| 研究課題/領域番号 |
22K12078
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分61010:知覚情報処理関連
|
|---|
| 研究機関 | 秋田県立大学 |
|---|
研究代表者 |
石井 雅樹 秋田県立大学, システム科学技術学部, 教授 (10390907)
|
|---|
| 研究期間 (年度) |
2022-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2023年度)
|
| 配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2025年度: 650千円 (直接経費: 500千円、間接経費: 150千円)
2024年度: 780千円 (直接経費: 600千円、間接経費: 180千円)
2023年度: 910千円 (直接経費: 700千円、間接経費: 210千円)
2022年度: 1,820千円 (直接経費: 1,400千円、間接経費: 420千円)
|
|---|
| キーワード | 物体認識 / アフォーダンス / インタラクション / 動作認識 / 深度センサー |
|---|
| 研究開始時の研究の概要 |
我々人間は，視覚から多くの情報を獲得し，個々の情報の「関連性」や自身の経験から総合的に物体や環境を認識・理解している．この関連性とは人・物体・環境間の「インタラクション」を意味している．本研究課題では，人間の動作をキーとし，環境中で物体が人に「どのように扱われたか」を認識することにより，対象物体の認識を実現する手法を確立する．
|
| 研究実績の概要 |
人間と共存するロボットには「人・物体・環境」を認識・理解する機能が必要であるが，従来研究では「人」「物体」「環境」のそれぞれについて，個別の認識・理解を主とした検討が行われてきた．一方，我々人間は，視覚から多くの情報を獲得し，個々の情報の「関連性」や自身の経験から総合的に物体や環境を認識・理解している．この関連性とは人・物体・環境間の「インタラクション」を意味している．
本研究課題では，人間の動作をキーとし，環境中で物体が人に「どのように扱われたか」を認識することにより，対象物体の認識を実現する手法を確立する．環境内で人間の行動をセンシングし，人間が関与した物体にその行動を“動的属性情報”として付与し，人間－物体間の関係性のモデル化を実現する．
当該年度は昨年度に引き続き，基礎検討として実験環境を固定した状態で，物体に対する人の動作認識手法（動的属性情報の抽出手法）について検討した．当初計画では，静的属性情報と動的属性情報の双方を学習データとして，人の動作と物体の形状間の相互関係を機械学習によりモデル化する手法について検討する予定であったが，当初検討していた静的属性情報の抽出手法について見直しを進めることとなったため，研究計画を見直し，一部の研究項目を次年度に実施する計画に変更した．次年度は，物体形状からアフォーダンスを抽出する手法について引き続き検討し，その後，静的属性情報と動的属性情報の双方を用いたモデル化手法について検討を加える予定である．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
2: おおむね順調に進展している
理由
当該年度の計画は，人－物体間の相互関係のモデル化手法の確立である．静的属性情報と動的属性情報の双方を学習データとして，人の動作と物体の形状間の相互関係を機械学習によりモデル化する．具体的には，どのような静的属性情報（形状）に対して，どのような動的属性情報（人間の動作）が誘発されるのかを機械学習によりモデル化する．
当該年度は昨年度に引き続き，基礎検討として実験環境を固定した状態で，物体に対する人の動作認識手法（動的属性情報の抽出手法）について検討した．その結果，実験で設定した基本的な動作については，機械学習により正しい認識が行われることを確認した．
当初計画で想定していた静的属性情報の抽出手法については見直しを進めることになったため，静的属性情報と動的属性情報の双方を用いた関係のモデル化については，一部の研究項目を次年度実施する計画へと変更した．次年度は，静的属性情報の抽出に係る「物体形状からアフォーダンスを抽出する手法」について引き続き検討し，その後，静的属性情報と動的属性情報の双方を用いたモデル化手法について検討を加える．
これまでの研究成果については，今年度，査読無しの雑誌論文1件，学会口頭発表1件として発表済みである．次年度も継続して積極的な成果発表を行う．
|
| 今後の研究の推進方策 |
令和6年度は，静的属性情報の抽出に係る「物体形状からアフォーダンスを抽出する手法」について引き続き検討を加える．また，静的属性情報と動的属性情報の双方を学習データとして，人の動作と物体の形状間の相互関係を機械学習によりモデル化する手法について検討を加える．具体的には，どのような静的属性情報（形状）に対して，どのような動的属性情報（人間の動作）が誘発されるのかを機械学習によりモデル化する．
最終年度となる令和7年度は，物体認識に係る追加的な知識獲得手法の確立を目指し，分類対象となるカテゴリの追加獲得手法について検討する．既存カテゴリに存在しない物体を認識した際，静的・動的属性を基にした新規カテゴリ生成を可能とする追加学習手法を実現する．従来研究において，研究代表者は対向伝播ネットワークと適応共鳴理論を併用することにより，上記の追加学習を可能とする適応学習モデルを確立している．このモデルはヒューマンマシンインタフェースの表情認識を対象としたモデルである．当該年度は，はじめに“既知の物体カテゴリ”を対象とし，上述の適応学習モデルを一般物体認識へ適用するための基礎的な検証を行い，有用性を明らかにする．次にその知見を踏まえ，“未知の物体カテゴリ”を対象とし，自己組織的に物体カテゴリ名を獲得可能な適応学習モデルを確立する．
|
