[チュートリアル講演] 電波マップ構築入門 ：研究動向と課題設定の勘所

発表日：2026年1月22日(木)
発表先：IEICE AP研究会
発表会場：奄美市AiAiひろば
プログラム：
https://ken.ieice.org/ken/program/index.php?tgs_regid=16ede724d2519f36a2c8cec067f48a14dd45e030e322415fef283da511fade97&tgid=IEICE-AP&charset=UTF-8

Transcript

1. 電波マップ構築入門 -研究動向と課題設定の勘所- IEICE アンテナ・伝播研究会/無線電力伝送研究会@奄美 2026年1月22日(木) 佐藤光哉 電気通信大学 k_sato@ieee.org ※本資料は事前公開版である。当日の使用スライドとは一部異なる可能性がある
2. 本日の講演内容 2 本講演の構成 • 第一部：背景と研究動向 • 第二部：電波マップ構築法の具体例とその弱みから見える課題設定の例 • 第三部：X-to-X Radio Mapフレームワークに向けて ※本講演内容の基本的な前提 Sub6未満、送信位置固定、指向性など時不変→この中での場所依存性の推定が主題 本講演の目的：電波マップ構築の研究における課題設定の勘所を伝える • 研究動向は？ • 電波伝搬モデリングの研究との棲み分けは？ • (個人的な目論見) 関連分野の国内コミュニティを厚くしたい
3. 自己紹介：略歴 略歴 1991.01.22 出生@宮城県塩竈市 2006.04-2011.03 仙台高専 (旧 宮城高専) 2011.04-2013.03 山形大学工学部 2013.04-2018.03 電気通信大学 修士+博士 2018.04-2021.09 東京理科大学 助教 2021.10- 電気通信大学 助教 主なプロジェクト実績 2025.04-2029.03 JSPS 基盤研究(B) 代表 2023.10-2027.03 JST さきがけ 代表 2021.10-2024.03 JST ACT-X 代表 2024.10-2030.03 JST CRONOS Co-PI 2024.02-2027.03 JST ASPIRE Co-PI などなど 3
4. 研究テーマの派生と成果あれこれ 4 電波マップの多次元内挿 分散機械学習のための通信/学習一体設計 ... Result of local training or regression 基地局 ノード 0 200 400 600 800 1000 °100 °75 °50 °25 0 Signal Power[dBm] Node 1 GPR Sample 0 200 400 600 800 1000 °100 °80 °60 AirComp GPR (Perfect CSI) 0 200 400 600 800 1000 °100 °75 °50 °25 0 Node 2 GPR Sample 0 200 400 600 800 1000 x [m] °100 °75 °50 °25 0 Node 4 GPR Sample 0 200 400 600 800 1000 °100 °80 °60 Ground Truth 回帰結果(電波マップ, 1D) 5G 5G 5G 5G センシング+空間内挿による 電波マップ構築 観測データの学習 を効率化したい GPRの最適化活用 電波伝搬と両輪 で電波マップを 深めたい ベイズ最適化による 無線基地局の自動設計 イメージセンサ活用 測位系に低依存な回帰分析 センシングコストを下げたい • IEEE TCCN (2017), IEEE WCL (2019), 他 • 送信座標拡張: IEEE Access (2019) • 周波数軸拡張: IEEE TVT (2021) • IEEE WCL (2025), IEEE Access (2023), 他 • JST ACT-X「AI活用」領域 • 分散連合機械学習: IEEE TCCN (2021) • 空中計算と分散GPR: IEEE TCCN (2026) • IEEE Sens. Lett. (2024), GLOBECOM Wkshps (2025) 他 • JST さきがけ「ICT基盤強化」領域 • IEEE Netw. Lett. (2024) 他 シミュレータの 連携
5. 解説記事等のご紹介 5 AP分野からの展開で使うなら • 佐藤, "[招待講演] 無線環境の可視化: 空間統計学の基礎とその多次元拡 張," IEICE SIP研究会, 2021年8月. • 佐藤, “空間統計と無線通信,” 人工知 能, vol.39, no.4, 2024年7月. Ø実装に役立つツールはこちらから Ø論文に書きづらい箇所を整理 佐藤のResearchmap 電波マップ関連の予稿やスライドを無償公開 https://researchmap.jp/k_sato0122 フィードバックお待ちしてます。 やる気が出ます
6. 今日から始める電波マップ構築 6 ガウス過程回帰のデモを無償公開中 • CLI/GUI両方対応 • CLIは1コマンド • シミュレーションは条件可変 • 自前のcsvによる学習とテストも対応 ØPMC6データセットも対応！ • 最新版 ：https://github.com/ksatolab-uec/demo-gpr-for-radiomap-construction • 旧版 (Regression Kriging, CLIのみ) ：https://github.com/ksatolab-uec/radiomap-construction 入門によし、比較手法によし
7. 7 本講演の構成 • 第一部：背景と研究動向 • 第二部：電波マップ構築法の具体例とその弱みから見える課題設定の例 • 第三部：X-to-X Radio Mapフレームワークに向けて • 国内外の関連領域の盛り上がりについて述べる • 電波マップ構築手法が大きく2つに大別できる点を示す Ø(今回のPMC6での題材でもある) 実測型の役割について概説する
8. 研究背景：無線環境デジタルツインへの期待 8 技術的背景 • 無線需要に対し周波数資源が逼迫 Ø無線システムを動的に最適化し、 周波数資源を極限利用する必要 • サイバー空間上での最適化で極限利用？ Ø無線環境を表現する基本的な特性が 電波伝搬の場所依存性→電波マップ案件 無線環境デジタルツインの例 • L. U. Khan et al., "Digital Twin of Wireless Systems: Overview, Taxonomy, Challenges, and Opportunities," IEEE Commun. Surv. Tuts., vol. 24, no. 4, pp. 2230-2254, 4Q 2022. • Z. Tao et al., "Wireless Network Digital Twin for 6G: Generative AI as a Key Enabler," IEEE Wireless Commun., vol. 31, no. 4, pp. 24-31, Aug. 2024. © City of Helsinki, Helsinki 3D City Model, CC BY 4.0 © MLIT, Project PLATEAU, licensed under CC BY 4.0
9. 最近のブームに大きく加担している論文の例 • S. Bi, J. Lyu, Z. Ding and R. Zhang, IEEE Wireless Commun., vol. 26, no. 2, pp. 133-141, April 2019. 無線資源管理 • Y. Zeng and X. Xu, IEEE Wireless Commun., vol. 28, no. 3, pp. 84-91, June 2021. CKMの提唱 • R. Levie et al., IEEE Trans. Wireless Commun., vol. 20, no. 6, pp. 4001-4015, June 2021. RadioUNetの提案 • Y. Zeng et al., IEEE Commun. Surv. Tuts., vol. 26, no. 3, pp. 1478-1519, thirdquarter 2024. サーベイ論文 この分野、いつの間にこんなに流行った？ 9 Sionna RT, RadioMapSolver (2025.03追加) IEEE Xploreでのjournalカテゴリの推移 https://nvlabs.github.io/sionna/rt/api/radio_map_solvers.html • 周波数共用 • 位置推定 を中心に発展 RadioMapSolver()
10. ワークショップ、コンペなど 10 国際会議でのワークショップ開催 • [ICASSP2024] Workshop on RMA • [GLOBECOM2025] Radio Maps for Communications and Sensing • [VTC2024-Spring] Radio Map for 6G Communications コンペ • The First Pathloss Radio Map Prediction Challenge at ICASSP2023, 2025 ØThe Sampling-Assisted Pathloss Radio Map Prediction Challenge at MLSP 2025 • ITU AI/ML in 5G Challenge 2025, “Estimation of Site specific radio propagation loss with minimal information” • IEICE AP研究会, PMC6, “サンプルデータを用いた面的な伝搬損失の空間補完モデリング” (今回) • 各地で関連コミュニティが形成 • 併せて研究課題設定のフォーマットや評価方法も整理された印象
11. 電波マップ構築法の大別 11 シミュレーション型 観測位置 実測型 • 建物情報等からの推定 Øレイトレーシング ØRadioUNet など • システム運用開始前も適用可 • 場所ごとの観測結果からの推定 Øガウス過程回帰 Øテンソル補完 など • システム運用開始後の適用 ※両者のハイブリッドも [Bakirtzis-TAP2022] [Bakirtzis-TAP2022] S. Bakirtzis, J. Chen, K. Qiu, J. Zhang and I. Wassell, "EM DeepRay: An Expedient, Generalizable, and Realistic Data-Driven Indoor Propagation Model," IEEE Trans. Antennas Propag., vol. 70, no. 6, pp. 4140-4154, June 2022. RadioMapSolver()
12. シミュレーション型だけで十分？：簡易比較 12 観測データ数に応じて有利/不利が分岐 屋内WLAN@{5180MHz, 2452MHz}でのレイトレ vs ガウス過程回帰の簡易検証 [Suga-Access2023] [Suga-Access2023] N. Suga, Y. Maeda, and K. Sato, "Indoor Radio Map Construction via Ray Tracing with RGB-D Sensor-Based 3D Reconstruction: Concept and Experiments in WLAN Systems," IEEE Access, vol.11, pp.24863-24874, Mar. 2023. Room1: Experimental Room Room2: Office Room GPR@Room1 GPR@Room2 Ray Tracing@Room1 Ray Tracing@Room2
13. シミュレーション型だけで十分？：課題あれこれ 13 課題1: 環境情報の取得方法 • イメージセンサ活用 [Suga-Access2023] • 移動体の考慮 上記課題をクリアしても実際の特性とはやはりどこかで差 Ø運用開始後に実測値を解析するモチベーション 課題2: 軽量かつ高精度な計算方法 • 画像駆動レイトレーシング[Levie-TWC2021] • 量子計算 [Santos-TVCG2025] ，物理駆動型学習 [Lim-APLP2022] [Levie-TWC2021] R. Levie, Ç. Yapar, G. Kutyniok and G. Caire, "RadioUNet: Fast Radio Map Estimation With Convolutional Neural Networks," IEEE Trans. Wireless Commun., vol. 20, no. 6, pp. 4001- 4015, June 2021. [Santos-TVCG2025] L. P. Santos et al., "Towards Quantum Ray Tracing," IEEE Trans. Vis. Comput. Graph., vol. 31, no. 4, pp. 2223-2234, April 2025. [Lim-APLP2022]J. Lim and D. Psaltis, “MaxwellNet: Physics-driven deep neural network training based on Maxwell’s equations,” APL Photonics, vol. 7, no. 1, Art. no. 011301, Jan. 2022. MaxwellNet [Lim-APLP2022] (CCBY) Project PLATEAU (https://plateauview.jp/ )
14. 実測型の研究は電波伝搬モデリングの研究とどう違う？ 14 • 伝搬モデリングの知見は電波マップ構築に活用可能 • ただし取得できるデータと目的に差 観測データ数 観測系 最終的な評価指標 伝搬モデリング (実験的アプローチ) 十分数取れる (取る) 高精度，校正済み 伝搬特性推定の精度 電波マップ構築 (実測型) なるべく抑えたい 例: 無線リソース効率化 において過度な観測は かえって逆効果 (実測型の場合)高精度/ 低精度混在 例: スマホからの報告値 システム性能の諸特性 常々頭に置いておくべき点 限られたデータ&観測条件でいかにシステム性能改善に寄与するマップを組めるか
15. 15 本講演の構成 • 第一部：背景と研究動向 • 第二部：電波マップ構築法の具体例とその弱みから見える課題設定の例 • 第三部：X-to-X Radio Mapフレームワークに向けて • 第一部で実測型の役割について触れた • 第二部では実測型の具体例から研究課題設定の勘所について触れたい Ø実測型の弱みからシミュレーション型の役割も見える？
16. 実測型の典型的な課題設定 16 • スマートフォン等が受信電力を移動観測 • 観測結果を端末位置と対応付けて記録 • 記録結果を遠隔のサーバに報告 • サーバ側でエリア全体の特性を推定 クラウド 送信局 位置: (xi , yi ) 受信電力: Pi 位置: (xk , yk ) 受信電力: Pk 位置: (xj , yj ) 受信電力: Pj 観測ノード 5G 5G 5G 内挿結果 観測結果 空間内挿 平均受信電力 電波マップ 理論最適な内挿の実現例が • ガウス過程回帰 • Kriging ※両者は等価 (後述)
17. 限られた観測データから電波マップを組むには 17 得られるデータ (瞬時フェージング平均化済み) 真の特性 • 近いところほど似る →内挿地点周辺のデータに対し加重平均をとればよい Øどうやって？ →ガウス過程回帰 (GPR: Gaussian Process Regression)
18. GPRによる空間内挿の流れの例 (単回帰+GPR) 18 1. 距離減衰特性の推定&除去 2. シャドウイング成分の共分散特性のモデル化 3. 予測点上のシャドウイング成分を加重平均で推定 最小二乗法などで推定 ー ＝ 平均受信電力 推定した長区間変動 シャドウイング
19. GPRによる空間内挿の流れの例 (単回帰+GPR) 19 1. 距離減衰特性の推定&除去 2. シャドウイング成分の共分散特性のモデル化 3. 予測点上のシャドウイング成分を加重平均で推定 [Gudmundson-EL1991] M. Gudmundson, “Correlation model for shadow fading in mobile radio systems, ” Electron. Lett., vol. 27, no. 7, pp. 2145–2146, Nov. 1991. 相関距離：100m 2地点間のシャドウイングの共分散を 以下の経験則に当てはめ 相関距離 分散
20. GPRによる空間内挿の流れの例 (単回帰+GPR) 20 1. 距離減衰特性の推定&除去 2. シャドウイング成分の共分散特性のモデル化 3. 予測点上のシャドウイング成分を加重平均で推定 観測モデル [dBm] シャドウイングの条件付き確率 シャドウイングの内挿結果 • 予測平均 • 予測分散 観測値に対する加重平均 と考えることができる 観測値内の シャドウイング
21. カーネル関数と加重平均の数値例 21 指数カーネル (シャドウイングの共分散構造を模擬) カーネル関数によりデータの近さを表現、複数の加重平均戦略を1つの手法で Ø最近傍補間に漸近 重み係数の振る舞い (原点座標上の値の推定を例に) Ø単純平均に漸近
22. NOTE (1/2)：GPRとKrigingを比較してはいけない 22 Ordinary Kriging (加重平均出発) GPR (確率モデル出発) • 両者に精度差が出るとすれば、平均関数や共分散のモデリングの違いに起因 • (私見) GPRの方が機械学習領域との接点が整理されており、改善策の設計が楽 出発点：事前分布 予測点上の事後分布を更新 推定量 出発点：加重平均 以下を制約に重み係数を最適化 →不偏推定用 サンプルにGPと定常性を仮定すると、 (左)事後平均≡(右)最良線形不偏推定量 ※ここでは平均関数μは空間的に一定と仮定 (Ordinary Krigingに対応)
23. NOTE (2/2)：共分散とセミバリオグラムは同等の情報を提供可 23 セミバリオグラム：差の二乗の期待値 共分散：積の期待値 セミバリオグラムの利点 • サンプルの定数平均成分の影響を受けにくい (差分で相殺されるため) • 差の二乗の散布図から空間相関構造を視覚的に確認できる (セミバリオグラム雲) (ナゲット効果無視) • 2次定常性の下では両者は同等の二次統計情報を提供→
24. GPRにおける観測モデルに対する仮定 24 • 距離に対し単調減少する指数減衰 • エリア全体でパラメータ一定 • 等方性の距離減衰モデル • 送信座標固定 • 単一周波数 • フェージング平均化の影響 • 観測系由来の誤差の影響 • 測位結果が正確
25. GPRにおける観測モデルに対する仮定 25 以上の仮定と応用先における実際を意識すれば • GPRのフレームワークそのままにAP領域の知見の導入方針を立てやすい • GPRの得意/不得意がわかるため、自ずとシミュレーション型の役割も明確に • 距離に対し単調減少する指数減衰 • エリア全体でパラメータ一定 • 等方性の距離減衰モデル • 送信座標固定 • 単一周波数 • フェージング平均化の影響 • 観測系由来の誤差の影響 • 測位結果が正確 測定方法の影響 モデリング用関数の影響
26. 例1：セミバリオグラムの局所性 26 [Sato-PhD2018] K. Sato, “Measurement-based Spectrum Database for Spatial Spectrum Sharing,” Ph.D. Dissertation, March 2018. Area A Area B Evaluation Area Area B Area A All 熊谷市全体 -120 -60 [dBm] Relay Station 5km -120dBm -60dBm エリア全体の特性を少数の関数&特徴量で表現すると局所的に乖離 テレビ放送波 (521.14MHz)の車両高での平均受信電力@埼玉県熊谷市 [Sato-PhD2018] Ø10m四方で瞬時値を平均化、セミバリオグラムを検証 観測モデル
27. 例2：距離減衰特性の仮定と実際の差 27 [Sato-Access2019] K. Sato, K. Inage, and T. Fujii, "On the Performance of Neural Network Residual Kriging in Radio Environment Mapping," IEEE Access, vol. 7, no. 1, pp.94557-94568, 2019. 距離減衰除去の不完全さの影響 [Sato-Access2019] Øアンテナの指向性由来の異方性と仮定にズレが生じる場合の影響を評価 OLS: Ordinary Least Squares • 近傍：距離減衰のズレの影響大 • 遠方：距離減衰がフラットになるため影響小 観測モデル
28. 例3：生存バイアスの影響 28 [Sato-PIMRC2017] K. Sato, K. Inage, and T. Fujii, "Compensation of Survivorship Bias in Path Loss Modeling, " Proc. IEEE PIMRC 2017, October 2017. [Gustafson-WCL2015] C. Gustafson, T. Abbas, D. Bolin and F. Tufvesson, "Statistical Modeling and Estimation of Censored Pathloss Data," in IEEE Wireless Communications Letters, vol. 4, no. 5, pp. 569-572, Oct. 2015. 過大推定 低信頼 ここを捨てると外挿案件 • フェージング除去のため、受信電力 のグリッド平均を考える • 受信電力は信号復調に成功した場合 にのみ成り立つと仮定 Ø低SNR領域では平均を過大推定 • 低信頼領域を使用するとマップも過 大推定…一方で捨てると外挿案件 ØGPRは外挿が苦手 ※パケット長128bitのBPSK信号を2mごと1000回観測 (距離減衰+フェージング+シャドウイング) [Sato-PIMRC2017] 観測モデル
29. 例4：測位誤差の影響 29 [Sato-SR202601] 佐藤 他, "測位誤差に堅牢な予測アウテージ確率制約型電波マップ構築手法の設計," IEICE SR研究会, 2026年1月. [Sato-GCW2025] K. Sato, "Mitigating the Impact of Location Uncertainty on Radio Map-Based Predictive Rate Selection via Noisy-Input Gaussian Process," 2025 IEEE GLOBECOM Workshops, Taipei, Taiwan, Dec. 2025 電通大構内でのGNSS測位結果の軌跡例@屋外 1周波GNSS (Motorola, moto G24) 2周波GNSS (Motorola, edge 40 neo) 2周波GNSS w/ RTK測位 (ZED-F9R搭載モジュール) • 屋外の開けた環境でも高精度 モジュールと比較してメート ル単位でのギャップ • ここを無視するとマップの信 頼度低下 [Sato-SR202601] 観測モデル
30. 30 本講演の構成 • 第一部：背景と研究動向 • 第二部：電波マップ構築法の具体例とその弱みから見える課題設定の例 • 第三部：X-to-X Radio Mapフレームワークに向けて • 第二部では実測型の具体例と弱みから研究課題設定の勘所についてご紹介 • 第三部では、チャレンジングな課題設定として送信座標の一般化についてご紹介 ØAP領域の知見が活用できそうだが、一人では手に負えないため風呂敷を広げ ようという魂胆
31. X-to-X Radio Mapフレームワークに向けて 31 • 任意の送信位置に対する通信品質予測のアプリも重要 Ø車車間通信、分散MIMO、… • 送信座標を一般化した電波マップ構築フレームワークが組めないか？ 送信局 受信局 リンク j リンク i 送信局 受信局 Δd(i,j),Rx [m] Δd(i,j),Tx [m] 送信座標固定 送信座標一般化 送信局 受信局 リンク j リンク i 受信局 Δd(i,j),Rx [m]
32. X-to-X Radio Mapフレームワークに向けて 32 • 任意の送信位置に対する通信品質予測のアプリも重要 Ø車車間通信、分散MIMO、… • 送信座標を一般化した電波マップ構築フレームワークが組めないか？ 送信局 受信局 リンク j リンク i 送信局 受信局 Δd(i,j),Rx [m] Δd(i,j),Tx [m] 送受信位置が異なるリンク間の シャドウイング相関 [Wang-TVT2008] • 移動端末@Urban, UHFにおいて、 送受信者の総移動距離に対し指数減衰 W : シャドウイング値[dB] σ : シャドウイングの標準偏差[dB] dcor : 相関距離[m] [Wang-TVT2008] Z. Wang et al., IEEE Trans. Veh. Technol., vol. 57, no. 1, pp. 52–64, Jan. 2008. 送信座標一般化
33. X-to-X Radio Mapの構成例 [Sato-Access2019] 33 メインアイディア • カーネル関数を送受信者の移動距離の和に対し定義 • 観測結果の加重平均により任意のリンクの減衰量を推定 重み：大 重み：小 送信局 受信局 Δd(i,d),Rx Δd(i,d),Tx 推定 リンク 観測 リンク 送信/受信双方の移動距離の和の大小を参考に重み係数を設計 送信位置固定 分散環境の場合 [Sato-Access2019] K. Sato, K. Inage, and T. Fujii, "On the Performance of Neural Network Residual Kriging in Radio Environment Mapping," IEEE Access, vol. 7, no. 1, pp.94557-94568, 2019.
34. X-to-X Radio Mapの構成例 [Sato-Access2019] 通信結果の アップロード 瞬時受信電力の グリッドごとの平均化 パスロスモデリング シャドウイング成分の 抽出 セミバリオグラム モデリング 常クリギング 観測データ: ・送受信座標 ・受信信号電力 最小二乗法 (OLS) or ニューラルネット 送信位置 受信電力 セミバリオグラム Δd(i,d),Rx Δd(i,d),Tx +Δd(i,d),Rx 送信位置固定 分散環境
35. X-to-X Radio Mapの構成例 [Sato-Access2019] • IEEE 802.11p (5890MHz) を用いた移動観測によりデータセットを取得 • 学習用データセットを1024個ランダムに選択 • 別途ランダムに選択した100地点で精度評価を行ない、これを1000回試行 • Krigingにより、距離減衰推定以上の情報を推定できることを確認 • この場合線形回帰では不足する点も確認 (通信距離が短いため)
36. X-to-X Radio Map：その後… 36 • 分散MIMO環境で使えないか検討中 ØAP-UE間の通信ログから別のAP-UE or UE-UE間の無線環境を推定できないか • 個々のデータは瞬時フェージングの影響を受ける→共分散構造が埋もれがち • 各APが十分離れているため相関が見えづらい(ない？)→角度情報等重要か？ • そもそも3D座標で指数減衰モデルが成り立つか不明 Øシミュレーション型とのハイブリッドを視野に入れた設計が求められそう 観測データ (AP→UE) 推定対象となる無線環境 セミバリオグラム雲 ※Sionna RT, munich, 3.5GHzでのデータ取得例 AP: Access Point, UE: User Equipment
37. おわりに 37 • 電波マップ構築に関し Ø研究動向 Ø研究課題設定の例 を中心に述べた • 素朴に実装されたGPRやKrigingは精度こそ他の手法に譲るものの、仮定と実際 を比較すればAP領域からの展開における研究課題が見えやすい Ø構造物情報等、高次元の情報の絡め方も考えやすい • 例：構造物と深層学習による距離減衰推定 (e.g., RadioUNet) • 例：深層カーネル学習によるリンク間距離以外の特徴の活用 • 自分自身、AP領域の膨大な知見を組み込めているわけではなく課題はまだまだ あるだろうと実感 (今回のPMC6の題目を眺めただけでも) ØAP領域からの参入・フィードバック等お待ちしております Ø資料やデータ、知見は可能な限りオープンにします