JP2020046346A - 学習装置、推定装置、学習方法、推定方法およびプログラム - Google Patents

Abstract

【課題】学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図る。【解決手段】本発明に係る学習装置１０は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部１３と、正規化／標準化部１３により正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習部１４とを備え、正規化／標準化部１３は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。【選択図】図１

Description

本発明は、学習装置、推定装置、学習方法、推定方法およびプログラムに関する。

歩道あるいは車道などの路面上を移動する自動車、歩行者、車椅子などの移動体に搭載されたセンサを用いて、移動体が移動する路面の状況（段差、勾配など）を推定する技術が検討されている（例えば、非特許文献１，２参照）。

宮田章裕、荒木伊織、王統順、鈴木天詩、「健常歩行者センサデータを用いたバリア検出の基礎検討」、ＩＰＳＪ論文誌(2018) 「高速バスに載せたスマホの加速度センサーで路面の凹凸を検知、検証試験を実施」、［online］、［２０１８年９月４日検索］、インターネット＜ＵＲＬ：https://sgforum.impress.co.jp/news/3595＞

上述したような路面の状況の推定は、対象の状態を検出するセンサの検出データを学習データとして用いた機械学習により構築されたモデルを用いて行われることが多い。機械学習では、平均・分散が検出データ間で大きく異なると、平均・分散が大きいデータが優先的に学習されてしまうことで最適解が得られず、適切な学習が行われない。

そのため、従来、検出データの正規化または標準化（正規化／標準化）が行われ、正規化／標準化後の検出データを学習データとして用いた機械学習が行われる。図７Ａ，７Ｂは、従来の検出データの正規化／標準化について説明するための図である。図７Ａ，７Ｂにおいては、検出データは、加速度センサによる３軸方向の検出データ（加速度Ｘ軸、加速度Ｙ軸、加速度Ｚ軸）および、ジャイロセンサによる３軸方向の検出データ（ジャイロＸ軸、ジャイロＹ軸、ジャイロＸ軸）である例を示している。また、図７Ａ，７Ｂにおいて、点線四角は、正規化／標準化が行われる検出データの範囲を示している。

従来は、図７Ａに示すように、全てのセンサの検出データを纏めて、あるいは、図７Ｂに示すように、検出項目ごとに、正規化／標準化が行われていた。

一般に、センサの種別によって、検出値の平均・分散は大きく異なる。例えば、加速度センサの検出値（例えば、−９．８〜９．８［ｍ／ｓ^２］）と気圧センサの検出値（例えば、８７０〜１０８０［ｈＰａ］）とでは、検出値の平均・分散は大きく異なる。このような平均・分散が大きく異なる複数種類のセンサの検出データを、図７Ａに示すように、纏めて正規化／標準化を行うと、センサごとの平均・分散の違いを吸収することができない。その結果、正規化／標準化後の検出データを学習データとして用いた機械学習を行っても、十分な学習精度を得ることができない。

また、複数のセンサの方向が統一されていない場合、各センサの方向を回転させて各センサの方向が統一されるように、各センサの検出値が補正される。ここで、図７Ｂのように、検出項目ごとに正規化／標準化を行うと、各センサの検出値の補正による値域の変化を吸収することができない。その結果、正規化／標準化後の検出データを学習データとして用いた機械学習を行っても、十分な学習精度を得ることができない。

なお、これまでは学習データを用いたモデルの機械学習について説明したが、モデルを用いた推定においても、モデルへの入力データの正規化／標準化が必要となり、機械学習の場合と同様に、従来の正規化／標準化の方法では、十分な推定精度を得ることができない。

上記のような問題点に鑑みてなされた本発明の目的は、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる学習装置、推定装置、学習方法、推定方法およびプログラムを提供することにある。

上記課題を解決するため、本発明に係る学習装置は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部と、前記正規化／標準化部により正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習部と、を備え、前記正規化／標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

また、上記課題を解決するため、本発明に係る推定装置は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部と、前記正規化／標準化部により正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定部と、を備え、前記正規化／標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

また、上記課題を解決するため、本発明に係る学習方法は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置における学習方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化ステップと、前記正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習ステップと、を含み、前記正規化／標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

また、上記課題を解決するため、本発明に係る推定方法は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置における推定方法であって、前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化ステップと、前記正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定ステップと、を含み、前記正規化／標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行う。

また、上記課題を解決するため、本発明に係るプログラムは、コンピュータを上記の学習装置として機能させる。

また、上記課題を解決するため、本発明に係るプログラムは、コンピュータを上記の推定装置として機能させる。

本発明に係る学習装置、推定装置、学習方法、推定方法およびプログラムによれば、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる。

本発明の一実施形態に係る学習装置の構成例を示す図である。 本発明の一実施形態に係る推定装置の構成例を示す図である。 図１および図２に示す正規化／標準化部による正規化／標準化について説明するためのである。 図１および図２に示す正規化／標準化部による正規化／標準化の具体例を示す図である。 図１に示す学習装置における学習方法について説明するためのフローチャートである。 図１に示す推定装置における推定方法について説明するためのフローチャートである。 従来の正規化／標準化について説明するための図である。 従来の正規化／標準化について説明するための図である。

以下、本発明を実施するための形態について、図面を参照しながら説明する。各図中、同一符号は、同一または同等の構成要素を示している。

図１は、本発明の一実施形態に係る学習装置１０の構成例を示す図である。本実施形態に係る学習装置１０は、学習データを用いた機械学習によりモデルを構築するものである。より具体的には、本実施形態に係る学習装置１０は、対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により、対象の状態を推定するためのモデルを構築するものである。対象の状態としては、例えば、路面の状況（平坦であるか、段差があるかなど）がある。この場合、学習データは、路面上を移動する自動車、歩行者、車椅子などの移動体に搭載された複数種類のセンサにより検出された、移動体が移動する路面の状況を示す路面データである。そして、学習装置１０は、路面の状況を推定するためのモデルを構築する。

図１に示す学習装置１０は、補正部１１と、分類部１２と、正規化／標準化部１３と、学習部１４と、記憶部１５とを備える。

補正部１１は、対象の状態を検出する複数種類のセンサにより検出された検出データが学習データとして入力される。なお、学習データとしては、検出データに、その検出データに示される対象の状態を示す教師ラベルが付与されたものが用いられるが、以下では、教師ラベルについては記載を省略する。対象の状態を検出するセンサとしては、加速度センサ、ジャイロセンサ、地磁気センサ、重力センサ、気圧センサ、傾きセンサなど種々のセンサを、推定の対象に合わせて適宜、利用することができる。以下では、複数種類のセンサには、重力センサが含まれるものとする。

補正部１１は、重力センサの検出データに基づき、複数種類のセンサのうち、重力センサ以外の、所定の軸方向の対象の状態（対象の動き、傾きなど）を検出する他のセンサ（例えば、加速度センサ、ジャイロセンサ、地磁気センサ、傾きセンサなど）の検出データを補正する。具体的には、補正部１１は、重力センサにより検出された重力方向を基準にして、各センサの方向を回転させて各センサの方向が統一されるように、各センサの検出値を補正する。

重力センサの値をｇ＝（ｘ，ｙ，ｔ）^Ｔ（「Ｔ」は転置記号）とし、Ｚ軸を軸とした回転の回転行列をＲ_ｚ（θ）とし、Ｙ軸を軸とした回転の回転行列をＲ_ｙ（φ）とすると、補正部１１は、以下の式（１）を満たすｒ，θ，φを求める。そして、補正部１１は、各センサの検出値に、求めたｒ，θ，φを式（１）に代入した式を適用することで、各センサの検出値を補正する。

補正部１１は、補正後の検出データを分類部１２に出力する。なお、各センサの方向が予め統一されている場合には、補正部１１による補正は不要である。

分類部１２は、補正部１１から出力された検出データを、センサの種別ごとに分類して正規化／標準化部１３に出力する。

正規化／標準化部１３は、分類部１２から出力された検出データに対して正規化または標準化（正規化／標準化）を行う（正規化および標準化の少なくとも一方を行う）。具体的には、正規化／標準化部１３は、分類部１２により、センサの種別ごとに分類された検出データに対して、センサの種別ごとに、そのセンサの検出データの正規化／標準化を行う。正規化／標準化部１３は、正規化／標準化後の検出データを学習部１４に出力する。

学習部１４は、正規化／標準化部１３による正規化／標準化後の検出データを学習データとして用いた機械学習により、対象の状態を推定するためのモデルを構築する。

記憶部１５は、学習部１４により構築されたモデルを記憶する。

図２は、本発明の一実施形態に係る推定装置２０の構成例を示す図である。本実施形態に係る推定装置２０は、学習装置１０が構築したモデルを用いて対象の状態を推定するものである。

図２に示す推定装置２０は、補正部２１と、分類部２２と、正規化／標準化部２３と、記憶部２４と、推定部２５とを備える。

補正部２１は、状態を推定する対象に取り付けられた複数種類のセンサの検出データが入力データとして入力される。以下では、複数種類のセンサには、重力センサが含まれるものとする。

補正部２１は、重力センサの検出データに基づき、複数種類のセンサのうち、重力センサ以外の、所定軸方向の対象の状態（対象の動き、傾きなど）を検出する他のセンサ（例えば、加速度センサ、ジャイロセンサ、地磁気センサ、傾きセンサなど）の検出データを補正する。具体的には、補正部２１は、学習装置１０の補正部１１と同様に、式（１）に従い、検出データを補正する。補正部２１は、補正後の検出データを分類部２２に出力する。

分類部２２は、補正部２１から出力された検出データを、センサの種別ごとに分類して正規化／標準化部２３に出力する。

正規化／標準化部２３は、分類部２２から出力された検出データに対して正規化／標準化を行う（正規化および標準化の少なくとも一方を行う）。具体的には、正規化／標準化部２３は、分類部２２により、センサの種別ごとに分類された検出データに対して、センサの種別ごとに、そのセンサの検出データの正規化／標準化を行う。正規化／標準化部２３は、正規化／標準化後の検出データを推定部２５に出力する。

記憶部２４は、学習装置１０により構築されたモデルを記憶する。

推定部２５は、正規化／標準化部２３による正規化／標準化後の検出データを記憶部２４に記憶されているモデルに適用して、対象の状態を推定する。具体的には、推定部２５は、正規化／標準化部２３から出力された検出データをモデルに入力し、モデルの出力を対象の状態の推定結果として出力する。

次に、正規化／標準化部１３および正規化／標準化部２３による正規化／標準化について説明する。なお、正規化／標準化部１３と正規化／標準化部２３とで正規化／標準化の方法は同じである。そのため、以下では、正規化／標準化部１３を例として説明し、正規化／標準化部２３については記載を省略する。

上述したように、正規化／標準化部１３は、センサの種別ごとに、そのセンサの検出データに対して正規化／標準化を行う。すなわち、正規化／標準化部１３は、図３に示すように、同じ種別のセンサの検出データを纏めて、正規化／標準化を行う。図３の例では、正規化／標準化部１３は、加速度センサの検出データ（加速度Ｘ、加速度Ｙ、加速度Ｚ）を纏めて、また、ジャイロセンサセンサの検出データ（ジャイロＸ、ジャイロＹ、ジャイロＺ）を纏めて正規化／標準化を行う。なお、図３において、点線四角は、正規化／標準化が行われる検出データの範囲を示している。

図４は、正規化／標準化部１３による正規化／標準化の具体例を示す図である。

図４においては、検出データは、加速度センサによる３軸方向の加速度（加速度Ｘ、加速度Ｙ、加速度Ｚ）の検出データ、ジャイロセンサによるロール軸、ピッチ軸およびヨー軸方向の加速度およびロール軸、ピッチ軸およびヨー軸方向の角速度（ジャイロ１軸、ジャイロ２軸、ジャイロ３軸、ジャイロ４軸、ジャイロ５軸、ジャイロ６軸）の検出データ、および、重力センサによる３軸方向の重力による加速度（重力Ｘ、重力Ｙ、重力Ｚ）の検出データである例を示している。

上述したように、正規化／標準化部１３は、センサの種別ごとに、検出データの正規化／標準化を行う。したがって、図４に示す例では、正規化／標準化部１３は、加速度センサによる検出データ（加速度Ｘ、加速度Ｙ、加速度Ｚ）を纏めて、また、ジャイロセンサによる検出データ（ジャイロ１軸、ジャイロ２軸、ジャイロ３軸、ジャイロ４軸、ジャイロ５軸、ジャイロ６軸）を纏めて、また、重力センサによる検出データ（重力Ｘ、重力Ｙ、重力Ｚ）を纏めて正規化／標準化を行う。

センサの検出値をｘとし、正規化／標準化後の検出値をｘ’とし、種別ごとのセンサの検出値の最大値、最小値、平均および分散をそれぞれ、ｍａｘ，ｍｉｎ，ａｖｒ，ｓｔｄとすると、正規化／標準化部１３は、以下の式（２）に従い正規化を行い、以下の式（３）に従い標準化を行う。
ｘ’＝（ｘ−ｍｉｎ）／（ｍａｘ−ｍｉｎ） ・・・式（２）
ｘ’＝（ｘ−ａｖｒ）／ｓｔｄ ・・・式（３）

図４の例では、加速度センサの検出データ（加速度Ｘ、加速度Ｙ、加速度Ｚ）の最小値、最大値、平均および分散はそれぞれ、０．９２，０．０５，０．４６，０．３１である。また、ジャイロセンサの検出データ（ジャイロ１軸、ジャイロ２軸、ジャイロ３軸、ジャイロ４軸、ジャイロ５軸、ジャイロ６軸）の最小値、最大値、平均および分散はそれぞれ、０．９９，０．０３，０．４９，０．３６である。また、重力センサの検出データ（重力Ｘ、重力Ｙ、重力Ｚ）の最小値、最大値、平均および分散はそれぞれ、０．９２，０．０１，０．３６，０．３０である。これらの値に基づき、正規化／標準化を行うと、検出データは図４に示すようになる。

次に、本実施形態に係る学習装置１０における学習方法について、図５に示すフローチャートを参照して説明する。

補正部１１は、学習データとしての検出データが入力されると（ステップＳ１１）、入力された検出データを、各センサの方向が統一されるように補正する（ステップＳ１２）。

分類部１２は、補正部１１により補正された検出データを、センサの種別ごとに分類する（ステップＳ１３）。

正規化／標準化部１３は、分類部１２によりセンサの種別ごとに分類された検出データ（学習データ）が一定量以上、収集されたか否かを判定する（ステップＳ１４）。

一定量以上の学習データが収集されていないと判定された場合には（ステップＳ１４：Ｎｏ）、ステップＳ１１の処理に戻り、新たな学習データが補正部１１に入力される。

一定量以上の学習データが収集されたと判定された場合には（ステップＳ１４：Ｙｅｓ）、正規化／標準化部１３は、分類部１２によりセンサの種別ごとに分類された検出データに対して、正規化／標準化を行う（ステップＳ１５）。

学習部１４は、正規化／標準化部１３により正規化／標準化された検出データを学習データとして用いて学習用モデルの機械学習を行い（ステップＳ１６）、学習済みモデルを構築する。そして、学習部１４は、構築した学習済みモデルを出力する（ステップＳ１７）。なお、学習用モデルとしては、畳み込みニューラルネットワークを用いたモデル、ＳＶＭ（Support Vector Machine）などの種々のモデルを用いることができる。

図５を参照して説明したように、本実施形態に係る学習装置１０における学習方法は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化ステップ（ステップＳ１５）と、正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習ステップ（ステップＳ１６）とを含む。ここで、正規化／標準化ステップでは、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

次に、本実施形態に係る推定装置２０における推定方法について、図６に示すフローチャートを参照して説明する。

補正部２１は、対象の状態を検出する複数種類のセンサの検出データが入力データとして入力されると（ステップＳ２１）、入力された検出データを、各センサの方向が統一されるように補正する（ステップＳ２２）。

分類部２２は、補正部２１により補正された検出データを、センサの種別ごとに分類する（ステップＳ２３）。

正規化／標準化部２３は、分類部２２によりセンサの種別ごとに分類された検出データに対して正規化／標準化を行う（ステップＳ２４）。

推定部２５は、正規化／標準化部２３により正規化／標準化された検出データを、学習装置１０により構築された学習済みモデルに入力して、対象の状態を推定し（ステップＳ２５）、学習済みモデルの出力を推定結果として出力する（ステップＳ２６）。

図６を参照して説明したように、本実施形態に係る推定装置２０における推定方法は、複数種類のセンサの検出データに対して正規化／標準化を行う正規化／標準化ステップ（ステップＳ２４）と、正規化／標準化が行われた検出データをモデルに適用して、対象の状態を推定する推定ステップ（ステップＳ２５）部とを含む。ここで、正規化／標準化ステップでは、センサの種別ごとに、そのセンサの検出データに対して正規化／標準化を行う。

このように本実施形態においては、学習装置１０は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部１３と、正規化／標準化部１３により正規化または標準化が行われた検出データを学習データとして用いた機械学習によりモデルを構築する学習部１４と、を備える。正規化／標準化部１３は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

また、本実施形態においては、推定装置２０は、複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部２３と、正規化／標準化部２３により正規化または標準化が行われた検出データをモデルに適用して、対象の状態を推定する推定部２５と、を備える。ここで、正規化／標準化部２３は、センサの種別ごとに、そのセンサの検出データに対して正規化または標準化を行う。

センサの種別ごとに、検出データに対して正規化または標準化を行うことで、センサごとの平均・分散の違いに対応した正規化または標準化を行うことができる。また、センサの種別ごとに、検出データに対して正規化または標準化を行うことで、各センサの方向を統一するための、各センサの検出値の補正による値域の変化に対応した正規化または標準化を行うことができる。そのため、本実施形態に係る学習装置１０および推定装置２０によれば、学習データを用いたモデルの機械学習あるいはモデルを用いた推定の精度向上を図ることができる。

以上、学習装置１０および推定装置２０について説明したが、学習装置１０および推定装置２０として機能させるために、コンピュータを用いることも可能である。そのようなコンピュータは、学習装置１０および推定装置２０の各機能を実現する処理内容を記述したプログラムを、該コンピュータの記憶部に格納しておき、該コンピュータのＣＰＵによってこのプログラムを読み出して実行させることで実現することができる。

また、プログラムは、コンピュータが読取り可能な記録媒体に記録されていてもよい。このような記録媒体を用いれば、プログラムをコンピュータにインストールすることが可能である。ここで、プログラムが記録された記録媒体は、非一過性の記録媒体であってもよい。非一過性の記録媒体は、特に限定されるものではないが、例えば、ＣＤ−ＲＯＭおよびＤＶＤ−ＲＯＭなどの記録媒体であってもよい。

上述の実施形態は代表的な例として説明したが、本発明の趣旨および範囲内で、多くの変更および置換が可能であることは当業者に明らかである。したがって、本発明は、上述の実施形態によって制限するものと解するべきではなく、特許請求の範囲から逸脱することなく、種々の変形および変更が可能である。例えば、実施形態の構成図に記載の複数の構成ブロックを１つに組み合わせたり、あるいは１つの構成ブロックを分割したりすることが可能である。

１０ 学習装置
１１ 補正部
１２ 分類部
１３ 正規化／標準化部
１４ 学習部
１５ 記憶部
２０ 指定装置
２１ 補正部
２２ 分類部
２３ 正規化／標準化部
２４ 記憶部
２５ 推定部

Claims (8)

1. 対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置であって、
   前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部と、
   前記正規化／標準化部により正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習部と、を備え、
   前記正規化／標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする学習装置。
2. 請求項１に記載の学習装置において、
   前記複数種類のセンサには、重力方向を検出する重力センサが含まれ、
   前記重力センサの検出データに基づき、前記複数種類のセンサのうち、前記重力センサ以外の、所定の軸方向の前記対象の状態を検出する他のセンサの検出データを補正する補正部をさらに備え、
   前記正規化／標準化部は、前記補正部による補正後の検出データに対して正規化または標準化を行うことを特徴とする学習装置。
3. 対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置であって、
   前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化部と、
   前記正規化／標準化部により正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定部と、を備え、
   前記正規化／標準化部は、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする推定装置。
4. 請求項３に記載の推定装置において、
   前記複数種類のセンサには、重力方向を検出する重力センサが含まれ、
   前記重力センサの検出データに基づき、前記複数種類のセンサのうち、前記重力センサ以外の、所定の軸方向の前記対象の状態を検出する他のセンサの検出データを補正する補正部をさらに備え、
   前記正規化／標準化部は、前記補正部による補正後の検出データに対して正規化または標準化を行うことを特徴とする推定装置。
5. 対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習によりモデルを構築する学習装置における学習方法であって、
   前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化ステップと、
   前記正規化または標準化が行われた検出データを学習データとして用いた機械学習により前記モデルを構築する学習ステップと、を含み、
   前記正規化／標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする学習方法。
6. 対象の状態を検出する複数種類のセンサにより検出された検出データを学習データとして用いた機械学習により構築されたモデルにより、前記対象の状態を推定する推定装置における推定方法であって、
   前記複数種類のセンサの検出データに対して正規化または標準化を行う正規化／標準化ステップと、
   前記正規化または標準化が行われた検出データを前記モデルに適用して、前記対象の状態を推定する推定ステップと、を含み、
   前記正規化／標準化ステップでは、前記センサの種別ごとに、前記センサの検出データに対して正規化または標準化を行うことを特徴とする推定方法。
7. コンピュータを、請求項１または２に記載の学習装置として機能させるためのプログラム。
8. コンピュータを、請求項３または４に記載の推定装置として機能させるためのプログラム。

Images