| 研究実績の概要 |
シミュレータを用いた物体認識のためのデータセット自動生成に取り組んだ．Sim2RealにおけるDomain Gapを埋めるために，フラクタル画像をテクスチャに用いる手法を提案した．現実データと合成データの性質を調べるために，多様性・類似度・複雑度・フラクタル次元を用いた．その結果，フラクタル画像をテクスチャに用いることで，現実データに近い性質を持つ合成データを生成することが可能であることを示した．
生成したデータはYOLOv7にて学習し，現実データと精度を比較した．提案手法による合成データは検出能力において非常に優れていることがわかった． 2週間かけて作成した現実データ6,000枚の精度を約1時間半で生成した10万枚の合成データの精度が約15ポイント上回っており，その有効性を確認した．また，フォトリアルスティックなシミュレータを用いた従来手法と比較しても２ポイント高い結果を示した．本手法は，幾何学的複雑性を持つフラクタル画像がSim2RealにおけるDomain Gapを最小化するために有効であることを示した．
また，これらの結果を用いて，家庭用サービスロボットへの応用を行った．具体的には，主要タスクであるPick-and-Placeのための物体認識および環境認識を行うためのデータセット生成に用いた．特に物体認識では，RoboCupやWorld Robot Summitといった競技会において高い認識精度を示し，数々の競技会優勝に貢献した．また，本手法は特許申請中である．
|
