Transcript pptファイル - 高知工科大学大学院

最近の4年生・修士の研究内容
星野研究室一同
研究室の概要
•
•
•
•
•
人間の知能獲得システム
人間の感性評価システム
人間らしい意思決定支援システム
人間にやさしいヒューマンインタフェース
人間らしい知的制御システム
知能システム
機械学習
ヒューマンインタフェース
感性工学
マインドストーム
２足歩行ロボット
ロボカップ
研究テーマは自由
アイデアと実践あるのみ！
•
•
•
•
•
ファジィ理論：高速ライントレースカーのファジィ制御(M2)
ヒューマンインタフェース：ヘリコプタ操縦支援(OG)
モーションキャプチャでの人間の動作解析(新規)
最適化問題：ゼミ発表スケジューリング問題(OB)
知能ロボット：ネットワークコントロールロボ(OB)
強化学習による最短経路探索問題(OB)
• 感性工学：キャラクタデザインのための
カラーパレット支援システム(OB)
• RoboCup：強化学習によるサッカーロボットの制御(OG)
• FPGAを用いた高速ラベリングによる ロボットサッカーボール追跡(星野)
• 自己組織化アルゴリズムを用いたネクタイ・Ｙシャツ組み合せ
コーディネーションシステム(星野)
• ParticleSwarmOptimizationを用いた階層型ニューラルネットワークの学習(星野)
• 画像処理フィルタ自動設計研究(星野)
マインドストームとは？
レゴ・エデュケーショナル・ディビジョン社（デンマーク）と
マサチューセッツ工科大学が共同開発したロボット製作キットです。
光センサー，タッチセンサー，プロセッサーボックスがあり，
これらと各パーツを組み合わせてロボットを製作します．
コントロールプログラムをプログラミングしてPCから
ダウンロードして使います．
ロボットを動かすプログラム例
スイッチOn-Offの二分木型の決定木
ボタン一つでコントロールするインタフェース
状態遷移図(論理回路)
1回押す...左へ移動
2回押す...右へ移動
3回押す...アーム回転
採る方向
4回押す...アーム回転
放す方向
※動作中に1回押すと動作が停止
※押さないと現状維持
押さない
3回押す
1回押す
左移動
回転(採)
押さない
1回押す
1回押す
回転(放)
押さない
1回押す
全停止
2回押す
右移動
押さない
1回押す
4回押す
押さない
ボールを打ち返す動作
• タッチセンサーを使っ
て、ボールが当たった
ことに反応し、モー
ターでボールを打ち
返す。
ボールを探す・シュート！！
• 光センサーを使
い、回転して
ボールの場所を
探す。見つけた
らボールに向
かって突進。
一瞬でボールだけを見分けてます．
フェイストラッキングもやってます．
高速ライントレースカーのファジィ制御
ジグザグ
バンバン制御
なめらか
ファジィ制御
カニ歩きロボ
ネットワークロボット：
ネットワークとロボットを融合させたロボットシステム
・広視野カメラ
外部センサ
・ＧＰＳ
など…
環境
エージェント
無線ＬＡＮ
ネットワーク
ネットワークロボットとネットタンサー
―ネットタンサーの基本概要とシステムの開発環境―
• 製品名：
NetTansor
(以下NT)
• 発売元：
バンダイ
・画像処理ライブラリ
• 特徴：
・ウェブカムユニット搭載
・コンパイル
・アプリケーションの実行
・無線LANによる遠隔操作
RGB表色系
• 光の三原色の輝度値で色を表現する
• カメラから取り込まれた値はBGRの順番
– Red : 赤 0～255 : 8bit
– Green : 緑 0～255 : 8bit
– Blue : 青 0～255 : 8bit
RGB表色系
HSV表色系
• 感覚的に色を捉えることが事ができる
• 領域を分離抽出するのに適している
– Hue : 色相
– Saturation : 彩度
– Value : 明度
Hue Circle : 色相環
障害物・目標物の認識
NTからの
取得画像
運搬物(緑)
の認識画像
H:50～75
障害物(赤)
の認識画像
運搬先(青)
の認識画像
H:0~20,
H:95～120
150～179
60°
物体の位置情報の取得
NTからの
取得画像
NT前方直線上の
障害物
障害物の
認識画像
障害物の認識範囲
60°
物体の位置情報の取得
・それぞれの処理画像から抽出物の
右下の座標を取得．物体の位置関
係を認識する．
・画面の下側に近いものを優先的に
回避するように行動する.
（218，135）
運搬物の
認識画像
（263，207）
障害物の
認識画像
H:0~20,
H:50～75
150～179
60°
仕事エリア環境と物体認識
―仕事エリアの環境設定―
NetTansor
110cm
壁を設置しない
ゴール
133cm
運搬物
障害物
※各物体はランダムに配置する
障害物をよけながら運搬物をゴールに運びます．
遺伝的アルゴリズム
algorithm：人間や機械に仕事をさせるときの手順のこと。
停止しない場合はprocedure（手順・手続き）という。
生物の進化（選択淘汰・突然変異）の原理に着想
遺伝子操作により良い個体を残すことで問題解決
遺伝子
選択
1.
2.
3.
選択
個体
交叉
突然変異
交叉
突然変異
遺伝的アルゴリズムを使って，ゼミスケジューリングを自動計算
１回目 ２回目 ３回目 ４回目 ５回目 ６回目 ７回目 ８回目 ９回目
１０回
目
１１回
目
１２回
目
１３回
目
１４回
目
１５回
目
発表回
数
A君
×
○
×
×
○
×
○
○
×
○
○
×
○
×
○
８回
B君
○
×
○
○
×
×
○
×
○
×
○
×
○
○
×
８回
C君
○
×
○
×
○
×
○
×
○
×
○
×
×
○
○
８回
D君
○
○
×
○
×
○
×
○
×
○
×
○
×
○
×
８回
E君
○
×
○
×
○
×
×
○
×
○
×
○
○
×
○
８回
F君
○
×
○
○
×
○
×
×
○
×
○
×
○
○
×
８回
G君
×
○
×
×
○
×
○
×
○
○
×
○
○
×
○
８回
H君
○
×
○
×
○
○
×
○
×
○
○
×
×
○
×
８回
I君
×
○
○
×
○
×
○
○
×
○
×
○
×
×
○
８回
J君
×
○
×
×
○
○
×
○
×
○
×
○
×
○
○
８回
K君
×
○
×
○
○
×
○
×
○
×
○
×
○
○
×
８回
L君
○
×
×
○
×
○
×
○
○
×
○
○
×
○
×
８回
M君
×
○
×
○
×
○
○
×
○
○
×
○
×
×
○
８回
発表人
数
７人
７人
６人
６人
８人
６人
７人
７人
７人
８人
７人
７人
６人
８人
７人
ParticleSwarmOptimizationアルゴリズム
個体全体で最も良い位置(G-BEST)は全体に通知される．
個体(粒子：Particle)が過去に得た良い位置(P-BEST)は個体自身に通知される．
PSOの処理手順
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
各粒子の初期位置 x particle と初期速度 vparticle をランダムに初期化．
xpbestを現在位置x particleに初期化．
xgbestを群全体で最も良い適応度を持つ粒子の位置xpbestに初期化．
設定した回数まで以下の5～9を繰返す．
(5)式に従って x particle を更新．
新たな位置x particleで適応度を計算．
xpbestでの適応度よりも良い値が得られたら、xpbest を新たな位置と適応
度に置き換える．
(xpbestは個体が過去の中で最良適応度を得た位置)
xgbestでの適応度よりも良い値が得られたら、xgbest を新たな位置と適応
度に置き換える．
(xgbestは郡全体の中で最良適応度を持つ位置)
(6)式に従ってvparticleを更新する。
PSOの軌跡
関数の最大値探索
パーティクルが真ん中に集まってくる．
PSOは最適解，准最適な付近に粒子が
集まる傾向がある． G-BESTの効果
感性工学
「感性工学とは，これから生まれる商品に対
して，消費者の抱いているイメージや感
性を商品デザインに翻訳する工学技術」
1. 消費者の感性やイメージを正確に把握
2. 人の感性⇔商品の機能，外観，色...etc
因子分析
• 散らばった情報に共通性を見出して、そこ
に隠されている、本質的な意味を示す手法
あなたは国語と英語の点数が
良いから文系タイプね。
単純な要因(印象評価)
共通の因子でまとめる
因子分析
(固有値 問題)
感性工学
キャラクターと色の感性評価
本実験対象47種類
キャラクター
キャラクターと色の感性評価
やわらかさの因子
愛着の因子
図：キャラクターマッピング
因子分析結果
カラーイメージスケールの因子
■SOFT – HARD
■WARM – COOL
の形容詞対を含んでいる。
キャラクターと色の感性評価
カラーイメージスケール
キャラクターマッピング
キャラクターと色の感性評価
カラーイメージスケール
キャラクターマッピング
ポジショニングマップによるバイクの商品開発
感性評価を使って商品のポジショニングを行う！
商品間の位置関係がわかるように
ポジショニング
商品をマップ上に配置
バイクA
バイクD
新しいバイク
バイクB
バイクE
バイクF
カブ
バイクG
自社商品と競合の位置関係を見極める
ニッチ（すきま）は何処？
どの商品に近いものを作りたい？
企画の方向付けができる⇒ニッチ商品の開発
バイクC
ニッチ商品の提案
デュエット，マーチ
ファンカーゴ，ｂB，キューブ
シビック，フィット，ビッツ
ロードスター，インタグラー
この辺ニッチ商品のターゲットエリア
BS ブレインストーミング
アレックス・F・オズボーンによって考案された会議方式のひとつ
集団思考・集団発想法・ブレインストーミング法(BS法)・ブレスト・課題抽出
可能性は無視して，未来への夢物語を膨らますことが重要！！
「ブレインストーミングの4原則」
１．判断・結論を出さない（結論厳禁）
２．粗野な考えを歓迎する（自由奔放）
３．量を重視する（質より量）
４．アイディアを結合し発展させる（結合改善）
「否定的発言」は厳禁！！
BS法のアイスブレーク・フリートーク
お題：面接につけるネクタイ
(因子得点マップ)
KJ法による結果
AHP(階層分析法)
2つの要素の一対比較という直感的で単純な判断の積み重ねで,
これを基に問題全体の大局的な判断を支援する.
実際に組織の中だけではなく社会や公共の意思決定の場で広く実
際に利用されている.
面接に付けていくネクタイの意思決定をしてみる．．．
強化学習の構成
•状態認識器 環境状態を認識しルール集合を生成
•行動選択器 生成されたルール集合から行動を決定
•学習器
環境から報酬を受取りルールの重みを更
新
Heterogeneous Multi-Agent System
A2
お互いが影響
しあう
問題を速やかに解決.
A1
ファイヤーパニック問題
First 30,000 trials
Last 30,000 trials
第22回 ファジィ システム シンポジウム in 札幌 ソフトコンピューティングとエンタテインメント
CGIE2006 での企画セッション「Soft Computing and Games/Entertainment」
ペット型ロボットをもちいた独居者の在宅データ取得と
隠れセミマルコフモデル(HSMM)による体調不良推定
-
AIBO ERS-7型
PCとAIBOは無線LANで常に通信
実験場所はワンルームマンションの一室
被験者はその部屋に住む女性1名
第22回 ファジィ システム シンポジウム in 札幌 知的画像処理
食卓
トイレ
玄
関
洗濯機
浴室
台所
ク
ロ
ー
ゼ
ッ
ト
テレビ
デスク
ベッド
システムの流れ
在宅データ取得システム
送信
画像データを取得
• 被験者が画像中に
いるかどうかを調査
• いる場合，発見場所と
発見時刻を在宅データ
として記録
非日常生活推定システム
• 得られた在宅データから，日常の生活モデルを構築
• 日常と違う日を，非日常として推定する
• 構築と推定には，隠れセミマルコフモデルを使用
モルフォロジー演算の自動調整
• FPGAのよる画像処理のハードウエア化
• 高速かつリアルタイム処理が可能
• 画像処理＋ハードウエアの専門知識が不可欠
• 基本的なモジュール＋処理系
パラメータチューニング
FPGAのシミュレーションはPC上で可能
ターゲット：㈱ユーテック社製 gTOPシリーズ使用
モルフォロジー演算
• 基本的なフィルタ演算
– 膨張(Dilation) 収縮(Erosion)
– 組合せ演算 … オープニング(Opening)
クロージング(Closing)
膨張(Dilation)
OpenCVではcvDilate()関数を使います．
8近傍(４近傍)の場合：
入力注目画素と近傍画素(9 or 5)の一つでも
黒なら出力注目画素は，黒
対象画像
＋
構成要素
収縮(Erosion)
OpenCVではcvErode()関数を使います．
8近傍(４近傍)の場合：
入力注目画素と近傍画素(9 or 5)の一つでも
白なら出力注目画素は，白
対象画像
－
構成要素
オープニング(Opening)
収縮⇒膨張の処理を行う．OpenCVではcvMorphologyEx関数を使
います．処理としては膨張，収縮の順番で処理
対象画像
対象画像
－
構成要素
＋
構成要素
クロージング(Closig)
膨張⇒収縮の処理を行う．OpenCVでは cvMorphologyEx関数を
使います．処理としては収縮，膨張の順番で処理
対象画像
対象画像
＋
構成要素
－
構成要素
特殊な処理
• グラジエント
Dailationした画像からErosionした画像を減算(XOR,OR)
(エッジを検出に相当)
• トップハット変換
元画像からOpeningした画像を減算(XOR,OR)
• ブラックハット変換
Closingした画像から元画像を減算(XOR,OR)
演算例
元画像(2値画像）
Dilation(膨張)
Erosion(収縮)
Closing
グラジエント
トップハット変換
Opening
ブラックハット変換
•
•
•
•
32bitで各処理を表現
gTOPのFPGAモジュールの制御レジスタ準拠
256段階のグレー色データ画像(白～灰～黒)
2値化、反転(ネガポジ)のオペレーションを追加
32ビット1本で表現できる．
反転(ネガポジ)：白～黒のデータを
黒～白に変換
２値化：ある閾値で白・黒に分割
•
メディアンフィルタ
対象画素の8近傍の画素データから
中間値を取得
• 対象画素を中間値に
{1,2,3,5,5,7,8,9,10}の真中は5
進化計算
• 生物の進化を模倣した解探索アルゴリズム
a)評価の低い子x2を選択
b)交叉 2つの子に似た子供を作る
c)突然変異 親とは無関係な特徴も持たせる
d)新しい子を評価
進化計算
• 生物の進化を模倣した解探索アルゴリズム
a)評価の低い遺伝子列を選択
b)交叉 {11110000} {00111100}
⇒ {11111100} {00110000}
二つの遺伝子列の一部を入れ替え
c)突然変異{11110000}
⇒ {11111000}
遺伝子を一定確立で反転
d)遺伝子列を評価(理想欠陥画像との類似誤差)
FPGAモジュール制御レジスタ
• bit0
4 or 8近傍選択
• bit1～bit3 Selector1
(膨張，収縮，Closing, Opening, Closing, OpeningとClosingのOR,
OpeningとClosingのXOR)
• bit4
Selector2
(入力画像とSelector1処理画像とのXOR)
•
•
•
•
•
•
bit8～bit11 パラメータ m (3x3～13x13)
bit12～bit15 未使用(実ボードのみで使用)
bit16～bit19 パラメータ n (3x3～13x13)
bit20～bit23 メディアンフィルタ(on-off,3x3～11x11)
bit24
元画像をネガポジ処理
bit25～bit31 2値化閾値
モフォロジを使って異物を見つけてみる．
ミミズみたいな異物．．．わかるかな？
原画像
実験結果
異物発見成功！！
実験１回目
実験２回目
実験2回目の適応度の推移