移動通信端末の位置情報が演算され得る。移動通信端末の位置情報の特定において、ロバスト性が向上する。複数のビーム信号の種別ごとの受信強度情報の取得において、オーバーヘッドも削減され得る。したがって、移動通信端末間の位置情報がより容易かつ高精度に演算され得る。
【0027】
上記別の態様において、端末位置特定方法は、基地局から送信された複数のビーム信号の種別ごとに移動通信端末における受信強度情報を示す複数の学習用のデータマップグループを取得することと、複数の学習用のデータマップグループを用いた学習によって、第１データマップの入力に応じて第２データマップを出力する超解像モデルを作成することと、をさらに含んでいてもよい。複数の学習用のデータマップグループの各々は、互いに同一の位置に存在している移動通信端末における受信強度情報を示す、学習用の第１データマップと学習用の第２データマップとを含んでいてもよい。第２データマップの演算において、第１データマップと超解像モデルとに基づいて、第２データマップが演算されてもよい。この場合、移動通信端末間の位置情報がより容易かつ高精度に演算され得る。
【0028】
本発明のさらに別の態様におけるプログラムは、基地局から送信される複数のビーム信号の種別ごとに移動通信端末における受信強度情報を示す端末データマップに関するマップ情報と、マップ情報と移動通信端末の位置に関する位置情報とを関連付けている位置推定モデルと、に基づいて、位置情報を演算することをコンピュータに実行させる。
【0029】
上記さらに別の態様において、上記端末データマップに関するマップ情報と位置推定モデルとに基づいて、移動通信端末の位置情報が演算されている。端末データマップは、移動通信端末におけるビーム信号の受信強度に関する受信強度情報をビーム信号の種別ごとに示している。このプログラムによれば、端末の位置の特定精度が容易に向上され得る。
【発明の効果】
【0030】
本発明の一つの態様は、端末の位置の特定精度が容易に向上され得る端末位置特定システムを提供する。本発明の別の態様は、端末の位置の特定精度が容易に向上され得る端末位置特定方法を提供する。本発明のさらに別の態様は、端末の位置の特定精度が容易に向上され得るプログラムを提供する。
【図面の簡単な説明】
【0031】
【図1】本実施形態における端末位置特定システムのブロック図である。
【図2】基地局から送信されるビーム信号を説明するための概略図である。
【図3】（ａ）から（ｃ）は、端末データマップを示す図である。
【図4】超解像モデルの一例を示す図である。
【図5】位置推定モデルの一例を示す図である。
【図6】超解像モデルの作成方法の一例を示すフローチャートである。
【図7】位置推定モデルの作成方法の一例を示すフローチャートである。
【図8】端末位置特定方法の一例を示すフローチャートである。
【図9】本実施形態の変形例における端末位置特定システムのブロック図である。
【図10】本実施形態の変形例における位置推定モデルの作成方法の一例を示すフローチャートである。
【図11】本実施形態の変形例における端末位置特定方法の一例を示すフローチャートである。
【図12】本実施形態および本実施形態の変形例における端末位置特定システムのハードウェア構成の一例を示す図である。
【図13】本実施形態における端末位置特定システムの実験結果を示す図である。
【図14】本実施形態における端末位置特定システムの実験結果を示す図である。
【発明を実施するための形態】
【0032】
以下、図面を参照しつつ本発明における端末位置特定システムの実施形態について詳細に説明する。なお、図面の説明においては、同一又は相当部分には同一符号を付し、重複する説明を省略する。まず、図１から図８を参照して、本発明の実施形態における端末位置特定システムの概略構成について説明する。図１は、本実施形態における端末位置特定システムのブロック図である。
【0033】
端末位置特定システム１は、基地局Ｂと通信を行う端末Ｔの位置情報を特定する。端末位置特定システム１は、複数の端末Ｔの位置情報を特定する。位置情報の特定には、機械学習による推定が用いられる。端末位置特定システム１は、位置推定モデルを用いて、位置情報を特定する。本実施形態において、位置情報は、複数の端末Ｔの相対位置情報を含んでいる。相対位置情報は、一対の端末Ｔの相対距離を含んでいる。相対距離の演算は、非線形回帰によって定式化される。本実施形態の変形例として、位置情報は、各端末Ｔの位置を示す情報を含んでいてもよい。相対位置情報は、一対の端末Ｔのうち一方の端末Ｔの位置を基準位置とした場合において、基準点からの他方の端末Ｔの相対位置であってもよい。換言すれば、相対位置情報は、一対の端末Ｔのうち一方の端末Ｔの位置を原点とした場合において、原点からの他方の端末Ｔの座標であってもよい。
【0034】
端末Ｔは、例えば、移動通信端末である。移動通信端末としては、例えば、携帯電話、スマートフォン、及び、モバイルＰＣ(Personal Computer)が挙げられる。基地局Ｂと端末Ｔとは、例えば、セルラー方式によって通信を行う。基地局Ｂと複数の端末Ｔとの間において、セルラーネットワークが構築されている。基地局Ｂと端末Ｔとの通信には、例えば、ＭＩＭＯ（multiple-input multiple-output）が用いられる。基地局Ｂと端末Ｔとの通信には、ＵＰＡ（uniform planar array）が用いられる。
【0035】
例えば、基地局Ｂは複数のアンテナを含み、端末は単一のアンテナを含んでいる。例えば、基地局Ｂにおいてアンテナは、行列状に２次元配列されている。基地局Ｂのアンテナの数は、Ｍｔ＝Ｍｖ×Ｍｈによって示される。“Ｍｔ”は、基地局Ｂが含んでいるアンテナの数である。“Ｍｖ”は、垂直方向における基地局Ｂのアンテナの数である。“Ｍｈ”は、水平方向における基地局Ｂのアンテナの数である。
【0036】
基地局Ｂと端末Ｔとの通信システムは、例えば、５Ｇ（5th generationmobile communication system）である。基地局Ｂは、ビーム信号を送信し、このビーム信号によって端末Ｔと通信を行う。ビーム信号は、例えば、ミリ波である。ビーム信号の周波数は、例えば、６０ＧＨｚである。
【0037】
図２に示されているように、基地局Ｂは、アナログビームフォーミングによって、ビーム信号Ｓを所定の範囲αに送信する。範囲αは、１つのビーム信号Ｓによってカバーされる範囲である。基地局Ｂは、ビーム信号Ｓを掃引し、複数の範囲αにビーム信号Ｓを送信する。換言すれば、基地局Ｂは、ビーム信号Ｓの掃引によって、複数の範囲αを含む領域Ｒの全体にビーム信号Ｓを送信する。領域Ｒは、例えば、基地局Ｂと端末Ｔとが通信可能な領域である。
【0038】
基地局Ｂは、複数のビーム信号Ｓを送信し、複数のビーム信号Ｓによって領域Ｒの全体をカバーする。基地局Ｂは、ビーム信号Ｓが送信される範囲αの広さを変化させることによって、領域Ｒをカバーするビーム信号Ｓの数を変化させる。本実施形態において、基地局Ｂは、領域Ｒを４×４の範囲αに区分し、各領域Ｒにビーム信号を送信するようにビーム信号を掃引する。基地局Ｂは、領域Ｒを４×４以外の数の範囲αに区分してもよい。領域Ｒが区分される数が多いほど、解像度が向上し、端末Ｔの位置検出精度も向上する。領域Ｒが区分される数が少ないほど、ビーム信号を掃引する時間が低減される。例えば、基地局Ｂは、領域Ｒを８×８の範囲αに区分し、各領域Ｒにビーム信号を送信してもよい。
【0039】
基地局Ｂは、複数のビーム信号Ｓをそれぞれ区別するビーム信号の種別の情報に応じて、各ビーム信号Ｓを送信する。各ビーム信号Ｓは、所定の広さの範囲に均一の強度で掃引されるブロードキャストビームである。各ビーム信号Ｓは、基地局Ｂの複数のアンテナから送信される信号の組み合わせによって形成されている。基地局Ｂは、例えば、互いに異なる種別のビーム信号Ｓを順次送信することによって、領域Ｒにおいてビーム信号Ｓを掃引する。換言すれば、基地局Ｂは、連続するタイムスロットにおいて複数のビーム信号Ｓを種別ごとに順次送信することによって、領域Ｒに送信するビーム信号Ｓの掃引を実行する。基地局Ｂは、同時に送信される複数のビーム信号Ｓをそれぞれ掃引してもよい。
【0040】
ビーム信号Ｓの種別の情報は、例えば、複数のビーム信号Ｓをそれぞれ区別する符号である。ビーム信号Ｓの種別の情報は、例えば、基地局Ｂから各ビーム信号Ｓが送信される方位に関する情報を含んでいる。例えば、ビーム信号Ｓが送信される方位に関する情報は、互いに異なる方位に送信されるビーム信号Ｓを示す符号である。ビーム信号Ｓが送信される方位に関する情報は、ビーム信号Ｓが送信される方位自体であってもよいし、ビームフォーミングにおいて各アンテナから送信される信号に関する情報であってもよい。たとえば、ビーム信号Ｓの種別は、基地局Ｂからビーム信号Ｓが送信される方位である。ビーム信号Ｓの種別の情報は、ビーム信号Ｓの出力強度、ビーム信号Ｓの周波数、及び、ビーム信号Ｓが送信される距離を含んでいてもよい。出力強度は、例えば、出力電力である。
【0041】
本実施形態において、基地局Ｂから送信される複数のビーム信号Ｓの各々を行列の要素とする場合、領域Ｒの全体をカバーするのに必要なビーム信号Ｓの数は、以下の式（１）のように示される。この場合、行列の各要素は、各種別のビーム信号Ｓである。
【数1】
【0042】
“Ｎｂ”は、領域Ｒの全体をカバーするのに必要なビーム信号Ｓの数である。“ｎｂ
ｖ”は、垂直方向のビーム信号の数である。“ｎｂ
ｈ”は、水平方向のビーム信号の数である。この場合、基地局Ｂから送信される複数のビーム信号Ｓを示す行列Ｗは、以下の式（２）のように表される。
【数2】
【0043】
“Ｗ”は、ＵＰＡにおける送信機に対する離散フーリエ変換に基づくコードブックである。この“Ｗ”は、複数のビーム信号Ｓを形成するアナログビームフォーミングを適用する際に用いられる。この場合、端末Ｔにおける受信信号は、以下の式（３）のように表される。
【数3】
【0044】
“ｒｋ”は、領域Ｒ内に位置する複数の端末Ｔのうちｋ番目の端末Ｔによって受信される受信信号である。“ｗｋ，ｎ”は、ビームフォーミングにおいてｋ番目の端末Ｔに対するｎ番目のビーム信号のパラメータである。“Ｗｋ，ｎ”は、“Ｗ”に属する要素である。“Ｐ”は、送信電力である。“ｓ”は、送信信号である。“ｎｋ”は、“CN(0,σk
2)”に相当し、ｋ番目の端末Ｔにおいて平均がゼロであり分散がσk
2である場合の加算性白色ガウス雑音(ＡＷＧＮ:additive white Gaussian noise）である。“ｈｋ”は、基地局Ｂとｋ番目の端末Ｔとの間におけるチャンネルベクトルである。“ｈｋ”は、以下の式（４）及び（５）のように表される。
【数4】
【数5】
【0045】
“Ｌ”は、複数のパスの合計数である。“αｌ”は、ｌ番目のパスの複素パスゲインである。“ａ”は、ステアリングベクトルである。“αｌ”は、以下の式（６）によって表される。
【数6】
【0046】
“ａｌ“は、ｌ番目のパスの減衰である。“ｄｐ”は、パスの距離である。“λ”は、波長である。垂直軸及び水平軸のステアリングベクトルは、以下の式（７）及び（８）のように表される。
【数7】
【数8】
【0047】
本実施形態において、ＵＰＡシステムが適用されており、“ｄ”は、垂直方向及び水平方向の双方において連続するアンテナ間の距離である。ビーム信号Ｓの掃引の間、端末Ｔは、異なるビーム信号Ｓを受信し、各ビーム信号Ｓの受信強度情報を基地局Ｂに送信する。受信強度情報は、例えば、受信強度を示す電力の情報である。受信強度情報は、例えば、受信信号強度（ＲＳＳＩ：Received Signal Strength Indicator）である。例えば、端末Ｔは、ミリ波制御チャンネルによって、各ビーム信号Ｓの受信強度情報を基地局Ｂにフィードバックする。
【0048】
基地局Ｂは、各ビーム信号Ｓの受信強度情報を用いて、ビーム信号の品質を予測し、チャンネルを推定する。基地局Ｂは、さらに、各ビーム信号Ｓの受信強度情報を端末位置特定システム１に送信する。端末位置特定システム１は、基地局Ｂから受信した各ビーム信号Ｓの受信強度情報に基づいて、端末Ｔの位置情報を特定する。
【0049】
各端末Ｔから送信された受信強度情報は、例えば、データマップとして、基地局Ｂに格納される。例えば、基地局Ｂが、複数の端末Ｔのそれぞれに対応する複数のデータマップを作成する。「端末Ｔに対応するデータマップ」とは、端末Ｔにおける受信強度情報を示すデータマップを意味する。データマップは、端末Ｔごとに作成される。例えば、複数の端末Ｔが端末Ｔ１と端末Ｔ２とを含んでいる場合、端末Ｔ１に対応するデータマップと、端末Ｔ２に対応するデータマップとが作成される。本実施形態の変形例として、データマップは、端末Ｔ又は端末位置特定システム１において作成されてもよい。端末Ｔ１が第１移動端末である場合、端末Ｔ２は第２移動端末に相当する。
【0050】
データマップは、１つの端末Ｔにおいてビーム信号Ｓごとの受信強度情報を行列状に示している。データマップは、端末Ｔを有するユーザの位置のフィンガープリントに相当する。各データマップは、基地局Ｂから送信される複数のビーム信号Ｓの種別を示す種別の情報と、端末Ｔにおける複数のビーム信号Ｓの各々の受信強度情報とを含んでいる。種別情報は、例えば、上述した“Ｗｋ，ｎ”である。例えば、各データマップは、互いに種別が異なるビーム信号Ｓと受信強度情報とを対応付けている。各データマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報をビーム信号Ｓの種別ごとに示している。
【0051】
各データマップは、例えば、複数の要素を含んでいる行列である。各データマップの複数の要素は、互いに異なる種別のビーム信号Ｓの受信強度情報をそれぞれ示す。各データマップは、２次元画像を含んでいる。各データマップを示す画像は、例えば、行列の各要素の値を色相、彩度、及び、明度のいずれか又はそれらの組み合わせによって表される。この画像は、互いに異なるビーム信号Ｓの種別に対応する複数の画素を含んでいると共に、各画素おいて、画素に対応するビーム信号の受信強度情報を示す。
【0052】
例えば、ｋ番目の端末Ｔのデータマップにおける各要素は、“ｍｋ
（ｘ，ｙ）”として表される。例えば、“ｍｋ
（ｘ，ｙ）”は、ｋ番目の端末Ｔにおけるある種別のビーム信号ＳのＲＳＳＩを示す。“ｘ”は、ｘ∈０，・・・，Ｍｖを満たしている。“ｙ”は、ｙ∈０，・・・，Ｍｈを満たしている。換言すれば、“ｍｋ
（ｘ，ｙ）”は、例えば、基地局Ｂから送信される複数のビーム信号Ｓのうち、任意の１つのビーム信号ＳのＲＳＳＩを示す。任意の２つの端末Ｔにおけるデータマップをそれぞれ“Ｍｋ”及び“Ｍｌ”とした場合、以下の式（９）が成り立つ。
【数9】
【0053】
式（９）においては、“Ｍｋ”のみが示されているが、“Ｍｌ”も“Ｍｋ”と同様の構成を有している。“Ｍｋ”及び“Ｍｌ”は、正方行列である。“ｎｂ”は、式（１）に示した“Ｎｂ”の平方根である。本実施形態において、領域Ｒが４×４の範囲αに区分されており、“Ｎｂ”は１６である。この場合、データマップは、１６の要素によって構成される４×４の行列によって示される。領域Ｒが８×８の範囲αに区分される場合、“Ｎｂ”は６４である。この場合、データマップは、６４の要素によって構成される８×８の行列によって示される。
【0054】
端末位置特定システム１は、端末Ｔに対応するデータマップと位置推定モデルとに基づいて、端末Ｔの位置情報を特定する。本実施形態において、端末位置特定システム１は、複数の端末Ｔの各々に対応するデータマップに基づいて、端末Ｔの相対位置に関する相対位置情報を特定する。この場合、端末位置特定システム１は、複数の端末Ｔの各々に対応するデータマップの差分を示す差分情報を演算する。例えば、データマップ“Ｍｋ”及びデータマップ“Ｍｌ”の差分情報は、以下の式（１０）によって示される。
【数10】
【0055】
式（１０）は、以下の式（１１）ように表記され得る。
【数11】
【0056】
各データマップ及び差分情報は、例えば、図３（ａ）から図３（ｃ）に示されるように、画像Ｖによって示される。図３（ａ）から図３（ｃ）は、一例として、“Ｎｂ”が６４である場合の画像Ｖを示している。この場合、画像Ｖは、６４の画素ｅを含む８×８の画像である。各画像Ｖは、互いに異なるビーム信号Ｓの種別に対応する複数の画素ｅを含んでいると共に、各画素ｅおいて、画素ｅに対応する種別のビーム信号Ｓの受信強度情報を示す。例えば、図３（ａ）は、端末Ｔ１に対応するデータマップとして画像Ｖ１を示している。図３（ｂ）は、端末Ｔ２に対応するデータマップとして画像Ｖ２を示している。図３（ｃ）は、端末Ｔ１に対応するデータマップと端末Ｔ２に対応するデータマップと差分情報として画像Ｖ３を示している。画像Ｖ１，Ｖ２，Ｖ３の各々は、各画素ｅにおいて値の大きさをグレースケールで示している。画素ｅに対応する値が高いほど、当該画素ｅの明度が低い。
【0057】
画像Ｖ１及び画像Ｖ２は、各画素ｅにおいて受信強度に対応する値を受信強度情報として示している。例えば、画像Ｖ１及び画像Ｖ２が式（９）によって示される行列“Ｍｋ”に対応する場合、複数の画素ｅはそれぞれ行列“Ｍｋ”の要素“ｍｋ
（ｘ，ｙ）”の値を示している。画像Ｖ３は、各画素ｅにおいて、端末Ｔ１に対応するデータマップと端末Ｔ２に対応するデータマップとの差分の絶対値を示している。画像Ｖ３が式（１０）によって示される行列“Ｄｋ，ｌ”に対応する場合、複数の画素ｅはそれぞれ行列“Ｄｋ，ｌ”の要素“|ｍｋ
（ｘ，ｙ）－ｍｌ
（ｘ，ｙ）|”の値を示している。
【0058】
本実施形態において、端末位置特定システム１は、超解像技術によって、第１データマップの解像度を向上させる。第１データマップは、基地局Ｂ等から取得されたデータマップである。第１データマップは、基地局Ｂから送信される複数のビーム信号Ｓの種別ごとに端末Ｔにおける受信強度情報を示す。端末位置特定システム１は、超解像モデルを用いて第１データマップの超解像化を実行し、第１データマップの解像度を向上させる。超解像モデルは、第１データマップの入力に応じて第２データマップを出力する。第２データマップは、第１データマップよりも高い解像度を有するデータマップである。換言すれば、第２データマップの解像度は、第１データマップの解像度よりも高い。例えば、第１データマップは４×４の解像度を有する画像Ｖによって示され、第２データマップは８×８の解像度を有する画像Ｖによって示される。
【0059】
本実施形態において、端末位置特定システム１は、超解像モデルと位置推定モデルとに基づいて、端末Ｔの位置情報を特定する。端末位置特定システム１は、超解像モデルによって解像度が向上された第２データマップと位置推定モデルとに基づいて、端末Ｔの位置情報を特定する。本実施形態の変形例において、端末位置特定システム１は、データマップの超解像化を実行しない場合には、第２データマップを用いずに、基地局Ｂ等から取得された第１データマップと位置推定モデルとに基づいて、端末Ｔの位置情報を特定する。
【0060】
例えば、超解像モデル及び位置推定モデルは、機械学習によって学習された学習モデルである。本実施形態において、端末位置特定システム１は、機械学習によって超解像モデルを作成する学習フェーズと、機械学習によって位置推定モデルを作成する学習フェーズと、端末Ｔの位置情報を特定する推定フェーズとを実行する。端末位置特定システム１は、各学習フェーズにおいて作成された超解像モデル及び位置推定モデルに基づいて、推定フェーズを実行する。端末位置特定システム１は、推定フェーズにおいて取得された情報に基づいて、さらに学習フェーズを実行してもよい。
【0061】
機械学習とは、与えられた情報に基づいて反復的に学習することで法則又はルールを自律的に見つけ出す手法である。たとえば、端末位置特定システム１において行われる機械学習では、学習データセットを用いた学習によって、活性化関数、重み付け値等のモデルのパラメータが最適化される。これによって、超解像モデル及び位置推定モデルが作成される。
【0062】
端末位置特定システム１において行われる機械学習は、ディープラーニングである。この機械学習は、多層パーセプトロン（ＭＬＰ：Multilayer perceptron）によって構成される教師あり学習である。端末位置特定システム１は、ニューラルネットワークを含むように構成される機械学習を用いる。端末位置特定システム１おいて行われる機械学習は、教師あり学習に限定されない。端末位置特定システム１において行われる機械学習は、ランダムフォレスト、サポートベクトルマシン、ニューラルネットワーク（ＮＮ）、ディープニューラルネットワーク（ＤＮＮ）などを含むように構成されてもよい。ニューラルネットワークとは、人間の脳神経系の仕組みを模した情報処理モデルをいう。
【0063】
超解像モデルは、例えば、図４に示されているニューラルネットワークを有している。図４に示されている超解像モデルは、畳み込み層５１、サブピクセル畳み込み層５２、アップサンプリング層５３、畳み込み層５４、畳み込み層５５、平坦化層５６、デンス層５７、デンス層５８、デンス層５９、バッチ正規化層６０、及び、デンス層６１をこの順で含んでいる。
【0064】
例えば、第１データマップに相当する画像Ｖ４が、畳み込み層５１に入力される。画像Ｖ４は、４×４の解像度を有している。畳み込み層５１が有するフィルタの数は、４である。畳み込み層５４及び畳み込み層５５が有するフィルタの数は、それぞれ、４０である。畳み込み層５５からの出力は、平坦化層５６によって平坦化され、３つの連続したデンス層５７，５８，５９に入力される。デンス層５７，５８，５９のニューロンの数は、それぞれ、１２８，２５６，１２８である。以上の層のアクティベーションは、ＲｅＬＵ（Rectified Linear Unit）に設定されている。その後、バッチ正規化を適用するバッチ正規化層６０と、デンス層６１とが続く。デンス層６１のアクティベーションは、線形に設定されている。デンス層６１は、出力される画像Ｖ５の画素数と同一の数のフィルタを有している。画像Ｖ５は、第２データマップに相当し、８×８の解像度を有している。以上の様に、図４に示されている超解像モデルによれば、４×４の解像度を有する入力画像が、８×８の解像度に変換される。
【0065】
【0066】
“ｂ”はバッチを示し、“Ｓｂ”はバッチサイズを示し、“Ｘ（ｂ）”は学習用の第１データマップであり、“ｙ（ｂ）”は学習用の第２データマップであり、“ｙｉ
（ｂ）（Ｆ）”（ハットを省略）は超解像モデルθを用いた場合に構築される第２データマップである。
【0067】
位置推定モデルは、例えば、図５に示されているニューラルネットワークを有している。図５に示されている位置推定モデルは、上述した差分情報の“Ｄｋ，ｌ”の入力に応じて、複数の端末Ｔの間の相対距離を出力する。図５に示されている位置推定モデルは、畳み込み層７１、畳み込み層７２、畳み込み層７３、畳み込み層７４、最大プーリング層７５、デンス層７６、デンス層７７、デンス層７８、及び、デンス層７９をこの順で含んでいる。
【0068】
例えば、差分情報に相当する画像Ｖ３が、畳み込み層７１に入力される。画像Ｖ３は、８×８の解像度を有している。この位置推定モデルは、４つの畳み込み層７１，７２，７３，７４を含んでいる。畳み込み層７１，７２，７３，７４のフィルタサイズは、全て、３×３である。畳み込み層７１，７２，７３，７４が有するフィルタの数は、それぞれ、１２８、２５６、２５６、１２８である。最大プーリング層のサイズは、２×２である。最大プーリング層７５には、４つのデンス層７６，７７，７８，７９が続く。デンス層７６，７７，７８，７９のニューロンの数は、それぞれ、１２８，５１２，２５６，６４である。以上の層のアクティベーションは、ＲｅＬＵに設定されている。この位相推定モデルの最後の層８０は、単一のニューロンを持つデンス層であり、この層のアクティベーションは線形である。層８０は、入力された差分情報に対応する一対の端末Ｔの相対距離を出力する。一対の端末Ｔの相対距離は、各端末Ｔの所有者間の相対距離に相当する。
【0069】
図５に示されている位相推定モデルの学習において、実際の一対の端末Ｔ間の相対距離と、推定距離との間のＭＳＥが、位相推定モデルを最小化させるための損失関数として用いられた。実際の一対の端末Ｔ間の相対距離は、グラウンドトゥルースである。位相推定モデルの損失関数は、以下の式（１３）によって定義される。
【数13】
【0070】
“ｂ”はバッチを示し、“Ｓｂ”はバッチサイズを示し、“Ｘ（ｂ）”は差分情報Ｄｋ，ｌのデータマップであり、“ｙ（ｂ）”は実際の一対の端末Ｔ間の相対距離であり、“ｙｉ
（ｂ）（Ｆ）”（ハットを省略）は位置推定モデルＦを用いた場合に出力される推定される相対距離である。このように定義された位相推定モデルは、十分に機能しながら、可能な限り少ない層とパラメータを有するように構成されている。これよりも浅いニューラルネットワークでは、性能が顕著に低下する。性能は、例えば、推定される相対距離のＭＳＥである。より深いニューラルネットワークは、上述したアーキテクチャとあまり大きな違いが見られない。上記位相推定モデルの技術的な実装（Ｋｅｒａｓを使用）において、入力の形式を４×４又は８×８の解像度を有する情報などに特定することが求められる。このため、入力の形式が異なる場合には、異なるニューラルネットワークが構築される。本明細書においては、説明を容易にするため、ニューラルネットワークのこれらのインスタンスの全てを１つとして言及する。
【0071】
端末位置特定システム１は、推定フェーズにおいて動作する推定部１０と学習フェーズにおいて動作する学習部２０，３０とを備えている。学習部２０は、超解像モデルの学習を行う。学習部３０は、位置推定モデルの学習を行う。端末位置特定システム１は、推定部１０として、情報取得部１１と、格納部１２と、超解像部１３と、位置情報演算部１４と、出力部１５とを備えている。端末位置特定システム１は、学習部２０として、情報取得部１１と、格納部１２と、超解像モデル作成部２２とを備えている。端末位置特定システム１は、学習部３０として、情報取得部１１と、格納部１２と、超解像部１３と、位置推定モデル作成部３２とを備えている。本実施形態において、情報取得部１１と、格納部１２とは、推定部１０と学習部２０，３０との全てに含まれている。本実施形態において、超解像部１３は、推定部１０と学習部３０との双方に含まれている。
【0072】
本実施形態の変形例として、推定部１０と学習部２０と学習部３０とは互いに分離していてもよい。この場合、推定部１０と学習部２０と学習部３０とは、それぞれ異なる情報取得部１１、及び、格納部１２を備えていてもよい。推定部１０と学習部３０とは、それぞれ異なる超解像部１３を備えていてもよい。
【0073】
次に、推定フェーズにおける端末位置特定システム１の各機能部について、より詳細に説明する。推定フェーズにおいては、推定部１０が動作する。推定部１０は、情報取得部１１と、格納部１２と、超解像部１３と、位置情報演算部１４と、出力部１５とによって、端末Ｔの位置情報を特定し、出力する。推定部１０は、情報取得部１１によってデータマップを取得し、端末Ｔの位置情報を推定する。
【0074】
情報取得部１１は、端末位置特定システム１における各種の機能部及び端末位置特定システム１の外部から情報を取得する。情報取得部１１は、基地局Ｂ及び端末Ｔの少なくとも１つから情報を取得する。情報取得部１１は、データマップ取得部４１と、差分情報演算部４２とを含んでいる。
【0075】
データマップ取得部４１は、基地局Ｂから上述したデータマップを取得する。本実施形態の変形例において、データマップ取得部４１は、各端末Ｔからデータマップを取得してもよい。本実施形態のさらなる変形例として、データマップ取得部４１は、基地局Ｂから取得された情報と各端末Ｔから取得された情報とに基づいて、データマップを作成し、取得してもよい。
【0076】
データマップ取得部４１は、基地局Ｂ等から取得されたデータマップに基づいて、各端末Ｔに対応する端末データマップを取得する。端末データマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報をビーム信号Ｓの種別ごとに示している。「端末Ｔに対応する端末データマップ」とは、端末Ｔにおける受信強度情報を示す端末データマップを意味する。例えば、複数の端末Ｔが端末Ｔ１と端末Ｔ２とを含んでいる場合、データマップ取得部４１は、端末Ｔ１に対応する端末データマップと、端末Ｔ２に対応する端末データマップとを取得する。
【0077】
本実施形態において、端末データマップは、超解像技術によって、基地局Ｂ等から取得された第１データマップの解像度を向上した第２データマップに相当する。本実施形態の変形例として、第１データマップの超解像化が実行されない場合には、端末データマップは、基地局Ｂ等から取得された第１データマップ自体であってもよい。換言すれば、本実施形態の変形例において、端末位置特定システム１は、データマップの超解像化を実行せずに、基地局Ｂ等から取得されたデータマップを端末データマップとして取得してもよい。
【0078】
データマップ取得部４１は、端末データマップに関するマップ情報を取得する。マップ情報は、位置推定モデルに入力される情報である。位置推定モデルは、端末データマップに関するマップ情報の入力に応じて、端末Ｔの位置情報を出力する。本実施形態において、データマップ取得部４１は、複数の端末Ｔのそれぞれに対応する複数の端末データマップの差分を示す差分情報をマップ情報として取得する。
【0079】
差分情報演算部４２は、データマップ取得部４１において取得された複数の端末データマップ間の差分を演算する。例えば、差分情報演算部４２は、端末Ｔ１に対応する端末データマップと端末Ｔ２に対応する端末データマップとの差分を差分情報として演算する。差分情報演算部４２は、演算された差分情報をデータマップ取得部４１に出力する。
【0080】
例えば、図３（ａ）に示される画像Ｖ１が端末Ｔ１に対応する端末データマップに相当し、図３（ｂ）に示される画像Ｖ２が端末Ｔ２に対応する端末データマップに相当する。この場合、図３（ｃ）に示される画像Ｖ３は、端末Ｔ１に対応する端末データマップと端末Ｔ２に対応する端末データマップと差分情報である。本実施形態において、画像Ｖ３が、端末データマップに関するマップ情報に相当する。
【0081】
格納部１２は、情報取得部１１によって取得された各種情報を格納している。推定フェーズにおいて、格納部１２は、超解像モデルと、位置推定モデルとを格納している。格納部１２は、情報取得部１１によって取得されたデータマップ、端末データマップ、及び、マップ情報等を格納してもよい。超解像モデルは、超解像モデル作成部２２において作成される。位置推定モデルは、位置推定モデル作成部３２において作成される。
【0082】
超解像モデルは、上述したように、第１データマップの入力に応じて第１データマップ解像度よりも高い解像度を有する第２データマップを出力する。超解像モデルは、複数の学習用のデータマップグループを用いた学習によって作成される。各学習用のデータマップグループは、基地局Ｂから送信された複数のビーム信号の種別ごとに端末Ｔにおける受信強度情報を示す。各学習用のデータマップグループは、学習用の第１データマップと、学習用の第２データマップとを含んでいる。学習用の第１データマップと、学習用の第２データマップとは、互いに同一の位置に存在している端末Ｔにおける受信強度情報を示している。
【0083】
位置推定モデルは、マップ情報と端末Ｔの位置に関する位置情報とを関連付けている。本実施形態において、位置推定モデルは、差分情報と当該差分情報に対応する複数の端末Ｔの相対位置に関する相対位置情報とを関連付けている。位置推定モデルは、複数の学習用のマップ情報と各学習用のマップ情報に対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって作成される。位置推定モデルは、マップ情報である差分情報の入力に応じて、当該差分情報に対応する複数の端末Ｔの相違位置情報を出力するモデルを含んでいる。
【0084】
超解像部１３は、超解像技術によって、入力された情報に対して超解像化を実行する。超解像部１３は、格納部１２に格納されている超解像モデルを用いて、入力された情報の解像度を向上する。超解像部１３は、情報取得部１１において取得された各端末Ｔのデータマップを、当該データマップの解像度よりも高い解像度を有しているデータマップに変換する。例えば、超解像部１３は、上述した第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算する。端末データマップは、超解像部１３によって演算された第２データマップである。
【0085】
例えば、超解像部１３は、超解像モデルを用いて、入力されたデータマップの解像度を向上する。データマップ取得部４１は、超解像部１３によって演算されたデータマップを端末データマップとして取得する。差分情報演算部４２は、超解像部１３によって解像度が向上されたデータマップを用いて差分情報を演算する。例えば、超解像部１３が端末Ｔ１に対応するデータマップとして画像Ｖ１を出力し、及び端末Ｔ２に対応するデータマップとして画像Ｖ２を出力する。この場合、差分情報演算部４２は、例えば、超解像部１３によって演算された画像Ｖ１と超解像部によって演算された画像Ｖ２との差分情報として画像Ｖ３を演算する。
【0086】
位置情報演算部１４は、情報取得部１１によって取得されたマップ情報と位置推定モデルとに基づいて、位置情報を演算する。例えば、位置情報演算部１４は、画像Ｖ３と位置推定モデルとに基づいて、位置情報を演算する。本実施形態において、位置情報演算部１４は、相対位置演算部４５を含んでいる。相対位置演算部４５は、差分情報と位置推定モデルとに基づいて、相対位置情報を演算する。相対位置情報は、差分情報に対応する複数の端末Ｔの相対位置に関する。例えば、差分情報は、一対の端末Ｔのそれぞれに対応する一対の端末データマップの差分を示し、相対位置情報は、当該差分情報に対応する一対の端末Ｔの相対位置を含んでいる。例えば、相対位置演算部４５は、差分情報演算部４２によって演算された差分情報と位置推定モデルとに基づいて、相対位置情報を演算する。例えば、相対位置演算部４５は、画像Ｖ３と位置推定モデルとに基づいて、画像Ｖ１に対応する端末Ｔ１と、画像Ｖ２に対応する端末Ｔ２との相対距離を演算する。
【0087】
出力部１５は、位置情報演算部１４によって演算された位置情報を端末位置特定システム１の外部に出力する。例えば、出力部１５は、位置情報演算部１４によって演算された相対位置情報を端末位置特定システム１の外部に出力する。出力部１５は、例えば、位置情報演算部１４によって演算された位置情報を不図示のモニタに表示する。出力部１５は、位置情報演算部１４によって演算された位置情報を、通信ネットワークなどを介して、サーバ端末又は他の端末に出力してもよい。
【0088】
次に、学習フェーズにおける端末位置特定システム１の各機能部について、より詳細に説明する。学習フェーズにおいては、学習部２０，３０が動作する。学習部２０，３０の情報取得部１１は、基地局Ｂ、端末Ｔ、又は、それら以外の装置から通信ネットワーク等を介して学習データセットを取得する。情報取得部１１は、格納部１２から、予め格納されていた学習データセットを取得してもよい。
【0089】
学習部２０は、種々の情報を含む学習データセットを用いて学習された超解像モデルを作成する。学習部２０は、例えば、情報取得部１１と、格納部１２と、超解像モデル作成部２２とによって、超解像モデルを作成する。
【0090】
学習部２０が動作する場合、情報取得部１１は、超解像モデルの学習に用いられる学習データセットを取得する。格納部１２は、作成された超解像モデルを格納する。格納部１２は、情報取得部１１において取得された学習データセットを格納してもよい。超解像モデル作成部２２は、超解像モデルの学習に用いられる学習データセットを用いて、超解像モデルを作成する。超解像モデル作成部２２は、推定フェーズにおいて取得された情報に基づいて、超解像モデルを再作成、又は、更新してもよい。超解像モデル作成部２２は、学習フェーズの終了後に、端末位置特定システム１から除外されてもよい。
【0091】
本実施形態の変形例として、情報取得部１１の差分情報演算部４２は、情報取得部１１において取得された複数の学習用のデータマップの差分を示す学習用差分情報を演算してもよい。情報取得部１１において取得される学習データセットは、差分情報演算部４２において演算された学習用差分情報を含んでいてもよい。
【0092】
超解像モデルの学習に用いられる学習データセットは、例えば、複数の学習用のデータマップグループを含んでいる。各学習用のデータマップグループは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報をビーム信号Ｓの種別ごとに示す。各学習用のデータマップグループは、学習用の第１データマップと、学習用の第２データマップとを含んでいる。上述したように、各学習用のデータマップグループに含まれる学習用の第１データマップと学習用の第２データマップとは、互いに同一の位置に存在している端末Ｔにおける受信強度情報を示している。各学習用のデータマップグループにおいて、学習用の第２データマップの解像度は、学習用の第１データマップの解像度よりも高い。
【0093】
学習用の第１データマップ、及び、学習用の第２データマップは、例えば、第１データマップ、及び、第２データマップと同様に、画像を含んでいる。学習用の第１データマップは、例えば、推定フェーズにおいて超解像モデルに入力される第１データマップの解像度と同一の解像を有している画像を含んでいる。学習用の第２データマップは、例えば、推定フェーズにおいて超解像モデルから出力される第２データマップの解像度と同一の解像度を有している画像を含んでいる。本実施形態の変形例として、学習用の第１データマップ、及び、学習用の第２データマップは、画像でなく、複数の値を要素として格納している行列形式の情報であってもよい。
【0094】
学習部３０は、種々の情報を含む学習データセットを用いて学習された位置推定モデルを作成する。学習部３０は、例えば、情報取得部１１と、格納部１２と、超解像部１３と、位置推定モデル作成部３２とによって、位相推定モデルを作成する。
【0095】
学習部３０が動作する場合、情報取得部１１は、位置推定モデルの学習に用いられる学習データセットを取得する。格納部１２は、作成された位置推定モデルを格納する。格納部１２は、情報取得部１１において取得された学習データセットを格納してもよい。
【0096】
本実施形態において、超解像部１３は、情報取得部１１において取得された複数の学習用のデータマップに対して超解像化を実行する。情報取得部１１は、超解像部１３によって超解像化された複数の学習用のデータマップを取得する。情報取得部１１の差分情報演算部４２は、超解像部１３によって超解像化された複数の学習用のデータマップの差分を示す学習用差分情報を演算する。情報取得部１１において取得される学習データセットは、差分情報演算部４２において演算された学習用差分情報を含んでいる。
【0097】
位置推定モデル作成部３２は、位置推定モデルの学習に用いられる学習データセットを用いて、位置推定モデルを作成する。位置推定モデル作成部３２は、推定フェーズにおいて取得された情報に基づいて、位置推定モデルを再作成、又は、更新してもよい。位置推定モデル作成部３２は、学習フェーズの終了後に、端末位置特定システム１から除外されてもよい。
【0098】
位相推定モデルの学習に用いられる学習データセットは、例えば、複数の学習用のマップ情報と複数の学習用位置情報とを含んでいる。複数の学習用のマップ情報は、複数の学習用の端末データマップに関し、互いに異なる位置に存在する複数の端末Ｔに対応している。複数の学習用の端末データマップは、互いに異なる位置に存在する端末Ｔに対応している。本実施形態において、複数の学習用のマップ情報は、それぞれ、複数の学習用差分情報である。各学習用差分情報は、複数の端末Ｔのそれぞれに対応する複数の学習用の端末データマップの差分を示す。例えば、各学習用差分情報は、推定フェーズにおいて入力される差分情報と同様の構成を有している画像である。本実施形態の変形例として、各学習用差分情報は、画像でなく、複数の値を要素として格納している行列形式の情報であってもよい。
【0099】
複数の学習用位置情報は、複数の学習用のマップ情報にそれぞれ対応する複数の端末Ｔの位置に関する。各学習用位置情報は、学習用のマップ情報に対応する端末Ｔの位置に関する位置情報である。本実施形態において、各学習用位置情報は、各学習用差分情報に対応する複数の端末Ｔの相対位置に関する学習用相対位置情報である。
【0100】
次に、図６から図８を参照して、本実施形態における端末位置特定方法の一例について説明する。例えば、端末位置特定方法は、超解像モデル及び位置推定モデルの作成方法を含んでおり、超解像モデル及び位置推定モデルを作成する学習フェーズと作成された超解像モデル及び位置推定モデルを用いて端末Ｔの位置情報を特定する推定フェーズとを実行する。まず、図６を参照して、学習フェーズにおける超解像モデルの作成方法の一例について説明する。図６は、超解像モデルの作成方法の一例を示すフローチャートである。
【0101】
まず、情報取得部１１が複数の学習用のデータマップグループを取得する（処理Ｓ１）。処理Ｓ１において取得される複数の学習用のデータマップグループは、超解像モデルの学習に用いられる学習データセットに相当する。各学習用のデータマップグループは、学習用の第１データマップと、学習用の第２データマップとを含んでいる。学習用の第１データマップと、学習用の第２データマップとは、互いに同一の位置に存在している端末Ｔにおける受信強度情報を示す。
本実施形態の各学習用のデータマップグループにおいて、学習用の第１データマップは画像であり、学習用の第２データマップは学習用の第１データマップの解像度より高い解像度を有している画像である。
本実施形態の各学習用のデータマップグループにおいて、学習用の第１データマップは画像であり、学習用の第２データマップは学習用の第１データマップの解像度より高い解像度を有している画像である。
【0102】
次に、超解像モデル作成部２２が超解像モデルを作成する（処理Ｓ２）。超解像モデル作成部２２は、処理Ｓ１において取得された学習データセットを用いて、超解像モデルを作成する。処理Ｓ２において作成された超解像モデルは、第１データマップの入力に応じて、第１データマップの解像度よりも高い解像度を有している第２データマップを出力する。本実施形態において、第１データマップは画像であり、第２データマップは第１データマップの解像度より高い解像度を有している画像である。
【0103】
処理Ｓ２において作成された超解像モデルは、格納部１２に格納される。処理Ｓ２が終了すると、超解像モデルの作成方法の一連の処理が終了される。
【0104】
【0105】
まず、情報取得部１１が複数の学習用のデータマップを取得する（処理Ｓ１１）。処理Ｓ１１において取得される複数の学習用のデータマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報を、基地局Ｂから送信される複数のビーム信号Ｓの種別ごとに示している。本実施形態において、処理Ｓ１１において取得される複数の学習用のデータマップは、互いに異なる位置に端末Ｔが存在する場合における複数の学習用のデータマップを含んでいる。
【0106】
次に、情報取得部１１が複数の学習用位置情報を取得する（処理Ｓ１２）。処理Ｓ１２において取得される各学習用位置情報は、処理Ｓ１１において取得された各学習用のデータマップに対応する端末Ｔの位置に関する位置情報である。処理Ｓ１１と処理Ｓ１２とは、並行して実行されてもよい。本実施形態において、処理Ｓ１２において取得される各学習用位置情報は、互いに異なる一対の端末Ｔの相対位置に関する相対位置情報に相当する。
【0107】
次に、超解像部１３が処理Ｓ１１において取得された各学習用のデータマップに対して超解像化を実行する（処理Ｓ１３）。処理Ｓ１１において取得された各学習用のデータマップは第１データマップに相当し、処理Ｓ１３において超解像化された各学習用のデータマップは、第２データマップに相当する。処理Ｓ１３において、超解像化された各学習用のデータマップは、学習用の端末データマップに相当する。本実施形態において、処理Ｓ１３において取得される複数の学習用の端末データマップは、互いに異なる位置に端末Ｔが存在する場合における複数の学習用の端末データマップを含んでいる。
【0108】
次に、差分情報演算部４２が学習用差分情報を演算する（処理Ｓ１４）。処理Ｓ１４において、差分情報演算部４２は、処理Ｓ１３において取得された複数の学習用の端末データマップの差分を演算する。差分情報演算部４２は、互いに異なる位置に端末Ｔが存在する複数の学習用の端末データマップの差分を学習用差分情報として演算する。換言すれば、差分情報演算部４２は、複数の端末Ｔのそれぞれに対応する複数の学習用の端末データマップの差分を学習用差分情報として演算する。差分情報演算部４２は、互いに異なる学習用の端末データマップの組み合わせに基づいて、複数の学習用差分情報を演算する。
【0109】
本実施形態において、各学習用差分情報は、学習用のマップ情報に相当する。すなわち、処理Ｓ１４において、複数の学習用のマップ情報が取得される。複数の学習用のマップ情報は、互いに異なる位置に存在する複数の端末Ｔの受信強度情報を示している。各学習用のマップ情報は、画像Ｖ３と同様の構成を有する画像である。処理Ｓ１２において取得された複数の学習用位置情報と処理Ｓ１４において取得された複数の学習用のマップ情報とによって、位置推定モデルの学習に用いられる学習データセットが構成される。処理Ｓ１２において取得された複数の学習用位置情報は、複数の学習用のマップ情報にそれぞれ対応する複数の端末Ｔの位置に関する位置情報を含んでいる。
【0110】
次に、位置推定モデル作成部３２が位置推定モデルを作成する（処理Ｓ１５）。位置推定モデル作成部３２は、処理Ｓ１２及び処理Ｓ１４によって取得された学習データセットを用いて、位置推定モデルを作成する。位置推定モデル作成部３２は、処理Ｓ１２において取得された複数の学習用位置情報と処理Ｓ１４において取得された複数の学習用のマップ情報とを用いて、位置推定モデルを作成する。位置推定モデル作成部３２は、複数の学習用差分情報と各学習用差分情報に対応する複数の端末Ｔの相対位置に関する学習用相対位置情報とを用いた学習によって、位置推定モデルを作成する。
【0111】
処理Ｓ１５において作成された位置推定モデルは、マップ情報と端末Ｔの位置に関する位置情報とを関連付けている。本実施形態において、位置推定モデルは、差分情報と当該差分情報に対応する複数の端末Ｔの相対距離とを関連付けている。位置推定モデルは、差分情報の入力に応じて、当該差分情報に対応する複数の端末Ｔの相違位置情報を出力する。
【0112】
処理Ｓ１５において作成された位置推定モデルは、格納部１２に格納される。処理Ｓ１５が終了すると、位置推定モデルの作成方法の一連の処理が終了される。以上、位置推定モデルの作成方法の一例について説明したが、各処理の順序はこれに限定されない。たとえば、処理Ｓ１２は、処理Ｓ１５の前であればいつ実行されてもよい。処理Ｓ１１から処理Ｓ１４の代わりに、情報取得部１１が位置推定モデルの学習に用いられる学習データセットを端末位置特定システム１の外部から取得してもよい。位置推定モデルの学習に用いられる学習データセットは、予め格納部１２に格納されてもよい。
【0113】
【0114】
まず、データマップ取得部４１が複数のデータマップを取得する（処理Ｓ２１）。処理Ｓ２１において、データマップ取得部４１は、基地局Ｂから複数のデータマップを取得する。各データマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報をビーム信号Ｓの種別ごとに示している。処理Ｓ２１において、データマップ取得部４１は、複数の端末Ｔのそれぞれに対応する複数のデータマップを取得する。
【0115】
次に、超解像部１３が処理Ｓ２１において取得された各データマップに対して超解像化を実行する（処理Ｓ２２）。処理Ｓ２１において取得された各データマップは第１データマップに相当し、処理Ｓ２１において超解像化された各データマップは第２データマップに相当する。処理Ｓ２２において、超解像化された各データマップは、端末データマップに相当する。処理Ｓ２２において、超解像部１３は、複数の端末Ｔのそれぞれに対応する複数のデータマップに対して超解像化を実行し、複数の端末Ｔのそれぞれに対応する端末データマップを取得する。
【0116】
次に、差分情報演算部４２が差分情報を演算する（処理Ｓ２３）。処理Ｓ２３において、差分情報演算部４２は、処理Ｓ２２において取得された複数の端末データマップの差分を差分情報として演算する。差分情報演算部４２は、複数の端末Ｔのそれぞれに対応する複数の端末データマップの差分を差分情報として演算する。各差分情報は、マップ情報に相当する。マップ情報は、データマップ取得部４１に出力され、取得される。複数のマップ情報は、複数の端末Ｔの受信強度情報を示している。各マップ情報は、画像Ｖ３に相当する。
【0117】
次に、相対位置演算部４５が相対位置情報を演算する（処理Ｓ２４）。処理Ｓ２４において、相対位置演算部４５が、処理Ｓ２３において取得された複数のマップ情報と位置推定モデルとに基づいて、相対位置情報を演算する。相対位置情報は、差分情報に対応する複数の端末Ｔの相対位置に関する。位置推定モデルは、差分情報と複数の端末Ｔの相対位置に関する相対位置情報とを関連付けている。相対位置情報は、例えば、互いに異なる端末Ｔの相対距離を含んでいる。相対位置演算部４５は、例えば、画像Ｖ３と位置推定モデルとに基づいて、画像Ｖ１に対応する端末Ｔ１と、画像Ｖ２に対応する端末Ｔ２との相対距離を演算する。
【0118】
次に、出力部１５が、処理Ｓ２４において演算された相対位置情報を出力又は記憶する（処理Ｓ２５）。出力部１５は、例えば、演算された相対位置情報を端末位置特定システム１の外部に出力する。出力部１５は、例えば、処理Ｓ２４において演算された相対距離を端末Ｔに送信する。出力部１５は、例えば、演算された相対位置情報を格納部１２に格納する。処理Ｓ２５が終了すると、端末位置特定方法の一連の処理が終了される。
【0119】
次に、図９から図１１を参照して、本実施形態の変形例における端末位置特定システム及び端末位置特定方法について説明する。図９は、本実施形態の変形例における端末位置特定システムのブロック図である。本変形例は、概ね、上述した実施形態及び変形例と類似又は同じである。本変形例は、各端末Ｔの位置を特定した後に相対位置情報を特定する点において、上述した実施形態及び変形例と相違する。以下、上述した実施形態及び変形例と本変形例との相違点を主として説明する。
【0120】
図９に示されているように、端末位置特定システム１Ａは、推定フェーズにおいて動作する推定部１０Ａと学習フェーズにおいて動作する学習部２０Ａ，３０Ａとを備えている。学習部２０Ａは、超解像モデルの学習を行う。学習部３０Ａは、位置推定モデルの学習を行う。端末位置特定システム１Ａは、推定部１０Ａとして、情報取得部１１Ａと、格納部１２Ａと、超解像部１３Ａと、位置情報演算部１４Ａと、出力部１５Ａとを備えている。端末位置特定システム１Ａは、学習部２０Ａとして、情報取得部１１Ａと、格納部１２Ａと、超解像モデル作成部２２Ａとを備えている。端末位置特定システム１Ａは、学習部３０Ａとして、情報取得部１１Ａと、格納部１２Ａと、超解像部１３Ａと、位置推定モデル作成部３２Ａとを備えている。本変形例において、情報取得部１１Ａと、格納部１２Ａとは、推定部１０Ａと学習部２０Ａ，３０Ａとの全てに含まれている。本変形例において、超解像部１３Ａは、推定部１０Ａと学習部３０Ａとの双方に含まれている。
【0121】
本変形例のさらなる変形例として、推定部１０Ａと学習部２０Ａと学習部３０Ａとは互いに分離していてもよい。この場合、推定部１０Ａと学習部２０Ａと学習部３０Ａとは、それぞれ異なる情報取得部１１Ａ、及び、格納部１２Ａを備えていてもよい。推定部１０Ａと学習部３０Ａとは、それぞれ異なる超解像部１３Ａを備えていてもよい。
【0122】
次に、推定フェーズにおける端末位置特定システム１Ａの各機能部について、より詳細に説明する。推定フェーズにおいては、推定部１０Ａが動作する。推定部１０Ａは、情報取得部１１Ａと、格納部１２Ａと、超解像部１３と、位置情報演算部１４Ａと、出力部１５Ａとによって、端末Ｔの位置情報を特定し、出力する。推定部１０Ａは、情報取得部１１Ａによって端末データマップに関するマップ情報を取得し、端末Ｔの位置情報を推定する。
【0123】
情報取得部１１Ａは、端末位置特定システム１Ａにおける各種の機能部及び端末位置特定システム１の外部から情報を取得する。情報取得部１１Ａは、基地局Ｂ及び端末Ｔの少なくとも１つから情報を取得する。情報取得部１１Ａは、データマップ取得部４１Ａを含んでいる。
【0124】
データマップ取得部４１Ａは、基地局Ｂから上述したデータマップを取得する。本変形例のさらなる変形例において、データマップ取得部４１Ａは、各端末Ｔからデータマップを取得してもよい。さらなる変形例として、データマップ取得部４１Ａは、基地局Ｂから取得された情報と各端末Ｔから取得された情報とに基づいて、データマップを作成し、取得してもよい。
【0125】
データマップ取得部４１Ａは、基地局Ｂ等から取得されたデータマップに基づいて、各端末Ｔに対応する端末データマップを取得する。例えば、複数の端末Ｔが端末Ｔ１と端末Ｔ２とを含んでいる場合、データマップ取得部４１Ａは、端末Ｔ１に対応する端末データマップと、端末Ｔ２に対応する端末データマップとを取得する。
【0126】
データマップ取得部４１Ａは、端末データマップに関するマップ情報を取得する。本変形例において、データマップ取得部４１Ａは、端末データマップ自体をマップ情報として取得する。例えば、データマップ取得部４１Ａは、端末Ｔ１に対応する端末データマップと、端末Ｔ２に対応する端末データマップとの各々を、マップ情報として取得する。
【0127】
格納部１２Ａは、情報取得部１１Ａによって取得された各種情報を格納している。推定フェーズにおいて、格納部１２Ａは、超解像モデルと、位置推定モデルとを格納している。格納部１２Ａは、情報取得部１１Ａによって取得されたデータマップ、端末データマップ、及び、マップ情報等を格納してもよい。超解像モデルは、超解像モデル作成部２２Ａにおいて作成される。位置推定モデルは、位置推定モデル作成部３２Ａにおいて作成される。
【0128】
超解像モデルは、複数の学習用のデータマップグループを用いた学習によって作成される。複数の学習用のデータマップグループは、情報取得部１１Ａによって取得される。位置推定モデルは、マップ情報と端末Ｔの位置に関する位置情報とを関連付けている。本変形例において、位置推定モデルは、端末データマップと端末Ｔの位置に関する位置情報とを関連付けている。位置推定モデルは、複数の学習用のマップ情報と各学習用のマップ情報に対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって作成される。本変形例において、位置推定モデルは、複数の学習用の端末データマップと各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって作成される。位置推定モデルは、端末データマップの入力に応じて、当該端末データマップに対応する端末Ｔの位置情報を出力するモデルを含んでいる。
【0129】
超解像部１３Ａは、超解像技術によって、入力された情報に対して超解像化を実行する。超解像部１３Ａは、格納部１２Ａに格納されている超解像モデルを用いて、入力された情報の解像度を向上する。超解像部１３Ａは、情報取得部１１Ａにおいて取得された各端末Ｔのデータマップを、当該データマップの解像度よりも高い解像度を有しているデータマップに変換する。例えば、超解像部１３Ａは、第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算する。端末データマップは、超解像部１３Ａによって演算された第２データマップである。
【0130】
例えば、超解像部１３Ａは、超解像モデルを用いて、入力された画像の解像度を向上する。データマップ取得部４１Ａは、超解像部１３Ａによって演算されたデータマップを端末データマップとして取得する。
【0131】
位置情報演算部１４Ａは、情報取得部１１Ａによって取得されたマップ情報と位置推定モデルとに基づいて、位置情報を演算する。位置情報演算部１４Ａは、端末位置演算部９１Ａと、相対位置演算部９２Ａとを含んでいる。
【0132】
端末位置演算部９１Ａは、複数の端末Ｔのそれぞれに対応する端末データマップと位置推定モデルとに基づいて、複数の端末Ｔの位置情報を演算する。例えば、端末位置演算部９１Ａは、端末Ｔ１の端末データマップと位置推定モデルとに基づいて、端末Ｔ１の位置情報を演算する。端末位置演算部９１Ａは、端末Ｔ２の端末データマップと位置推定モデルとに基づいて、端末Ｔ２の位置情報を演算する。例えば、端末Ｔ１の端末データマップは画像Ｖ１に相当し、端末Ｔ２の端末データマップは画像Ｖ２に相当する。
【0133】
相対位置演算部９２Ａは、端末位置演算部９１Ａによって演算された複数の端末Ｔの位置情報に基づいて、複数の端末Ｔの相対位置に関する相対位置情報を演算する。例えば、相対位置演算部９２Ａは、端末位置演算部９１Ａによって演算された端末Ｔ１の位置情報と端末Ｔ２の位置情報とに基づいて、端末Ｔ１と端末Ｔ２との相対位置に関する相対位置情報を演算する。相対位置演算部９２Ａは、端末Ｔ１の位置情報と端末Ｔ２の位置情報とに基づいて、端末Ｔ１と端末Ｔ２との相対距離を演算する。
【0134】
出力部１５Ａは、位置情報演算部１４Ａによって演算された位置情報を端末位置特定システム１Ａの外部に出力する。出力部１５Ａは、端末位置演算部９１Ａによって演算された各端末Ｔの位置情報を外部に出力してもよい。出力部１５Ａは、端末位置演算部９１Ａによって演算された各端末Ｔの位置情報を格納部１２Ａに格納してもよい。出力部１５Ａは、相対位置演算部９２Ａによって演算された相対位置情報を端末位置特定システム１の外部に出力する。出力部１５Ａは、相対位置演算部９２Ａによって演算された各端末Ｔの相対位置情報を格納部１２Ａに格納してもよい。出力部１５Ａは、例えば、位置情報演算部１４Ａによって演算された位置情報を不図示のモニタに表示する。出力部１５Ａは、位置情報演算部１４Ａによって演算された位置情報を、通信ネットワークなどを介して、サーバ端末又は他の端末に出力してもよい。
【0135】
次に、学習フェーズにおける端末位置特定システム１Ａの各機能部について、より詳細に説明する。学習フェーズにおいては、学習部２０Ａ，３０Ａが動作する。学習部２０Ａ，３０Ａの情報取得部１１Ａは、基地局Ｂ、端末Ｔ、又は、それら以外の装置から通信ネットワーク等を介して学習データセットを取得する。情報取得部１１Ａは、格納部１２Ａから、予め格納されていた学習データセットを取得してもよい。
【0136】
学習部２０Ａは、種々の情報を含む学習データセットを用いて学習された超解像モデルを作成する。学習部２０Ａは、例えば、情報取得部１１Ａと、格納部１２Ａと、超解像モデル作成部２２Ａとによって、超解像モデルを作成する。
【0137】
学習部２０Ａが動作する場合、情報取得部１１Ａは、超解像モデルの学習に用いられる学習データセットを取得する。格納部１２Ａは、作成された超解像モデルを格納する。格納部１２Ａは、情報取得部１１Ａにおいて取得された学習データセットを格納してもよい。超解像モデル作成部２２Ａは、超解像モデルの学習に用いられる学習データセットを用いて、超解像モデルを作成する。超解像モデル作成部２２Ａは、推定フェーズにおいて取得された情報に基づいて、超解像モデルを再作成、又は、更新してもよい。超解像モデル作成部２２は、学習フェーズの終了後に、端末位置特定システム１Ａから除外されてもよい。
【0138】
学習部３０Ａは、種々の情報を含む学習データセットを用いて学習された位置推定モデルを作成する。学習部３０Ａは、例えば、情報取得部１１Ａと、格納部１２Ａと、超解像部１３Ａと、位置推定モデル作成部３２Ａとによって、位相推定モデルを作成する。
【0139】
学習部３０Ａが動作する場合、情報取得部１１Ａは、位置推定モデルの学習に用いられる学習データセットを取得する。格納部１２Ａは、作成された位置推定モデルを格納する。格納部１２Ａは、情報取得部１１Ａにおいて取得された学習データセットを格納してもよい。
【0140】
本変形例において、超解像部１３Ａは、情報取得部１１Ａにおいて取得された複数の学習用のデータマップに対して超解像化を実行する。情報取得部１１Ａは、超解像部１３Ａによって超解像化された複数の学習用のデータマップを取得する。位置推定モデル作成部３２Ａは、位置推定モデルの学習に用いられる学習データセットを用いて、位置推定モデルを作成する。位置推定モデル作成部３２Ａは、推定フェーズにおいて取得された情報に基づいて、位置推定モデルを再作成、又は、更新してもよい。位置推定モデル作成部３２Ａは、学習フェーズの終了後に、端末位置特定システム１Ａから除外されてもよい。
【0141】
位相推定モデルの学習に用いられる学習データセットは、複数の学習用のマップ情報と複数の学習用位置情報とを含んでいる。学習用のマップ情報は、学習用の端末データマップに相当する。本変形例において、位相推定モデルの学習に用いられる学習データセットは、複数の学習用の端末データマップと各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報とを含んでいる。複数の学習用のマップ情報は、複数の学習用の端末データマップに関し、互いに異なる位置に存在する複数の端末Ｔに対応している。各学習用のマップ情報は、画像である。本変形例のさらなる変形例として、各学習用のマップ情報は、画像でなく、複数の値を要素として格納している行列形式の情報であってもよい。複数の学習用位置情報は、複数の学習用のマップ情報にそれぞれ対応する複数の端末Ｔの位置に関する。各学習用位置情報は、学習用のマップ情報に対応する端末Ｔの位置に関する位置情報である。
【0142】
次に、図１０及び図１１を参照して、本変形例における端末位置特定方法の一例について説明する。例えば、端末位置特定方法は、超解像モデル及び位置推定モデルの作成方法を含んでおり、超解像モデル及び位置推定モデルを作成する学習フェーズと作成された超解像モデル及び位置推定モデルを用いて端末Ｔの位置情報を特定する推定フェーズとを実行する。本変形例の学習フェーズにおける超解像モデルの作成方法において、情報取得部１１Ａが処理Ｓ１を実行し、超解像モデル作成部２２Ａが処理Ｓ２を実行する。
【0143】
【0144】
まず、情報取得部１１Ａが複数の学習用のデータマップを取得する（処理Ｓ１１）。処理Ｓ１１において取得される複数の学習用のデータマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報を、基地局Ｂから送信される複数のビーム信号Ｓの種別ごとに示している。本変形例において、処理Ｓ１１において取得される複数の学習用のデータマップは、互いに異なる位置に端末Ｔが存在する場合における複数の学習用のデータマップを含んでいる。
【0145】
次に、情報取得部１１Ａが複数の学習用位置情報を取得する（処理Ｓ４１）。処理Ｓ４１において取得される各学習用位置情報は、処理Ｓ１１において取得された各学習用のデータマップに対応する端末Ｔの位置に関する位置情報である。処理Ｓ１１と処理Ｓ４１とは、並行して実行されてもよい。本変形例において、処理Ｓ４１において取得される各学習用位置情報は、互いに異なる一対の端末Ｔの各々の位置に相当する。
【0146】
次に、超解像部１３Ａが処理Ｓ１１において取得された各学習用のデータマップに対して超解像化を実行する（処理Ｓ１３）。処理Ｓ１１において取得された各学習用のデータマップは第１データマップに相当し、処理Ｓ１３において超解像化された各学習用のデータマップは、第２データマップに相当する。処理Ｓ１３において、超解像化された各学習用のデータマップは、学習用の端末データマップに相当する。
【0147】
本変形例において、処理Ｓ１３において取得される複数の学習用の端末データマップは、互いに異なる位置に端末Ｔが存在する場合における複数の学習用の端末データマップを含んでいる。本変形例において、各学習用の端末データマップは、学習用のマップ情報に相当する。すなわち、処理Ｓ１３において、複数の端末Ｔに対して複数の学習用のマップ情報がそれぞれ取得される。学習用のマップ情報は、画像Ｖ１と画像Ｖ２と同様の構成を有する画像である。処理Ｓ１３において取得された複数の学習用の端末データマップと、処理Ｓ４１において取得された学習用位置情報とによって、位置推定モデルの学習に用いられる学習データセットが構成される。学習データセットは、学習用の端末データマップと各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報とを含んでいる。処理Ｓ４１において取得された複数の学習用位置情報は、複数の学習用のマップ情報にそれぞれ対応する複数の端末Ｔの位置に関する位置情報を含んでいる。換言すれば、処理Ｓ４１において取得された学習用位置情報は、各学習用の端末データマップに対応する端末Ｔの位置に関する位置情報を含んでいる。
【0148】
次に、位置推定モデル作成部３２Ａが位置推定モデルを作成する（処理Ｓ４２）。位置推定モデル作成部３２Ａは、処理Ｓ１３及び処理Ｓ４１によって取得された学習データセットを用いて、位置推定モデルを作成する。位置推定モデル作成部３２Ａは、処理Ｓ４１において取得された複数の学習用位置情報と処理Ｓ１３において取得された複数の学習用の端末データマップとを用いて、位置推定モデルを作成する。
【0149】
処理Ｓ４２において作成された位置推定モデルは、端末データマップと端末Ｔの位置に関する位置情報とを関連付けている。位置推定モデル作成部３２Ａは、複数の学習用の端末データマップと各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって、位置推定モデルを作成する。本変形例において、位置推定モデルは、複数の端末データマップの入力に応じて当該端末データマップに対応する端末Ｔの位置情報を出力するモデルを位置推定モデルとして作成する。
【0150】
処理Ｓ４２において作成された位置推定モデルは、格納部１２Ａに格納される。処理Ｓ４２が終了すると、位置推定モデルの作成方法の一連の処理が終了される。以上、位置推定モデルの作成方法の一例について説明したが、各処理の順序はこれに限定されない。たとえば、処理Ｓ４１は、処理Ｓ４２の前であればいつ実行されてもよい。処理Ｓ１１、処理Ｓ４１、及び、処理Ｓ１３の代わりに、情報取得部１１Ａが位置推定モデルの学習に用いられる学習データセットを端末位置特定システム１Ａの外部から取得してもよい。位置推定モデルの学習に用いられる学習データセットは、予め格納部１２Ａに格納されてもよい。
【0151】
【0152】
まず、データマップ取得部４１Ａが複数のデータマップを取得する（処理Ｓ２１）。処理Ｓ２１において、データマップ取得部４１Ａは、基地局Ｂから複数のデータマップを取得する。各データマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報をビーム信号Ｓの種別ごとに示している。処理Ｓ２１において、データマップ取得部４１は、複数の端末Ｔのそれぞれに対応する複数のデータマップを取得する。
【0153】
次に、超解像部１３Ａが処理Ｓ２１において取得された各データマップに対して超解像化を実行する（処理Ｓ２２）。処理Ｓ２１において取得された各データマップは第１データマップに相当し、処理Ｓ２１において超解像化された各データマップは第２データマップに相当する。処理Ｓ２２において、超解像化された各データマップは、端末データマップに相当する。処理Ｓ２２において、超解像部１３は、複数の端末Ｔのそれぞれに対応する複数のデータマップに対して超解像化を実行し、複数の端末Ｔのそれぞれに対応する端末データマップを取得する。例えば、複数の端末Ｔのうち端末Ｔ１に対応する端末データマップと、複数の端末Ｔのうち端末Ｔ２に対応する端末データマップとの各々がマップ情報として取得される。各端末データマップは、マップ情報に相当する。マップ情報は、データマップ取得部４１に出力され、取得される。
【0154】
次に、端末位置演算部９１Ａが各端末Ｔの位置情報を演算する（処理Ｓ５１）。処理Ｓ５１において、端末位置演算部９１Ａは、各端末Ｔの端末データマップと位置推定モデルとに基づいて、端末Ｔの位置に関する位置情報を演算する。位置推定モデルは、端末データマップと移動通信端末の位置に関する位置情報とを関連付けている。端末位置演算部９１Ａは、端末Ｔ１の端末データマップと位置推定モデルとに基づいて、端末Ｔ１の位置に関する位置情報を演算する。端末位置演算部９１Ａは、端末Ｔ２の端末データマップと位置推定モデルとに基づいて、端末Ｔ２の位置に関する位置情報を演算する。
【0155】
次に、相対位置演算部９２Ａが相対位置情報を演算する（処理Ｓ５２）。処理Ｓ５２において、相対位置演算部９２Ａは、処理Ｓ５１において演算された複数の端末Ｔの位置情報に基づいて、複数の端末Ｔの間の相対位置に関する相対位置情報を演算する。相対位置演算部９２Ａは、処理Ｓ５１において演算された端末Ｔ１の位置情報と処理Ｓ５１において演算された端末Ｔ２の位置情報とに基づいて、端末Ｔ１と端末Ｔ２との相対位置に関する相対位置情報を演算する。相対位置演算部９２Ａは、処理Ｓ５１において演算された端末Ｔ１の位置情報と処理Ｓ５１において演算された端末Ｔ２の位置情報との差分を端末Ｔ１と端末Ｔ２との相対距離として演算する。
【0156】
次に、出力部１５Ａが、処理Ｓ５２において演算された相対位置情報を出力又は記憶する（処理Ｓ２５）。出力部１５Ａは、例えば、演算された相対位置情報を端末位置特定システム１Ａの外部に出力する。出力部１５Ａは、例えば、処理Ｓ５２において演算された相対距離を端末Ｔに送信する。出力部１５Ａは、例えば、演算された相対位置情報を格納部１２Ａに格納する。処理Ｓ２５が終了すると、端末位置特定方法の一連の処理が終了される。
【0157】
【0158】
端末位置特定システム１，１Ａは、プロセッサ１０１と、主記憶装置１０２と、補助記憶装置１０３と、通信装置１０４と、入力装置１０５と、出力装置１０６とを備えている。端末位置特定システム１，１Ａは、これらのハードウェアと、プログラム等のソフトウェアとにより構成された、１又は複数のコンピュータを含んでいる。情報取得部１１，１１Ａ、格納部１２，１２Ａ、超解像部１３，１３Ａ、位置情報演算部１４，１４Ａ、出力部１５，１５Ａ、超解像モデル作成部２２，２２Ａ、及び、位置推定モデル作成部３２，３２Ａのそれぞれは、１つのコンピュータによって構成されていてもよいし、複数のコンピュータによって構成されていてもよい。端末位置特定システム１，１Ａは、ハードウェアと協働して実現されている。
【0159】
端末位置特定システム１，１Ａが、複数のコンピュータによって構成される場合には、これらのコンピュータはローカルで接続されてもよいし、インターネット又はイントラネットなどの通信ネットワークを介して接続されてもよい。この接続によって、論理的に１つの端末位置特定システム１，１Ａが構築される。
【0160】
プロセッサ１０１は、オペレーティングシステム及びアプリケーション・プログラムなどを実行する。主記憶装置１０２は、ＲＯＭ（Read Only Memory)及びＲＡＭ（Random Access Memory）により構成される。例えば、端末位置特定システム１，１Ａの各種機能部の少なくとも一部は、プロセッサ１０１及び主記憶装置１０２によって実現され得る。
【0161】
補助記憶装置１０３は、ハードディスク及びフラッシュメモリなどにより構成される記憶媒体である。補助記憶装置１０３は、一般的に主記憶装置１０２よりも大量のデータを記憶する。例えば、格納部１２，１２Ａの少なくとも一部は、補助記憶装置１０３によって実現され得る。
【0162】
通信装置１０４は、ネットワークカード又は無線通信モジュールにより構成される。例えば、情報取得部１１，１１Ａの少なくとも一部は、通信装置１０４によって実現され得る。入力装置１０５は、キーボード、マウス、及び、タッチパネルなどにより構成される。例えば、情報取得部１１，１１Ａの少なくとも一部は、入力装置１０５によって実現され得る。出力装置１０６は、プリンタ、及び、ディスプレイなどにより構成される。例えば、出力部１５，１５Ａの少なくとも一部は、出力装置１０６によって実現され得る。
【0163】
補助記憶装置１０３は、予め、プログラム及び処理に必要なデータを格納している。このプログラムは、端末位置特定システム１の各機能要素をコンピュータに実行させる。このプログラムによって、例えば、端末位置特定方法における各処理がコンピュータにおいて実行される。このプログラムは、例えば、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に記録された上で提供されてもよい。このプログラムは、データ信号として通信ネットワークを介して提供されてもよい。
【0164】
次に、上述した実施形態における端末位置特定システム１，１Ａ、端末位置特定方法、及び、プログラムによる作用効果について説明する。
【0165】
位置情報演算部１４，１４Ａは、上記端末データマップに関するマップ情報と位置推定モデルとに基づいて、端末Ｔの位置情報を演算する。端末データマップは、端末Ｔにおけるビーム信号Ｓの受信強度に関する受信強度情報を前記ビーム信号Ｓの種別ごとに示している。本願発明者は、基地局Ｂから送信される複数のビーム信号Ｓと受信強度情報との組み合わせは、端末Ｔの位置情報に関係する情報を豊富に含んでいることを見出した。この端末位置特定システム１によれば、端末Ｔの位置の特定精度が容易に向上され得る。
【0166】
フィンガープリントと端末Ｔの位置との関係など各端末Ｔの位置情報を推定してから、推定された各端末Ｔの位置情報を用いて端末Ｔ間の相対位置情報を演算する場合には、各端末Ｔの位置情報の推定において生じる誤差が相対位置情報の演算に影響を及ぼす。
【0167】
端末位置特定システム１において、情報取得部１１は、差分情報をマップ情報として取得する。差分情報は、複数の端末Ｔのそれぞれ対応する複数の端末データマップの差分を示している。位置推定モデルは、差分情報と当該差分情報に対応する複数の端末Ｔの相対位置に関する相対位置情報とを関連付けている。位置情報演算部１４は、差分情報と位置推定モデルとに基づいて、相対位置情報を演算している。この場合、相対位置情報は、個々の端末Ｔの位置情報を求めることなく、複数の端末データマップの差分を示す差分情報と位置推定モデルとに基づいて演算される。このため、環境の変化によるロバスト性が向上し得る。したがって、端末Ｔ間の相対位置情報が容易かつ高精度に演算され得る。
【0168】
情報取得部１１は、データマップ取得部４１と、差分情報演算部４２とを含んでいる。データマップ取得部４１は、複数の端末Ｔのうち端末Ｔ１の端末データマップと、複数の端末Ｔのうち端末Ｔ２の端末データマップとを取得する。差分情報演算部４２は、端末Ｔ１の端末データマップと端末Ｔ２の端末データマップとの差分を上記差分情報として演算する。この場合、端末Ｔ１と端末Ｔ２との間の相対位置情報がより容易に演算され得る。
【0169】
情報取得部１１Ａは、データマップ取得部４１Ａを含んでいる。データマップ取得部４１Ａは、複数の端末Ｔのうち端末Ｔ１の端末データマップと、複数の端末Ｔのうち端末Ｔ２の端末データマップとの各々を、マップ情報として取得する。位置推定モデルは、端末データマップと端末Ｔの位置情報とを関連付けていている。位置情報演算部１４Ａは、端末位置演算部９１Ａと、相対位置演算部９２Ａとを含んでいる。端末位置演算部９１Ａは、端末Ｔ１の端末データマップと位置推定モデルとに基づいて、端末Ｔ１の位置情報を演算する。端末位置演算部９１Ａは、端末Ｔ２の端末データマップと位置推定モデルとに基づいて、端末Ｔ２の位置情報を演算する。相対位置演算部９２Ａは、端末位置演算部９１Ａによって演算された端末Ｔ１の位置情報と端末Ｔ２の位置情報とに基づいて、端末Ｔ１と端末Ｔ２との相対位置に関する相対位置情報を演算する。この場合、端末Ｔ１，Ｔ２間の相対位置情報が容易かつ高精度に演算され得る。
【0170】
端末位置特定システム１，１Ａは、超解像部１３，１３Ａをさらに備えている。超解像部１３，１３Ａは、基地局Ｂから送信される複数のビーム信号Ｓの種別ごとに端末Ｔにおける受信強度情報を示す第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算する。端末データマップは、超解像部１３，１３Ａによって演算された第２データマップである。基地局Ｂから送信される複数のビーム信号Ｓの種別が少なかったとしても、より多くの情報に基づいて端末Ｔの位置情報が演算され得る。端末Ｔの位置情報の特定において、ロバスト性が向上する。複数のビーム信号Ｓの種別ごとの受信強度情報の取得において、オーバーヘッドも削減され得る。したがって、端末Ｔ間の位置情報がより容易かつ高精度に演算され得る。
【0171】
ビーム信号Ｓの種別は、基地局Ｂからビーム信号Ｓが送信される方位を含んでいる。この場合、端末データマップは、互いに異なる方位に送信された複数のビーム信号Ｓの各々に対する受信強度情報を示している。このため、端末Ｔの位置情報の特定において、ロバスト性が向上する。したがって、端末Ｔ間の位置情報がより容易かつ高精度に演算され得る。
【0172】
端末データマップは、互いに異なるビーム信号Ｓの種別に対応する複数の画素ｅを含んでいる。端末データマップは、各画素ｅおいて、画素ｅに対応する種別のビーム信号Ｓの受信強度情報を示す画像Ｖを含んでいる。この場合、ビーム信号Ｓの種別ごとの受信強度情報が視覚的に識別され得る。位置推定モデルとして、画像に関するアーキテクチャを有するモデルが用いられ得る。
【0173】
位置推定モデルは、複数の学習用の端末データマップに関する複数の学習用のマップ情報と、各学習用のマップ情報に対応する端末Ｔの位置に関する学習用位置情報とを用いて学習され、かつ、マップ情報の入力に応じて位置情報を出力する、モデルを含んでいる。複数の学習用の端末データマップは、互いに異なる位置に存在する端末Ｔに対応している。この場合、マップ情報に含まれる豊富な情報が考慮され、端末Ｔの位置情報の特定において、演算負荷が抑制されながらロバスト性が確保され得る。したがって、端末Ｔ間の位置情報がより高精度に演算され得る。
【0174】
端末位置特定システム１，１Ａは、位置推定モデル作成部３２，３２Ａをさらに備えている。位置推定モデル作成部３２，３２Ａは、複数の学習用の端末データマップに関する複数の学習用のマップ情報と、各学習用のマップ情報に対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって、マップ情報の入力に応じて位置情報を出力するモデルを位置推定モデルとして作成している。複数の学習用の端末データマップは、互いに異なる位置に存在する端末Ｔに対応している。複数の学習用のマップ情報は、情報取得部１１，１１Ａによって取得された上記マップ情報を含んでいる。格納部１２，１２Ａは、位置推定モデル作成部３２，３２Ａによって作成された上記モデルを格納している。この場合、マップ情報に含まれる豊富な情報が考慮され、端末Ｔの位置情報の特定において、演算負荷が抑制されながらロバスト性が確保され得る。したがって、端末Ｔ間の位置情報がより高精度に演算され得る。
【0175】
端末位置特定方法は、複数の学習用差分情報を取得することと、学習用相対位置情報を取得することと、モデルを作成することとをさらに含んでいる。複数の学習用差分情報の各々は、複数の端末Ｔのそれぞれに対応する複数の学習用の端末データマップの差分を示している。学習用相対位置情報は、各学習用差分情報に対応する複数の端末Ｔの相対位置に関している。複数の学習用差分情報と各学習用差分情報に対応する複数の端末Ｔの相対位置に関する学習用相対位置情報とを用いた学習によって、複数の端末Ｔのそれぞれに対応する複数の端末データマップの差分を示す差分情報の入力に応じて、当該差分情報に対応する複数の端末Ｔの相違位置情報を出力するモデルが位置推定モデルとして作成される。この場合、各端末Ｔの位置自体を学習するのではなく、複数の端末Ｔの相対位置情報を学習する。このため、環境の変化によるロバスト性が向上し得る。したがって、端末Ｔ間の相対位置情報が容易かつ高精度に演算され得る。
【0176】
端末位置特定方法は、複数の端末Ｔに対して複数の学習用の端末データマップをそれぞれ取得することと、各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報を取得することと、複数の学習用の端末データマップと各学習用の端末データマップに対応する端末Ｔの位置に関する学習用位置情報とを用いた学習によって、端末データマップの入力に応じて当該端末データマップに対応する端末Ｔの位置情報を出力するモデルを位置推定モデルとして作成することと、をさらに含んでいる。この場合、端末Ｔ間の相対位置情報が容易かつ高精度に演算され得る。
【0177】
端末位置特定方法は、基地局Ｂから送信される複数のビーム信号Ｓの種別ごとに端末Ｔにおける受信強度情報を示す第１データマップに基づいて、超解像技術によって、第１データマップの解像度よりも高い解像度を有している第２データマップを演算すること、をさらに含んでいる。端末データマップは、演算された第２データマップである。この場合、基地局Ｂから送信される複数のビーム信号Ｓの種別が少なかったとしても、より多くの情報に基づいて端末Ｔの位置情報が演算され得る。学習フェーズにおいても、学習用のデータマップの情報が増加し得る。この結果、端末Ｔの位置情報の特定において、ロバスト性が向上する。複数のビーム信号Ｓの種別ごとの受信強度情報の取得において、オーバーヘッドも削減され得る。したがって、端末Ｔ間の位置情報がより容易かつ高精度に演算され得る。
【0178】
端末位置特定方法は、基地局Ｂから送信された複数のビーム信号Ｓの種別ごとに端末Ｔにおける受信強度情報を示す複数の学習用のデータマップグループを取得することと、複数の学習用のデータマップグループを用いた学習によって、第１データマップの入力に応じて第２データマップを出力する超解像モデルを作成することと、をさらに含んでいる。複数の学習用のデータマップグループの各々は、互いに同一の位置に存在している端末Ｔにおける受信強度情報を示す、学習用の第１データマップと学習用の第２データマップとを含んでいる。第２データマップの演算において、第１データマップと超解像モデルとに基づいて、第２データマップが演算されている。この場合、データマップの情報の増加を可能とする超解像モデルが作成され得る。この結果、端末Ｔ間の位置情報がより容易かつ高精度に演算され得る。
【0179】
次に、図１３及び図１４を参照して、上述した端末位置特定システム１，１Ａ及び処理Ｓ１から処理Ｓ５２による端末位置特定方法の検証の一例を説明する。以下、上述した端末位置特定システム１，１Ａを用いた端末位置特定方法、及び、処理Ｓ１から処理Ｓ５２による端末位置特定方法を「本提案手法」という。
【0180】
本検証の諸条件は以下の通りである。本検証において、基地局Ｂにおいてキャリア周波数は６０ＧＨｚであった。基地局Ｂの送信アンテナは、８×８で配列された。ビーム信号Ｓの数は、８×８及び４×４の２パターンであった。領域Ｒは、６０ｍ×３０ｍであった。端末Ｔから基地局Ｂまでの平均距離は、２４．２ｍであった。基地局Ｂの高さは、１０ｍであった。合計ダウンリンクパワーは、３０ｄＢｍであった。信号の干渉パワー比は、１０ｄＢであった。経路の数は、２５であった。反射ゲインは、－６ｄＢであった。雑音指数は、９．５ｄＢであった。超解像モデルと位置推定モデルとの実装には、ＫｅｒａｓとＴｅｎｓｏｒＦｌｏｗとが用いられた。ＴｅｎｓｏｒＦｌｏｗは、非標準レイヤ用であった。
【0181】
図１３は、超解像モデルの学習におけるＭＳＥに関して損失を示している。データＤ１は、超解像モデルの学習フェーズにおけるトレーニングセットの結果を示している。データＤ２は、超解像モデル学習フェーズにおけるバリデーションセットの結果を示している。１万のエポックに対して超解像モデルの学習を行った後でも、超解像モデルは依然として収束しており、過剰適合は観察されなかった。トレーニングロスとバリデーションロスとの双方が連続的に減少した。これは、超解像モデルの学習が行われるエポックが多いほど、パフォーマンスが向上することを示している。しかし、１万のエポックの学習が削減されても、超解像モデルの出力が我々の目的を十分達成するように収束すると判断された。この場合において、ロスは、トレーニングセットにおいて３．７×１０－４に達し、バリデーションセットにおいて３．８×１０－４に達した。
【0182】
次に、超解像モデルを用いることによる有効性を検証するために、超解像技術を用いた場合と用いない場合との間において相対距離の推定の結果を比較した。図１４は、種々の方法における相対距離の距離誤差のＣＤＦ（cumulative distribution function）の結果を示している。データＤ３は、８×８の解像度を有する画像と位置推定モデルとを用いた場合の相対距離の距離誤差のＣＤＦを示している。データＤ４は、ＴｏＡ及びＡｏＡによる従来の方法による位置検出による相対距離の距離誤差のＣＤＦを示している。データＤ５は、４×４の解像度を有する画像と位置推定モデルとを用いた場合の相対距離の距離誤差のＣＤＦを示している。データＤ６は、４×４の解像度を有する画像を超解像モデルによって８×８の解像度に向上した画像と位置推定モデルとに用いた場合の相対距離の距離誤差のＣＤＦを示している。
【0183】
位置推定モデルを用いた場合のデータＤ３，Ｄ５，Ｄ６のＣＤＦは、従来の方法によるデータＤ４のＣＤＦを明らかに上回った。比較的解像度が低い４×４の解像度を有する画像と位置推定モデルとを用いた場合のデータＤ５のＣＤＦも、従来の方法によるデータＤ４のＣＤＦを明らかに上回った。換言すれば、比較的にビーム信号Ｓの幅が広い場合のデータマップが用いられた場合であっても、従来の方法を用いた場合よりも優れた結果が得られた。これは、フィンガープリントをマッピングする従来の方法と異なり、位置推定モデルを用いた場合にはユーザの位置に関係なく端末Ｔ間の相対距離を特定するように学習するためである。
【0184】
位置推定モデルを用いた推定は不確実性を含んでおり、各端末Ｔの位置を測定する場合において、端末Ｔ間の推定に位置推定モデルが複数回使用されると推定の誤差が増加する。
【0185】
トレーニングセットにおいてＮ人のユーザのセットが与えられる場合を検討する。従来の方法は、Ｎ個のインスタンスによって、正確にトレーニングを行う。この場合、正確なトレーニングのために多数のユーザが必要とされる。位置推定モデルを用いる場合には、Ｎ人のユーザに対して、合計でＮ・（Ｎ－１）／２個のインスタンスを学習のために生成する。位置推定モデルを効率的に学習するためには、より少ないユーザに対するデータを作成するシミレーションツールが求められる。
【0186】
図１４に示されているように、データＤ５の検出精度よりもデータＤ３の検出精度の方が高い。換言すれば、用いられる画像の解像度が高いほど、相対距離の推定の正確度は高い。換言すれば、ビーム信号Ｓの幅が狭いほど、相対距離の推定の正確度は高い。また、データＤ５の検出精度よりもデータＤ４の検出精度の方が高い。したがって、超解像技術が用いられる場合に検出精度が著しく向上することが確認された。このように、超解像技術は、画像品質の改善だけでなく、相対距離の推定においても有効である。
【0187】
また、位置推定モデルが用いられる場合、基地局Ｂの位置の変更に起因するパフォーマンスの低下が少ない。これは、位置推定モデルを用いた相対距離の推定のパフォーマンスは、各位置の実施のフィンガープリントでなく、端末Ｔごとの差異に依存するためである。
【0188】
以上、本発明の実施形態及び変形例について説明してきたが、本発明は必ずしも上述した実施形態及び変形例に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。
【0189】
例えば、本実施形態及び変形例において、端末位置特定システム１と、基地局Ｂ及び端末Ｔとは互いに独立したシステムとして説明した。しかし、端末位置特定システム１は、基地局Ｂ及び端末Ｔの少なくとも１つを含んでいてもよい。端末位置特定システム１は、基地局Ｂ又は端末Ｔに含まれていてもよい。
【0190】
基地局Ｂと端末Ｔとの通信には、ＭＩＭＯに限らず、ＳＩＭＯ（single-input and multiple-output）又はＭＩＳＯ（multiple-inputand single-output）が用いられてもよい。基地局Ｂと端末Ｔとの通信には、これら以外の複数種の通信技術が用いられてもよい。
【0191】
基地局Ｂと端末Ｔとの通信システムは、５Ｇに限らず、６Ｇなどの次世代システム又はその他の適切なシステムであってもよい。基地局Ｂと端末Ｔとの通信システムは、複数種のシステムが組み合わされたシステムであってもよい。
【0192】
基地局Ｂから送信されるビーム信号は、ミリ波に限定されない。ビーム信号は、例えば、ミリ波よりも高い周波数を有する信号であってもよい。基地局Ｂから送信されるビーム信号は、複数の周波数が組み合わされた信号又は周波数が時間と共に変化するチャープ信号であってもよい。
【0193】
端末位置特定システム１は、超解像モデルを用いなくてもよい。この場合、端末位置特定システム１は、位置推定モデルとデータマップとに基づいて、端末Ｔの位置情報を特定する。
【0194】
端末位置特定システム１は、学習フェーズを行うことなく、推定フェーズのみを行ってもよい。この場合、端末位置特定システム１は、推定部１０のみから構成されていてもよい。端末位置特定システム１は、位置推定モデル及び超解像モデルの少なくとも１つの学習モデルを端末位置特定システム１の外部から取得し、端末位置特定システム１の外部から取得された学習モデルに基づいて端末Ｔの位置情報を特定してもよい。
【0195】
端末位置特定システム１は、位置推定モデル及び超解像モデルの少なくとも１つの学習モデルを端末位置特定システム１の外部から取得し、端末位置特定システム１の外部から取得された学習モデルに基づいて端末Ｔの位置情報を特定してもよい。
【0196】
端末位置特定システム１は、推定フェーズにおいて、端末位置特定システム１の外部から上記学習モデルを取得してもよいし、予め格納部１２に上記学習モデルを格納していてもよい。これらの場合、端末位置特定システム１は、第１学習セット取得部２１及び超解像モデル作成部２２と、第２学習セット取得部３１及び位置推定モデル作成部３２との少なくとも一方を備えなくてもよい。
【0197】
端末位置特定システム１は、推定フェーズを行うことなく、学習フェーズのみを行ってもよい。この場合、端末位置特定システム１は、学習部２０及び学習部３０の少なくとも１つのみから構成された学習システムであってもよい。
【0198】
超解像モデル及び位置推定モデルは、機械学習による学習モデルに限定されない。
【符号の説明】
【0199】
１，１Ａ…端末位置特定システム、１１，１１Ａ…情報取得部、１２，１２Ａ…格納部、１３，１３Ａ…超解像部、１４，１４Ａ…位置情報演算部、４１，４１Ａ…データマップ取得部、４２…差分情報演算部、９１Ａ…端末位置演算部、Ｂ…基地局、Ｓ…ビーム信号、Ｄｋ，ｌ…差分情報、ｅ…画素、Ｖ，Ｖ１，Ｖ２，Ｖ３…画像。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】