| Project/Area Number |
23K25163
|
|---|
| Project/Area Number (Other) |
22H03909 (2022-2023)
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund (2024)
Single-year Grants (2022-2023) |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 90030:Cognitive science-related
|
|---|
| Research Institution | Hokkaido University |
|---|
Principal Investigator |
飯塚 博幸 北海道大学, 人間知・脳・AI研究教育センター, 准教授 (30396832)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 雅人 北海道大学, 情報科学研究院, 教授 (40292057)
鈴木 啓介 北海道大学, 人間知・脳・AI研究教育センター, 特任講師 (60516029)
野口 渉 北海道大学, 数理・データサイエンス教育研究センター, 特任助教 (60868082)
|
|---|
| Project Period (FY) |
2022-04-01 – 2026-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥16,510,000 (Direct Cost: ¥12,700,000、Indirect Cost: ¥3,810,000)
Fiscal Year 2025: ¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2024: ¥3,770,000 (Direct Cost: ¥2,900,000、Indirect Cost: ¥870,000)
Fiscal Year 2023: ¥4,290,000 (Direct Cost: ¥3,300,000、Indirect Cost: ¥990,000)
Fiscal Year 2022: ¥4,680,000 (Direct Cost: ¥3,600,000、Indirect Cost: ¥1,080,000)
|
|---|
| Keywords | 認知モデル / 深層学習 / 錯覚 / 構成論的アプローチ / ラバーハンド錯覚 / 予測学習 |
|---|
| Outline of Research at the Start |
本研究では，触覚，視覚，運動（深部感覚）の感覚統合を行う認知モデルを構築し，深層学習を用いた構成論的アプローチを行うことで，従来のアプローチでは迫ることのできなかった，環境との相互作用によって生じる学習経験から，錯覚が創発する原理を構成的に解明することを目的とする．人が環境と相互作用したときに生じる視覚，触覚，体性感覚等の高次元データを収集し，それを使って深層学習モデルに人が行っていると考えらえる感覚の予測学習をさせる．この時の学習条件を様々に変えることによって，錯覚の生起条件を明らかにして，学習経験による錯覚の機序を明らかにする．
|
| Outline of Annual Research Achievements |
令和5年度は、初年度に開発したボトムアップ処理を中心とする深層学習モデルを拡張し、重ね合わせ原理を用いた感覚統合を行うニューラルネットワークモデルを用いて、感覚入力のトップダウン的解釈を与える認知モデルを開発した。このモデルは、予測符号化理論に基づいており、感覚入力に対する予測と予測誤差の最小化を通じて、感覚情報の統合と解釈を行う。また、ラバーハンド錯覚のシミュレーションモデルを利用し、自分の身体領域を道具の先までに拡張するシミュレーションモデルを構築した。トップダウン的解釈を可能とする認知モデルにより、道具使用時の触感覚を道具不使用時の自分の身体の触感覚へと同等に重ね合わせることに成功した。
近接領域での手を用いた作業や振る舞いの経験が錯覚に与える影響を調べるため、実環境での、視覚、触覚、運動データの計測準備を進めた。協力者の頭部にカメラを固定し、作業時の画像を視覚データとして取得し、手にはデータグローブを装着し、触覚データと運動データを収集するこれらのデータは、初年度と2年目に行ったシミュレーションと同等の実環境データとして活用される。トップダウン的解釈を可能とする認知モデルとシミュレーション・物理環境において収集したデータを用いて、深層学習で実装した認知モデルを学習させた。ラバーハンド錯覚のシミュレーションにおいて、錯覚を再現することに部分的に成功しており、今後の更なる改善が期待される。
本研究の成果は、国際学会で発表し、高い評価を得ている。トップダウン的解釈を可能とする認知モデルの開発と、シミュレーションデータを用いた学習手法について、論文を執筆しており、国際学術誌に投稿する準備を行った。令和5年度の研究により、トップダウン的解釈を可能とするモデルの開発とそれらを用いた認知モデルの学習が進展した。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
申請書の研究計画に基づき、2年目の研究を進めた。初年度に開発したボトムアップ処理を中心とする深層学習モデルを拡張し、重ね合わせ原理を用いた感覚統合を行うニューラルネットワークモデルを提案した。このモデルは、感覚入力のトップダウン的解釈を与える認知モデルとして機能する。また、シミュレーション環境においては、ラバーハンド錯覚から道具使用を行うシミュレーションへと拡張した。さらに、実環境でのデータ収集の準備も進めている。以上より、研究はおおむね計画通りに進展していると言える。
|
| Strategy for Future Research Activity |
2年目の実施に引き続き、シミュレーション環境と実環境の両方において、人間とロボットの感覚運動データの収集を継続する。特に重点を置くのは、ラバーハンド錯覚および道具使用時の運動感覚データである。ラバーハンド錯覚は、ゴムの手に視線を注ぐことで起こる身体所有感の錯覚であり、この現象のデータ収集を精力的に行う。身体所有感の神経メカニズムを解明する上で、ラバーハンド錯覚は重要な手がかりとなるためである。
また、道具使用時には身体が道具によって拡張され、身体イメージが可塑的に変化すると考えられている。そのため、このような道具使用状況下における運動感覚データも収集対象である。さらに、腕を交差させた際に生じる時間順序の知覚反転現象も、身体イメージと時空間認識の関係性を示す貴重な事例であり、データ収集を行う。
収集したデータは、構築中の感覚統合深層学習モデルに入力される。このモデルは予測学習により、人間の認知処理と同様の感覚統合を実現することを目指している。学習完了後、ラバーハンド錯覚や腕交差実験における錯覚現象が生じる条件を設定し、モデル内に錯覚が再現されるかを明らかにする。そして、モデル内部の状態を詳細に解析することで、これらの錯覚がどのような条件の下で生じるのかを明らかにしていく。ラバーハンド錯覚は自己身体所有感に、腕交差実験は時空間的な知覚順序に関わる錯覚である。両錯覚の根底にあるのは視覚、触覚、身体性などさまざまな感覚モダリティーの統合メカニズムである。
本研究では、モデル内のボトムアップ的な感覚入力処理とトップダウン的な予測処理がどのように相互作用し、錯覚現象を引き起こしているのかについても考察を行う。そうした分析を通じて、人間の身体性と感覚統合のメカニズムの解明を目指す。
|
