MITなどの研究者が開発した新しいシステムにより、通常GPSが機能しない環境でも、スマートデバイスのネットワークが協力して自らの位置を特定できるようになります。
今日、「モノのインターネット」という概念はかなり広く知られています。世界中で数十億個の相互接続されたセンサーが、日用品、機器、車両に組み込まれたり、人間や動物に装着されたりして、さまざまな用途のためにデータを収集・共有しています。
新たな概念である「モノの位置特定」により、こうしたデバイスは自らの位置を感知し、伝達することが可能になります。この機能は、サプライチェーンの監視、自律走行ナビゲーション、高度に接続されたスマートシティ、さらにはリアルタイムの世界の「生きた地図」の形成にも役立つ可能性があります。専門家は、モノの位置特定市場が2027年までに1,280億ドルに成長すると予測しています。
この概念は、高精度な位置特定技術に依存しています。従来の方法では、GPS衛星やデバイス間で共有される無線信号を活用し、互いの相対距離と位置を特定します。しかし問題があります。反射面、障害物、その他の干渉信号がある場所、例えば建物の内部、地下トンネル、あるいは通りの両側に高層ビルが立ち並ぶ「アーバンキャニオン」では、精度が大きく低下します。
MIT、フェラーラ大学、応用数学バスク研究センター（BCAM）、南カリフォルニア大学の研究者らは、こうしたノイズが多くGPSが使えない地域でも位置情報を取得できるシステムを開発しました。このシステムについて説明した論文は、Proceedings of the IEEEに掲載されています。
「ノード」と呼ばれるネットワーク内のデバイスが、信号を遮る、あるいは「過酷な」環境で無線通信を行う場合、本システムは、ノード間で交換される不安定な無線信号、デジタル地図、慣性データなど、さまざまな種類の位置情報を統合します。その際、各ノードは、「ソフト情報」と呼ばれる、起こりうるすべての位置に関連する情報を、他のすべてのノードとの関係において考慮します。本システムは、機械学習技術と、処理されたデータの次元を削減する技術を活用し、測定値と文脈データから起こりうる位置を特定します。その情報を用いて、ノードの位置を正確に特定します。
過酷なシナリオのシミュレーションでは、本システムは従来の方法を大幅に上回る性能を発揮しました。特筆すべきは、位置特定精度の理論上の限界に近い性能を一貫して示したことです。さらに、無線環境が次第に悪化するにつれて、従来のシステムの精度は劇的に低下した一方、新しいソフト情報ベースのシステムは安定した精度を維持しました。
「厳しい状況がさらに厳しくなっても、当システムは位置特定の精度を保ちます」と、航空宇宙学科および情報・意思決定システム研究所（LIDS）の教授であり、無線情報・ネットワーク科学研究所の所長でもあるMoe Win氏は述べています。「過酷な無線環境では、反射やエコーが生じ、正確な位置情報の取得がはるかに困難になります。MITキャンパス内のStataセンター[ここ]のような場所は、信号を反射する表面がいたるところにあるため、特に困難です。当社のソフト情報手法は、このような過酷な無線環境において特に堅牢です。」
論文にはWin氏とともに、以下の研究者も参加しています。フェラーラ大学のAndrea Conti氏、BCAMのSantiago Mazuelas氏、フェラーラ大学のStefania Bartoletti氏、南カリフォルニア大学のWilliam C. Lindsey氏。
「ソフト情報」の取得
ネットワーク位置特定では、ノードは一般に、アンカーまたはエージェントと呼ばれます。アンカーとは、GPS衛星や無線基地局など、位置が既知のノードです。エージェントとは、自動運転車、スマートフォン、ウェアラブル機器など、位置が未知のノードです。
位置を特定するために、エージェントはアンカーを基準点として利用することも、他のエージェントと情報を共有して自身の方位を決定することもできます。そのためには無線信号を送信する必要があり、この信号は位置情報を含んだ状態で受信機に到達します。例えば、受信した波形の電力、角度、到達時間は、ノード間の距離や向きと相関しています。
従来の位置特定方法では、信号の特徴の一つを抽出し、例えば2つのノード間の距離や角度を一つの値として推定します。位置特定の精度は、こうした柔軟性のない（あるいは「ハード」な）値の精度にのみ依存しており、環境が過酷になるほど精度が大幅に低下することが示されています。
例えば、反射面の多い建物内で、10メートル離れた別のノードに信号を送信するとします。信号は跳ね返りながら、13メートル離れていることに相当する時間で受信ノードに到達する可能性があります。従来の方法では、この誤った距離を値として割り当ててしまう可能性が高いです。
今回の新しい研究では、研究者らは位置特定にソフト情報を用いる方法を試みることにしました。この手法は、多くの信号の特徴と文脈情報を活用し、起こりうるすべての距離、角度、その他の指標の確率分布を作成します。「値について確定的な選択を一切行わないため、『ソフト情報』と呼ばれています」とConti氏は述べています。
本システムは、電力、角度、飛行時間など、信号の特徴を多数のサンプルとして測定します。文脈データは、デジタル地図や、ノードの移動を捉えて予測するモデルなど、外部ソースから取得されます。
先ほどの例に戻ります。信号の到達時間の初期測定値に基づき、本システムは依然として、ノード間の距離が13メートルである可能性が高いと判断します。しかし、信号の遅延や電力損失に基づき、10メートルである可能性も小さいと判断します。本システムは周囲のノードからのその他すべての情報を統合する際に、起こりうる各値の尤度を更新します。例えば、地図を参照して、部屋のレイアウトから両方のノードが13メートル離れている可能性は極めて低いと判断することができます。更新されたすべての情報を組み合わせることで、ノードが10メートル離れた位置にある可能性がはるかに高いと判断します。
「結局のところ、確率の低い値を残しておくことが重要なのです」とWin氏は述べています。「確定的な値を示す代わりに、私は13メートル離れていることを非常に確信していると伝えますが、より近い可能性も小さいながらあります。これにより追加の情報が得られ、ノードの位置を特定する上で大きな利点となります。」
複雑さの軽減
しかし、信号から多くの特徴を抽出すると、次元の大きなデータが生成され、システムにとって複雑すぎ、非効率になる可能性があります。効率を向上させるため、研究者らは、すべての信号データを次元が削減され、容易に計算可能な空間へと縮約しました。
そのために、「主成分分析」に基づき、受信波形のうち位置の特定に最も有用な側面と最も有用でない側面を特定しました。この技術は、多次元データセットにおいて最も有用な側面を残し、残りを破棄することで、次元が削減されたデータセットを作成します。受信波形がそれぞれ100個のサンプル測定値を含む場合、この技術により、その数を例えば8個にまで削減できる可能性があります。
最後の革新は、機械学習技術を用いて、測定値と文脈データから起こりうる位置を説明する統計モデルを学習させたことです。このモデルはバックグラウンドで動作し、信号の反射が測定値にどのように影響するかを測定し、システムの精度をさらに高めるのに役立ちます。
研究者らは現在、すべての必要な情報を送信または計算できないリソースの限られたノードと連携するために、計算能力の消費を抑える方法を設計しています。また、一部のノードが情報を共有できない、あるいは共有しようとしない「デバイスフリー」の位置特定にシステムを適用する取り組みも進めています。これには、これらのノードから信号がどのように後方散乱されるかに関する情報を利用し、他のノードがそれらの存在と位置を把握できるようにします。
