センシングとは?
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、多くの人が利用しているスマートフォンやワイヤレスイヤホン、スマートウォッチなどのデバイスには、多様な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。(※太字はこの研究室で主に利用しているセンサ)
磁気外乱に強い深層学習PDR
本研究の主目的は屋内環境における正確な進行方向推定技術の開発である.ジャイロスコープは短期間において高い精度を持つが,長時間使用すると累積誤差が生じるという課題がある.一方,地磁気センサはジャイロスコープの累積誤差を補正するために利用されるが,屋内環境では鉄骨構造や電子機器などによる磁気外乱の影響を受けやすく,測定値が不安定になる問題がある.卒業研究では,直進中の地磁気データの分散を評価することで信頼できる瞬間を抽出する閾値ベースの較正手法を提案.現在は本手法を深層学習PDR (RoNIN) の処理と統合し,磁気外乱が強い環境下でのロバスト性向上を目指している.
頭部-身体動作に注目した購買行動の分析
実店舗における消費者行動を理解するには,購買結果だけでなく,商品を比較・探索する過程を把握することが重要である.しかし,実店舗では購買に至らなかった商品や比較行動を直接観測することが難しく,カメラやRFID,視線誘導デバイスを用いる手法では,プライバシーや導入コスト,運用面の制約がある.本研究では,AirPodsとiPhoneから取得可能なIMUデータを用いて,頭部-身体の動作データから基本動作ラベルを抽出し,その継続時間や遷移構造を時系列的に分析することで,探索行動に現れる高次の行動構造を導出する.その結果,特定対象に注意が集中する行動構造と,店舗内を回遊しながら広く探索する行動構造が観測され,IMUデータのみで実店舗の探索行動を捉えられる可能性が示された.
本研究はLINEヤフー株式会社,東京大学,東京科学大学との共同研究である.
PDR精度向上のための歩行分析
近年,機械学習の発展に伴い,従来の PDR(Pedestrian Dead Reckoning)で必要とされていた歩数推定,歩幅推定,進行方向推定などの多段処理を,深層学習モデルによって統合的に扱う手法が提案されている.深層学習 PDR の代表的手法である RoNIN は,加速度センサおよび角速度センサから得られる IMU 時系列を用いることで,端末の保持状態が変化する日常環境においても高精度な位置推定を可能としている.しかし,RoNIN は入力時系列を時間基準の固定長ウィンドウで分割するため,人間の歩行に含まれる一歩ごとの周期変動や歩容特性を十分に活用できていない可能性がある.本研究では,歩行イベントである踵接地に着目し,スマートフォンのIMUデータから踵接地確率を推定する1D-CNNベースの手法を提案する.さらに,推定された踵接地時刻に基づいて歩単位ウィンドウを生成することで,歩行周期に整合した入力系列の構築を目指した.自作歩行データセットを用いた評価の結果,提案手法は従来の極値ベース手法と比較して踵接地検出の F1 を 0.3934 から 0.5361 に改善し,特に見逃しの低減に有効であることを確認した.今後は,誤検出の抑制やデータセットの拡充を進め,RoNIN への統合評価を通じて,より高精度で頑健な位置推定手法の実現を目指す.
保持状態に依存しない階層移動認識
本研究では,スマートフォンを用いた屋内位置推定において,省電力かつ高精度な階層移動認識を実現するため,気圧センサのみを用いた行動認識手法を提案する.既存手法では,スマートフォンの保持状態(手持ち,ポケット,バッグ内など)によって気圧値に大きなノイズが発生し,階段移動と水平移動の誤認識が起きた.そこで本研究では,気圧データの時系列から分散,傾き,ゼロ交差数など複数の統計的特徴量を抽出し,Random Forestを用いて静止」「水平歩行」「階段上り」「階段下り」の4種類の行動を分類する手法を提案した.さらに,保持状態によるノイズを低減するため,移動平均によるスムージング処理を適用し,実環境下でも安定した気圧値補正を実現した.今後は,多人数・多環境での検証を進め,実運用環境に適した三次元位置推定システムへの応用を目指す.
本研究はMetCom株式会社との共同研究である.