2013 Fiscal Year Annual Research Report
選択的不感化ニューラルネットによる関数近似とその応用
| Project/Area Number |
22300079
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
森田 昌彦 筑波大学, システム情報系, 教授 (00222349)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
田中 文英 東京大学, 情報理工学(系)研究科, 特任准教授 (50512787)
|
|---|
| Project Period (FY) |
2010-04-01 – 2014-03-31
|
| Keywords | 関数近似 / 筋電位 / 強化学習 |
|---|
| Research Abstract |
研研究代表者らが開発した選択的不感化ニューラルネット（SDNN）は，従来型ニューラルネットの大きな問題点を克服するだけでなく，冗長次元に対してロバストである，高い汎化能力と近似精度とを併せもつ，など既存の関数近似手法にはない非常に優れた性質を備える．
本研究の目的は，SDNNの更なる性能向上を図りつつ，その特性を生かした工学的応用の可能性を検討することである．特に，筋電信号を用いたインタフェースの開発，実空間におけるロボットの自律的行動学習，教育やコミュニケーション支援など，人間の支援や能力増幅を目指した幅広い応用研究を展開した．本年度の主な研究成果は以下の通りである．
1. 表面筋電位信号からの動作速度推定： 表面筋電位（EMG）信号から，腕などの動作の種類を識別する実用的な手法は既に開発されているが，動作の速さを直接推定する技術はこれまでなかった．本研究では，SDNNの関数近似能力を利用することによって，時間遅れなく動作速度を推定する実用的手法の開発に成功した．
2. 強化学習への応用： これまでの強化学習の手法，特にQ学習は，状態だけでなく行動次元も連続な場合には適用が困難であった．行動価値を表すSDNNの出力層の表現を工夫することによって，従来は適用できなかった課題にもQ学習が適用できるようになった．また，開発した手法の有効性を実験的に確かめた．
3. その他： SDNNは，人間の情報統合に関する対属性モデルに基づいているが，このモデルの妥当性を心理実験などにより示した．また，ロボットへの応用に関する研究を行い，子どもの教育支援に有効であることを示した．
|
| Current Status of Research Progress |
Reason
25年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
25年度が最終年度であるため、記入しない。
|
