Robot
5.2 提案手法
5.2.1 提案手法の概要
図 5.2に提案手法の全体像を示す．本章では，ロボットは家庭でユーザと共に 暮らしていることを想定し，人の音声命令を聞きながらその人の動作と，動作を 行っている際に関係している物体及び位置を観測する．そして，ユーザの行動パ ターンを教師なしで学習するのであるが，その際にまず使っている物体を認識し トラッキングすることで，動作の分節化を行う．これは，同じ物体を使っている間 が一つの行動としての塊であると仮定し，時系列パターンを区切ることを意味す る．そのように区切った動作時系列（関節角の情報）と物体の関係性は，mMLDA
図 5.2: 提案手法の全体像
によってモデル化（カテゴリ分類も含む）することができる．つまり現在の行動を 認識し，その後に起こる行動を予測できれば，mMLDAによって確率的にユーザ が使うであろう物体を予測し，それを持ってくるというサービスを実現可能であ る．これを「動作−物体関係モデル」と呼ぶ．現在の動作の認識は，分節化された 動作の時系列をHDP-HMMを用いてモデル化することで実現する．これを「動作 認識モデル」と呼ぶ．また行動の予測については，学習データから行動のn-gram である，「行動言語モデル」を計算することで実現する．こうした動作認識モデル や行動言語モデルは，動作を分節化し，mMLDAを用いたカテゴリ分類に基づく 記号化によって実現されることに注意されたい．
5.2.2 ロボットによる能動的センシング
ここでは前述した1)ユーザの観測の問題に対する解決策として，ロボットによ る能動的センシングについて議論する．ロボットがユーザをよりよく観測し続け
図 5.3: KINECTより取得された骨格情報のスコアマップ
るためには，追跡するだけではなく，関節角のセンシングに有利な位置に移動す ることが重要である．本章では，頭部にKINECTと台車にLRFが搭載されたロ ボットを用いることを前提に，ユーザの姿勢推定に有利な位置を考慮しながら移 動することを考える．
本章では，ユーザの姿勢推定にはKINECTを用い，ロボットの自己位置推定に はLRFを用いる．KINECTは，ゲームコントローラとして開発されたものである ため，カメラから2m程度離れ正面に向かって動作を行うことが想定されている．
しかし普段我々は，必ずしもロボットの前で行動するとは限らない．そこで，実
際KINECTでユーザの姿勢推定が可能な相対位置関係を検証し，ロボットがその
制約をなるべく満たすようにユーザの追跡を行うこととする．実際，人の姿勢が 取得可能な領域を調べるための予備実験を行った．
本実験において，KINECTをある位置x0 = (x0, y0,Ω0)に固定し，KINECTか ら領域D(x, y)(x0−ℓ2x ≤x≤x0+ℓ2x, y0 ≤y≤ℓy)をグリッド化した．各グリッド R(xgx, ygy)(gx ∈ [1, Gx], gy ∈ [1, Gy])に対して，3種類の動作をそれぞれ行った．
ただし，各動作において，KINECTに対する角度Ωt(t ∈ [1, T])をT 種類設定し た．本章では，ℓx，ℓy，Gx，Gy，T の値をそれぞれ，2.5m，3.0m，5，6，5に設
定した．そして，以下の式より各グリッドRgのスコアS(Rg)を求める．
S(R(xgx, ygy)) =
∑Fgxy
f=1
∑Nψ˙
n=1δ( ˙ψf n)
Fgxy , (5.1)
ただし，Fgxy，Nψ˙はそれぞれグリッドR(xgx, ygy)における動作のデータ数と角速 度ψ˙の次元数を表す．また，ψf nはψ˙のf 番目のn次元目の要素であり，以下の ように求める．
δ( ˙ψf n) =
{ 1 (ψf n ≥閾値)
0 (ψf n <閾値) (5.2)
式（5.1）を用いて姿勢推定可能な領域のマップを計算した結果を，図5.3に示す．
図中のグリッドマップは3.0m×2.5mの部屋で計算しグリッドサイズを0.5mとし た．人がある姿勢（図中の紫棒であり，KINECTに対する角度は白い数字で表す）
において，KINECT（図中の赤楕円）の前に立って動作を行うとき，骨格情報が どれだけ正確に取得できるかというスコアマップを図5.3（a）〜（e）に示す．各 グリッドにおいて，スコアが高いほど白く描画されている．
図5.3より，青い矩形に囲まれたグリッド内で動作を行うとき，姿勢推定の精度 が上がることが分かった．また，当然ながら人がKINECTに対して，正面にある ときのスコアが高かった．本章ではこれらの事実をもとに，人が領域内にあるよ うにロボットが人の位置を計算し，人に対して正面にあるように移動することで，
人を観測し続ける．
5.2.3 問題設定
本章で実現したいサービスは，予測した行動に必要となる物体をユーザに先回 りして届けることである．その際，ユーザがどこで動作を行うかという場所文脈や 命令された音声文脈などを考慮すればより正確なサービスが行えるであろう．この 問題設定は，全ての情報が与えられた際，持ってくるべき物体を推定する問題に置 き換えることができる．すなわち，現在の時刻t−1にロボットが観測したユーザ
の動きm(t−1)，物体o(t−1)，位置x，音声Sに対して以下の問題を解くことになる．
ˆ
o(t) = argmax
o(t)
P(o(t)m(t−1), o(t−1), x, S) (5.3) 上式を直接的に計算するのは困難であるため，次のように近似する．
ˆ
o(t) = argmax
o(t)
P(o(t)m(t−1), o(t−1))ω1P(o(t)x)ω2P(o(t)S)ω3 (5.4) ただし，P(o(t)m(t−1), o(t−1))，P(o(t)x)，P(o(t)S)はそれぞれ，行動文脈，場所 文脈及び音声命令を表しており，ω1，ω2，ω3は各文脈に対する重みである．
各文脈の重みの決め方は様々な手法が存在する．例えば，重みのアクティブな学 習 [71]を考えることもできるが，ここではSVMによる学習を用いる．具体的には，
次節で説明する各文脈C ∈ {C1 =行動，C2 =場所，C3 =音声}より予測される物 体の確率分布PC = (pC1, pC2,· · · , pCO)を一つのヒストグラムhC = (PC1,PC2,PC3) として，SVMの入力データとする．ただし，O は物体カテゴリ数を表す．学習 フェーズにおいて，入力データhC と正解となる物体カテゴリoC の組を用意し，
SVM [48]を用いて学習する．認識フェーズでは，与えられた入力データhCinに対
して，SVMで学習したモデルを用いて認識する．