特表 2022-541607 機械学習に基づく無線周波数信号パラメータの推定のためのスペクトルダイバーシティーの活用

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2022-09-26

(54)【発明の名称】機械学習に基づく無線周波数信号パラメータの推定のためのスペクトルダイバーシティーの活用

(51)【国際特許分類】

   G01S 3/48 20060101AFI20220915BHJP

   G01S 7/02 20060101ALI20220915BHJP

   G06N 3/08 20060101ALI20220915BHJP

   H04B 17/391 20150101ALI20220915BHJP

   H04B 17/373 20150101ALI20220915BHJP

   G01S 5/04 20060101ALN20220915BHJP

【ＦＩ】

G01S3/48

G01S7/02 216

G06N3/08

H04B17/391

H04B17/373

G01S5/04

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2022504170

(86)(22)【出願日】2020-07-14

(85)【翻訳文提出日】2022-02-18

(86)【国際出願番号】 US2020042008

(87)【国際公開番号】W WO2021016003

(87)【国際公開日】2021-01-28

(31)【優先権主張番号】62/878,192

(32)【優先日】2019-07-24

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】16/584,545

(32)【優先日】2019-09-26

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＢＬＵＥＴＯＯＴＨ

２．ＶＥＲＩＬＯＧ

(71)【出願人】

【識別番号】507364997

【氏名又は名称】サイプレス セミコンダクター コーポレーション

【氏名又は名称原語表記】Ｃｙｐｒｅｓｓ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｃｏｒｐｏｒａｔｉｏｎ

【住所又は居所原語表記】１９８ Ｃｈａｍｐｉｏｎ Ｃｏｕｒｔ， Ｓａｎ Ｊｏｓｅ， ＣＡ ９５１３４， Ｕｎｉｔｅｄ Ｓｔａｔｅｓ ｏｆ Ａｍｅｒｉｃａ

(74)【代理人】

【識別番号】100114890

【弁理士】

【氏名又は名称】アインゼル・フェリックス＝ラインハルト

(74)【代理人】

【識別番号】100098501

【弁理士】

【氏名又は名称】森田 拓

(74)【代理人】

【識別番号】100116403

【弁理士】

【氏名又は名称】前川 純一

(74)【代理人】

【識別番号】100134315

【弁理士】

【氏名又は名称】永島 秀郎

(74)【代理人】

【識別番号】100162880

【弁理士】

【氏名又は名称】上島 類

(72)【発明者】

【氏名】エイダン スミス

(72)【発明者】

【氏名】ヴィクター シミレイスキー

(72)【発明者】

【氏名】キラン ウルン

【テーマコード（参考）】

5J062

5J070

【Ｆターム（参考）】

5J062BB05

5J062CC18

5J062DD24

5J070AB07

5J070AE09

5J070AF03

5J070AK22

(57)【要約】

アンテナアレイによって受信される無線周波数（ＲＦ）信号の到来角（ＡｏＡ：angle-of-arrival）および他のパラメータを推定する例示的な方法は、複数のＲＦチャネルにおいて複数のアンテナ素子によって複数の無線周波数（ＲＦ）信号電力測定値を受け取ることと、複数のＲＦ信号電力測定値に機械学習モデルを適用することにより、推定されるＲＦ信号パラメータ値を計算することと、ＲＦ信号パラメータ値を出力することと、を有する。

【特許請求の範囲】

【請求項1】

処理装置により、複数の無線周波数（ＲＦ）チャネルにおいて複数のアンテナ素子によって複数のＲＦ信号電力測定値を受け取るステップと、
前記複数のＲＦ信号電力測定値に機械学習モデルを適用する前記処理装置により、推定されるＲＦ信号パラメータ値を計算するステップと、
前記処理装置により、前記ＲＦ信号パラメータ値を出力するステップと、
を有する方法。

【請求項2】

前記複数のＲＦ信号電力測定値は、複数のＲＦ信号の大きさの値および複数のＲＦ信号の位相値を含む、
請求項１記載の方法。

【請求項3】

前記ＲＦ信号パラメータ値は、ＬｏＳ（line-of-sight） ＡｏＡ（angle-of-arrival）、反射ＡｏＡ、反射の減衰、反射の相対遅延または相対位相のうちの１つである、
請求項１記載の方法。

【請求項4】

前記機械学習モデルは、次元が低減された空間における中間表現に前記複数のＲＦ信号電力測定値を変換するために特徴抽出を実行する、
請求項１記載の方法。

【請求項5】

前記機械学習モデルは、前記次元が低減された空間における前記中間表現から、推定される前記ＲＦ信号パラメータ値を推論するために回帰タスクを実行する、
請求項４記載の方法。

【請求項6】

前記方法は、複数のＲＦチャネルにおける複数のアンテナ素子による複数のＲＦ信号電力測定値を含むトレーニングデータセットを処理することにより、前記機械学習モデルをトレーニングするステップをさらに有し、前記ＲＦ信号電力測定値は、対応するＲＦ信号パラメータ値によってラベル付けされる、
請求項１記載の方法。

【請求項7】

前記機械学習モデルは、ニューラルネットワークであり、推定される誤差値があらかじめ定められる閾値を下回るまで、前記複数のＲＦ信号電力測定値を受け取るステップと、前記機械学習モデルを適用するステップと、を繰り返して実行する、
請求項１記載の方法。

【請求項8】

前記方法は、推定される誤差値が、あらかじめ定められた閾値を上回ることが特定されるのに応じて、前記複数のＲＦ信号電力測定値に第２の機械学習モデルを適用することにより、推定される前記ＲＦ信号パラメータ値を再計算するステップをさらに有し、前記第２の機械学習モデルは、第１の前記機械学習モデルよりも多くの個数のＲＦ信号マルチパスに対応する、
請求項１記載の方法。

【請求項9】

装置であって、前記装置は、
複数の周波数チャネルにおいて、複数の無線周波数（ＲＦ）信号電力測定値を受け取るために、複数のアンテナ素子を有するアンテナに接続されるように構成されているトランシーバと、
前記トランシーバに接続されたプロセッサと、
を有し、
前記プロセッサは、
機械学習モデルのシーケンスから機械学習モデルを選択するように構成されており、前記シーケンスの第１の機械学習モデルは、第１の個数の信号経路を含む第１の信号伝搬環境において生成された第１のトレーニングデータセットでトレーニングされており、前記シーケンスの第２の機械学習モデルは、第２の個数の信号経路を含む第２の信号伝搬環境において生成された第２のトレーニングデータセットでトレーニングされており、信号経路の前記第２の個数は、信号経路の前記第１の個数を上回っており、
前記プロセッサは、
前記複数のＲＦ信号電力測定値に、選択された前記機械学習モデルを適用することにより、推定されるＲＦ信号パラメータ値を計算し、
パラメータ推定誤差が、あらかじめ定められた誤差閾値以下であることが特定されるのに応じて、前記ＲＦ信号パラメータ値を出力する、
ようにさらに構成されている、
システム。

【請求項10】

前記プロセッサは、
パラメータ推定誤差が、あらかじめ定められた前記誤差閾値を上回ることが特定されるのに応じて、推定された前記ＲＦ信号パラメータ値が、前記あらかじめ定められた誤差閾値を下回るまで、前記選択動作および前記計算動作を反復的に繰り返すようにさらに構成されている、
請求項９記載のシステム。

【請求項11】

前記複数のＲＦ信号電力測定値は、複数のＲＦ信号の大きさの値および複数のＲＦ信号の位相値を含む、
請求項９記載のシステム。

【請求項12】

前記ＲＦ信号パラメータ値は、ＬｏＳ（line-of-sight） ＡｏＡ（angle-of-arrival）、反射ＡｏＡ、反射の減衰、反射の相対遅延または相対位相のうちの１つである、
請求項９記載のシステム。

【請求項13】

機械学習モデルの前記シーケンスの各機械学習モデルは、次元が低減された空間における中間表現に前記複数のＲＦ信号電力測定値を変換するために特徴抽出を実行する、
請求項９記載のシステム。

【請求項14】

前記機械学習モデルは、前記次元が低減された空間における前記中間表現から、推定される前記ＲＦ信号パラメータ値を推論するために回帰タスクを実行する、
請求項１３記載のシステム。

【請求項15】

装置であって、前記装置は、
複数の無線周波数（ＲＦ）チャネルにおける複数の周波数チャネルにおいて、複数のＲＦ信号電力測定値を受け取るために、複数のアンテナ素子を有するアンテナに接続されるように構成されているトランシーバと、
前記トランシーバに接続されたプロセッサと、
を有し、
前記プロセッサは、
前記複数のＲＦチャネルにおける前記複数のＲＦ信号電力測定値に機械学習モデルを適用することにより、推定されるＲＦ信号パラメータ値を計算し、
パラメータ推定誤差が、あらかじめ定められた誤差閾値以下であることが特定されるのに応じて、前記ＲＦ信号パラメータ値を出力する、
ように構成されている、
装置。

【請求項16】

前記プロセッサは、
パラメータ推定誤差が、あらかじめ定められた前記誤差閾値を上回ることが特定されるのに応じて、ＲＦチャネルの異なるセットにおいて受け取られる複数の次のＲＦ信号電力測定値に対し、前記計算動作を繰り返すようにさらに構成されている、
請求項１５記載の装置。

【請求項17】

前記複数のＲＦ信号電力測定値は、複数のＲＦ信号の大きさの値および複数のＲＦ信号の位相値を含む、
請求項１５記載の装置。

【請求項18】

前記ＲＦ信号パラメータ値は、ＬｏＳ（line-of-sight） ＡｏＡ（angle-of-arrival）、反射ＡｏＡ、反射の減衰、反射の相対遅延または相対位相のうちの１つである、
請求項１５記載の装置。

【請求項19】

前記機械学習モデルは、次元が低減された空間における中間表現に前記複数のＲＦ信号電力測定値を変換するために特徴抽出を実行する、
請求項１５記載の装置。

【請求項20】

前記機械学習モデルは、前記次元が低減された空間における前記中間表現から、推定される前記ＲＦ信号パラメータ値を推論するために回帰タスクを実行する、
請求項１９記載の装置。

【発明の詳細な説明】

【技術分野】

【0001】

関連出願
本願は、２０１９年９月２６日に出願された米国非仮特許出願第１６／５８４，５４５号の国際出願であり、２０１９年７月２４日に出願された米国仮特許出願第６２／８７８，１９２号の利益を主張するものであり、そのすべては、参照により本明細書に組み込まれる。

【背景技術】

【0002】

無線周波数（ＲＦ）信号の到来角（ＡｏＡ：angle-of-arrival）および／または他のパラメータの正確な推定は、さまざまなタスク、例えば、受信アンテナアレイに対する送信器の位置の決定を含むソーストラッキングを実行するために望ましいことがある。特定の実装形態では、ソーストラッキングは、１つまたは複数の受信装置によって取得されるＡｏＡの複数の測定値に基づいて実行可能である。

【0003】

添付の図面の図では本開示を、制限的ではなく例示的に示す。

【図面の簡単な説明】

【0004】

【図1】受信アンテナアレイの空間特性および周波数スペクトルダイバーシティーについて、受信信号強度インジケータ（ＲＳＳＩ：Received Signal Strength Indicator）の例示的な分布を示すプロットを描画する線図である。

【図2】次元が低減された空間にプロットされた、変換された入力データの例示的な視覚化を描画する線図である。

【図3】例示的なニューラルネットワークの構造を略示する図である。

【図4】複数のＲＦチャネルにおける、連続したＲＦ信号電力レベル測定値を示す複数のプロットを示す線図である。

【図5】モデルのシーケンスを略示する図であり、このモデルのシーケンスでは、各後続モデルは、このシーケンスにおける先行モデルのトレーニングに利用されるトレーニングデータセットを生成した信号伝搬環境における信号経路の個数よりも多くの個数の信号経路を含む信号伝搬環境において生成されたトレーニングデータセットでトレーニングされている。

【図6】図５のモデルのシーケンスによる到来角（ＡｏＡ）推定における誤差を略示する線図である。

【図7】アンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータの推定を実装するシステムのブロック図である。

【図8】複数のＲＦチャネルにおいてアンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータを推定する例示的な方法の流れ図である。

【図9】複数のＲＦチャネルにおいてアンテナアレイによって順次に受信されるＲＦ信号レベル測定値に基づき、ＲＦ信号のＡｏＡおよび／または他のパラメータを繰り返して推定する例示的な方法の流れ図である。

【図10】複数のＲＦチャネルにおいて、アンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータを機械学習モデルのセットによって繰り返して推定する例示的な方法の流れ図である。

【0005】

詳細な説明
本明細書で説明される実施形態は、アンテナアレイによって受信される無線周波数（ＲＦ）信号の到来角（ＡｏＡ）および他のパラメータを推定するためのシステムおよび方法に関する。このようなパラメータには、ＬｏＳ（line-of-sight）到来角、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相、および／または他のパラメータが含まれていてよい。説明のための例では、推定されるＡｏＡおよび／または他のパラメータは、ソーストラッキングに、すなわち受信アンテナアレイに対する送信器の位置を特定するために使用可能である。説明のための例では、送信器の位置は、異なる空間点に配置された３つの受信器によって取得される３つのＡｏＡ測定値に基づいて推定可能である。

【0006】

ＲＦ信号の伝搬は、さまざまな要因によって影響を受けることがあり、これには、送信器および受信器を取り巻く環境において、ＲＦ信号が通過し得る複数の経路を生成し得る反射器の存在が含まれる。結果として受信器は、それぞれ異なる経路を通過する、送信されたＲＦ信号の複数のコピーの重ね合わせを認識することになる。ＲＦ信号のマルチパス伝搬は、位相シフトおよび信号干渉を引き起こすことがあり、このことそれ自体は、信号フェージングを引き起こすことがあり、したがってＡｏＡおよび他のＲＦ信号パラメータの推定精度に悪影響を及ぼす。

【0007】

さまざまな一般的な実装形態が試みているのは、受信アンテナの物理的サイズを増大させかつ／または観察時間を長くすることによって、マルチパス信号伝搬を補償することである。しかしながら、アンテナ設計要件により、例えば、モバイルデバイスまたはウェアラブルデバイスの意図された用途により、アンテナの物理的サイズおよび／または観察時間は、制限されてしまうことがある。

【0008】

本明細書で説明されるシステムおよび方法は、さまざまな無線通信プロトコルおよび実装形態（例えばＢＬＥ（Bluetooth Low Energy）チャネルまたはＷｉ－Ｆｉサブキャリア）に存在しかつ複数のＲＦチャネルにおけるＲＦ信号の同時および／または順次の送信を伴う周波数スペクトルダイバーシティーに依拠することにより、一般的な実装形態の上記の欠陥およびさまざまな他の欠陥を取り扱う。図１によって略示されかつ本明細書で以下により詳細に説明されるように、各チャネルにおけるＲＦ信号の伝搬は、信号経路における反射器の存在に対して異なって応答するため、複数のＲＦチャネルを利用することにより、限られた個数のアンテナアレイ素子を補償することができる。したがって、周波数スペクトル領域において受け取られる信号パラメータ値を解析することによって、空間領域におけるアンテナ応答が推論可能である。

【0009】

理論的には解析的に、すなわち曲線あてはめおよび曲面外挿法を使用することにより、推論を行うことができるのに対し、このような関数の複雑さは、タスクの次元に指数関数的に依存し、特に、信号経路における反射器の個数に依存することになる。逆に、本明細書で説明されるシステムおよび方法は、複数のＲＦチャネルにおいて観察されるＲＦ信号電力レベル（例えば、ＲＦ信号の大きさおよび位相値によって表される）から、受信されるＲＦ信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相、および／または他のパラメータ）を推論するためのモデルを構築してトレーニングするために機械学習技術を利用する。特に、本開示の機械学習に基づくシステムおよび方法は、広範囲の入力次元に同じモデルのセットを利用できるために非常にスケーラブルである。

【0010】

本明細書では、上記の方法およびシステムのさまざまな態様を制限ではなくむしろ実施例として説明する。本明細書で説明される方法は、ハードウェア（例えば、汎用および／もしくは専用処理装置、ならびに／または他の装置および関連する回路）、ソフトウェア（例えば、処理装置によって実行可能な命令）、またはこれらの組み合わせによって実装可能である。

【0011】

本明細書で上述したように、ＲＦ信号マルチパスが存在する状況において、アンテナアレイによって受信されるＲＦ信号のＡｏＡおよびさまざまな他のパラメータの推定精度を改善するために、アンテナアレイの物理的寸法を増大させ、かつ／または観察時間を長くすることができる。しかしながら、このような「力任せ」のアプローチの適用性は、（例えば、モバイルデバイスまたはウェアラブルデバイスに対して）アンテナアレイの物理的なサイズおよび／または最大観察時間を制限し得るさまざまな設計要件により、大きく限定されてしまうことがある。逆に、本開示のシステムおよび方法は、無線通信のさまざまな態様（例えば、ＢＬＥ（Bluetooth Low Energy）チャネルまたはＷｉ－Ｆｉサブキャリア）に固有に存在しかつ複数のＲＦチャネルにおいて、同時および／または順次のＲＦ信号の送信を伴う周波数スペクトルダイバーシティーに依拠している。図１によって略示されているように、各チャネルにおけるＲＦ信号の伝搬は、信号経路における反射器の存在に対して異なって応答するため、複数のＲＦチャネルを利用することによって、限られた個数のアンテナアレイ素子を補償することができる。

【0012】

図１には、受信アンテナアレイの空間特性（すなわちアンテナアレイ素子の個数）と、周波数スペクトルダイバーシティー（すなわち信号伝送に利用されるＲＦチャネルの個数）と、について、受信信号強度インジケータ（ＲＳＳＩ）の分布を示すプロット１００が描画されている。図１の説明のための例では、ＲＳＳＩが利用されているが、他のさまざまな実装形態では、他のＲＦ信号パラメータ（位相、群遅延など）が利用可能である。

【0013】

図１において見て取ることができるように、ＲＳＳＩ応答プロット１００は、複数の繰り返しパターンを含み、これにより、プロットされた山および谷は、類似のサイズを有しかつ周期的に出現する。したがって、空間領域におけるＲＳＳＩ値は、周波数スペクトル領域におけるＲＳＳＩ値を解析することによって推論可能である。図１の説明のための例では、空間次元は、特定の値で（例えば４つのアンテナアレイ素子において）打ち切られていてよく、より多くの個数のアンテナアレイ素子についてのＲＳＳＩ値は、複数のＲＦチャネルにおいて受信されるＲＦ信号から取得されるＲＳＳＩ値によって外挿可能である。

【0014】

本明細書で上述したように、本明細書で説明されるシステムおよび方法は、複数のＲＦチャネルにおいて観察されるＲＦ信号電力レベルから、受信される信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相、および／または他のパラメータ）を推論するためのモデルを構築してトレーニングするために機械学習技術を利用する。一部の実装形態では、各アンテナアレイ素子についてのＲＦ信号の大きさおよび位相の複数のペアにより、観察されるＲＦ信号電力レベルを表すことができる。

【0015】

機械学習に基づくモデルは、入力データの次元を低減させ、したがって解決すべきタスクの計算複雑度を大幅に減少させるために特徴抽出を実行することができる。図２には、同相および直交（ＩおよびＱ）値の次元が低減された空間にプロットされた、変換された入力データの例示的な視覚化が描画されている。図２では、各円形プロット２１０Ａ～２１０Ｋが、それぞれのアンテナアレイ素子によって受信されたＲＦ信号のＡｏＡを視覚化するのに対し、プロット２１０Ａ～２１０Ｋの各ドットは、単一の周波数チャネルにおける観察に対応する。本明細書で説明されるこの例は、ＡｏＡ値で動作するが、本開示のシステムおよび方法は、受信されるＲＦ信号の他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相および／または他のパラメータ）にも同様に適用可能である。

【0016】

機械学習に基づくモデルは、ＲＦ信号パラメータの値を推定するための回帰タスクを実行するために、抽出された特徴（すなわち、次元が低減された空間における入力データの表現）を利用することができる。図２によって略示されているように、回帰処理は、既知のパラメータの集合を有し得る、組み合わされた単一のプロット２２０と合流するまで、いずれかのプロット２１０Ａ～２１０Ｋの外部にある回転中心２１５に対して相対的に、初期円プロット２１０Ａ～２１０Ｋを回転させることによって可視化することができる。したがって、各初期円プロット２１０Ａ～２１０Ｋに適用される変換の１つまたは複数のパラメータ（回転角など）は、組み合わされたプロット２２０のパラメータの既知の集合と、初期円プロット２１０Ａ～２１０Ｋのパラメータと、の間の差分を表すことになる。したがって、初期円プロット２１０Ａ～２１０Ｋによって描画されるＲＦ信号のＡｏＡおよび／または他のパラメータは、各初期円プロット２１０Ａ～２１０Ｋに適用される変換のパラメータに基づいて、組み合わされたプロット２２０によって表されるＲＦ信号パラメータの既知の集合を変更することによって計算可能である。

【0017】

説明のための図２の例では、各初期円プロット２１０Ａ～２１０Ｋに適用される変換は、回転変換であるが、回帰タスクを実行する際に、他のタイプの変換（例えば１つまたは複数の軸に沿ったスケーリング）を機械学習モデルによって適用してもよい。したがって、これらの変換のパラメータは、例えば、回転角、アスペクト比、倍率などを含んでいてよい。

【0018】

一部の実装形態では、畳み込みニューラルネットワーク（ＣＮＮ：convolutional neural network）またはリカレントニューラルネットワーク（ＲＮＮ：recurrent neural network）などのニューラルネットワークにより、特徴抽出および回帰を実行するために使用されるモデルを実装することができる。ニューラルネットワークは、「人工ニューロン」と称される多数の接続されたノードを実装する計算モデルであり、これにより、各人工ニューロンは、１つまたは複数の入力信号（バイアス信号を含む）を処理して、１つまたは複数の隣接する人工ニューロンに出力信号を送信する。人工ニューロンの出力は、その入力の線形結合にその活性化関数を適用することによって計算可能である。ニューラルネットワークは、本明細書において以下で詳細に説明するように、一般的にはいかなるタスク固有の規則によってプログラミングされることなく、特徴抽出、回帰および／または分類タスクを実行するために、処理例（「トレーニングデータセット」）によってトレーニングされることが可能である。

【0019】

図３に略示されているように、本開示のシステムおよび方法によって使用されるニューラルネットワークは、多層パーセプトロン（ＭＬＰ：multilayer perceptron）３００によって表すことができ、その人工ニューロンは、入力層３１０、１つまたは複数の隠れ層３２０Ａ～３２０Ｌ、および出力層３３０を含む複数の層にグループ分けされる。入力層３１０は、１つまたは複数のニューロン３４０Ａ～３４０Ｎを含み、これらのニューロンは、第１隠れ層３２０Ａの１つまたは複数のニューロン３５０Ａ～３５０Ｋに接続されている。第１隠れ層ニューロン３５０Ａ～３５０Ｋそれ自体は、第２隠れ層３２０Ｌの１つまたは複数のニューロン３６０Ａ～３６０Ｍに接続されている。第２隠れ層ニューロン３６０Ａ～３６０Ｍそれ自体は、出力層３３０の１つまたは複数のニューロン３７０Ａ～３７０Ｚに接続されている。人工ニューラルネットワーク３００のノードの少なくとも一部は、非線形活性化関数を利用できるのに対し、残りのノード（例えば、出力層のノード）は、線形活性化関数を利用できる。図３は、単一の隠れ層３５０を略示しているが、本開示のシステムおよび方法のさまざまな実装形態では、隠れ層の個数は異なっていてよい。一部の実施形態では、隠れ層の個数は、モデルのハイパーパラメータ、すなわち、その値がトレーニング処理前に指定されるパラメータである。このモデルの他のハイパーパラメータは、各層におけるノードの個数、活性化関数タイプなどを含んでいてよい。

【0020】

図３の各エッジは、人間の脳におけるシナプスの動作と同様の仕方で、１つの人工ニューロンから別の１つの人工ニューロンへ信号を送信するための接続を表している。それぞれの接続を介して送信される信号を増大または減衰させるエッジ重み付けは、ラベル付けされた複数の入力（すなわち、既知の分類を有する入力）を含むトレーニングデータセットに基づいて、ネットワークトレーニングステージで定義される。

【0021】

ニューラルネットワークトレーニング手順は、すべてのエッジ重み付けおよびニューロンバイアス値をランダム値またはあらかじめ定められた値に初期化することで開始可能である。順方向の伝搬には、ニューラルネットワークによる、トレーニングデータセットのラベル付けされたデータ項目の順次の処理が含まれる（すなわち、与えられた周波数チャネルにおいて複数のアンテナ素子によって測定されるＲＦ信号の大きさおよび位相値を含む各ベクトルが、対応するＡｏＡ値および／または他のＲＦ信号パラメータ値によってラベル付けされるように、ＲＦ信号電力レベルの複数のベクトルを順次に処理することが含まれる）。ニューラルネットワークの観察される出力は、処理されているベクトルに関連付けられたラベルによって指定される所望の出力と比較され、誤差は、ニューラルネットワークの前の層に伝搬されて戻され、この層において重み付けおよびバイアス値が調整されて、あらかじめ定められた損失関数（例えば、観察される出力と、ラベルによって指定される所望の出力と、の間の差分）が最小化される。この処理は、出力誤差が、あらかじめ定められた閾値を下回るまで繰り返し可能である。

【0022】

図２を参照して本明細書で上述したように、本開示のシステムおよび方法を実装する、機械学習に基づくモデルは、ｒａｗデータの次元を低減するためにまず特徴抽出を実行し、次いで、ＲＦ信号パラメータの値を推定するために回帰を実行することによって、複数の周波数チャネルにおいて受信されたＲＦ信号の多数のパラメータを処理することができる。一部の実装形態では、１つまたは複数の層が特徴抽出を実行するのに対して残りの層が回帰タスクを実行する同じニューラルネットワークにより、特徴抽出および回帰の両方を実行することができる。他の実装形態では、特徴抽出および回帰タスクを実行するために、別々にトレーニングされた２つのニューラルネットワークが使用可能である。

【0023】

本明細書で上述したように、本開示のシステムおよび方法は、空間領域における信号電力レベルの分布を推論するために周波数スペクトルダイバーシティーを活用する。しかしながら実際には、利用可能なＲＦチャネルの個数は、さまざまな設計および／または実装固有の制約によって制限され得る。図４の一連のプロット４１０Ａ～４１０Ｄによって略示されているように、限られた個数の利用可能な周波数チャネルにおけるｒａｗデータ測定値は、図２に示した円形プロットに類似した閉ループ曲線ではなく、各曲線の特定の部分だけを示すことができる。

【0024】

さらに、ＲＦ信号は、複数の周波数チャネルにおいて同時に送信されるのではなく、順次に送信されてもよい。図４の説明のための例では、各プロット４１０Ａ～４１０Ｄは、ＲＦチャネルの対応する集合におけるＲＦ信号測定値を表している。さまざまな一般的な技術は、順次のデータを処理するのには適していないこともあるが、本開示のシステムおよび方法は有利には、ｒａｗデータのバッチをリアルタイムで順次に処理するために、リカレントニューラルネットワーク（ＲＮＮ）を使用する。

【0025】

ＲＮＮは、ネットワークによって前に処理された入力に関する情報を表すそれ自体の状態を維持することができる。ＲＮＮは、後続の各入力を処理するために状態情報を考慮することになる。換言すると、ネットワーク出力は、現在の入力によってだけでなく、ネットワークによって前に処理された入力によっても定義される。

【0026】

一部のＲＮＮは、勾配減衰作用（gradient attenuation effect）の影響を受けやすい場合があり、これによって、ネットワークは、長い入力シーケンスを処理することが実質的に不可能になる。勾配減衰作用は、複数の長・短期記憶（ＬＳＴＭ：long short-term memory）層を利用することによって回避可能であり、これらの長・短期記憶層は、処理の次の層を実行するために、ネットワークが、それ自体の状態と入力との間で選択を行えるようにするゲーティング機構を利用する。ＬＳＴＭニューラルネットワークは、非常に低い勾配減衰を呈するため、このようなネットワークは、より長い入力シーケンスを処理することができる。

【0027】

したがって、ＲＮＮに基づくモデルは、複数の周波数チャネルにおいて受信されたＲＦ信号のパラメータの複数のバッチを順次に処理することができ、各バッチの処理後、受信されたＲＦ信号のＡｏＡおよび／または他のパラメータの推定精度を高めることができる。図４の説明のための例では、プロット４２０は、プロット４１０Ａ～４１０Ｄによって描画された４つのバッチにおいて受信されたＲＦ信号の順次の処理を表している。

【0028】

本開示のシステムおよび方法によって利用されるニューラルネットワークは、数千個の測定点を表すｒａｗデータが順次に処理されることになるため、限られた計算能力および／または限られた利用可能メモリを有するハードウェア（モバイルデバイスまたはウェアラブルデバイスなど）に展開可能であり、またニューラルネットワークの内部状態により、ネットワークによって処理された入力データから抽出された必要な情報が記憶されるため、ニューラルネットワークによって処理された後、ｒａｗデータの各バッチを廃棄することができる。

【0029】

一部の実装形態では、ｒａｗ入力データは、２つ以上のモデルのシーケンスによって処理可能であり、このシーケンスでは、すべてのモデルにより、複数のＲＦチャネルにおいて観察されるＲＦ信号電力レベル（例えば、ＲＦ信号の大きさおよび位相値によって表される）から、受信されたＲＦ信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相、および／または他のパラメータ）が推論され、各後続モデルは、このシーケンスにおける先行モデルのトレーニングに利用されるトレーニングデータセットを生成した信号伝搬環境における反射器の個数よりも多くの個数の反射器（ひいては多くの個数の信号経路）を含む信号伝搬環境において生成されるトレーニングデータセットでトレーニングされている。図５の説明のための例では、モデル５１０Ａは、単一の信号経路を含む（すなわちマルチパスを含まない）第１の信号伝搬環境において生成された第１のトレーニングデータセットでトレーニングされており、モデル５１０Ａは、観察されたＲＦ信号電力レベルからＡｏＡを推論する。モデル５１０Ｂは、少なくとも２つの信号経路を含む第２の信号伝搬環境において生成された第２のトレーニングデータセットでトレーニングされており、モデル５１０Ｂは、観察されたＲＦ信号電力レベルから、ＡｏＡと、第１の反射の特性（反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相）と、を推論する。モデル５１０Ｃは、少なくとも３つの信号経路を含む第３の信号伝搬環境において生成された、第３のトレーニングデータセットでトレーニングされており、モデル５１０Ｃは、観察されたＲＦ信号電力レベルから、ＡｏＡと、第１の反射および第２の反射の特性（反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相）と、を推論する。

【0030】

図５には３つのモデルのセットが示されているが、本開示のシステムおよび方法のさまざまな実装形態では、順次に使用されるモデルの個数は異なっていてもよい。

【0031】

ＡｏＡ誤差の推定には、推定されたＡｏＡ出力に基づいて、入力（すなわちＲＦ信号の大きさおよび位相値）を再構成し、再構成された入力と、観察される入力と、を比較することが含まれていてよく、したがって真のＡｏＡ値が未知であってもＡｏＡ誤差が推定可能である。

【0032】

すべてのモデル５１０の出力は、推定された誤差値と、あらかじめ定められた閾値（対応するモデル５１０のハイパーパラメータによって指定可能である）と、を比較することによって解析される。推定された誤差値が、あらかじめ定められた閾値を上回る場合、次のモデル５１０をアクティベートすることができる。このような繰り返しは、推定された誤差値が、あらかじめ定められた閾値以下になるまで継続することができ、閾値以下になった時点でこの方法を終了することができ、現在のレベルのモデル５１０によって生成された出力を最終的な出力として利用することができる。

【0033】

したがって、図５の各モデル５１０Ａ～５１０Ｋは、必要な個数の信号経路を含む信号伝搬環境において生成されるトレーニングデータセットを使用して、別々にトレーニング可能である。一部の実装形態では、信号経路の必要な個数よりも少ない個数の信号経路を含む信号伝搬環境において生成された別のトレーニングデータセットでモデルをさらにトレーニングすることができ、したがって、モデル５１０Ａ～５１０Ｋの後方互換性が保証され、すなわち、より高いレベルのモデルが、モデルのトレーニングに利用された信号伝搬環境における信号経路の個数よりも少ない個数の信号経路を有する信号伝搬環境において測定されたｒａｗデータについて十分な結果を生成することが保証される。

【0034】

図６には、図５のモデル５１０Ａ～５１０Ｋのセットによる、ＡｏＡ推定における誤差が度で略示されている。図６では、プロット６１０Ａは、０マルチパス環境から得られたトレーニングデータセットでトレーニングされたモデルによる、０マルチパス環境についてのＡｏＡ推定誤差を（度で）描画しており、プロット６１０Ｂは、１マルチパス環境から得られたトレーニングデータセットでトレーニングされたモデルによる、０マルチパス環境についてＡｏＡ推定誤差を（度で）描画しており、プロット６１０Ｃは、１マルチパス環境から得られたトレーニングデータセットでトレーニングされたモデルによる、１マルチパス環境についてＡｏＡ推定誤差を（度で）描画しており、プロット６１０Ｄは、０マルチパス環境から得られたトレーニングデータセットでトレーニングされたモデルによる、１マルチパス環境についてＡｏＡ推定誤差を（度で）描画している。図６からわかるように、プロットのペア６１０Ａ～６１０Ｂは、同様のＡｏＡ推定誤差を示しており、したがって、低次マルチパス環境における高次モデルの後方互換性を実証している。

【0035】

特に、モデル５１０Ａ～５１０Ｋは、限られた計算能力および／または限られた利用可能メモリを有するハードウェア（モバイルデバイスまたはウェアラブルデバイスなど）に展開可能である。与えられたどの時点においてもただ１つのモデルだけが動作可能である必要があるため、ハードウェアフットプリントは単にシリーズの最大のモデルを展開するのに十分であるべきである。というのは、各モデルは、使用後に廃棄されて、次のモデルが同じハードウェアにロードされ得るからである。

【0036】

図７は、アンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータの推定を実装するシステムのブロック図である。システム７００は、処理装置７０６を含むことができ、この処理装置７０６それ自体は、アンテナアレイ７０７に接続されたフロントエンド回路７０８を含む。フロントエンド回路７０８は、トランシーバ７１２と、アナログ・デジタル変換器（ＡＤＣ：analog-to-digital converter）７１４と、を含むことができる。アンテナアレイ７０７に接続されたトランシーバ７１２は、アンテナアレイ７０７を介してＲＦ信号を送受信可能である。処理装置は、本明細書で説明されるように、ＡｏＡ推定ツール１２０を実装可能である。処理装置は、１つまたは複数のアプリケーションプロセッサ、１つまたは複数のホストプロセッサ、１つまたは複数のマイクロコントローラ、および／または他の処理コンポーネントを含んでいてよい。一部の実施形態では、システム７００は、トランシーバと、このトランシーバによって受信または送信されるＲＦ信号を表すデジタル値を処理するプロセッサと、を含むシステムオンチップ（ＳｏＣ：System-on-Chip）として実装可能である。トランシーバおよびプロセッサは、共通のキャリア基板上に設けられていてよいか、または別々の集積回路に実装されていてよい。

【0037】

一部の実装形態では、処理装置は、複数のＲＦチャネルの各々において、各アンテナアレイ素子によって測定された、ＲＦ信号の大きさおよび位相の複数のペアを受け取ることができる。この場合、処理装置は、受信されたＲＦ信号のＡｏＡおよび／または他のパラメータ７２１Ａ～７２１Ｎ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相および／または他のパラメータ）を計算するために機械学習モデルを利用することができる。機械学習モデルは、本明細書において上でさらに詳細に説明したように、入力データの次元を低減させることを目的として特徴抽出を実行することができ、次いで、ＲＦ信号パラメータ値を推定することを目的として回帰タスクを実行するために、抽出された特徴（すなわち、次元が低減された空間における入力データの表現）を利用することができる。

【0038】

図８は、複数のＲＦチャネルにおいてアンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータを推定する例示的な方法の流れ図である。方法８００および／またはその個々の関数、ルーチン、サブルーチンまたは動作のそれぞれは、ハードウェア（回路、専用ロジックなど）、ソフトウェア（汎用コンピューティングシステムまたは専用マシンで実行されるものなど）、ファームウェア（組み込みソフトウェア）、またはそれらの任意の組み合わせを含む処理ロジックによって実行されてよい。方法８００の２つ以上の関数、ルーチン、サブルーチンまたは動作は、並列に、または以下に説明する順序とは異なり得る順序で実行可能である。特定の実装形態では、方法８００は、単一の処理スレッドによって実行可能である。方法８００は択一的には、２つ以上の処理スレッドによって実行されてよく、各スレッドは、方法の１つまたは複数の個々の関数、ルーチン、サブルーチンまたは動作を実行する。説明のための例では、方法８００を実装する処理スレッドは、（例えば、セマフォ、クリティカルセクションおよび／または他のスレッド同期化機構を使用して）同期化可能である。択一的には、方法８００を実装する処理スレッドは、互いに非同期で実行されてよい。一実施形態では、方法８００の動作は、図７の例示的なシステム７００の処理装置７０６によって実行されてよい。

【0039】

ブロック８１０では、上記の方法を実装する処理装置により、複数のＲＦチャネルにおいて、複数のアンテナ素子により、複数の無線周波数（ＲＦ）信号電力測定値を受け取ることができる。一部の実装形態では、本明細書において上でさらに詳細に説明したように、各アンテナアレイ素子についてのＲＦ信号の大きさおよび位相の複数のペアにより、観察されるＲＦ信号電力レベルを表すことができる。

【0040】

ブロック８２０では、処理装置により、複数のＲＦ信号電力測定値に機械学習モデルを適用することによって、推定されるＲＦ信号パラメータ値を計算することができる。受信信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相および／または他のパラメータ）によってＲＦ信号パラメータを表すことができる。機械学習モデルは、入力データの次元を低減させるために特徴抽出を実行することができる。次いで、機械学習は、本明細書において上でさらに詳細に説明したように、ＲＦ信号のパラメータ値を推定することを目的として回帰タスクを実行するために、抽出された特徴（すなわち、次元が低減された空間における入力データの表現）を利用することができる。

【0041】

ブロック８３０では、処理装置により、（例えば、ＲＦ信号パラメータ値を表示すること、および／または１つまたは複数の通信ネットワークを介して１つまたは複数の受信側にＲＦ信号パラメータ値を伝送することによって）ＲＦ信号パラメータ値を出力することができ、方法は終了可能である。

【0042】

図９は、複数のＲＦチャネルにおいて、アンテナアレイによって順次に受信されるＲＦ信号レベル測定値に基づき、ＲＦ信号のＡｏＡおよび／または他のパラメータを繰り返して推定する例示的な方法の流れ図である。方法９００および／またはその個々の関数、ルーチン、サブルーチンまたは動作のそれぞれは、ハードウェア（回路、専用ロジックなど）、ソフトウェア（汎用コンピューティングシステムまたは専用マシンで実行されるものなど）、ファームウェア（組み込みソフトウェア）、またはそれらの任意の組み合わせを含む処理ロジックによって実行されてよい。方法９００の２つ以上の関数、ルーチン、サブルーチンまたは動作は、並列に、または以下に説明する順序とは異なり得る順序で実行可能である。特定の実装形態では、方法９００は、単一の処理スレッドによって実行可能である。方法９００は択一的には、２つ以上の処理スレッドによって実行されてよく、各スレッドは、方法の１つまたは複数の個々の関数、ルーチン、サブルーチンまたは動作を実行する。説明のための例では、方法９００を実装する処理スレッドは、（例えば、セマフォ、クリティカルセクションおよび／または他のスレッド同期化機構を使用して）同期化可能である。択一的には、方法９００を実装する処理スレッドは、互いに非同期で実行されてよい。一実施形態では、方法９００の動作は、図７の例示的なシステム７００の処理装置７０６によって実行されてよい。

【0043】

ブロック９１０では、上記の方法を実装する処理装置により、複数のＲＦチャネルにおいて、複数のアンテナ素子により、無線周波数（ＲＦ）信号電力レベルの測定値のバッチを受け取ることができる。一部の実装形態では、本明細書において上でさらに詳細に説明したように、各アンテナアレイ素子についてのＲＦ信号の大きさおよび位相の複数のペアにより、観察されるＲＦ信号電力レベルを表すことができる。

【0044】

ブロック９２０では、処理装置により、受け取ったＲＦ信号電力測定値のバッチに機械学習モデルを適用することによって、推定されるＲＦ信号パラメータ値を計算することができる。受信信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相および／または他のパラメータ）によってＲＦ信号パラメータを表すことができる。機械学習モデルは、入力データの次元を低減させるために特徴抽出を実行することができる。次いで、機械学習は、本明細書において上でさらに詳細に説明したように、ＲＦ信号のパラメータ値を推定することを目的として回帰タスクを実行するために、抽出された特徴（すなわち、次元が低減された空間における入力データの表現）を利用することができる。

【0045】

ブロック９３０において、パラメータ推定誤差が、あらかじめ定められた閾値誤差値を上回っていることが特定されるのに応じて、この方法は、ループしてブロック９１０に戻ることができ、このブロック９１０では、異なるＲＦチャネルのセットについて、測定値の次のバッチを受け取ることができる。そうでない場合、すなわち、パラメータ推定誤差が、あらかじめ定められた閾値誤差値以下の場合、この方法は、ブロック９４０に続くことができる。

【0046】

ブロック９４０では、処理装置により、（例えば、ＲＦ信号パラメータ値を表示すること、および／または１つまたは複数の通信ネットワークを介して１つまたは複数の受信側にＲＦ信号パラメータ値を伝送することによって）ＲＦ信号パラメータ値を出力することができ、方法は終了可能である。

【0047】

図１０は、複数のＲＦチャネルにおいて、アンテナアレイによって受信されるＲＦ信号のＡｏＡおよび／または他のパラメータを機械学習モデルのセットによって繰り返して推定する例示的な方法の流れ図である。方法１０００および／またはその個々の関数、ルーチン、サブルーチンまたは動作のそれぞれは、ハードウェア（回路、専用ロジックなど）、ソフトウェア（汎用コンピューティングシステムまたは専用マシンで実行されるものなど）、ファームウェア（組み込みソフトウェア）、またはそれらの任意の組み合わせを含む処理ロジックによって実行されてよい。方法１０００の２つ以上の関数、ルーチン、サブルーチンまたは動作は、並列に、または以下に説明する順序とは異なり得る順序で実行可能である。特定の実装形態では、方法１０００は、単一の処理スレッドによって実行可能である。方法１０００は択一的には、２つ以上の処理スレッドによって実行されてよく、各スレッドは、方法の１つまたは複数の個々の関数、ルーチン、サブルーチン、または動作を実行する。説明のための例では、方法１０００を実装する処理スレッドは、（例えば、セマフォ、クリティカルセクションおよび／または他のスレッド同期化機構を使用して）同期化可能である。択一的には、方法１０００を実装する処理スレッドは、互いに非同期で実行されてよい。一実施形態では、方法１０００の動作は、図７の例示的なシステム７００の処理装置７０６によって実行されてよい。

【0048】

ブロック１０１０では、この方法を実装する処理装置により、複数のＲＦチャネルにおいて、複数のアンテナ素子により、複数のＲＦ信号電力測定値を受け取ることができる。一部の実装形態では、本明細書において上でさらに詳細に説明したように、各アンテナアレイ素子についてのＲＦ信号の大きさおよび位相の複数のペアにより、観察されるＲＦ信号電力レベルを表すことができる。

【0049】

ブロック１０２０では、処理装置により、２つ以上のモデルのシーケンスから、次の機械学習モデルを選択することができ、これらのモデルのシーケンスでは、各後続モデルは、このシーケンスにおける先行モデルのトレーニングに利用されるトレーニングデータセットを生成した信号伝搬環境における反射器の個数よりも多くの個数の反射器（したがって、より多くの個数の信号経路）を含む信号伝搬環境において生成されたトレーニングデータセットでトレーニングされている。各機械学習モデルは、入力データの次元を低減させるために特徴抽出を実行することができる。次いで、機械学習は、本明細書において上でさらに詳細に説明したように、ＲＦ信号のパラメータ値を推定することを目的として回帰タスクを実行するために、抽出された特徴（すなわち、次元が低減された空間における入力データの表現）を利用することができる。

【0050】

ブロック１０３０では、推定されるＲＦ信号パラメータ値を計算するために、処理装置により、複数のＲＦ信号電力測定値に、選択された機械学習モデルを適用することができる。本明細書において上でさらに詳細に説明したように、受信信号のＡｏＡおよび／または他のパラメータ（例えば、ＬｏＳ ＡｏＡ、反射ＡｏＡ、反射の減衰、反射の相対遅延、相対位相および／または他のパラメータ）によってＲＦ信号パラメータを表すことができる。

【0051】

ブロック１０４０において、パラメータ推定誤差が、あらかじめ定められた閾値誤差値を上回っていることが特定されるのに応じて、この方法は、ループしてブロック１０１０に戻ることができ、このブロック１０１０では、モデルのシーケンスから次のモデルが選択される。そうでない場合、すなわち、パラメータ推定誤差が、あらかじめ定められた閾値誤差値以下の場合、この方法は、ブロック１０５０に続くことができる。

【0052】

ブロック１０５０では、処理装置により、（例えば、ＲＦ信号パラメータ値を表示すること、および／または１つまたは複数の通信ネットワークを介して１つまたは複数の受信側にＲＦ信号パラメータ値を伝送することによって）ＲＦ信号パラメータ値を出力することができ、方法は終了可能である。

【0053】

本明細書で説明される実施形態は、上記の図面に関して記載されているのと同じまたは類似の機能を実行し得る処理装置を含む電子システムによって実装されてもよく、その逆でもあってよい。別の実施形態では、処理装置は、マイクロプロセッサまたはマイクロコントローラであってよい。ＡｏＡ推定ツール１２０は、マイクロコントローラまたはマイクロプロセッサで動作するファームウェアとして実装可能である。マイクロコントローラは、本明細書で説明される推定をアプリケーションプロセッサに報告することができる。電子システムは、本明細書で説明される推定を提供するためにマイクロコントローラを利用するコンピュータシステム用のホストプロセッサを含むことができる。ホストプロセッサは、１つまたは複数の処理装置、メモリ、および電子システムに対して動作を実行する他のハードウェアまたはソフトウェアコンポーネントを含んでいてよい。

【0054】

処理装置は、アナログおよび／またはデジタルの汎用入力／出力（「ＧＰＩＯ」：general purpose input/output）ポートを含んでいてよい。ＧＰＩＯポートは、プログラミング可能であってよい。ＧＰＩＯポートは、プログラマブルインターコネクトおよびロジック（「ＰＩＬ」：Programmable Interconnect and Logic）に接続可能であり、このＰＩＬは、ＧＰＩＯポートと、処理装置のデジタルブロックアレイと、の間の相互接続部として機能する。処理装置は、一部のケースにおいてさまざまなアナログ機能を実装するために、プログラミング可能なかつ再プログラミング可能なアナログブロックを含んでいてよい。処理装置はまた、デジタルブロックアレイを含んでいてもよい。１つの実施形態では、構成可能なユーザモジュール（「ＵＭ」：user module）を使用して、さまざまなデジタルロジック回路（例えば、ＤＡＣ、デジタルフィルタまたはデジタル制御システム）を実装するように、デジタルブロックアレイを設定することができる。デジタルブロックアレイは、システムバスに接続されていてよい。処理装置はまた、ＲＡＭ（random access memory）およびプログラムフラッシュなどのメモリ装置を含んでいてもよい。ＲＡＭは、ＳＲＡＭ（static RAM）であってよく、プログラムフラッシュは、不揮発性記憶装置であってよく、これらは、ファームウェア（例えば、本明細書で説明される動作を実装するためにプロセッサによって実行可能な制御アルゴリズム）を記憶するために使用可能である。処理装置はまた、メモリおよびプロセッサに接続されたメモリコントローラユニット（「ＭＣＵ」：memory controller unit）を含んでいてもよい。プロセッサは、命令を実行するかまたは動作を実行するように構成された処理要素（例えばプロセッサコア）であってよい。プロセッサは、本開示の利益を得る当業者によって理解されるように、他の処理要素を含んでいてよい。メモリは、処理装置の内部にあってもよいし、その外部にあってもよいことにも留意すべきである。メモリが内部にある場合、メモリは、プロセッシングコアなどの処理要素に接続可能である。メモリが処理装置の外部にある場合、本開示の利益を得る当業者によって理解されるように、処理装置は、メモリが設けられている他の装置に接続される。

【0055】

一実施形態では、処理装置はさらに処理ロジックを含む。処理ロジックの動作の一部または全部は、ファームウェア、ハードウェア、またはソフトウェア、またはそれらの一部の組み合わせで実装可能である。処理ロジックは、本明細書で説明されたように、アンテナアレイから信号を受信することができる。処理装置はまた、アナログブロックアレイ（例えば、フィールドプログラマブルアナログアレイ）を含んでいてもよい。システムバスにはアナログブロックアレイも接続可能である。一実施形態では、構成可能なＵＭを使用して、さまざまなアナログ回路（例えば、ＡＤＣまたはアナログフィルタ）を実装するように、アナログブロックアレイを構成できてもよい。アナログブロックアレイはまた、ＧＰＩＯポートに接続されてもよい。処理装置は、内部発振器／クロックおよび通信ブロック（「ＣＯＭ」）を含んでいてよい。別の実施形態では、処理装置は、スペクトラム拡散クロックを含む。発振器／クロックブロックは、処理装置の１つまたは複数のコンポーネントにクロック信号を供給する。通信ブロックは、アプリケーションインタフェース（「Ｉ／Ｆ」）ラインを介して、ホストプロセッサ（アプリケーションプロセッサとも称される）などの外部コンポーネントと通信するために使用可能である。

【0056】

処理装置は、例えば、集積回路（「ＩＣ」）、ダイ基板、マルチチップモジュール基板などの共通のキャリア基板上に設けられていてよい。択一的には、処理装置のコンポーネントは、１つまたは複数の別々の集積回路および／またはディスクリートコンポーネントであってよい。例示的な一実施形態では、処理装置は、カリフォルニア州サンノゼ在のサイプレスセミコンダクタ社によって開発された、プログラマブルシステムオンチップ（ＰＳｏＣ（登録商標）：Programmable System on a Chip）処理装置である。処理装置は択一的には、マイクロプロセッサまたは中央処理ユニット、コントローラ、専用プロセッサ、ＤＳＰ（digital signal processor）、ＡＳＩＣ（application specific integrated circuit）、ＦＰＧＡ（field programmable gate array）などの当業者に公知の１つまたは複数の他の処理装置であってよい。

【0057】

また、本明細書で説明される実施形態は、アプリケーションプロセッサに接続される処理装置の構成を有する形態に限定されることはなく、ＲＦ信号を測定してｒａｗデータをホストコンピュータに送信し、このホストコンピュータにおいてこのｒａｗデータがアプリケーションによって解析されるシステムを含み得ることにも留意すべきである。実際に、処理装置によって行われる処理は、アプリケーションプロセッサにおいて行われてもよい。

【0058】

ＡｏＡ推定ツール１２０は、処理装置のＩＣに組み込まれていてよく、または択一的には別のＩＣに組み込まれていてよい。択一的には、他の集積回路への組み込みのために、ＡｏＡ推定ツール１２０の記述を生成してコンパイルすることができる。例えば、ＶＨＤＬまたはＶｅｒｉｌｏｇなどのハードウェア記述言語を使用して、ＡｏＡ推定ツール１２０についてのパラメータを記述する挙動レベルコードまたはその一部を生成して、機械アクセス可能媒体（例えばＣＤ－ＲＯＭ、ハードディスク、フロッピーディスクなど）に記憶することができる。さらに、レジスタ転送レベル（「ＲＴＬ」：register transfer level）コード、ネットリストに、または回路レイアウトにも、挙動レベルコードをコンパイルして組み込み、機械アクセス可能媒体に記憶することができる。挙動レベルコード、ＲＴＬコード、ネットリストおよび回路レイアウトは、ＡｏＡ推定ツール１２０を記述するさまざまな抽象化レベルを表すことができる。電子システムのコンポーネントは、上で説明されたコンポーネントのすべてまた一部を含んでもよいし、またはこれらをまったく含まなくてもよいことに留意すべきである。

【0059】

一実施形態では、電子システムは、タブレットコンピュータにおいて使用されてよい。電子装置は択一的には、他のアプリケーション、例えばノートブックコンピュータ、携帯電話機、ＰＤＡ（personal data assistant）、キーボード、テレビジョン、リモートコントローラ、モニタ、ハンドヘルドマルチメディア装置、ハンドヘルドメディア（オーディオおよび／またはビデオ）プレーヤ、ハンドヘルドゲーム装置、ＰＯＳ（point of sales）トランザクション用の署名入力装置、ｅＢｏｏｋリーダー、医療機器など、倉庫トラッキング装置、例えば運送会社で使用されるスキャナなど、オートモーティブデバイス、例えば自動車キーおよび車両内の電子装置、ＧＰＳ（global position system）、またはコントロールパネルなどで使用されてもよい。特定の実施形態は、機械可読媒体に記憶された命令を含み得るコンピュータプログラム製品として実装可能である。これらの命令は、記載された動作を実行するための汎用プロセッサまたは専用プロセッサをプログラミングするために使用可能である。機械可読媒体は、機械（例えばコンピュータ）によって読み取り可能な形態（例えば、ソフトウェア、処理アプリケーション）で情報を記憶または伝送するための任意の機構を含む。機械可読媒体には、磁気記憶媒体（例えば、フロッピーディスク）、光学記憶媒体（例えば、ＣＤ－ＲＯＭ）、光磁気記憶媒体、ＲＯＭ（read-only memory）、ＲＡＭ（random-access memory）、消去可能プログラマブルメモリ（例えばＥＰＲＯＭおよびＥＥＰＲＯＭ）、フラッシュメモリ、または電子命令を記憶するのに適した別のタイプの媒体が含まれ得るが、これらに限定されない。

【0060】

さらに、一部の実施形態は、機械可読媒体が記憶されておりかつ／または２つ以上のコンピュータシステムによって実行される分散型コンピューティング環境において実施可能である。さらに、コンピュータシステム間で転送される情報は、コンピュータシステムを接続する通信媒体を越えてプルまたはプッシュされてよい。

【0061】

本明細書の方法の動作は、特定の順序で示されかつ説明されているが、各方法の動作の順序は変更可能であり、これにより、特定の動作は、逆の順序で実行可能であるか、または特定の動作は、少なくとも部分的に、他の動作と並行して実行可能である。別の実施形態では、異なる動作の命令またはサブ動作は、断続的かつ／または交互に行われてよい。本明細書で使用される「第１」、「第２」、「第３」、「第４」などの用語は、異なる要素間を区別するためのラベルを意味しており、必ずしもその番号指定にしたがった順序を示すことを意味してはいない。本明細書で使用される用語「～に接続される」は、直接に接続されているか、または１つまたは複数の中間コンポーネントを介して間接的に接続されていることを意味することができる。本明細書で説明されるさまざまなバスを介して供給されるいずれの信号も、他の信号と時間多重化され、かつ１つまたは複数の共通のオンダイバス（one-die-bus）を介して供給されてよい。付加的には、回路コンポーネントまたはブロック間の相互接続およびインタフェースをバスとして見ることも、または単一の信号線路として見ることも可能である。各バスは、択一的には１つまたは複数の単一の信号線路であってよく、また各単一の信号線路は、択一的にはバスであってよい。

【0062】

上の説明には、本発明の複数の実施形態の理解を提供するために、特定のシステム、コンポーネント、方法等々の実施例などの多数の特定の詳細が記載されている。しかしながら、少なくとも一部の実施形態は、これらの特定の詳細がなくても実施可能であることが、当業者には明らかであろう。他には、周知のコンポーネントまたは方法は、本発明の実施形態を不必要に不明瞭にしてしまうことを回避するために、詳細には説明されていないか、または簡単なブロック図の形態で示されている。したがって、記載された特定の詳細は、単なる例示である。特定の実装形態は、これらの例示的な詳細とは異なっていてよいが、依然として本発明の実施形態の範囲内にあるものと考えることができる。

【0063】

特許請求の範囲に記載された対象の実施形態は、本明細書で説明されたさまざまな動作を含むが、これらに限定されない。これらの動作は、ハードウェアコンポーネント、ソフトウェア、ファームウェア、またはこれらの組み合わせによって実行可能である。

【0064】

上の説明には、特許請求の範囲に記載された対象の複数の実施形態の理解を提供するために、特定のシステム、コンポーネント、方法等々の実施例などの多数の特定の詳細が記載されている。しかしながら、上記の方法の少なくとも一部の実施形態は、これらの特定の詳細がなくても実施可能であることが当業者には明らかであろう。他には、周知のコンポーネントまたは方法は、詳細には説明されていないか、または簡単なブロック図の形態で示されている。したがって、記載された特定の詳細は、単なる例示である。特定の実装形態は、これらの例示的な詳細とは異なっていてよいが、依然として特許請求の範囲の対象の範囲内にあるものと考えることができる。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【国際調査報告】