特許ウォッチ

公開番号2025139242
公報種別公開特許公報(A)
公開日2025-09-26
出願番号2024038068
出願日2024-03-12
発明の名称通信品質予測装置、通信品質予測方法、及びプログラム
出願人NTT株式会社,国立大学法人東京科学大学
代理人個人,個人
主分類H04W 16/20 20090101AFI20250918BHJP(電気通信技術)
要約【課題】少ないサンプル数で高精度に通信品質を予測することが可能な通信品質予測装置、通信品質予測方法、及びプログラムを提供する。
【解決手段】歩行者が存在しない環境下での点群を生成する背景点群生成部11と、領域R1内に存在する歩行者の点群を生成する歩行者点群生成部15と、歩行者点群を変形した変形後歩行者点群を生成する歩行者点群処理部31と、背景点群の環境下において、変形後歩行者点群を動作させたときの、第1の通信品質を算出する通信品質算出部35を備える。更に、領域R1内における背景点群と変形後歩行者点群を合成したシミュレーション点群を生成するシミュレーション点群生成部34と、シミュレーション点群と、第1の通信品質との対である第1データセットを生成する第1データセット生成部36と、第1データセットを用いて、予測モデルを訓練する訓練部37と、訓練後の予測モデルを用いて、領域R1内における通信品質を予測する通信品質予測部70を備える。
【選択図】図2
特許請求の範囲【請求項１】
領域内に移動体が存在しない環境下での静的空間情報を生成する静的空間情報生成部と、
前記領域内に存在する移動体の動的空間情報を生成する動的空間情報生成部と、
前記動的空間情報を変形した変形情報を生成する変形情報生成部と、
前記静的空間情報の環境下において、前記変形情報を動作させたときの、第１の通信品質を算出する通信品質算出部と、
前記領域内における前記静的空間情報と、前記変形情報を合成した第１の空間情報を生成する第１空間情報生成部と、
前記第１の空間情報と、前記第１の通信品質との対である第１データセットを生成する第１データセット生成部と、
前記第１データセットを用いて、前記領域内の通信品質の予測モデルを訓練する訓練部と、
前記訓練部で訓練された予測モデルを用いて、前記領域内における通信品質を予測する通信品質予測部と、
を備えた通信品質予測装置。
続きを表示（約 880 文字）【請求項２】
前記領域内における空間情報を測定する空間情報測定部と、
前記領域内における通信品質を取得する通信品質取得部と、
前記空間情報の測定値と、前記通信品質の測定値との対である第２データセットを生成する第２データセット生成部と、
前記訓練部で訓練された前記予測モデルを、第２データセットを用いてファインチューニングするファインチューニング部と、
を更に備えた請求項１に記載の通信品質予測装置。
【請求項３】
前記通信品質算出部は、レイトレース法を用いて前記第１の通信品質を算出する
請求項１または２に記載の通信品質予測装置。
【請求項４】
前記通信品質算出部は、前記変形情報を、静的空間情報が設定されている前記領域内で動き得る範囲で拡張して前記第１の通信品質を算出する
請求項１または２に記載の通信品質予測装置。
【請求項５】
静的空間情報生成部が、領域内に移動体が存在しない静的な環境下での、静的空間情報を生成し、
動的空間情報生成部が、前記領域内に存在する移動体の動的空間情報を生成し、
変形情報生成部が、前記動的空間情報を変形した変形情報を生成し、
通信品質算出部が、前記静的空間情報の環境下において、前記変形情報を動作させたときの、第１の通信品質を算出し、
第１空間情報生成部が、前記領域内における前記静的空間情報と、前記変形情報を合成した第１の空間情報を生成し、
第１データセット生成部が、前記第１の空間情報と、前記第１の通信品質との対である第１データセットを生成し、
訓練部が、前記第１データセットを用いて、前記通信品質の予測モデルを訓練し、
通信品質予測部が、前記訓練部で訓練された予測モデルを用いて、前記領域内における通信品質を予測する
通信品質予測方法。
【請求項６】
請求項１に記載した通信品質予測装置として、コンピュータを機能させるプログラム。

発明の詳細な説明【技術分野】
【０００１】
本開示は、通信品質予測装置、通信品質予測方法、及びプログラムに関する。
続きを表示（約 2,200 文字）【背景技術】
【０００２】
昨今におけるインターネット、ＩｏＴ、Ｍ２Ｍトラヒックの増加により、無線通信帯域は逼迫しており、より高い周波数の利用が検討されている。次世代移動体通信（５Ｇ、６Ｇ）では、３０ＧＨｚ以上の周波数（ミリ波）を用いた高速大容量通信の実現が期待される。
【０００３】
非特許文献１には、sub６ＧＨｚ帯以上の高い周波数を用いた通信において、周囲環境の影響を強く受けることについて言及されている。具体的に、ミリ波通信、テラヘルツ波通信では、人体等が電波を遮蔽することにより、通信品質が急激に低下することが示されている。このため、歩行者の存在、移動に基づいて通信品質の大きな変化を事前に検知し、送信電力制御、ハンドオーバなどの対策を取る必要がある。
【０００４】
非特許文献２には、ＲＧＢカメラ、深度カメラ、LiDARなどの測定装置による測定データに基づき、機械学習を用いて通信路状態を事前に予測し、送信電力制御及びハンドオーバを実施することが開示されている。
【０００５】
非特許文献３には、ハンドメイドモデルを用いて電波伝搬シミュレーション及び転移学習を実施することにより、通信品質予測に使用するサンプル数の削減、サンプル取得時間を短縮する事前学習方法が開示されている。具体的には、計算機シミュレーションを用いて、事前学習に使用する空間情報と通信品質の対であるデータセットを生成し、このデータセットを用いて通信品質の予測モデルを訓練する。事前訓練された予測モデルは、実際にシステムが使用される場所で得られたデータセットを用いて、モデルがその場所に適合するように転移学習される。
【０００６】
非特許文献４には、「PointNet」などの深層学習モデルを適用することで、セグメンテーションを実施し、人間、車両などの、通信品質に影響を及ぼす部分のデータを抽出することが開示されている。
【先行技術文献】
【非特許文献】
【０００７】
S. Collonge, G. Zaharia, and G.E. Zein,“Influence of the human activityon wide-band characteristics of the 60 GHz in- door radiochannel,” IEEE Trans. WirelessCommun., vol.3, no.6,pp.2396-2406, Nov. 2004.
S. Ohta,T. Nishio, R. Kudo, K. Takahashi, and H. Nagata,“Point cloud-based proactive link quality prediction for millimeter-wave communications,” arXiv preprint, vol. 2301.00752, pp. 1-19, Jan. 2023.
T. Mikuma,T. Nishio, M. Morikura, K. Yamamoto, Y. Asai and R. Miyatake, "Transfer Learning-Based ReceivedPower Prediction UsingRGB-D Camera in mmWave Networks," Proceedings of IEEE VTC-Spring, KualaLumpur, Malaysia, 2019,pp. 1-5.
Qi, CharlesR., et al. "Pointnet: Deep learning on point sets for 3d classification and segmentation." Proceedings of the IEEE conference on computer visionand pattern recognition. 2017.
【発明の概要】
【発明が解決しようとする課題】
【０００８】
しかし、上述した非特許文献３に記載されたハンドメイドモデル上での電波伝搬シミュレーションと転移学習を用いて通信品質を予測する方法では、実際のセンサから取得される空間情報（例えば、点群データ）を再現することが難しい。このため、データセットを高い精度で生成することができず、事前訓練による高い効果は期待できない。
【０００９】
更に、非特許文献２、３に開示されている技術は、深度画像を生成するシミュレーションであり、通信品質予測装置のための動的な空間情報を生成することについて言及されていない。また、非特許文献４には、予測モデルの事前学習に使用するデータセットを生成することについて開示されていない。
【００１０】
本開示は、上記事情に鑑みてなされたものであり、その目的とするところは、少ないサンプル数で高精度に通信品質を予測することが可能な通信品質予測装置、通信品質予測方法、及びプログラムを提供することにある。
【課題を解決するための手段】
（【００１１】以降は省略されています）

関連特許