JP7598307B2

JP7598307B2 - MODEL CREATION DEVICE, PROPAGATION CHARACTERISTICS SPECIFICATION DEVICE, MODEL CREATION METHOD, AND PROGRAM

Info

Publication number: JP7598307B2
Application number: JP2021170707A
Authority: JP
Inventors: 竜也長尾
Original assignee: KDDI Research Inc
Current assignee: KDDI Research Inc
Priority date: 2021-10-19
Filing date: 2021-10-19
Publication date: 2024-12-11
Anticipated expiration: 2041-10-19
Also published as: JP2023060988A

Description

本発明は、電波の電波伝搬特性を特定するために用いられるモデル作成装置、モデル作成方法、プログラム、並びに、このモデル作成装置により作成された機械学習モデルを用いて電波の電波伝搬特性を特定する伝搬特性特定装置に関する。 The present invention relates to a model creation device, a model creation method, and a program used to identify radio wave propagation characteristics of radio waves, as well as a propagation characteristic identification device that identifies radio wave propagation characteristics of radio waves using a machine learning model created by the model creation device.

空間内の電波の伝搬特性を推定する手法として、受信点を含む地図データにＣＮＮ（Convolutional Neural Network）を適用して都市構造パラメータを特徴量として抽出し、抽出された特徴量からＦＮＮ（Fully-connected Neural Network）により推定する手法が知られている（例えば、特許文献１を参照）。 A known method for estimating the propagation characteristics of radio waves in space involves applying a convolutional neural network (CNN) to map data including reception points to extract urban structure parameters as features, and then estimating the propagation characteristics from the extracted features using a fully-connected neural network (FNN) (see, for example, Patent Document 1).

特開２０１９－１２２００８号公報JP 2019-122008 A

電波伝搬特性には、送信点及び受信点から視認可能な構造物が大きく影響するが、従来の手法においては、構造物等の形状情報のみが用いられており、電波伝搬特性への影響を及ぼす材質情報は使用されていない。したがって、電波伝搬特性の精度が劣化するという問題が生じていた。 Radio wave propagation characteristics are significantly affected by structures visible from the transmitting and receiving points, but conventional methods only use shape information about structures, etc., and do not use material information that affects radio wave propagation characteristics. This has resulted in a problem of deterioration in the accuracy of radio wave propagation characteristics.

そこで、本発明はこれらの点に鑑みてなされたものであり、空間の画像データを用いた機械学習により電波の伝搬特性の推定精度を改善することを目的とする。 Therefore, the present invention has been made in consideration of these points, and aims to improve the accuracy of estimating radio wave propagation characteristics by machine learning using spatial image data.

本発明の第１の態様のモデル作成装置は、所定位置から視認することができる領域を示す学習用可視領域画像データを取得する画像データ取得部と、前記学習用可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置とを検出する学習用物体検出部と、前記学習用可視領域画像データに対応する三次元空間において電波を送信する送信機から当該電波を受信する受信機まで当該電波を送信した場合の電波伝搬特性を示す学習用電波伝搬特性データを取得する特性データ取得部と、前記学習用可視領域画像データと、前記学習用物体検出部が検出した前記物体の種別及び当該物体の位置を示す情報を含む学習用物体検出情報と、前記送信機が設置された送信位置と、前記受信機が設置された受信位置と、前記学習用電波伝搬特性データとを教師データとして機械学習し、基準位置から視認することができる領域を示す可視領域画像データと、当該可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置を示す情報を含む物体検出情報と、前記送信機が設置された入力送信位置と、前記受信機が設置された入力受信位置と、が入力されると、入力された当該入力送信位置から当該入力受信位置まで前記電波が送信された場合の電波伝搬特性を示す電波伝搬特性データを出力する電波伝搬特性モデルを作成するモデル作成部と、を有する。 The model creation device of the first aspect of the present invention includes an image data acquisition unit that acquires training visible area image data indicating an area that can be seen from a predetermined position, a training object detection unit that detects the type of object appearing in an image corresponding to the training visible area image data and the position of the object, a characteristic data acquisition unit that acquires training radio wave propagation characteristic data indicating the radio wave propagation characteristics when radio waves are transmitted from a transmitter that transmits radio waves to a receiver that receives the radio waves in a three-dimensional space corresponding to the training visible area image data, and a training object detection unit that includes the training visible area image data and information indicating the type of the object detected by the training object detection unit and the position of the object. The device has a model creation unit that performs machine learning using the information, the transmitting position where the transmitter is installed, the receiving position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and creates a radio wave propagation characteristic model when the device receives visible area image data indicating an area that can be seen from a reference position, object detection information including information indicating the type of object appearing in an image corresponding to the visible area image data and the position of the object, an input transmitting position where the transmitter is installed, and an input receiving position where the receiver is installed, and outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio waves are transmitted from the input transmitting position to the input receiving position.

前記学習用物体検出部は、前記物体の材質をさらに検出し、前記モデル作成部は、前記学習用物体検出部が検出した前記物体の種別、当該物体の位置及び当該物体の材質を示す情報を含む前記学習用物体検出情報と、前記学習用可視領域画像データと、前記送信位置と、前記受信位置と、前記学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記可視領域画像データと、前記物体の材質を示す情報をさらに含む前記物体検出情報と、前記入力送信位置と、前記入力受信位置と、が入力されると、前記電波伝搬特性データを出力する前記電波伝搬特性モデルを作成してもよい。 The training object detection unit may further detect the material of the object, and the model creation unit may perform machine learning on the training object detection information, which includes information indicating the type of the object detected by the training object detection unit, the position of the object, and the material of the object, the training visible area image data, the transmission position, the reception position, and the training radio wave propagation characteristic data as the teacher data, thereby creating the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the visible area image data, the object detection information, which further includes information indicating the material of the object, the input transmission position, and the input reception position are input.

前記モデル作成部は、前記所定位置から被写体までの距離を示す深度情報を含む前記学習用可視領域画像データと、前記学習用物体検出情報と、前記送信位置と、前記受信位置と、前記学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記基準位置から被写体までの距離を示す深度情報をさらに含む前記可視領域画像データと、前記物体検出情報と、前記入力送信位置と、前記入力受信位置と、が入力されると、前記電波伝搬特性データを出力する前記電波伝搬特性モデルを作成してもよい。 The model creation unit may perform machine learning using the training visible area image data including depth information indicating the distance from the specified position to the subject, the training object detection information, the transmission position, the reception position, and the training radio wave propagation characteristic data as the teacher data, thereby creating the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the training visible area image data further including depth information indicating the distance from the reference position to the subject, the object detection information, the input transmission position, and the input reception position are input.

前記モデル作成部は、前記所定位置から視認することができる全方位の領域を示す前記学習用可視領域画像データと、当該学習用可視領域画像データに対応する全天球画像において前記学習用物体検出部が検出した前記物体の種別及び当該物体の位置を示す情報を含む前記学習用物体検出情報と、前記送信位置と、前記受信位置と、前記学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記基準位置から視認することができる全方位の領域を示す前記可視領域画像データと、当該可視領域画像データに対応する全天球画像に写っている物体の種別及び位置を示す物体検出情報と、前記入力送信位置と、前記入力受信位置と、が入力されると、前記電波伝搬特性データを出力する前記電波伝搬特性モデルを作成してもよい。 The model creation unit may perform machine learning using the training visible area image data indicating an area visible in all directions from the predetermined position, the training object detection information including information indicating the type and position of the object detected by the training object detection unit in the omnidirectional image corresponding to the training visible area image data, the transmission position, the reception position, and the training radio wave propagation characteristic data as the teacher data, thereby creating the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the training visible area image data indicating an area visible in all directions from the reference position, the object detection information indicating the type and position of the object appearing in the omnidirectional image corresponding to the training visible area image data, the input transmission position, and the input reception position are input.

前記モデル作成部は、前記物体検出情報と、前記学習用可視領域画像データと、前記送信位置と、前記受信位置と、第１周波数の電波を送信した場合の電波伝搬特性を示す第１学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記第１周波数の電波の電波伝搬特性を示す前記電波伝搬特性データを出力する第１の前記電波伝搬特性モデルを作成し、前記物体検出情報と、前記学習用可視領域画像データと、前記入力送信位置と、前記受信位置と、第２周波数の電波を送信した場合の電波伝搬特性を示す第２学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記第２周波数の電波の電波伝搬特性を示す前記電波伝搬特性データを出力する第２の前記電波伝搬特性モデルを作成してもよい。 The model creation unit may create a first radio wave propagation characteristic model that outputs the radio wave propagation characteristic data indicating the radio wave propagation characteristics of the first frequency radio wave by performing machine learning on the object detection information, the learning visible range image data, the transmission position, the reception position, and first learning radio wave propagation characteristic data indicating the radio wave propagation characteristics when radio waves of the first frequency are transmitted as the teacher data, and may create a second radio wave propagation characteristic model that outputs the radio wave propagation characteristic data indicating the radio wave propagation characteristics of the second frequency radio wave by performing machine learning on the object detection information, the learning visible range image data, the input transmission position, the reception position, and second learning radio wave propagation characteristic data indicating the radio wave propagation characteristics when radio waves of the second frequency are transmitted as the teacher data.

前記モデル作成部は、前記学習用物体検出部が検出した所定の種別の物体を除く前記物体の種別と、当該物体の位置とを示す情報を含む前記物体検出情報と、前記学習用可視領域画像データと、前記送信位置と、前記受信位置と、前記第１周波数の電波を送信した場合の電波伝搬特性を示す前記第１学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記第１の電波伝搬特性モデルを作成し、前記学習用物体検出部が検出した前記所定の種別の物体を含む前記物体の種別と前記物体の位置とを示す情報を含む前記物体検出情報と、前記第１周波数より高い前記第２周波数の電波を送信した場合の電波伝搬特性を示す前記学習用可視領域画像データと、前記送信位置と、前記受信位置と、前記第２学習用電波伝搬特性データとを前記教師データとして機械学習させることにより、前記第２の電波伝搬特性モデルを作成してもよい。 The model creation unit may create the first radio wave propagation characteristic model by machine learning the object detection information including information indicating the type of the object detected by the learning object detection unit, excluding the object of a predetermined type, and the position of the object, the learning visible area image data, the transmission position, the reception position, and the first learning radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio wave of the first frequency is transmitted, as the teacher data, and may create the second radio wave propagation characteristic model by machine learning the object detection information including information indicating the type of the object detected by the learning object detection unit, including the object of the predetermined type, and the position of the object, the learning visible area image data indicating the radio wave propagation characteristics when the radio wave of the second frequency higher than the first frequency is transmitted, the transmission position, the reception position, and the second learning radio wave propagation characteristic data, as the teacher data.

前記学習用物体検出部は、移動する物体が含まれている前記学習用可視領域画像データを検出し、前記モデル作成部は、移動する物体が含まれていることを前記学習用物体検出部が検出した前記学習用可視領域画像データを除く前記学習用可視領域画像データを含む前記教師データを用いて機械学習することにより、前記電波伝搬特性モデルを作成してもよい。 The training object detection unit may detect the training visible area image data containing a moving object, and the model creation unit may create the radio wave propagation characteristic model by performing machine learning using the teacher data including the training visible area image data excluding the training visible area image data in which the training object detection unit has detected that a moving object is included.

本発明の第２の態様の伝搬特性特定装置は、基準位置から視認することができる領域を示す可視領域画像データを取得するデータ取得部と、当該可視領域画像データに対応する画像に写っている物体の種別及び位置を検出する推定用物体検出部と、電波を送信する送信機が設置された入力送信位置と、前記電波を受信する受信機が設置された入力受信位置とを指定するユーザの操作を受け付ける受付部と、モデル作成装置が作成した学習済みの電波伝搬特性モデルに対し、前記データ取得部が取得した可視領域画像データと、前記推定用物体検出部が検出した前記物体の種別及び位置を示す物体検出情報と、前記受付部が受け付けた前記入力送信位置と、受け付けた前記入力受信位置と、を入力データとして入力し、前記電波伝搬特性モデルが出力する前記電波伝搬特性データを特定する特定部と、前記特定部が特定した前記電波伝搬特性データを出力する出力部と、を備える。 The propagation characteristic identification device of the second aspect of the present invention includes a data acquisition unit that acquires visible area image data indicating an area visible from a reference position, an estimation object detection unit that detects the type and position of an object appearing in an image corresponding to the visible area image data, a reception unit that receives a user's operation to specify an input transmission position where a transmitter that transmits radio waves is installed and an input reception position where a receiver that receives the radio waves is installed, an identification unit that inputs the visible area image data acquired by the data acquisition unit, object detection information indicating the type and position of the object detected by the estimation object detection unit, the input transmission position received by the reception unit, and the input reception position received by the reception unit as input data to a trained radio wave propagation characteristic model created by a model creation device, and identifies the radio wave propagation characteristic data output by the radio wave propagation characteristic model, and an output unit that outputs the radio wave propagation characteristic data identified by the identification unit.

本発明の第３の態様のモデル作成方法は、コンピュータが実行する、所定位置から視認することができる領域を示す学習用可視領域画像データを取得するステップと、前記学習用可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置を検出するステップと、前記学習用可視領域画像データに対応する三次元空間において電波を送信する送信機から当該電波を受信する受信機まで当該電波を送信した場合の電波伝搬特性を示す学習用電波伝搬特性データを取得するステップと、前記学習用可視領域画像データと、検出した前記物体の種別及び当該物体の位置を示す情報を含む学習用物体検出情報と、前記送信機が設置された送信位置と、前記受信機が設置された受信位置と、前記学習用電波伝搬特性データとを教師データとして機械学習し、基準位置から視認することができる領域を示す可視領域画像データと、当該可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置を示す情報を含む物体検出情報と、前記送信機が設置された入力送信位置と、前記受信機が設置された入力受信位置と、が入力されると、入力された当該入力送信位置から当該入力受信位置まで前記電波が送信された場合の電波伝搬特性を示す電波伝搬特性データを出力する電波伝搬特性モデルを作成するステップと、を有する。 The model creation method of the third aspect of the present invention is executed by a computer and includes the steps of acquiring training visible area image data indicating an area that can be seen from a predetermined position, detecting the type of object appearing in an image corresponding to the training visible area image data and the position of the object, acquiring training radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio waves are transmitted from a transmitter that transmits radio waves to a receiver that receives the radio waves in a three-dimensional space corresponding to the training visible area image data, and acquiring training object detection information including the training visible area image data, information indicating the type of the detected object and the position of the object, and The method includes a step of performing machine learning using the transmission position where the transmitter is installed, the reception position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and creating a radio wave propagation characteristic model that outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio waves are transmitted from the input transmission position to the input reception position when visible area image data indicating an area visible from a reference position, object detection information including information indicating the type of object and the position of the object appearing in an image corresponding to the visible area image data, an input transmission position where the transmitter is installed, and an input reception position where the receiver is installed are input.

本発明の第４の態様のプログラムは、コンピュータに、所定位置から視認することができる領域を示す学習用可視領域画像データを取得するステップと、前記学習用可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置を検出するステップと、前記学習用可視領域画像データに対応する三次元空間において電波を送信する送信機から当該電波を受信する受信機まで当該電波を送信した場合の電波伝搬特性を示す学習用電波伝搬特性データを取得するステップと、前記学習用可視領域画像データと、検出した前記物体の種別及び当該物体の位置を示す情報を含む学習用物体検出情報と、前記送信機が設置された送信位置と、前記受信機が設置された受信位置と、前記学習用電波伝搬特性データとを教師データとして機械学習し、基準位置から視認することができる領域を示す可視領域画像データと、当該可視領域画像データに対応する画像に写っている物体の種別と当該物体の位置を示す情報を含む物体検出情報と、前記送信機が設置された入力送信位置と、前記受信機が設置された入力受信位置と、が入力されると、入力された当該入力送信位置から当該入力受信位置まで前記電波が送信された場合の電波伝搬特性を示す電波伝搬特性データを出力する電波伝搬特性モデルを作成するステップと、を実行させる。 The program of the fourth aspect of the present invention includes the steps of: acquiring training visible area image data indicating an area that can be seen from a predetermined position; detecting the type of object and the position of the object appearing in an image corresponding to the training visible area image data; acquiring training radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio waves are transmitted from a transmitter that transmits radio waves in a three-dimensional space corresponding to the training visible area image data to a receiver that receives the radio waves; acquiring the training visible area image data, training object detection information including information indicating the type of the detected object and the position of the object, and the transmitter. and performing machine learning using the transmitting position where the transmitter is installed, the receiving position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and when visible area image data showing an area visible from a reference position, object detection information including information showing the type of object and the position of the object appearing in an image corresponding to the visible area image data, an input transmitting position where the transmitter is installed, and an input receiving position where the receiver is installed, the step of creating a radio wave propagation characteristic model that outputs radio wave propagation characteristic data showing the radio wave propagation characteristics when the radio waves are transmitted from the input transmitting position to the input receiving position is executed.

本発明によれば、空間の画像データを用いた機械学習により電波伝搬特性の推定精度を改善するという効果を奏する。 The present invention has the effect of improving the accuracy of estimating radio wave propagation characteristics through machine learning using spatial image data.

実施形態に係るモデル作成装置の概要を示す。1 shows an overview of a model creating device according to an embodiment. モデル作成装置の構成を示す。The configuration of the model creation device is shown. 学習用物体検出部による物体の種別及び位置の検出の例を示す。13 shows an example of detection of the type and position of an object by the training object detection unit. 学習用物体検出部による物体の種別及び位置の検出の別の例を示す。13 shows another example of detection of the type and position of an object by the training object detection unit. 伝搬特性特定装置の構成を示す。2 shows the configuration of a propagation characteristics determining device.

［モデル作成装置の概要］
図１は、本実施形態に係るモデル作成装置の概要を示す。モデル作成装置は、電波伝搬特性を示す電波伝搬特性モデルを作成するためのコンピュータである。電波伝搬特性は、例えば遅延スプレッド、角度スプレッド、ドップラースプレッド、Ｋファクタ、シャドウフェージング偏差又は伝搬損失である。 [Overview of model creation device]
1 shows an overview of a model creation device according to the present embodiment. The model creation device is a computer for creating a radio wave propagation characteristic model that indicates radio wave propagation characteristics. The radio wave propagation characteristics are, for example, a delay spread, an angle spread, a Doppler spread, a K factor, a shadow fading deviation, or a propagation loss.

図１は、構造物が存在する領域を上方から見た状態を模式的に示している。構造物は、例えばビル、家、ホール等の建物であり、電波伝搬特性に影響を与える物体である。図１には、電波を送信する送信機Ｔと、電波を受信する受信機Ｒとが示されている。送信機Ｔが送信した電波はアンテナの指向性に対応する方向に放射されるが、図１においては、受信機Ｒに向けて放射される電波Ｗ１、構造物Ｂ１に向けて放射される電波Ｗ２１、及び構造物Ｂ２に向けて放射される電波Ｗ３１が示されている。 Figure 1 shows a schematic diagram of an area in which structures exist, viewed from above. The structures are buildings such as buildings, houses, halls, etc., and are objects that affect radio wave propagation characteristics. Figure 1 shows a transmitter T that transmits radio waves, and a receiver R that receives the radio waves. The radio waves transmitted by the transmitter T are radiated in a direction corresponding to the directivity of the antenna, and Figure 1 shows radio waves W1 radiated toward the receiver R, radio waves W21 radiated toward the structure B1, and radio waves W31 radiated toward the structure B2.

図１（ａ）においては、電波Ｗ１は送信機Ｔから受信機Ｒに直接届く。電波Ｗ２１は、構造物Ｂ１の壁で反射し、反射したＷ２２が受信機Ｒに届く。しかし、構造物Ｂ２に向けて放射された電波Ｗ３１は、構造物Ｂ１で遮られて構造物Ｂ２には届かない。図１（ｂ）においては、電波Ｗ３１が構造物Ｂ２に届いて構造物Ｂ２の壁で反射するが、反射した電波Ｗ３２は構造物Ｂ１に遮られて受信機Ｒには届かない。 In FIG. 1(a), radio waves W1 reach receiver R directly from transmitter T. Radio waves W21 are reflected by the wall of structure B1, and the reflected radio waves W22 reach receiver R. However, radio waves W31 radiated toward structure B2 are blocked by structure B1 and do not reach structure B2. In FIG. 1(b), radio waves W31 reach structure B2 and are reflected by the wall of structure B2, but the reflected radio waves W32 are blocked by structure B1 and do not reach receiver R.

以上のように、送信機Ｔから送信された電波は、構造物Ｂ２で反射して受信機Ｒに到達しないので、送信機Ｔから受信機Ｒへの電波伝搬特性に、構造物Ｂ２の存在は影響しない。従来、送信機Ｔから受信機Ｒへの電波伝搬特性を推定する際には、送信機Ｔ及び受信機Ｒの周辺の全ての構造物の影響が考慮されていた。しかし、本実施形態に係るモデル作成装置は、図１に示す構造物Ｂ２のように伝搬特性に影響しない構造物等の構造物を考慮することなく、送信機Ｔ又は受信機Ｒの少なくともいずれかから見通すことができる構造物の位置及び形状等に基づいて電波伝搬特性を機械学習することにより、電波伝搬特性モデルを作成するために要する時間を短縮することができる。 As described above, the radio waves transmitted from the transmitter T are reflected by the structure B2 and do not reach the receiver R, so the presence of the structure B2 does not affect the radio wave propagation characteristics from the transmitter T to the receiver R. Conventionally, when estimating the radio wave propagation characteristics from the transmitter T to the receiver R, the effects of all structures around the transmitter T and the receiver R were taken into consideration. However, the model creation device according to this embodiment machine-learns the radio wave propagation characteristics based on the positions and shapes of structures visible from at least either the transmitter T or the receiver R, without taking into consideration structures such as the structure B2 shown in FIG. 1 that do not affect the propagation characteristics, thereby shortening the time required to create a radio wave propagation characteristics model.

本実施形態に係るモデル作成装置は、図１に示す構造物Ｂ２のように伝搬特性に影響しない構造物等の構造物を考慮することなく、送信機Ｔ又は受信機Ｒの少なくともいずれかから見通すことができる構造物の位置及び形状等に基づいて電波伝搬特性を機械学習することにより、電波伝搬特性モデルを作成するために要する時間を短縮することができる。 The model creation device according to this embodiment can reduce the time required to create a radio wave propagation characteristics model by machine learning radio wave propagation characteristics based on the positions and shapes of structures visible from at least one of the transmitter T or receiver R, without taking into account structures such as structure B2 shown in FIG. 1 that do not affect the propagation characteristics.

また、構造物Ｂ１の材質によって電波の反射係数等が変化する。このため、構造物Ｂ１の材質は、送信機Ｔから受信機Ｒへの電波の電波伝搬特性に影響を与える要素の一つであることが分かっている。本実施形態に係るモデル作成装置は、図１に示す構造物Ｂ１を撮像した撮像画像を画像認識することにより、構造物Ｂ１が看板であるか、ブロック塀であるか等の種別を検出する。構造物Ｂ１の種別によって構造物Ｂ１の材質が一定程度決まるので、構造物Ｂ１の種別は、構造物Ｂ１の材質を間接的に示すものであるということができる。 The reflection coefficient of the radio waves also changes depending on the material of the structure B1. For this reason, it is known that the material of the structure B1 is one of the factors that affect the radio wave propagation characteristics of the radio waves from the transmitter T to the receiver R. The model creation device according to this embodiment detects the type of the structure B1, such as whether it is a signboard or a block wall, by performing image recognition on an image captured of the structure B1 shown in FIG. 1. Since the material of the structure B1 is determined to a certain extent by the type of the structure B1, it can be said that the type of the structure B1 indirectly indicates the material of the structure B1.

モデル作成装置は、構造物の位置と、形状とに加えて、検出した構造物の種別も教師データとして利用して電波伝搬特性を機械学習することにより、電波伝搬特性モデルを作成する。モデル作成装置は、構造物の材質を間接的に示す構造物の種別を教師データに含めることにより、作成した電波伝搬特性モデルによる送信機Ｔから受信機Ｒへの電波伝搬特性を推定する精度をさらに向上させることができる。 The model creation device creates a radio wave propagation characteristic model by machine learning the radio wave propagation characteristics using the type of the detected structure as training data in addition to the structure's position and shape. By including the type of structure, which indirectly indicates the material of the structure, in the training data, the model creation device can further improve the accuracy of estimating the radio wave propagation characteristics from the transmitter T to the receiver R using the created radio wave propagation characteristic model.

以下、本実施形態に係るモデル作成装置、及びモデル作成装置が作成した電波伝搬特性モデルに基づいて電波伝搬特性を特定する電波伝搬特性特定装置の構成及び動作を詳細に説明する。 The following provides a detailed explanation of the configuration and operation of the model creation device according to this embodiment, and the radio wave propagation characteristic identification device that identifies radio wave propagation characteristics based on the radio wave propagation characteristic model created by the model creation device.

［モデル作成装置１の構成］
図２は、モデル作成装置１の構成を示す。モデル作成装置１は、送信機Ｔが設置された入力送信位置と受信機Ｒが設置された入力受信位置との間での電波の電波伝搬特性を示すモデルを作成するための装置であり、例えばコンピュータである。モデル作成装置１は、通信部１１と、記憶部１２と、制御部１３と、を有する。制御部１３は、画像データ取得部１３１と、学習用物体検出部１３２と、特性データ取得部１３３と、モデル作成部１３４と、を有する。 [Configuration of model creation device 1]
2 shows the configuration of the model creation device 1. The model creation device 1 is a device, such as a computer, for creating a model indicating the radio wave propagation characteristics of radio waves between an input transmitting position where a transmitter T is installed and an input receiving position where a receiver R is installed. The model creation device 1 has a communication unit 11, a storage unit 12, and a control unit 13. The control unit 13 has an image data acquisition unit 131, a learning object detection unit 132, a characteristic data acquisition unit 133, and a model creation unit 134.

通信部１１は、ネットワークを介して各種のデータを送受信するための通信インターフェースを有する。通信部１１は、モデル作成装置１がモデルを作成するために使用する複数の学習用可視領域画像データ及び複数の学習用電波伝搬特性データを外部装置から取得する。 The communication unit 11 has a communication interface for transmitting and receiving various data via a network. The communication unit 11 acquires from an external device a plurality of pieces of training visible range image data and a plurality of pieces of training radio wave propagation characteristic data that are used by the model creation device 1 to create a model.

学習用可視領域画像データは、所定位置から視認することができる領域を示す。所定位置は、例えば学習用可視領域画像データの撮影位置であり、電波を送信する送信機Ｔが設置された送信位置、又は電波を受信する受信機Ｒが設置された受信位置の少なくとも一方である。学習用可視領域画像データは、例えば三次元空間における構造物の位置及び向きの情報を含む全天球画像データであり、モデル作成部１３４が機械学習により電波伝搬特性モデルを構築するための教師データとして使用される。学習用可視領域画像データは、送信位置又は受信位置の少なくとも一方から視認することができる領域の画像データのみを含んでもよい。 The learning visible range image data indicates an area that can be seen from a specified position. The specified position is, for example, the photographing position of the learning visible range image data, and at least one of a transmitting position where a transmitter T that transmits radio waves is installed, or a receiving position where a receiver R that receives radio waves is installed. The learning visible range image data is, for example, omnidirectional image data that includes information on the positions and orientations of structures in three-dimensional space, and is used as teacher data for the model creation unit 134 to construct a radio wave propagation characteristic model by machine learning. The learning visible range image data may include only image data of an area that can be seen from at least one of the transmitting position or receiving position.

学習用可視領域画像データは、例えば、三次元空間における深度を示す深度情報及び自由空間伝搬損失（ＦＳＰＬ：Free Space Path Loss）情報を含んでいる。深度は、例えば、可視領域画像の撮影方向における基準位置（例えば観測点の位置）から構造物の表面までの距離である。通信部１１は、例えば、外部のコンピュータに記憶されている三次元構造物情報データベース、点群情報データベース、又は実測全天球画像データベースにアクセスすることにより、学習用可視領域画像データを取得する。 The learning visible range image data includes, for example, depth information indicating the depth in three-dimensional space and free space path loss (FSPL) information. The depth is, for example, the distance from a reference position (for example, the position of the observation point) in the shooting direction of the visible range image to the surface of the structure. The communication unit 11 acquires the learning visible range image data by, for example, accessing a three-dimensional structure information database, a point cloud information database, or a measured omnidirectional image database stored in an external computer.

本明細書の例では、通信部１１は、複数の学習用可視領域画像データのそれぞれに対応する複数の参照画像を外部装置から取得する。参照画像は、例えば、学習用可視領域画像データと同じ所定位置からから視認することができる領域を示すＲＧＢ画像である。学習用可視領域画像データが全天球画像データである場合、参照画像は全天球画像であることが好ましい。参照画像は、ＲＧＢ画像に限定されず、ＹＣｂＣｒ色空間で表現された画像であってもよい。 In the example of this specification, the communication unit 11 acquires from an external device a plurality of reference images corresponding to the plurality of learning visible area image data. The reference image is, for example, an RGB image showing an area that can be viewed from the same predetermined position as the learning visible area image data. When the learning visible area image data is omnidirectional image data, it is preferable that the reference image is a omnidirectional image. The reference image is not limited to an RGB image, and may be an image expressed in the YCbCr color space.

学習用電波伝搬特性データは、対応する三次元空間において送信機Ｔから受信機Ｒまで電波を送信した場合の電波伝搬特性を示す。学習用電波伝搬特性データは、送信機Ｔから受信機Ｒまで電波が伝送される間に生じる電波伝搬特性を示す実測データであり、モデル作成部１３４が機械学習により電波伝搬特性モデルを構築するための教師データとして使用される。 The learning radio wave propagation characteristic data indicates the radio wave propagation characteristics when radio waves are transmitted from a transmitter T to a receiver R in a corresponding three-dimensional space. The learning radio wave propagation characteristic data is actual measurement data indicating the radio wave propagation characteristics that occur while radio waves are transmitted from the transmitter T to the receiver R, and is used as training data for the model creation unit 134 to construct a radio wave propagation characteristic model through machine learning.

記憶部１２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）及びＳＳＤ（Solid State Drive）等の記憶媒体を有する。記憶部１２は、制御部１３が実行するプログラムを記憶する。また、記憶部１２は、モデル作成部１３４により作成される電波伝搬特性モデル１２１を記憶する。電波伝搬特性モデル１２１は、モデル作成部１３４により作成された後に更新されてもよい。記憶部１２には、撮像画像を入力データとし、この撮像画像に写っている物体の種別と物体の位置とを出力データとする学習済みの機械学習モデルが記憶されている。機械学習モデルは、例えば、Ｒ－ＣＮＮ（Region Based Convolutional Neural Networks）又はＹＯＬＯ（You only look once）である。 The storage unit 12 has storage media such as a ROM (Read Only Memory), a RAM (Random Access Memory), and an SSD (Solid State Drive). The storage unit 12 stores a program executed by the control unit 13. The storage unit 12 also stores a radio wave propagation characteristic model 121 created by the model creation unit 134. The radio wave propagation characteristic model 121 may be updated after being created by the model creation unit 134. The storage unit 12 stores a trained machine learning model that uses a captured image as input data and the type and position of an object shown in the captured image as output data. The machine learning model is, for example, R-CNN (Region Based Convolutional Neural Networks) or YOLO (You only look once).

制御部１３は、例えばＣＰＵ（Central Processing Unit）を含む。制御部１３は、記憶部１２に記憶されたプログラムを実行することにより、画像データ取得部１３１、学習用物体検出部１３２、特性データ取得部１３３及びモデル作成部１３４として機能する。 The control unit 13 includes, for example, a CPU (Central Processing Unit). The control unit 13 executes the programs stored in the storage unit 12 to function as an image data acquisition unit 131, a learning object detection unit 132, a characteristic data acquisition unit 133, and a model creation unit 134.

画像データ取得部１３１は、通信部１１を介して、モデル作成部１３４が機械学習に使用する複数の学習用可視領域画像データを取得する。学習用可視領域画像データは、三次元空間がカメラで撮影されることにより作成された撮像画像データであってもよく、三次元空間内の構造物の位置及び形状が実測されて作成された画像データであってもよい。画像データ取得部１３１は、学習用可視領域画像データとともに、学習用可視領域画像データに対応する参照画像を取得する。画像データ取得部１３１は、取得した学習用可視領域画像データをモデル作成部１３４に入力する。画像データ取得部１３１は、取得した参照画像を学習用物体検出部１３２へ出力する。 The image data acquisition unit 131 acquires, via the communication unit 11, multiple training visible area image data that the model creation unit 134 uses for machine learning. The training visible area image data may be captured image data created by photographing a three-dimensional space with a camera, or may be image data created by actually measuring the position and shape of a structure in the three-dimensional space. The image data acquisition unit 131 acquires a reference image corresponding to the training visible area image data along with the training visible area image data. The image data acquisition unit 131 inputs the acquired training visible area image data to the model creation unit 134. The image data acquisition unit 131 outputs the acquired reference image to the training object detection unit 132.

画像データ取得部１３１は、取得した学習用可視領域画像データをそのままモデル作成部１３４に入力してもよいが、取得した学習用可視領域画像データに、送信位置及び受信位置の両方から視認できない領域の画像データが含まれている場合、取得した学習用可視領域画像データのうち、送信位置又は受信位置の少なくともいずれかから視認可能な領域の画像データのみを抽出し、抽出した学習用可視領域画像データをモデル作成部１３４に入力してもよい。画像データ取得部１３１は、送信位置及び受信位置の両方から視認可能な領域の画像データのみを抽出し、抽出した学習用可視領域画像データをモデル作成部１３４に入力してもよい。 The image data acquisition unit 131 may input the acquired learning visible area image data directly to the model creation unit 134, but if the acquired learning visible area image data includes image data of an area that is not visible from both the transmitting position and the receiving position, the image data acquisition unit 131 may extract only image data of an area that is visible from at least either the transmitting position or the receiving position from the acquired learning visible area image data, and input the extracted learning visible area image data to the model creation unit 134. The image data acquisition unit 131 may extract only image data of an area that is visible from both the transmitting position and the receiving position, and input the extracted learning visible area image data to the model creation unit 134.

学習用物体検出部１３２は、画像データ取得部１３１が取得した、学習用可視領域画像データに対応する参照画像に写っている物体の種別と物体の位置とを検出する。例えば、学習用物体検出部１３２は、検出した種別の物体に対応する画素の位置を全て検出する。より詳しくは、学習用物体検出部１３２は、画像を入力データとし、この撮像画像に写っている物体の種別と物体の位置とを出力データとする学習済みの機械学習モデルを記憶部１２から読み出す。学習用物体検出部１３２は、学習用可視領域画像データに対応する参照画像を入力データとして、読み出した機械学習モデルに入力し、参照画像に写っている物体の種別と物体の位置とを出力データとして機械学習モデルに出力させることにより、物体の種別と物体の位置とを検出する。 The learning object detection unit 132 detects the type and position of an object appearing in a reference image corresponding to the learning visible area image data acquired by the image data acquisition unit 131. For example, the learning object detection unit 132 detects the positions of all pixels corresponding to the detected type of object. More specifically, the learning object detection unit 132 reads out from the storage unit 12 a trained machine learning model in which an image is used as input data and the type and position of an object appearing in the captured image are used as output data. The learning object detection unit 132 inputs a reference image corresponding to the learning visible area image data as input data to the read machine learning model, and detects the type and position of an object appearing in the reference image by having the machine learning model output the type and position of the object as output data.

図３（ａ）及び図３（ｂ）は、学習用物体検出部１３２による物体の種別及び位置の検出の例を示す。図３（ａ）は、画像データ取得部１３１が取得した参照画像を示す。図３（ｂ）は、学習用物体検出部１３２が図３（ａ）に示す参照画像に写っている物体の種別及び位置を検出した検出結果を示す。図３（ｂ）の例では、学習用物体検出部１３２が検出した物体の位置を矩形の枠線で示す。学習用物体検出部１３２は、参照画像の中央付近に写っている物体の種別「信号」を検出する。学習用物体検出部１３２は、参照画像の左側に写っている物体の種別「樹木」を検出する。 Figures 3(a) and 3(b) show examples of object type and position detection by the learning object detection unit 132. Figure 3(a) shows a reference image acquired by the image data acquisition unit 131. Figure 3(b) shows the detection result of the learning object detection unit 132 detecting the type and position of an object appearing in the reference image shown in Figure 3(a). In the example of Figure 3(b), the position of the object detected by the learning object detection unit 132 is indicated by a rectangular frame. The learning object detection unit 132 detects the type of object, "traffic light", that appears near the center of the reference image. The learning object detection unit 132 detects the type of object, "tree", that appears on the left side of the reference image.

図４は、学習用物体検出部１３２による物体の種別及び位置の検出の別の例を示す。図４の例では、学習用物体検出部１３２は、屋内で撮像された参照画像に写っている物体の種別と物体の位置とを検出した検出結果を示す。学習用物体検出部１３２は、参照画像に写っている種別「コンピュータ」に対応する複数の物体を検出する。 Figure 4 shows another example of detection of object type and position by the learning object detection unit 132. In the example of Figure 4, the learning object detection unit 132 shows the detection result of detecting the type and position of an object appearing in a reference image captured indoors. The learning object detection unit 132 detects multiple objects appearing in the reference image that correspond to the type "computer."

図４中に示すように、学習用物体検出部１３２は、参照画像に写っている種別「窓」の物体を検出する。窓は、他の壁面とは材質が異なり、電波の反射係数に影響を与える。このため、学習用物体検出部１３２は、物体の種別「窓」の検出結果を含む教師データを利用して電波伝搬特性を機械学習することにより、作成した電波伝搬特性モデルが屋内の電波の電波伝搬特性を推定する精度を向上させることができる。 As shown in FIG. 4, the learning object detection unit 132 detects an object of the type "window" that appears in the reference image. Windows are made of a different material than other wall surfaces and affect the reflection coefficient of radio waves. For this reason, the learning object detection unit 132 uses training data including the detection results of the object type "window" to machine-learn the radio wave propagation characteristics, thereby improving the accuracy with which the created radio wave propagation characteristics model estimates the radio wave propagation characteristics of indoor radio waves.

学習用物体検出部１３２は、参照画像において移動する物体が含まれている学習用可視領域画像データを検出してもよい。移動する物体は、例えば、自転車、自動車、ヒト又は動物である。移動する物体は、撮像時に移動中であるものに限定されず、撮像時に静止しているものであってもよい。学習用物体検出部１３２は、検出した物体の種別及び位置を示す情報を含む学習用物体検出情報をモデル作成部１３４へ出力する。 The learning object detection unit 132 may detect learning visible area image data that includes a moving object in the reference image. The moving object is, for example, a bicycle, a car, a human, or an animal. The moving object is not limited to an object that is moving at the time of capturing the image, but may be an object that is stationary at the time of capturing the image. The learning object detection unit 132 outputs learning object detection information that includes information indicating the type and position of the detected object to the model creation unit 134.

また、学習用物体検出部１３２は、物体の材質をさらに検出してもよい。例えば、学習用物体検出部１３２は、物体の種別及び位置を検出した後、既知の画像認識技術により、物体が金属光沢を有することを認識し、この物体の材質が「金属」であることを検出してもよい。学習用物体検出部１３２は、検出した物体の種別、物体の位置、及び物体の材質を示す情報を含む学習用物体検出情報をモデル作成部１３４へ出力する。 The training object detection unit 132 may further detect the material of the object. For example, after detecting the type and position of the object, the training object detection unit 132 may use known image recognition technology to recognize that the object has a metallic luster and detect that the material of the object is "metal." The training object detection unit 132 outputs training object detection information including information indicating the type of the detected object, the position of the object, and the material of the object to the model creation unit 134.

特性データ取得部１３３は、通信部１１を介して、モデル作成部１３４が機械学習に使用する学習用電波伝搬特性データを取得する。学習用電波伝搬特性データは、学習用可視領域画像データに対応する三次元空間内の２つの位置の組み合わせに関連付けられている。学習用電波伝搬特性データは、例えば、可視領域画像に含まれる三次元空間内の送信機Ｔが設置された送信位置を示す緯度・経度情報及び受信機Ｒが設置された受信位置を示す緯度・経度情報に関連付けられており、送信機Ｔから受信機Ｒに電波が送信された際の電波伝搬特性を実測した結果に基づいて作成されている。 The characteristic data acquisition unit 133 acquires, via the communication unit 11, training radio wave propagation characteristic data that the model creation unit 134 uses for machine learning. The training radio wave propagation characteristic data is associated with a combination of two positions in a three-dimensional space that corresponds to the training visible range image data. The training radio wave propagation characteristic data is associated with, for example, latitude and longitude information indicating the transmitting position where the transmitter T is installed and the receiving position where the receiver R is installed in the three-dimensional space included in the visible range image, and is created based on the results of actually measuring the radio wave propagation characteristics when radio waves are transmitted from the transmitter T to the receiver R.

特性データ取得部１３３は、電波の周波数ごとに異なる学習用電波伝搬特性データを取得してもよい。例えば、特性データ取得部１３３は、送信機Ｔが設置された送信位置から受信機Ｒが設置された受信位置に第１周波数の電波が送信された場合の電波伝搬特性を示す第１学習用電波伝搬特性データと、送信機Ｔから受信機Ｒに第２周波数の電波が送信した場合の電波伝搬特性を示す第２学習用電波伝搬特性データとをそれぞれ取得してもよい。特性データ取得部１３３は、取得した学習用電波伝搬特性データをモデル作成部１３４に入力する。 The characteristic data acquisition unit 133 may acquire different learning radio wave propagation characteristic data for each radio wave frequency. For example, the characteristic data acquisition unit 133 may acquire first learning radio wave propagation characteristic data indicating radio wave propagation characteristics when radio waves of a first frequency are transmitted from a transmitting position where a transmitter T is installed to a receiving position where a receiver R is installed, and second learning radio wave propagation characteristic data indicating radio wave propagation characteristics when radio waves of a second frequency are transmitted from the transmitter T to the receiver R. The characteristic data acquisition unit 133 inputs the acquired learning radio wave propagation characteristic data to the model creation unit 134.

［機械学習モデルの作成］
モデル作成部１３４は、複数の学習用可視領域画像データと、学習用物体検出部１３２が検出した物体の種別及び位置を示す学習用物体検出情報と、送信機Ｔが設置された送信位置と、受信機Ｒが設置された受信位置と、学習用電波伝搬特性データとを教師データとして機械学習させることにより、入力送信位置から入力受信位置まで電波が送信された場合の電波伝搬特性を示す電波伝搬特性データを出力する電波伝搬特性モデル１２１を作成する。可視領域画像データは、基準位置から視認することができる領域を示す。基準位置は、例えば可視領域画像データの撮影位置であり、電波を送信する送信機が設置された入力送信位置、又は電波を受信する受信機が設置された入力受信位置の少なくとも一方である。可視領域画像データは、後述する伝搬特性特定装置２のデータ取得部２５１により取得される。 [Creating a machine learning model]
The model creation unit 134 performs machine learning using a plurality of training visible area image data, training object detection information indicating the type and position of the object detected by the training object detection unit 132, the transmission position where the transmitter T is installed, the reception position where the receiver R is installed, and the training radio wave propagation characteristic data as teacher data to create a radio wave propagation characteristic model 121 that outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when radio waves are transmitted from the input transmission position to the input reception position. The visible area image data indicates an area that can be seen from a reference position. The reference position is, for example, the shooting position of the visible area image data, and is at least one of the input transmission position where the transmitter that transmits the radio waves is installed, or the input reception position where the receiver that receives the radio waves is installed. The visible area image data is acquired by the data acquisition unit 251 of the propagation characteristic identification device 2 described later.

モデル作成部１３４は、所定位置から視認することができる領域を示す情報に加えて、この所定位置から被写体までの距離を示す深度情報を含む学習用可視領域画像データを教師データとして電波伝搬特性モデル１２１の機械学習に利用してもよい。深度データは、構造物の表面における複数の位置それぞれの所定位置からの距離を示す。 The model creation unit 134 may use the learning visible area image data, which includes information indicating the area visible from a predetermined position as well as depth information indicating the distance from this predetermined position to the subject, as teacher data for machine learning of the radio wave propagation characteristics model 121. The depth data indicates the distance from the predetermined position to each of multiple positions on the surface of the structure.

モデル作成部１３４は、学習用物体検出部１３２が検出した物体の種別及び物体の位置に加えて、検出した物体の材質を示す学習用物体検出情報を含む教師データを電波伝搬特性モデル１２１の機械学習に利用してもよい。材質は、例えば、金属、樹脂、ガラス又は木材のように、電波の伝搬に与える影響が異なる複数の材質に分類されている。モデル作成部１３４は、所定位置から視認することができる全方位の領域を示す学習用可視領域画像データと、この学習用可視領域画像データに対応する全天球の参照画像において学習用物体検出部１３２が検出した物体の種別及び物体の位置を示す学習用物体検出情報とを含む教師データを電波伝搬特性モデル１２１の機械学習に利用してもよい。 The model creation unit 134 may use, for the machine learning of the radio wave propagation characteristics model 121, teacher data including learning object detection information indicating the material of the detected object in addition to the type and position of the object detected by the learning object detection unit 132. The material is classified into a plurality of materials having different effects on the propagation of radio waves, such as metal, resin, glass, or wood. The model creation unit 134 may use, for the machine learning of the radio wave propagation characteristics model 121, teacher data including learning visible area image data indicating an area visible in all directions that can be seen from a predetermined position, and learning object detection information indicating the type and position of the object detected by the learning object detection unit 132 in the celestial sphere reference image corresponding to the learning visible area image data.

モデル作成部１３４は、移動する物体が含まれていることを学習用物体検出部１３２が検出した学習用可視領域画像データを除く学習用可視領域画像データを含む教師データを電波伝搬特性モデル１２１の機械学習に利用してもよい。このようにして、モデル作成部１３４は、学習用可視領域画像データの撮像時に自動車等が写り込んでしまったことに起因して、この学習用可視領域画像データを含む教師データを用いた際に電波伝搬特性モデルの作成に失敗することを抑制することができる。 The model creation unit 134 may use the training data including the training visible range image data, excluding training visible range image data in which the training object detection unit 132 has detected that the training visible range image data contains a moving object, for machine learning of the radio wave propagation characteristic model 121. In this way, the model creation unit 134 can suppress failure to create a radio wave propagation characteristic model when using training data including this training visible range image data, due to a car or the like being captured when the training visible range image data is captured.

電波の電波伝搬特性は、その周波数に依存して変化する。モデル作成部１３４は、電波の周波数ごとに電波伝搬特性モデルを作成してもよい。モデル作成部１３４は、第１周波数の電波を送信した場合の電波伝搬特性を示す第１学習用電波伝搬特性データを含む教師データを用いて機械学習させることにより、第１周波数の電波の電波伝搬特性を示す電波伝搬特性データを出力するための第１の電波伝搬特性モデルを作成してもよい。 The radio wave propagation characteristics of radio waves change depending on the frequency. The model creation unit 134 may create a radio wave propagation characteristics model for each frequency of the radio waves. The model creation unit 134 may create a first radio wave propagation characteristics model for outputting radio wave propagation characteristics data indicating the radio wave propagation characteristics of radio waves of a first frequency by performing machine learning using teacher data including first learning radio wave propagation characteristics data indicating the radio wave propagation characteristics when radio waves of a first frequency are transmitted.

モデル作成部１３４は、第２周波数の電波を送信した場合の電波伝搬特性を示す第２学習用電波伝搬特性データを含む教師データを用いて機械学習させることにより、第２周波数の電波の電波伝搬特性を示す電波伝搬特性データを出力するための第２の電波伝搬特性モデルを作成してもよい。第２周波数は、第１周波数より高い周波数である。このようにして、モデル作成部１３４は、送信する複数の電波の周波数に対応する電波伝搬特性モデルをそれぞれ作成することにより、送信する複数の電波の周波数に対応する電波伝搬特性の電波伝搬特性モデル１２１による推定精度をそれぞれ向上させることができる。 The model creation unit 134 may create a second radio wave propagation characteristic model for outputting radio wave propagation characteristic data indicating the radio wave propagation characteristics of radio waves of the second frequency by performing machine learning using teacher data including second learning radio wave propagation characteristic data indicating the radio wave propagation characteristics when radio waves of the second frequency are transmitted. The second frequency is a frequency higher than the first frequency. In this way, the model creation unit 134 can improve the estimation accuracy by the radio wave propagation characteristic model 121 of the radio wave propagation characteristics corresponding to the frequencies of the multiple radio waves to be transmitted by creating radio wave propagation characteristic models corresponding to the frequencies of the multiple radio waves to be transmitted.

一例として、第１周波数の電波は樹木等の所定の種別の物体の影響を比較的受けにくいが、第１周波数より高い第２周波数の電波は、この所定の種別の物体の影響を比較的受けやすいとする。この場合、モデル作成部１３４は、この所定の種別の物体の影響を考慮して第２周波数の電波の電波電波特性を推定することが可能な第２の電波電波特性モデルを作成することを目的として、第２の電波電波特性モデルの機械学習に利用する教師データに含まれる物体検出情報がこの所定の種別を含む物体の種別とこの物体の位置を示す情報を含むようにしてもよい。 As an example, radio waves of a first frequency are relatively insensitive to the influence of a specific type of object such as a tree, but radio waves of a second frequency higher than the first frequency are relatively sensitive to the influence of this specific type of object. In this case, the model creation unit 134 may configure the object detection information included in the training data used for machine learning of the second radio wave radio wave characteristic model to include information indicating the type of object including this specific type and the position of this object, for the purpose of creating a second radio wave radio wave characteristic model capable of estimating the radio wave characteristics of radio waves of the second frequency taking into account the influence of this specific type of object.

一方、第１周波数の電波の電波伝搬特性の推定においては、所定の種別の物体の影響を考慮する必要はない。そこで、モデル作成部１３４は、第１の電波伝搬特性モデルの機械学習に利用する教師データに含まれる物体検出情報がこの所定の種別を除く物体の種別とこの物体の位置を示す情報を含むようにしてもよい。 On the other hand, when estimating the radio wave propagation characteristics of radio waves of the first frequency, it is not necessary to take into account the influence of a specific type of object. Therefore, the model creation unit 134 may configure the object detection information included in the training data used for machine learning of the first radio wave propagation characteristics model to include information indicating the type of object excluding this specific type and the position of this object.

［伝搬特性特定装置２の構成］
図５は、伝搬特性特定装置２の構成を示す。伝搬特性特定装置２は、モデル作成装置１が作成した電波伝搬特性モデル１２１を用いて、指定された入力送信位置と入力受信位置との間での電波の伝搬特性を特定するための装置であり、例えばコンピュータである。 [Configuration of Propagation Characteristics Identification Device 2]
5 shows the configuration of the propagation characteristic specifying device 2. The propagation characteristic specifying device 2 is a device, such as a computer, for specifying the propagation characteristics of radio waves between a specified input transmitting position and an input receiving position, using the radio wave propagation characteristic model 121 created by the model creating device 1.

伝搬特性特定装置２は、通信部２１と、表示部２２と、操作部２３と、記憶部２４と、制御部２５と、を有する。制御部２５は、データ取得部２５１と、指定受付部２５２と、推定用物体検出部２５３と、特定部２５４と、出力部２５５と、を有する。 The propagation characteristic identification device 2 has a communication unit 21, a display unit 22, an operation unit 23, a storage unit 24, and a control unit 25. The control unit 25 has a data acquisition unit 251, a designation reception unit 252, an estimation object detection unit 253, an identification unit 254, and an output unit 255.

通信部２１は、ネットワークを介して各種のデータを送受信するための通信インターフェースを有する。通信部２１は、伝搬特性特定装置２が電波伝搬特性を特定するために使用する可視領域画像データと、この可視領域画像データに対応する参照画像を外部装置から受信する。通信部２１は、受信した可視領域画像データ及び参照画像をデータ取得部２５１に入力する。可視領域画像データは、基準位置から視認することができる領域を示す。基準位置は、例えば可視領域画像データの撮影位置であり、電波を送信する送信機が設置された入力送信位置、又は電波を受信する受信機が設置された入力受信位置の少なくとも一方である。参照画像は、例えば、可視領域画像データと同じ基準位置からから視認することができる領域を示すＲＧＢ画像である。 The communication unit 21 has a communication interface for transmitting and receiving various data via a network. The communication unit 21 receives from an external device the visible range image data used by the propagation characteristic identification device 2 to identify radio wave propagation characteristics, and a reference image corresponding to this visible range image data. The communication unit 21 inputs the received visible range image data and reference image to the data acquisition unit 251. The visible range image data indicates an area that can be seen from a reference position. The reference position is, for example, the shooting position of the visible range image data, and is at least one of an input transmitting position where a transmitter that transmits radio waves is installed, or an input receiving position where a receiver that receives radio waves is installed. The reference image is, for example, an RGB image that indicates an area that can be seen from the same reference position as the visible range image data.

表示部２２は、各種のデータを表示するためのディスプレイである。表示部２２は、例えば、出力部２５５から入力された、特定した電波伝搬特性を示すデータを表示する。 The display unit 22 is a display for displaying various data. For example, the display unit 22 displays data indicating the identified radio wave propagation characteristics input from the output unit 255.

操作部２３は、伝搬特性特定装置２を使用するユーザの操作を受け付けるデバイスであり、例えばキーボード、マウス又はタッチパネルである。操作部２３は、ユーザにより入力された操作の内容を示す情報を指定受付部２５２に通知する。 The operation unit 23 is a device that accepts operations by a user who uses the propagation characteristic identification device 2, and is, for example, a keyboard, a mouse, or a touch panel. The operation unit 23 notifies the specification acceptance unit 252 of information indicating the content of the operation input by the user.

記憶部２４は、ＲＯＭ、ＲＡＭ及びＳＳＤ等の記憶媒体を有する。記憶部２４は、制御部２５が実行するプログラムを記憶している。また、記憶部２４は、モデル作成装置１が作成した電波伝搬特性モデル１２１を記憶している。電波伝搬特性モデル１２１は、所定位置から視認することができる領域を示す可視領域画像データと、この可視領域画像データに対応する参照画像に写っている物体の種別及び位置を示す物体検出情報と、送信機が設置された入力送信位置と、受信機が設置された入力受信位置とが入力データとして入力されると、当該三次元空間において指定された入力送信位置から入力受信位置まで電波が送付された場合の遅延スプレッド、角度スプレッド及び伝搬損失等の電波伝搬特性を示す電波伝搬モデルを出力する機械学習モデルである。 The storage unit 24 has storage media such as a ROM, a RAM, and an SSD. The storage unit 24 stores a program executed by the control unit 25. The storage unit 24 also stores a radio wave propagation characteristic model 121 created by the model creation device 1. The radio wave propagation characteristic model 121 is a machine learning model that, when visible area image data indicating an area visible from a predetermined position, object detection information indicating the type and position of an object appearing in a reference image corresponding to the visible area image data, an input transmission position where a transmitter is installed, and an input reception position where a receiver is installed are input as input data, outputs a radio wave propagation model indicating radio wave propagation characteristics such as delay spread, angle spread, and propagation loss when radio waves are sent from a specified input transmission position to an input reception position in the three-dimensional space.

モデル作成部１３４が深度情報を含む学習用可視領域画像データがさらに含まれる教師データを用いて機械学習させることにより作成された電波伝搬特性モデル１２１では、この電波伝搬特性モデル１２１に入力データとして入力される可視領域画像データは、基準位置から視認することができる領域を示す情報に加えて、基準位置から被写体までの距離を示す深度情報をさらに含んでもよい。モデル作成部１３４が物体の材質を示す情報を含む学習用物体検出情報がさらに含まれる教師データを用いて機械学習させることにより作成された電波伝搬特性モデルでは、機械学習モデルに入力データとして入力される物体検出情報が物体の材質を示す情報をさらに含んでもよい。 In the radio wave propagation characteristic model 121 created by the model creation unit 134 performing machine learning using teacher data that further includes learning visible range image data including depth information, the visible range image data input as input data to this radio wave propagation characteristic model 121 may further include depth information indicating the distance from the reference position to the subject, in addition to information indicating the area that can be seen from the reference position. In the radio wave propagation characteristic model created by the model creation unit 134 performing machine learning using teacher data that further includes learning object detection information including information indicating the material of the object, the object detection information input as input data to the machine learning model may further include information indicating the material of the object.

所定位置から視認することができる全方位の領域を示す学習用可視領域画像データが含まれる教師データを用いて機械学習させることにより作成された電波伝搬特性モデルでは、この電波伝搬特性モデルに入力データとして入力される可視領域画像データは、基準位置から視認することができる全方位の領域を示すものであってもよい。全方位の領域を示す学習用可視領域画像データに対応する全天球の参照画像において学習用物体検出部１３２が検出した物体の種別及び物体の位置を示す情報を含む学習用物体検出情報が含まれる教師データを用いて機械学習させることにより作成された電波伝搬特性モデルでは、この電波伝搬特性モデルに入力データとして入力される物体検出情報は、全方位の領域を示す可視領域画像データに対応する全天球画像に写っている物体の種別及び位置を示すものであってもよい。 In a radio wave propagation characteristic model created by machine learning using teacher data including training visible area image data showing an area visible in all directions that can be seen from a predetermined position, the visible area image data input as input data to this radio wave propagation characteristic model may show an area visible in all directions from a reference position. In a radio wave propagation characteristic model created by machine learning using teacher data including training object detection information including information showing the type and position of an object detected by the training object detection unit 132 in a celestial sphere reference image corresponding to the training visible area image data showing an area in all directions, the object detection information input as input data to this radio wave propagation characteristic model may show the type and position of an object appearing in the celestial sphere image corresponding to the training visible area image data showing an area in all directions.

制御部２５は、例えばＣＰＵを有しており、記憶部２４に記憶されたプログラムを実行することにより、データ取得部２５１、指定受付部２５２、推定用物体検出部２５３、特定部２５４及び出力部２５５として機能する。 The control unit 25 has, for example, a CPU, and functions as a data acquisition unit 251, a designation acceptance unit 252, an inference object detection unit 253, an identification unit 254, and an output unit 255 by executing a program stored in the memory unit 24.

データ取得部２５１は、基準位置から視認することができる領域を示す可視領域画像データを取得する。基準位置は、伝搬特性特定装置２を使用するユーザが電波伝搬特性を知りたい位置である。当該可視領域画像データは、ユーザが伝搬特性を知りたい位置で撮影されることにより作成された画像データであってもよく、ユーザが伝搬特性を知りたい位置を視認できる位置で撮影されることにより作成された画像データであってもよい。データ取得部２５１は、可視領域画像データに対応する参照画像を取得する。参照画像は、例えば、可視領域画像データと同じ所定位置からから視認することができる領域を示すＲＧＢ画像である。データ取得部２５１は、取得した可視領域画像データを特定部２５４へ出力する。データ取得部２５１は、取得した参照画像を推定用物体検出部２５３へ出力する。 The data acquisition unit 251 acquires visible range image data indicating an area that can be seen from a reference position. The reference position is a position for which a user using the propagation characteristic identification device 2 wants to know the radio wave propagation characteristics. The visible range image data may be image data created by taking an image at a position for which the user wants to know the propagation characteristics, or may be image data created by taking an image at a position where the user can see the position for which the user wants to know the propagation characteristics. The data acquisition unit 251 acquires a reference image corresponding to the visible range image data. The reference image is, for example, an RGB image indicating an area that can be seen from the same predetermined position as the visible range image data. The data acquisition unit 251 outputs the acquired visible range image data to the identification unit 254. The data acquisition unit 251 outputs the acquired reference image to the estimation object detection unit 253.

指定受付部２５２は、可視領域画像データにおける、電波を送信する送信機Ｔが設置された入力送信位置、及び電波を受信する受信機Ｒが設置された入力受信位置を指定するユーザの操作を受け付ける。指定受付部２５２は、例えば、可視領域画像データが表示部２２に表示された状態で、ユーザが操作部２３を用いて行った操作の内容を取得し、操作の内容に基づいて、可視領域画像データにおけるユーザが指定した入力送信位置及び入力受信位置の座標を特定する。 The specification acceptance unit 252 accepts a user's operation to specify an input transmission position in the visible area image data where a transmitter T that transmits radio waves is installed, and an input reception position in the visible area image data where a receiver R that receives radio waves is installed. For example, the specification acceptance unit 252 acquires the content of an operation performed by the user using the operation unit 23 while the visible area image data is displayed on the display unit 22, and identifies the coordinates of the input transmission position and input reception position specified by the user in the visible area image data based on the content of the operation.

推定用物体検出部２５３は、学習用物体検出部１３２と同様に、可視領域画像データに対応する参照画像に写っている物体の種別及び位置を検出する。推定用物体検出部２５３は、検出した物体の種別及び位置を示す物体検出情報を特定部２５４へ出力する。 The estimation object detection unit 253, like the learning object detection unit 132, detects the type and position of an object appearing in a reference image corresponding to the visible area image data. The estimation object detection unit 253 outputs object detection information indicating the type and position of the detected object to the identification unit 254.

特定部２５４は、モデル作成装置１が作成した電波伝搬特性モデル１２１に、データ取得部２５１が取得した可視領域画像データと、物体検出情報と、指定受付部２５２が受け付けた入力送信位置及び入力受信位置とを入力データとして入力し、電波伝搬特性モデル１２１から出力される電波伝搬特性データを取得することにより、入力送信位置から入力受信位置まで電波が伝搬した場合の電波伝搬特性データを特定する。 The identification unit 254 inputs the visible area image data acquired by the data acquisition unit 251, the object detection information, and the input transmission position and input reception position accepted by the specification acceptance unit 252 as input data into the radio wave propagation characteristic model 121 created by the model creation device 1, and acquires the radio wave propagation characteristic data output from the radio wave propagation characteristic model 121, thereby identifying the radio wave propagation characteristic data when radio waves propagate from the input transmission position to the input reception position.

出力部２５５は、特定部２５４が特定した電波伝搬特性データを出力する。例えば、出力部２５５は、この電波伝搬特性データを表示部２２に出力させてもよく、プリンタに出力させてもよい。 The output unit 255 outputs the radio wave propagation characteristic data identified by the identification unit 254. For example, the output unit 255 may output the radio wave propagation characteristic data to the display unit 22 or to a printer.

なお、以上の説明においては、記憶部２４が電波伝搬特性モデル１２１を記憶している場合を例示したが、記憶部２４が電波伝搬特性モデル１２１を記憶していなくてもよい。この場合、出力部２５５は、通信部１１を介して、モデル作成装置１又は他のコンピュータが記憶している電波伝搬特性モデル１２１にアクセスすることにより、電波伝搬特性データを取得してもよい。 In the above description, the storage unit 24 stores the radio wave propagation characteristic model 121, but the storage unit 24 does not have to store the radio wave propagation characteristic model 121. In this case, the output unit 255 may acquire the radio wave propagation characteristic data by accessing the radio wave propagation characteristic model 121 stored in the model creation device 1 or another computer via the communication unit 11.

［モデル作成装置１による効果］
以上説明したように、モデル作成装置１は、電波を送信する送信機が設置された送信位置、又は前記電波を受信する受信機が設置された受信位置の少なくとも一方から視認することができる領域を示す機械学習用の可視領域画像データを用いて機械学習することにより、電波伝搬特性モデル１２１を作成する。モデル作成装置１がこのような可視領域画像データを用いることにより、送信位置及び受信位置から視認できない構造物に関するデータも含むデータを用いて機械学習をする場合に比べて、推定精度を落とすことなく電波伝搬特性モデルを作成するために要する計算時間を短縮することができる。モデル作成装置１は、構造物の位置と形状とに加えて、構造物の種別も教師データとして利用して電波伝搬特性を機械学習することにより、作成した電波伝搬特性モデル１２１による送信機Ｔから受信機Ｒへの電波の電波伝搬特性を推定する精度を向上させることができる。 [Effects of model creation device 1]
As described above, the model creation device 1 creates the radio wave propagation characteristic model 121 by machine learning using visible area image data for machine learning that indicates an area that can be seen from at least one of a transmitting position where a transmitter that transmits radio waves is installed or a receiving position where a receiver that receives the radio waves is installed. By using such visible area image data, the model creation device 1 can shorten the calculation time required to create the radio wave propagation characteristic model without reducing the estimation accuracy, compared to the case where machine learning is performed using data that also includes data on structures that cannot be seen from the transmitting position and the receiving position. The model creation device 1 can improve the accuracy of estimating the radio wave propagation characteristic of the radio wave from the transmitter T to the receiver R by machine learning the radio wave propagation characteristic using not only the position and shape of the structure but also the type of the structure as teacher data.

なお、本発明により、国連が主導する持続可能な開発目標（SDGs）の目標９「産業と技術革新の基盤をつくろう」に貢献することが可能となる。 Furthermore, this invention will make it possible to contribute to Goal 9 of the United Nations' Sustainable Development Goals (SDGs), which is "Build resilient infrastructure, promote inclusive and sustainable industrialization, and promote innovation and infrastructure."

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の全部又は一部は、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を併せ持つ。 Although the present invention has been described above using embodiments, the technical scope of the present invention is not limited to the scope described in the above embodiments, and various modifications and changes are possible within the scope of the gist of the invention. For example, all or part of the device can be configured by distributing or integrating functionally or physically in any unit. In addition, new embodiments resulting from any combination of multiple embodiments are also included in the embodiments of the present invention. The effect of the new embodiment resulting from the combination also has the effect of the original embodiment.

１モデル作成装置
２伝搬特性特定装置
１１通信部
１２記憶部
１３制御部
２１通信部
２２表示部
２３操作部
２４記憶部
２５制御部
１２１電波伝搬特性モデル
１３１画像データ取得部
１３２学習用物体検出部
１３３特性データ取得部
１３４モデル作成部
２５１データ取得部
２５２指定受付部
２５３推定用物体検出部
２５４特定部
２５５出力部 REFERENCE SIGNS LIST 1 Model creation device 2 Propagation characteristic identification device 11 Communication unit 12 Memory unit 13 Control unit 21 Communication unit 22 Display unit 23 Operation unit 24 Memory unit 25 Control unit 121 Radio wave propagation characteristic model 131 Image data acquisition unit 132 Learning object detection unit 133 Characteristic data acquisition unit 134 Model creation unit 251 Data acquisition unit 252 Designation reception unit 253 Estimation object detection unit 254 Identification unit 255 Output unit

Claims

an image data acquisition unit that acquires learning visible area image data that indicates an area that can be viewed from a predetermined position;
a learning object detection unit that detects a type of an object and a position of the object appearing in an image corresponding to the learning visible range image data;
a characteristic data acquisition unit that acquires learning radio wave propagation characteristic data that indicates radio wave propagation characteristics when radio waves are transmitted from a transmitter that transmits radio waves to a receiver that receives the radio waves in a three-dimensional space corresponding to the learning visible range image data;
a model creation unit that performs machine learning using the learning visible range image data, learning object detection information including information indicating the type of object detected by the learning object detection unit and the position of the object, the transmitting position where the transmitter is installed, the receiving position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and creates a radio wave propagation characteristic model when it receives input of visible range image data indicating an area that can be seen from a reference position, object detection information including information indicating the type of object appearing in an image corresponding to the visible range image data and the position of the object, an input transmitting position where the transmitter is installed, and an input receiving position where the receiver is installed, and outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when the radio waves are transmitted from the input transmitting position to the input receiving position;
A model creation device having:

The training object detection unit further detects a material of the object,
the model creation unit performs machine learning on the training object detection information, which includes information indicating the type of the object detected by the training object detection unit, the position of the object, and the material of the object, the training visible range image data, the transmission position, the reception position, and the training radio wave propagation characteristic data, as the teacher data, to create the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the visible range image data, the object detection information, which further includes information indicating the material of the object, the input transmission position, and the input reception position are input.
The model creating device according to claim 1 .

the model creation unit performs machine learning using the learning visible range image data including depth information indicating the distance from the predetermined position to a subject, the learning object detection information, the transmission position, the reception position, and the learning radio wave propagation characteristic data as the teacher data, thereby creating the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the visible range image data further including depth information indicating the distance from the reference position to a subject, the object detection information, the input transmission position, and the input reception position are input.
3. The model creating device according to claim 1 or 2.

the model creation unit performs machine learning on the training visible range image data indicating an area in all directions visible from the predetermined position, the training object detection information including information indicating a type of the object and a position of the object detected by the training object detection unit in the celestial sphere image corresponding to the training visible range image data, the transmission position, the reception position, and the training radio wave propagation characteristic data as the teacher data, thereby creating the radio wave propagation characteristic model that outputs the radio wave propagation characteristic data when the training visible range image data indicating an area in all directions visible from the reference position, object detection information indicating a type and a position of an object appearing in the celestial sphere image corresponding to the training visible range image data, the input transmission position, and the input reception position are input.
4. The model creating device according to claim 2 or 3.

the model creation unit creates a first radio wave propagation characteristic model that outputs the radio wave propagation characteristic data that indicates the radio wave propagation characteristics of the radio waves of the first frequency by performing machine learning on the object detection information, the learning visible range image data, the transmission position, the reception position, and first learning radio wave propagation characteristic data that indicates the radio wave propagation characteristics when radio waves of a first frequency are transmitted as the teacher data, and creates a second radio wave propagation characteristic model that outputs the radio wave propagation characteristic data that indicates the radio wave propagation characteristics of the radio waves of the second frequency by performing machine learning on the object detection information, the learning visible range image data, the input transmission position, the reception position, and second learning radio wave propagation characteristic data that indicates the radio wave propagation characteristics when radio waves of a second frequency are transmitted as the teacher data.
The model creating device according to any one of claims 1 to 4.

The model creation unit creates the first radio wave propagation characteristic model by machine learning the object detection information including information indicating the type of the object detected by the learning object detection unit, excluding a predetermined type of object, and the position of the object, the learning visible range image data, the transmission position, the reception position, and the first learning radio wave propagation characteristic data indicating the radio wave propagation characteristics when a radio wave of the first frequency is transmitted, as the teacher data; and creates the second radio wave propagation characteristic model by machine learning the object detection information including information indicating the type of the object detected by the learning object detection unit, including the predetermined type of object, and the position of the object, the learning visible range image data indicating the radio wave propagation characteristics when a radio wave of the second frequency higher than the first frequency is transmitted, the transmission position, the reception position, and the second learning radio wave propagation characteristic data, as the teacher data.
6. The model creating device according to claim 5.

the training object detection unit detects the training visible range image data including a moving object;
the model creation unit creates the radio wave propagation characteristic model by performing machine learning using the teacher data including the training visible range image data excluding the training visible range image data in which the training object detection unit has detected that a moving object is included.
The model creating device according to any one of claims 1 to 6.

A data acquisition unit that acquires visible area image data indicating an area that can be viewed from a reference position;
an estimation object detection unit that detects the type and position of an object captured in an image corresponding to the visible range image data;
a receiving unit that receives a user's operation to designate an input transmitting position where a transmitter that transmits radio waves is installed and an input receiving position where a receiver that receives the radio waves is installed;
an identification unit that inputs, as input data to a trained radio wave propagation characteristic model created by the model creation device according to any one of claims 1 to 5, the visible range image data acquired by the data acquisition unit, object detection information indicating a type and a position of the object detected by the estimation object detection unit, the input transmission position accepted by the acceptance unit, and the input reception position accepted by the acceptance unit, and identifies the radio wave propagation characteristic data output by the radio wave propagation characteristic model;
an output unit that outputs the radio wave propagation characteristic data identified by the identification unit;
A propagation characteristic determining device comprising:

The computer executes
acquiring learning visible area image data indicating an area that can be seen from a predetermined position;
detecting a type of object and a position of the object in an image corresponding to the learning visible range image data;
acquiring learning radio wave propagation characteristic data indicating radio wave propagation characteristics when radio waves are transmitted from a transmitter that transmits radio waves to a receiver that receives the radio waves in a three-dimensional space corresponding to the learning visible range image data;
a step of performing machine learning using the learning visible range image data, learning object detection information including information indicating the type of the detected object and the position of the object, the transmitting position where the transmitter is installed, the receiving position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and creating a radio wave propagation characteristic model that outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when the following data is input: visible range image data indicating an area that can be seen from a reference position, object detection information including information indicating the type of object appearing in an image corresponding to the visible range image data and the position of the object, an input transmitting position where the transmitter is installed, and an input receiving position where the receiver is installed;
A model creation method comprising:

On the computer,
acquiring learning visible area image data indicating an area that can be seen from a predetermined position;
detecting a type of object and a position of the object in an image corresponding to the learning visible range image data;
acquiring learning radio wave propagation characteristic data indicating radio wave propagation characteristics when radio waves are transmitted from a transmitter that transmits radio waves to a receiver that receives the radio waves in a three-dimensional space corresponding to the learning visible range image data;
a step of performing machine learning using the learning visible range image data, learning object detection information including information indicating the type of the detected object and the position of the object, the transmitting position where the transmitter is installed, the receiving position where the receiver is installed, and the learning radio wave propagation characteristic data as teacher data, and creating a radio wave propagation characteristic model that outputs radio wave propagation characteristic data indicating the radio wave propagation characteristics when the following data is input: visible range image data indicating an area that can be seen from a reference position, object detection information including information indicating the type of object appearing in an image corresponding to the visible range image data and the position of the object, an input transmitting position where the transmitter is installed, and an input receiving position where the receiver is installed;
A program that executes the following.