特開2023-90610３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法
(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】P2023090610
(43)【公開日】2023-06-29
(54)【発明の名称】３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法
(51)【国際特許分類】
G01S 5/02 20100101AFI20230622BHJP
G01C 21/28 20060101ALI20230622BHJP
【ＦＩ】
G01S5/02 Z
G01C21/28
【審査請求】有
【請求項の数】10
【出願形態】ＯＬ
【外国語出願】
(21)【出願番号】P 2022077904
(22)【出願日】2022-05-11
(31)【優先権主張番号】202111550033.X
(32)【優先日】2021-12-17
(33)【優先権主張国・地域又は機関】CN
(71)【出願人】
【識別番号】518371489
【氏名又は名称】南京郵電大学
【氏名又は名称原語表記】ＮＡＮＪＩＮＧ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＰＯＳＴＳ ＡＮＤ ＴＥＬＥＣＯＭＭＵＮＩＣＡＴＩＯＮＳ
【住所又は居所原語表記】Ｎｏ．６６ Ｘｉｎ Ｍｏｆａｎ Ｒｏａｄ， Ｇｕｌｏｕ Ｎａｎｊｉｎｇ， Ｊｉａｎｇｓｕ ２１０００３ Ｃｈｉｎａ
(74)【代理人】
【識別番号】100095407
【弁理士】
【氏名又は名称】木村 満
(74)【代理人】
【識別番号】100132883
【弁理士】
【氏名又は名称】森川 泰司
(74)【代理人】
【識別番号】100148633
【弁理士】
【氏名又は名称】桜田 圭
(74)【代理人】
【識別番号】100147924
【弁理士】
【氏名又は名称】美恵 英樹
(72)【発明者】
【氏名】張 暉
(72)【発明者】
【氏名】王 志坤
【テーマコード（参考）】
2F129
5J062
【Ｆターム（参考）】
2F129AA02
2F129BB08
2F129BB11
2F129BB33
2F129BB63
2F129BB66
2F129FF11
2F129FF17
2F129GG17
2F129HH24
5J062AA09
5J062BB05
5J062CC18
5J062DD23
5J062FF01
5J062FF02
(57)【要約】 （修正有）
【課題】３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法を提供する。
【解決手段】５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、次に、ＲＳＳデータ処理後、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、最終的な測位結果を得る。
【効果】マルチ５Ｇ基地局ＲＳＳ－距離モデル及び多角度視覚収集データを採用して屋内環境をより良く特徴づけ、マルチ５Ｇ基地局ＲＳＳ－距離回帰モデル及び３重視覚照合モデルを採用して融合測位を実現し、単一測位方法による単一指紋照合の精度が不足する問題を改良し、非常に広い応用シーンがある。
【選択図】図１
【解決手段】５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、次に、ＲＳＳデータ処理後、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、最終的な測位結果を得る。
【効果】マルチ５Ｇ基地局ＲＳＳ－距離モデル及び多角度視覚収集データを採用して屋内環境をより良く特徴づけ、マルチ５Ｇ基地局ＲＳＳ－距離回帰モデル及び３重視覚照合モデルを採用して融合測位を実現し、単一測位方法による単一指紋照合の精度が不足する問題を改良し、非常に広い応用シーンがある。
【選択図】図１
【特許請求の範囲】
【請求項1】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、以下のステップを含むことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度ＲＳＳデータ、モバイル機器の位置およびモバイル機器が存在する位置の複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度ＲＳＳデータ、モバイル機器の位置およびモバイル機器が存在する位置の複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
【請求項2】
請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、モバイル機器が存在する位置の東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
前記ステップ（１）において、５Ｇ基地局は、モバイル機器が存在する位置の東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【請求項3】
請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
前記ステップ（１）において、５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【請求項4】
請求項３に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
【請求項5】
請求項４に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示し、
ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ２番目のデータを示し、
が閾値フィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ３は、
に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ３番目のデータを示し、
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
【数1】
【数2】
ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準点に対するＲＳＳベクトルは、次のように変化し、
【数3】
【数4】
【数5】
【数6】
【数7】
【数8】
【数9】
【数10】
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
【数11】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【請求項6】
請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（３．１）ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、画像ごとの識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
ここで、ｃｑは、ｑ識別物を示し、ｑ＝１，２，．．．，Ｑ１、Ｑ１は、識別物の数を示す。
（３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝。
であれば、ステップ（３．３）を実行し、｜・｜は、集合の要素数を示し、そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
（３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
中の２つの識別物を示し、Ｇ（・）は、０－１変換関数である。
（３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
（３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
（３．６）（３．５）で得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（３．１）ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、画像ごとの識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
【数12】
（３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
【数13】
【数14】
【数15】
【数16】
（３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
【数17】
【数18】
【数19】
【数20】
（３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す。
【数21】
【数22】
【数23】
（３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
【数24】
【数25】
【請求項7】
請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
であることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【数26】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【請求項8】
請求項１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（４．１）ｔテストポイントのＲＳＳベクトル
ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
（４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
（４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
ここで、ｄ１、ｄ２、ｄ３は、それぞれｔチェックポイントからｍ１、ｍ２、ｍ３基地局までの距離を示し、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示し、（ｘｔ１，ｙｔ１）は、ｔテストポイントの多辺測位結果を示す。
前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（４．１）ｔテストポイントのＲＳＳベクトル
ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
（４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
（４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
【数27】
【請求項9】
請求項８に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【請求項10】
請求項７に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、ｔテストポイントの最終測位結果を得ることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、
であれば、多辺測位結果の重み
、
かつ０＜｜Ｄ２｜＜３であれば、
、
かつ｜Ｄ２｜＝０であれば、
、
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
、
。
多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、ｔテストポイントの最終測位結果を得ることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、
【数28】
【数29】
【数30】
【数31】
【数32】
【数33】
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
【数34】
【数35】
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、屋内測位分野と機器視覚分野に属し、具体的には３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法に関する。
【背景技術】
【0002】
近年、車列ナビゲーション、災害救援などの位置サービス産業の発展に伴い、高精度の測位は、無線測位技術の人気研究方向になっている。当初は、屋外シーンに重点を置き、グローバルナビゲーションサテライトシステム（Ｇｌｏｂａｌ Ｎａｖｉｇａｔｉｏｎ Ｓａｔｅｌｌｉｔｅ Ｓｙｓｔｅｍ、ＧＮＳＳ）を主導とした屋外測位を実現していたが、建物の遮蔽により、ＧＮＳＳ信号は、屋内の正確な測位に応用できない。近年の調査統計によると、人々が８０％－９０％の時間に屋内にいることから、屋内測位の研究がますます注目されている。さらに工場の企業規模が拡大するにつれ、従業員の安全に対する予防が難しくなっているため、従業員を特定のエリア内で正確に屋内測位することが求められている。以上は、いずれも屋内環境の正確な定位が定位の研究焦点になっていることを示し、その研究成果は、極めて大きな経済効果をもたらすだけでなく、他の分野と結合して革新を行うことができる。
【0003】
現在の屋内測位方法には、近接探査法、質量心測位法、多辺測位法、三角測位法、極点法、指紋測位法、航位推算法などの技術があるが、これらの方法には、多かれ少なかれ欠点がある。例えば近接探査法は、簡単で実現しやすいが、大まかな測位情報しか提供できない。質量心測位法は、高精度測位を実現するには、密集した基地局の配置が必要で、莫大な経済的代償をもたらす。総合的に考えると、屋内測位は、一般的に多辺測位法と指紋測位法を採用し、この２つの測位方式は、いずれも良好な測位精度を得ることができる。そのうち、多辺測位法の原理は、受信した信号強度により、信号の減衰モデルを利用して距離を計算し、距離に基づいて線形連立方程式を立てて測位位置を求める。指紋測位法に基づく屋内測位は、オフライン指紋ライブラリの照合またはマッピング方法である。たとえば、ＲＳＳにより分類アルゴリズムを用いてオフライン指紋ライブラリ中の基準ポイントを照合し、基準ポイントの位置を重み付けして測位位置を求める。あるいは、ＲＳＳにより回帰アルゴリズムを用いてマッピング関係を構築して測位位置を取得する。多辺測位法は、複雑な屋内環境及び基地局の配置位置の影響を受け、１種類の減衰モデルを用いてＲＳＳ－距離関係を表現することは、測位精度を低下させる。また、ＲＳＳデータを用いた指紋測位も、ＲＳＳ信号の変動により測位精度が悪くなる。
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明は、マルチ５Ｇ基地局モデル学習及び３重視覚照合の両方から出発し、３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法を提案し、マルチ５Ｇ基地局モデル学習を用いて各５Ｇ基地局のＲＳＳ－距離モデルおよび多角度視覚収集データを取得して屋内環境をより良く特徴付ける一方、マルチ５Ｇ基地局ＲＳＳ－距離モデルと３重視覚照合技術を用いて、より高精度な屋内測位を実現する。
【課題を解決するための手段】
【0005】
本発明が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法において、まず５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、次に、ＲＳＳデータ処理後、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、より正確な位置予測をモバイル機器に送信する。
【0006】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法は、以下のステップを含む。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ、ＲＳＳ）データ（５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得する）、モバイル機器の位置およびモバイル機器が存在する位置の８の方向（東、西、南、北、南東、北東、南西、北西）に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度（Ｒｅｃｅｉｖｅｄ Ｓｉｇｎａｌ Ｓｔｒｅｎｇｔｈ、ＲＳＳ）データ（５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得する）、モバイル機器の位置およびモバイル機器が存在する位置の８の方向（東、西、南、北、南東、北東、南西、北西）に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
【0007】
さらに、前記ステップ（２）の実現過程は、以下のとおりである。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
【0008】
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示す。
ＲＳＳｍ，ｒがガウスフィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ２番目のデータを示す。
が閾値フィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ３は、
に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ３番目のデータを示す。
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、ｍ基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示される。
ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
【数1】
【数2】
ＲＳＳｍ，ｒがガウスフィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
【数3】
【数4】
【数5】
【数6】
【数7】
【数8】
【数9】
【数10】
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、ｍ基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示される。
【数11】
【0009】
さらに、前記ステップ（３）の実現過程は、以下のとおりである。
３重視覚照合モデルに対して、まず、ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出する。ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
ここで、θは、ｔテストポイントにおける画像撮影の角度を示す。ｃｑは、ｑ（ｑ＝１，２，．．．，Ｑ１）識別物を示す。また、ＹＯＬＯ目標検出システムは、各識別物が存在する識別領域も取得することができる。
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合（第１の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝。
で、｜・｜は、集合の要素数を示し、のちのフローを行う。そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合（第２の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
中の２つの識別物を示し、Ｇ（・）は、０－１変換関数であり、以下のように示される。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合（第３の視覚照合）を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
３重視覚照合のデータと結合して照合し、まずｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を計算し、以下に示す。
得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
３重視覚照合モデルに対して、まず、ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出する。ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
【数12】
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合（第１の視覚照合）を行い、次のように示す。
【数13】
【数14】
【数15】
【数16】
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合（第２の視覚照合）を行い、次のように示す。
【数17】
【数18】
【数19】
【数20】
【数21】
【数22】
【数23】
【数24】
３重視覚照合のデータと結合して照合し、まずｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を計算し、以下に示す。
【数25】
【数26】
【0010】
さらに、前記ステップ（４）の実現過程は、以下のとおりである。
ｔテストポイントのＲＳＳベクトルＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］の各要素を判断し、閾値α１より小さい要素を廃棄し、ｔテストポイントの測位に用いない。
テストポイントのＲＳＳベクトルの残った要素のうち、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選出する。ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
多辺測位の具体式は、以下であり、
ここで、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１は、それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示す。
その後、
、
に基づいて、多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、最終的な測位結果を得る。
であれば、多辺測位結果の重みは、以下のように示される。
かつ０＜｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
かつ
｜Ｄ２｜＝０であれば、多辺測位結果の重みは、以下のように示される。
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
ｗ＝０
最終的な測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、α１＜α２、α１は、信号が悪い上限を示し、α２は、信号の良好な下限を示す。２つの閾値は、機器によって異なる。本発明では、
、
。
ｔテストポイントのＲＳＳベクトルＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］の各要素を判断し、閾値α１より小さい要素を廃棄し、ｔテストポイントの測位に用いない。
テストポイントのＲＳＳベクトルの残った要素のうち、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選出する。ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
多辺測位の具体式は、以下であり、
【数27】
その後、
【数28】
【数29】
【数30】
【数31】
【数32】
【数33】
【数34】
｜Ｄ２｜＝０であれば、多辺測位結果の重みは、以下のように示される。
【数35】
ｗ＝０
最終的な測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、α１＜α２、α１は、信号が悪い上限を示し、α２は、信号の良好な下限を示す。２つの閾値は、機器によって異なる。本発明では、
【数36】
【数37】
【発明の効果】
【0011】
本発明は、マルチ５Ｇ基地局ＲＳＳ－距離モデル及び多角度視覚収集データを採用して屋内環境をより良く特徴づけることができ、またマルチ５Ｇ基地局ＲＳＳ－距離モデル及び３重視覚照合モデルを採用して融合測位を実現し、単一測位方法による単一指紋照合の精度が不足する問題を改良し、非常に広い応用シーンがある。
【図面の簡単な説明】
【0012】
【発明を実施するための形態】
【0013】
以下、本発明の技術手段について、図面を参照して詳細に説明する。
【0014】
本発明は、３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法を提供する。図１に示すように、本発明が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法において、まず５Ｇ基地局が屋内の異なる基準ポイントの多角度画像、ＲＳＳおよび位置情報を収集し、収集した画像と基準ポイントの位置データをクラウドにアップロードし、各５Ｇ基地局がローカルサーバーでＲＳＳ－距離の回帰モデルを学習し、クラウドで多角度画像および基準ポイント位置を利用して画像－位置指紋ライブラリを構築し、最後に、３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルによる測位融合を行い、より正確な位置予測をモバイル機器に送信する。
【0015】
本発明は、主に３つの内容を含む。１つは、マルチ５Ｇ基地局の回帰モデル学習であり、ＲＳＳと基準ポイントの位置に基づいて、異なる５Ｇ基地局がそれぞれＲＳＳ－距離モデルを学習する。２つ目は、画像と基準ポイントの位置を用いて３重視覚照合測位アルゴリズムを提案する。３つ目は、クラウドが３重視覚照合モデルとマルチ５Ｇ基地局回帰モデルに基づいて融合測位を実現し、モバイル機器の位置を予測する。
【0016】
１．マルチ５Ｇ基地局の回帰モデル学習
屋内測位でよく使われるＲＳＳ－距離モデルは、対数減衰モデルであるが、屋内環境の複雑さ（壁の遮蔽など）や、５Ｇ基地局が置かれている位置の周囲環境が異なり、すべての５Ｇ測位基地局に対して１種類の対数減衰モデルを採用すると、測位精度が不足するため、各５Ｇ基地局に対してそれぞれニューラルネットワークを採用してＲＳＳ－距離モデルを学習する必要がある。
ガウスフィルタリングは、主に複雑な環境によるデータ異常の問題を解決するものである。データの正確性を保証するため、各５Ｇ基地局は、同じ基準ポイントの複数回のＲＳＳデータを収集してガウスフィルタリングを行う。
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、同一の基準ポイントに対して収集したＲＳＳデータの個数を示す。収集したＲＳＳｍ，ｒに基づいて、平均値μと分散σ２は、以下のように示される。
であれば、このデータは、フィルタリングされる。ガウスフィルタリング後、ｍ基地局がｒ基準点に対するＲＳＳベクトルは、次のように変化する。
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に、同一の基準ポイントに残ったＲＳＳデータの個数を示す。
閾値フィルタリングは、主にＲＳＳ－距離モデルで実現される多辺測位法においてＲＳＳ値が小さいと測位精度が悪くなるからである。閾値フィルタリングを用いることでＲＳＳ－距離モデルのＲＳＳ範囲を減少するものの、ＲＳＳ距離モデルは、小さなＲＳＳ値に影響されないため、モデルの精度が向上する。ガウスフィルタリングおよび閾値フィルタリング後（ＲＳＳ値≧９０ｄＢｍ）、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化する。
ここで、Ｎ３は、
に対するガウスフィルタリングおよび閾値フィルタリングの後に、同一の基準ポイントに残ったＲＳＳデータの個数を示す。データフィルタリング処理の後、ローカルサーバは、ＲＳＳ－距離モデル学習を行う。それは、主にニューラルネットワークを通じて基準ポイントのＲＳＳを入力とし、基準ポイントから５Ｇ基地局までの距離を出力として学習した回帰モデルであり、図２に示す。ｍ基地局が学習したＲＳＳ－距離回帰モデルは、以下のように示される。
ここで、ｆｍ（・）は、ｍ基地局学習モデルのマッピング関係を示す。
屋内測位でよく使われるＲＳＳ－距離モデルは、対数減衰モデルであるが、屋内環境の複雑さ（壁の遮蔽など）や、５Ｇ基地局が置かれている位置の周囲環境が異なり、すべての５Ｇ測位基地局に対して１種類の対数減衰モデルを採用すると、測位精度が不足するため、各５Ｇ基地局に対してそれぞれニューラルネットワークを採用してＲＳＳ－距離モデルを学習する必要がある。
ガウスフィルタリングは、主に複雑な環境によるデータ異常の問題を解決するものである。データの正確性を保証するため、各５Ｇ基地局は、同じ基準ポイントの複数回のＲＳＳデータを収集してガウスフィルタリングを行う。
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
【数38】
【数39】
【数40】
【数41】
閾値フィルタリングは、主にＲＳＳ－距離モデルで実現される多辺測位法においてＲＳＳ値が小さいと測位精度が悪くなるからである。閾値フィルタリングを用いることでＲＳＳ－距離モデルのＲＳＳ範囲を減少するものの、ＲＳＳ距離モデルは、小さなＲＳＳ値に影響されないため、モデルの精度が向上する。ガウスフィルタリングおよび閾値フィルタリング後（ＲＳＳ値≧９０ｄＢｍ）、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化する。
【数42】
【数43】
【数44】
【0017】
２．３重視覚照合モデル：
指紋定位の前に、オフライン指紋ライブラリを構築し、ＲＳＳの変動による測位誤差問題を考慮する必要がある。本発明は、多角度画像と基準ポイント位置の指紋測位方法を考慮する。基準ポイントについては、８方位の画像情報と、基準ポイントの位置とが画像－位置指紋ライブラリを構築する（各角度で撮影された画像は、基準ポイントの位置と１組のサンプルを構成する）。指紋測位を行う際には、図３に示すように、３重視覚照合モデルを用いて指紋照合を行う。
第１の視覚照合：
ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、同一の識別物の数に基づいて画像の類似度を比較する。ＹＯＬＯ目標検出システムは、画像を検出してｔテストポイント（テストポイントは、モバイル機器が存在する位置である）で撮影された画像の識別物情報を得ることができ、以下のように示される。
ここで、θは、ｔテストポイントにおける画像撮影の角度を示す。ｃｑは、ｑ（ｑ＝１，２，．．．，Ｑ１）識別物を示す。また、ＹＯＬＯ目標検出システムは、各識別物が存在する識別領域も取得することができる。
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示す。
であれば、のちの照合を行う。
第２の視覚照合：
ＹＯＬＯ目標検出システムを利用して、識別物が存在する識別領域に対して、ｔテストポイントにおける撮影画像の識別物間の相対方位情報を得ることができる。画像中の識別物の向きの制約によって、識別物の相対的な方向情報を抽出して方向関係を確立する。テストポイントの撮影画像における識別物の方向関係を以下に示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示す。
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
ここで、
は、ｒ基準ポイントのθ１方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示す。Ｇ（・）は、０－１変換関数であり、以下のように示される。
第３の視覚照合：
ＹＯＬＯ目標検出システムと結合して、識別物が存在する識別領域に対して、ｔテストポイントの撮影画像の識別物間の相対距離情報を得ることができる。画像を画素解析することにより、ｔテストポイントの撮影画像における識別物の距離関係は、以下のように示される。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合は、次のように示す。
ここで、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
３重視覚照合に基づいて、ｔテストポイントと異なる方向のｒ基準ポイントの画像の類似度を、以下に示す。
得られた類似度を大きい順にソートし、上位Ｋ１＝１０個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を得る。
指紋定位の前に、オフライン指紋ライブラリを構築し、ＲＳＳの変動による測位誤差問題を考慮する必要がある。本発明は、多角度画像と基準ポイント位置の指紋測位方法を考慮する。基準ポイントについては、８方位の画像情報と、基準ポイントの位置とが画像－位置指紋ライブラリを構築する（各角度で撮影された画像は、基準ポイントの位置と１組のサンプルを構成する）。指紋測位を行う際には、図３に示すように、３重視覚照合モデルを用いて指紋照合を行う。
第１の視覚照合：
ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、同一の識別物の数に基づいて画像の類似度を比較する。ＹＯＬＯ目標検出システムは、画像を検出してｔテストポイント（テストポイントは、モバイル機器が存在する位置である）で撮影された画像の識別物情報を得ることができ、以下のように示される。
【数45】
θと結合し、ｔテストポイントと異なる方向のｒ基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
【数46】
【数47】
【数48】
【数49】
第２の視覚照合：
ＹＯＬＯ目標検出システムを利用して、識別物が存在する識別領域に対して、ｔテストポイントにおける撮影画像の識別物間の相対方位情報を得ることができる。画像中の識別物の向きの制約によって、識別物の相対的な方向情報を抽出して方向関係を確立する。テストポイントの撮影画像における識別物の方向関係を以下に示す。
【数50】
【数51】
ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
【数52】
【数53】
【数54】
ＹＯＬＯ目標検出システムと結合して、識別物が存在する識別領域に対して、ｔテストポイントの撮影画像の識別物間の相対距離情報を得ることができる。画像を画素解析することにより、ｔテストポイントの撮影画像における識別物の距離関係は、以下のように示される。
【数55】
【数56】
【数57】
【数58】
３重視覚照合に基づいて、ｔテストポイントと異なる方向のｒ基準ポイントの画像の類似度を、以下に示す。
【数59】
【数60】
【0018】
融合測位：
上述した内容は、多辺測位法と指紋測位法のそれぞれの優位性と不足を考慮し、それぞれに改良を行い、良好な測位結果を得るために融合測位の方式を採用し、両測位方法の優位性を十分に利用している。ＲＳＳが大きいほど信号が正確になるので、ＲＳＳ値に基づいて、測位に使用可能な５Ｇ基地局が選択される。ＲＳＳｔの各要素を判断し、ＲＳＳｍ，ｔ＜－９０ｄＢｍであれば、ｍ基地局のＲＳＳは、ｔテストポイントの測位に用いられない。ＲＳＳｔに残った要素の大きさの順番に基づいて、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選択して多辺測位を行う。
ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
そして、多辺測位の具体式は、以下であり、
ここで、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１は、それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示す。
その後、多辺測位結果と３重視覚照合の指紋測位結果とを加重融合する。
、
に基づいて、以下の３種類に分けて加重融合測位を行う。
であれば、多辺測位結果の重みは、以下のように示される。
かつ０＜｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
かつ｜Ｄ２｜＝０であれば、多辺測位結果の重みは、以下のように示される。
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、多辺測位結果の重みは、以下のように示される。
ｗ＝０
得られた最終測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
上述した内容は、多辺測位法と指紋測位法のそれぞれの優位性と不足を考慮し、それぞれに改良を行い、良好な測位結果を得るために融合測位の方式を採用し、両測位方法の優位性を十分に利用している。ＲＳＳが大きいほど信号が正確になるので、ＲＳＳ値に基づいて、測位に使用可能な５Ｇ基地局が選択される。ＲＳＳｔの各要素を判断し、ＲＳＳｍ，ｔ＜－９０ｄＢｍであれば、ｍ基地局のＲＳＳは、ｔテストポイントの測位に用いられない。ＲＳＳｔに残った要素の大きさの順番に基づいて、３つの最大ＲＳＳ値に対応する５Ｇ基地局（それぞれｍ１、ｍ２、ｍ３とする）を選択して多辺測位を行う。
ｔテストポイントから３つの５Ｇ基地局までの距離は、それぞれ、ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）である。ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３の３つの５Ｇ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す。
そして、多辺測位の具体式は、以下であり、
【数61】
その後、多辺測位結果と３重視覚照合の指紋測位結果とを加重融合する。
【数62】
【数63】
【数64】
【数65】
【数66】
【数67】
【数68】
【数69】
ｗ＝０
得られた最終測位位置は、以下である。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
【0019】
以上、本発明の実施例が提供する３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法について詳しく紹介したが、当業者に対しては、本発明の実施例の思想に基づき、具体的な実施形態および応用において改良を行うことがある。以上をまとめると、本明細書の内容は、本発明を限定するものとして解釈されるべきではない。
【0020】
（付記）
（付記１）
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、以下のステップを含むことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度ＲＳＳデータ、モバイル機器の位置およびモバイル機器が存在する位置の複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
（付記１）
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、以下のステップを含むことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（１）オフライン段階において、モバイル機器は、５Ｇ基地局と通信を行い、５Ｇ基地局は、受信信号強度ＲＳＳデータ、モバイル機器の位置およびモバイル機器が存在する位置の複数の方向に撮影された画像を取得し、ここで５Ｇ基地局は、ＲＳＳデータ、モバイル機器の位置および５Ｇ基地局の位置を利用してローカルサーバーにＲＳＳ－距離の指紋ライブラリを構築し、５Ｇ基地局は、撮影された画像およびモバイル機器の位置をクラウドにアップロードし、クラウドに画像－位置の指紋ライブラリを構築する。
（２）各ローカルサーバは、ＲＳＳ－距離の指紋ライブラリを利用して、ＲＳＳ－距離の回帰モデル学習を行う。
（３）クラウドは、画像－位置の指紋ライブラリに基づいて、３重視覚照合モデルを利用して指紋測位を行う。
（４）５Ｇ基地局がテストポイントのＲＳＳベクトルを取得することにより、クラウドは、ステップ（２）におけるＲＳＳ－距離の回帰モデルと結合して多辺測位を行う。
（５）クラウドは、ステップ（４）における多辺測位結果とステップ（３）における指紋測位結果を加重融合し、テストポイントの融合測位結果を得る。
【0021】
（付記２）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、モバイル機器が存在する位置の東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、モバイル機器が存在する位置の東、西、南、北、南東、北東、南西、北西の８方向に撮影された画像を取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【0022】
（付記３）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（１）において、５Ｇ基地局は、同一基準ポイントの複数回のＲＳＳデータを取得することを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【0023】
（付記４）
付記３に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
付記３に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（２）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
まず、ＲＳＳ－距離の指紋ライブラリ中の各５Ｇ基地局に対応するＲＳＳデータに対してガウスフィルタリング及び閾値フィルタリングを行う。
その後、フィルタリングされた指紋ライブラリに基づいて、ニューラルネットワークに対して学習を行い、ＲＳＳ－距離回帰モデルが得られる。
前記ニューラルネットワークは、基準ポイントのＲＳＳデータを入力とし、基準ポイントから５Ｇ基地局までの距離を出力とする。
【0024】
（付記５）
付記４に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
ここで、Ｎ１は、５Ｇ基地局がある基準ポイントに対して収集したＲＳＳデータの個数を示し、
は、ＲＳＳｍ，ｒ中のｎ１番目のデータを示し、
ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ２は、ＲＳＳｍ，ｒに対するガウスフィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ２番目のデータを示し、
が閾値フィルタリングされた後、ｍ基地局のｒ基準点に対するＲＳＳベクトルは、次のように変化し、
ここで、Ｎ３は、
に対する閾値フィルタリングの後に残ったＲＳＳデータの個数を示し、
は、
のｎ３番目のデータを示し、
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
ここで、ｆｍ（・）は、ｍ基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示す、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
付記４に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｍ基地局がｒ基準点に対して収集したＲＳＳベクトルは、以下であり、
【数70】
【数71】
ＲＳＳｍ，ｒがガウスフィルタリングされた後、基地局の基準点に対するＲＳＳベクトルは、次のように変化し、
【数72】
【数73】
【数74】
【数75】
【数76】
【数77】
【数78】
【数79】
ガウスフィルタリングおよび閾値フィルタリング後のＲＳＳベクトルに基づいて、基地局は、ローカルサーバでニューラルネットワークを学習し、対応するＲＳＳ－距離回帰モデルを得て、以下のように示され、
【数80】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【0025】
（付記６）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（３．１）ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、画像ごとの識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
ここで、ｃｑは、ｑ識別物を示し、ｑ＝１，２，．．．，Ｑ１、Ｑ１は、識別物の数を示す。
（３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像とｒ基準ポイントのθ１方向に撮影された画像の同じ識別物情報を示し、
は、ｒ基準ポイントのθ１方向に撮影された画像の識別物情報を示し、θ１∈｛東、西、南、北、南東、北東、南西、北西｝。
であれば、ステップ（３．３）を実行し、｜・｜は、集合の要素数を示し、そうでなければ、ｒ基準ポイントのθ１方向に撮影された画像は、ｔテストポイントの測位ができないと考え、θ１方向に撮影された画像を破棄する。
（３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対方向を示し、ｃｃおよびｃｔは、
中の２つの識別物を示し、Ｇ（・）は、０－１変換関数である。
（３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す；
ここで、
は、ｔテストポイントのθ方向に撮影された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示し、
は、ｒ基準ポイントのθ１方向に撮像された画像において、２つの識別物が存在する識別領域の中心の画素の相対距離を示す。
（３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
（３．６）（３．５）で得られた類似度を大きい順にソートし、上位Ｋ１個の類似度に対応する基準ポイントを選択して重み付けを行い、ｔテストポイントの３重視覚照合の指紋測位結果を取得する。
ここで、（ｘｋ，ｙｋ）は、ｋ基準ポイントの座標であり、Ｋは、上位Ｋ１個の類似度に対応する基準ポイントの集合である。
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（３）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（３．１）ｔテストポイントで撮影された画像をＹＯＬＯ目標検出システムで画像検出し、画像ごとの識別物情報および各識別物が存在する識別領域を取得し、ここで、ｔテスト点のθ方向に撮影された画像の識別物情報は、以下のように示される。
【数81】
（３．２）ｔテストポイントと異なる方向の基準ポイントの同じ識別物の類似度照合を行い、次のように示す。
【数82】
【数83】
【数84】
【数85】
（３．３）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の方向関係の類似度照合を行い、次のように示す。
【数86】
【数87】
【数88】
【数89】
（３．４）ｔテストポイントと異なる方向のｒ基準ポイントの識別物情報の距離関係の類似度照合を行い、次のように示す；
【数90】
【数91】
【数92】
（３．５）ｔテストポイントのθ方向に撮影された画像と異なる方向のｒ基準ポイントのθ１方向に撮影された画像の類似度を、以下に示す。
【数93】
【数94】
【0026】
（付記７）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
であることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
【数95】
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【0027】
（付記８）
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（４．１）ｔテストポイントのＲＳＳベクトル
ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
（４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
（４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
ここで、ｄ１、ｄ２、ｄ３は、それぞれｔチェックポイントからｍ１、ｍ２、ｍ３基地局までの距離を示し、ｘｍ１、ｘｍ２、ｘｍ３、ｘｔ１それぞれ５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の横座標を示し、ｙｍ１、ｙｍ２、ｙｍ３、ｙｔ１は、それぞれ、５Ｇ基地局ｍ１、ｍ２、ｍ３および多辺測位計算の縦座標を示し、（ｘｔ１，ｙｔ１）は、ｔテストポイントの多辺測位結果を示す。
付記１に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
前記ステップ（４）の実現過程は、以下のとおりであることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（４．１）ｔテストポイントのＲＳＳベクトル
ＲＳＳｍ，ｔ＝［ＲＳＳ１，ｔ，．．．，ＲＳＳｍ，ｔ，．．．ＲＳＳＭ，ｔ］のうち閾値α１より小さい要素を廃棄する。ここで、Ｍは、５Ｇ基地局数を示し、ＲＳＳｍ，ｔは、ｍ基地局がｔテストポイントに対して収集したＲＳＳ値を示す。
（４．２）（４．１）で得られた３つの最大ＲＳＳ値に対応する５Ｇ基地局を選出し、ｍ１、ｍ２、ｍ３とする。
（４．３）ｔテストポイントからｍ１、ｍ２、ｍ３基地局までの距離に基づいて、多辺測位を行う。多辺測位の具体式は、以下であり、
【数96】
【0028】
（付記９）
付記８に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
付記８に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
ｄ１＝ｆｍ１（ＲＳＳｍ１，ｔ）、ｄ２＝ｆｍ２（ＲＳＳｍ２，ｔ）、ｄ３＝ｆｍ３（ＲＳＳｍ３，ｔ）であり、
ここで、ｆｍ１（・）、ｆｍ２（・）、ｆｍ３（・）は、それぞれ、ｍ１、ｍ２、ｍ３基地局に対応するＲＳＳ－距離回帰モデルのマッピング関係を示すことを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
【0029】
（付記１０）
付記７に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、ｔテストポイントの最終測位結果を得ることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、
であれば、多辺測位結果の重み
、
かつ０＜｜Ｄ２｜＜３であれば、
、
かつ｜Ｄ２｜＝０であれば、
、
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
、
。
付記７に記載の３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法であって、
多辺測位結果と３重視覚照合の指紋測位結果とを加重融合して、ｔテストポイントの最終測位結果を得ることを特徴とする、
３重視覚照合とマルチ基地局回帰を融合した５Ｇ屋内スマート測位方法。
（ｘ，ｙ）＝ｗ＊（ｘｔ１，ｙｔ１）＋（１－ｗ）＊（ｘｔ２，ｙｔ２）
ここで、
【数97】
【数98】
【数99】
【数100】
【数101】
【数102】
｜Ｄ１｜＋｜Ｄ２｜＜３であれば、ｗ＝０、
【数103】
【数104】
【図1】
【図2】
【図3】
【外国語明細書】