センシング

　私たちの身の回りにはたくさんのセンサが存在している。例えば、あまり知られてないが多くの人が利用しているスマートフォンには、8種類ほどのセンサが搭載されている。それらのセンサを利用して様々な情報を取得し、その中から有用な情報をマイニングし活用する。 

　本研究の主目的は長時間の動態管理の実現である。加速度センサとジャイロセンサは歩行に関する動作だけでなく、日常の様々な行動から影響を受ける。このため、長時間のPDR測位を行うと、大きな誤差が生じる可能性がある。また、多くの電力を消費する問題もある。そこで、機械学習を用いて「歩行状態」「停止状態」「着席状態」の3つの状態に分類し、適切な補正をかけることで、長時間稼働可能なPDRの開発を目指す。


　慣性センサが搭載されているイヤラブルデバイスを用いることで頭部動作追跡が可能となっているが、3次元姿勢を追跡するにあたって、どうしても累積誤差が発生してしまう。実際に曲進を伴う実験を行った結果、曲進の発生によって、フィルタ毎に特徴的な誤差が発生することが明らかになった。本研究では曲進を検出し、特徴的に累積する誤差に対して、角度変化を調整することで頭部の水平方向の累積角度誤差を低減することを目指す。本研究はLINEヤフー株式会社、東京大学、東京工業大学との共同研究を行っている。


　機械学習の発展によって、多段の処理が必要であった従来のPDRに代わり、一つの深層学習モデルで位置を推定する PDRが提案されている。この深層学習PDRは加速度と角速度センサの値をモデルに入力すると、移動距離と進行方向を 出力して位置を推定する。しかし、従来手法は入力時系列の区切り方が機械的(時間単位または歩単位)であるため、人間 の歩行特性を活かせていないと私たちは考える。そこで、人の歩行と関連付けてセンサデータを歩より細かく区切り、 LSTM(長期的特徴と短期的特徴を学習可能)を使用して深層学習で学習することでこれまで抽出できなかった特徴を抽出し、位置推定精度を向上させることを目指している。



　PDRの精度向上のために用いられる機械学習は移動距離の推定、進行方向の正解データが必要となる。そこで本研究では、複数のLiDARを使用し骨格推定精度を向上させ、機械学習の教師データに利用できる正確な歩幅の計測手法を提案する。LiDARの点群データをもとに骨格を認識するとで、歩幅の推定が可能となる。しかし、単体のLiDARで収集した点群データからでは骨格推定の精度不良が発生する。そこで、各LiDARの精度不良を判定し,適切な座標を取得できているLiDARの組み合わせを選択する手法を提案する。今後は実験で得られた歩幅の精度が歩幅を推定する機械学習に十分であるかを検証し、必要であれば更に向上させることを目指す。