| 研究課題/領域番号 |
21K18680
|
|---|
| 研究種目 |
挑戦的研究(萌芽)
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
中区分18:材料力学、生産工学、設計工学およびその関連分野
|
|---|
| 研究機関 | 慶應義塾大学 |
|---|
研究代表者 |
竹村 研治郎 慶應義塾大学, 理工学部(矢上), 教授 (90348821)
|
|---|
| 研究期間 (年度) |
2021-07-09 – 2023-03-31
|
| 研究課題ステータス |
完了 (2022年度)
|
| 配分額 *注記 |
6,370千円 (直接経費: 4,900千円、間接経費: 1,470千円)
2022年度: 2,340千円 (直接経費: 1,800千円、間接経費: 540千円)
2021年度: 4,030千円 (直接経費: 3,100千円、間接経費: 930千円)
|
|---|
| キーワード | 触感センシング / 機械学習 / オートエンコーダ / 畳み込みニューラルネットワーク / ウェーブレット変換 / 触感 / 特徴量抽出 / 振動 / 触感知覚 / 特徴量 |
|---|
| 研究開始時の研究の概要 |
本研究では，オートエンコーダによる機械学習を用いて対象物を触察した際の振動データから触感の違いを表す特徴量を抽出し，ヒトが知覚する触感を精度よく計測する手法を確立することを目的とする．はじめに，触感センサによって対象物を触察した際の振動データを取得し，オートエンコーダによって振動データの違いを表す特徴量を抽出する．つぎに，対象物の官能評価実験を行い，線形多変量解析あるいは非線形なオートエンコーダによって官能評価結果を次元圧縮する．最後に振動データの違いを表す特徴量によって，官能評価結果の次元圧縮結果を説明する触感推定モデルを構築する．
|
| 研究成果の概要 |
触感センサを用いて触対象サンプルをなぞった際の振動情報を取得し，ディープオートエンコーダを使用して特徴量を抽出した．つぎに，官能評価実験によって被験者が同様のサンプルを触察した際の触感スコアを取得し，取得した特徴量と官能評価スコアを繋ぐ触感推定モデルを構築した．さらに，特徴量抽出法を発展させ，往復運動を含めて速度が変化する触察条件での振動計測を行い，ウェーブレット変換を導入して時間空間および周波数空間を同時に扱った上で畳み込みニューラルネットワークによって特徴量ベクトルを抽出した．７段階SD法による官能評価による平均値と１点以内の誤差で触感スコアを予測できることを示した．
|
| 研究成果の学術的意義や社会的意義 |
本研究では，機械学習を援用することにより，触感センサから得られた機械的データに適した特徴量の抽出が触感推定に有効であることを示した．これにより，多くの研究では見逃されていた振動データに内在した潜在的な特徴量を顕在化でき，触感研究を変革する可能性を秘めている．すなわち，1990年代から長く研究され，触感研究の根幹を成すにも関わらず，未だに確立されていない定量的触感計測を可能にする意義は大きい．また，社会実装が加速する機械学習の適用範囲拡大の挑戦としても意義深い．すなわち，本研究の成果は画像データに広くて適用される機械学習を触感データへの適用に拡張する可能性を示している．
|
