位置推定システム
【構成】位置推定システムは中央コンピュータおよび複数の無線タグ読取機１４を含む。検出時刻では受信電波強度情報に基づいて各読取機１４の周囲の領域における無線タグ１６の存在確率が算出される。また、タグ１６の過去の履歴から予測される移動場所における当該タグ１６の存在確率が算出される。さらに、人間関係を有しているタグ１６らの重心座標に引力または斥力が作用するか否かに応じて予測された移動場所における当該タグ１６の存在確率が算出される。さらに、タグ１６の周囲の環境２０に存在する影響物体２４の座標に引力が作用するか否かに応じて予測された移動場所における当該タグ１６の存在確率が算出される。そして、存在確率の最も高い場所の重心座標を算出し、当該検出時刻における当該タグ１６の推定位置座標として記録する。
【効果】無線タグの位置をより正確に推定することができる。
【効果】無線タグの位置をより正確に推定することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
この発明は位置推定システムに関し、特にたとえば、所定空間において無線タグを装着した人間の位置を推定する位置推定システムに関する。
【背景技術】
【０００２】
たとえば本件出願人による特許文献１には、無線タグから発せられる電波の受信強度を用いて単体の無線タグ読取機からその無線タグがどの程度はなれているかを検出する技術の一例が開示されている。
【０００３】
また、複数の無線タグ読取機を用いれば、無線タグのおおまかな存在領域を把握することも可能であり、たとえば三角測量の手法によって無線タグのおおまかな存在場所を推定することもできる。
【特許文献１】特開２００４−２１６５１３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
さらに解像度を向上させるために、無線タグ読取機の台数を増やすことが考えられるが、回り込みや反射などの電波の特性上、誤差が大きいため実効が上がらない。たとえば複数の無線タグ読取機を１０ｃｍ程度の極短い間隔で敷き詰めれば、精度よく無線タグの位置を推定することも可能になると考えられる。しかしながら、無線タグ読取機は非常に高価であり、また、空間内に多数の無線タグ読取機を設置することも困難であるため、実用に適さない。
【０００５】
それゆえに、この発明の主たる目的は、無線タグの位置を精度よく推定することができる、位置推定システムを提供することである。
【課題を解決するための手段】
【０００６】
請求項１の発明は、所定の空間における無線タグの位置を推定する位置推定システムであって、無線タグを検出する複数の読取機、複数の読取機の空間における座標を示す読取機座標データを記憶する読取機情報記憶手段、無線タグの移動に引力または斥力による影響を与える特定座標を示す特定座標データおよび特定座標による影響に関するパラメータを記憶する特定座標情報記憶手段、無線タグを検出した読取機ごとに、当該読取機で検出された受信電波強度情報と読取機座標データとに基づいて当該無線タグの存在が推定される第１領域における検出時刻における当該無線タグの存在確率を算出する第１算出手段、推定位置記憶手段に記憶されている無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離、および当該特定座標に対応する影響に関するパラメータに基づいて推定される検出時刻での移動場所における、当該無線タグの存在確率を算出する第２算出手段、第１算出手段および第２算出手段によって算出された存在確率に基づいて検出時刻における無線タグの推定位置座標を算出する推定座標算出手段、および推定座標算出手段によって算出された検出時刻における無線タグの推定位置座標を示す推定位置座標データを推定位置記憶手段に記憶する推定位置記録手段を備える、位置推定システムである。
【０００７】
請求項１の発明では、位置推定システムは、所定の空間における無線タグを検出するための複数の読取機を含む。読取機記憶手段には複数の読取機の座標データが記憶されている。また、特定座標情報記憶手段には、特定座標を示す特定座標データが記憶される。特定座標は、無線タグの移動に引力または斥力による影響を与える座標であり、実施例では、人間関係を有している無線タグらの重心座標や特定物体（影響物体）の座標である。さらに、この特定座標による影響に関するパラメータも記憶される。影響に関するパラメータは、たとえば、影響が作用するか否かの判定条件、影響の程度、影響の不確かさの程度などを決める各種パラメータを含む。実施例では、人間関係による影響パラメータとしての引力距離、斥力距離、力成分および誤差、または、影響物体による影響パラメータとしての影響半径、影響無効半径、力成分および誤差などを含む。検出された無線タグの受信電波強度情報から当該無線タグまでの距離情報を得ることができるので、この距離情報と読取機の座標とに基づいて、当該無線タグが存在すると推定される第１領域を算出できる。第１算出手段は、無線タグを検出した読取機ごとに、第１領域における検出時刻における当該無線タグの存在確率を算出する。無線タグの存在確率はたとえば第１領域に一様に分布するものとして算出される。また、このシステムでは、空間内の特定座標による無線タグの移動への影響を考慮して、検出時刻における無線タグの移動場所を予測する。無線タグの過去の推定位置座標と特定座標との距離、および影響に関するパラメータに基づいて、特定座標に無線タグが引き寄せられるか、遠ざけられるかなどを予測することによって、この移動場所を推定することができる。第２算出手段は、推定された移動場所における当該無線タグの存在確率を算出する。この無線タグの存在確率もたとえば移動場所に一様に分布するものとして算出される。推定座標算出手段は、第１算出手段および第２算出手段によって算出された存在確率に基づいて検出時刻における無線タグの推定位置座標を算出する。このように、検出時刻における読取機の検出情報に基づいて推定される第１領域における存在確率と、無線タグの移動に影響を及ぼす特定座標の影響を考慮して予測される移動場所における存在確率とを組み合わせて、当該無線タグの位置が推定される。実施例では、存在確率の最も高い場所の重心座標が算出されて、当該検出時刻における無線タグの推定位置座標とされる。推定位置記録手段は、算出された検出時刻における無線タグの推定位置座標を示す推定位置座標データを推定位置記憶手段に記憶する。
【０００８】
請求項１の発明によれば、無線タグの移動に影響を与える特定座標の影響を考慮して無線タグの移動場所を予測し、読取機の検出情報による推定と組み合わせて、当該無線タグの位置を推定するようにしたので、無線タグの位置をより正確に推定することができる。
【０００９】
請求項２の発明は、請求項１の発明に従属し、第２算出手段は、無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離が影響に関するパラメータに含まれる影響を及ぼす範囲を示すデータの範囲内であるときに、過去の無線タグの座標に特定座標に対する引力または斥力を作用させることによって検出時刻で存在が推定される移動場所における、当該無線タグの存在確率を算出する。
【００１０】
請求項２の発明では、無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離が、影響を及ぼす範囲を示すデータの範囲内であるときに、当該特定座標の影響が考慮されて、移動場所が予測される。具体的には、第２算出手段は、過去の無線タグの座標に特定座標に対する引力または斥力を作用させることによって、検出時刻における当該無線タグの移動場所を推定し、当該移動場所における無線タグの存在確率を算出する。したがって、無線タグが特定座標の影響を受ける位置に存在するときに、無線タグに当該特定座標による影響としての引力または斥力を作用させることができ、当該無線タグの移動場所をその影響に基づいて予測することができるので、無線タグの位置をより正確に推定することができる。
【００１１】
請求項３の発明は、請求項２の発明に従属し、複数の無線タグがそれぞれ装着される複数の人間の人間関係を示す人間関係情報を記憶する人間関係情報記憶手段、および処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、当該人間関係を有している全ての無線タグの過去の推定位置座標データから重心座標を算出して、当該重心座標を示す重心座標データを特定座標データとして特定座標情報記憶手段に記憶する重心算出手段をさらに備える。第２算出手段は、処理対象の無線タグの過去の推定位置座標データの座標と重心座標との距離、および影響に関するパラメータに含まれる当該人間関係に対応するパラメータに基づいて推定される検出時刻での第１移動場所における、当該無線タグの存在確率を算出する。
【００１２】
請求項３の発明では、人間情報記憶手段は、たとえば無線タグの識別情報に関連付けて、無線タグの装着される複数の人間の人間関係を示す情報を記憶している。重心算出手段は、処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、人間関係を有する無線タグの過去の推定位置座標から重心座標を算出し、この重心座標を特定座標として特定座標記憶手段に記憶する。つまり、人間関係を有する人間が検出されるときは、人間関係を有する無線タグの重心座標が、無線タグの移動に影響を与える特定座標となる。第２算出手段は、処理対象の無線タグの過去の推定位置座標データの座標と重心座標との距離および人間関係に対応するパラメータに基づいて検出時刻における第１移動場所を予測し、当該第１移動場所における当該無線タグの存在確率を算出する。人間の移動はたとえば家族、恋人、友人などといった人間関係のある人の存在に影響を受けるので、この影響を考慮して無線タグの移動場所を予測することができる。したがって、人間関係を有している人間が存在する場合には、人間関係による移動の傾向に合うように移動場所を予測することができるので、位置推定の精度をより向上することができる。
【００１３】
請求項４の発明は、請求項２または３の発明に従属し、特定座標情報記憶手段は、空間内の所定の位置に配置される少なくとも１つの特定物体の座標を示す特定物体座標データを特定座標データとして記憶している。第２算出手段は、無線タグの過去の推定位置座標データの座標と特定物体の座標との距離、および影響に関するパラメータに含まれる当該特定物体に対応するパラメータに基づいて推定される検出時刻での第２移動場所における、当該無線タグの存在確率を算出する。
【００１４】
請求項４の発明では、特定座標情報記憶手段は、特定座標データとして、空間内に配置される特定物体の座標データを記憶している。つまり、空間内に特定物体が存在するとき、当該特定物体の位置座標が人間の移動に影響を与える特定座標となる。第２算出手段は、無線タグの過去の推定位置座標データの座標と特定物体の座標との距離、および当該特定物体に対応するパラメータに基づいて検出時刻における第２移動場所を予測し、当該第２移動場所における当該無線タグの存在確率を算出する。人間の移動は、空間内の特定物体の存在に影響を受ける場合があるので、この影響を考慮して無線タグの移動場所を予測することができる。したがって、特定物体との距離が影響を及ぼす範囲内である場合には、特定物体に引き寄せられるか否かに応じて移動場所を予測することができるので、位置推定の精度をより向上することができる。
【００１５】
請求項５の発明は、請求項１ないし４のいずれかの発明に従属し、無線タグの過去の推定位置座標データの履歴に基づいて推定される検出時刻での第３移動場所における当該無線タグの存在確率を算出する第３算出手段をさらに備える。推定座標算出手段は、第１算出手段、第２算出手段および第３算出手段によって算出された存在確率に基づいて、検出時刻における当該無線タグの推定位置座標を算出する。
【００１６】
請求項５の発明では、第３算出手段は、無線タグの過去の推定位置座標の履歴に基づいて予測される検出時刻での第３移動場所における当該無線タグの存在確率を算出する。推定座標算出手段は、算出された存在確率を組み合わせて検出時刻における当該無線タグの推定位置座標を算出する。したがって、無線タグの実際の移動履歴による影響を考慮して検出時刻における無線タグの第３移動場所を予測することができるので、位置推定の精度をより高めることができる。
【発明の効果】
【００１７】
この発明によれば、無線タグの装着される人間の移動に影響を及ぼす空間内の特定座標の影響を考慮して当該無線タグの検出時刻における移動場所を予測するようにした。そして、読取機の検出情報による場所推定と移動予測による場所推定とを組み合わせて、当該無線タグの存在位置を推定するようにしたので、より正確な位置推定を行うことができる。
【００１８】
この発明の上述の目的，その他の目的，特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。
【発明を実施するための最良の形態】
【００１９】
図１を参照して、この実施例の位置推定システム（以下、単に「システム」という。）１０は、このシステム１０を全体的に制御する中央コンピュータ１２および環境ないし所定空間に設置される複数の無線タグ読取機（以下、単に「読取機」という。）１４を含む。中央コンピュータ１２の内部または外部には、無線タグ１６の推定位置が格納される推定位置データベース（ＤＢ）１８が設けられる。中央コンピュータ１２には、たとえばＲＳ２３２Ｃのような汎用インタフェースを介して複数の読取機１４が接続される。なお、複数の読取機１４は無線ＬＡＮなどを介して中央コンピュータ１２と接続されてもよい。
【００２０】
さらに図２も参照して、このシステム１０は、所定の空間ないし環境２４における無線タグ１６の位置を推定するためのものである。所定の空間２０の一例として、博物館や科学館のような展示環境、娯楽施設、学校の教室など、様々な環境が考えられる。無線タグ１６は空間２０に存在するまたはこの空間２０を訪問する人間２２に取り付けられる。このシステム１０は、換言すれば、空間２０において自由に移動する人間２２の位置を推定しようとするものでもある。また、この空間２０の所定位置には１または複数の影響物体２４が配置されている。影響物体２４は、人間２２の移動に影響を与える特定の物体である。人間２２の移動に影響を与える影響物体２４として、たとえば、展示物、案内ロボット、その他遊具、自動販売機、掲示物など、所定の空間２０の種類に応じて様々な物体が設定され得る。
【００２１】
複数の読取機１４のそれぞれは、空間２０内における無線タグ１６を検出可能となるように、空間２０内の所定の位置に固定的に配置される。望ましくは、無線タグ１６が空間２０内のどの位置に存在しても、少なくとも３つの読取機１４で検出されるように、複数の読取機１４は配置される。この場合、環境に設置された読取機１４の検出情報に基づいて、三角測量の手法によって無線タグ１６のおおまかな位置を推定することができる。この実施例では、環境に設置される読取機１４の設置間隔は、場所にもよるが、およそ４ｍ〜８ｍ程度でよい。
【００２２】
なお、無線タグ１６としてはＲＦＩＤタグが使用される。ＲＦＩＤ（Radio Frequency Identification）は、電磁波を利用した非接触ＩＣタグによる自動認識技術のことである。ＲＦＩＤタグは、識別情報用のメモリや通信用の制御回路等を備えるＩＣチップおよびアンテナ等を含む。そのメモリには、タグ固有識別情報等が予め記憶され、その識別情報等が所定周波数の電磁波・電波等によってアンテナから所定の時間間隔で出力される。この実施例では、すべての無線タグ１６の送信電波強度は同一に設定される。
【００２３】
なお、伝送方式としては、この実施例では、空間２０内における無線タグ１６の位置を推定するので、たとえば、交信距離の比較的長いマイクロ波方式（最大５ｍ程度)のものを使用することができる。また、電源の方式は、適切な交信距離領域を確保するため、電池内蔵の能動型を用いるのが望ましい。また、タグの形態ないし形状は任意であり、たとえばカード形、ラベル形、コイン形、スティック形などであってよい。
【００２４】
読取機１４は、この実施例ではＲＦＩＤタグからの出力情報を検出する。具体的には、読取機１４はアンテナを含み、ＲＦＩＤタグから送信される識別情報の重畳された電波をアンテナを介して受信する。そして、受信した電波信号を増幅し、当該電波信号から識別情報を分離し、当該情報を復調（デコード）する。
【００２５】
この読取機１４では、電波受信感度（アンテナ感度）を段階的に（この実施例では８段階で）調節することが可能になっている。これにより、無線タグ１６の最大検出可能距離（感知範囲）をたとえば８段階で設定することができる。たとえば受信感度レベルＬが８のときに最も広い感知範囲となり、受信感度レベルＬが１のときに最も狭い感知範囲となる。そして、読取機１４は、検出時刻において、電波受信感度（読み取り強度）の設定レベルＬを自動的に変更しつつ無線タグ１６の読み取りを行い、その検出時刻における全レベルでの読み取りの結果を出力することができる。
【００２６】
読取機１４は、たとえば図３に示すような検出情報を中央コンピュータ１２に出力する。検出情報には、自己の識別情報を示す読取機固有ＩＤ、検出時刻ｔ、および検出された無線タグ１６の情報が含まれる。検出された無線タグ１６の情報は、全受信感度レベルでの読み取り結果であり、受信感度レベルＬに関連付けてそのレベルＬで検出された無線タグ１６の固有ＩＤが記憶されている。複数の無線タグ１６が検出された場合には、複数のタグ固有ＩＤが記憶される。また、無線タグ１６が検出されなかった場合には、当該受信感度レベルＬに関連付けてたとえば検出なしを示すデータが記述される。
【００２７】
そして、この実施例では、すべての無線タグ１６の送信電波強度は同一に設定されているので、このように読取機１４で最大検出可能距離（感知範囲）を段階的に変更しつつ読み取りを行うことによって、無線タグ１６が存在するものと仮定する領域を把握することが可能になる。たとえば受信感度レベルがＬのときに検出されている無線タグ１６が、１段階下のレベルＬ−１のときに検出されていない場合、その無線タグ１６はレベルＬ−１での最大検出可能距離からレベルＬでの最大検出可能距離までの間の領域に存在すると仮定することができる。この存在仮定領域については図６を参照して後述する。
【００２８】
また、この電波受信感度の設定レベルＬに基づいて、無線タグ１６から出力された電波の受信強度（受信電波強度）を把握することが可能である。上述のようにすべての無線タグ１６の送信電波強度は同一であるので、たとえば最も感度の高い設定レベル（Ｌ＝８）すなわち最大の感知範囲になってはじめて検出される無線タグ１６は、読取機１４で検出される無線タグ１６の中では当該読取機１４から最も遠い範囲に存在しており、その受信電波強度は最も弱いものとなる。一方、最も感度の低い設定レベル（Ｌ＝１）すなわち最小の感知範囲になっても検出される無線タグ１６は、読取機１４で検出される無線タグ１６の中では当該読取機１４に最も近い範囲に存在しており、その受信電波強度は最も強い。このように、電波受信感度の設定レベルＬごとの無線タグ１６の検出の有無に基づいて、無線タグ１６の受信電波強度を段階的に（この実施例では８段階で）検出することが可能である。
【００２９】
なお、読取機１４の電波受信感度のレベルＬに対応する最大検出可能距離は、個体差があるため、それぞれの読取機１４ごとに実験によって予め計測されている。
【００３０】
また、この実施例では、読取機１４から検出時刻ｔを出力するようにしているが、他の実施例では、中央コンピュータ１２にタイマを設けて検出時刻ｔをカウントするようにしてもよい。
【００３１】
また、製品の一例として、無線タグ１６にはＲＦ Ｃｏｄｅ社（http://www.rfcode.com/）の「ＳＰＩＤＥＲ（商標）」タグを使用することができ、読取機１４には同社の「ＳＰＩＤＥＲ（商標）」リーダを使用することができる。これらは３０３．８MHzの極超短波帯の電波を使用している。
【００３２】
中央コンピュータ１２は、パーソナルコンピュータやワークステーションのようなコンピュータであり、ＣＰＵおよびメモリなどを含む。メモリはＲＯＭ、ＨＤＤおよびＲＡＭなどを含む。ＲＯＭないしＨＤＤにはこのシステム１０の全体的な動作を制御するために必要なプログラムおよびデータが記憶されていて、ＣＰＵはこのプログラムに従って処理を実行する。ＲＡＭはＣＰＵの作業領域またはバッファ領域として使用され、ＣＰＵの処理によって生成されまたは取得されたデータが記憶される。また、ＣＰＵには、複数の読取機１４が汎用インタフェース等を介して接続される。
【００３３】
なお、図１では、複数の読取機１４のすべてが１つの中央コンピュータ１２に接続された場合を示したが、中央コンピュータ１２は複数の読取機１４を担当する複数のコンピュータによって構成されてもよい。この場合には、各コンピュータは、読取機１４で検出した情報を含むデータを通信装置を介してメインとなる１つのコンピュータに送信し、このメインコンピュータは、受信したデータに基づいて位置推定のための処理を実行する。
【００３４】
図４には、中央コンピュータ１２のメモリに記憶されている読取機１４に関する情報の内容の一例が示される。このデータには、読取機固有ＩＤ（ＩＤＲ１〜ＩＤＲｎ）に関連付けて、各読取機１４の空間２０における設置位置の座標（ＸｅＮ，ＹｅＮ）、および電波受信感度レベルＬごとの最大検出可能距離ｄＮＬが登録されている（Ｎ＝１〜ｎ）。なお、この図４において環境に設置される読取機１４の数を示す所定値ｎは、図８においてユーザ数（タグ数）を示す所定値ｎとは無関係に設定されるものであり、両者の値が同一であることを意味するものではない。電波受信感度レベルＬごとの最大検出可能距離は、すべての読取機１４ごとに予め実験によって測定された値が登録される。
【００３５】
読取機１４から取得される検出情報には、上述のように、読取機固有ＩＤと電波受信感度レベルＬの情報が含まれるので、中央コンピュータ１２は、このデータを参照することによって、その読取機１４の設置位置の座標と各レベルＬでの最大検出可能距離を把握できる。
【００３６】
なお、所定空間２０における位置データは、図２に示すようにＸＹ２次元平面座標系で表され、この実施例では鉛直方向（Ｚ軸）の座標は設定されない。また、この空間２０の２次元ＸＹ平面の各座標（ｘ，ｙ）は任意に設定されてよいが、たとえば１ｃｍを単位長さとして定められてよい。
【００３７】
図５には、中央コンピュータ１２で生成されるタグに関する情報の内容の一例が示される。中央コンピュータ１２のＣＰＵは、すべての読取機１４の検出情報に基づいて、タグごとに、このタグに関する情報を生成する。このタグに関する情報には、無線タグ１６のタグ固有ＩＤに関連付けて、検出時刻ｔ、および当該タグを検出した読取機の情報が記憶される。この読取機の情報には、当該タグを検出した読取機１４の読取機固有ＩＤに対応づけて、区分レベルが記憶される。
【００３８】
この区分レベルは、当該無線タグ１６の検出の有無を区分する電波受信感度レベルＬである。上述のように、当該無線タグ１６について、あるレベルＬまでは検出されるがその１段階下のレベルＬ−１では検出されないような場合があるので、このような当該無線タグ１６の検出の有無を分ける電波受信感度レベルＬを検出して、当該電波受信感度レベルＬを区分レベルＬとして設定する。なお、電波受信感度レベルＬが１のときでも当該無線タグ１６が検出されている場合には、区分レベルは１とされる。
【００３９】
図６には、区分レベルによって仮定できる無線タグ１６の存在仮定領域が示される。ある読取機Ｎの検出情報から検出された区分レベルがＬであった場合、つまり、受信感度レベルがＬのときに検出されている無線タグ１６が、１段階下のレベルＬ−１のときには検出されていない場合、その無線タグ１６は、読取機Ｎの位置座標（ＸｅＮ，ＹｅＮ）からレベルＬ−１での最大検出可能距離ｄＮＬ−１までの領域には存在しないが、その外側のレベルＬでの最大検出可能距離ｄＮＬまでの領域には存在すると仮定することができる。つまり、その無線タグ１６は、読取機Ｎの位置座標（ＸｅＮ，ＹｅＮ）を中心とし、長さｄＮＬおよびｄＮＬ−１をそれぞれ半径とした２つの円の間の領域（斜線部分。図６の式（１）で示される。）に存在すると仮定できる。
【００４０】
このように、区分レベルＬによって、無線タグ１６の存在仮定領域がどの範囲になるかが決まる。たとえば、区分レベルＬが１であるときは、受信感度レベルＬが１になっても無線タグ１６が検出されるので、存在仮定領域は読取機Ｎに最も近い範囲となる。また、区分レベルＬが８であるときは、受信感度レベルＬが８になってはじめて無線タグが検出されるので、存在仮定領域は読取機Ｎに最も遠い範囲となる。
【００４１】
また、区分レベルＬは受信電波強度のレベルにも対応するものであるといえる。つまり、区分レベルＬが１であるときは、無線タグ１６は読取機Ｎに最も近い範囲に存在するので、その受信電波強度のレベルは最大であり、一方、区分レベルＬが８であるときは、無線タグ１６は読取機Ｎに最も遠い範囲に存在するので、その受信電波強度のレベルは最小である。このように、区分レベルＬは、受信電波強度に関する情報を含んだものでもある。
【００４２】
図７には、区分レベルＬと存在仮定領域との関係の一例を示す。これらは実験によって得られた値である。また、上述のように読取機ごとに個体差があるので、図８の数値は一例に過ぎない。たとえば、区分レベルＬが「４」であった場合、読取機１４の位置座標からの距離が１００ｃｍから１５０ｃｍまでの間の領域が存在仮定領域となる。
【００４３】
図８には、中央コンピュータ１２のメモリに記憶されるユーザ情報の内容の一例が示される。このデータには、ユーザＩＤ（ＩＤＵ１〜ＩＤＵｎ）に関連付けて、そのユーザ２２に取り付けられる無線タグ１６の識別情報（無線タグ固有ＩＤ：ＩＤＴ１〜ＩＤＴｎ）、およびそのユーザ名などのユーザに関する情報が登録される。中央コンピュータ１２は、取得した無線タグ固有ＩＤに基づいてこのデータを参照することによって、検出された人間２２を特定することができる。
【００４４】
さらに、ユーザ情報は、無線タグ１４の装着される人間２２の移動に影響を与える人間関係に関する情報を含む。ユーザ２２と所定の人間関係を有する他のユーザ２２とを関連付けるべく、所定の関係を有するユーザ２２のユーザＩＤが予め記憶されている。この実施例では、このような移動に影響を与える人間関係として、たとえば親子関係、恋人関係、友人関係などが設定されている。図８の例では、ユーザＩＤＵ１と親子関係を有するユーザ２２としてＩＤＵ４，５が登録され、ユーザＩＤＵ２と恋人関係を有するユーザ２２としてＩＤＵ６が登録される。また、人間関係情報は、グループＩＤを用いて登録されてよい。図８の例では、ユーザＩＤＵ３の友人関係を有するユーザ２２として、グループＩＤを用いて、ＩＤＧＦ１が登録されている。グループＩＤには、図９に示すように、人間関係を有するグループを形成する複数のユーザ２２のユーザＩＤが登録され、この例では、ＩＤＵ３、ＩＤＵ７およびＩＤＵ８が登録されている。人間関係情報としてグループＩＤが登録されている場合、自己のＩＤを除く登録ＩＤとの間に当該人間関係があることがわかる。
【００４５】
図１０には、中央コンピュータ１２のメモリに記憶される人間関係による影響パラメータの内容の一例が示される。このデータは、人間関係に基づいてタグ１６の存在場所を推定する際に使用される。具体的には、各人間関係に関連付けて、引力距離ｄｉｓｔ＿ｆおよび斥力距離ｄｉｓｔ＿ｓ等が予め記憶される。図１４で後述するように、引力距離ｄｉｓｔ＿ｆは、人間関係を有するタグ１６らの重心位置への引力をタグ１６の位置の推定に考慮する閾値であり、斥力距離ｄｉｓｔ＿ｓは、人間関係を有するタグ１６らの重心位置との斥力をタグ１６の位置の推定に考慮する閾値である。つまり、これら引力距離および斥力距離は、人間関係による影響が作用するか否かの判定条件である。
【００４６】
図１１には、中央コンピュータ１２のメモリに記憶される影響物体情報の内容の一例が示される。このデータには、影響物体２４の物体ＩＤに対応付けて、名称、空間２０における位置座標（ｅ＿Ｘ，ｅ＿Ｙ）、および物体による影響パラメータ等が予め記憶される。影響物体２４は、上述のように、環境２０に配置されて人間２２の移動に影響を与える特定の物体であり、図１１の例では、展示物、ロボット、自動販売機などが登録されている。人間２２は、特定物体２４の近くに存在すると判定されたときに、当該特定物体２４の影響を受ける。パラメータは、影響物体２４に基づいてタグ１６の存在場所を推定する際に使用され、影響半径ｅ＿ｒおよび影響無効半径ｅ＿ｄ等を含む。図１６で後述するように、影響半径ｅ＿ｒは、当該特定物体２４の位置への引力をタグ１６の位置の推定に考慮する閾値であり、影響無効半径ｅ＿ｄは、当該特定物体２４の位置への引力を無効にする閾値である。つまり、これら影響半径および影響無効半径は、特定物体２４による影響が作用するか否かの判定条件である。
【００４７】
この実施例では、中央コンピュータ１２は、たとえば１秒間隔等の一定周期で各読取機１４から検出情報を取得して、その検出時刻における無線タグ１６の位置を推定する。
【００４８】
具体的に、無線タグ１６の存在位置の推定手法について説明する。上述したように、読取機１４で無線タグ１６が検出され、区分レベルがＬであったとき、その無線タグ１６は、その検出時刻ｔにおいて、図６で斜線で示される領域（第１領域）に存在するものと仮定または推定される。具体的には、この読取機１４における無線タグ１６の存在仮定領域は、当該読取機１４の位置座標（ＸｅＮ，ＹｅＮ）を中心とし、受信感度レベルＬでの最大検出可能距離ｄＮＬおよび受信感度レベルＬ−１での最大検出可能距離ｄＮＬ−１をそれぞれ半径とした２つの円の間の領域である。そして、この存在仮定領域において、無線タグ１６の存在する確率は一様に分布するものと仮定する。つまり、この存在仮定領域内の各座標（ｘ，ｙ）の確率を総和すると１．０になるように、各座標（ｘ，ｙ）での存在確率が算出される。
【００４９】
所定空間２０内においては、１つの無線タグ１６が、たとえば受信感度レベル３または４程度の所定のレベルで同時に複数の読取機１４によって検出されるように、各読取機１４が配置されている。つまり、複数の読取機１４で１つの無線タグ１６が検出されるとき、所定の区分レベルでの存在仮定領域が、他の読取機１４の所定の区分レベルでの存在仮定領域と重なり合う状態になるようにして、複数の読取機１４は配置されている。この場合には、無線タグ１６の存在する確率は、当該無線タグ１６を検出した複数の読取機１４の存在仮定領域が最も多く重なり合う部分で最も高くなる。たとえば、図１２に示すように、３つの読取機１４で同時に無線タグ１６が検出されたときには、その検出時刻ｔにおいて、当該無線タグ１６の存在する確率は、３つの存在仮定領域の重なり合う部分（図１２の格子線部分）で最も高くなる。また、２つの存在仮定領域の重なり合う部分の存在確率は、他と重ならない領域の部分の確率よりも高い。このようにして環境に設置された読取機１４の検出情報のみから算出される推定位置は比較的おおまかなものである。
【００５０】
発明者等の実験や研究によって、人間の移動は空間内の特定の座標に影響を受ける場合があることが見出された。そして、この特定座標の影響を考慮して無線タグ１６すなわち人間２２の検出時刻における移動場所ないし領域を予測することによって、推定位置の精度を向上できることがわかった。具体的には、人間２２の移動は、人間関係を有している人達の位置に影響を受ける。また、人間２２の移動は、周辺環境の特性、たとえば周囲の環境に存在する特定物体２４の位置に影響を受ける。そこで、この実施例では、無線タグ１６の装着された人間２２の移動に影響を与える要因として、人間関係および周囲の環境の特性を考慮して検出時刻における存在場所を予測する。
【００５１】
また、人間２２の移動場所は、当該人間２２の過去の移動の履歴にも影響を受けると考えられる。人間２２の移動速度には上限があり、たとえば瞬時に遠い位置に移動することは不可能である。したがって、場所の推定には当該人間２２の移動履歴（行動履歴）も考慮される。この行動履歴に基づく移動場所の予測によっても、位置推定の精度を向上することができる。
【００５２】
まず、図１３に示す行動履歴に基づく場所推定について説明する。人間２２の位置は、過去の移動の仕方からある程度予測可能であるので、行動履歴を用いて移動場所を推定する。この処理では、処理対象の無線タグ１６（ＩＤ＝ａとする）の過去の推定座標から算出される移動速度ｓａに基づいて、現検出時刻ｔにおける存在場所を予測する。たとえば、過去一定時間（ｔ−１，…，ｔ−ｎ）における推定座標（（Ｘａ（ｔ−１），Ｙａ（ｔ−１）），…，（Ｘａ（ｔ−ｎ），Ｙａ（ｔ−ｎ）））の差分および差分平均を計算して移動速度ｓａを計測する。算出に使用される過去の一定時間を決めるｎの値はたとえば実験結果に基づいて所定値が設定される。
【００５３】
この移動速度のＸ軸方向成分ｓａ＿ｘおよびＹ軸方向成分ｓａ＿ｙを、時刻（ｔ−１）における推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））に加算する。これによって算出された座標（Ｘａ（ｔ−１）＋ｓａ＿ｘ，Ｙａ（ｔ−１）＋ｓａ＿ｙ）を中心とし、かつ誤差ｅａを半径とした円内の領域が、行動履歴に基づくタグａの推定移動場所になる。この推定移動場所は、図１３では、ドットパターンが付された円内領域であり、同図中の式（２）で示される。
【００５４】
誤差ｅａは、行動履歴に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａは、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものであり、予め計測されて、中央コンピュータ１２のメモリに記憶されている。たとえば、サンプリング間隔が１秒である場合には誤差ｅａは０．２ｍ程度に設定される。サンプリング間隔が長くなれば人間２２の移動量が大きくなって誤差ｅａも大きくなる。たとえば、サンプリング間隔が２秒である場合には誤差ｅａは０．４ｍ程度に設定されてよい。サンプリング時間が計測中に変更されるような場合には、その変更に応じてこの誤差ｅａの値も変更される。あるいは、過去の速度から誤差ｅａの値を決定するようにしてもよい。
【００５５】
推定対象の無線タグａの存在確率Ｌａは、この推定移動場所に一様に分布するものとして、算出される。つまり、この推定移動場所内の各座標（ｘ，ｙ）の確率を総和すると１．０になるように、各座標（ｘ，ｙ）での存在確率が算出される。
【００５６】
次に、図１４に示す人間関係に基づく場所推定について説明する。たとえば家族、恋人、友人などといった人間関係を有する人間が空間２０内に存在している場合、人間２２の移動は人間関係のある人の存在に影響を受ける。たとえば、親は離れた子を追いかけたり、恋人同士は寄り添って移動したり、友人同士はある程度固まって移動したりする。したがって、この人間関係を有する人達の移動の傾向に合わせて人間２２の移動場所を推定する。
【００５７】
具体的には、人間関係のある人達のそれぞれは、それらの重心座標との距離に応じて、重心座標に引き寄せられたり重心座標から離れたりする。つまり、人間関係のある人達の重心座標との距離に応じて当該重心に対して引力が作用したり斥力（反発力）が作用したりする。人間の移動はこのような重心に対する引力や斥力の影響を受ける。
【００５８】
重心に引き寄せられるか否かは、直前の検出時刻ｔ−１における重心座標との距離に基づいて決まる。時刻ｔ−１における人間関係を有する人達の重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１））は、時刻ｔ−１における処理対象の無線タグａの推定座標と、当該タグａと人間関係を有する無線タグ１６の推定座標から算出される。そして、時刻ｔ−１におけるタグａの座標と重心座標とから距離ｄｉｓｔ＿ｇが算出される。この距離ｄｉｓｔ＿ｇの値に基づいて、特定の座標すなわち人間関係のある人達の重心座標にタグａが引き寄せられるか否かを予測して、存在場所（移動場所）を推定する。
【００５９】
距離が離れている場合、人間関係のある人達は互いに引き寄せられる。この引力によって、時刻ｔにおける無線タグａの移動位置は重心座標の位置に近くなると推定される。したがって、算出距離ｄｉｓｔ＿ｇが閾値（引力距離）ｄｉｓｔ＿ｆ以上であるときには、作用する力成分ｐ＿ｈとして引力（ｐ＿ｈ＝ｐ＿ｃｏｎｓｔ１）が採用される。力成分ｐ＿ｈは人間関係に基づく影響の程度を示すパラメータであり、その値ｐ＿ｃｏｎｓｔ１は定数であり、メモリに予め記憶されている。
【００６０】
また、距離が非常に近い場合には、人間は互いに離れる傾向にある。この斥力によって、時刻ｔにおける無線タグａの移動位置は重心座標の位置から遠くなると推定される。したがって、算出距離ｄｉｓｔ＿ｇが閾値（斥力距離）ｄｉｓｔ＿ｓよりも小さいときには、作用する力成分ｐ＿ｈとして斥力（ｐ＿ｈ＝−ｐ＿ｃｏｎｓｔ１）が採用される。
【００６１】
さらに、距離ｄｉｓｔ＿ｇが斥力距離ｄｉｓｔ＿ｓ以上でありかつ引力距離ｄｉｓｔ＿ｆよりも小さい場合には、人間同士は適度な距離を保っているものとみなして、力が作用しないものとする（力成分ｐ＿ｈ＝０）。つまり、この場合には、時刻ｔにおける無線タグａの移動位置は重心座標との間の距離を保つと推定される。
【００６２】
なお、ｄｉｓｔ＿ｆおよびｄｉｓｔ＿ｓは、上述の図１０に示したように、無線タグａの持つ人間関係によって変化し、メモリに予め記憶されている。たとえば、親子関係では、子は親の目の届く範囲では比較的自由に移動するので、引力距離ｄｉｓｔ＿ｆは比較的大きな値に設定されてよい。また、恋人関係では、当該二人は寄り添って移動するので、斥力距離ｄｉｓｔ＿ｓは非常に小さい値に設定されてよく、引力距離ｄｉｓｔ＿ｆは比較的小さい値に設定されてよい。
【００６３】
人間関係による推定移動場所の算出の概要が図１５に示される。まず、無線タグａと人間関係のある無線タグらの重心座標の移動履歴から、時刻ｔにおける当該重心座標の移動位置を推定する。つまり、過去（ｔ−１，…，ｔ−ｎ）におけるタグａと人間関係を持つタグ１６らの重心座標（（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｘａ＿ｃ（ｔ−ｎ）））の差分と平均から、重心座標の移動速度ｓａ＿ｃを算出する。続いて、過去（ｔ−１）における重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１））と移動速度ｓａ＿ｃから、時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））を算出する。この算出では、図１３の場合と同様に、重心座標Ｘａ＿ｃ（ｔ−１）およびＹａ＿ｃ（ｔ−１）に、移動速度ｓａ＿ｃのＸ成分ｓａ＿ｃｘおよびＹ成分ｓａ＿ｃｙをそれぞれ加算する。そして、時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））に、時刻ｔ−１におけるタグａの座標と重心座標との距離ｄｉｓｔ＿ｇのＸ成分ｘｄおよびＹ成分ｙｄをそれぞれ加算し、かつ、力のＸ成分（−ｐ＿ｈｘ）およびＹ成分（−ｐ＿ｈｙ）をそれぞれ加算する。なお、力ｐ＿ｈは、時刻ｔ−１におけるタグａの座標と人間関係を有するタグ１６らの重心座標とを結ぶ線に平行な方向に作用するものとするので、力のＸ軸方向成分（−ｐ＿ｈｘ）およびＹ方向成分（−ｐ＿ｈｙ）はそれぞれ次式から算出される：ｐ＿ｈｘ＝ｘｄ／（ｘｄ＋ｙｄ）×ｐ＿ｈ，ｐ＿ｈｙ＝ｙｄ／（ｘｄ＋ｙｄ）×ｐ＿ｈ。
【００６４】
これによって算出された座標（Ｘａ＿ｃｅ（ｔ）＋ｘｄ−ｐ＿ｈｘ，Ｙａ＿ｃｅ（ｔ）＋ｙｄ−ｐ＿ｈｙ）を中心とし、かつ、誤差ｅａ＿ｈを半径とした円内の領域が、人間関係に基づくタグａの推定移動場所となる。この推定移動場所は、図１５では、ドットパターンが付された円内領域であり、同図中の式（３）で示される。推定対象の無線タグａの存在確率Ｌｂは、この推定移動場所に一様に分布するものとして、算出される。
【００６５】
誤差ｅａ＿ｈは、人間関係に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａ＿ｈは、上述の誤差ｅａと同様であり、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものである。誤差ｅａ＿ｈは、重心座標による影響に関するパラメータの１つであり、たとえば予め計測されて、中央コンピュータ１２のメモリに記憶されている。誤差ｅａ＿ｈの値は人間関係の種類に応じて変更されてよい。
【００６６】
続いて、図１６に示す影響物体２４に基づく場所推定について説明する。人間２２の移動は、当該人間２２の近くまたは周囲の環境に存在する特定の物体２４の位置に影響を受ける。たとえば博物館等の展示環境においては、訪問者２２は、展示物の近くに来たら、その展示物に近付くことが予期される。また、ロビーに配置される案内ロボット、自動販売機や掲示板などが近くに存在する場合にもそれらに近付く可能性がある。したがって、このような周囲の環境に配置された影響物体２４の位置に基づいて人間２２の移動場所を推定する。
【００６７】
具体的には、推定対象の無線タグａは、影響物体２４との距離に応じて当該影響物体２４の位置に引き寄せられたり引き寄せられなかったりする。つまり、影響物体２４との距離に応じて、当該位置に対して引力が作用したりしなかったりする。人間２２の移動は、この影響物体２４に対する引力に影響を受ける。
【００６８】
引力が作用するか否かは、直前の検出時刻ｔ−１におけるタグａと影響物体２４との距離ｄｉｓｔ＿ｅに基づいて決まる。距離ｄｉｓｔ＿ｅは、時刻ｔ−１におけるタグａの推定位置座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））と、影響物体２４の座標（ｅ＿Ｘ，ｅ＿Ｙ）とから算出される。
【００６９】
距離ｄｉｓｔ＿ｅが影響半径ｅ＿ｒよりも大きい場合には、つまり、タグａが影響物体２４の近くに存在していないときには、タグａは影響物体２４から影響を受けず力が作用しないものとする（力成分ｐ＿ｅ＝０）。つまり、この場合には、時刻ｔにおける無線タグａの移動位置は影響物体２４との間の距離を保ったままであると推定される。
【００７０】
また、距離ｄｉｓｔ＿ｅが影響半径ｅ＿ｒ以下でありかつ影響無効半径ｅ＿ｄ以上であるとき、当該タグａに作用する力成分ｐ＿ｅとして引力（ｐ＿ｅ＝ｐ＿ｃｏｎｓｔ２）が採用される。力成分ｐ＿ｅは影響物体に基づく影響の程度を示すパラメータであり、その値ｐ＿ｃｏｎｓｔ２は定数であり、メモリに予め記憶されている。この引力によって、時刻ｔにおける無線タグａの移動位置は影響物体２４の位置に近くなると推定される。
【００７１】
また、距離ｄｉｓｔ＿ｅが影響無効半径ｅ＿ｄよりも小さいときにも、タグａは影響物体２４から影響を受けない（ｐ＿ｅ＝０）。人間２２は影響物体２４にある程度近付いたら、それ以上近付かなくても当該物体２４を見たり触れたりできるからである。
【００７２】
なお、影響物体２４から斥力は作用しないものとしているが、距離ｄｉｓｔ＿ｅが影響無効半径ｅ＿ｄよりも小さいときは、力成分が０である斥力が作用しているものとみなして、値が０である斥力が作用していると表現することも可能である。
【００７３】
図１７には、影響物体２４による推定移動場所の算出の概要が示される。直前の時刻ｔ−１における推定対象の無線タグａの推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））、タグａと影響物体２４との距離ｄｉｓｔ＿ｅ、および力成分ｐ＿ｅに基づいて、現検出時刻ｔにおける存在場所が推定される。つまり、時刻ｔ−１における推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））に、距離ｄｉｓｔ＿ｅのＸ成分ｘｄおよびＹ成分ｙｄをそれぞれ加算し、かつ、力のＸ成分（−ｐ＿ｅｘ）およびＹ成分（−ｐ＿ｅｙ）を加算する。なお、力ｐ＿ｅは、時刻ｔ−１におけるタグａの座標と影響物体２４の座標とを結ぶ線に平行な方向に作用するものとするので、力のＸ軸方向成分（−ｐ＿ｅｘ）およびＹ方向成分（−ｐ＿ｅｙ）はそれぞれ次式から算出される：ｐ＿ｅｘ＝ｘｄ／（ｘｄ＋ｙｄ）×ｐ＿ｅ，ｐ＿ｅｙ＝ｙｄ／（ｘｄ＋ｙｄ）×ｐ＿ｅ。
【００７４】
これによって算出された座標（Ｘａ（ｔ−１）＋ｘｄ−ｐ＿ｅｘ，Ｙａ（ｔ−１）＋ｙｄ−ｐ＿ｅｙ）を中心とし、かつ、誤差ｅａ＿ｅを半径とする円内の領域が影響物体２４に基づくタグａの推定移動場所となる。この推定移動場所は、図１７では、ドットパターンが付された円内領域であり、同図中の式（４）で示される。推定対象の無線タグａの存在確率Ｌｃは、この推定移動場所に一様に分布するものとして、算出される。
【００７５】
誤差ｅａ＿ｅは、影響物体に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａ＿ｅは、上述の誤差ｅａ、ｅａ＿ｈと同様であり、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものである。誤差ｅａ＿ｅは、特定物体２４による影響に関するパラメータの１つであり、たとえば予め計測されて、中央コンピュータ１２のメモリに記憶されている。
【００７６】
そして、これら算出された存在確率を組み合わせることによって、当該検出時刻における当該無線タグａの位置を推定する。つまり、たとえば、読取機１４の検出情報による存在確率、ならびに行動履歴、人間関係および周囲の環境に基づく推定移動場所における存在確率を組み合わせて、存在確率の最も高い場所を選択し、選択された場所の重心座標を時刻ｔにおけるタグａの推定位置座標として算出する。
【００７７】
具体的に、推定位置座標を算出する際には、まず、時刻ｔにおけるタグａの存在確率を、すべての座標（ｘ，ｙ）で総和する。この実施例では、図６の読取機１４ごとの存在仮定領域（式（１））におけるタグａの存在確率、図１３の行動履歴に基づく推定移動場所（式（２））におけるタグａの存在確率Ｌａ、図１５の人間関係に基づく推定移動場所（式（３））におけるタグａの存在確率Ｌｂ、および図１７の周囲環境に基づく推定移動場所（式（４））におけるタグａの存在確率Ｌｃが算出されるので、これらの算出された確率を全ての座標（ｘ，ｙ）で足し合わせる。次に、全ての座標（ｘ，ｙ）の確率の総和が１．０になるように、検出時刻ｔにおけるタグａの存在確率Ｐ（ｔ，ａ，ｘ，ｙ）を正規化する。
【００７８】
続いて、タグａが存在する確率の最も高い場所を特定する。たとえば、確率値Ｐの最も高い座標（ｘ，ｙ）を検出し、検出した座標が上述の推定移動場所（２）から（４）のいずれに含まれるのかを検出する。各推定移動場所（２）、（３）、（４）がたとえば図１８に示すような位置関係になった場合には、影響物体２４に基づく推定移動場所（４）が２つの読取機１４の存在仮定領域の重複部分（交差斜線部分）に存在しており、当該推定移動場所（４）内の重複部分の確率が最も高くなる。したがって、図１８の場合には推定移動場所（４）が最も確率の高い場所であると特定される。
【００７９】
そして、この確率の最も高い場所の重心座標を算出する。この重心座標は、たとえば当該場所に含まれる座標（ｘ，ｙ）と算出した確率Ｐ（ｔ，ａ，ｘ，ｙ）とを用いて算出される。この算出された重心座標（Ｘａ，Ｙａ）が、時刻ｔにおける当該タグａの推定位置座標として推定位置座標ＤＢ１８に記憶される。
【００８０】
重心のｘ座標Ｘａおよびｙ座標Ｙａは、次の数１および数２で算出される。
【００８１】
【数１】
【００８２】
【数２】
【００８３】
ここで、Ｐ（ｘ，ｙ）は、座標（ｘ，ｙ）における当該無線タグ（ａ）の検出時刻ｔにおける存在確率である。すなわち、重心の座標は、座標とその座標の持つ確率との積を、推定移動場所に含まれる全ての座標に対して行って、それらの総和をとり、この総和の値を全ての座標が持つ確率の総和で割ることによって、決定される。
【００８４】
図１９には、中央コンピュータ１２のＣＰＵの動作の一例が示される。処理を開始すると、まず、ステップＳ１で、オペレータによる停止命令が生じたか否かを判断する。ステップＳ１で“ＹＥＳ”であれば、つまり、マウスまたはキーボード等の入力装置から停止を指示するデータが入力された場合には、この処理を終了する。
【００８５】
一方、ステップＳ１で“ＮＯ”であれば、ステップＳ３で、全ての読取機１４から検出情報を取得してメモリのＲＡＭに記憶する。このステップＳ３の検出情報の取得は、周期的に（たとえば１秒間隔のような所定間隔で）実行されてよいし、可変間隔で実行されてもよい。図３に示したように、検出情報には、当該読取機の固有ＩＤ，検出時刻ｔ、電波受信感度レベルＬごとの検出された各無線タグ１６の固有ＩＤ等が含まれている。
【００８６】
続いて、ステップＳ５で、取得した検出情報に基づいて、無線タグ１６ごとに当該無線タグ１６に関する情報を抜き出す。そして、図５に示したように、無線タグ固有ＩＤに関連付けて、検出時刻ｔ、検出した読取機の情報（読取機固有ＩＤとその区分レベルＬ）を含むデータをＲＡＭに作成する。区分レベルＬは、上述のように、当該無線タグ１６の検出の有無を分ける電波受信感度レベルＬを検出することによって取得される。
【００８７】
そして、ステップＳ７で、無線タグ１６が所定空間２０に存在するか否かを判断する。ステップＳ７で“ＮＯ”であれば、つまり、各読取機１４からの検出情報に無線タグ固有ＩＤが含まれていなかった場合には、処理はステップＳ１へ戻る。
【００８８】
一方、ステップＳ７で“ＹＥＳ”であれば、ステップＳ９で無線タグ１６ごとの位置推定処理を実行する。この位置推定処理の動作の一例が図２０に詳細に示される。
【００８９】
図２０の最初のステップＳ３１では、処理する無線タグａ（ａ＝固有ＩＤ）に関する情報をステップＳ５で生成したデータから取得する。無線タグａに関する情報は、図５に示したように、無線タグ固有ＩＤに関連付けられた、検出時刻ｔ、検出した読取機の情報（読取機固有ＩＤとその区分レベルＬ）等を含む。複数の無線タグ１６が検出された場合、処理するタグａの選択順序は任意であり、たとえばタグ固有ＩＤの順に従って設定される。
【００９０】
次に、ステップＳ３３では、当該無線タグａを検出した読取機１４ごとに、その存在仮定領域（図６で式（１）で示される）に、当該無線タグａが存在する確率を算出する。なお、各読取機１４の位置座標は、読取機１４に関する情報（図４）から取得される。また、各読取機１４の存在仮定領域を規定する最大検出可能距離ｄＮＬおよびｄＮＬ−１は、各読取機の区分レベルＬ（受信感度レベルＬ）に基づいて、同じく読取機１４に関する情報（図４）から取得される。したがって、存在仮定領域を図６の式（１）に従って算出することができる。
【００９１】
続いて、ステップＳ３５で、行動履歴による場所推定処理を実行する。この行動履歴による場所推定処理の動作の一例が図２１に示される。
【００９２】
図２１の最初のステップＳ７１では、過去（ｔ−１，…，ｔ−ｎ）における処理対象タグａの推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１）），…，（Ｘａ（ｔ−ｎ），Ｙａ（ｔ−ｎ））を推定位置ＤＢ１８からＲＡＭに取得する。次に、ステップＳ７３で、取得したタグａの推定座標の差分と当該差分の平均を算出して、移動速度ｓａを算出する。続いて、ステップＳ７５で、時刻ｔにおいて推定移動場所（図１３の式（２）で示される）における当該タグａが存在する確率Ｌａを算出する。推定移動場所を決定するためのパラメータとしての誤差ｅａはメモリから取得される。したがって、行動履歴による移動場所を図１３の式（２）に従って算出して推定することができる。確率Ｌａは、当該推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されて、メモリに記憶される。ステップＳ７５を終了すると、この行動履歴による場所推定処理を終了して、図２０のステップＳ３７に戻る。
【００９３】
図２０のステップＳ３７では、当該タグａの人間関係が登録されているか否かを、メモリに記憶されているユーザ情報（図８）を参照して判定する。ステップＳ３７で“ＹＥＳ”であれば、つまり、当該タグａと人間関係を持つ人間２２が所定の空間２０内に存在している場合には、ステップＳ３９で、検出された無線タグ１６の固有ＩＤとユーザ情報に登録されている人間関係のあるタグ固有ＩＤとに基づいて、読取機１４で検出された全ての無線タグ１６の中から、当該タグａと人間関係を有する全ての無線タグ１６のタグ固有ＩＤを取得する。
【００９４】
そして、ステップＳ４１で人間関係による場所推定処理を実行する。この人間関係による場所推定処理の動作の一例が図２２に示される。
【００９５】
図２２の最初のステップＳ９１では、タグａの固有ＩＤと取得された人間関係を有する全てのタグ１６の固有ＩＤとに基づいて、過去（ｔ−１，…，ｔ−ｎ）におけるタグａと人間関係を有するタグ１６らの推定座標を推定位置ＤＢ１８からＲＡＭに取得する。
【００９６】
次に、ステップＳ９３で、過去の各検出時刻における当該人間関係を有しているタグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））を算出する。この人間関係を有するタグらの重心座標の算出には過去における当該タグａの推定座標も使用される。
【００９７】
続いて、ステップＳ９５で、当該タグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））の差分と平均から、重心座標の移動速度ｓａ＿ｃを算出する。
【００９８】
さらに、ステップＳ９７で、当該タグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））と、重心座標の移動速度ｓａ＿ｃから、検出時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））を算出する。
【００９９】
そして、ステップＳ９９で、時刻ｔにおいて推定移動場所（図１５の式（３）で示される）における当該タグａが存在する確率Ｌｂを算出する。具体的には、人間関係に対応する影響パラメータ（図１０参照）がメモリから取得される。また、誤差ｅａ＿ｈの値も取得される。力成分ｐ＿ｈの値は、時刻ｔ−１におけるタグａの推定座標と人間関係を有するタグらの重心座標との距離ｄｉｓｔ＿ｇの値とパラメータとの大小関係に応じて、メモリから所定の値が取得される。したがって、図１５の式（３）に従って、人間関係による移動場所を算出して推定することができる。確率Ｌｂは、推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されてメモリに記憶される。ステップＳ９９を終了すると、この人間関係による場所推定処理を終了して、図２０のステップＳ４３に戻る。
【０１００】
なお、処理対象のタグａについて複数の種類の人間関係が検出される場合には、たとえば人間関係ごとに図２２の処理を実行して人間関係ごとに確率Ｌｂを算出する。
【０１０１】
また、図２０のステップＳ３７で“ＮＯ”であれば、つまり、タグａと人間関係を持っているタグ１６が検出されず、またはタグａに人間関係が登録されていない場合等には、処理はステップＳ４３に進む。
【０１０２】
ステップＳ４３では、当該タグａの近くに影響物体２４が存在するか否かを判定する。たとえば、直前の検出時刻ｔ−１における当該タグａの推定位置座標と各影響物体２４の座標との距離を算出し、算出した各距離が各影響物体２４の影響半径ｅ＿ｒ以下であるか否かを判断する。なお、時刻ｔ−１における当該タグａの推定位置座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））は推定位置ＤＢ１８から取得され、各影響物体２４の座標（ｅ＿Ｘ，ｅ＿Ｙ）、影響半径ｅ＿ｒはメモリの影響物体情報（図１１参照）から取得される。
【０１０３】
ステップＳ４３で“ＹＥＳ”であれば、ステップＳ４５で、当該タグａの近くにあると判定された全ての影響物体２４の物体ＩＤを影響物体情報から取得する。
【０１０４】
そして、ステップＳ４７で、影響物体による場所推定処理を実行する。この影響物体による場所推定処理の動作の一例が図２３に示される。
【０１０５】
図２３の最初のステップＳ１１１で、ステップＳ４５で取得した全ての物体ＩＤをカウントしてタグａの近くにある影響物体２４の個数ｕを取得するとともに、当該全ての物体ＩＤに対応する影響物体情報を取得する。
【０１０６】
次に、ステップＳ１１３で、タグａの近くに存在する全ｕ個の影響物体について、場所推定処理が終了しているか否かを判断する。ステップＳ１１３で“ＮＯ”であれば、全ｕ個の影響物体２４のうち処理の対象とする影響物体ｖを決定して、ステップＳ１１５で、時刻ｔにおいて当該影響物体ｖの推定移動場所（図１７の式（４）で示される）におけるタグａの存在する確率Ｌｃ（ｖ＝１〜ｕ）を算出する。具体的には、誤差ｅａ＿ｅの値をメモリから取得する。力成分ｐ＿ｅの値は、時刻ｔ−１におけるタグａの推定座標と影響物体ｖの位置座標との距離ｄｉｓｔ＿ｅの値と影響パラメータ（影響半径ｅ＿ｒおよび影響無効半径ｅ＿ｄ）との大小関係に応じて、メモリから所定の値が取得される。したがって、図１７の式（４）に従って、当該特定物体２４に基づく移動場所を算出し推定することができる。確率Ｌｃ（ｖ）は、推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されてメモリに記憶される。ステップＳ１１５を終了すると処理はステップＳ１１３に戻る。ステップＳ１１３で“ＹＥＳ”であれば、この影響物体による場所推定処理を終了して、図２０のステップＳ４９に戻る。
【０１０７】
また、図２０のステップＳ４３で“ＮＯ”であれば、つまり、タグａがいずれの影響物体２４の影響範囲内にも存在していない場合には、処理はそのままステップＳ４９へ進む。
【０１０８】
ステップＳ４９では、時刻ｔにおけるタグａが存在する確率を全ての座標（ｘ，ｙ）で総和する。具体的には、ステップＳ３３で読取機１４ごとに算出された確率、ステップＳ７５（図２１）で算出された確率Ｌａ、ステップＳ９９（図２２）で算出された確率Ｌｂ、ステップＳ１１５（図２３）で算出された確率Ｌｃに基づいて、全座標について当該座標における確率値を足し合わせる。
【０１０９】
なお、この実施例では、算出された存在確率のそれぞれを１対１の比率で加算するようにしているが、各存在確率を重み付けして加算するようにしてもよい。この場合の各存在確率の重み係数は実験結果に基づいて適宜な値に設定される。
【０１１０】
次に、ステップＳ５１で、タグａが存在する確率Ｐ（ｔ，ａ，ｘ，ｙ）を正規化する。たとえばステップＳ４９で総和した確率を当該総和に用いた算出された存在確率の数で割ることによって正規化し、全座標の確率値の総和が１．０になるようにする。
【０１１１】
続いて、ステップＳ５３で、ステップＳ５１で算出した確率Ｐ（ｔ，ａ，ｘ，ｙ）を用いて、タグａが存在する確率の最も高い場所を特定する。たとえば、確率値Ｐの最も高い座標（ｘ，ｙ）を検出し、検出した座標が、上述した行動履歴による推定移動場所（２）、人間関係による推定移動場所（３）、および影響物体による推定移動場所（４）のいずれに含まれるのかを検出する。
【０１１２】
そして、ステップＳ５５で、タグａが存在する確率の最も高い場所の重心座標（Ｘａ，Ｙａ）を、上記数１および数２に従って算出する。この確率の最も高い場所の重心座標が当該時刻ｔにおけるタグａの推定位置座標である。ステップＳ５５を終了すると、この位置推定処理を終了し、処理は図１９のステップＳ１１へ戻る。
【０１１３】
図１９に戻って、ステップＳ１１で、検出時刻ｔに関連付けて、処理対象であった無線タグａの固有ＩＤ，および算出された推定位置（Ｘａ，Ｙａ）をメモリから推定位置ＤＢ１８に記録する。
【０１１４】
そして、ステップＳ１３で、ステップＳ７で検出された全ての無線タグ１６について処理したか否かを判断する。ただし、登録されている全無線タグ１６に関して判断してもよい。ステップＳ１３で“ＮＯ”であれば、ステップＳ９に戻る。こうして、全ての無線タグ１６について位置推定処理を行って、推定位置座標をＤＢ１８に記録する。一方、ステップＳ１１で“ＹＥＳ”であれば、次の検出時刻における計測を行うべく、ステップＳ１に戻る。
【０１１５】
この実施例によれば、無線タグ１６の装着された人間２２の移動に影響を及ぼす空間２０内の特定の座標の影響を考慮して当該無線タグ１６の移動場所を予測し、読取機１４の検出情報による推定と組み合わせて、当該無線タグ１６の位置を推定するようにしたので、より正確な位置推定を行うことができる。
【０１１６】
具体的には、無線タグ１６の装着された人間２２の人間関係による影響を考慮した。この場合、人間関係を有する人間２２（無線タグ１６）らの重心座標が、空間２０において人間２２の移動に影響を与える特定座標となる。この人間関係を有する無線タグ１６らの重心座標と推定対象の無線タグ１６の座標との距離に基づいて、当該無線タグ１６が重心座標に対して引き寄せられるか否か（たとえば反発するか、もしくは影響無しかなど）を判定し、判定結果に応じた移動場所ないし領域を予測するようにしたので、位置推定の精度を向上することができる。
【０１１７】
また、空間２０に配置された影響物体（特定物体）２４による影響を考慮した。この場合、特定物体２４の位置座標が、空間２０において人間２２の移動に影響を与える特定座標となる。この特定物体２４の座標と推定対象の無線タグ１６の座標との距離に基づいて、当該無線タグ１６が特定物体２４の座標に対して引き寄せられるか否か（影響無しか等）を判定し、判定結果に応じた移動場所ないし領域を推定するようにしたので、位置推定の精度を向上することができる。
【０１１８】
また、算出された推定位置座標のデータは推定位置ＤＢ１８に記録される。各無線タグ１６の推定位置は、たとえば周期的な検出時刻ｔに関連付けて記録されている。つまり、推定位置座標データは検出時刻の経過に沿った時系列データでもあり、各無線タグ１６の移動軌跡を示している。したがって、このシステム１０によれば、無線タグ１６の移動の履歴すなわち無線タグ１６の装着された人間２２の行動履歴を、より正確に記録することができる。そして、このシステム１０で記録される行動履歴データ（推定位置座標データ）は精度が高いので、人間２２の行動をより正確に把握することができる。したがって、たとえば、この行動履歴データとともにコミュニケーションロボットなどを用いて、無線タグ１６を装着した人間２２に対して、行動履歴に基づいたより的確なコミュニケーションやサービスを提供することが可能になる。
【図面の簡単な説明】
【０１１９】
【図１】この発明の一実施例の位置推定システムの一例を示すブロック図である。
【図２】図１実施例の位置推定システムの概要を示す図解図である。
【図３】無線タグ読取機から出力される検出情報の内容の一例を示す図解図である。
【図４】中央コンピュータのメモリに記憶される無線タグ読取機に関する情報の内容の一例を示す図解図である。
【図５】検出情報に基づいて無線タグごとに生成される無線タグに関する情報の内容の一例を示す図解図である。
【図６】無線タグ読取機で検出された無線タグの存在仮定領域を示す図解図である。
【図７】無線タグ検出の区分レベルと無線タグ読取機の存在仮定領域との関係の一例を示す図解図である。
【図８】中央コンピュータのメモリに記憶されるユーザ情報の内容の一例を示す図解図である。
【図９】ユーザ情報の人間関係情報に設定されるグループＩＤの内容の一例を示す図解図である。
【図１０】中央コンピュータのメモリに記憶される人間関係パラメータの内容の一例を示す図解図である。
【図１１】中央コンピュータのメモリに記憶される影響物体情報の内容の一例を示す図解図である。
【図１２】無線タグ読取機の検出情報に基づく無線タグの位置推定を説明するための図解図である。
【図１３】行動履歴に基づく推定移動場所を説明するための図解図である。
【図１４】人間関係に基づく場所推定の概念を示す図解図である。
【図１５】人間関係に基づく推定移動場所を説明するための図解図である。
【図１６】影響物体に基づく場所推定の概念を示す図解図である。
【図１７】影響物体に基づく推定移動場所を説明するための図解図である。
【図１８】確率の最も高い場所の特定を説明するための図解図である。
【図１９】中央コンピュータの動作の一例を示すフロー図である。
【図２０】図１９の位置推定処理の動作の一例を示すフロー図である。
【図２１】図２０の行動履歴による場所推定処理の動作の一例を示すフロー図である。
【図２２】図２０の人間関係による場所推定処理の動作の一例を示すフロー図である。
【図２３】図２０の影響物体による場所推定処理の動作の一例を示すフロー図である。
【符号の説明】
【０１２０】
１０ …位置推定システム
１２ …中央コンピュータ
１４ …無線タグ読取機
１６ …無線タグ
１８ …推定位置ＤＢ
２０ …所定空間
２２ …人間
２４ …影響物体
【技術分野】
【０００１】
この発明は位置推定システムに関し、特にたとえば、所定空間において無線タグを装着した人間の位置を推定する位置推定システムに関する。
【背景技術】
【０００２】
たとえば本件出願人による特許文献１には、無線タグから発せられる電波の受信強度を用いて単体の無線タグ読取機からその無線タグがどの程度はなれているかを検出する技術の一例が開示されている。
【０００３】
また、複数の無線タグ読取機を用いれば、無線タグのおおまかな存在領域を把握することも可能であり、たとえば三角測量の手法によって無線タグのおおまかな存在場所を推定することもできる。
【特許文献１】特開２００４−２１６５１３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
さらに解像度を向上させるために、無線タグ読取機の台数を増やすことが考えられるが、回り込みや反射などの電波の特性上、誤差が大きいため実効が上がらない。たとえば複数の無線タグ読取機を１０ｃｍ程度の極短い間隔で敷き詰めれば、精度よく無線タグの位置を推定することも可能になると考えられる。しかしながら、無線タグ読取機は非常に高価であり、また、空間内に多数の無線タグ読取機を設置することも困難であるため、実用に適さない。
【０００５】
それゆえに、この発明の主たる目的は、無線タグの位置を精度よく推定することができる、位置推定システムを提供することである。
【課題を解決するための手段】
【０００６】
請求項１の発明は、所定の空間における無線タグの位置を推定する位置推定システムであって、無線タグを検出する複数の読取機、複数の読取機の空間における座標を示す読取機座標データを記憶する読取機情報記憶手段、無線タグの移動に引力または斥力による影響を与える特定座標を示す特定座標データおよび特定座標による影響に関するパラメータを記憶する特定座標情報記憶手段、無線タグを検出した読取機ごとに、当該読取機で検出された受信電波強度情報と読取機座標データとに基づいて当該無線タグの存在が推定される第１領域における検出時刻における当該無線タグの存在確率を算出する第１算出手段、推定位置記憶手段に記憶されている無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離、および当該特定座標に対応する影響に関するパラメータに基づいて推定される検出時刻での移動場所における、当該無線タグの存在確率を算出する第２算出手段、第１算出手段および第２算出手段によって算出された存在確率に基づいて検出時刻における無線タグの推定位置座標を算出する推定座標算出手段、および推定座標算出手段によって算出された検出時刻における無線タグの推定位置座標を示す推定位置座標データを推定位置記憶手段に記憶する推定位置記録手段を備える、位置推定システムである。
【０００７】
請求項１の発明では、位置推定システムは、所定の空間における無線タグを検出するための複数の読取機を含む。読取機記憶手段には複数の読取機の座標データが記憶されている。また、特定座標情報記憶手段には、特定座標を示す特定座標データが記憶される。特定座標は、無線タグの移動に引力または斥力による影響を与える座標であり、実施例では、人間関係を有している無線タグらの重心座標や特定物体（影響物体）の座標である。さらに、この特定座標による影響に関するパラメータも記憶される。影響に関するパラメータは、たとえば、影響が作用するか否かの判定条件、影響の程度、影響の不確かさの程度などを決める各種パラメータを含む。実施例では、人間関係による影響パラメータとしての引力距離、斥力距離、力成分および誤差、または、影響物体による影響パラメータとしての影響半径、影響無効半径、力成分および誤差などを含む。検出された無線タグの受信電波強度情報から当該無線タグまでの距離情報を得ることができるので、この距離情報と読取機の座標とに基づいて、当該無線タグが存在すると推定される第１領域を算出できる。第１算出手段は、無線タグを検出した読取機ごとに、第１領域における検出時刻における当該無線タグの存在確率を算出する。無線タグの存在確率はたとえば第１領域に一様に分布するものとして算出される。また、このシステムでは、空間内の特定座標による無線タグの移動への影響を考慮して、検出時刻における無線タグの移動場所を予測する。無線タグの過去の推定位置座標と特定座標との距離、および影響に関するパラメータに基づいて、特定座標に無線タグが引き寄せられるか、遠ざけられるかなどを予測することによって、この移動場所を推定することができる。第２算出手段は、推定された移動場所における当該無線タグの存在確率を算出する。この無線タグの存在確率もたとえば移動場所に一様に分布するものとして算出される。推定座標算出手段は、第１算出手段および第２算出手段によって算出された存在確率に基づいて検出時刻における無線タグの推定位置座標を算出する。このように、検出時刻における読取機の検出情報に基づいて推定される第１領域における存在確率と、無線タグの移動に影響を及ぼす特定座標の影響を考慮して予測される移動場所における存在確率とを組み合わせて、当該無線タグの位置が推定される。実施例では、存在確率の最も高い場所の重心座標が算出されて、当該検出時刻における無線タグの推定位置座標とされる。推定位置記録手段は、算出された検出時刻における無線タグの推定位置座標を示す推定位置座標データを推定位置記憶手段に記憶する。
【０００８】
請求項１の発明によれば、無線タグの移動に影響を与える特定座標の影響を考慮して無線タグの移動場所を予測し、読取機の検出情報による推定と組み合わせて、当該無線タグの位置を推定するようにしたので、無線タグの位置をより正確に推定することができる。
【０００９】
請求項２の発明は、請求項１の発明に従属し、第２算出手段は、無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離が影響に関するパラメータに含まれる影響を及ぼす範囲を示すデータの範囲内であるときに、過去の無線タグの座標に特定座標に対する引力または斥力を作用させることによって検出時刻で存在が推定される移動場所における、当該無線タグの存在確率を算出する。
【００１０】
請求項２の発明では、無線タグの過去の推定位置座標データの座標と特定座標データの特定座標との距離が、影響を及ぼす範囲を示すデータの範囲内であるときに、当該特定座標の影響が考慮されて、移動場所が予測される。具体的には、第２算出手段は、過去の無線タグの座標に特定座標に対する引力または斥力を作用させることによって、検出時刻における当該無線タグの移動場所を推定し、当該移動場所における無線タグの存在確率を算出する。したがって、無線タグが特定座標の影響を受ける位置に存在するときに、無線タグに当該特定座標による影響としての引力または斥力を作用させることができ、当該無線タグの移動場所をその影響に基づいて予測することができるので、無線タグの位置をより正確に推定することができる。
【００１１】
請求項３の発明は、請求項２の発明に従属し、複数の無線タグがそれぞれ装着される複数の人間の人間関係を示す人間関係情報を記憶する人間関係情報記憶手段、および処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、当該人間関係を有している全ての無線タグの過去の推定位置座標データから重心座標を算出して、当該重心座標を示す重心座標データを特定座標データとして特定座標情報記憶手段に記憶する重心算出手段をさらに備える。第２算出手段は、処理対象の無線タグの過去の推定位置座標データの座標と重心座標との距離、および影響に関するパラメータに含まれる当該人間関係に対応するパラメータに基づいて推定される検出時刻での第１移動場所における、当該無線タグの存在確率を算出する。
【００１２】
請求項３の発明では、人間情報記憶手段は、たとえば無線タグの識別情報に関連付けて、無線タグの装着される複数の人間の人間関係を示す情報を記憶している。重心算出手段は、処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、人間関係を有する無線タグの過去の推定位置座標から重心座標を算出し、この重心座標を特定座標として特定座標記憶手段に記憶する。つまり、人間関係を有する人間が検出されるときは、人間関係を有する無線タグの重心座標が、無線タグの移動に影響を与える特定座標となる。第２算出手段は、処理対象の無線タグの過去の推定位置座標データの座標と重心座標との距離および人間関係に対応するパラメータに基づいて検出時刻における第１移動場所を予測し、当該第１移動場所における当該無線タグの存在確率を算出する。人間の移動はたとえば家族、恋人、友人などといった人間関係のある人の存在に影響を受けるので、この影響を考慮して無線タグの移動場所を予測することができる。したがって、人間関係を有している人間が存在する場合には、人間関係による移動の傾向に合うように移動場所を予測することができるので、位置推定の精度をより向上することができる。
【００１３】
請求項４の発明は、請求項２または３の発明に従属し、特定座標情報記憶手段は、空間内の所定の位置に配置される少なくとも１つの特定物体の座標を示す特定物体座標データを特定座標データとして記憶している。第２算出手段は、無線タグの過去の推定位置座標データの座標と特定物体の座標との距離、および影響に関するパラメータに含まれる当該特定物体に対応するパラメータに基づいて推定される検出時刻での第２移動場所における、当該無線タグの存在確率を算出する。
【００１４】
請求項４の発明では、特定座標情報記憶手段は、特定座標データとして、空間内に配置される特定物体の座標データを記憶している。つまり、空間内に特定物体が存在するとき、当該特定物体の位置座標が人間の移動に影響を与える特定座標となる。第２算出手段は、無線タグの過去の推定位置座標データの座標と特定物体の座標との距離、および当該特定物体に対応するパラメータに基づいて検出時刻における第２移動場所を予測し、当該第２移動場所における当該無線タグの存在確率を算出する。人間の移動は、空間内の特定物体の存在に影響を受ける場合があるので、この影響を考慮して無線タグの移動場所を予測することができる。したがって、特定物体との距離が影響を及ぼす範囲内である場合には、特定物体に引き寄せられるか否かに応じて移動場所を予測することができるので、位置推定の精度をより向上することができる。
【００１５】
請求項５の発明は、請求項１ないし４のいずれかの発明に従属し、無線タグの過去の推定位置座標データの履歴に基づいて推定される検出時刻での第３移動場所における当該無線タグの存在確率を算出する第３算出手段をさらに備える。推定座標算出手段は、第１算出手段、第２算出手段および第３算出手段によって算出された存在確率に基づいて、検出時刻における当該無線タグの推定位置座標を算出する。
【００１６】
請求項５の発明では、第３算出手段は、無線タグの過去の推定位置座標の履歴に基づいて予測される検出時刻での第３移動場所における当該無線タグの存在確率を算出する。推定座標算出手段は、算出された存在確率を組み合わせて検出時刻における当該無線タグの推定位置座標を算出する。したがって、無線タグの実際の移動履歴による影響を考慮して検出時刻における無線タグの第３移動場所を予測することができるので、位置推定の精度をより高めることができる。
【発明の効果】
【００１７】
この発明によれば、無線タグの装着される人間の移動に影響を及ぼす空間内の特定座標の影響を考慮して当該無線タグの検出時刻における移動場所を予測するようにした。そして、読取機の検出情報による場所推定と移動予測による場所推定とを組み合わせて、当該無線タグの存在位置を推定するようにしたので、より正確な位置推定を行うことができる。
【００１８】
この発明の上述の目的，その他の目的，特徴および利点は、図面を参照して行う以下の実施例の詳細な説明から一層明らかとなろう。
【発明を実施するための最良の形態】
【００１９】
図１を参照して、この実施例の位置推定システム（以下、単に「システム」という。）１０は、このシステム１０を全体的に制御する中央コンピュータ１２および環境ないし所定空間に設置される複数の無線タグ読取機（以下、単に「読取機」という。）１４を含む。中央コンピュータ１２の内部または外部には、無線タグ１６の推定位置が格納される推定位置データベース（ＤＢ）１８が設けられる。中央コンピュータ１２には、たとえばＲＳ２３２Ｃのような汎用インタフェースを介して複数の読取機１４が接続される。なお、複数の読取機１４は無線ＬＡＮなどを介して中央コンピュータ１２と接続されてもよい。
【００２０】
さらに図２も参照して、このシステム１０は、所定の空間ないし環境２４における無線タグ１６の位置を推定するためのものである。所定の空間２０の一例として、博物館や科学館のような展示環境、娯楽施設、学校の教室など、様々な環境が考えられる。無線タグ１６は空間２０に存在するまたはこの空間２０を訪問する人間２２に取り付けられる。このシステム１０は、換言すれば、空間２０において自由に移動する人間２２の位置を推定しようとするものでもある。また、この空間２０の所定位置には１または複数の影響物体２４が配置されている。影響物体２４は、人間２２の移動に影響を与える特定の物体である。人間２２の移動に影響を与える影響物体２４として、たとえば、展示物、案内ロボット、その他遊具、自動販売機、掲示物など、所定の空間２０の種類に応じて様々な物体が設定され得る。
【００２１】
複数の読取機１４のそれぞれは、空間２０内における無線タグ１６を検出可能となるように、空間２０内の所定の位置に固定的に配置される。望ましくは、無線タグ１６が空間２０内のどの位置に存在しても、少なくとも３つの読取機１４で検出されるように、複数の読取機１４は配置される。この場合、環境に設置された読取機１４の検出情報に基づいて、三角測量の手法によって無線タグ１６のおおまかな位置を推定することができる。この実施例では、環境に設置される読取機１４の設置間隔は、場所にもよるが、およそ４ｍ〜８ｍ程度でよい。
【００２２】
なお、無線タグ１６としてはＲＦＩＤタグが使用される。ＲＦＩＤ（Radio Frequency Identification）は、電磁波を利用した非接触ＩＣタグによる自動認識技術のことである。ＲＦＩＤタグは、識別情報用のメモリや通信用の制御回路等を備えるＩＣチップおよびアンテナ等を含む。そのメモリには、タグ固有識別情報等が予め記憶され、その識別情報等が所定周波数の電磁波・電波等によってアンテナから所定の時間間隔で出力される。この実施例では、すべての無線タグ１６の送信電波強度は同一に設定される。
【００２３】
なお、伝送方式としては、この実施例では、空間２０内における無線タグ１６の位置を推定するので、たとえば、交信距離の比較的長いマイクロ波方式（最大５ｍ程度)のものを使用することができる。また、電源の方式は、適切な交信距離領域を確保するため、電池内蔵の能動型を用いるのが望ましい。また、タグの形態ないし形状は任意であり、たとえばカード形、ラベル形、コイン形、スティック形などであってよい。
【００２４】
読取機１４は、この実施例ではＲＦＩＤタグからの出力情報を検出する。具体的には、読取機１４はアンテナを含み、ＲＦＩＤタグから送信される識別情報の重畳された電波をアンテナを介して受信する。そして、受信した電波信号を増幅し、当該電波信号から識別情報を分離し、当該情報を復調（デコード）する。
【００２５】
この読取機１４では、電波受信感度（アンテナ感度）を段階的に（この実施例では８段階で）調節することが可能になっている。これにより、無線タグ１６の最大検出可能距離（感知範囲）をたとえば８段階で設定することができる。たとえば受信感度レベルＬが８のときに最も広い感知範囲となり、受信感度レベルＬが１のときに最も狭い感知範囲となる。そして、読取機１４は、検出時刻において、電波受信感度（読み取り強度）の設定レベルＬを自動的に変更しつつ無線タグ１６の読み取りを行い、その検出時刻における全レベルでの読み取りの結果を出力することができる。
【００２６】
読取機１４は、たとえば図３に示すような検出情報を中央コンピュータ１２に出力する。検出情報には、自己の識別情報を示す読取機固有ＩＤ、検出時刻ｔ、および検出された無線タグ１６の情報が含まれる。検出された無線タグ１６の情報は、全受信感度レベルでの読み取り結果であり、受信感度レベルＬに関連付けてそのレベルＬで検出された無線タグ１６の固有ＩＤが記憶されている。複数の無線タグ１６が検出された場合には、複数のタグ固有ＩＤが記憶される。また、無線タグ１６が検出されなかった場合には、当該受信感度レベルＬに関連付けてたとえば検出なしを示すデータが記述される。
【００２７】
そして、この実施例では、すべての無線タグ１６の送信電波強度は同一に設定されているので、このように読取機１４で最大検出可能距離（感知範囲）を段階的に変更しつつ読み取りを行うことによって、無線タグ１６が存在するものと仮定する領域を把握することが可能になる。たとえば受信感度レベルがＬのときに検出されている無線タグ１６が、１段階下のレベルＬ−１のときに検出されていない場合、その無線タグ１６はレベルＬ−１での最大検出可能距離からレベルＬでの最大検出可能距離までの間の領域に存在すると仮定することができる。この存在仮定領域については図６を参照して後述する。
【００２８】
また、この電波受信感度の設定レベルＬに基づいて、無線タグ１６から出力された電波の受信強度（受信電波強度）を把握することが可能である。上述のようにすべての無線タグ１６の送信電波強度は同一であるので、たとえば最も感度の高い設定レベル（Ｌ＝８）すなわち最大の感知範囲になってはじめて検出される無線タグ１６は、読取機１４で検出される無線タグ１６の中では当該読取機１４から最も遠い範囲に存在しており、その受信電波強度は最も弱いものとなる。一方、最も感度の低い設定レベル（Ｌ＝１）すなわち最小の感知範囲になっても検出される無線タグ１６は、読取機１４で検出される無線タグ１６の中では当該読取機１４に最も近い範囲に存在しており、その受信電波強度は最も強い。このように、電波受信感度の設定レベルＬごとの無線タグ１６の検出の有無に基づいて、無線タグ１６の受信電波強度を段階的に（この実施例では８段階で）検出することが可能である。
【００２９】
なお、読取機１４の電波受信感度のレベルＬに対応する最大検出可能距離は、個体差があるため、それぞれの読取機１４ごとに実験によって予め計測されている。
【００３０】
また、この実施例では、読取機１４から検出時刻ｔを出力するようにしているが、他の実施例では、中央コンピュータ１２にタイマを設けて検出時刻ｔをカウントするようにしてもよい。
【００３１】
また、製品の一例として、無線タグ１６にはＲＦ Ｃｏｄｅ社（http://www.rfcode.com/）の「ＳＰＩＤＥＲ（商標）」タグを使用することができ、読取機１４には同社の「ＳＰＩＤＥＲ（商標）」リーダを使用することができる。これらは３０３．８MHzの極超短波帯の電波を使用している。
【００３２】
中央コンピュータ１２は、パーソナルコンピュータやワークステーションのようなコンピュータであり、ＣＰＵおよびメモリなどを含む。メモリはＲＯＭ、ＨＤＤおよびＲＡＭなどを含む。ＲＯＭないしＨＤＤにはこのシステム１０の全体的な動作を制御するために必要なプログラムおよびデータが記憶されていて、ＣＰＵはこのプログラムに従って処理を実行する。ＲＡＭはＣＰＵの作業領域またはバッファ領域として使用され、ＣＰＵの処理によって生成されまたは取得されたデータが記憶される。また、ＣＰＵには、複数の読取機１４が汎用インタフェース等を介して接続される。
【００３３】
なお、図１では、複数の読取機１４のすべてが１つの中央コンピュータ１２に接続された場合を示したが、中央コンピュータ１２は複数の読取機１４を担当する複数のコンピュータによって構成されてもよい。この場合には、各コンピュータは、読取機１４で検出した情報を含むデータを通信装置を介してメインとなる１つのコンピュータに送信し、このメインコンピュータは、受信したデータに基づいて位置推定のための処理を実行する。
【００３４】
図４には、中央コンピュータ１２のメモリに記憶されている読取機１４に関する情報の内容の一例が示される。このデータには、読取機固有ＩＤ（ＩＤＲ１〜ＩＤＲｎ）に関連付けて、各読取機１４の空間２０における設置位置の座標（ＸｅＮ，ＹｅＮ）、および電波受信感度レベルＬごとの最大検出可能距離ｄＮＬが登録されている（Ｎ＝１〜ｎ）。なお、この図４において環境に設置される読取機１４の数を示す所定値ｎは、図８においてユーザ数（タグ数）を示す所定値ｎとは無関係に設定されるものであり、両者の値が同一であることを意味するものではない。電波受信感度レベルＬごとの最大検出可能距離は、すべての読取機１４ごとに予め実験によって測定された値が登録される。
【００３５】
読取機１４から取得される検出情報には、上述のように、読取機固有ＩＤと電波受信感度レベルＬの情報が含まれるので、中央コンピュータ１２は、このデータを参照することによって、その読取機１４の設置位置の座標と各レベルＬでの最大検出可能距離を把握できる。
【００３６】
なお、所定空間２０における位置データは、図２に示すようにＸＹ２次元平面座標系で表され、この実施例では鉛直方向（Ｚ軸）の座標は設定されない。また、この空間２０の２次元ＸＹ平面の各座標（ｘ，ｙ）は任意に設定されてよいが、たとえば１ｃｍを単位長さとして定められてよい。
【００３７】
図５には、中央コンピュータ１２で生成されるタグに関する情報の内容の一例が示される。中央コンピュータ１２のＣＰＵは、すべての読取機１４の検出情報に基づいて、タグごとに、このタグに関する情報を生成する。このタグに関する情報には、無線タグ１６のタグ固有ＩＤに関連付けて、検出時刻ｔ、および当該タグを検出した読取機の情報が記憶される。この読取機の情報には、当該タグを検出した読取機１４の読取機固有ＩＤに対応づけて、区分レベルが記憶される。
【００３８】
この区分レベルは、当該無線タグ１６の検出の有無を区分する電波受信感度レベルＬである。上述のように、当該無線タグ１６について、あるレベルＬまでは検出されるがその１段階下のレベルＬ−１では検出されないような場合があるので、このような当該無線タグ１６の検出の有無を分ける電波受信感度レベルＬを検出して、当該電波受信感度レベルＬを区分レベルＬとして設定する。なお、電波受信感度レベルＬが１のときでも当該無線タグ１６が検出されている場合には、区分レベルは１とされる。
【００３９】
図６には、区分レベルによって仮定できる無線タグ１６の存在仮定領域が示される。ある読取機Ｎの検出情報から検出された区分レベルがＬであった場合、つまり、受信感度レベルがＬのときに検出されている無線タグ１６が、１段階下のレベルＬ−１のときには検出されていない場合、その無線タグ１６は、読取機Ｎの位置座標（ＸｅＮ，ＹｅＮ）からレベルＬ−１での最大検出可能距離ｄＮＬ−１までの領域には存在しないが、その外側のレベルＬでの最大検出可能距離ｄＮＬまでの領域には存在すると仮定することができる。つまり、その無線タグ１６は、読取機Ｎの位置座標（ＸｅＮ，ＹｅＮ）を中心とし、長さｄＮＬおよびｄＮＬ−１をそれぞれ半径とした２つの円の間の領域（斜線部分。図６の式（１）で示される。）に存在すると仮定できる。
【００４０】
このように、区分レベルＬによって、無線タグ１６の存在仮定領域がどの範囲になるかが決まる。たとえば、区分レベルＬが１であるときは、受信感度レベルＬが１になっても無線タグ１６が検出されるので、存在仮定領域は読取機Ｎに最も近い範囲となる。また、区分レベルＬが８であるときは、受信感度レベルＬが８になってはじめて無線タグが検出されるので、存在仮定領域は読取機Ｎに最も遠い範囲となる。
【００４１】
また、区分レベルＬは受信電波強度のレベルにも対応するものであるといえる。つまり、区分レベルＬが１であるときは、無線タグ１６は読取機Ｎに最も近い範囲に存在するので、その受信電波強度のレベルは最大であり、一方、区分レベルＬが８であるときは、無線タグ１６は読取機Ｎに最も遠い範囲に存在するので、その受信電波強度のレベルは最小である。このように、区分レベルＬは、受信電波強度に関する情報を含んだものでもある。
【００４２】
図７には、区分レベルＬと存在仮定領域との関係の一例を示す。これらは実験によって得られた値である。また、上述のように読取機ごとに個体差があるので、図８の数値は一例に過ぎない。たとえば、区分レベルＬが「４」であった場合、読取機１４の位置座標からの距離が１００ｃｍから１５０ｃｍまでの間の領域が存在仮定領域となる。
【００４３】
図８には、中央コンピュータ１２のメモリに記憶されるユーザ情報の内容の一例が示される。このデータには、ユーザＩＤ（ＩＤＵ１〜ＩＤＵｎ）に関連付けて、そのユーザ２２に取り付けられる無線タグ１６の識別情報（無線タグ固有ＩＤ：ＩＤＴ１〜ＩＤＴｎ）、およびそのユーザ名などのユーザに関する情報が登録される。中央コンピュータ１２は、取得した無線タグ固有ＩＤに基づいてこのデータを参照することによって、検出された人間２２を特定することができる。
【００４４】
さらに、ユーザ情報は、無線タグ１４の装着される人間２２の移動に影響を与える人間関係に関する情報を含む。ユーザ２２と所定の人間関係を有する他のユーザ２２とを関連付けるべく、所定の関係を有するユーザ２２のユーザＩＤが予め記憶されている。この実施例では、このような移動に影響を与える人間関係として、たとえば親子関係、恋人関係、友人関係などが設定されている。図８の例では、ユーザＩＤＵ１と親子関係を有するユーザ２２としてＩＤＵ４，５が登録され、ユーザＩＤＵ２と恋人関係を有するユーザ２２としてＩＤＵ６が登録される。また、人間関係情報は、グループＩＤを用いて登録されてよい。図８の例では、ユーザＩＤＵ３の友人関係を有するユーザ２２として、グループＩＤを用いて、ＩＤＧＦ１が登録されている。グループＩＤには、図９に示すように、人間関係を有するグループを形成する複数のユーザ２２のユーザＩＤが登録され、この例では、ＩＤＵ３、ＩＤＵ７およびＩＤＵ８が登録されている。人間関係情報としてグループＩＤが登録されている場合、自己のＩＤを除く登録ＩＤとの間に当該人間関係があることがわかる。
【００４５】
図１０には、中央コンピュータ１２のメモリに記憶される人間関係による影響パラメータの内容の一例が示される。このデータは、人間関係に基づいてタグ１６の存在場所を推定する際に使用される。具体的には、各人間関係に関連付けて、引力距離ｄｉｓｔ＿ｆおよび斥力距離ｄｉｓｔ＿ｓ等が予め記憶される。図１４で後述するように、引力距離ｄｉｓｔ＿ｆは、人間関係を有するタグ１６らの重心位置への引力をタグ１６の位置の推定に考慮する閾値であり、斥力距離ｄｉｓｔ＿ｓは、人間関係を有するタグ１６らの重心位置との斥力をタグ１６の位置の推定に考慮する閾値である。つまり、これら引力距離および斥力距離は、人間関係による影響が作用するか否かの判定条件である。
【００４６】
図１１には、中央コンピュータ１２のメモリに記憶される影響物体情報の内容の一例が示される。このデータには、影響物体２４の物体ＩＤに対応付けて、名称、空間２０における位置座標（ｅ＿Ｘ，ｅ＿Ｙ）、および物体による影響パラメータ等が予め記憶される。影響物体２４は、上述のように、環境２０に配置されて人間２２の移動に影響を与える特定の物体であり、図１１の例では、展示物、ロボット、自動販売機などが登録されている。人間２２は、特定物体２４の近くに存在すると判定されたときに、当該特定物体２４の影響を受ける。パラメータは、影響物体２４に基づいてタグ１６の存在場所を推定する際に使用され、影響半径ｅ＿ｒおよび影響無効半径ｅ＿ｄ等を含む。図１６で後述するように、影響半径ｅ＿ｒは、当該特定物体２４の位置への引力をタグ１６の位置の推定に考慮する閾値であり、影響無効半径ｅ＿ｄは、当該特定物体２４の位置への引力を無効にする閾値である。つまり、これら影響半径および影響無効半径は、特定物体２４による影響が作用するか否かの判定条件である。
【００４７】
この実施例では、中央コンピュータ１２は、たとえば１秒間隔等の一定周期で各読取機１４から検出情報を取得して、その検出時刻における無線タグ１６の位置を推定する。
【００４８】
具体的に、無線タグ１６の存在位置の推定手法について説明する。上述したように、読取機１４で無線タグ１６が検出され、区分レベルがＬであったとき、その無線タグ１６は、その検出時刻ｔにおいて、図６で斜線で示される領域（第１領域）に存在するものと仮定または推定される。具体的には、この読取機１４における無線タグ１６の存在仮定領域は、当該読取機１４の位置座標（ＸｅＮ，ＹｅＮ）を中心とし、受信感度レベルＬでの最大検出可能距離ｄＮＬおよび受信感度レベルＬ−１での最大検出可能距離ｄＮＬ−１をそれぞれ半径とした２つの円の間の領域である。そして、この存在仮定領域において、無線タグ１６の存在する確率は一様に分布するものと仮定する。つまり、この存在仮定領域内の各座標（ｘ，ｙ）の確率を総和すると１．０になるように、各座標（ｘ，ｙ）での存在確率が算出される。
【００４９】
所定空間２０内においては、１つの無線タグ１６が、たとえば受信感度レベル３または４程度の所定のレベルで同時に複数の読取機１４によって検出されるように、各読取機１４が配置されている。つまり、複数の読取機１４で１つの無線タグ１６が検出されるとき、所定の区分レベルでの存在仮定領域が、他の読取機１４の所定の区分レベルでの存在仮定領域と重なり合う状態になるようにして、複数の読取機１４は配置されている。この場合には、無線タグ１６の存在する確率は、当該無線タグ１６を検出した複数の読取機１４の存在仮定領域が最も多く重なり合う部分で最も高くなる。たとえば、図１２に示すように、３つの読取機１４で同時に無線タグ１６が検出されたときには、その検出時刻ｔにおいて、当該無線タグ１６の存在する確率は、３つの存在仮定領域の重なり合う部分（図１２の格子線部分）で最も高くなる。また、２つの存在仮定領域の重なり合う部分の存在確率は、他と重ならない領域の部分の確率よりも高い。このようにして環境に設置された読取機１４の検出情報のみから算出される推定位置は比較的おおまかなものである。
【００５０】
発明者等の実験や研究によって、人間の移動は空間内の特定の座標に影響を受ける場合があることが見出された。そして、この特定座標の影響を考慮して無線タグ１６すなわち人間２２の検出時刻における移動場所ないし領域を予測することによって、推定位置の精度を向上できることがわかった。具体的には、人間２２の移動は、人間関係を有している人達の位置に影響を受ける。また、人間２２の移動は、周辺環境の特性、たとえば周囲の環境に存在する特定物体２４の位置に影響を受ける。そこで、この実施例では、無線タグ１６の装着された人間２２の移動に影響を与える要因として、人間関係および周囲の環境の特性を考慮して検出時刻における存在場所を予測する。
【００５１】
また、人間２２の移動場所は、当該人間２２の過去の移動の履歴にも影響を受けると考えられる。人間２２の移動速度には上限があり、たとえば瞬時に遠い位置に移動することは不可能である。したがって、場所の推定には当該人間２２の移動履歴（行動履歴）も考慮される。この行動履歴に基づく移動場所の予測によっても、位置推定の精度を向上することができる。
【００５２】
まず、図１３に示す行動履歴に基づく場所推定について説明する。人間２２の位置は、過去の移動の仕方からある程度予測可能であるので、行動履歴を用いて移動場所を推定する。この処理では、処理対象の無線タグ１６（ＩＤ＝ａとする）の過去の推定座標から算出される移動速度ｓａに基づいて、現検出時刻ｔにおける存在場所を予測する。たとえば、過去一定時間（ｔ−１，…，ｔ−ｎ）における推定座標（（Ｘａ（ｔ−１），Ｙａ（ｔ−１）），…，（Ｘａ（ｔ−ｎ），Ｙａ（ｔ−ｎ）））の差分および差分平均を計算して移動速度ｓａを計測する。算出に使用される過去の一定時間を決めるｎの値はたとえば実験結果に基づいて所定値が設定される。
【００５３】
この移動速度のＸ軸方向成分ｓａ＿ｘおよびＹ軸方向成分ｓａ＿ｙを、時刻（ｔ−１）における推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））に加算する。これによって算出された座標（Ｘａ（ｔ−１）＋ｓａ＿ｘ，Ｙａ（ｔ−１）＋ｓａ＿ｙ）を中心とし、かつ誤差ｅａを半径とした円内の領域が、行動履歴に基づくタグａの推定移動場所になる。この推定移動場所は、図１３では、ドットパターンが付された円内領域であり、同図中の式（２）で示される。
【００５４】
誤差ｅａは、行動履歴に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａは、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものであり、予め計測されて、中央コンピュータ１２のメモリに記憶されている。たとえば、サンプリング間隔が１秒である場合には誤差ｅａは０．２ｍ程度に設定される。サンプリング間隔が長くなれば人間２２の移動量が大きくなって誤差ｅａも大きくなる。たとえば、サンプリング間隔が２秒である場合には誤差ｅａは０．４ｍ程度に設定されてよい。サンプリング時間が計測中に変更されるような場合には、その変更に応じてこの誤差ｅａの値も変更される。あるいは、過去の速度から誤差ｅａの値を決定するようにしてもよい。
【００５５】
推定対象の無線タグａの存在確率Ｌａは、この推定移動場所に一様に分布するものとして、算出される。つまり、この推定移動場所内の各座標（ｘ，ｙ）の確率を総和すると１．０になるように、各座標（ｘ，ｙ）での存在確率が算出される。
【００５６】
次に、図１４に示す人間関係に基づく場所推定について説明する。たとえば家族、恋人、友人などといった人間関係を有する人間が空間２０内に存在している場合、人間２２の移動は人間関係のある人の存在に影響を受ける。たとえば、親は離れた子を追いかけたり、恋人同士は寄り添って移動したり、友人同士はある程度固まって移動したりする。したがって、この人間関係を有する人達の移動の傾向に合わせて人間２２の移動場所を推定する。
【００５７】
具体的には、人間関係のある人達のそれぞれは、それらの重心座標との距離に応じて、重心座標に引き寄せられたり重心座標から離れたりする。つまり、人間関係のある人達の重心座標との距離に応じて当該重心に対して引力が作用したり斥力（反発力）が作用したりする。人間の移動はこのような重心に対する引力や斥力の影響を受ける。
【００５８】
重心に引き寄せられるか否かは、直前の検出時刻ｔ−１における重心座標との距離に基づいて決まる。時刻ｔ−１における人間関係を有する人達の重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１））は、時刻ｔ−１における処理対象の無線タグａの推定座標と、当該タグａと人間関係を有する無線タグ１６の推定座標から算出される。そして、時刻ｔ−１におけるタグａの座標と重心座標とから距離ｄｉｓｔ＿ｇが算出される。この距離ｄｉｓｔ＿ｇの値に基づいて、特定の座標すなわち人間関係のある人達の重心座標にタグａが引き寄せられるか否かを予測して、存在場所（移動場所）を推定する。
【００５９】
距離が離れている場合、人間関係のある人達は互いに引き寄せられる。この引力によって、時刻ｔにおける無線タグａの移動位置は重心座標の位置に近くなると推定される。したがって、算出距離ｄｉｓｔ＿ｇが閾値（引力距離）ｄｉｓｔ＿ｆ以上であるときには、作用する力成分ｐ＿ｈとして引力（ｐ＿ｈ＝ｐ＿ｃｏｎｓｔ１）が採用される。力成分ｐ＿ｈは人間関係に基づく影響の程度を示すパラメータであり、その値ｐ＿ｃｏｎｓｔ１は定数であり、メモリに予め記憶されている。
【００６０】
また、距離が非常に近い場合には、人間は互いに離れる傾向にある。この斥力によって、時刻ｔにおける無線タグａの移動位置は重心座標の位置から遠くなると推定される。したがって、算出距離ｄｉｓｔ＿ｇが閾値（斥力距離）ｄｉｓｔ＿ｓよりも小さいときには、作用する力成分ｐ＿ｈとして斥力（ｐ＿ｈ＝−ｐ＿ｃｏｎｓｔ１）が採用される。
【００６１】
さらに、距離ｄｉｓｔ＿ｇが斥力距離ｄｉｓｔ＿ｓ以上でありかつ引力距離ｄｉｓｔ＿ｆよりも小さい場合には、人間同士は適度な距離を保っているものとみなして、力が作用しないものとする（力成分ｐ＿ｈ＝０）。つまり、この場合には、時刻ｔにおける無線タグａの移動位置は重心座標との間の距離を保つと推定される。
【００６２】
なお、ｄｉｓｔ＿ｆおよびｄｉｓｔ＿ｓは、上述の図１０に示したように、無線タグａの持つ人間関係によって変化し、メモリに予め記憶されている。たとえば、親子関係では、子は親の目の届く範囲では比較的自由に移動するので、引力距離ｄｉｓｔ＿ｆは比較的大きな値に設定されてよい。また、恋人関係では、当該二人は寄り添って移動するので、斥力距離ｄｉｓｔ＿ｓは非常に小さい値に設定されてよく、引力距離ｄｉｓｔ＿ｆは比較的小さい値に設定されてよい。
【００６３】
人間関係による推定移動場所の算出の概要が図１５に示される。まず、無線タグａと人間関係のある無線タグらの重心座標の移動履歴から、時刻ｔにおける当該重心座標の移動位置を推定する。つまり、過去（ｔ−１，…，ｔ−ｎ）におけるタグａと人間関係を持つタグ１６らの重心座標（（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｘａ＿ｃ（ｔ−ｎ）））の差分と平均から、重心座標の移動速度ｓａ＿ｃを算出する。続いて、過去（ｔ−１）における重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１））と移動速度ｓａ＿ｃから、時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））を算出する。この算出では、図１３の場合と同様に、重心座標Ｘａ＿ｃ（ｔ−１）およびＹａ＿ｃ（ｔ−１）に、移動速度ｓａ＿ｃのＸ成分ｓａ＿ｃｘおよびＹ成分ｓａ＿ｃｙをそれぞれ加算する。そして、時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））に、時刻ｔ−１におけるタグａの座標と重心座標との距離ｄｉｓｔ＿ｇのＸ成分ｘｄおよびＹ成分ｙｄをそれぞれ加算し、かつ、力のＸ成分（−ｐ＿ｈｘ）およびＹ成分（−ｐ＿ｈｙ）をそれぞれ加算する。なお、力ｐ＿ｈは、時刻ｔ−１におけるタグａの座標と人間関係を有するタグ１６らの重心座標とを結ぶ線に平行な方向に作用するものとするので、力のＸ軸方向成分（−ｐ＿ｈｘ）およびＹ方向成分（−ｐ＿ｈｙ）はそれぞれ次式から算出される：ｐ＿ｈｘ＝ｘｄ／（ｘｄ＋ｙｄ）×ｐ＿ｈ，ｐ＿ｈｙ＝ｙｄ／（ｘｄ＋ｙｄ）×ｐ＿ｈ。
【００６４】
これによって算出された座標（Ｘａ＿ｃｅ（ｔ）＋ｘｄ−ｐ＿ｈｘ，Ｙａ＿ｃｅ（ｔ）＋ｙｄ−ｐ＿ｈｙ）を中心とし、かつ、誤差ｅａ＿ｈを半径とした円内の領域が、人間関係に基づくタグａの推定移動場所となる。この推定移動場所は、図１５では、ドットパターンが付された円内領域であり、同図中の式（３）で示される。推定対象の無線タグａの存在確率Ｌｂは、この推定移動場所に一様に分布するものとして、算出される。
【００６５】
誤差ｅａ＿ｈは、人間関係に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａ＿ｈは、上述の誤差ｅａと同様であり、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものである。誤差ｅａ＿ｈは、重心座標による影響に関するパラメータの１つであり、たとえば予め計測されて、中央コンピュータ１２のメモリに記憶されている。誤差ｅａ＿ｈの値は人間関係の種類に応じて変更されてよい。
【００６６】
続いて、図１６に示す影響物体２４に基づく場所推定について説明する。人間２２の移動は、当該人間２２の近くまたは周囲の環境に存在する特定の物体２４の位置に影響を受ける。たとえば博物館等の展示環境においては、訪問者２２は、展示物の近くに来たら、その展示物に近付くことが予期される。また、ロビーに配置される案内ロボット、自動販売機や掲示板などが近くに存在する場合にもそれらに近付く可能性がある。したがって、このような周囲の環境に配置された影響物体２４の位置に基づいて人間２２の移動場所を推定する。
【００６７】
具体的には、推定対象の無線タグａは、影響物体２４との距離に応じて当該影響物体２４の位置に引き寄せられたり引き寄せられなかったりする。つまり、影響物体２４との距離に応じて、当該位置に対して引力が作用したりしなかったりする。人間２２の移動は、この影響物体２４に対する引力に影響を受ける。
【００６８】
引力が作用するか否かは、直前の検出時刻ｔ−１におけるタグａと影響物体２４との距離ｄｉｓｔ＿ｅに基づいて決まる。距離ｄｉｓｔ＿ｅは、時刻ｔ−１におけるタグａの推定位置座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））と、影響物体２４の座標（ｅ＿Ｘ，ｅ＿Ｙ）とから算出される。
【００６９】
距離ｄｉｓｔ＿ｅが影響半径ｅ＿ｒよりも大きい場合には、つまり、タグａが影響物体２４の近くに存在していないときには、タグａは影響物体２４から影響を受けず力が作用しないものとする（力成分ｐ＿ｅ＝０）。つまり、この場合には、時刻ｔにおける無線タグａの移動位置は影響物体２４との間の距離を保ったままであると推定される。
【００７０】
また、距離ｄｉｓｔ＿ｅが影響半径ｅ＿ｒ以下でありかつ影響無効半径ｅ＿ｄ以上であるとき、当該タグａに作用する力成分ｐ＿ｅとして引力（ｐ＿ｅ＝ｐ＿ｃｏｎｓｔ２）が採用される。力成分ｐ＿ｅは影響物体に基づく影響の程度を示すパラメータであり、その値ｐ＿ｃｏｎｓｔ２は定数であり、メモリに予め記憶されている。この引力によって、時刻ｔにおける無線タグａの移動位置は影響物体２４の位置に近くなると推定される。
【００７１】
また、距離ｄｉｓｔ＿ｅが影響無効半径ｅ＿ｄよりも小さいときにも、タグａは影響物体２４から影響を受けない（ｐ＿ｅ＝０）。人間２２は影響物体２４にある程度近付いたら、それ以上近付かなくても当該物体２４を見たり触れたりできるからである。
【００７２】
なお、影響物体２４から斥力は作用しないものとしているが、距離ｄｉｓｔ＿ｅが影響無効半径ｅ＿ｄよりも小さいときは、力成分が０である斥力が作用しているものとみなして、値が０である斥力が作用していると表現することも可能である。
【００７３】
図１７には、影響物体２４による推定移動場所の算出の概要が示される。直前の時刻ｔ−１における推定対象の無線タグａの推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））、タグａと影響物体２４との距離ｄｉｓｔ＿ｅ、および力成分ｐ＿ｅに基づいて、現検出時刻ｔにおける存在場所が推定される。つまり、時刻ｔ−１における推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））に、距離ｄｉｓｔ＿ｅのＸ成分ｘｄおよびＹ成分ｙｄをそれぞれ加算し、かつ、力のＸ成分（−ｐ＿ｅｘ）およびＹ成分（−ｐ＿ｅｙ）を加算する。なお、力ｐ＿ｅは、時刻ｔ−１におけるタグａの座標と影響物体２４の座標とを結ぶ線に平行な方向に作用するものとするので、力のＸ軸方向成分（−ｐ＿ｅｘ）およびＹ方向成分（−ｐ＿ｅｙ）はそれぞれ次式から算出される：ｐ＿ｅｘ＝ｘｄ／（ｘｄ＋ｙｄ）×ｐ＿ｅ，ｐ＿ｅｙ＝ｙｄ／（ｘｄ＋ｙｄ）×ｐ＿ｅ。
【００７４】
これによって算出された座標（Ｘａ（ｔ−１）＋ｘｄ−ｐ＿ｅｘ，Ｙａ（ｔ−１）＋ｙｄ−ｐ＿ｅｙ）を中心とし、かつ、誤差ｅａ＿ｅを半径とする円内の領域が影響物体２４に基づくタグａの推定移動場所となる。この推定移動場所は、図１７では、ドットパターンが付された円内領域であり、同図中の式（４）で示される。推定対象の無線タグａの存在確率Ｌｃは、この推定移動場所に一様に分布するものとして、算出される。
【００７５】
誤差ｅａ＿ｅは、影響物体に基づく移動推定の誤差すなわち不確かさの程度を示す。誤差ｅａ＿ｅは、上述の誤差ｅａ、ｅａ＿ｈと同様であり、検出時間間隔（サンプリング時間）と人間２２の移動速度に依存するものである。誤差ｅａ＿ｅは、特定物体２４による影響に関するパラメータの１つであり、たとえば予め計測されて、中央コンピュータ１２のメモリに記憶されている。
【００７６】
そして、これら算出された存在確率を組み合わせることによって、当該検出時刻における当該無線タグａの位置を推定する。つまり、たとえば、読取機１４の検出情報による存在確率、ならびに行動履歴、人間関係および周囲の環境に基づく推定移動場所における存在確率を組み合わせて、存在確率の最も高い場所を選択し、選択された場所の重心座標を時刻ｔにおけるタグａの推定位置座標として算出する。
【００７７】
具体的に、推定位置座標を算出する際には、まず、時刻ｔにおけるタグａの存在確率を、すべての座標（ｘ，ｙ）で総和する。この実施例では、図６の読取機１４ごとの存在仮定領域（式（１））におけるタグａの存在確率、図１３の行動履歴に基づく推定移動場所（式（２））におけるタグａの存在確率Ｌａ、図１５の人間関係に基づく推定移動場所（式（３））におけるタグａの存在確率Ｌｂ、および図１７の周囲環境に基づく推定移動場所（式（４））におけるタグａの存在確率Ｌｃが算出されるので、これらの算出された確率を全ての座標（ｘ，ｙ）で足し合わせる。次に、全ての座標（ｘ，ｙ）の確率の総和が１．０になるように、検出時刻ｔにおけるタグａの存在確率Ｐ（ｔ，ａ，ｘ，ｙ）を正規化する。
【００７８】
続いて、タグａが存在する確率の最も高い場所を特定する。たとえば、確率値Ｐの最も高い座標（ｘ，ｙ）を検出し、検出した座標が上述の推定移動場所（２）から（４）のいずれに含まれるのかを検出する。各推定移動場所（２）、（３）、（４）がたとえば図１８に示すような位置関係になった場合には、影響物体２４に基づく推定移動場所（４）が２つの読取機１４の存在仮定領域の重複部分（交差斜線部分）に存在しており、当該推定移動場所（４）内の重複部分の確率が最も高くなる。したがって、図１８の場合には推定移動場所（４）が最も確率の高い場所であると特定される。
【００７９】
そして、この確率の最も高い場所の重心座標を算出する。この重心座標は、たとえば当該場所に含まれる座標（ｘ，ｙ）と算出した確率Ｐ（ｔ，ａ，ｘ，ｙ）とを用いて算出される。この算出された重心座標（Ｘａ，Ｙａ）が、時刻ｔにおける当該タグａの推定位置座標として推定位置座標ＤＢ１８に記憶される。
【００８０】
重心のｘ座標Ｘａおよびｙ座標Ｙａは、次の数１および数２で算出される。
【００８１】
【数１】
【００８２】
【数２】
【００８３】
ここで、Ｐ（ｘ，ｙ）は、座標（ｘ，ｙ）における当該無線タグ（ａ）の検出時刻ｔにおける存在確率である。すなわち、重心の座標は、座標とその座標の持つ確率との積を、推定移動場所に含まれる全ての座標に対して行って、それらの総和をとり、この総和の値を全ての座標が持つ確率の総和で割ることによって、決定される。
【００８４】
図１９には、中央コンピュータ１２のＣＰＵの動作の一例が示される。処理を開始すると、まず、ステップＳ１で、オペレータによる停止命令が生じたか否かを判断する。ステップＳ１で“ＹＥＳ”であれば、つまり、マウスまたはキーボード等の入力装置から停止を指示するデータが入力された場合には、この処理を終了する。
【００８５】
一方、ステップＳ１で“ＮＯ”であれば、ステップＳ３で、全ての読取機１４から検出情報を取得してメモリのＲＡＭに記憶する。このステップＳ３の検出情報の取得は、周期的に（たとえば１秒間隔のような所定間隔で）実行されてよいし、可変間隔で実行されてもよい。図３に示したように、検出情報には、当該読取機の固有ＩＤ，検出時刻ｔ、電波受信感度レベルＬごとの検出された各無線タグ１６の固有ＩＤ等が含まれている。
【００８６】
続いて、ステップＳ５で、取得した検出情報に基づいて、無線タグ１６ごとに当該無線タグ１６に関する情報を抜き出す。そして、図５に示したように、無線タグ固有ＩＤに関連付けて、検出時刻ｔ、検出した読取機の情報（読取機固有ＩＤとその区分レベルＬ）を含むデータをＲＡＭに作成する。区分レベルＬは、上述のように、当該無線タグ１６の検出の有無を分ける電波受信感度レベルＬを検出することによって取得される。
【００８７】
そして、ステップＳ７で、無線タグ１６が所定空間２０に存在するか否かを判断する。ステップＳ７で“ＮＯ”であれば、つまり、各読取機１４からの検出情報に無線タグ固有ＩＤが含まれていなかった場合には、処理はステップＳ１へ戻る。
【００８８】
一方、ステップＳ７で“ＹＥＳ”であれば、ステップＳ９で無線タグ１６ごとの位置推定処理を実行する。この位置推定処理の動作の一例が図２０に詳細に示される。
【００８９】
図２０の最初のステップＳ３１では、処理する無線タグａ（ａ＝固有ＩＤ）に関する情報をステップＳ５で生成したデータから取得する。無線タグａに関する情報は、図５に示したように、無線タグ固有ＩＤに関連付けられた、検出時刻ｔ、検出した読取機の情報（読取機固有ＩＤとその区分レベルＬ）等を含む。複数の無線タグ１６が検出された場合、処理するタグａの選択順序は任意であり、たとえばタグ固有ＩＤの順に従って設定される。
【００９０】
次に、ステップＳ３３では、当該無線タグａを検出した読取機１４ごとに、その存在仮定領域（図６で式（１）で示される）に、当該無線タグａが存在する確率を算出する。なお、各読取機１４の位置座標は、読取機１４に関する情報（図４）から取得される。また、各読取機１４の存在仮定領域を規定する最大検出可能距離ｄＮＬおよびｄＮＬ−１は、各読取機の区分レベルＬ（受信感度レベルＬ）に基づいて、同じく読取機１４に関する情報（図４）から取得される。したがって、存在仮定領域を図６の式（１）に従って算出することができる。
【００９１】
続いて、ステップＳ３５で、行動履歴による場所推定処理を実行する。この行動履歴による場所推定処理の動作の一例が図２１に示される。
【００９２】
図２１の最初のステップＳ７１では、過去（ｔ−１，…，ｔ−ｎ）における処理対象タグａの推定座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１）），…，（Ｘａ（ｔ−ｎ），Ｙａ（ｔ−ｎ））を推定位置ＤＢ１８からＲＡＭに取得する。次に、ステップＳ７３で、取得したタグａの推定座標の差分と当該差分の平均を算出して、移動速度ｓａを算出する。続いて、ステップＳ７５で、時刻ｔにおいて推定移動場所（図１３の式（２）で示される）における当該タグａが存在する確率Ｌａを算出する。推定移動場所を決定するためのパラメータとしての誤差ｅａはメモリから取得される。したがって、行動履歴による移動場所を図１３の式（２）に従って算出して推定することができる。確率Ｌａは、当該推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されて、メモリに記憶される。ステップＳ７５を終了すると、この行動履歴による場所推定処理を終了して、図２０のステップＳ３７に戻る。
【００９３】
図２０のステップＳ３７では、当該タグａの人間関係が登録されているか否かを、メモリに記憶されているユーザ情報（図８）を参照して判定する。ステップＳ３７で“ＹＥＳ”であれば、つまり、当該タグａと人間関係を持つ人間２２が所定の空間２０内に存在している場合には、ステップＳ３９で、検出された無線タグ１６の固有ＩＤとユーザ情報に登録されている人間関係のあるタグ固有ＩＤとに基づいて、読取機１４で検出された全ての無線タグ１６の中から、当該タグａと人間関係を有する全ての無線タグ１６のタグ固有ＩＤを取得する。
【００９４】
そして、ステップＳ４１で人間関係による場所推定処理を実行する。この人間関係による場所推定処理の動作の一例が図２２に示される。
【００９５】
図２２の最初のステップＳ９１では、タグａの固有ＩＤと取得された人間関係を有する全てのタグ１６の固有ＩＤとに基づいて、過去（ｔ−１，…，ｔ−ｎ）におけるタグａと人間関係を有するタグ１６らの推定座標を推定位置ＤＢ１８からＲＡＭに取得する。
【００９６】
次に、ステップＳ９３で、過去の各検出時刻における当該人間関係を有しているタグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））を算出する。この人間関係を有するタグらの重心座標の算出には過去における当該タグａの推定座標も使用される。
【００９７】
続いて、ステップＳ９５で、当該タグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））の差分と平均から、重心座標の移動速度ｓａ＿ｃを算出する。
【００９８】
さらに、ステップＳ９７で、当該タグ１６らの重心座標（Ｘａ＿ｃ（ｔ−１），Ｙａ＿ｃ（ｔ−１）），…，（Ｘａ＿ｃ（ｔ−ｎ），Ｙａ＿ｃ（ｔ−ｎ））と、重心座標の移動速度ｓａ＿ｃから、検出時刻ｔにおける推定重心座標（Ｘａ＿ｃｅ（ｔ），Ｙａ＿ｃｅ（ｔ））を算出する。
【００９９】
そして、ステップＳ９９で、時刻ｔにおいて推定移動場所（図１５の式（３）で示される）における当該タグａが存在する確率Ｌｂを算出する。具体的には、人間関係に対応する影響パラメータ（図１０参照）がメモリから取得される。また、誤差ｅａ＿ｈの値も取得される。力成分ｐ＿ｈの値は、時刻ｔ−１におけるタグａの推定座標と人間関係を有するタグらの重心座標との距離ｄｉｓｔ＿ｇの値とパラメータとの大小関係に応じて、メモリから所定の値が取得される。したがって、図１５の式（３）に従って、人間関係による移動場所を算出して推定することができる。確率Ｌｂは、推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されてメモリに記憶される。ステップＳ９９を終了すると、この人間関係による場所推定処理を終了して、図２０のステップＳ４３に戻る。
【０１００】
なお、処理対象のタグａについて複数の種類の人間関係が検出される場合には、たとえば人間関係ごとに図２２の処理を実行して人間関係ごとに確率Ｌｂを算出する。
【０１０１】
また、図２０のステップＳ３７で“ＮＯ”であれば、つまり、タグａと人間関係を持っているタグ１６が検出されず、またはタグａに人間関係が登録されていない場合等には、処理はステップＳ４３に進む。
【０１０２】
ステップＳ４３では、当該タグａの近くに影響物体２４が存在するか否かを判定する。たとえば、直前の検出時刻ｔ−１における当該タグａの推定位置座標と各影響物体２４の座標との距離を算出し、算出した各距離が各影響物体２４の影響半径ｅ＿ｒ以下であるか否かを判断する。なお、時刻ｔ−１における当該タグａの推定位置座標（Ｘａ（ｔ−１），Ｙａ（ｔ−１））は推定位置ＤＢ１８から取得され、各影響物体２４の座標（ｅ＿Ｘ，ｅ＿Ｙ）、影響半径ｅ＿ｒはメモリの影響物体情報（図１１参照）から取得される。
【０１０３】
ステップＳ４３で“ＹＥＳ”であれば、ステップＳ４５で、当該タグａの近くにあると判定された全ての影響物体２４の物体ＩＤを影響物体情報から取得する。
【０１０４】
そして、ステップＳ４７で、影響物体による場所推定処理を実行する。この影響物体による場所推定処理の動作の一例が図２３に示される。
【０１０５】
図２３の最初のステップＳ１１１で、ステップＳ４５で取得した全ての物体ＩＤをカウントしてタグａの近くにある影響物体２４の個数ｕを取得するとともに、当該全ての物体ＩＤに対応する影響物体情報を取得する。
【０１０６】
次に、ステップＳ１１３で、タグａの近くに存在する全ｕ個の影響物体について、場所推定処理が終了しているか否かを判断する。ステップＳ１１３で“ＮＯ”であれば、全ｕ個の影響物体２４のうち処理の対象とする影響物体ｖを決定して、ステップＳ１１５で、時刻ｔにおいて当該影響物体ｖの推定移動場所（図１７の式（４）で示される）におけるタグａの存在する確率Ｌｃ（ｖ＝１〜ｕ）を算出する。具体的には、誤差ｅａ＿ｅの値をメモリから取得する。力成分ｐ＿ｅの値は、時刻ｔ−１におけるタグａの推定座標と影響物体ｖの位置座標との距離ｄｉｓｔ＿ｅの値と影響パラメータ（影響半径ｅ＿ｒおよび影響無効半径ｅ＿ｄ）との大小関係に応じて、メモリから所定の値が取得される。したがって、図１７の式（４）に従って、当該特定物体２４に基づく移動場所を算出し推定することができる。確率Ｌｃ（ｖ）は、推定移動場所の全座標（ｘ，ｙ）に一様に分布するものとして算出されてメモリに記憶される。ステップＳ１１５を終了すると処理はステップＳ１１３に戻る。ステップＳ１１３で“ＹＥＳ”であれば、この影響物体による場所推定処理を終了して、図２０のステップＳ４９に戻る。
【０１０７】
また、図２０のステップＳ４３で“ＮＯ”であれば、つまり、タグａがいずれの影響物体２４の影響範囲内にも存在していない場合には、処理はそのままステップＳ４９へ進む。
【０１０８】
ステップＳ４９では、時刻ｔにおけるタグａが存在する確率を全ての座標（ｘ，ｙ）で総和する。具体的には、ステップＳ３３で読取機１４ごとに算出された確率、ステップＳ７５（図２１）で算出された確率Ｌａ、ステップＳ９９（図２２）で算出された確率Ｌｂ、ステップＳ１１５（図２３）で算出された確率Ｌｃに基づいて、全座標について当該座標における確率値を足し合わせる。
【０１０９】
なお、この実施例では、算出された存在確率のそれぞれを１対１の比率で加算するようにしているが、各存在確率を重み付けして加算するようにしてもよい。この場合の各存在確率の重み係数は実験結果に基づいて適宜な値に設定される。
【０１１０】
次に、ステップＳ５１で、タグａが存在する確率Ｐ（ｔ，ａ，ｘ，ｙ）を正規化する。たとえばステップＳ４９で総和した確率を当該総和に用いた算出された存在確率の数で割ることによって正規化し、全座標の確率値の総和が１．０になるようにする。
【０１１１】
続いて、ステップＳ５３で、ステップＳ５１で算出した確率Ｐ（ｔ，ａ，ｘ，ｙ）を用いて、タグａが存在する確率の最も高い場所を特定する。たとえば、確率値Ｐの最も高い座標（ｘ，ｙ）を検出し、検出した座標が、上述した行動履歴による推定移動場所（２）、人間関係による推定移動場所（３）、および影響物体による推定移動場所（４）のいずれに含まれるのかを検出する。
【０１１２】
そして、ステップＳ５５で、タグａが存在する確率の最も高い場所の重心座標（Ｘａ，Ｙａ）を、上記数１および数２に従って算出する。この確率の最も高い場所の重心座標が当該時刻ｔにおけるタグａの推定位置座標である。ステップＳ５５を終了すると、この位置推定処理を終了し、処理は図１９のステップＳ１１へ戻る。
【０１１３】
図１９に戻って、ステップＳ１１で、検出時刻ｔに関連付けて、処理対象であった無線タグａの固有ＩＤ，および算出された推定位置（Ｘａ，Ｙａ）をメモリから推定位置ＤＢ１８に記録する。
【０１１４】
そして、ステップＳ１３で、ステップＳ７で検出された全ての無線タグ１６について処理したか否かを判断する。ただし、登録されている全無線タグ１６に関して判断してもよい。ステップＳ１３で“ＮＯ”であれば、ステップＳ９に戻る。こうして、全ての無線タグ１６について位置推定処理を行って、推定位置座標をＤＢ１８に記録する。一方、ステップＳ１１で“ＹＥＳ”であれば、次の検出時刻における計測を行うべく、ステップＳ１に戻る。
【０１１５】
この実施例によれば、無線タグ１６の装着された人間２２の移動に影響を及ぼす空間２０内の特定の座標の影響を考慮して当該無線タグ１６の移動場所を予測し、読取機１４の検出情報による推定と組み合わせて、当該無線タグ１６の位置を推定するようにしたので、より正確な位置推定を行うことができる。
【０１１６】
具体的には、無線タグ１６の装着された人間２２の人間関係による影響を考慮した。この場合、人間関係を有する人間２２（無線タグ１６）らの重心座標が、空間２０において人間２２の移動に影響を与える特定座標となる。この人間関係を有する無線タグ１６らの重心座標と推定対象の無線タグ１６の座標との距離に基づいて、当該無線タグ１６が重心座標に対して引き寄せられるか否か（たとえば反発するか、もしくは影響無しかなど）を判定し、判定結果に応じた移動場所ないし領域を予測するようにしたので、位置推定の精度を向上することができる。
【０１１７】
また、空間２０に配置された影響物体（特定物体）２４による影響を考慮した。この場合、特定物体２４の位置座標が、空間２０において人間２２の移動に影響を与える特定座標となる。この特定物体２４の座標と推定対象の無線タグ１６の座標との距離に基づいて、当該無線タグ１６が特定物体２４の座標に対して引き寄せられるか否か（影響無しか等）を判定し、判定結果に応じた移動場所ないし領域を推定するようにしたので、位置推定の精度を向上することができる。
【０１１８】
また、算出された推定位置座標のデータは推定位置ＤＢ１８に記録される。各無線タグ１６の推定位置は、たとえば周期的な検出時刻ｔに関連付けて記録されている。つまり、推定位置座標データは検出時刻の経過に沿った時系列データでもあり、各無線タグ１６の移動軌跡を示している。したがって、このシステム１０によれば、無線タグ１６の移動の履歴すなわち無線タグ１６の装着された人間２２の行動履歴を、より正確に記録することができる。そして、このシステム１０で記録される行動履歴データ（推定位置座標データ）は精度が高いので、人間２２の行動をより正確に把握することができる。したがって、たとえば、この行動履歴データとともにコミュニケーションロボットなどを用いて、無線タグ１６を装着した人間２２に対して、行動履歴に基づいたより的確なコミュニケーションやサービスを提供することが可能になる。
【図面の簡単な説明】
【０１１９】
【図１】この発明の一実施例の位置推定システムの一例を示すブロック図である。
【図２】図１実施例の位置推定システムの概要を示す図解図である。
【図３】無線タグ読取機から出力される検出情報の内容の一例を示す図解図である。
【図４】中央コンピュータのメモリに記憶される無線タグ読取機に関する情報の内容の一例を示す図解図である。
【図５】検出情報に基づいて無線タグごとに生成される無線タグに関する情報の内容の一例を示す図解図である。
【図６】無線タグ読取機で検出された無線タグの存在仮定領域を示す図解図である。
【図７】無線タグ検出の区分レベルと無線タグ読取機の存在仮定領域との関係の一例を示す図解図である。
【図８】中央コンピュータのメモリに記憶されるユーザ情報の内容の一例を示す図解図である。
【図９】ユーザ情報の人間関係情報に設定されるグループＩＤの内容の一例を示す図解図である。
【図１０】中央コンピュータのメモリに記憶される人間関係パラメータの内容の一例を示す図解図である。
【図１１】中央コンピュータのメモリに記憶される影響物体情報の内容の一例を示す図解図である。
【図１２】無線タグ読取機の検出情報に基づく無線タグの位置推定を説明するための図解図である。
【図１３】行動履歴に基づく推定移動場所を説明するための図解図である。
【図１４】人間関係に基づく場所推定の概念を示す図解図である。
【図１５】人間関係に基づく推定移動場所を説明するための図解図である。
【図１６】影響物体に基づく場所推定の概念を示す図解図である。
【図１７】影響物体に基づく推定移動場所を説明するための図解図である。
【図１８】確率の最も高い場所の特定を説明するための図解図である。
【図１９】中央コンピュータの動作の一例を示すフロー図である。
【図２０】図１９の位置推定処理の動作の一例を示すフロー図である。
【図２１】図２０の行動履歴による場所推定処理の動作の一例を示すフロー図である。
【図２２】図２０の人間関係による場所推定処理の動作の一例を示すフロー図である。
【図２３】図２０の影響物体による場所推定処理の動作の一例を示すフロー図である。
【符号の説明】
【０１２０】
１０ …位置推定システム
１２ …中央コンピュータ
１４ …無線タグ読取機
１６ …無線タグ
１８ …推定位置ＤＢ
２０ …所定空間
２２ …人間
２４ …影響物体
【特許請求の範囲】
【請求項１】
所定の空間における無線タグの位置を推定する位置推定システムであって、
前記無線タグを検出する複数の読取機、
前記複数の読取機の前記空間における座標を示す読取機座標データを記憶する読取機情報記憶手段、
前記無線タグの移動に引力または斥力による影響を与える特定座標を示す特定座標データおよび前記特定座標による影響に関するパラメータを記憶する特定座標情報記憶手段、
前記無線タグを検出した前記読取機ごとに、当該読取機で検出された受信電波強度情報と前記読取機座標データとに基づいて当該無線タグの存在が推定される第１領域における検出時刻における当該無線タグの存在確率を算出する第１算出手段、
推定位置記憶手段に記憶されている前記無線タグの過去の推定位置座標データの座標と前記特定座標データの特定座標との距離、および当該特定座標に対応する前記影響に関するパラメータに基づいて推定される前記検出時刻での移動場所における、当該無線タグの存在確率を算出する第２算出手段、
前記第１算出手段および前記第２算出手段によって算出された前記存在確率に基づいて前記検出時刻における前記無線タグの推定位置座標を算出する推定座標算出手段、および
前記推定座標算出手段によって算出された前記検出時刻における前記無線タグの前記推定位置座標を示す推定位置座標データを前記推定位置記憶手段に記憶する推定位置記録手段を備える、位置推定システム。
【請求項２】
前記第２算出手段は、前記無線タグの過去の推定位置座標データの座標と前記特定座標データの特定座標との前記距離が前記影響に関するパラメータに含まれる影響を及ぼす範囲を示すデータの範囲内であるときに、前記過去の前記無線タグの座標に前記特定座標に対する引力または斥力を作用させることによって推定される前記検出時刻での前記移動場所における、当該無線タグの存在確率を算出する、請求項１記載の位置推定システム。
【請求項３】
複数の前記無線タグがそれぞれ装着される複数の人間の人間関係を示す人間関係情報を記憶する人間関係情報記憶手段、および
処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、当該人間関係を有している全ての前記無線タグの過去の前記推定位置座標データから重心座標を算出して、当該重心座標を示す重心座標データを前記特定座標データとして前記特定座標情報記憶手段に記憶する重心算出手段をさらに備え、
前記第２算出手段は、前記処理対象の無線タグの過去の前記推定位置座標データの座標と前記重心座標との距離、および前記影響に関するパラメータに含まれる当該人間関係に対応するパラメータに基づいて推定される前記検出時刻での第１移動場所における、当該無線タグの存在確率を算出する、請求項２記載の位置推定システム。
【請求項４】
前記特定座標情報記憶手段は、前記空間内の所定の位置に配置される少なくとも１つの特定物体の座標を示す特定物体座標データを前記特定座標データとして記憶していて、
前記第２算出手段は、前記無線タグの過去の推定位置座標データの座標と前記特定物体の座標との距離、および前記影響に関するパラメータに含まれる当該特定物体に対応するパラメータに基づいて推定される前記検出時刻での第２移動場所における、当該無線タグの存在確率を算出する、請求項２または３記載の位置推定システム。
【請求項５】
前記無線タグの過去の前記推定位置座標データの履歴に基づいて推定される前記検出時刻での第３移動場所における当該無線タグの存在確率を算出する第３算出手段をさらに備え、
前記推定座標算出手段は、前記第１算出手段、前記第２算出手段および前記第３算出手段によって算出された前記存在確率に基づいて、前記検出時刻における当該無線タグの推定位置座標を算出する、請求項１ないし４のいずれかに記載の位置推定システム。
【請求項１】
所定の空間における無線タグの位置を推定する位置推定システムであって、
前記無線タグを検出する複数の読取機、
前記複数の読取機の前記空間における座標を示す読取機座標データを記憶する読取機情報記憶手段、
前記無線タグの移動に引力または斥力による影響を与える特定座標を示す特定座標データおよび前記特定座標による影響に関するパラメータを記憶する特定座標情報記憶手段、
前記無線タグを検出した前記読取機ごとに、当該読取機で検出された受信電波強度情報と前記読取機座標データとに基づいて当該無線タグの存在が推定される第１領域における検出時刻における当該無線タグの存在確率を算出する第１算出手段、
推定位置記憶手段に記憶されている前記無線タグの過去の推定位置座標データの座標と前記特定座標データの特定座標との距離、および当該特定座標に対応する前記影響に関するパラメータに基づいて推定される前記検出時刻での移動場所における、当該無線タグの存在確率を算出する第２算出手段、
前記第１算出手段および前記第２算出手段によって算出された前記存在確率に基づいて前記検出時刻における前記無線タグの推定位置座標を算出する推定座標算出手段、および
前記推定座標算出手段によって算出された前記検出時刻における前記無線タグの前記推定位置座標を示す推定位置座標データを前記推定位置記憶手段に記憶する推定位置記録手段を備える、位置推定システム。
【請求項２】
前記第２算出手段は、前記無線タグの過去の推定位置座標データの座標と前記特定座標データの特定座標との前記距離が前記影響に関するパラメータに含まれる影響を及ぼす範囲を示すデータの範囲内であるときに、前記過去の前記無線タグの座標に前記特定座標に対する引力または斥力を作用させることによって推定される前記検出時刻での前記移動場所における、当該無線タグの存在確率を算出する、請求項１記載の位置推定システム。
【請求項３】
複数の前記無線タグがそれぞれ装着される複数の人間の人間関係を示す人間関係情報を記憶する人間関係情報記憶手段、および
処理対象の無線タグとの間に人間関係を有している無線タグが検出されるとき、当該人間関係を有している全ての前記無線タグの過去の前記推定位置座標データから重心座標を算出して、当該重心座標を示す重心座標データを前記特定座標データとして前記特定座標情報記憶手段に記憶する重心算出手段をさらに備え、
前記第２算出手段は、前記処理対象の無線タグの過去の前記推定位置座標データの座標と前記重心座標との距離、および前記影響に関するパラメータに含まれる当該人間関係に対応するパラメータに基づいて推定される前記検出時刻での第１移動場所における、当該無線タグの存在確率を算出する、請求項２記載の位置推定システム。
【請求項４】
前記特定座標情報記憶手段は、前記空間内の所定の位置に配置される少なくとも１つの特定物体の座標を示す特定物体座標データを前記特定座標データとして記憶していて、
前記第２算出手段は、前記無線タグの過去の推定位置座標データの座標と前記特定物体の座標との距離、および前記影響に関するパラメータに含まれる当該特定物体に対応するパラメータに基づいて推定される前記検出時刻での第２移動場所における、当該無線タグの存在確率を算出する、請求項２または３記載の位置推定システム。
【請求項５】
前記無線タグの過去の前記推定位置座標データの履歴に基づいて推定される前記検出時刻での第３移動場所における当該無線タグの存在確率を算出する第３算出手段をさらに備え、
前記推定座標算出手段は、前記第１算出手段、前記第２算出手段および前記第３算出手段によって算出された前記存在確率に基づいて、前記検出時刻における当該無線タグの推定位置座標を算出する、請求項１ないし４のいずれかに記載の位置推定システム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図１８】
【図１９】
【図２０】
【図２１】
【図２２】
【図２３】
【公開番号】特開２００６−２５８４６８（Ｐ２００６−２５８４６８Ａ）
【公開日】平成１８年９月２８日（２００６．９．２８）
【国際特許分類】
【出願番号】特願２００５−７３１２７（Ｐ２００５−７３１２７）
【出願日】平成１７年３月１５日（２００５．３．１５）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成１６年６月１日付け、支出負担行為担当官 総務省大臣官房会計課企画官、研究テーマ「ネットワーク・ヒューマン・インターフェースの総合的な研究開発（ネットワークロボットの技術）」に関する委託研究、産業活力再生特別措置法第３０条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
【公開日】平成１８年９月２８日（２００６．９．２８）
【国際特許分類】
【出願日】平成１７年３月１５日（２００５．３．１５）
【国等の委託研究の成果に係る記載事項】（出願人による申告）平成１６年６月１日付け、支出負担行為担当官 総務省大臣官房会計課企画官、研究テーマ「ネットワーク・ヒューマン・インターフェースの総合的な研究開発（ネットワークロボットの技術）」に関する委託研究、産業活力再生特別措置法第３０条の適用を受ける特許出願
【出願人】（３９３０３１５８６）株式会社国際電気通信基礎技術研究所 (905)
【Ｆターム（参考）】
[ Back to top ]