RRSにおける共分散構造分析を用いた
地図の特徴とMASの能力の分析
上田 陽明，内種 岳詞(愛知工業大学)，岩田 員典 (愛知大学)，伊藤 暢浩 (愛知工業大学)
背景
参考文献:
RoboCup Rescure Simulation ( 以下，RRS)ではエージェントの災害救助活動をスコアとして算
出する．右表を見ると，環境によってscoreが最も良いマルチエージェントシステム(以下，MAS)は
異なることがわかる．つまり，救助をおこなう地図の環境ごとにMASの能力の評価が異なる．よっ
て，MASの能力の評価には地図の環境を考慮する必要がある．
研究の目的
観測変数のみ
観測変数と潜在変数
分析手順
因子分析
特徴指標
のデータ
確認的
因子分析
[1]
分析結果を
潜在変数
共分散
構造分析
地図の特徴指標を3つの因子に分類し，
性質毎にMASの能力の分析をおこなった．
地図内の特徴指標
シミュレーションに関係する13の指標を以下に示す[2]．
c1:グロス建蔽率
c2:セミグロス建蔽率
c3:建物の周長
c4:従属度
c5:最大隣接建物距離
c6:最小隣接建物距離
c7:配置配分比
c8:接道距離
c9:隙間率
c10:沿道建物数
c11:道路の総延長
c12:道路密度
c13:棟数密度
まとめと今後の課題
[1] 豊田秀樹， “共分散構造分析[R編]-構造方程式モデリング-”，東京図書株式会社，2014年4月25日発行
[2] 伊藤暢浩，岩田員典，纐纈寛明，‘‘偏相関分析による地図の特徴指標とマルチエージェントシステム評価値の分析’’，日本知能情報ファジィ学会誌 Vol26，No3，pp.658-668，2014
まとめ
今後の
課題
・分析結果のさらなる考察
・評価値の高いモデルの考案
スコアを
目的変数
考察
scoreへのパス係数の値を使用して考察をおこなう．AITのMASは道路が多い環境での活動と地図内の探索に強いと考えられ
る．MRLのMASは道路が多い環境での活動には強いが，探索が苦手と考えられる．AURのMASは道路が多い環境での活動と探
索に強いと考えられる．また，すべてのエージェントは大規模に炎上した環境への対応が苦手と考えられる．
分析データに地図を1000個使用
score
環境A 環境B
agent1
40.01
75.05
agent2
67.82
33.45
従来の研究では，観測変数と呼ばれる実際に取得できる値を使用して研究をおこなっている．また，1
つの評価式で評価をおこなう．このとき，観測変数内の異なる性質を持った指標群が存在している場合で
もたった1つの評価式にてMASの能力を算出していた．そこで，潜在変数と呼ばれる研究者が定義できる
変数を用い観測変数を複数の異なる性質に分ける．そして，観測変数と潜在変数を使用し，分析をおこな
うことが可能な共分散構造分析を用い，性質毎にMASの能力の分析をおこなう[1]．
Agent 分析結果 scoreへのパス係数
AIT
(2019)
f1 0.07
f2 0.07
f3 -0.06
MRL
(2019)
f1 0.08
f2 0.01
f3 -0.08
AUR
(2018)
f1 0.08
f2 0.06
f3 -0.14
※()内は世界大会の出場年度
分析結果 因子 潜在変数定義
f1 道路の多さ
f2 探索困難度
f3 延焼及び閉塞度
確認的因子分析
共分散構造分析
本分析では因子数を3に設定し，分析をおこなった．分析の
結果，特徴指標のc2及びc9を使用しない結果となった．また，
f1とf3の因子間には相関が存在することが確認された．
f2に分類された特徴指標の中でc3はマイナスの因子スコア
である．
c8
c5
c7
c6
c4
c10
c13
c3
c1
c2
c12
c11
f2
f3
f1
0.9
0.9
0.6
0.5
0.4
0.8
-0.5
c9
0.6
0.5
1
0.8
0.5
※パス係数とは影響度のことである
※因子から観測変数への値は影響指数である
