|
今後の社会基盤に必須となる、IoT (Internet of Things) における高度な意思決定を可能とする意思決定技術を確立することを目的とし、脳科学の知見を用いる意思決定手法に関する研究を実施した。
脳の情報処理モデルの一つであるベイジアンアトラクターモデルは認識結果を表現するための隠れ変数の推定を行うものであり、観測情報を元に逐次的にこの状態変数を推定する。異なるセンシング機器間の認識結果を、この隠れ変数を用いて統合する手法の提案を行ってきた。また、観測情報に含まれる誤差情報を用いることで、どの程度各機器における情報が信頼できるかを表現可能であり、この信頼度に基づく重み付けが、事象の推定における精度向上に重要であることを確認した。
前年度までに、これまでに構築したモデルを元に、センシングを行う多種の機器が接続するネットワークシステムにおいて、観測結果に基づいて事象の推論を行うシナリオを想定し、その有効性を示した。センシング機器の得られる情報の不確実性が時間によって変化する状況において、内部の隠れ変数の分散の推定値が、推定結果の信頼性に関連することを示し、より信頼性の高い推定結果を重視することで最終的な推定結果が高い正解率を獲得できることを示した。
今年度は提案した手法の応用として、LiDARにより取得した点群から抽出した特徴量をもとにした物体認識タスクへの応用を実施した。深度カメラから取得した特徴量に基づく認識とのマルチモーダル統合では、双方の信頼度がある程度高いレンジにおいては、２つのモダリティにおける認識結果が異なる結果となったときに、一方を信頼することのリスクが存在することを示し、その課題を解決する手法へと拡張した。
|
