情報通信ネットワーク研究室では、IoTネットワーク技術や機械学習、AIを活用したネットワークデザイン手法の研究に取組んでいます。本サイトでは次の各テーマの概要を説明させて頂きます。 (1) 深層学習を活用した屋内位置検出： GPSなどの電波受信が難しい屋内で位置情報を利用するサービスの需要が拡大しています。BLE の電波強度（RSSI）を深層学習により分析して位置検出を行う手法を研究しています。 (2) AIを活用した局地的豪雨予測方式： 降雨観測レーダや雲画像等の気象データを活用した局地的豪雨の予測方式を研究しています。 (3) その他の研究課題： IoT と AI を活用したドローン自律制御方式や可視光LED通信の応用システム等も進めています。
図１に屋内位置検出の実験構成を、図２に機械学習による位置検出手法を示します。図示のように部屋の天井にBLE送信機を6個配置し、部屋の平面を6×8 に分割した1.2m x 1.3mの48区画でのRSSIをスマートフォンのBLE受信機で測定します。1つの区画につき200組、合計9600組2セットのデータを学習データとして利用し、位置推定時に測定したRSSIテストデータを用いてスマートフォンがどの区画にあるかを検出します。
深層学習を適用した場合の結果を図３に示します。深層学習では表１の各方式に比べて大きく改善が見られ、 1.2m x 1.3mの区画に対して60.3% 、隣接区画を含む3.6m x 3.9m の範囲では74.5%の識別成功率が得られました。
今後は更に改善を目指して、BLE送信機に代えて受信機を配置する方式を検討しています。
GPS*= Global Positioning System BLE**= Bluetooth Low Energy
＜学会発表＞
(1) 中垣内ほか、電気関係学会関西大会、 G7-13, 2017
２． ＡＩを活用した局地的豪雨予測方式
近年、気候変動の影響により局地的短期豪雨（ゲリラ豪雨）が増加しています。大阪工業大学・情報科学部では、キャンパスがある枚方市と連携し、災害対策に向けた局地的短期豪雨の予測方式を検討しています。大学に設置したカメラで周辺上空の雲画像を１分毎に撮影してデータを蓄積し、国土交通省のリアルタイム降雨分布情報ＸＲＡＩＮ、およびＮＩＣＴのフェーズドアレイレーダの観測データ等を活用して予測を実現します。
観測データの例として、2019年9月の豪雨直前の雲画像と降雨分布図の対応例を図４に示します。
雲画像とＸＲＡＩＮによる過去の降雨分布データも活用して、大学周辺での豪雨予測の試行実験を行いました。降雨分布図を用いたCNN # による予測例を表２に示します。5分後の予測では83%、10分後では78%の精度が得られました。
雲画像を用いたDML## による天気の分類例を表３に示します。雲画像から天気を晴れ、曇り、雨に分類した例で 73% の精度となりました。曇りの分類から更に豪雨直前の画像識別を試みます。
今後は、時系列データ処理や複数の方式を組合わせ、風速や気圧も加味して予測精度の改善を目指します。
CNN#= Convolutional Neural Network（畳込みニューラルネットワーク）
DML ##= Deep Metric Learning （深層距離学習）
＜学会発表予定＞
(1) 今井ほか、電子情報通信学会・MSS研究会、Nov. 2020
(2) 狩田ほか、電子情報通信学会・MSS研究会、Nov. 2020
災害時などのIoTネットワーク活用としてBLEやWiFiのRSSI を探索して機械学習により自律飛行するドローンの制御方式を検討しています。
ドローン自律飛行制御方式の実験構成を図５に示します。ドローン上に搭載したRaspberry Pi Zero によりBLEビーコンからの電波強度RSSIを測定し、着陸予定地点に近づくとカメラ映像により、予め学習した地点を地上のPCで探索してドローンが自律的に着陸する方式を実現しました
電波信号の利用が難しい病院やGPSが届かない地下街などで可視光LED通信の応用範囲が広がっています。本研究課題では、LED照明光を利用した屋内位置情報システムを検討しています。
天井に設置したLED照明にデジタルIDを埋め込んだ信号で変調を掛け、受信したスマホでIDに対応した屋内位置を示す地図や案内図を表示するシステムを構成して実験を行いました。
受信機を屋内各所に設置し、人がIDを発信するLEDビーコンを装着するように構成すれば、人の動きをトレースする機能にも適用が可能となります。
研究シーズ・教員に対しての問合せや相談事項はこちら
技術相談申込フォーム
