Yuka Kato

近年，人・ロボットが共存する環境で動作する自律移動型サービスロボットに対する需要が高まっている．一般に，サービスロボットのナビゲーション手法をシミュレーションする際には，群衆モデルが利用される．しかし，群衆の動きは混雑度・空間形状・人属性・建物の種類等によって様々であり，あらゆる環境に適用できる一つの群衆モデルは存在していない．この問題を解決するために，我々は，群衆の動きを特徴づける要因を明らかにすることで，シミュレーション対象となる空間を複数クラスに分類し，環境に適した群衆モデルを選択する手法の研究を進めている．本稿では，その初期検討として，歩行者の移動軌跡のみを考慮した特徴量により，空間の特徴を時間帯により分類することが可能であることを示す．

自律移動ロボットの経路計画に関する研究では，実験環境として群衆シミュレーションが利用される場合が多い．ここでは，sim-to-real ギャップ等の問題により，環境に応じた適切なパラメータの設定や群衆モデルの選択をどのように行うかが課題となっている．これらの課題を解決するために，我々は，環境を複数クラスに分類し，クラスごとに適切な群衆モデルを設計する手法の研究を進めている．本稿では，手法構築における課題を抽出し，まとめる．さらに，環境に応じたシミュレーションモデル構築の一例として，ポテンシャル法を用いたシミュレータの構築例を示す．

我々はこれまで，群衆内を移動する自律移動ロボットのナビゲーション手法として，深層強化学習を含む複数の制御ポリシーを切り替えながら，安全性と効率性の双方を向上させる手法の研究を進めてきた．既存手法と比較し，通路のような狭い環境においても，衝突率等，安全性の指標が向上することを示してきたが，適用環境により結果にばらつきが生じる等，より詳細な分析が必要であるという課題が残った．本稿では，複数環境においてポリシー切り替え条件を変化させた実験を行うことで，環境の違いが性能に与える影響を明らかにする．さらに，環境ごとに利用されるポリシーの割合や，具体的な切り替え状況を調べることにより，環境ごとにどのようなポリシーを利用するべきかを考察する．

近年，サービスロボットなどの人間と同じ空間で活動するロボットへの期待が高まっている．人の近くで活動するロボットにとって，安全かつ社会的規範に適応した行動計画は重要な課題である．これに対し，深層学習を用いてエージェント間の相互作用をモデル化する手法が提案されており，群衆の中でのナビゲーションを成功させている．しかし，歩行者以外の障害物が存在しない広い空間を想定したものが多く，壁等がある環境を対象とした場合は成功率が低下する．また，センサデータを入力とし行動を直接出力する手法が提案されているが，歩行者とそれ以外の障害物を区別しないため歩行者にとって最善でない行動が生成される可能性がある．本稿では，歩行者が存在する屋内環境を対象に，歩行者予測位置を取り込んだローカルマップを用いた深層強化学習による局所的動作計画手法を提案する．ローカルマップは，センサによる観測データ，大域的経路計画によるゴールまでの経路，歩行者経路予測の情報を統合して生成され，安全かつ効率的な経路の生成に寄与する．

人・ロボット共存環境で動作する自律移動ロボットへの期待が高まっている．これらのロボットでは，安全かつ効率的な経路計画が重要な研究課題となっており，我々もこれまで，歩行者が存在する動的環境を対象に，強化学習を用いたナビゲーション手法の研究開発を進めてきた．ロボットを対象とした強化学習モデルの訓練には，高性能なシミュレータが用いられるのが一般的である．しかし，複雑な構造を持つリアルなシミュレータの開発は難しく，簡易なシミュレータで効率的に学習を進める手法の開発が望まれる．本稿では，強化学習に基づく自律移動ロボットナビゲーションを対象に，簡易なレイアウト環境を大量に用意することで，高精度な学習を実現するシミュレータを設計する．ここでは，歩行者モデルをシミュレータに組み込むことで，人と共存する環境に対応する．本稿では，シミュレータの設計結果を示す．

近年，人と共存する自律移動ロボットに対する期待が高まっている．これらサービスロボットには，安全性に配慮した動作が求められ，特に，歩行者が存在する動的環境下で行動する移動ロボットの場合，ロボット自身が歩行者を認識し，回避行動をとる必要がある．我々はこれまで，歩行者を回避しつつ効率的に目標位置に到達するロボットの行動を強化学習により獲得し，それを経路計画に利用する手法を提案してきた．ここでは，時間の経過と歩行経路への侵入に対して負の報酬を与えることで，安全性と効率性の双方を考慮した行動を学習させた．本稿では，提案したナビゲーション手法を小型車輪型ロボットに実装し，実機においても提案手法が有効に機能することを検証する．ここでは，学習機構と合わせて，センサーによる人物追従機能，環境地図作成機能，自己位置推定機能をロボットに実装し，評価実験を行う．

我々は反復一次元探索を用いた自動チューニングの研究に取り組んでおり，マルチGPU環境を用いた機械学習のプログラムのハイパーパラメータの最適化を進めている．機械学習は同一のハイパーパラメータを用いても毎回教師データが変わるなど同一の結果にならないため，自動チューニングの結果にブレが生じる．このブレに対して，これまで，我々は推定したパラメータに対して追加測定を行い自動チューニングの安定性を高める手法を提案してきた．本研究では，歩行者経路予測アプリケーションに用いる機械学習プログラムに適用しマルチGPU環境で推定したハイパーパラメータの値を並列化し複数回まとめて追加測定することによる，自動チューニングの精度向上について示す．

我々は複数のパラメータを同時に推定する手法として，パラメータ空間における反復一次元探索を提案している．この手法はパラメータの組み合わせを自動的に選択し，その実行性能を実測，さらに別の組み合わせの選択を繰り返すことで探索を行う．この提案手法を機械学習プログラムに適用する．機械学習には複数のハイパーパラメータが存在し，適切なハイパーパラメータの組み合わせを推定するには時間がかかる．本研究は歩行者経路予測アプリケーションに用いる機械学習のハイパーパラメータについて適切な組み合わせを推定し，マルチGPU環境を利用して実測処理を並列化することで，約15日かかる推定が約12時間で完了することを示す．

我々はこれまで，人物自動追従ロボットの追従精度向上を目的に，追従対象となる歩行者の未来の移動経路を機械学習アルゴリズムにより予測する手法の研究を進めてきた．ここでは，公開されているデータセットを用いて事前に予測器を構築しておくことにより，予測時にはロボット単体で経路予測を実現する手法を提案した．しかし，訓練データ集合の具体的な構成法は検討されておらず，選択するデータにより十分な精度が得られない場合があるという問題があった．本稿では，この問題を解決するために，対象となるデータ集合の性質を確率分布として表現し，分布間の距離を評価することにより，データセットから考察対象となるデータと類似したデータ集合を抽出する手法を提案する．具体的には，データ集合の性質を多次元ガウス分布として表現し，分布間の類似度をカルバック・ライブラー情報量（KL 情報量）を用いて比較することにより，データセットから考察対象となるデータと類似したデータ集合を抽出する手法を提案する．手法の有効性を検証するために，本稿では，機械学習アルゴリズムとして LSTM ベースの予測モデルを用いた評価実験を行う．その結果から，考察対象を基準とした KL 情報量により，データ集合内の歩行者の移動傾向の類似度を表現できること，およびこの値が小さいほど経路予測の精度が上がることを示す．

センサーデータやウェアラブルデバイスのデータなどから収集したデータは，単位の統一や外れ値や欠損値のを含んでおり，分析前の「前処理」が不可欠である．前処理には分析プロジェクトの 80%のリソースを費やしているというデータもあり，分析者に多大なインパクトを与えている．そのため，私たちは分析者の前処理における負荷を削減し，かつ既存手法と同程度以上の精度をもつ前処理の自動化する手法としてAPREP-S（Automated Pre-Processing for Sensor Data）を提案してきた．APREP-S は，Programming by Example アプローチとベイズ推論を用いている．ルールとして予め APREP-S 内に複数のデータ補完手法を定義しておき，ランク付けによりデータ補完箇所の特徴から最適なデータ補完手法を選択することにより，対象データの補完を行う手法である．しかしながら，従来の APREP-S は，1 つのデータ補完手法に対し 1 つのモデルしか生成できず，複数の周期が混在しているデータの補完精度に限界があった．そこで本稿では，APREP-S を拡張し，APREP-S 内で選択できるデータ補完手法に対し複数のデータ補完モデルを生成できる手法を提案する．評価では，走る・歩く・階段を上がる・階段を下がるの 4 つの動作の加速度データを使用し，平均二乗和誤差により APREP-S と既存のデータ補完手法の精度を比較した．結果として，APREP-S が有効な補完手法であることを示した．

サービスロボットの普及に伴い，家庭や職場，公共空間などで人と共存するロボットに対する期待が高まっている．我々はこれまで，そのようなサービスロボットの一種である人物自動追従ロボットを対象に，ターゲットとなる人の未来の経路を予測することで，人物追従の精度を向上させる手法に関する研究を進めてきた．ここでは，人の移動軌跡（位置座標の時系列）を系列データとみなし，機械学習モデルにより，入力系列から出力系列を予測する手法を提案してきた．しかし，個別の予測結果を見たときに，十分な精度が得られないという問題が残されていた．本稿では，この手法を拡張し，これまで人の位置座標から構成していた系列データを，速度ベクトルにより構成する系列データへと変更する．この変更により，追従ターゲットの移動傾向を予測モデルに取り組みことが可能になり，特定の追跡対象に対する経路予測の精度向上が期待できる．本稿では，人移動軌跡データセットを利用し，提案手法と位置座標を用いた手法の経路予測精度を比較する．その結果から，平均的な予測精度に大きな違いは無いものの，速度ベクトル系列を用いた手法の方が，特定ターゲットに対して真の軌跡と近い経路を予測できることを示す．また，位置座標と速度ベクトルの両方を考慮することで，群衆内における特定ターゲットの経路予測の精度が向上する可能性についても議論する．

近年，センサーデータやウェアラブルデバイスのデータなど，分析に利用可能なデータの量と種類が増えてきた．Industry 4.0 のようなスマートファクトリーも分析例のひとつである．収集データは単位の統一や外れ値や欠損値の対処などを含んでおり，分析前の「前処理」が不可欠である．この前処理は分析プロジェクトのリソースのうち 80% を費やしているというデータもあり，分析者に多大なインパクトを与えている．そのため，私たちは分析者の前処理における負荷を削減し，かつ既存手法と同程度以上の精度をもつ前処理の自動化する手法として APREP-S（Automated Pre-Processing for Sensor Data）を提案してきた．APREP-S は，Programming by Example アプローチとベイズ推論を用いて外れ値・欠損値を自動で補完する手法である．しかしながら，従来の APREP-Sは，初期モデル生成のためのトレーニングデータを分析者が生成する必要があった．そこで本稿では，APREP-S を拡張し，初期モデルのためのトレーニングデータ生成にクラスタリング手法を用いる手法を提案する．提案手法は補完精度の比較を，初期モデルのトレーニングデータ生成方法，既存のデータ補完手法，に関して行い，APREP-S が有効な補完手法であることを示した．

クラウドと IoT は，実用システムとして多くのところで使われている．しかし，クラウドと IoT の統合システム管理に関する研究は，IoT とクラウドの研究分野は，新規技術のイノベーションが少なく，まだ十分に行われていないことがわかっている．そのため，IoT の基幹となるセンサノードのデバイスやデータの質を管理して，プロダクション利用することに問題がある．この論文では，クラウドと IoT の統合システム管理のための新プラットフォームである論理センサクラウドを提案する．論理センサクラウドの論理センサから物理センサを仮想化した仮想センサによる高可用性と，センサデータの質を担保するためのデータ補完を提供する．また，統合システム管理では，センサノードから論理センサまでの統合的なライフサイクル管理を提供することによって，IoT アプリケーションを，実時間データを使ったプロダクションを利用できるようにする．

近年，人と共存するロボットに対する注目が高まっている．我々もこれまで，人物追従ロボットの追従精度向上を目的に，機械学習によりターゲットとなる歩行者の未来の経路を予測する手法の研究を進めてきた．ここでは，公開されているデータセットを用いて事前に予測器を構築しておくことで，ロボットに搭載されているセンサーのみで経路予測を行う手法を提案したが，予測精度に影響を与える要因については十分な分析が行えなかった．本稿では，訓練データ中の歩行者密度に着目し，実データを含む複数種類のデータセットを用意することで，歩行者密度が経路予測精度に与える影響を評価する．

近年，センサーやウェアラブルデバイスなどデータソースの種類の増加に伴い，分析に利用可能なデータの量が増えてきた．収集データを分析モデルに入力するためには，外れ値や欠損値の対処やセンサーの測定単位や表記の違いの統一など，分析者による「前処理」が必要である．しかしながら，分析者が前処理に費やす時間は分析フロー全体の80％と言われており，前処理は分析者の大きな負荷となっている．そのため，分析者の負荷を減らすための手法として，Programming by Exampleアプローチをベースとし，前処理で行われる処理のうち外れ値と欠損値をベイズ推論により自動補完する手法“APREP-S（Automated PRE-Processing for Sensor data）”を提案してきた．APREP-Sは，複数のデータ補完手法をあらかじめ定義しておくことにより，それぞれの手法の適正度を補完箇所ごとに出力する手法である．これまでの検証は補完対象箇所が1箇所ずつの点であることを前提とした方法となっていた．したがって本稿では補完対象が区間を対象としたエリア補完の場合を想定し，APREP-S内の補完手法に時系列解析の一般化加法モデルとLSTMを定義した．APREP-Sと既存手法の補完値の推測精度を比較し，区間のエリア補完に対してもAPREP-Sが有効であることを評価した．

本稿では，人物追従ロボットの追従精度向上のために，機械学習によりターゲットとなる歩行者の未来の移動経路を予測する手法を提案する．提案手法は，公開されているデータセットを用いて事前に予測器を構築しておくことにより，予測時にはロボット単体での経路予測を実現する点に特徴がある．ここでは，測域センサー単体で複数歩行者の移動軌跡を観測した上で，経路予測には，既存の系列データ予測手法であるLSTM（Long Short-Term Memory）ベースの手法を用いる．特に，人と人との相互作用をモデルに組み込んだ手法を用いることで，混雑した環境での経路予測を目指す．さらに，学習済予測器による予測の有効性を検証するために，2種類のデータセットから構築した予測器を用いた実験を行い，データセットの違いが予測結果に与える影響を評価する．

本論文は，情報処理学会マルチメディア通信と分散処理研究会の関連研究領域において，研究者は どのような研究論文を「良い」論文であると考えているのかについてアンケート調査を行い，その結果を 分析するものである.アンケートはシニア研究者を対象に実施し，通常の論文査読基準(新規性，有用性 等)だけでは測定できない研究論文の価値や，研究論文執筆において研究者が重要と考えている事項を抽 出する.さらに，分析結果を論文にまとめて公表することで，「研究・論文の価値」を，研究コミュニティ 内で共有することを目指す.本論文では，この分析を通して，「良さ」の尺度を具体的に定義するととも に，論文の良さは「多様」であり，「多義的」であることを示す.

サービスロボットの小型化・低価格化により，今後，ロボットは急速に人々の日常生活の場に入り込んでくると考えられる．特に，人に対してコミュニケーションや情報提供を行い，サポートするコミュニケーションロボットの普及は著しい．これらのロボットには，案内，受付，見守りなど，多岐にわたるサービスが期待されているが，より適切なコミュニケーションを実現するには，サービス対象となる人の状況推定，さらには未来の人の状況予測が必須である．講演者はこれまで，人・ロボット共存社会の実現を目指して，IoT 等の情報ネットワーク技術とロボティクスの融合に関する研究開発を推進してきた．本講演では，これら一連の研究を概観するとともに，近年講演者が取り組んでいる，コミュニケーションロボット応答制御のための経路予測に関する研究を紹介する．

近年，基幹システムで扱うデータだけではなく，センサーデータやウェアラブルデバイスのデータなど，分析に利用可能なデータの量と種類が増えてきた．しかしながら，収集データを分析モデルに入力するためには，分析前に「前処理」を行う必要がある．前処理は，単位の統一や外れ値や欠損値の対処などを行う必要があり，分析者に多大なインパクトを与えている．そのため，分析者の前処理における負荷を削減し，かつ同程度以上の精度をもつ前処理の自動化が望まれている．本稿では，前処理で行われる作業のうち外れ値・欠損値をベイズ推論を用いて自動で補完する手法を提案する．自動補完では対処しきれない手法の一部を変更するなどのカスタマイズ性を持たせるため，Programming by Exampleアプローチを採用し，人の知識を例としてモデルに入力することにより人の知識と機械学習を融合させる．提案手法と既存手法による自動補完の補完精度を比較し，提案手法が既存手法より，センサーデータの補完手法として有効であることを検証した．