The Channel as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting

愛知県⽴⼤学情報科学研究科神⾕幸宏研究室 † ⼩久保律樹‡ Rev. The Channel as
a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting I LAB PR 20F1 2 2020/10/27, 12/8 交通センサーとしての無線チャンネル: 無線フィンガープリントによる⾞両の検出と識別

2020/10/27, 12/8 The Channel as a Traffic Sensor: Vehicle Detection
and Classification Based on Radio Fingerprinting 1 ⽬次（Rev.2：2020/12/8）研究背景 ITS 本研究で取得を⽬指す情報求められる事本研究の概要⾞両の分類⾞両の分類とは？考案されてきた分類法本研究における分類法先⾏研究誘導ループ検出器 (ILDs) ⾞重センサ (WIM) Fiber Bragg Grating ⾳響信号, カメラ電波先⾏研究のまとめ本研究の貢献提案⼿法 A. ⽣体インピーダンスセンサ, MIセンサ p2 p11 p30 ⽬次まとめ参考⽂献付録 p1 実験実験環境⾞両の台数, 内訳結果：⾞両検出, ⾞速推定結果：クラス分類 SVMの特徴量の重要度の定義結果：特徴量の重要度の検討結果：通信路削減の検討結果：IoT⽤プロセッサ上での実⾏ p18 機器配置前処理パラメータ推定特徴抽出機械学習（概要） p39 p62 p65 p69

and Classification Based on Radio Fingerprinting 2 研究背景

and Classification Based on Radio Fingerprinting 3 I ntelligent Transport System ⾼度交通システム情報技術を活⽤し安全/快適な交通サービスを提供するための仕組み全般

and Classification Based on Radio Fingerprinting 4 交通の円滑化省⼒化⾼度道路交通システムは･･･安全性、輸送効率、快適性の⾶躍的向上を実現するとともに、渋滞の軽減等の交通の円滑化を通し環境保全に⼤きく寄与する･･･[2]。渋滞の緩和駐⾞料⾦の⾃動徴収

and Classification Based on Radio Fingerprinting 5 道路交通の未来 ‒ ⾼度交通システム（ITS） 1 交通の円滑化 2 省⼒化⾞種別専⽤レーンの切り替え Ex. ⼤型⾃動⾞が多くなってきたら⼤型⾃動⾞専⽤レーンを追加する道路使⽤の振り分け Ex. 混雑していない道を⽤いて⽬的地まで⾃動運転 / 空いている時間帯に出発するよう促す効果の⾼い道路敷設 Ex. データに基づいて渋滞を減らすのに最も効果のある箇所を特定し道路を敷設 2020/10/20 The Channel as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 専⽤料⾦の⾃動徴収 Ex. 駐⾞場⼊り⼝で⾞種を⾃動判別しそれに応じて料⾦を徴収する駐⾞スペース使⽤状況の把握 Ex. 空いている駐⾞場に確実に誘導 / 駐⾞場の使⽤状況に応じて駐⾞スペースの動的な追加・削減或いはダイナミックプライシングの実施 3 安全性向上逆⾛検知 Ex. ⾼速道路⼊⼝にて逆⾛⾞の侵⼊を検知したら即座に⾼速道路交通警察隊に通報し、事故のリスクを軽減

and Classification Based on Radio Fingerprinting 6 本研究で取得を⽬指す情報 1 通⾏した⾞両の数 • 9:31:05 '255 #1 乗⽤⾞ 42.1km/h • 9:31:05 '255 #2 バス 42.3km/h • 9:31:05 '255 #3 乗⽤⾞ 42.1km/h • LIVE #4 乗⽤⾞ 44.0km/h 2 通⾏した⾞両の種類 3 通⾏した⾞両の速度

and Classification Based on Radio Fingerprinting 7 求められる事 1 正確アプリケーションの信頼性向上 2 リアルタイム実現できるアプリケーションの幅を広げる 3 低コスト広範囲にわたる実運⽤の実現 4 プライバシー保護安定的に間違いの少ない⾞両検出, 識別が⾏えること気象条件, 設置箇所に依らないことどの程度の正確さを求めるのかはアプリケーションに依る現実の道路交通で想定される交通量があっても⼗分耐えうる素早さで⾞両検出, 識別を⾏い即座にデータを送信できることメモリ量, 計算速度の制限が厳しい IoT⽤低価格プロセッサ上で⼗分に動作すること既存の道路設備を⽣かし道路上でなるべくスペースを占有しないこと個別の⾞を特定するような情報をなるべく使わない：その為にそもそも得る情報を最⼩限にする

and Classification Based on Radio Fingerprinting 8 本研究による提案⼿法の概要電波を使った⾞両検出, 識別, 速度推定 1. 道路を挟んで通信端末を設置して通信路を道路をまたぐように作成 2. 通信路において⾞両が通過した際の電波の減衰状況を⽤いて⾞両の検出, 識別, 速度推定を⾏う

and Classification Based on Radio Fingerprinting 9 本研究による提案⼿法の概要 1 正確アプリケーションの信頼性向上 2 リアルタイム実現できるアプリケーションの幅を広げる 3 低コスト広範囲にわたる実運⽤の実現 4 プライバシー保護 1⾞線道路において 100[%] 93.83 [%] ⾞両検出精度⾞両識別精度 (7クラス分類) 220[ns] ⾞両識別速度 (7クラス分類) CPU 240Mhz, RAM 532kB 市販のIoT⽤低価格プロセッサを⽤いて実験既存設備に取り付け利⽤するのは電波の減衰情報のみプライバシー保護に有効

⾼度交通システム(IST), ⽤いたい尺度, 具体的なApp例⾞両検出・識別システムに⽤いられる要件提案システムの概要および利点筆者の想定するデータエコシステム 2020/10/27, 12/8 The Channel
as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 10 本論⽂の内容 Introduction Related Work Radio Fingerprinting-Based ･･･ Evaluation Methology Results 本資料の内容 1 2 先⾏研究における⾞両のクラス分けの考え⽅先⾏研究における⾞両検出, 識別の具体的な⽅法 3 通信ノード配置, 通信⽅法, 前処理⾞両検出, ⾞両識別（機械学習） 4 評価内容, 評価尺度 5 ⾞両検出精度, 進⾏⽅向検知の確認分類法毎の分類精度, 無線ノードの削減の検討市販プロセッサで実⾏した際の精度, 処理速度, 使⽤メモリ量の検討研究背景 1 ⾞両の分類 2 先⾏研究 3 提案⼿法 4 実験 5 調査不⾜半半 (10/27) (12/8)

and Classification Based on Radio Fingerprinting 11 ⾞両の分類

and Classification Based on Radio Fingerprinting 12 ⾞両の分類？本研究で取得を⽬的とする情報の⼀つ：⾞両の種類具体的にどう分類すれば良いか？どれくらいの数のクラス分けをするか？クラス分けの精度はどの程度要るのか？⾞両の⼤きさ？⾞両の重さ？⾞両の⻑さ？⾞両の軸数？ etc... これは使⽤を想定するアプリケーションに依る

and Classification Based on Radio Fingerprinting 13 クラス分類はアプリケーションの要請に依る Ex 交通量調査システム 031 002 • LIVE Ex 駐⾞場⾃動課⾦システム 02時間 0600円クラス数：⼤型, ⼩型（2つ）で⼗分⼤型：⾼さ2.0m以上, ⼩型：⾼さ2.0m未満分類精度：⼤まかでも良い道路を通る⾞の⼤まかな変化が捉えられれば道路の混雑度として⼗分に役⽴てられる。多少間違えても問題ない。クラス数：⼤型, ⼩型に加えて, 乗⽤か業務⽤, 軽量か重量（計8つ）⼤型：⾼さ2.0m以上, ⼩型：⾼さ2.0m未満重量：2.0t以上, 軽量：2.0t未満分類精度：ほぼ完璧を求める 1台1台のドライバーに確実に正確な料⾦を確実に請求できないとクレームになってしまい、システムとして有⽤でない。 1 4

and Classification Based on Radio Fingerprinting 14 考案されてきた分類法（1）- FHWAによる分類 [3] Fig. 3 "⾞軸"（Axle）主にに基づいた分類法（全12クラス） Federal HighWay Administration アメリカ連邦⾼速道路局による定義特徴細かすぎ？そんなにトレーラー来るか？

and Classification Based on Radio Fingerprinting 15 考案されてきた分類法（2）- ⽇本の道路運送⾞両法 [4] ⽇本の「道路輸送⾞両法」による定義特徴⾞⾼やエンジンの排気量などでかなり細かくきっちり分類が定義されている。税⾦などの計算の際に使われるものの為、曖昧無く定義されている。アプリケーション⽤としては細かすぎる？

and Classification Based on Radio Fingerprinting 16 考案されてきた分類法（3）- NorSIKT [5] Fig. 1 北欧の研究者による先⾏研究内での分類特徴カテゴリの粒度が5段階⽤意されていて数字が⼤きくなるほど細かくなっていく。ある粒度で分類できる分類器を作っておけばそれ以上の粒度については確実に分類できる。 Class Aa Class Ab Class Ba Class B ClassA アプリケーション⽤途で使いやすそうな印象？ただ現実的にはそれぞれが独⾃に定義

and Classification Based on Radio Fingerprinting 17 本研究における⾞両の分類 3種類の分類⽅法を定義し、それぞれ分類精度を評価形状分類 Body Style, Fine Grainde 乗⽤⾞トレーラー付乗⽤⾞バントラックトレーラー付トラックトラックトレーラーバス⼩サイズトラック系乗⽤⾞系中サイズ⼤サイズ 7クラス 2値分類 Binary 2クラス⼤きさ分類 Size-based 3クラス

and Classification Based on Radio Fingerprinting 18 先⾏研究

and Classification Based on Radio Fingerprinting 19 磁気センサ：誘導ループ検出器（ILDs） [6] Fig. 3 -1 出⼒コルピッツ型発振回路† インピーダンス周波数の発振⾞の通過影響 • 道路の下にコイルを仕込み、⾞が通過した際のコイルインピーダンスの変化を捉える[6]。 • 発信周波数に置き換えて検知[6]。⽣体インピーダンスを捉えるMIセンサとほぼ同様の原理。 • 検出にも識別にも⽤いられる[7]。 † 回路の原理は付録を参照（前期輪講資料を抜粋）⽋点 • 道路をひっぺがさなくてはならないので設置が⾯倒でコストがかかる[1]。 • 道路が混雑していると精度が下がる[1]。

and Classification Based on Radio Fingerprinting 20 ⾞重センサ（Weigh in Motion, WIM）道路の下に圧⼒センサを仕込み、⾞両が通過した際に⾞重により圧⼒がかかったのを検知することで⾞両の存在を検知する。⽋点 • 道路をひっぺがさなくてはならないので設置が⾯倒でコストがかかる[1]。 • 重量による分類以外では分類精度が悪いと思われる。利点 • ⾞両の通過はほぼ確実に検知できる。 • 新たな⾞両検知⼿法を開発する際の信頼できる基準（Ground Truth）としてよく⽤いられる[1]。 [8]

and Classification Based on Radio Fingerprinting 21 歪みセンサ：Fiber Bragg Grating - 概要[9-13] 光ファイバを⽤いたひずみセンサ光ファイバグレーティング (回折格⼦) ⼊射光通過光波⻑波⻑反射光反射光⼊射光波⻑波⻑通過光通過光上記のような⼀定間隔で回折格⼦を設けた光ファイバを⽤いる事で光ファイバの伸縮（歪み†）を反射光に含まれる波⻑の変化として捉える事が出来る。 † 温度センサとしても⽤いられる。これは光ファイバが熱によって伸縮するためである。ブラッグ波⻑反射光伸びるシフト略：FBG

and Classification Based on Radio Fingerprinting 22 歪みセンサ：FIber Bragg Grating ‒ 回折格⼦の原理[9-13] 反射光波⻑波⻑通過光回折格⼦の間隔 Λ コアの実効屈折率 $ ブラッグ波⻑ % ! = 2" % Λ 2 1 1 反射光の波⻑は回折格⼦の間隔に⽐例 3 2 1 ･･････波⻑が回折格⼦の間隔の合致各回折格⼦の反射波が合成されるとその波⻑の波は増幅 2 反射光の波⻑はコアの屈折率に⽐例 ! =1.0 反射 ! =1.1 屈折率：真空に対するその素材の中での光速の⽐光が進まなければいけない距離の⽐これが変わると位相の合う波⻑が変わる

and Classification Based on Radio Fingerprinting 23 歪みセンサ：Fiber Bragg Grating ‒ 利点, 実際の使われ⽅⽋点利点 • 1本の光ファイバーで複数箇所の歪み計測が可能コストは安く抑えられるかも（道路をひっぺがさなくてはならないが、ほんの⼀部で済む。）波⻑波⻑ A B C B C 通常時のブラッグ波⻑をずらす†ことで多重化が可能[10] • 実際の道路で歪み具合をしっかり計測できるか不明。（実際の道路で試したという⽂献はなかった） [11] Fig.6 アルミを敷いた道路で計測 Breiman: SVMを⽤いた3クラス分類で98.5%[1] 先⾏研究 1 2 † ⼀定間隔のパルスを射出し、反射波を観測した時刻の違いを利⽤して多重化を⾏う⽅式もある橋梁の歪み検知、鉄道の線路の歪み検知[10] Ex

and Classification Based on Radio Fingerprinting 24 ⾳響信号マイクを設置して⾞が通過する際の⾳を⽤いて⾞両検出/識別⽋点利点設置は簡単 • 環境⾳などのノイズの影響を避けるのが⾮常に難しい • ⾞の⾛る⾳以外も普通に⼊ってくる • フィルタリング等を駆使して⼯夫しなければいけない先⾏研究 • Wonら：マイク単体で73.42% • Sliwa：マイク単体では66%、カメラとの組み合わせで92.67% ⾳響情報だけでは⾞両識別は厳しい。

and Classification Based on Radio Fingerprinting 25 カメラカメラを設置して通過する⾞を撮影し、画像を⽤いて⾞両検出/識別⽋点利点 • 設置は簡単 • 精度が⾮常に⾼い • ⾞種どころか⾞のメーカー, モデルまで特定可能 • 必要の無い情報まで取り込んでしまいプライバシーの懸念がある • 時刻や天気によって精度が変わってしまう • 6クラス分類で昼間：95.7% → 夜間：88.8% • カメラの設置の仕⽅によっては混雑時に正確に識別できないこともある† † これについては無⼈航空機で上空から撮影してしまって解決するという試みもある

and Classification Based on Radio Fingerprinting 26 電波電波を発する機器を設置し、電波の減衰具合などを⽤いて⾞両検出/識別⽋点利点 • 設置は簡単 • 道路の混雑状況や時刻、気象の影響を受けない • ちょうど同じ周波数帯の電波を発してしまいさえすれば妨害ができてしまう。先⾏研究 Wifi / Bluetooth / LTEの通信端末を⽤いた研究事例があるまた通信⽤ではなく、レーダを⽤いた研究もある。 • Wang：LTEを⽤いて3クラスで92.6%

and Classification Based on Radio Fingerprinting 27 その他 GPSの履歴から⾞両識別地球磁場の歪み https://arxiv.org/pdf/1910.04656.pdf 振動センサを道路に埋め込み

and Classification Based on Radio Fingerprinting 28 磁気加速度カメラ無線⾳古典簡単設置光気温天気⾳⾞速混雑他設置が難しい単体では精度が悪いコストがかかる気象などの影響を受けやすいプライバシーの懸念先⾏研究のまとめ†‡ → 先⾏研究に対して本研究の貢献は？ † 精度の付いてはクラス数が各研究で異なるので参考程度に。 ‡❶❷❸の記号の意味は論⽂[1]を参照のこと。カテゴリシステム検出識別ｸﾗｽ数 [1] Table. 1 悪い良い脆弱でない脆弱環境の変化に強く精度が⾼い環境の変化に強く精度が⾼い精度脆弱

and Classification Based on Radio Fingerprinting 29 先⾏研究に対する本研究の貢献 1 複数の通信ノードを⽤いて複数の通信路を構成するシステムを⾞両検出・⾞両識別に⽤いる事を提案したこと。 2 SVMやランダムフォレストといったよく知られた機械学習⼿法に加えてProximity ForestやDeep Boltzmann Treeといった最新の機械学習⼿法を⽤いた場合の分類精度を提⽰したこと。 3 市販のIoT⽤低価格プロセッサを⽤いて実際にシステムを構成して実験を⾏い、使⽤メモリ量や実効時間、分類精度の⽐較を⾏ったこと。 ★ 通信ノードを複数使うと精度は上がるのか、どのように通信ノードを配置すると良いかまで検討を⾏っている ★ 先⾏研究において市販のIoT⽤プロセッサを⽤いて実験を⾏っているのはほんの僅か

and Classification Based on Radio Fingerprinting 30 提案⼿法

and Classification Based on Radio Fingerprinting 31 機器配置送信ノード受信ノード（受信信号電⼒）を報告マスター RSSI RSSI #1-9 ⾞速⾞両の種類特徴量⾞両⻑機械学習常にダミーデータを送信マスターでデータ処理 6個通信ノードを利⽤ (送信：3 受信：3) 9本通信路を構成 1 2 3 4 5 6 7 8 9 ラベル付け⽤に映像も記録 = 処理 (次スライド) 外部通信 App

and Classification Based on Radio Fingerprinting 32 処理の概要･･････ RSSIフィルタ済み信号 #9 RSSIフィルタ済み信号 #1 RSSI⽣信号 #9 RSSI⽣信号 #1 ⾞両の存在⾞両の速度, (⽅向) ⾞両の⻑さ特徴量 #1 特徴量 #9 ⾞両の種類⼀定時刻の時系列のRSSI 特徴抽出前処理パラメータ推定機械学習クラス推定 A C B D

and Classification Based on Radio Fingerprinting 33 A. 前処理 1 初期化の段階で待機状態のレベルに標準化される。詳細不明 In an initial step, all signals are norma- lized to their idle level & φ" p.7396 右カラム l.33-34 ⾞が通っていない状態でも通信路毎に電⼒が異なるはずなので、それを揃えているという意味だと思われる。正規化後正規化後移動平均適⽤後 1 2 2 ごく短い時間のRSSIの変動ではなく⼤局的な変化を⾒るために移動平均を適⽤ [1] Fig. 5 Φ! # Φ!

and Classification Based on Radio Fingerprinting 34 B. パラメータ推定 ‒ ⾞両通過の検出（1）基本的な考え⽅⾞両が通過するとRSSI（受信信号電⼒）が減衰する⾮減衰状態減衰状態 RSSIが減衰しているのかいないのかを時刻毎に判別 RSSI 時刻⾮減衰減衰⾮減衰減衰開始時刻 start() 減衰終了時刻 end() 減衰開始判定条件を満たした減衰終了判定条件を満たした / Φ! この遷移が1セット発⽣ → ⾞両を検出

⾮減衰 2020/10/27, 12/8 The Channel as a Traffic Sensor: Vehicle
Detection and Classification Based on Radio Fingerprinting 35 B. パラメータ推定 ‒ ⾞両通過の検出（2） / Φ! RSSI 時刻⾮減衰減衰⾮減衰 − −ℎ start() Θstart 減衰開始判定条件 , Φ( − < Θstart ⟹ start = − − ℎ 時刻減衰終了判定条件 , Φ( − > Θend ⟹ end = − 減衰 / Φ! RSSI ⾮減衰減衰⾮減衰 − end() Θend Θguard 1 < )*+ ,-. , Φ( − > Θguard ∧

and Classification Based on Radio Fingerprinting 36 B. パラメータ推移 ‒ ⾞両の速度と⻑さ Φ" Φ# Φ$ (1, 5) (1, 9) (5, 9) ノード間の距離を⽤いて⾞両の速度と⻑さを推定できる E = 1 3 (1, 5) Δ(1, 5) + (1, 5) Δ(1, 5) + (1, 5) Δ(1, 5) (, ) ：通信路Φ# とΦ$ の距離 ∆(, ) Φ# を通過してからΦ$ を通過するまでにかかった時刻：start − start() L = 1 3 1 + 5 + (9) O E () Φ# の減衰継続時間：end − start() Φ# の通過にかかった時間 start() end() Φ! 速度⻑さ進⾏⽅向： 0 の正負

and Classification Based on Radio Fingerprinting 37 C. 特徴抽出 RSSI信号から機械学習に⽤いる特徴を抽出正規化ﾌｨﾙﾀ済みRSSI 時刻減衰 / Φ! 度数割合 † / Φ! >0.95 0.85- 0.95 0.75- 0.85 0.65- 0.75 <0.55 0.55- 0.65 最⼩値平均値標準偏差減衰継続時刻 end() start() 各通信路% 〜& の減衰中のRSSI信号からそれぞれ推定した⾞両の速度、⻑さの2個特徴として⽤いる • 減衰中の信号の平均値、標準偏差、最⼩値 • 6個のbinでヒストグラムを作ったときの度数の計10個×9（通信路）を特徴として利⽤特徴計 92 個 †度数の合計に対しその binの度数が占める割合

and Classification Based on Radio Fingerprinting 38 D. 機械学習･･･詳しい説明は省略します; 参考⽂献参照 92個の特徴を⽤いて次のような機械学習⼿法を適⽤しクラス分類を実施サポートベクトルマシン (SVM) ランダムフォレスト (RF) Deep Boltamann Tree (DBT; 深層ボルツマン⽊†) Proximity Forest (PF; 類似決定フォレスト†) † 独⾃翻訳各データとの距離が最⼤となるような超平⾯を⾒つける⽅法。超平⾯を境にして2クラスに分ける[14]。多クラスの場合は例えば「1クラス対その他のクラス」で分けると考えて適⽤していく[15]。変数1つに注⽬してクラスを2 つに分割していく決定⽊をいくつか作りそれによる分類の多数決を取る[17-18]。決定⽊の構成アルゴリズムはCARTを利⽤。(ジニ関数で評価[20]) 各⽊が使う特徴量は異なるようにしておく。(多様性の確保, 過学習の防⽌)[17-18] NNの1種で深層学習⼿法の⼀つである深層ボルツマンマシンを発展させたもので、ハイパーパラメータの調整を不要にするというメリットがある[24]。ボルツマンマシンは統計的機械学習⼿法の⼀つで、⼊⼒と出⼒の⼀意的な関係ではなくデータの確率的な⽣成規則を学習する [21-23]。ランダムフォレストのようなアルゴリズムだが、⽊におけるノードの分割を特徴値の値ではなく、時系列での"類似度"で分割する[25]。計算量が減って⾼速になり精度も向上するとのこと [25]。調査不⾜調査不⾜

and Classification Based on Radio Fingerprinting 39 実験

and Classification Based on Radio Fingerprinting 40 実験環境, パラメータ設定ドイツの 1⾞線の⾼速道路場所道路の幅：7m ノードの設置間隔：5m 移動平均の窓サイズ：10サンプル：10サンプル ℎ：5サンプル Θstart：0.92 Θend：0.975 Θguard：0.95

乗⽤⾞系; 1920 トラック系; 685 2020/10/27, 12/8 The Channel as a
Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 41 ⾞両台⾞両数 2605 カメラ画像を⽤いてラベル付け⼩サイズ; 1699 中サイズ; 304 ⼤サイズ; 602 乗⽤⾞; 1699 トレーラー付乗⽤⾞; 15 バン; 206 トラック; 83 トレーラー付トラック; 50 トレーラートラック; 547 バス; 5 形状分類 Body Style, Fine Grainde 2値分類 Binary ⼤きさ分類 Size-based

5-2. ⾞両検知, ⾞速, ⾞種分類精度 2020/10/27, 12/8 The Channel as a
Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 42

and Classification Based on Radio Fingerprinting 43 ⾞両と⾞速全⾞両を検知⾞両検知率 100[%] 提案⼿法そのままノード配置を仮想的に逆にした時合計⾞両数⾞両台数⾞速 [km/h] 全ての誤った⽅向に進むドライバーを検知⾞両台数についてはカメラ画像から確認しているが⾞速については確認していない; 上記はあくまでも提案⼿法による推定速度の分布 ※ ' のみ91% 最も⻑い通信路

and Classification Based on Radio Fingerprinting 44 クラス分類精度機械学習⼿法, 分類法 2値サイズ (3クラス) 形状 (7クラス) 分類精度 [%] 99 [%] 駐⾞場など課⾦があるシステムで必要な精度 SVM：2値分類, 形状による分類で最も精度が良くサイズによる分類でも精度が良い。評価⽅法：10分割交差検証 (訓練データ 90%, 検証データ 10%) SVM：2値分類で上回る最⼩値 Q1 Q2 Q3 ＊最⼤値平均値

and Classification Based on Radio Fingerprinting 45 結論：SVMが最も良い⾮線形変換も試したが、予備実験の結果†から L2ノルム正規化SVM（L2-SVM, ソフトマージン‡＊）を採⽤ † 論⽂に⾮掲載のため, 詳細不明 ‡ ハイパーパラメータは不明＊L1-SVMでもL2-SVMでもあまり違いは無いとの報告もある

and Classification Based on Radio Fingerprinting 46 RFとDBTについて機械学習⼿法, 分類法 2値分類精度 [%] RF：ばらつきが⼤きい Due to the stochastic nature o f the RF construction, cross-va lidation standard errors exceed those of the deterministically t rained methods. For themore c omplex taxonomies, the overal l accuracy decreases for all mo dels. p.7401 左カラム l.30-34 ランダムに特徴を選択して⽊を構成するため、モデルを⽣成する度に精度がばらつく機械学習⼿法, 分類法形状 (7クラス) 分類精度 [%] DBT：精度が悪い the DBT is a full generative m odel of the data for which the l earning capabilities go beyond the scope of sole classification. That is, DBTs are able to esti mate the probability measur e that underlies the given dat a set. Based on this informatio n and the derived statistical pr operties, new virtual data poin ts can be generated, e.g., for b eing exploited in a future ext ension of the simulation setu p. p.7401 左カラム l.36-43 DBTは確率規則を学習するので⾃分で学習データを⽣成できるかも？

and Classification Based on Radio Fingerprinting 47 全体的な分類精度形状分類 Body Style 2値分類 Binary ⼤きさ分類 Size-based 推定実際推定実際

and Classification Based on Radio Fingerprinting 48 全体的な分類精度形状分類 Body Style 2値分類 Binary ⼤きさ分類 Size-based 推定実際推定実際トラック系を乗⽤⾞系と間違えがち MサイズをSサイズと間違えがち巨⼤なトラックの語識別率が多い巨⼤なトラックの語識別率が多いトレーラー付トラックと⼀度も識別されていない

5-3. 特徴の重要度の検討 2020/10/27, 12/8 The Channel as a Traffic Sensor:
Vehicle Detection and Classification Based on Radio Fingerprinting 49

and Classification Based on Radio Fingerprinting 50 処理の概要･･････ RSSIフィルタ済み信号 #9 RSSIフィルタ済み信号 #1 RSSI⽣信号 #9 RSSI⽣信号 #1 ⾞両の存在⾞両の速度, (⽅向) ⾞両の⻑さ特徴量 #1 特徴量 #9 ⾞両の種類⼀定時刻の時系列のRSSI 特徴抽出前処理パラメータ推定機械学習クラス推定 A C B D どの特徴が重要なのか？

and Classification Based on Radio Fingerprinting 51 SVMの重みに対しての著者の⾒⽅ % ( ) + = 0 = [% (] = [% (] ) + > 1 ) + < −1 ) + = 0 -1 +1 ) + % % ( ( 重みの⽅向（正負）：その⽅向への分類に働いている重みの⼤きさ（絶対値）：その⽅向への分類への働きの⼤きさクラスB クラスA クラスA クラスB クラスA # # クラスA # # クラスA $ $ 働き：⼤働き：⼩クラスAへの分類に寄与

and Classification Based on Radio Fingerprinting 52 SVMの重み重要度の定義 , = 1 Q #:+ # ,$ # ×1 -,."/0(2!) = % ⋯ & : 1 2 ⋯ → 特徴量をグループ分けして記号を定義・その集合の記号を定義：⾞速・⾞両⻑ # ：通信路#の10個の特徴特徴量のインデックスをその特徴が属するグループ分け（上記）に対応づける関数を定義特徴量グループ ∈ のクラスへの分類に対する重要度 (, ) 1 -,."/0(2!) ある特徴の重みがクラスの⽅向(正負)を向いているか # × ある特徴の重みのクラスへの寄与の⼤きさはどれくらいか Q #:+ # ,$ 特徴グループに含まれる全ての特徴について以下を総和 ∈ = Q #:+ # ,$ # 1 × 特徴グループに含まれる全ての特徴の重み付けの絶対値の総和で正規化全てのクラスの「特徴量の重要度」の合計が1になるようにする。 ∈ −1 +1

and Classification Based on Radio Fingerprinting 53 SVMの重み重要度の定義 ‒ 例 % = % ( ⋯ %4 % ( 5 6 7 8 ' 9 & %4 3 7 14 18 9 7 20 6 5 1 " ":$ " %&! " ×1 '(%)*+,(.") = 96 " ":$ " %&! " ×1 0(%)*+,(.") = 4 = Q #:+ # ,$ # = 100 % , −1 = 4 100 = 0.04 % , +1 = 96 100 = 0.96 クラスA クラスB

and Classification Based on Radio Fingerprinting 54 特徴の重要度の検討 ‒ 結果形状分類 Body Style 2値分類 Binary ⼤きさ分類 Size-based

and Classification Based on Radio Fingerprinting 55 特徴の重要度の検討 ‒ 結果形状分類 Body Style 2値分類 Binary ⼤きさ分類 Size-based 通信路毎の特徴量が分類に役⽴っている通信路毎の特徴量が分類にあまり役⽴っていない⾞速・⾞両⻑は最も分類に役⽴っている

5-4. 通信路の削減 2020/10/27, 12/8 The Channel as a Traffic Sensor:

and Classification Based on Radio Fingerprinting 57 通信路の削減の検討･･･ SVMの精度の⽐較精度はクラス分類法に⼤きく影響され、無線リンクの数はあなり影響しない。 9本は冗⻑であり、⾞速・進⾏⽅向の推定に必要な最低2本の通信路でも⼗分。

5-5. 市販のIoTプロセッサ上での動作評価 2020/10/27, 12/8 The Channel as a Traffic Sensor:

and Classification Based on Radio Fingerprinting 59 市販のIoT⽤プロセッサ上での性能評価市販のIoTプロセッサ上で動作を確認実⾏速度・メモリ消費量に対する精度を⽐較 MSP430 ATmega328 ESP32 機械学習の推論モデル（SVMの重み等）は事前に学習したものを使⽤プラットフォーム毎にC++コードをコンパイルしたバイナリを⽤意

and Classification Based on Radio Fingerprinting 60 市販のIoT⽤プロセッサ上での性能評価 ‒ 実⾏速度 SVMの実⾏速度：いずれも⼗分に速いとのこと。

メモリ使⽤量ツリーの数深メモリ不⾜メモリ不⾜ 2020/10/27, 12/8 The Channel as
a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 61 市販のIoT⽤プロセッサ上での性能評価 ‒ メモリと精度 SVM モデル（重み）は特徴量の次元数に依存：学習データの規模によらないランダムフォレスト学習データの規模に依存する：使えるメモリ量により精度が変わるランダムフォレストにおけるメモリ量（学習データの規模）と精度の関係を調査ツリーの数深 7クラス分類の精度メモリが不⾜しない範囲での最⼤精度 (Sweet Spot)： MSP430 ATmega328 ESP32 92.33 % 93.25 % 93.71 % [512B] [2kB] [532kB]

and Classification Based on Radio Fingerprinting 62

and Classification Based on Radio Fingerprinting 63 まとめ（1/2） 1. 背景⾼度交通システムの実現で利便性向上・安全性向上その為に･･･⾞両の数・種類の⾃動測定 2. 分類様々なアプリケーションへの応⽤を想定し 3種の分類法を筆者らが定義 3. 機器構成無線通信機を通信路が道路にまたがるように複数設置⾞両通⾏時の電波減衰を⽤いて⾞両検知、⾞種推定プライバシーセーフ天候や時刻の影響を受けない

and Classification Based on Radio Fingerprinting 64 まとめ（2/2） 4. 提案⼿法電波の減衰時刻から⾞の存在・⾞速・⾞両⻑を推定減衰中のRSSIのヒストグラムを特徴量として機械学習 5. 結果 SVM 93.83% 市販のプロセッサ上で動作評価 93.73% 220ns 7クラス分類, RF 実⾏速度, SVM ESP32 SVM 99%以上 1⾞線の⾼速道路で実験台⾞両数 2605

and Classification Based on Radio Fingerprinting 66 参考⽂献 [1] B. Sliwa, N. Piatkowski, C. Wietfeld, “The Channel as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting,” IEEE Internet of Things Journal, Vol.7, No.8, pp.7392-7406, 2020年. [2] 国⼟交通省道路局, “道路・交通・⾞両分野における情報化実施指針,” (WEBページ), https://www.mlit.go.jp/road /ITS/j-html/now/yosan/keikaku/page1.html [3] H. Rafai, N. Bitar, J. Schettler, O. A. Kalaa, “The Study of Vehicle Classification Equipment with Solutions to I mprove Accuracy in Oklahoma,” 2014年12⽉. [4] 国⼟交通省, “⾃動⾞の種類,” (電⼦書類), https://www. mlit.go.jp/common/001324210.pdf [5] V. Torgeir, “NorSIKT–Nordic System for Intelligent Cl assification of Traffic,” Procedia - Social and Behavioral Sciences, Vol.48, pp.1702-1712, 2012年12⽉. [6] H. Sulaiman, A. Mohd, O. Mohd, H. Mohamad, M. Sai d, M. Alice, “Wireless based Smart Parking System usi ng Zigbee,” International Journal of Engineering and Tec hnology, Vol.5, pp.3282-3300, 2013年8⽉. [7] “Induction loop,” Wikipedia, https://en.wikipedia.org/ wiki/Induction_loop [8] Visco India, “Bending Plate Weigh in Motion (WIM) Manufacturer,” (Webページ), 2019年4⽉, https://medium. com/@viscoscales/bending-plate-weigh-in-motion-320f4 a080073 [9] “FBG光ファイバセンシングシステム,” (WEBページ), 株式会社東京測器研究所, https://tml.jp/knowledge/specia l_ins/fiber_measurement.html [10] H. Y. Tam, S. Y. Liu, B. O. Guan, W. H. Chung, T. H. T. Chan, L. K. Cheng, “Fiber Bragg grating sensors for str uctural and railway applications,” Advanced Sensor Sy stems and Applications II, Vol.5634, pp.85-97, 2005年. ★おすすめ（分かりやすい, ⾯⽩い）

and Classification Based on Radio Fingerprinting 67 参考⽂献 [11] Y. Kivilcim, K. Damien, C. Karima, C. Christophe, “Im plementation of a Mobile Platform Based on Fiber Bra gg Grating Sensors for Automotive Traffic Monitorin g,” Sensors, Vol.20, No.6, 1567, 2020年. [12]★ "FBG Sensor Principle," (Webビデオ), 2017年3⽉, https://www.youtube.com/watch?v=gi1KDEvs8c4 [13]★ "Fiber Bragg grating," Wikipedia, https://en.wikipe dia.org/wiki/Fiber_Bragg_grating [14] 阿部重夫, "パターン認識のためのサポートベクトルマシン⼊⾨-I : 2クラスSVM," システム∕制御∕情報, Vol. 52, No.7, pp.245-250, 2008年. [15] 阿部重夫, "パターン認識のためのサポートベクトルマシン⼊⾨-II : 多クラスSVM," システム∕制御∕情報, V ol.52, No.9, pp.340-345, 2008年. [16]★ "決定⽊、分類⽊、回帰⽊の意味と具体例," (Web ページ), 具体例で学ぶ数学, 2008年4⽉, https://mathword s.net/ketteigi. [17]★ "ランダムフォレストの概要を⼤雑把に解説," (Web ページ), 具体例で学ぶ数学, 2018年12⽉, https://mathwor ds.net/randomforest. [18] "【機械学習】ランダムフォレストを理解する," (Web ページ), 2020年3⽉, https://qiita.com/Hawaii/items/5831e 667723b66b46fba. [19] "scikit-learn で決定⽊分析 (CART 法)," (Webページ), 2016年5⽉, https://pythondatascience.plavox.info/scikit-l earn/scikit-learn%E3%81%A7%E6%B1%BA%E5%A E%9A%E6%9C%A8%E5%88%86%E6%9E%90. [20] "AIを作る #1 【決定⽊ CARTアルゴリズム】【ゼロから実装・AI・機械学習】," (Webページ), https://tsux.m e/build_decision_tree/ [21] 安⽥宗樹, "ディープボルツマンマシン⼊⾨," ⼈⼯知能学会誌, Vol.28, No.3, pp.474-485, 2013年5⽉. [22] ⽚渕⼩夜, "ディープボルツマンマシン⼊⾨," (ゼミ発表資料), 2014年6⽉, https://www.slideshare.net/yomoya mareiji/ss-36093633. ★おすすめ（分かりやすい, ⾯⽩い）

and Classification Based on Radio Fingerprinting 68 参考⽂献 [23]★ 安⽥宗樹, "統計的機械学習理論とボルツマン機械学習," (⼝頭発表資料), 情報・データ科学との連携・融合による物性物理・量⼦化学の新展開, 2017年3⽉, https://ww w.r-ccs.riken.jp/labs/cms/workshop/20170322/. [24] P. Nico, "Hyper-Parameter-Free Generative Modell ing with Deep Boltzmann Trees," Machine Learning an d Knowledge Discovery in Databases, pp.415-431, 2020 年. [25] B. Lucas, A. Shifaz, C. Pelletier, L. O'Neill, N. Zaidi, B. Goethals, F. Petitjean, G. I. Webb, "Proximity Forest: An effective and scalable distance-based classifier for ti me series," (arXiv:1808.10594), 2018年, https://arxiv.org/ abs/1808.10594. [] ★おすすめ（分かりやすい, ⾯⽩い）

A. ⽣体インピーダンス, MIセンサ 2020/10/27, 12/8 The Channel as a Traffic
Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 70

and Classification Based on Radio Fingerprinting 71 ⽣体インピーダンス (Bioimpedance) Bioimpedance is about the electrical properties of your body[3]. “⽣体インピーダンスとは私たちの体の電気的特性のことを指します。体は多かれ少なかれ電気を通す [意図的に流す例] 脳からの命令を筋⾁に伝える[5] ⾎液は弱アルカリ性で電気を通しやすい[5] ⽪膚が完全な絶縁体じゃないので体に溜まった電気が⾦属の取っ⼿に逃げてバチっとくる体を構成する組織によって電気の流れやすさなどが違う[6](*1)(*2) ⽪膚脂肪肺筋⾁⼼臓⽣物の体は電気的抵抗の異なる複数の素材からなる巨⼤な導電体とみなすことができる (*1) 電気電動性は⽔分量と電解質量に⽐例し、細胞の形が円形に近いと電気伝導性が⾼くなる。[6] (*2) このことを利⽤して脂肪量などを推定する⽅法を⽣体電気インピーダンス法 (BIA法)という。[6]

and Classification Based on Radio Fingerprinting 72 ⽣体インピーダンスの変化とその計測脂肪肺筋⾁⽣体の活動 (例: 肺の動き) などにより⽣体インピーダンスの分布が変化する[1] ⽣体インピーダンスの異なる様々な部位電気の流れやすい部位ということは･･･⽣体インピーダンスの分布の変化を捉えれば⽣体の活動を計測できる！ A 実際に電気を流して流れやすさを調べる Impedance pneumography (IP) など ※電極を体に貼り付ける必要がある B 渦電流を発⽣させその際に⽣じる磁界 (*1)の変化を調べるそんな事が可能なのか？磁気インピーダンス効果の利⽤ (*1) アンペールの法則

1.0E-07 1.0E-05 1.0E-03 1.0E-01 1.0E+01 1.0E+03 2020/10/27, 12/8 The Channel
as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting 73 磁気インピーダンス効果 N S 外部磁場 (ex) コイルのインピーダンス () 影響 • 磁気インピーダンス効果：コイルに⾼周波電流やパルス電流を流した際に流れる電流が外部磁界により影響を受ける事[7][9][10]。 • 特定の磁性体（アモルファスなど）に⾒られる[7][9][10]。磁気インピーダンス効果の例[8] • 微⼩な磁場の変化がコイルのインピーダンスに⼤きな影響を与える。 • ⽣体インピーダンスの測定のほか、地磁気センサーとしても応⽤される[9]。 • ⼩型化・集積化も容易だが、⽣産コストが⾼い点が⽋点である[7]。⽇本では愛知製鋼がMI効果を活⽤した各種センサを製造[11]。愛知製鋼の電⼦コンパス MI 分解能 10nG 分解能は⼼臓磁気を優に下回る[7][12] [ガウス]

and Classification Based on Radio Fingerprinting 74 FlexPockにおける磁気インピーダンスセンサーの実現 1 2 3 ⽣体活動による⽣体インピーダンスの変化を磁気インピーダンス効果によりコイルのインピーダンス変化として捉える。 1 2 コイルのインピーダンス変化を発振回路の周波数変化に変換する。 3 周波数変化を記録し、各種処理を実⾏してメモリに保存する。 → この節で紹介します。 → この節で紹介します。 → 省略します。MIセンサの値の処理については⼈間⽤と⽝⽤で異なるようです。左記のブロック図は⼈間⽤[2]です。 [2] Fig. 3

and Classification Based on Radio Fingerprinting 75 FlexPockのMIセンサ(1) - ⽣体インピーダンスを捉える[1] コイルに⾼周波交流電流を流し磁界を発⽣させる。 1 電磁誘導により体の組織側で磁界を打ち消す⽅向に起電⼒が⽣じ、磁界が発⽣する。この時の磁界は体の活動により変化する。 2 磁気インピーダンス効果により発⽣した磁界がコイルのインピーダンスに影響を与える。 3

and Classification Based on Radio Fingerprinting 76 FlexPockのMIセンサ(2) ‒ ｲﾝﾋﾟｰﾀﾞﾝｽ変化を周波数変化へ⽅法：インピーダンス変化を発振回路の周波数決定部分として作⽤させる[2]。 -1 反転増幅電位0 出⼒ FlexPockのコルピッツ型発振回路の模式図特定の周波数の波を継続的に出⼒するコルピッツ型発振回路の構成要素[13] LC回路 (狭帯域バンドパスフィルタ) 1 コンデンサの分圧回路を⽤いて電位を取り出す 2 1 2 [2] Fig. 3 インピーダンス周波数の発振

and Classification Based on Radio Fingerprinting 77 発振回路の構成要素(1) ‒ LC回路バンドパスフィルタ -1 電位0 ⼊⼒X(s) 出⼒Y(s) ⼊⼒が⽩⾊雑⾳とする。この信号をs領域で考え、LC回路部分をシステムとみなす。 () = ()() ()：LC回路による影響 (伝達関数) コイル・コンデンサ・抵抗のインピーダンス/アドミタンスもs領域で表現[15]。システム H(s) ｲﾝﾋﾟｰﾀﾞﾝｽｱﾄﾞﾐﾀﾝｽ抵抗 1/ コイル 1/() コンデンサ 1/() 1 = 1 + = 1 + ( = 1 + ( これを利⽤してしたがって伝達関数の極配置は ( = −1 より = 1 = 0 + を代⼊して = 1 つまりコンデンサの容量Cを固定すれば, コイルのインダクタンスLにより通過周波数が変化するバンドパスフィルタと⾔える。 ※ [13]では普通にインピーダンスを合成して実際の数値例も出しています。そっちの⽅がわかりやすいかも。[15]で電⼦回路部品のs領域表現を⾒つけて⾯⽩そうだったので使ってみました。このように捉えると電⼦回路とデジタルフィルタの溝がかなり埋まる気がします。発振に関する係数c=0とし周波数領域にマッピング

and Classification Based on Radio Fingerprinting 78 発振回路の構成要素(2) ‒ コンデンサ分圧回路[13][14] -1 電位0 : = # ; = ? < = 0 % ( # ; = 1 ( 1 % + 1 ( # ; = 1 ( 1 % + 1 ( # = % % + ( # : ; = 0 < % ( # : = # ; = % % + ( # < = 0 % ( # : = # − % % + ( # = 1 − % % + ( # ; = 0 < = 0 − % % + ( # = − % % + ( # % ( # − % % + ( # 反転する

and Classification Based on Radio Fingerprinting 79 FlexPockのMIセンサ(2) ‒ ｲﾝﾋﾟｰﾀﾞﾝｽ変化を周波数変化へ⽅法：インピーダンス変化を発振回路の周波数決定部分として作⽤させる[2]。 -1 反転増幅電位0 出⼒ FlexPockのコルピッツ型発振回路の模式図コルピッツ型発振回路の構成要素[13] LC回路 (狭帯域バンドパスフィルタ) 1 コンデンサの分圧回路を⽤いて電位を取り出す 2 1 2 最初：回路で発⽣する雑⾳コイルのインピーダンス(インダクタンス)により決定される周波数の波が反転されて出⼒次第に特定周波数の波のみになる [2] Fig. 3

and Classification Based on Radio Fingerprinting 80 ©Ritsuki KOKUBO, rpaka ※ Fall G*ys とは関係ないですよ個⼈的にこのアイコンめちゃくちゃ気に⼊っているので、ちょこちょこ紛れこませていきたいと思います

The Channel as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting

The Channel as a Traffic Sensor: Vehicle Detection and Classification Based on Radio Fingerprinting

More Decks by rpaka

Featured

Transcript