| 研究実績の概要 |
平成30年度は引き続き状況や文脈の理解に基づき,個人化学習に基づく適応支援生成について取り組んだ．
具体的には平成29年度に取り組んだ支援ロボットによるサービスの全履歴とその時その場で得られた場面状況の対情報からなる支援サービス経験履歴ビッグデータを蓄積可能なスケールアウト型のクラウドストレージをから,3D視覚情報など大容量のデータ,身体感覚情報の高周期情報に加え,環境の物体,地図,行動,反応等を信頼度を含んだ形で保持した高次の状況記述データを構築,蓄積する手法を確立した．特に，エピソード記憶に基づく状態記述と時系列データの関連付けによるデータの抽出手法と,遅延購読型通信を用いた蓄積データの自律選択手法により,システム全体の性能低下を防ぎ,従来の認識行動プログラムの記述変更が不要な長期経験の蓄積機構を提案し,蓄積される経験から環境に固有の知識を得るために,人・アイテム・スポットの間の各相互作用を分類し,それらの獲得機構を構築した．これは，環境に非依存な状況レベルの日常生活タスクを具体化するために必要な局所合理性を含む経験的知識であり，人,アイテム,スポットのそれぞれの相互作用に基づく状態変化を分類し,人のアイテムに対する長期的な関係性を表す嗜好モデル,人の特定のスポットに対する長期的な関係性を表す定位置操作モデル,アイテムとスポットの長期的な関係性を表す確率的物体配置地図モデルとして,各々の獲得手法について述べる.また実ロボットにシステムを搭載し,経験から学習的にこれらの知識を獲得可能なシステムとなっていることを示した．
|
| 現在までの達成度 (区分) |
現在までの達成度 (区分)
1: 当初の計画以上に進展している
理由
当初の計画では3D視覚情報など大容量のデータ,身体感覚情報の高周期情報,環境の物体,地図,行動,反応等を信頼度を含んだ形で保持した状況記述データを構築,蓄積する手法の研究を計画していたが，ロボットの行動シンボルを含むエピソード記憶と時系列データの関連付けにより，セマンティクスを含む長期経験の蓄積が可能であることを明らかにし，特に人・アイテム・スポットの間の各相互作用を分類することで，それぞれの関係性を示す嗜好モデル,定位置操作モデル,確率的物体配置地図モデルという新しい経験表現を提案することが出来た．
|
| 今後の研究の推進方策 |
平成31年度は，本研究で得られた人・アイテム・スポット間の関係性から得られた嗜好モデル,定位置操作モデル,確率的物体配置地図モデルを用いて，共有経験の個人化学習に基づく適応支援生成に取り組む。
特に，同一ロボットが別の環境で行った行動,異なるロボットが同一環境で行った行動,異なるロボットが異なる環境で行った行動の夫々に関して,視覚情報や身体感覚情報に加えて信頼度を含んだ高次の状況記述情報から,人の行動のセマンティック情報を抽出し経験履歴の蓄積から得られるサービス支援モデルを、その場、あるいはロボットに応じて具現化することで、個人・環境に適応したロボットのサービス支援行動を生成する手法の確立を目指す．
|
