特開 2024-97208 予測装置、予測方法およびプログラム

(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】P2024097208

(43)【公開日】2024-07-18

(54)【発明の名称】予測装置、予測方法およびプログラム

(51)【国際特許分類】

   H04W 16/18 20090101AFI20240710BHJP

   H04W 28/06 20090101ALI20240710BHJP

   H04W 88/18 20090101ALI20240710BHJP

【ＦＩ】

H04W16/18

H04W28/06

H04W88/18

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023000603

(22)【出願日】2023-01-05

(71)【出願人】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(71)【出願人】

【識別番号】304021417

【氏名又は名称】国立大学法人東京工業大学

(74)【代理人】

【識別番号】100083806

【弁理士】

【氏名又は名称】三好 秀和

(74)【代理人】

【識別番号】100129230

【弁理士】

【氏名又は名称】工藤 理恵

(72)【発明者】

【氏名】永田 尚志

(72)【発明者】

【氏名】工藤 理一

(72)【発明者】

【氏名】高橋 馨子

(72)【発明者】

【氏名】村上 友規

(72)【発明者】

【氏名】小川 智明

(72)【発明者】

【氏名】西尾 理志

(72)【発明者】

【氏名】太田 翔己

【テーマコード（参考）】

5K067

【Ｆターム（参考）】

5K067AA21

5K067DD45

5K067HH22

5K067HH23

5K067LL11

(57)【要約】

【課題】通信品質の予測における処理負荷を軽減する。
【解決手段】予測装置１は、環境センサ２で測定可能な物理空間のうち、移動体が移動しない空間を排除し、移動体が移動可能な空間を含む空間を予測対象空間５として、予測対象空間５を点群で表現した点群データ１１を取得する取得部２１と、予測対象空間５における無線通信品質を測定する測定部３０と、点群データ１１の経時的変化と、無線通信品質の経時的変化の関係から、無線通信品質を予測する予測モデルを学習する学習部４０を備える。
【選択図】 図２

【特許請求の範囲】

【請求項1】

環境センサで測定可能な物理空間のうち、移動体が移動しない空間を排除し、前記移動体が移動可能な空間を含む空間を予測対象空間として、前記予測対象空間を点群で表現した点群データを取得する取得部と、
前記予測対象空間における無線通信品質を測定する測定部と、
前記点群データの経時的変化と、前記無線通信品質の経時的変化の関係から、無線通信品質を予測する予測モデルを学習する学習部
を備える予測装置。

【請求項2】

前記予測モデルにより予測された無線通信品質と、前記測定部により測定された無線通信品質の差分が、所定値よりも大きい場合、前記取得部は、前記環境センサで測定可能な物理空間を予測対象空間として、前記予測対象空間を点群で表現した点群データとして取得する
請求項１に記載の予測装置。

【請求項3】

前記取得部は、
前記点群データの削減率を決定する決定部と、
前記削減率に従って、前記点群データをダウンサンプリングする削減部
を備える請求項１に記載の予測装置。

【請求項4】

前記決定部は、前記点群データを取得する環境センサの設置環境、前記点群データの容量、または無線通信の送信機および受信機の位置から、前記削減率を決定する
請求項３に記載の予測装置。

【請求項5】

前記削減部は、前記点群データの各点から、前記削減率に対応する数の点をランダムに選択し、前記点群データから、選択された点のデータを削除する
請求項４に記載の予測装置。

【請求項6】

前記削減部は、前記予測対象空間を複数の空間に分割し、分割された各空間に対応する前記点群データの各点群から、前記点群データの点群のうち前記削減率に対応する点の数を分割された空間の数で除算した点の数を選択し、前記点群データから、選択された点のデータを削除する
請求項４に記載の予測装置。

【請求項7】

コンピュータが、無線通信品質の予測対象となる物理空間のうち、移動体が移動しない空間を排除し、前記移動体が移動可能な空間を含む空間を点群で表現した点群データとして取得し、
前記コンピュータが、前記物理空間における無線通信品質を測定し、
前記コンピュータが、前記点群データの経時的変化と、前記無線通信品質の関係から、無線通信品質を予測する予測モデルを学習する
予測方法。

【請求項8】

コンピュータを、請求項１ないし請求項６のいずれか１項に記載の予測装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、予測装置、予測方法およびプログラムに関する。

【背景技術】

【0002】

インターネット等の通信ネットワークにおいて、IoT（Internet of Things）、およびM2M（Machine to Machine）に関するトラヒックが増加している。無線通信帯域は逼迫し、より高い周波数の利活用が検討されている。

【0003】

例えば、次世代移動体通信（5Gおよび 6G）において、ミリ波と呼ばれる30 GHz以上の周波数を用いた高速大容量通信の実現が期待される。一方、sub 6 GHz帯以上の高い周波数を用いた通信は、周囲の環境の影響を強く受ける。特に、ミリ波通信、またはテラヘルツ波通信において、人体等の遮蔽によって通信品質が急峻に低下する（非特許文献１）。このような通信品質の急峻な変化は体感通信品質大きく低下させる要因となる。そのため、通信品質の大きな変化を事前に検知し、対策を行う必要がある。

【0004】

例えば、環境センサと機械学習を用いて、通信路状態を事前に予測し、対策する技術がある（非特許文献２および３）。ここで環境センサは、ＲＧＢ（Red-Green-Blue）カメラ、深度カメラ、ＬｉＤＡＲ（Light Detection And Ranging）など、通信路の物理環境を特定するためのセンサである。対策は、送信電力制御またはハンドオーバなどである。この技術は、深度画像または点群情報などの環境情報、あるいは、環境情報から抽出した障害物の位置情報を用いて、見通し通信路における遮蔽の発生時刻、およびその遮蔽による通信品質の減衰を予測する。この技術は、これらの予測情報に基づいて、ハンドオーバまたはトラヒック流量制御などの通信制御を実施する。

【先行技術文献】

【非特許文献】

【0005】

【非特許文献1】S. Collonge, G. Zaharia, and G.E. Zein, “Influence of the human activity on wide-band characteristics of the 60 GHz in- door radio channel,” IEEE Trans. Wireless Commun., vol.3, no.6, pp.2396-2406, Nov. 2004.

【非特許文献2】S. Ohta, T. Nishio, R. Kudo, and K. Takahashi, “Millimeter-wave Received Power Prediction Using Point Cloud Data and Supervised Learning,” Proceedings of IEEE VTC-Spring, Helsinki, Finland, Jun. 2022.

【非特許文献3】T. Nishio, H. Okamoto, K. Nakashima, Y. Koda, K. Yamamoto, M. Morikura, Y. Asai, and R. Miyatake, "Proactive Received Power Prediction Using Machine Learning and Depth Images for mmWave Networks," IEEE Journal on Selected Areas in Communications, vol. 37, no. 11, pp. 2413-2427, Nov. 2019.

【発明の概要】

【発明が解決しようとする課題】

【0006】

非特許文献２および３において、深度カメラまたはＬｉＤＡＲなどの点群センサが取得したデータそのものが学習または予測に用いられるので、学習または予測における処理負荷が高い場合がある。

【0007】

本開示は、上記事情に鑑みてなされたものであり、本開示の目的は、通信品質の予測における処理負荷を軽減可能な技術を提供することである。

【課題を解決するための手段】

【0008】

本開示の一態様の予測装置は、環境センサで測定可能な物理空間のうち、移動体が移動しない空間を排除し、前記移動体が移動可能な空間を含む空間を予測対象空間として、前記予測対象空間を点群で表現した点群データを取得する取得部と、前記予測対象空間における無線通信品質を測定する測定部と、前記点群データの経時的変化と、前記無線通信品質の経時的変化の関係から、無線通信品質を予測する予測モデルを学習する学習部を備える。

【0009】

本開示の一態様の予測方法は、コンピュータが、無線通信品質の予測対象となる物理空間のうち、移動体が移動しない空間を排除し、前記移動体が移動可能な空間を含む空間を点群で表現した点群データとして取得し、前記コンピュータが、前記物理空間における無線通信品質を測定し、前記コンピュータが、前記点群データの経時的変化と、前記無線通信品質の関係から、無線通信品質を予測する予測モデルを学習する。

【0010】

本開示の一態様は、上記予測装置として、コンピュータを機能させるプログラムである。

【発明の効果】

【0011】

本開示によれば、通信品質の予測における処理負荷を軽減可能な技術を提供することができる。

【図面の簡単な説明】

【0012】

【図1】図１は、本開示の実施の形態に係る予測システムのシステム構成を説明する図である。

【図2】図２は、本開示の実施の形態に係る予測装置の機能を説明するブロック図である。

【図3】図３は、歩行者を表す点の残存確率を示すグラフである。

【図4】図４は、本開示の実施の形態に係る予測方法の処理の一例を示すフローチャートである。

【図5】図５は、取得処理の一例を示すフローチャートである。

【図6】図６は、変形例に係る予測装置の機能を説明するブロック図である。

【図7】図７は、予測装置に用いられるコンピュータのハードウエア構成を説明する図である。

【発明を実施するための形態】

【0013】

以下、図面を参照して、本開示の実施の形態を説明する。図面の記載において同一部分には同一符号を付し説明を省略する。

【0014】

（予測システム）
図１に示すように予測装置１は、予測対象空間５に用いられる。予測対象空間５は、無線通信空間のうち、予測装置１が無線通信品質を予測し、予測された無線通信品質に応じて、ハンドオーバまたはトラヒック流量制御などの通信制御を実施する空間である。無線通信空間において、移動体Ｐ１またはＰ２などが移動し、無線通信空間の環境が変化する場合がある。

【0015】

予測システム７は、予測装置１、環境センサ２、送信機３および受信機４を備える。予測システム７における送信機３および受信機４の数は問わない。

【0016】

予測装置１は、環境センサ２から取得した無線通信空間の環境情報として、物理空間情報を取得する。物理空間情報は、具体的には、無線通信空間における形状を点群で描画した点群データである。点群データは、所定時間における無線通信空間における物理空間情報の変化、具体的には、人などの移動体Ｐ１またはＰ２の移動が反映されたデータであっても良い。なお、無線通信空間で移動する移動体の数は、問わない。

【0017】

予測装置１はさらに、送信機３から無線通信空間における無線通信品質を取得して、物理空間情報と無線通信品質との相関を学習して、無線通信品質を予測する予測モデルを生成する。予測装置１は、生成した予測モデルを用いて無線通信品質を予測し、ハンドオーバまたはトラヒック流量制御などの通信制御を、送信機３に指示する。

【0018】

環境センサ２は、深度カメラまたはＬｉＤＡＲなどの点群センサである。環境センサ２は、測定範囲における物理空間の点群データを逐次取得して、予測装置１に入力する。環境センサ２の測定範囲は、予測装置１による所定の処理によって決められても良いし、予め定められた設定に従って決められても良い。

【0019】

送信機３は、無線通信空間に、無線通信の電波を送信して、受信機４と通信する。送信機３は、受信機４にデータを送信し、受信機４からデータを受信する。送信機３は、例えば、アクセスポイントである。

【0020】

受信機４は、送信機３が送信した電波を受信して、送信機３と通信する。受信機４は、送信機３からデータを受信し、受信機４が処理したデータを送信機３に送信しても良い。受信機４は、ノートパソコン、スマートフォン、タブレットなどの可搬性を有するコンピュータである。受信機４は、移動体Ｐ１またはＰ２などの移動に伴って、無線通信空間内を移動しても良い。

【0021】

予測対象空間５は、送信機３が送信する電波が到達する空間のうち、予測装置１による無線通信品質の予測の対象とする空間である。本実施の形態において環境センサ２は、予測対象空間５における環境を測定するように制御される。

【0022】

（予測装置）
図２を参照して、実施の形態に係る予測装置１を説明する。予測装置１は、点群データ１１、品質データ１２、予測モデルデータ１３および予測品質データ１４の各データと、取得部２１、測定部３０、学習部４０、予測部５０および制御部６０の各機能を備える。各データは、メモリ９０２またはストレージ９０３等の記憶装置に記憶される。各機能は、CPU９０１に実装される。

【0023】

点群データ１１は、所定時間において、環境センサ２から取得した予測対象空間５の点群データである、実施の形態において点群データ１１は、環境センサ２が測定した点群データそのものではなく、一部のデータを削減したデータである。点群データ１１は、所定時間における予測対象空間５の物理的特徴の経時的変化であっても良い。点群データ１１は、予測対象空間５における物理特徴として、所定時間における点の位置およびその点の特徴データを対応づける。また点群データ１１は、予測対象空間５における物理特徴を表現した画像データであっても良い。

【0024】

品質データ１２は、所定時間において、受信機４と送信機３との間の線通信品質に関するデータである。品質データ１２は、所定時間における予測対象空間５の無線通信品質の経時的変化であっても良い。

【0025】

無線通信品質は、受信電力、スループットなどの無線通信品質を対応づけたデータである。無線通信品質は、より具体的には、受信信号電力、信号対雑音電力比（SNR）、信号対干渉雑音電力比（SINR）、RSSI（Received Signal Strength Indication）、RSRQ（Received Signal Reference Quality）、パケット誤り率、到達ビット数、単位時間当たりの到達ビット数、MCS（Modulation and Coding Scheme index）、再送回数、遅延時間、誤り訂正方式、通信システムの周波数、または利用するリソースの帯域幅等の周波数条件等である。品質データ１２は、これらの値の微分情報、これらの値を所定の計算式に代入して算出される指標、またはこれらの指標に影響を与えるシステムの設定項目等でもよい。

【0026】

予測モデルデータ１３は、後述の学習部４０の機械学習によって得られるデータである。予測モデルデータ１３は、予測対象空間５における無線通信品質を予測するためのモデルデータである。

【0027】

予測品質データ１４は、後述の予測部５０によって得られるデータである、予測品質データ１４は、予測モデルデータ１３に、現在の予測対象空間５の点群データを入力することによって得られ、将来の無線通信品質を特定するデータである。

【0028】

取得部２１は、環境センサ２が予測対象空間５を測定した点群データから、学習に必要な点群データ１１を生成する。点群データ１１は、予測対象空間５における物理的特徴を表す。実施形態において取得部２１は、予測対象空間５において環境センサ２が想定した点群データの点の数を、所定の削減率で削減して、点群データ１１を生成する。取得部２１はさらに、環境センサ２の測定領域を予測対象空間５とする場合もあれば、測定領域の一部を予測対象空間５としても良い。取得部２１の処理は、後に詳述する。

【0029】

測定部３０は、予測対象空間５における無線通信品質を測定する。測定部３０は、送信機３から予測対象空間５の無線通信品質を取得して、品質データ１２を測定する。測定部３０は、送信機３から取得した無線通信品質に所定の処理を施して、品質データ１２を生成しても良い。

【0030】

学習部４０は、点群データ１１および品質データ１２を入力として、ニューラルネットワークを用いた機械学習により予測モデルを生成する。学習部４０は、点群データ１１の経時的変化と、無線通信品質の経時的変化の関係から、無線通信品質を予測する予測モデルを学習する。学習時に用いられる点群データ１１および品質データ１２は、同時間に取得されたデータである。学習部４０は、学習した予測モデルデータ１３を生成する。

【0031】

予測部５０は、予測モデルデータ１３に、現在の点群データ１１を入力して、将来的な無線通信品質を予測して、予測品質データ１４を生成する。

【0032】

制御部６０は、予測品質データ１４を参照して、送信機３に制御を入力する。例えば、無線通信品質の悪化が予想される場合、制御部６０は、受信機４に他の送信機へのハンドオーバの指示を、送信機３に入力したりする。

【0033】

（取得部）
取得部２１について詳述する。取得部２１は、学習部４０に入力する点群データ１１のボリュームを、学習の精度を悪化させないように削減する。これにより通信品質の予測における精度を担保しつつ、処理負荷を軽減することができる。

【0034】

取得部２１は、判定部２２、決定部２３および削減部２４を備える。取得部２１は、（Ａ）環境センサ２の測定範囲の制限と、（Ｂ）環境センサ２が測定した点群データのダウンサンプリングの２種の削減方法により、点群データ１１のボリュームを減らす。判定部２２は、（Ａ）の削減方法に関する処理である。決定部２３および削減部２４は、（Ｂ）の削減方法に関する処理である。

【0035】

まず、（Ａ）環境センサ２の測定範囲の制限について説明する。

【0036】

判定部２２は、予測対象空間５を特定する。予測対象空間５は、環境センサ２で測定可能な物理空間のうち、環境センサ２が測定する空間である。判定部２２はまず、移動体Ｐ１またはＰ２が移動しない空間を排除し、移動体Ｐ１またはＰ２が移動可能な空間を含む空間を、予測対象空間５とする。ここで予測対象空間５は、移動体Ｐ１またはＰ２が移動可能な空間を含めばよく、移動体Ｐ１またはＰ２が移動しない空間を含んでも良い。例えば、移動体Ｐ１またはＰ２よりも上方の空間、または家具などの設置により移動体Ｐ１またはＰ２が移動できない空間などが、予測対象空間５から排除されても良い。

【0037】

環境センサ２が回転式ＬｉＤＡＲの場合、環境センサ２は、環境センサ２の位置を中心に、水平方向３６０度の全方位を計測可能であるので、測定される点群数が増大する。そこで、移動体Ｐ１またはＰ２が移動可能な空間に制限して測定することで、測定対象となる点群数を制限することができる。通信品質に影響を与える空間が、限定的である場合に効果的な削減方法である。具体的には、遮蔽物または反射物が往来する空間を含まない空間の点群を削除し、遮蔽物または反射物が往来する空間を測定することにより、点群数を削減することができる。

【0038】

さらに環境センサ２の仰角方向の測定範囲を制限することで、点群数を削減することができる。水平方向と同様に、仰角方向についても、移動体Ｐ１またはＰ２が移動可能な空間に制限して測定することで、測定対象となる点群数を制限することができる。通信品質に影響を与える空間が、限定的である場合に効果的な削減方法である。具体的には、遮蔽物または反射物が往来する空間を含まない空間の点群を削除し、遮蔽物または反射物が往来する空間を測定することにより、点群数を削減することができる。

【0039】

判定部２２は、水平方向の測定範囲の制限、および仰角方向の測定範囲の制限のうち、すくなくともいずれかを実行することにより、環境センサ２の測定対象の点群数を削減する。

【0040】

例えば判定部２２は、所定時間の間に、環境センサ２が測定可能な物理空間を測定し、その点群データを取得することで、移動体Ｐ１またはＰ２が移動可能な空間を特定することができる。判定部２２は、特定された空間を予測対象空間５として、予測対象空間５に限定して測定する指示を、環境センサ２に入力する。

【0041】

判定部２２はさらに、このような削減方法が妥当であるか否かを判定する。具体的には予測装置１は、環境センサ２の水平方向および仰角方向の測定範囲を制限した点群データ１１と、その点群データ１１を取得した際の無線通信の品質データ１２を用いて、予測モデルを生成する。

【0042】

判定部２２は、予測モデルにより予測された無線通信品質と、測定部３０により測定された無線通信品質の差分を算出する。具体的には判定部２２は、環境センサ２の水平方向および仰角方向の測定範囲を制限した点群データを予測モデルに入力して得られた予測値と、その点群データを取得した際の無線通信品質の実測値を比較する。

【0043】

予測値と実測値の差分が所定値よりも小さい場合、判定部２２は、環境センサ２の水平方向および仰角方向の測定範囲を制限した空間を、予測対象空間５と判定する。予測値と実測値の差分が所定値よりも大きい場合、判定部２２は、環境センサ２で測定可能な物理空間を予測対象空間５する。取得部２１は、判定部２２によって判定された予測対象空間５における環境センサ２の測定値を取得する。

【0044】

次に、（Ｂ）環境センサ２が測定した点群データのダウンサンプリングについて説明する。ダウンサンプリングは、決定部２３が点群データの削減率を決定し、削減部２４が、決定部２３によって削減率に従って、点群データをダウンサンプリングすることにより、実現される。

【0045】

まず、決定部２３が点群データの削減率を決定する処理を説明する。決定部２３が決定する削減率は、１から、「環境センサ２によって予測対象空間５で測定される点の数に対する、学習部４０に入力する点群データ１１の点の数の割合」を引いた値である。換言すると、環境センサ２が、環境センサ２で測定可能な物理空間で測定可能な点の数に対する学習部４０に入力する点群データ１１の点の数から削減数が算出される。削減率は、環境センサ２が、環境センサ２で測定可能な物理空間で測定される点の数に対する削減数の割合である。なお、圧縮率は、「環境センサ２によって予測対象空間５で測定される点の数に対する、学習部４０に入力する点群データ１１の点の数の割合」である。例えば、削減率ｒ＝０．９（圧縮率ｃ＝０．１）の場合、ダウンサンプリング前の点の数のうち９０％を削除し、１０％を残すことを意味する。

【0046】

決定部２３は、点群データを取得する環境センサ２の設置環境、削減前の点群データの容量、または無線通信の送信機３および受信機４の位置などから、削減率を決定する。削減率を決定する指標は、大きく分けて、下記の３つに分類される。

【0047】

（１）環境センサ２の設置環境
具体的な指標は、点群センサの測定範囲（平方メートル）、最大測定距離（ｍ）、視野角（度）、平均の明るさ（ルクス）、予測対象空間５における降水割合（％）などがある。降水割合が高い場合、空間が暗くなること、または雨に伴って環境センサ２の視野の悪化を考慮して、削減率を決定することが好ましい。

【0048】

（２）点群データを取得する装置の環境
具体的な指標は、環境センサ２が取得するデータの容量、他アプリケーションの稼働状況などである。環境センサ２が取得するデータの容量は、カメラの解像度、ＬｉＤＡＲの性能（水平センサ数）、１タイムステップあたりのデータ容量、データ取得頻度などである。予測装置１が、他アプリケ－ションとして、ＡＲ（Augmented Reality）／ＶＲ（Virtual Reality）アプリケーションなどのリアルタイム性が高いアプリケーションが使用されている場合、処理負荷を軽減するために削減率を高くしても良い。

【0049】

（３）環境センサ２、受信機４および送信機３のそれぞれの位置
具体的には、送信機３と受信機４を結ぶ直線を基準線とする。環境センサ２の位置から、基準線への垂直の長さを、式（１）により算出する。決定部２３は、この距離ｄが小さいほど削減率が大きく、距離ｄが大きいほど削減率が小さくなるように、換言すると、距離ｄが小さいほど圧縮率が小さく、距離ｄが小さいほど圧縮率が大きくなるように、決定する。

【0050】

【数1】

【0051】

決定部２３は、下記の４つの指標で削減率ｒを決定する。削減率ｒは、１－ｃ（圧縮率）により算出されても良い。圧縮率ｃは、ダウンサンプリング前の点の数に対するダウンサンプリング後の点の数の割合である。

【0052】

（１）最大測定距離ｄ（ｍ）
圧縮率ｃは、最大測定距離ｄと正の相関を持つように算出される。最大測定距離ｄは、上記式（１）により算出される。削減率ｒは、最大測定距離ｄと負の相関を持つように算出される。例えば圧縮率ｃ＝ｄ／５０である。最大測定距離は、移動体Ｐ１またはＰ２が動き得る一番遠い位置と、環境センサ２との距離であって、環境センサ２から予測対象空間５の最も遠い点までの距離である。決定部２３は、最大測定距離が５ｍの場合、圧縮率を１０％で削減率を９０％と決定する。決定部２３は、最大測定距離が１０ｍの場合、圧縮率を２０％で削減率を８０％と決定する。

【0053】

（２）予測対象空間５の面積Ｓ（平方メートル）
圧縮率ｃは、予測対象空間５の面積と正の相関を持つように算出される。削減率ｒは、予測対象空間５の面積と負の相関を持つように算出される。例えば圧縮率ｃ＝Ｓ／２００である。決定部２３は、予測対象空間５の面積が２０平方メートルの場合、圧縮率を１０％で削減率を９０％と決定する。

【0054】

（３）１タイムステップあたりのデータ容量
圧縮率ｃは、１タイムステップあたりのデータ容量およびデータ取得頻度のそれぞれと負の相関を持つように算出される。削減率ｒは、１タイムステップあたりのデータ容量およびデータ取得頻度のそれぞれと正の相関を持つように算出される。例えば、１タイムステップあたりのデータ容量がＤｋＢおよびデータ取得頻度がＦｆｐｓの場合、例えば圧縮率ｃ＝１－ＤＦ／１２５００である。決定部２３は、１タイムステップあたりのデータ容量が２００ｋＢで、データ取得頻度が３０ｆｐｓの場合、圧縮率を５２％で削減率を４８％と決定する。

【0055】

（４）予測に寄与する点群の残存確率
決定部２３は、通信の遮蔽予測に大きく寄与することが期待される歩行者を表す点群に対し、その点をランダムにサンプリングした際に、ｍ点以上の数の点が残る確率がＰ％以上となる圧縮率ｃを選択する。ｍ点以上残る確率は、基準値ｍ、環境センサ２と移動体との距離および圧縮率ｃによって決まる。環境センサ２と移動体の距離は、環境センサ２が測定した点群データにおいて移動体を表す点の数に依存する。移動体を表す点の数が多いほど、環境センサ２と移動体との距離が近い。

【0056】

（４）に示す予測に寄与する点群の残存確率は、例えば図３に示す事前実験の結果等により、予め算出することができる。図３に示すグラフは、横軸が基準値ｍで、縦軸が残存確率Ｐである。例えば図３（ａ）に示すグラフで、基準値ｍ＝３で残存確率Ｐの目安８０％とする場合、ｃ＝０．０１５６２５、すなわち圧縮率が１．５％で、削減率が９８．５％であることがわかる。また図３（ｂ）に示すグラフで、基準値ｍ＝３で残存確率Ｐの目安８０％とする場合、ｃ＝０．０１、すなわち圧縮率が１％で、削減率が９９％であることがわかる。

【0057】

実施形態において、決定部２３は、図３（ａ）または（ｂ）に示すように、環境センサ２と移動体（人）との距離毎の、基準値と残存確率の関係を表す対応データを予め取得する。決定部２３は、環境センサ２が取得した点群データにおいて移動体（人）を表す点群の数から、いずれかの対応データを選択する。環境センサ２が取得した点群データにおいて複数の移動体が存在する場合、より遠い移動体を表す点の数に応じて、対応データを選択する。決定部２３は、選択した対応データを参照し、目標とする基準値および残存確率から、圧縮率ｃおよび削減率ｒを算出する。

【0058】

決定部２３は、上記の４つの指標のいずれかによって、削減率を決定しても良い。あるいは決定部２３は、上記の４つの指標のそれぞれで決定された削減率で、最も実測値に近い予測値を出力可能な指標を採用しても良い。具体的には決定部２３は、下記の４つの指標のそれぞれで決定された削減率から、４セットの点群データを生成して、各点群データと無線通信品質を入力として４つの予測モデルを学習する。決定部２３は、４つの予測モデルのそれぞれから算出された予測値のうち、最も実測値に近い予測値を算出した予測モデルを選択する。決定部２３は、選択された予測モデルの学習時に入力された点群データの生成時に参照された削減率を、削減部２４に入力する削減率として決定する。

【0059】

表１に、圧縮率ｃを、１００％、５０％、２０％、１０％、４％および１％とした際の予測誤差の実験結果を示す。環境センサ２が、予測対象空間５を測定し、取得部２１が、所定の圧縮率でデータをランダムに削減する。圧縮された点群データ１１と、その点群データを測定した際の通信品質との関係の機械学習により、予測モデルが生成される。予測モデルは、６種類生成される。その各予測モデルを用いて予測した通信品質の予測値と、５００ｍ先の実際の通信品質の実測値とから、予測誤差としてＲＭＳＥ（Root Mean Squared Error）を算出する。また表１の「１秒あたりの処理回数」の処理は、予測モデルの学習または予測モデルによる予測のために、取得したデータを時系列データとして統合する処理である。予測値および実測値は、環境センサ２から５００ｍの先における値である。

【0060】

表の上段ほど、データ圧縮率が小さくなり、よりデータ容量が小さくなっている。また圧縮率が小さくなっても、すなわち削減率が大きくなっても、予測誤差（ＲＭＳＥ）の数値は、微増に留まる。このことから、この削減方法によって、通信品質予測に必要な特徴を残して、点群データのデータ量を削減していることがわかる。

【0061】

【表1】

【0062】

削減率を決定する処理について説明したが、決定された削減率を用いて学習して得られた予測モデルの精度によって、さらに削減率が変更されても良い。具体的には決定部２３は、決定した削減率で環境センサ２から取得した点群データの点の数を削減したデータと、その点群データを取得した際の無線通信の品質データ１２を用いて、予測モデルを生成する。

【0063】

決定部２３は、予測モデルにより予測された無線通信品質と、測定部３０により測定された無線通信品質の差分を算出する。具体的には決定部２３は、決定部２３が決定した削減率で環境センサ２から取得した点群データの点の数を削減する。決定部２３は、削減した点群データを予測モデルに入力して得られた予測値と、その点群データを取得した際の無線通信品質の実測値を比較する。

【0064】

予測値と実測値の差分が所定値よりも小さい場合、決定部２３は、その予測値を算出する際に用いられた削減率で、学習および予測に用いる点群データを削減するよう、削減部２４に通知する。予測値と実測値の差分が所定値よりも大きい場合、決定部２３は、その予測値を算出する際に用いられた削減率よりも削減率を減らす。換言すると決定部２３は、圧縮率を上げて、学習または予測に用いる点の数を増やす。

【0065】

変更後の削減率でも同様に予測モデルを生成し、予測値と実測値が所定値よりも小さくなるまで、決定部２３は、削減率を下げる処理を繰り返す。決定部２３は、予測値と実測値が所定値よりも小さくなった時点で用いられた削減率で、学習および予測に用いる点群データを削減するよう、削減部２４に通知する。

【0066】

次に、削減部２４が削減率に従って、点群データをダウンサンプリングする処理を説明する。削減部２４は、予測対象空間５における点の密度を減らす。削減部２４は、環境センサ２が予測対象空間５で測定した点の数から、決定部２３によって決定された削減率を達成するように、削減する点を特定する。削減部２４は、点群データから特定された点を削除して、点群データ１１を生成する。削減部２４は、判定部２２によって特定された予測対象空間５における点群から点を削除する。なお、予測対象空間５は、判定部２２によって定義される。予測対象空間５は、環境センサ２で測定可能な物理空間と判定される場合もあれば、環境センサ２で測定可能な物理空間から制限される場合もある。

【0067】

削減部２４が、点の密度を減らす方法として、ランダムダウンサンプリング手法と、一様ダウンサンプリング手法がある。いずれの手法を採用するかは、当該処理時の予測装置１の処理負荷、稼働中の他のアプリケーション等によって決められる。例えば、ＡＲ／ＶＲ等のリアルタイム性が求められるアプリケーションが稼働している場合、削減部２４は、処理負荷が低いランダムダウンサンプリング手法で点を除去する。正確性が求められるアプリケーションが稼働している場合、削減部２４は、空間から一様に削減する一様ダウンサンプリング手法で点を除去する。

【0068】

まずランダムサンプリング手法を説明する。ランダムサンプリング手法は、予測対象空間５の点をランダムに選択し、除去する手法である。削減部２４は、点群データの各点から、削減率に対応する数の点をランダムに選択し、点群データから、選択された点のデータを削除して、点群データ１１を生成する。削減部２４は、ランダムに点を選択するので、削減に必要な計算量は非常に小さいという利点がある。一方、点の空間的分布を考慮せずにランダムに削除するので、一部の空間の点が集中して消えてしまい、その空間情報が完全に消えてしまう可能性がある。

【0069】

次に一様サンプリング手法を説明する。一様サンプリング手法は、予測対象空間５中の点を一様に選択し、除去する手法である。削減部２４は、予測対象空間５を複数の空間に分割する。削減部２４は、分割された各空間に対応する点群データの各点群から、空間１つあたりの点群から削除する点を選択する。空間１つあたりの点群から削除する点の数は、環境センサ２が測定した点群データの点群のうち、削減率に対応する点の数を、分割された空間の数で除算した点の数である。削減部２４は、点群データから、選択された点のデータを削除して、点群データ１１を生成する。削減部２４は、空間の特徴を残しつつ点群密度を低下させることができる利点がある。一方、空間を均等に分割する処理により処理遅延が大きくなる。

【0070】

削減部２４は、例えば、予測対象空間５を、ボクセル単位で分割する。ここではボクセル単位で分割する場合を説明するが、同体積で分割できれば、どのような単位で分割されても良い。

【0071】

削減部２４は、予測対象空間５における点群の数と削減率から、除去する点の数を算出し、さらに、１つのボクセルにおいて除去する点の数を算出する。削減部２４は、各ボクセルから、除去する点を選択する。このとき削減部２４は、除去する点をランダムに選択しても良いし、各ボクセルを除去する点の数で分割して、分割された各空間から１つの除去する点を選択しても良い。削減部２４は、環境センサ２が測定した点群データから、選択された点のデータを削除して、点群データ１１を生成する。

【0072】

図４を参照して、予測装置１における予測処理を説明する。

【0073】

まずステップＳ１において予測装置１は、取得部２１による取得処理を行う。取得処理において、予測対象空間５の点群データを削減して、学習部４０に入力する点群データ１１が生成される。

【0074】

ステップＳ２において予測装置１は、測定部３０によって予測対象空間５の無線通信品質を測定する。測定部３０は、ステップＳ１で取得する予測対象空間５の点群データと同時期の無線通信品質を測定する。

【0075】

ステップＳ３において予測装置１は、学習部４０によって、ステップＳ１で取得された点群データ１１と、ステップＳ２で取得された品質データ１２の相関を学習し、予測モデルを生成する。予測モデルは、新たに取得された点群データが入力されると、将来的な無線通信品質を予測する。予測された無線通信品質は、受信機４へのハンドオーバの指示などの制御をするための指標として用いられる。

【0076】

図５を参照して、ステップＳ１の取得処理を説明する。

【0077】

ステップＳ１０１において取得部２１は、移動体Ｐ１またはＰ２が移動可能な空間を、予測対象空間５として、環境センサ２で測定する。環境センサ２が、移動体Ｐ１またはＰ２が移動可能な空間を含む空間を測定できるように、取得部２１は、予測対象空間５を設定する。

【0078】

ステップＳ１０２において取得部２１は、環境センサ２から点群データを取得する。ステップＳ１０３において取得部２１は、ステップＳ１０２で取得した点群データと、点群データの取得時に測定された無線通信品質から、予測モデルを学習する。

【0079】

ステップＳ１０４において、予測モデルから予測された無線通信品質の予測値と、予測対象空間５において測定された無線通信品質の予測値を比較する。予測値と実測値の差分が所定範囲内の場合、ステップＳ１０５において取得部２１は、ステップＳ１０１で設定した空間、具体的には移動体Ｐ１またはＰ２が移動可能な空間を、予測対象空間５を判定する。一方予測値と実測値の差分が所定範囲内の場合、ステップＳ１０６において取得部２１は、環境センサ２が測定可能な空間、具体的には、移動体Ｐ１またはＰ２が移動可能な空間のみならず、移動体Ｐ１またはＰ２が移動しえない空間も含める空間を、予測対象空間５と判定する。

【0080】

ステップＳ１０７において取得部２１は、点群データの削減率を決定する。ステップＳ１０８において取得部２１は、予測対象空間５で測定した点群から、ステップＳ１０７で決定された削減率に対応する数の点を削除して、点群データ１１を生成する。ステップＳ１０８で生成した点群データ１１は、図４のステップＳ３の予測モデルを学習する処理で参照される。またステップＳ１０８で生成した点群データ１１は、予測モデルを用いて将来の無線通信品質を予測する際に参照される。

【0081】

実施の形態において環境センサ２は、移動体が移動する範囲に限定して測定することで、環境センサ２から予測装置１が取得するデータ量を削減することができる。但し、移動体が移動する範囲に限定して測定した点群データから学習された予測モデルの精度が低い場合、環境センサ２は、移動体が移動する範囲に限定することなく、測定可能な範囲を測定する。

【0082】

予測装置１は、環境センサ２が取得した点群データのうち、無線通信品質に関係する空間に限定し、さらに予め決定された決定率に従ってダウンサンプリングして、点群データ１１を生成する。これにより、学習部４０に入力される点群データ１１の容量が削減されるので、学習部４０の処理負担が軽減される。

【0083】

（変形例）
変形例に係る予測対象空間５ａは、実施の形態に係る予測対象空間５と比べて、予測装置１の取得部２１が、予測装置１の外の、取得装置８に実装される点で異なる。変形例において、取得装置８と予測装置１ａは、通信ネットワークで接続される。

【0084】

このような予測対象空間５ａにおいても、実施の形態と同様に環境センサ２が測定した点群データの点の数を減らして点群データ１１を生成することができる。

【0085】

なお、実施の形態において説明した削減方法のうち、（３）１タイムステップあたりのデータ容量は、取得装置８および予測装置１ａ間の通信の帯域ＢＭｂｉｔ／ｓの制限を受ける。従って、圧縮率および削減率は、下記の（３’）のように算出される。

【0086】

（３’）１タイムステップあたりのデータ容量
圧縮率ｃは、１タイムステップあたりのデータ容量と負の相関を持つとともに、帯域制限と正の相関を持つように算出される。削減率ｒは、１タイムステップあたりのデータ容量と正の相関を持つとともに、帯域制限と負の相関を持つように算出される。例えば、１タイムステップあたりのデータ容量がＤｋＢ、データ取得頻度がＦｆｐｓ、および帯域制限がＢＭｂｉｔ／ｓの場合、圧縮率ｃは、データ容量およびデータ取得頻度のそれぞれと負の相関を持ち、帯域制限と正の相関を持つように算出される。例えば圧縮率ｃ＝１－ＤＦ／１２５Ｂである。決定部２３は、１タイムステップあたりのデータ容量が２００ｋＢで、データ取得頻度が３０ｆｐｓで、帯域制限が１００Ｍｂｉｔ／ｓの場合、圧縮率を５２％で削減率を４８％と決定する。決定部２３は、１タイムステップあたりのデータ容量が２００ｋＢで、データ取得頻度が３０ｆｐｓで、帯域制限が２００Ｍｂｉｔ／ｓの場合、圧縮率を７６％で削減率を２４％と決定する。

【0087】

変形例において点群データ１１は、通信ネットワークを介して送受信されるので、点群データ１１の容量が小さいことにより、通信ネットワークの帯域を圧迫することなく、種々の通信にも有効活用することができる。

【0088】

上記説明した本実施形態の予測装置１は、例えば、CPU（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：Hard Disk Drive、SSD：Solid State Drive）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が用いられる。このコンピュータシステムにおいて、CPU９０１がメモリ９０２上にロードされたプログラムを実行することにより、予測装置１の各機能が実現される。

【0089】

なお、予測装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また予測装置１は、コンピュータに実装される仮想マシンであっても良い。

【0090】

予測装置１のプログラムは、HDD、SSD、USB（Universal Serial Bus）メモリ、CD(Compact Disc)、DVD (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。コンピュータ読取り可能な記録媒体は、例えば非一時的な（non-transitory）記録媒体である。

【0091】

送信機３、受信機４および取得装置８は、予測装置１と同様に、汎用的なコンピュータが用いられても良い。

【0092】

なお、本開示は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。

【符号の説明】

【0093】

１ 予測装置
２ 環境センサ
３ 送信機
４ 受信機
５ 予測対象空間
７ 予測システム
１１ 点群データ
１２ 品質データ
１３ 予測モデルデータ
１４ 予測品質データ
２１ 取得部
２２ 判定部
２３ 決定部
２４ 削減部
３０ 測定部
４０ 学習部
５０ 予測部
６０ 制御部
９０１ CPU
９０２ メモリ
９０３ ストレージ
９０４ 通信装置
９０５ 入力装置
９０６ 出力装置

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】