モノが通信し合って位置情報を交換！MITが機械学習で”モノのローカリゼーション”の精度向上へ

モノが通信し合って位置情報を交換！MITが機械学習で”モノの...の画像はこちら &gt;&gt;Image: Christine Daniloff, MIT今後のスマートシティ化や自動運転車両の普及で、位置情報はより重要なものになる。屋内でもヒトやモノの場所を把握したり、リアルタイムのマップを表示したりといったシステムが求められるなか、現時点でのローカリゼーション（位置情報特定）技術にはまだ課題が残っている。位置情報を特定するには、GPSやRFID、BLEビーコンといったものからの信号が頼りだが、環境が正確性に大きく影響するのだ。こうしたことからMITの研究者らは、ノイズの多い環境をものともせず正確な位置情報を割り出すシステムを開発した。・ソフトな情報を随時更新従来のやり方では、GPS衛星やデバイス間で共有される信号から、互いの相対的な位置を把握していた。ネットワーク内のデバイス（ノード）内で交換される信号をもとに、距離や角度といった、単一の値を推定する。こうして推定された値が位置情報を決定してしまうため、障害物や反射面、電波干渉…といったノイズとなる要素が増すにつれて、位置情報の精度も低下することになる。新しいシステムでは各ノードが、”ソフトな情報”を持つことで、GPSによる通信が失敗してもモノの位置がわかる。モノの位置を割り出す際には、ノード間のさまざまなタイプの位置情報やマップを参考にするわけだが、新しいシステムでは一度推定した値をあくまで可能性として保持するのがポイントだ。例えば、建物内の10m先のノードに信号を送信するとき、13m離れた反射面で跳ね返った信号を誤って採用してしまうことがある。新しいシステムでは、たくさんの信号から得られる情報をフル活用し、距離、角度、その他測定基準値について、考えられるすべての確率分布を作成する。つまり、13mとの距離情報は確率は高いがあくまで暫定値とし、遅延して届いた10mとの値も可能性として残す。周囲のノードからのすべての情報を統合して値を更新していき、部屋のレイアウトマップから13m離れている可能性が低いことがわかると10mとの値が採用される…といった具合だ。・機械学習で膨大なデータから位置を特定ここで問題となるのが、多くの特徴量を抽出することでデータの次元が大きくなって非効率になること。研究者らは効率を改善するために、位置を特定するのに最も有用なデータのパートを推定する技術を開発。これにより、100個ある情報を8個にまで削減できるという。さらには、機械学習を用いて測定値とコンテキストデータから位置を特定すモデルを作成。モデルはバックグラウンドで実行され、システムの精度の改善を随時おこなっている。ノイズの多い環境でのミュレーションでは、システムは従来の方法よりも大幅に優れた精度で位置情報を割り出し、環境が悪化しても精度が安定していたという。研究者らは現在、より少ない計算能力でシステムを動かす方法を開発していて、スマートシティ化の推進に貢献してくれそうだ。参照元：System helps smart devices find their position/MIT News