| 研究課題/領域番号 |
25420430
|
|---|
| 研究種目 |
基盤研究(C)
|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
畑中 健志 東京工業大学, 理工学研究科, 助教 (10452012)
|
|---|
| 研究期間 (年度) |
2013-04-01 – 2016-03-31
|
| キーワード | 制御理論 / ゲーム理論 / 協調制御 / ビジュアルセンサネットワーク / 能動センシング |
|---|
| 研究概要 |
本申請課題は，通信・計算機能を有する複数カメラをネットワーク化することで構成されるビジュアルセンサネットワークを対象に，ゲーム理論的学習理論に基づいて，各カメラの位置・姿勢・ズームというパラメータを最適決定する分散協調型の能動センシング手法を提案することを目的とする．
本年度は環境モニタリング問題をポテンシャルゲームとして定式化する問題設定を着想し，解法として新規のゲーム理論的学習アルゴリズムを提 案した．また，その収束性の理論解析に成功した．次に，５台のパン・チルト・ズームカメラからなるビジュアルセンサネットワークシステムを実際に構築し，提案手法の有効性を検証した．さらに，weather monitoringの一部である雲のモニタリングに援用可能なアルゴリズムを提案し，室外実験を行った．以上の成果は52nd IEEE Conference on Decision and Controlに採録され，大きなインパクトを与えることに成功した．現在，提案アルゴリズムに改良を加えた論文を国際論文誌に投稿中である．
また，本課題に取り組む過程で，ビジュアルセンサネットワークによる環境モニタリング問題が，行列多様体上の最適化問題として統一的に記述できることを発見し，その解法を新規に提案し，上記実験システムを用いて検証を行った．ただし，ここで提案した手法は人間行動などの早い運動にも適用可能であることから，モニタリングすべき対象を，自然環境から人間集団へと変更した．本結果は2014 American Control Conferenceに投稿し，このほど採録が決定した．また，本理論の拡張版を国内外の論文誌に投稿準備中である．
最後に，当初は本年度に予定していた対象物の運動推定問題に関しても，機械学習分野の手法であるL1正則化手法に基づく問題の定式化を着想 した．
|
| 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
当初は初年度にあたるH25年度に対象物の運動推定問題に取り組み，本年度は環境モニタリングに取り組む予定としていたが，始めに環境モニタリングに関するアイデアの着想に成功したため，当初の順番を変更した．その結果，当初初年度に予定していた課題が終了していないという点で,（２）としたが，３年間を通した視点に立てば，以下の点で計画以上に進展していると考えられる．(i)当該分野における最難関の国際会議に論 文が既に２件採録された点，(ii) 当初は想定していなかった多様体上での最適化を用いた定式化・解法のアイデアを着想した点，(iii) 当初は想定していなかったL1最適化理論と対象運動協調推定問題を融合するアイデアを着想した点，(iv) 実験システムを完成させた点．特に(ii), (iii)は，本課題は当初の想定を超えて広がりつつあることを示すものである．
|
| 今後の研究の推進方策 |
２年目にあたる本年度は，当初は初年度に予定していた対象運動の協調推定問題に取り組む．ここで中心となるのは，昨年度着想したL1正則化に基づくアイデアである．具体的な内容および研究方針は以下の通りである．まず，申請者は過去の研究において，単一カメラを対象に，対象速度をフーリエ級数近似した際の関数基底が既知であれば，運動を定常偏差なく推定できることを示している．ただし，関数基底の導出方法については何も言及していない．そこで，過去の画像データから既定の推定を行うことを考える．機械学習の教科書的な知見に依れば，本問題は最小二乗法の枠組みに帰着できるが，基底の数が多くなるにつれて推定器が複雑化し，運動推定にかかる計算時間が増大する．そこで，まずは単一カメラに対する本問題の解決にL1正則化法を用い，実験をもとに有効性を検証する．次に，カメラはその計測プロセスにおいて３次元世界を２次元世界に投影するため，特定の方向の運動が画像データに反映されにくいという問題を有する．そこで，ビジュアルセンサネットワークを用いて本問題の解決を図る．具体的には，L1正則化を施した最小二乗問題は分散協調最適化問題として帰着され，分散的に求解可能である．以上から，カメラ間の限定的な情報交換のみに基づく分散協調推定が可能になる．最後に，その評価関数値を利得関数としてゲーム理論的学習を適用することで，カメラパラメータの分散最適化に取り組む．
最終年度は，前年度までの文献調査をもとに，パターン認識における学習技術とゲーム理論的学習アルゴリズムの融合を図る．ここでも，前年度課題のように情報を分散化した上でポテンシャルゲームを構成する利得関数設計が可能か否か，との問題が生じるが，この点は前年度までの知見を援用することとする．また，可能であれば，学習アルゴリズムの高速化に関する研究にも取り組む予定である．
|
