JP2021047723A - 学習方法、プログラム、及び学習システム - Google Patents

Abstract

【課題】物品が置かれる環境に依らず、物品が読取対象であるか否かを分類する精度を向上しやすくすること。【解決手段】学習方法は、第１取得ステップと、ラベル付与ステップと、学習ステップと、を有する。第１取得ステップは、第１読取部２Ａにて物品９に付された第１電子タグ９１と無線通信を行うことにより、第１電子タグ９１から物品情報を取得するステップである。ラベル付与ステップは、第１電子タグ９１の読取情報に対して、物品９が読取対象であるか否かを表すラベルを付与するステップである。学習ステップは、訓練データを用いて分類器１４の判定基準を機械学習により算出するステップである。訓練データは、第１電子タグ９１の読取情報に含まれる１以上のパラメータと、ラベルと、を含むデータである。【選択図】図１

Description

本開示は、一般に学習方法、プログラム、及び学習システムに関する。より詳細には、本開示は、電子タグが付された物品が読取対象であるか否かを分類する分類器の学習方法、プログラム、及び学習システムに関する。

特許文献１には、少なくともユーザが購入しようとする商品（物品）の精算処理を行うためのＰＯＳ（Point Of Sales）装置において、ＲＦ（Radio Frequency）タグ（電子タグ）の読取装置を用いることが記載されている。電子タグは、商品に付されており、電子タグが付された商品の価格情報又は識別情報を記憶している。

特許文献１において、読取装置は、筐体の６面で構成されている箱型形状の収容室に商品が収容された状態で、電子タグから情報を読み取る。筐体には、収容室内へとつながる開口部が形成されている。開口部は、蓋体によって開閉される。つまり、蓋体が開いている状態で、ユーザは、開口部から収容室内へ商品を入れることができる。収容室の外部の電子タグから読取装置が情報を読み取らないよう、筐体及び蓋体は、電波を反射する材料又は電波を吸収する材料で構成されている。

特開２０１６−１６２１７７号公報

本開示は、物品が置かれる環境に依らず、物品が読取対象であるか否かを分類する精度を向上しやすい学習方法、プログラム、及び学習システムを提供することを目的とする。

本開示の一態様に係る学習方法は、第１取得ステップと、ラベル付与ステップと、学習ステップと、を有する。前記第１取得ステップは、第１読取部にて物品に付された第１電子タグと電波を媒体とする無線通信を行うことにより、前記第１電子タグから前記物品に関する物品情報を取得するステップである。前記ラベル付与ステップは、前記物品情報を取得することで得られる前記第１電子タグの読取情報に対して、前記物品が読取対象であるか否かを表すラベルを付与するステップである。前記学習ステップは、訓練データを用いて、分類器の判定基準を機械学習により算出するステップである。前記分類器は、前記第１電子タグの読取情報と前記判定基準との比較に基づいて前記物品が前記読取対象であるか否かを分類する。前記訓練データは、前記第１取得ステップにて取得した前記第１電子タグの読取情報に含まれる１以上のパラメータと、前記ラベル付与ステップで付与されたラベルと、を含むデータである。

本開示の一態様に係るプログラムは、１以上のプロセッサに、上記の学習方法を実行させる。

本開示の一態様に係る学習システムは、取得部と、ラベル付与部と、学習部と、を備える。前記取得部は、第１読取部にて物品に付された第１電子タグと電波を媒体とする無線通信を行うことにより、前記第１電子タグから前記物品に関する物品情報を取得する。前記ラベル付与部は、前記物品情報を取得することで得られる前記第１電子タグの読取情報に対して、前記物品が読取対象であるか否かを表すラベルを付与する。前記学習部は、訓練データを用いて、分類器の判定基準を機械学習により算出する。前記分類器は、前記第１電子タグの読取情報と前記判定基準との比較に基づいて前記物品が前記読取対象であるか否かを分類する。前記訓練データは、前記取得部にて取得した前記第１電子タグの読取情報に含まれる１以上のパラメータと、前記ラベル付与部で付与されたラベルと、を含むデータである。

本開示は、物品が置かれる環境に依らず、物品が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。

図１は、本開示の実施形態１に係る学習システムを含む買物支援システムの構成を示すブロック図である。 図２は、同上の買物支援システムを用いたユーザの買物に係る動作を模式的に表す説明図である。 図３は、同上の学習システムでの学習フェーズにおける動作を示すフローチャートである。 図４は、同上の学習システムでの推論フェーズにおける動作を示すフローチャートである。 図５は、店舗内のレイアウトを変更する前における、比較例の買物支援システムの動作を模式的に表す説明図である。 図６は、店舗内のレイアウトを変更した後における、比較例の買物支援システムの動作を模式的に表す説明図である。 図７は、本開示の実施形態１の変形例に係る学習システムを含む買物支援システムを用いた顧客の買物に係る動作を模式的に表す説明図である。 図８は、本開示の実施形態２に係る学習システムを含む買物支援システムの構成を示すブロック図である。 図９は、同上の買物支援システムを用いた顧客の買物に係る動作を模式的に表す説明図である。 図１０は、同上の買物支援システムを用いた顧客の買物に係る動作を模式的に表す説明図である。 図１１は、同上の学習システムにおける、読取対象の物品に付された第１電子タグから受信した電波の強度の時間経過に伴う変化の一例を示す波形図である。 図１２は、同上の学習システムにおける、読取対象ではない物品に付された第１電子タグから受信した電波の強度の時間経過に伴う変化の一例を示す波形図である。 図１３は、同上の学習システムにおいて、読取対象の物品に付された第１電子タグが重なった場合の、第１電子タグから受信した電波の強度の時間経過に伴う変化の一例を示す波形図である。 図１４は、本開示の実施形態１に係る学習システムにおける、読取対象の物品に付された第１電子タグから受信した電波の強度の時間経過に伴う変化の一例を示す波形図である。 図１５は、同上の学習システムにおいて、読取対象の物品に付された第１電子タグが重なった場合の、第１電子タグから受信した電波の強度の時間経過に伴う変化の一例を示す波形図である。

（実施形態１）
（１）概要
本実施形態に係る学習方法は、第１電子タグ９１が付された物品９が読取対象であるか否かを分類する分類器１４（図１参照）の判定基準を学習するための方法である。

本開示でいう「読取対象」は、物品情報の読取りの対象となる物品９を意味し、第１読取部２Ａ（図１参照）にて物品情報が読み取られた物品９のうち、０個ないし複数個の物品９が「読取対象」となる。すなわち、第１読取部２Ａにて物品情報が読み取られた物品９の全てが直ちに「読取対象」となる訳ではなく、第１読取部２Ａにて物品情報が読み取られた物品９と、「読取対象」である物品９とは必ずしも一致しない。すなわち、第１読取部２Ａは、第１電子タグ９１と電波を媒体とする無線通信を行うことにより、物品９に関する物品情報を読み取るので、「読取対象」でない物品９の物品情報を読み取る可能性がある。例えば、「読取対象」である物品９の周辺に、「読取対象」ではない物品９が存在する場合に、第１読取部２Ａでは、「読取対象」である物品９だけでなく「読取対象」でない物品９についても、物品情報を読み取る場合がある。つまり、第１読取部２Ａにて物品情報が読み取られた１０個の物品９のうち、１個も「読取対象」とならないこともあれば、１個ないし１０個の物品９が「読取対象」となることもある。

本実施形態では、「読取対象」である物品９は、図２に示すように、ユーザ９０により店舗のレジカウンタ７上の載置エリアＡ１１（後述する）に置かれた物品（商品）である。つまり、本実施形態では、「読取対象」である物品９は、ユーザ（ここでは、顧客）９０が店舗に陳列されている複数の物品９の中からピックアップした、ユーザ９０が購入予定の物品である。一方、「読取対象」ではない物品９は、レジカウンタ７上の載置エリアＡ１１外にある物品である。一例として、「読取対象」ではない物品９は、ユーザ９０がピックアップしていない店舗内の棚に陳列されたままの物品等である。

ここで、「ユーザ」は、顧客に限らず、分類器１４の判定基準を機械学習により算出させようとする店員等であってもよい。以下では、特に断りのない限り、「ユーザ」を顧客として説明する。

本開示でいう「物品情報」は、物品９を識別するための情報であって、例えば、日本国で用いられているＪＡＮ（Japanese Article Number）コード等の商品識別コードである。この種の商品識別コードには、ＪＡＮコードの他、欧州等で用いられているＥＡＮ（European Article Number）コード、及び米国で用いられているＵＰＣ（Universal Product Code）等がある。また、物品情報は、物品９の品種（種類）を識別する情報に限らず、同一品種の物品９を個別に識別するシリアル情報等の情報を含んでいてもよい。これにより、同一品種の物品９が複数ある場合にも、これら同一品種の複数の物品９の各々を物品情報にて特定可能である。この種のコードの例として、ＥＰＣ（Electronic Product/Code）コード体系に含まれるＳＧＴＩＮ（Serialized Global Trade item Number）がある。

本実施形態の学習方法は、第１取得ステップと、ラベル付与ステップと、学習ステップと、を有する。

第１取得ステップは、第１読取部２Ａにて物品９に付された第１電子タグ９１と電波を媒体とする無線通信を行うことにより、第１電子タグ９１から物品９に関する物品情報を取得するステップである。ここで、第１読取部２Ａは、例えばレジカウンタ７（図２参照）等の所定のエリアに設置されており、原則、所定のエリア内にある第１電子タグ９１と電波を媒体とする無線通信を行うことにより、物品９の物品情報を読み取る処理を実行する。つまり、第１読取部２Ａは、物品９から直接的に物品情報を読み取るのではなく、物品９に付された第１電子タグ９１から非接触で物品情報を読み取ることになる。

ラベル付与ステップは、物品情報を取得することで得られる第１電子タグ９１の読取情報に対して、物品９が読取対象であるか否かを表すラベルを付与するステップである。

本開示でいう「読取情報」は、一例として、電子タグ（第１電子タグ９１）の読取部（第１読取部２Ａ）での読取りの回数、時間間隔、頻度、受信した電波の強度、及び受信した電波の位相のうちの少なくとも１つを含み得る。

本開示でいう「読取りの回数」は、ある期間内に、読取部（第１読取部２Ａ）にて物品情報の読取りが行われた回数を意味し、より詳細には、読取部にて物品情報の読取りに成功した回数である。本開示でいう「読取りの時間間隔」は、ある期間内に、読取部にて物品情報の読取りが行われた時間間隔を意味する。より詳細には、読取部にて物品情報の読取りに２回成功したときの、１回目の物品情報の読取り時点から２回目の物品情報の読取り時点までの時間である。本開示でいう「読取りの頻度」は、ある期間内に、読取部にて物品情報の読取りが行われた頻度を意味し、より詳細には、読取部にて物品情報の読取りに成功した頻度である。本開示でいう「受信した電波の強度」は、アンテナ２１（後述する）で受信した電子タグ（第１電子タグ９１）から送信される電波の強度であり、一例として、ＲＳＳＩ（Received Signal Strength Indication）値で表される。本開示でいう「受信した電波の位相」は、アンテナ２１で受信した電子タグから送信される電波の位相である。

学習ステップは、訓練データを用いて分類器１４の判定基準を機械学習により算出するステップである。訓練データは、第１取得ステップにて取得した第１電子タグ９１の読取情報に含まれる１以上のパラメータと、ラベル付与ステップで付与されたラベルと、を含むデータである。分類器１４は、第１電子タグ９１の読取情報と判定基準との比較に基づいて物品９が読取対象であるか否かを分類する。具体的には分類器１４は、第１電子タグ９１の読取情報から１以上のパラメータが説明変数として入力されると、入力された１以上のパラメータと判定基準とを比較し、第１電子タグ９１が付された物品９が読取対象であるか否かを表す２値情報を目的変数として出力する。

ここで、「読取対象」である物品９が、第１読取部２Ａにて物品情報を読み取りやすい位置（例えば、載置エリアＡ１１）に配置される、と仮定する。読み取りやすい位置に配置された物品９については、他の物品９と比較して、第１読取部２Ａにより物品情報を読み取りやすい。このため、「読取対象」である物品９についての読取情報と、他の物品９についての読取情報との間には、互いを区別する有意な差が生じ得る。したがって、分類器１４は、第１電子タグ９１の読取情報に基づいて、「読取対象」である物品９と、他の物品９とを区別することが可能である。

上述のように、本実施形態では、第１電子タグ９１の読取情報に基づく訓練データを用いて、分類器１４の判定基準を学習することが可能である。したがって、本実施形態では、物品９が置かれる環境が変更されたとしても、訓練データを用いて分類器１４の判定基準を再調整することで、変更後の環境においても物品９が読取対象であるか否かを分類することが可能である。つまり、本実施形態では、物品９が置かれる環境に依らず、物品９が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。

（２）詳細
以下、本実施形態の学習方法を実現するための学習システム１００、及び学習システム１００を含む買物支援システム２００について図１及び図２を参照して詳しく説明する。本実施形態では、学習システム１００は、買物支援システム２００に組み込まれていることとして説明するが、買物支援システム２００と別のシステムとして構成されていてもよい。

（２．１）買物支援システム
まず、買物支援システム２００の概要について説明する。買物支援システム２００は、図１に示すように、読取装置５と、決済システム６と、を備えている。読取装置５は、物品９の物品情報を取得するために用いられる。決済システム６は、読取装置５で取得された物品情報を用いて物品９の決済処理を行う。

買物支援システム２００は、例えば、コンビニエンスストア、スーパーマーケット、百貨店、ドラッグストア、家電量販店又はホームセンター等の小売店の店舗に導入され、ユーザ９０による商品の購入（つまり「買物」）を支援するシステムである。本開示でいう「購入」とは、売主（店舗）から買主（ユーザ）に物品９の所有権を移転し、これに対する対価（代金）を買主が売主に支払う行為（売買）における買主（ユーザ）側の行為を意味する。そのため、店舗に導入される買物支援システム２００に読取装置５が用いられる場合、読取装置５を用いて物品情報が取得される物品９は、店舗で販売されている「商品」であって、物品情報は「商品情報」である。本実施形態では、買物支援システム２００が導入される店舗としてコンビニエンスストアを例に説明する。

この種の店舗においては、複数の物品９が店内に陳列された状態で、複数の物品９の販売が行われている。そのため、ユーザ９０は、店内に陳列されている複数の物品９の中から所望の物品９をピックアップし、ピックアップした物品９について決済（精算）を行うことで、所望の物品９を購入する。本実施形態では、店内に少なくとも１人は店員が存在する有人の店舗を想定する。ただし、この例に限らず、例えば、店舗に店員が居ない無人店舗のような状況においても、買物支援システム２００は採用可能である。

読取装置５が買物支援システム２００に用いられる場合においては、読取装置５で取得された物品情報は、決済システム６での決済処理に使用される。すなわち、決済システム６は、読取装置５で物品情報が取得された物品９について、物品情報を用いて決済処理を行う。よって、買物支援システム２００によれば、店舗に設置された読取装置５にて物品情報の読み取りが行われることにより、物品９の決済処理が可能な状態になる。

本実施形態では、読取装置５は、店舗のレジカウンタ７に収容されている。レジカウンタ７の上面は、ユーザ９０の購入対象（つまり、読取対象）の物品９が載せ置かれる載置エリアＡ１１を構成している。そして、読取装置５は、載置エリアＡ１１にある物品９から非接触で物品情報を取得する。そのため、ユーザ９０は、店舗に陳列されている複数の物品９の中から、購入対象の物品９を、店内でピックアップし、載置エリアＡ１１に載せ置くことで、読取装置５に物品情報の取得を実施させればよい。本実施形態では、ユーザ９０は、購入対象の物品９を収容した買物かご（移動体）８を載置エリアＡ１１に載せ置くことで、読取装置５に物品情報の取得を実施させる。そして、読取装置５で取得された物品情報のうち、読取対象である物品９についての物品情報を用いて決済システム６での決済処理が完了することで、売主（店舗）から買主（ユーザ）へ所有権が移転し、ユーザ９０による商品の購入が成立する。ユーザ９０は、購入した物品９、つまり決済処理が終了した物品９を持ち帰ることになる。

決済システム６は、読取装置５と通信可能に構成されている。決済システム６と読取装置５との間の通信方式としては、無線通信又は有線通信の適宜の通信方式が採用される。さらに、決済システム６は、例えば、ＰＯＳ（Point Of Sales）端末からなる店舗端末と、直接的に又は中継器等を介して間接的に、通信可能に構成されている。本実施形態では、決済システム６は、読取装置５と同様にレジカウンタ７に収容されている。

決済システム６は、後述する読取装置５のユーザインタフェース４を用いることにより、表示又は音声によって各種の情報をユーザ９０に提示したり、ユーザ９０の操作（音声入力を含む）を受け付けたりすることができる。ただし、決済システム６による情報の提示は、表示と音声との少なくとも一方で実現されればよく、表示と音声とのいずれか一方で実現されてもよいし、表示と音声との組み合わせで実現されてもよい。

一例として、決済システム６は、来客検知時及び決済処理の完了時に、「いらっしゃいませ。」、「ありがとうございました。」等のメッセージをユーザ９０に提示することができる。これにより、ユーザ９０に対して、店員が接客するのに近い親近感を与えることができる。また、ユーザ９０は、例えば、ユーザインタフェース４に表示される購入対象の物品９の一覧、及び決済金額（精算金額）等を確認し、確認後にユーザインタフェース４を操作して承諾の意思表示を行うことにより、決済システム６での決済処理を行う。決済処理は、例えば、携帯情報端末（スマートフォン又はウェアラブル端末等）、又はＩＣ（Integrated Circuit）カード等と決済システム６との間の近距離無線通信により、実現されてもよい。この場合、ユーザ９０は、携帯情報端末又はＩＣカード等を、所定箇所（例えば、ユーザインタフェース４付近）に近づける操作により、決済システム６に決済処理を行わせる。ここで、決済システム６は、プリンタを有していてもよく、その場合、決済処理が完了すれば、プリンタにてレシート（receipt）等を発行（印刷）可能である。ただし、決済処理においてユーザ９０の操作を受け付けること、及びレシートを発行することは、買物支援システム２００において必須の構成ではない。

また、購入対象の物品９の一覧、及び決済金額等の情報（以下、「購入情報」という）は、決済システム６から、ユーザ９０が所有する携帯情報端末（スマートフォン又はタブレット端末等）、又は店舗端末等に送信されてもよい。これにより、ユーザ９０が所有する携帯情報端末、又は決済システム６とは別の情報端末にて、購入情報の閲覧又はレシートの発行等が可能になる。さらに、店舗端末等からサーバに購入情報が送信されることで、退店後においても、ユーザ９０は、ユーザ９０が所有する携帯情報端末にて購入情報を閲覧したり、携帯情報端末にレシートを発行させたりすることが可能になる。

本実施形態では、決済システム６は、ハードウェアとしての１以上のプロセッサ及びメモリを主構成とするコンピュータシステムである。このコンピュータシステムでは、メモリに記録されたプログラムを１以上のプロセッサで実行することによって、決済システム６の機能が実現される。プログラムは、コンピュータシステムのメモリにあらかじめ記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能な光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。

（２．２）読取装置
次に、読取装置５の構成について図１を参照して説明する。読取装置５は、第１読取部２Ａと、メインコンピュータ１０と、検知部３と、ユーザインタフェース４と、を備えている。

第１読取部２Ａは、物品９に付された第１電子タグ９１から物品情報を読み取ることにより、物品情報を取得するように構成されている。すなわち、第１読取部２Ａは、物品９に付された第１電子タグ９１との間で電波を媒体として無線通信を行うことにより、第１電子タグ９１に記憶されている物品情報を取得する。

第１電子タグ９１は、例えば、パッシブ型のＲＦタグであって、少なくとも物品情報を記憶するメモリを有している。ここにおいて、複数の物品９には複数の第１電子タグ９１が一対一で対応付けられている。第１電子タグ９１には、対応する物品９についての物品情報が記憶されており、第１電子タグ９１は、対応する物品９に付されている。

第１電子タグ９１は物品９と一体に取り扱い可能な状態で物品９に付されていればよく、第１電子タグ９１が物品９に付される具体的な態様としては、様々な態様がある。本実施形態では一例として、第１電子タグ９１はシール状であって物品９に貼り付けられている。その他、第１電子タグ９１は、例えば、紐等で物品９に繋がっていてもよいし、物品９の梱包材に一体化されていてもよいし、物品９に埋め込まれていてもよいし、物品９に組み込まれていてもよい。さらに、例えば、塗布型半導体等の技術を用いることにより、第１電子タグ９１は、物品９自体、又は物品９の梱包材等の表面に、印刷にて直接的に形成されていてもよい。

本実施形態に係る第１読取部２Ａは、図２に示すように、矩形板状に形成されており、レジカウンタ７の載置エリアＡ１１の下方に設置されている。第１読取部２Ａは、その内部にアンテナ２１及び通信部２２を有しており（図１参照）、ＲＦＩＤ（Radio Frequency Identification）システムを構成するリーダである。第１読取部２Ａは、基本的には、第１読取部２Ａの上方の載置エリアＡ１１に置かれた物品９の第１電子タグ９１と無線通信を行う。つまり、第１読取部２Ａは、第１エリアＡ１に向けて設置されており、第１エリアＡ１は、読取対象の物品９が載置される載置エリアＡ１１を含んでいる。本実施形態では、第１読取部２Ａは、載置エリアＡ１１からの電波の漏洩を低減するためのシールド等を有さない、いわゆる開放型の読取装置である。

アンテナ２１は、第１読取部２Ａ上の載置エリアＡ１１に位置する第１電子タグ９１との間で、通信媒体となる電波を送受信し、無線通信を行う。すなわち、本実施形態では、アンテナ２１は、処理エリアに対して下方から電波を送受信可能となるように配置されている。アンテナ２１は、偏波面を考慮し、円偏波のアンテナにて構成されることが好ましい。アンテナ２１は、通信部２２と電気的に接続されている。アンテナ２１は、例えば、パッチアンテナ、モノポールアンテナ、逆Ｆ形アンテナ又はスロットアンテナ等で構成される。

ただし、本実施形態では第１読取部２Ａは開放型であるので、アンテナ２１から送信される電波が届く範囲を規制する構造は特に設けられていない。そのため、アンテナ２１から出た通信用の電波が、例えば、レジカウンタ７付近に置かれた商品等、載置エリアＡ１１外に存在する物品９に届くこともある。したがって、第１読取部２Ａでは、レジカウンタ７付近に置かれた商品等、載置エリアＡ１１外に存在する物品９から、物品情報を読み取ることがある。

通信部２２は、アンテナ２１から第１電子タグ９１に電波を送信し、この電波によって起動された第１電子タグ９１からの物品情報をアンテナ２１にて受信する。通信部２２は、少なくとも物品情報の受信時に、無線信号（電波）の受信信号強度を計測する。通信部２２は、第１電子タグ９１から物品情報を受信すると、物品情報に加えて、受信信号強度をメインコンピュータ１０に送信する。

検知部３は、物品９の位置を検知する。詳しくは後述するが、レジカウンタ７から一定距離の領域（周辺エリアＡ２１）に物品９が進入したこと、及び載置エリアＡ１１に物品９が置かれたことが検知部３にて検知されたタイミングで、読取装置５における第１電子タグ９１との無線通信が開始する。つまり、メインコンピュータ１０は、検知部３からのトリガを受けて、制御部１５（後述する）にて、読取装置５における第１電子タグ９１との無線通信を開始させる。本実施形態では、検知部３は、第１センサ３１と、第２センサ３２と、を有している。

第１センサ３１は、例えば、レジカウンタ７からユーザ９０までの距離を測定する測距センサで実現される。具体的には、第１センサ３１は、例えば、光学式、超音波式又は電波式等の非接触式の測距センサにて実現される。第１センサ３１は、レジカウンタ７から物品９（又は物品９を収容した買物かご８）を持ったユーザ９０までの距離を測定することで、レジカウンタ７から一定距離の領域（周辺エリアＡ２１）に物品９が進入したことを検知する。

第２センサ３２は、載置エリアＡ１１に載せ置かれた物体の重量を計測する重量センサである。第２センサ３２では、載置エリアＡ１１に物品９（又は物品９を収容した買物かご８）が載せ置かれていない場合には物体の重量が計測されず、載置エリアＡ１１に物品９（又は物品９を収容した買物かご８）が載せ置かれた場合には物体の重量が計測される。したがって、第２センサ３２は、物体の重量が計測されたか否かにより、載置エリアＡ１１に物品９が存在するか否かを検知する。

つまり、検知部３は、検知範囲（ここでは、載置エリアＡ１１及び周辺エリアＡ２１）における物品９、及び物品９と共に移動する移動体（ここでは、買物かご）８の少なくとも一方の存否を検知する。言い換えれば、本実施形態では、学習方法は、検知範囲における物品９、及び物品９と共に移動する移動体８の少なくとも一方の存否を検知する検知ステップを更に有している。そして、検知部３は、検知ステップの実行主体である。

また、本実施形態では、検知範囲は、載置エリアＡ１１と、周辺エリアＡ２１と、を含んでいる。載置エリアＡ１１は、既に述べたように、読取対象の物品９が載せ置かれるエリアである。周辺エリアＡ２１は、レジカウンタ７から一定距離の領域、つまり載置エリアＡ１１から所定距離離れた位置までのエリアである。

ユーザインタフェース４は、読取装置５において表示又は音声によって各種の情報をユーザ９０に提示したり、ユーザ９０の操作（音声入力を含む）を受け付けたりする機能を持つ。本実施形態では、ユーザインタフェース４は、表示部４１と、操作部４２と、を有している。さらに、本実施形態では、表示部４１及び操作部４２はタッチパネルディスプレイとして一体化されている。ユーザインタフェース４は、一例として、ユーザ９０側（前方）に向くようにレジカウンタ７に設置される。ユーザインタフェース４は、表示及び音声に限らず、例えば、ランプの点灯状態（点灯、消灯、光色、点滅パターン又は明るさ等）又はバイブレータを用いた振動等により、情報を提示してもよい。

メインコンピュータ１０は、ハードウェアとしての１以上のプロセッサ及びメモリを主構成とするコンピュータシステムである。このコンピュータシステムでは、メモリに記録されたプログラムを１以上のプロセッサで実行することによって、メインコンピュータ１０の機能が実現される。プログラムは、コンピュータシステムのメモリにあらかじめ記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能な光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。

（２．３）学習システム
次に、学習システム１００の構成について詳細に説明する。本実施形態では、メインコンピュータ１０が学習システム１００を構成している。メインコンピュータ１０は、取得部１１と、ラベル付与部１２と、学習部１３と、分類器１４と、制御部１５と、記憶部１６と、入力受付部１７と、を有している。ただし、学習システム１００は、メインコンピュータ１０の有する構成を全て備えている必要はなく、少なくとも取得部（第１取得部）１１Ａ、ラベル付与部１２、及び学習部１３を備えていればよい。

取得部１１は、複数の物品９についての複数の物品情報を第１読取部２Ａから取得する。既に述べたように、第１読取部２Ａは、物品９に付された第１電子タグ９１との無線通信が確立した際に、第１電子タグ９１が付された物品９についての物品情報を、第１電子タグ９１から受信する。取得部１１は、このようにして第１読取部２Ａが第１電子タグ９１から読み出した（受信した）物品情報を、第１読取部２Ａから取得する。つまり、本実施形態では、取得部１１は、第１取得ステップの実行主体である。

ここで、第１読取部２Ａが複数の物品９についての物品情報を同時に読み取った場合には、取得部１１は、物品９ごとの物品情報を取得する。取得部１１は、第１読取部２Ａから物品情報を一定時間（例えば、数ミリ秒）間隔で取得し、記憶部１６に記憶する。

分類器１４は、第１電子タグ９１の読取情報と判定基準との比較に基づいて、物品９が読取対象であるか否かを分類する。具体的には、分類器１４は、第１電子タグ９１の読取情報から１以上のパラメータが説明変数として入力されると、入力された１以上のパラメータと判定基準とを比較し、第１電子タグ９１が付された物品９が読取対象であるか否かを表す２値情報を目的変数として出力する。

分類器１４は、例えばＳＶＭ（Support Vector Machine）等の線形分類器の他、ニューラルネットワークを用いた分類器、又は多層ニューラルネットワークを用いた深層学習（ディープラーニング）により生成される分類器を含み得る。本実施形態では、分類器１４は、学習済みのニューラルネットワークを用いた分類器である。学習済みのニューラルネットワークは、例えばＣＮＮ（Convolutional Neural Network：畳み込みニューラルネットワーク）、又はＢＮＮ（Bayesian Neural Network：ベイズニューラルネットワーク）等を含み得る。分類器１４は、ＡＳＩＣ（Application Specific Integrated Circuit）又はＦＰＧＡ（Field-ProgrammableGate Array）等の集積回路に、学習済みのニューラルネットワークを実装することで実現されている。

分類器１４の判定基準は、学習部１３にて多数の訓練データを用いて機械学習することにより得られる。本開示でいう「機械学習」は、未学習の分類器１４に対して実行される学習の他に、学習済みの分類器１４に対して実行される再学習を含み得る。ここでいう「訓練データ」は、分類器１４に入力される入力情報と、入力情報に付与されたラベルと、を組み合わせたデータセットである。

「入力情報」は、説明変数であって、第１電子タグ９１の読取情報に含まれる１以上のパラメータである。説明変数は、一例として、第１電子タグ９１の第１読取部２Ａでの読取りの回数の時間変化、又は受信した電波の強度（ＲＳＳＩ値）の時間変化を含み得る。また、説明変数は、一例として、第１電子タグ９１の第１読取部２Ａでの読取りの回数の分散、受信した電波の強度（ＲＳＳＩ値）若しくは強度の分散、又は受信した電波の位相若しくは位相の分散を含み得る。

「ラベル」は、分類器１４に入力された説明変数に対して、分類器１４が出力すべき目的変数、つまり分類器１４が出力すべき正解を表すデータである。本実施形態では、ラベルは、物品９が読取対象であるか否かを表すデータである。一例として、読取対象の物品９（つまり、載置エリアＡ１１に載せ置かれた物品９）についての訓練データでは、ラベルは、物品９が読取対象であることを表すデータとなる。また、読取対象外の物品９（つまり、載置エリアＡ１１外にある物品９）についての訓練データでは、ラベルは、物品９が読取対象ではないことを表すデータとなる。

なお、本実施形態では、入力情報には、ＥＰＣ等の商品識別コードが含まれていない。つまり、本実施形態では、分類器１４に入力される説明変数には、物品９を特定する情報が含まれていない。ここで、入力情報に商品識別コードが含まれていた場合、分類器１４は、物品９を特定する情報に依存して物品９が読取対象であるか否かを判定するように学習される可能性がある。つまり、入力情報から物品９を特定する情報を排除することで、物品９を特定する情報により分類器１４の分類結果が左右されるのを防ぐことが可能である。

ラベル付与部１２は、取得部１１で物品情報を取得することで得られる第１電子タグ９１の読取情報に対して、物品９が読取対象であるか否かを表すラベルを付与する。つまり、本実施形態では、ラベル付与部１２は、ラベル付与ステップの実行主体である。ラベル付与部１２で付与されるラベルと、ラベルの付与対象である第１電子タグ９１の読取情報と、を含むデータセットは、訓練データとして記憶部１６に記憶される。

本実施形態では、ラベル付与部１２は、学習フェーズと推論フェーズとで、第１電子タグ９１の読取情報に対してラベルを付与する態様が異なっている。学習フェーズは、分類器１４を使用していない期間において、分類器１４の判定基準を機械学習により算出するフェーズである。学習フェーズは、一例として、新規の店舗に買物支援システム２００を導入する段階、又は店舗内のレイアウトを変更した段階で実行される。推論フェーズは、物品９が読取対象であるか否かを分類するために分類器１４を使用しているフェーズである。本実施形態では、推論フェーズにおいても分類器１４の判定基準を機械学習（再学習）により更新することが可能である。

学習フェーズでは、ラベル付与部１２は、取得部１１で取得した物品情報と、記憶部１６に記憶してあるリストと、を比較することにより、第１電子タグ９１の読取情報に付与するラベルを決定する。物品情報は、一例としてＥＰＣ等の商品識別コードである。リストには、読取対象の物品９（つまり、載置エリアＡ１１に載せ置かれる物品９）の物品情報が含まれている。ラベル付与部１２は、物品情報がリストに含まれている場合、この物品情報に対応する第１電子タグ９１の読取情報に対しては、物品９が読取対象であることを表す正解ラベルを付与する。一方、ラベル付与部１２は、物品情報がリストに含まれていない場合、この物品情報に対応する第１電子タグ９１の読取情報に対しては、物品９が読取対象ではないことを表す不正解ラベルを付与する。

推論フェーズでは、ラベル付与部１２は、入力受付部１７（後述する）で受け付けた分類器１４の分類結果に対する評価に基づいて、第１電子タグ９１の読取情報に付与するラベルを決定する。言い換えれば、本実施形態では、ラベル付与ステップは、入力受付部１７（つまり、入力受付ステップ）で受け付けた入力に基づいてラベルを決定する。例えば、ある物品９についての分類器１４の分類結果が「読取対象」であって、この評価が正しいという入力を入力受付部１７で受け付けた、と仮定する。この場合、ラベル付与部１２は、この物品９に付された第１電子タグ９１の読取情報に対しては、物品９が読取対象であることを表すラベルを付与する。また、ある物品９についての分類器１４の分類結果が「読取対象」であって、この評価が誤りであるという入力を入力受付部１７で受け付けた、と仮定する。この場合、ラベル付与部１２は、この物品９に付された第１電子タグ９１の読取情報に対しては、物品９が読取対象ではないことを表す不正解ラベルを付与する。

本実施形態では、ラベル付与部１２は、制御部１５により第１読取部２Ａと第１電子タグ９１との無線通信を開始してから終了するまでの期間にて、ラベルを決定している。この期間は、既に述べたように、検知部３の第１センサ３１及び第２センサ３２の検知結果に基づいて決定される。つまり、ラベル付与ステップの実行期間は、検知ステップの検知結果に基づいて決定される。

学習部１３は、訓練データを用いて、分類器１４の判定基準を機械学習により算出する。訓練データは、取得部１１（第１取得ステップ）にて取得した第１電子タグ９１の読取情報に含まれる１以上のパラメータと、ラベル付与部１２（ラベル付与ステップ）で付与されたラベルと、を含むデータである。つまり、本実施形態では、学習部１３は、学習ステップの実行主体である。学習部１３は、１以上のプロセッサにより構成される。ここでいう「プロセッサ」は、例えばＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等の汎用のプロセッサの他に、ニューラルネットワークでの演算に特化した専用のプロセッサを含み得る。

本実施形態では、学習部１３は、多数の訓練データを用いて、分類器１４で用いられるニューラルネットワークの機械学習を行うことで、分類器１４の判定基準の機械学習を行う。学習部１３は、複数の訓練データの各々について、ニューラルネットワークの入力層に入力情報を入力して演算を実行する。そして、学習部１３は、ニューラルネットワークの出力層の複数のニューロンの出力値と、入力情報に対応するラベルとを用いて、バックプロパゲーション（誤差逆伝播法）処理を実行する。ここで、出力層の複数のニューロンは、それぞれ物品９のとり得る複数の状態に対応している。ここでいう「複数の状態」は、物品９が読取対象であるという状態と、物品９が読取対象ではないという状態と、を含む。

バックプロパゲーション処理においては、学習部１３は、出力層の複数のニューロンのうち、訓練データに含まれるラベルと対応するニューロンの出力値の最大化を図るように、ニューラルネットワークの重み付け係数を更新する。学習部１３は、全ての訓練データについてバックプロパゲーション処理を実行することにより、ニューラルネットワークの重み付け係数の最適化を図る。これにより、ニューラルネットワークの学習が完了する。

制御部１５は、少なくとも第１読取部２Ａにおける第１電子タグ９１との無線通信の開始及び終了の指示を出す。具体的には、制御部１５は、第１読取部２Ａと第１電子タグ９１との無線通信を開始させる際には、第１読取部２Ａから無線通信用の電波の出力を開始させるように第１読取部２Ａを制御する。また、制御部１５は、第１読取部２Ａと第１電子タグ９１との無線通信を終了させる際には、第１読取部２Ａから無線通信用の電波の出力を停止させるように、第１読取部２Ａを制御する。

本実施形態では、制御部１５は、検知部３の第１センサ３１にて周辺エリアＡ２１に物品９が進入したことを検知すると、第１読取部２Ａから無線通信用の電波の出力を開始させるように第１読取部２Ａを制御する。また、本実施形態では、制御部１５は、検知部３の第２センサ３２にて物品９（又は物品９が収容された買物かご８）が検知されてから所定時間が経過すると、第１読取部２Ａから無線通信用の電波の出力を停止させるように、第１読取部２Ａを制御する。

記憶部１６は、例えば、書換可能な不揮発性の半導体メモリ等の非一時的記録媒体にて実現される。記憶部１６は、取得部１１が取得した第１電子タグ９１の物品情報を記憶する。また、記憶部１６は、ラベル付与部１２によりラベルを付与された第１電子タグ９１の読取情報、つまり訓練データを記憶する。また、記憶部１６は、学習部１３により学習された分類器１４の判定基準を記憶する。

入力受付部１７は、分類器１４の分類結果を評価する入力を受け付ける。言い換えれば、本実施形態の学習方法は、分類器１４の分類結果を評価する入力を受け付ける入力受付ステップを有している。そして、入力受付部１７は、入力受付ステップの実行主体である。本実施形態では、入力は、ユーザインタフェース４の操作部４２にて行われる。具体的には、ユーザインタフェース４の表示部４１には、分類器１４で分類された物品９ごとに、分類器１４の分類結果と、分類結果が正しいか否かを問い合わせるメッセージと、正しくない場合に操作される第１アイコンと、が表示される。また、表示部４１には、分類結果に対する評価が終了した場合に操作される第２アイコンが表示される。

ユーザ９０は、いずれかの物品９において分類器１４の分類結果が正しくない場合には、操作部４２を操作して、該当する物品９に対応する表示部４１上の第１アイコンを選択する。そして、ユーザ９０は、全ての物品９について分類器１４に対する評価が完了すると、操作部４２を操作して、表示部４１上の第２アイコンを選択する。これにより、入力受付部１７は、分類器１４で分類された全ての物品９について、分類器１４の分類結果に対する評価を受け付けることになる。なお、操作部４２を操作するユーザ９０は、顧客であってもよいし、店員等であってもよい。

（３）動作
以下、本実施形態の買物支援システム２００の動作の一例と、本実施形態の学習システム１００の動作、言い換えれば学習方法の一例と、について説明する。

（３．１）学習フェーズ
まず、学習フェーズにおける学習システム１００の動作について説明する。学習フェーズにおける機械学習は、例えば買物支援システム２００を導入する店舗で実行される。店舗では、学習部１３を用いて、分類器１４で用いるニューラルネットワークの機械学習を行う。買物支援システム２００を新規の店舗に導入する段階で機械学習を行う場合、ニューラルネットワークの重み付け係数は、初期化されているのが好ましい。一方、既に買物支援システム２００を店舗に導入しており、店舗内のレイアウトを変更した段階で機械学習を行う場合、ニューラルネットワークの重み付け係数は、初期化されてもよいし、従前のままであってもよい。

図３に示すように、読取対象の物品９（つまり、載置エリアＡ１１に載せ置かれる物品９）の物品情報が含まれるリストを記憶部１６に記憶させる（Ｓ１）。次に、リストに挙げられている読取対象の物品９を載置エリアＡ１１に順次載せ置いていく。物品９は、１つずつ載置エリアＡ１１に載せ置いてもよいし、複数個ずつ載置エリアＡ１１に載せ置いてもよい。そして、検知部３（ここでは、第２センサ３２）により物品９が載置エリアＡ１１に載せ置かれたことを検知すると（Ｓ２：Ｙｅｓ）、第１読取部２Ａが物品９に付された第１電子タグ９１から物品情報を読み出す。これにより、取得部１１が載置エリアＡ１１に載せ置かれた物品９の物品情報を取得する（Ｓ３）。このとき、取得部１１は、第１電子タグ９１の読取情報も取得する（Ｓ４）。

次に、取得した物品９の物品情報がリストに含まれている場合（Ｓ５：Ｙｅｓ）、ラベル付与部１２は、この物品９に付された第１電子タグ９１の読取情報に対して、物品９が読取対象であることを表す正解ラベルを付与する（Ｓ６Ａ）。一方、取得した物品９の物品情報がリストに含まれていない場合（Ｓ５：Ｎｏ）、ラベル付与部１２は、この物品９に付された第１電子タグ９１の読取情報に対して、物品９が読取対象でないことを表す不正解ラベルを付与する（Ｓ６Ｂ）。後者の場合は、例えば載置エリアＡ１１の周辺にある物品９に付された第１電子タグ９１の物品情報が第１読取部２Ａにより読み取られることで生じ得る。そして、ラベル付与部１２は、付与したラベルと、ラベルの付与対象の第１電子タグ９１の読取情報と、を含むデータセットを訓練データとして記憶部１６に記憶させる（Ｓ７）。

そして、蓄積された訓練データの数が所定数に達していなければ（Ｓ８：Ｎｏ）、学習システム１００では、上記のＳ２〜Ｓ７の処理を繰り返すことで訓練データを蓄積する。そして、訓練データの数が所定数に達すると（Ｓ８：Ｙｅｓ）、学習部１３は、記憶部１６に記憶している蓄積された訓練データを用いて、分類器１４の判定基準を機械学習させる（Ｓ９）。そして、例えば分類器１４による物品９が読取対象であるか否かの分類結果の正答率が所定値以上に達すれば、分類器１４の判定基準の機械学習が完了する。

（３．２）推論フェーズ
次に、推論フェーズにおける買物支援システム２００及び学習システム１００の動作について説明する。図４に示すように、まず、分類器１４は、記憶部１６から判定基準を読み込む（Ｓ１１）。次に、ユーザ９０が購入対象（つまり、読取対象）の物品９を載置エリアＡ１１に順次載せ置いていく。そして、検知部３（ここでは、第２センサ３２）により物品９が載置エリアＡ１１に載せ置かれたことを検知すると（Ｓ１１：Ｙｅｓ）、学習フェーズと同様に、取得部１１が載置エリアＡ１１に載せ置かれた物品９の物品情報を取得する（Ｓ１２）。このとき、取得部１１は、学習フェーズと同様に、第１電子タグ９１の読取情報も取得する（Ｓ１３）。

次に、取得部１１で取得した第１電子タグ９１の読取情報に含まれる１以上のパラメータが分類器１４に入力されることで、分類器１４は、物品９が読取対象であるか否かを分類する（Ｓ１４）。そして、分類器１４の分類結果が、分類結果が正しいか否かを問い合わせるメッセージ、第１アイコン、及び第２アイコンと併せてユーザインタフェース４の表示部４１に表示される（Ｓ１５）。これにより、ユーザ９０は、表示部４１に表示された画像を見ながら第１アイコン又は第２アイコンを選択することにより、分類器１４の分類結果を評価する。

入力受付部１７が分類器１４の分類結果に対する評価を受け付けると（Ｓ１６）、ラベル付与部１２は、入力受付部１７で受け付けた評価に基づいて、第１電子タグ９１の読取情報に対して、正解ラベル又は不正解ラベルを付与する（Ｓ１７）。そして、ラベル付与部１２は、付与したラベルと、ラベルの付与対象の第１電子タグ９１の読取情報と、を含むデータセットを訓練データとして記憶部１６に記憶させる（Ｓ１８）。

そして、学習部１３は、記憶部１６に記憶している蓄積された訓練データを用いて、分類器１４の判定基準を再学習させる（Ｓ１９）。再学習が完了すると、学習部１３は、再学習後の分類器１４の判定基準を記憶部１６に記憶させることで、判定基準を更新する（Ｓ２０）。なお、学習部１３による再学習に時間を要する場合、例えば夜間等の買物支援システム２００を使用しない時間帯にて再学習を行ってもよい。

（４）利点
以下、本実施形態の学習方法（学習システム１００）の利点について、比較例の買物支援システム３００との比較を交えて説明する。比較例の買物支援システム３００は、図５及び図６に示すように、レジカウンタ７において読取装置５のメインコンピュータとして内蔵されている。ただし、比較例の買物支援システム３００は、上述の学習システム１００を備えていない点で、本実施形態の買物支援システム２００と相違する。また、比較例の買物支援システム３００では、分類器は、第１電子タグ９１の読取情報に含まれる１以上のパラメータと閾値とを比較する所定のアルゴリズムにより、物品９が読取対象であるか否かを分類する構成である、と仮定する。

比較例の買物支援システム３００では、図５に示す店舗内のレイアウトの元で、分類器の閾値があらかじめ最適化されている、と仮定する。したがって、比較例の買物支援システム３００では、分類器は、図５に示す店舗内のレイアウトにおいては、物品９が読取対象であるか否かを分類できている、と仮定する。図５に示す店舗内のレイアウトは、図２に示す店舗内のレイアウトと同じである。

ここで、例えば図６に示すように、陳列棚Ｂ１を読取装置５の近傍に移動させることで店舗内のレイアウトを変更した、と仮定する。この場合、比較例の買物支援システム３００では、店舗内のレイアウトが変更されたことにより、物品９が読取対象であるか否かを分類器が分類できなくなる可能性がある。例えば、陳列棚Ｂ１に陳列されている物品９は、店舗内のレイアウトを変更する前においては、分類器が読取対象ではないと分類していたとしても、店舗内のレイアウトの変更後においては、分類器が読取対象であると誤って分類する可能性がある。

店舗内のレイアウトの変更後においても物品９が読取対象であるか否かを分類器が正しく分類できるようにするためには、分類器の閾値を再調整する必要がある。しかしながら、比較例の買物支援システム３００では、多数の物品９に付された第１電子タグ９１の物品情報を読取装置５に読み取らせながら、第１電子タグ９１の読取情報に含まれる１以上のパラメータの分布を見て閾値を再調整する必要がある。このような閾値の再調整は、システム専門の技術者の手を借りなければ困難であり、店舗内のレイアウトを変更するたびに技術者を店舗に召喚するのは現実的ではない。

これに対して、本実施形態の学習システム１００では、取得した第１電子タグ９１の読取情報に基づく訓練データを用いて、分類器１４の判定基準を学習することが可能である。したがって、本実施形態では、店舗内のレイアウトが変更される等して物品９が置かれる環境が変更されたとしても、訓練データを用いて分類器１４の判定基準を再調整することで、変更後の環境においても物品９が読取対象であるか否かを分類することが可能である。この分類器１４の判定基準の再調整は、分類器１４に訓練データを入力すれば実行されるので、比較例の買物支援システム３００とは異なり、システム専門の技術者の手を借りる必要がない。

上述のように、本実施形態では、物品９が置かれる環境に依らず、物品９が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。また、本実施形態では、分類器１４の判定基準の再調整に当たってシステム専門の技術者の手を借りる必要がないので、分類器１４の判定基準の再調整を容易に行うことが可能である、という利点もある。

（５）変形例
上述の実施形態は、本開示の様々な実施形態の一つに過ぎない。上述の実施形態は、本開示の目的を達成できれば、設計等に応じて種々の変更が可能である。また、学習方法（学習システム１００）と同様の機能は、（コンピュータ）プログラム、又はプログラムを記録した非一時的記録媒体等で具現化されてもよい。本開示の一態様に係るプログラムは、１以上のプロセッサに、上記の学習方法を実行させる。

以下、上述の実施形態の変形例を列挙する。以下に説明する変形例は、適宜組み合わせて適用可能である。

本開示における学習システム１００では、例えば、メインコンピュータ１０等に、コンピュータシステムを含んでいる。コンピュータシステムは、ハードウェアとしてのプロセッサ及びメモリを主構成とする。コンピュータシステムのメモリに記録されたプログラムをプロセッサが実行することによって、本開示における学習システム１００としての機能が実現される。プログラムは、コンピュータシステムのメモリに予め記録されてもよく、電気通信回線を通じて提供されてもよく、コンピュータシステムで読み取り可能なメモリカード、光学ディスク、ハードディスクドライブ等の非一時的記録媒体に記録されて提供されてもよい。コンピュータシステムのプロセッサは、半導体集積回路（ＩＣ）又は大規模集積回路（ＬＳＩ）を含む１ないし複数の電子回路で構成される。ここでいうＩＣ又はＬＳＩ等の集積回路は、集積の度合いによって呼び方が異なっており、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又はＵＬＳＩ（Ultra Large Scale Integration）と呼ばれる集積回路を含む。さらに、ＬＳＩの製造後にプログラムされる、ＦＰＧＡ（Field-Programmable Gate Array）、又はＬＳＩ内部の接合関係の再構成若しくはＬＳＩ内部の回路区画の再構成が可能な論理デバイスについても、プロセッサとして採用することができる。複数の電子回路は、１つのチップに集約されていてもよいし、複数のチップに分散して設けられていてもよい。複数のチップは、１つの装置に集約されていてもよいし、複数の装置に分散して設けられていてもよい。ここでいうコンピュータシステムは、１以上のプロセッサ及び１以上のメモリを有するマイクロコントローラを含む。したがって、マイクロコントローラについても、半導体集積回路又は大規模集積回路を含む１ないし複数の電子回路で構成される。

また、学習システム１００における複数の機能が、１つの筐体内に集約されていることは学習システム１００に必須の構成ではない。学習システム１００の構成要素は、複数の筐体に分散して設けられていてもよい。さらに、学習システム１００の少なくとも一部の機能は、例えば、サーバ装置及びクラウド（クラウドコンピューティング）等によって実現されてもよい。

一例として、上述の実施形態では、学習システム１００は店舗内のメインコンピュータ１０により実現されているが、これに限らず、店舗から離れた遠隔地にあるサーバ装置により実現されていてもよい。

上述の実施形態において、入力受付部１７は、分類器１４による分類結果の確実性に関する指標が所定の範囲内にある場合に、入力を受け付けてもよい。言い換えれば、入力受付ステップは、分類器１４による分類結果の確実性に関する指標が所定の範囲内にある場合に実行されてもよい。ここでいう「分類結果の確実性に関する指標」は、一例として、分類器１４による物品９が読取対象であるか否かの分類確率である。例えば、分類確率が閾値未満（一例として、９０％未満）である場合に、入力受付部１７にて入力を受け付ける。つまり、上記の分類確率が閾値未満である場合、この物品９が読取対象であるか否かを正確に分類していない可能性がある。そこで、このような場合に、ユーザ９０による分類器１４の分類結果に対する評価を受け付けることで、分類器１４の分類精度を補完することが可能である。言い換えれば、上記の分類確率が閾値以上である場合、入力受付部１７にて分類器１４の分類結果に対する評価の入力を受け付けなくてもよい。

上述の実施形態において、検知部３は、物品９の体積又は重量等、物品９の状態を表す状態情報を取得する機能を有していてもよい。言い換えれば、学習方法は、状態情報を取得する状態取得ステップを更に有していてもよい。そして、分類器１４に入力される説明変数には、状態情報が含まれていてもよい。この態様では、物品９の状態を加味して物品９が読取対象であるか否かを分類するように分類器１４の判定基準が学習されるので、分類器１４の分類精度の向上が期待できる、という利点がある。

上述の実施形態において、例えば図７に示すように、移動体（ここでは、買物かご）８に第２電子タグ８１が付されていてもよい。第２電子タグ８１は、第１電子タグ９１と同様にパッシブ型のＲＦタグであって、少なくとも移動体８を識別するための情報であって、移動体８ごとに割り当てられた固有の識別コードを含む移動体情報を記憶するメモリを有している。第２電子タグ８１は、第１電子タグ９１と同様に、移動体８と一体に取り扱い可能な状態で移動体８に付されていればよい。

そして、取得部１１は、第１電子タグ９１の読取情報だけでなく、第１読取部２Ａと第２電子タグ８１との無線通信により得られる第２電子タグ８１の読取情報も取得してもよい。言い換えれば、学習方法は、第１読取部２Ａにて、物品９と共に移動する移動体８に付された第２電子タグ８１と電波を媒体とする無線通信を行うことにより、第２電子タグ８１の読取情報を取得する第３取得ステップを更に有していてもよい。そして、ラベル付与ステップは、第１電子タグ９１の読取情報と、第２電子タグ８１の読取情報と、の比較結果に基づいてラベルを決定してもよい。

例えば、購入対象（つまり、読取対象）の物品９は、移動体（買物かご）８に収容された状態でレジカウンタ７の載置エリアＡ１１に載せ置かれることになる。このため、この物品９に付された第１電子タグ９１の読取情報と、この物品９が収容された移動体８に付された第２電子タグ８１の読取情報とは、殆ど同じ時間的な変化を辿る。

したがって、ラベル付与部１２は、第１電子タグ９１の読取情報と第２電子タグ８１の読取情報とが殆ど同じ時間的な変化を辿る場合、この第１電子タグ９１の読取情報に対して、物品９が読取対象であることを表す正解ラベルを付与する。一方、ラベル付与部１２は、第１電子タグ９１の読取情報と第２電子タグ８１の読取情報との時間的な変化が互いに異なる場合、この第１電子タグ９１の読取情報に対して、物品９が読取対象ではないことを表す不正解ラベルを付与する。この態様では、第２電子タグ８１の読取情報を参照しない場合と比較して、第１電子タグ９１の読取情報に対して適切なラベルを付与しやすい、という利点がある。また、この態様では、ユーザ９０の判断を必要とせずに、第１電子タグ９１の読取情報に対してラベルを自動的に付与することが可能である、という利点もある。

上記の態様においては、第２電子タグ８１は、移動体８に複数付されていてもよい。そして、複数の第２電子タグ８１は、それぞれ異なる方向を向くように配置されてもよい。この態様では、時間的な変化が互いに異なる複数の第２電子タグ８１の読取情報を参照することになるので、第１電子タグ９１の読取情報に対してより適切なラベルを付与しやすい、という利点がある。また、この態様では、ユーザ９０は、移動体（買物かご）８の向きを考慮せずに、レジカウンタ７の載置エリアＡ１１に載せ置くことができる、という利点もある。

上述の実施形態の推論フェーズにおいて、学習部１３は、分類器１４にて分類結果を出力するごとに得られる訓練データの全てを分類器１４の判定基準の再学習に用いなくてもよい。例えば、学習部１３は、訓練データの信頼性に基づいて、信頼性の比較的低いデータを訓練データから除外してもよい。言い換えれば、学習ステップは、訓練データの信頼性に関する指標が閾値を下回るデータを訓練データから除外する除外ステップを含んでいてもよい。

ここでいう「信頼性に関する指標」は、一例として、表示部４１にて分類器１４の分類結果を表示してから、評価の入力がなされるまでの入力時間に基づいて決定される。例えば、入力時間が短い程、ユーザ９０が思考を挟まずに入力していると考えられるため、信頼性に関する指標は小さくなる。つまり、指標は、入力受付ステップでの入力に基づいて決定される。

また、指標は、一例として、入力受付ステップでのユーザ９０が店員であるか顧客であるかで増減してもよい。例えば、ユーザ９０が店員であれば指標が閾値よりも高いこととし、ユーザ９０が顧客であれば指標が閾値よりも低いこととしてもよい。この場合、ユーザ９０は、例えば入力受付部１７での評価の入力前に店員証の認証があった場合は店員であり、そうでない場合は顧客である、と識別され得る。

その他、指標は、訓練データが記憶部１６に記憶されている期間に基づいて決定されてもよい。一例として、除外ステップは、記憶部１６に記憶されている訓練データのうち、記憶部１６に記憶されている期間が所定の期間を上回る訓練データを除外してもよい。

上述の実施形態において、学習部１３は、店舗内のレイアウトが変更されたタイミングで、分類器１４の判定基準の再学習を行ってもよい。言い換えれば、学習ステップは、読取対象外の物品９の配置が変更された場合に実行されてもよい。一例として、分類器１４の判定基準の再学習は、店舗内のレイアウトの変更後において、ユーザ９０（ここでは、店員）がユーザインタフェース４の操作部４２にて所定の操作を行うことで実行される。この態様では、物品９が置かれる環境に応じて分類器１４の判定基準の最適化を図りやすい、という利点がある。

上述の実施形態において、学習フェーズでは、読取対象である物品９についての訓練データを用いて分類器１４の判定基準を学習させているが、これに限らない。例えば、学習フェーズでは、読取対象ではない物品９についての訓練データを併せて用いて分類器１４の判定基準を学習させてもよい。この態様では、読取対象である物品９についての訓練データのみを用いて分類器１４を学習させる場合と比較して、物品９が読取対象であるか否かの境界を分類器１４に学習させやすい、という利点がある。

（実施形態２）
本実施形態の学習システム１００Ａは、図８に示すように、２つの読取部（第１読取部２Ａ及び第２読取部２Ｂ）を備えている点で、実施形態１の学習システム１００と相違する。つまり、レジカウンタ７は、第１読取部２Ａの他に、第１読取部２Ａとは異なる第２読取部２Ｂを備えている。第２読取部２Ｂは、アンテナ２３と、通信部２４と、を有している。アンテナ２３及び通信部２４の構成は、それぞれ第１読取部２Ａのアンテナ２１及び通信部２２と同じである。

アンテナ２１（第１読取部２Ａ）は、実施形態１と同様に、第１エリアＡ１に向けて設置される。第１エリアＡ１は、読取対象の物品９が載せ置かれる載置エリアＡ１１を含んでいる。一方、アンテナ２３（第２読取部２Ｂ）は、図９及び図１０に示すように、第１エリアＡ１とは異なる第２エリアＡ２に向けて設置される。第２エリアＡ２は、周辺エリアＡ２１を含んでいる。言い換えれば、第２エリアＡ２は、載置エリアＡ１１を含まないエリアである。第２エリアＡ２は、一例として、レジカウンタ７の周囲であってユーザ９０が並ぶエリアである。

そして、本実施形態では、取得部１１は、第２読取部２Ｂにて第１電子タグ９１と電波を媒体とする無線通信を行うことにより、第１電子タグ９１から物品情報を取得する。言い換えれば、本実施形態では、学習方法は、第２読取部２Ｂにて第１電子タグ９１と電波を媒体とする無線通信を行うことにより、第１電子タグ９１から物品情報を取得する第２取得ステップを更に有している。そして、本実施形態では、ラベル付与ステップは、第１読取部２Ａで得られる（つまり、第１取得ステップにより得られる）第１電子タグ９１の読取情報と、第２読取部２Ｂで得られる（つまり、第２取得ステップにより得られる）第１電子タグ９１の読取情報と、の比較結果に基づいてラベルを決定する。

特に、本実施形態では、ラベル付与ステップは、第１電波強度と、第２電波強度との大小関係の反転の有無に基づいてラベルを決定する。第１電波強度は、第１読取部２Ａが第１電子タグ９１から受信する電波の強度である。第２電波強度は、第２読取部２Ｂが第１電子タグ９１から受信する電波の強度である。

以下、本実施形態の学習システム１００Ａの動作の一例について、図９〜図１３を用いて説明する。図１１〜図１３において、縦軸の「ＲＳＳＩ」は、第１電波強度（又は第２電波強度）のＲＳＳＩ値を表している。また、縦軸の「差分」は、第１電波強度から第２電波強度を減算した値を表している。したがって、第１電波強度が第２電波強度よりも大きければ、差分は正の値となり、第１電波強度が第２電波強度よりも小さければ、差分は負の値となる。図１１〜図１３において、横軸の「ｔ１」は、第１センサ３１により周辺エリアＡ２１に物体（ここでは、物品９、買物かご８、又はユーザ９０）を検知した時点を表している。また、横軸の「ｔ２」は第２センサ３２により載置エリアＡ１１に物品９（又は物品９を収容した買物かご８）が載せ置かれたことを検知した時点を表している。さらに、図１１〜図１３において、丸印は第１電波強度を表しており、バツ印は第２電波強度を表している。

ここで、購入対象（つまり、読取対象）の物品９を収容した買物かご８を持つユーザ９０が、図９に示す周辺エリアＡ２１の外側から周辺エリアＡ２１に進入し、図１０に示すように載置エリアＡ１１に買物かご８を載置した、と仮定する。この場合、図１１に示すように、第１読取部２Ａでは、時刻ｔ１から時刻ｔ２にかけて物品９が載置エリアＡ１１に近づく、つまり第１エリアＡ１に近づくため、第１電波強度が時間経過に伴い上昇する。そして、時刻ｔ２以降においては、物品９が載置エリアＡ１１にて留まるので、第１電波強度がほぼ一定値となる。一方、第２読取部２Ｂでは、時刻ｔ１から時刻ｔ２にかけて物品９が周辺エリアＡ２１から載置エリアＡ１１へと移行する、つまり物品９が第２エリアＡ２から離れるため、第２電波強度が時間経過に伴い減少する。そして、時刻ｔ２以降においては、物品９が載置エリアＡ１１にて留まるので、第２電波強度がほぼ一定値となる。

そして、第１電波強度と第２電波強度との差分は、時刻ｔ１においては負の値であるが、時間経過に伴い上昇することで、時刻ｔ１から時刻ｔ２の間において正の値となる。つまり、読取対象の物品９に付された第１電子タグ９１については、第１電波強度と第２電波強度との大小関係が反転することになる。

一方、購入対象ではない（つまり、読取対象ではない）物品９に付された第１電子タグ９１については、物品９が動かないことから、図１２に示すように、第１電波強度及び第２電波強度はいずれもほぼ一定値となる。このため、第１電波強度と第２電波強度との差分も、ほぼ一定値となる。つまり、読取対象ではない物品９に付された第１電子タグ９１については、第１電波強度と第２電波強度との大小関係が反転しない。

なお、読取対象の物品９に付された第１電子タグ９１と、他の物品９に付された第１電子タグ９１とが重なり合う等した場合、第１読取部２Ａ及び第２読取部２Ｂのいずれにおいても第１電子タグ９１から受信する電波の強度が小さくなることが想定される。このような場合でも、図１３に示すように、読取対象の物品９に付された第１電子タグ９１については、第１電波強度と第２電波強度との差分が時間経過に伴い変化し、大小関係が反転することになる。

そして、ラベル付与部１２は、第１電波強度と第２電波強度との大小関係が反転した場合、この第１電子タグ９１の読取情報に対しては、物品９が読取対象であることを表す正解ラベルを付与する。一方、ラベル付与部１２は、第１電波強度と第２電波強度との大小関係が反転しない場合、この第１電子タグ９１の読取情報に対しては、物品９が読取対象ではないことを表す不正解ラベルを付与する。

以下、本実施形態の学習システム１００Ａの利点について、実施形態１の学習システム１００との比較を交えて説明する。実施形態１の学習システム１００では、読取部が第１読取部２Ａの１つであるため、取得部１１は、第１電波強度のみを取得することになる。ここで、実施形態１の学習システム１００における第１電波強度の時間的変化を図１４及び図１５に示す。図１４及び図１５のいずれにおいても、黒い丸印は読取対象の物品９に付された第１電子タグ９１の第１電波強度（以下、「読取対象の電波強度」という）を表している。また、白い丸印は、読取対象ではない物品９に付された第１電子タグ９１の第１電波強度（以下、「読取対象外の電波強度」という）を表している。また、図１４は、読取対象の物品９に付された第１電子タグ９１と、他の物品９に付された第１電子タグ９１とが重なり合っていない場合を表している。一方、図１５は、読取対象の物品９に付された第１電子タグ９１と、他の物品９に付された第１電子タグ９１とが重なり合っている場合を表している。

図１４に示す例では、読取対象の電波強度と、読取対象外の電波強度とは、時刻ｔ２以降において有意な差を生じているので、適当な閾値を設定することで、ラベル付与部１２により適切なラベルを付与することが可能である。しかしながら、図１５に示す例では、読取対象の電波強度と、読取対象外の電波強度とは、時刻ｔ２以降においても殆ど差が生じておらず、ラベル付与部１２により適切なラベルを付与することが困難である。

これに対して、本実施形態では、複数の第１電子タグ９１の重なりの有無に依らず、ラベル付与部１２により適切なラベルを付与することが可能である。つまり、本実施形態では、読取部が１つである場合と比較して、第１電子タグ９１の読取情報に対して適切なラベルを付与しやすい、という利点がある。また、本実施形態では、ユーザ９０の判断を必要とせずに、第１電子タグ９１の読取情報に対してラベルを自動的に付与することが可能である、という利点もある。

実施形態２で説明した構成は、実施形態１で説明した種々の構成（変形例を含む）と適宜組み合わせて採用可能である。

（まとめ）
以上述べたように、第１の態様に係る学習方法は、第１取得ステップと、ラベル付与ステップと、学習ステップと、を有する。第１取得ステップは、第１読取部（２Ａ）にて物品（９）に付された第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品（９）に関する物品情報を取得するステップである。ラベル付与ステップは、物品情報を取得することで得られる第１電子タグ（９１）の読取情報に対して、物品（９）が読取対象であるか否かを表すラベルを付与するステップである。学習ステップは、訓練データを用いて、分類器（１４）の判定基準を機械学習により算出するステップである。分類器（１４）は、第１電子タグ（９１）の読取情報と判定基準との比較に基づいて物品（９）が読取対象であるか否かを分類する。訓練データは、第１取得ステップにて取得した第１電子タグ（９１）の読取情報に含まれる１以上のパラメータと、ラベル付与ステップで付与されたラベルと、を含むデータである。

この態様によれば、物品（９）が置かれる環境に依らず、物品（９）が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。

第２の態様に係る学習方法は、第１の態様において、分類器（１４）の分類結果を評価する入力を受け付ける入力受付ステップを更に有する。ラベル付与ステップは、入力受付ステップで受け付けた入力に基づいてラベルを決定する。

この態様によれば、分類器（１４）の分類結果に対する評価を参照することで、第１電子タグ（９１）の読取情報に対して適切なラベルを付与しやすい、という利点がある。

第３の態様に係る学習方法では、第２の態様において、入力受付ステップは、分類器（１４）による分類結果の確実性に関する指標が所定の範囲内にある場合に実行される。

この態様によれば、分類器（１４）による物品（９）が読取対象であるか否かの分類が十分でない場合に、分類器（１４）の分類精度を補完することが可能である、という利点がある。

第４の態様に係る学習方法は、第２又は第３の態様において、第２取得ステップを更に有する。第２取得ステップは、第１読取部（２Ａ）とは異なる第２読取部（２Ｂ）にて第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品情報を取得するステップである。ラベル付与ステップは、第１取得ステップにより得られる第１電子タグ（９１）の読取情報と、第２取得ステップにより得られる第１電子タグ（９１）の読取情報と、の比較結果に基づいてラベルを決定する。

この態様によれば、読取部が１つである場合と比較して、第１電子タグ（９１）の読取情報に対して適切なラベルを付与しやすい、という利点がある。

第５の態様に係る学習方法では、第４の態様において、第１読取部（２Ａ）は、第１エリア（Ａ１）に向けて設置される。第２読取部（２Ｂ）は、第１エリア（Ａ１）とは異なる第２エリア（Ａ２）に向けて設置される。

この態様によれば、第１読取部（２Ａ）と第２読取部（２Ｂ）とで読取情報の取得結果に差をつけやすい、という利点がある。

第６の態様に係る学習方法では、第５の態様において、第１エリア（Ａ１）は、読取対象の物品（９）が載置される載置エリア（Ａ１１）を含む。

この態様によれば、第１読取部（２Ａ）と第２読取部（２Ｂ）とで読取情報の取得結果に差をつけやすい、という利点がある。

第７の態様に係る学習方法では、第５又は第６の態様において、ラベル付与ステップは、第１読取部（２Ａ）が第１電子タグ（９１）から受信する電波の強度と、第２読取部（２Ｂ）が第１電子タグ（９１）から受信する電波の強度と、の大小関係の反転の有無に基づいてラベルを決定する。

この態様によれば、複数の第１電子タグ（９１）の重なりの有無に依らず、第１電子タグ（９１）の読取情報に対して適切なラベルを付与することが可能である、という利点がある。

第８の態様に係る学習方法では、第１〜第７のいずれかの態様において、検知ステップを更に有する。検知ステップは、検知範囲における物品（９）、及び物品（９）と共に移動する移動体（８）の少なくとも一方の存否を検知するステップである。ラベル付与ステップの実行期間は、検知ステップの検知結果に基づいて決定される。

この態様によれば、読取対象である物品（９）が存在する期間においてラベル付与ステップを実行しやすくなる、という利点がある。

第９の態様に係る学習方法では、第８の態様において、検知範囲は、載置エリア（Ａ１１）と、周辺エリア（Ａ２１）と、を含んでいる。載置エリア（Ａ１１）は、読取対象の物品（９）が載せ置かれるエリアである。周辺エリア（Ａ２１）は、載置エリア（Ａ１１）から所定距離離れた位置までのエリアである。

この態様によれば、読取対象である物品（９）が存在する期間においてラベル付与ステップを実行しやすくなる、という利点がある。

第１０の態様に係る学習方法は、第１〜第９のいずれかの態様において、物品（９）の状態を表す状態情報を取得する状態取得ステップを更に有する。分類器（１４）に入力される説明変数には、状態情報が含まれる。

この態様によれば、物品（９）の状態を加味して物品（９）が読取対象であるか否かを分類するように分類器（１４）の判定基準が学習されるので、分類器（１４）の分類精度の向上が期待できる、という利点がある。

第１１の態様に係る学習方法は、第１〜第１０のいずれかの態様において、第３取得ステップを更に有する。第３取得ステップは、第１読取部（２Ａ）にて、物品（９）と共に移動する移動体（８）に付された第２電子タグ（８１）と電波を媒体とする無線通信を行うことにより、第２電子タグ（８１）の読取情報を取得するステップである。ラベル付与ステップは、第１電子タグ（９１）の読取情報と、第２電子タグ（８１）の読取情報と、の比較結果に基づいてラベルを決定する。

この態様によれば、第２電子タグ（８１）の読取情報を参照しない場合と比較して、第１電子タグ（９１）の読取情報に対して適切なラベルを付与しやすい、という利点がある。

第１２の態様に係る学習方法では、第１１の態様において、第２電子タグ（８１）は、移動体（８）に複数付される。複数の第２電子タグ（８１）は、それぞれ異なる方向を向くように配置される。

この態様によれば、時間的な変化が互いに異なる複数の第２電子タグ（８１）の読取情報を参照することになるので、第１電子タグ（９１）の読取情報に対してより適切なラベルを付与しやすい、という利点がある。

第１３の態様に係る学習方法では、第１〜第１２のいずれかの態様において、学習ステップは、除外ステップを含む。除外ステップは、訓練データの信頼性に関する指標が閾値を下回るデータを訓練データから除外するステップである。

この態様によれば、信頼性の比較的低い訓練データを除外することにより、分類器（１４）の分類精度を向上しやすい、という利点がある。

第１４の態様に係る学習方法は、第１３の態様において、分類器（１４）の分類結果を評価する入力を受け付ける入力受付ステップを更に有する。指標は、入力受付ステップでの入力に基づいて決定される。

この態様によれば、訓練データの信頼性を評価しやすい、という利点がある。

第１５の態様に係る学習方法では、第１〜第１４のいずれかの態様において、分類器（１４）に入力される説明変数には、物品（９）を特定する情報が含まれない。

この態様によれば、物品（９）を特定する情報を排除することで、物品（９）を特定する情報により分類器（１４）の分類結果が左右されるのを防ぐことが可能である、という利点がある。

第１６の態様に係る学習方法では、第１〜第１５のいずれかの態様において、学習ステップは、読取対象外の物品（９）の配置が変更された場合に実行される。

この態様によれば、物品（９）が置かれる環境に応じて分類器（１４）の判定基準の最適化を図りやすい、という利点がある。

第１７の態様に係るプログラムは、１以上のプロセッサに、第１〜第１６のいずれかの態様の学習方法を実行させる。

この態様によれば、物品（９）が置かれる環境に依らず、物品（９）が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。

第１８の態様に係る学習システム（１００）は、取得部（１１）と、ラベル付与部（１２）と、学習部（１３）と、を備える。取得部（１１）は、第１読取部（２Ａ）にて物品（９）に付された第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品（９）に関する物品情報を取得する。ラベル付与部（１２）は、物品情報を取得することで得られる第１電子タグ（９１）の読取情報に対して、物品（９）が読取対象であるか否かを表すラベルを付与する。学習部（１３）は、訓練データを用いて、分類器（１４）の判定基準を機械学習により算出する。分類器（１４）は、第１電子タグ（９１）の読取情報と判定基準との比較に基づいて物品（９）が読取対象であるか否かを分類する。訓練データは、取得部（１１）にて取得した第１電子タグ（９１）の読取情報に含まれる１以上のパラメータと、ラベル付与部（１２）で付与されたラベルと、を含むデータである。

この態様によれば、物品（９）が置かれる環境に依らず、物品（９）が読取対象であるか否かを分類する精度を向上しやすい、という利点がある。

第２〜第１６の態様に係る方法については、学習方法に必須の方法ではなく、適宜省略可能である。

ところで、第１１の態様に係る学習方法における第３取得ステップの取得結果と、第１取得ステップの取得結果と、を用いれば、分類器１４を用いずに物品９が読取対象であるか否かを推定することも可能である。すなわち、第１９の態様に係る推定方法は、第１取得ステップと、第３取得ステップと、推定ステップと、を有する。第１取得ステップは、第１読取部（２Ａ）にて物品（９）に付された第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品（９）に関する物品情報を取得するステップである。第３取得ステップは、第１読取部（２Ａ）にて、物品（９）と共に移動する移動体（８）に付された第２電子タグ（８１）と電波を媒体とする無線通信を行うことにより、第２電子タグ（８１）の読取情報を取得するステップである。推定ステップは、第１取得ステップにより得られる第１電子タグ（９１）の読取情報と、第３取得ステップにより得られる第２電子タグ（８１）の読取情報と、の比較結果に基づいて、物品（９）が読取対象であるか否かを推定するステップである。

また、第４の態様に係る学習方法における第２取得ステップの取得結果と、第１取得ステップの取得結果と、を用いれば、分類器１４を用いずに物品９が読取対象であるか否かを推定することも可能である。すなわち、第２０の態様に係る推定方法は、第１取得ステップと、第２取得ステップと、推定ステップと、を有する。第１取得ステップは、第１読取部（２Ａ）にて物品（９）に付された第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品（９）に関する物品情報を取得するステップである。第２取得ステップは、第１読取部（２Ａ）とは異なる第２読取部（２Ｂ）にて第１電子タグ（９１）と電波を媒体とする無線通信を行うことにより、第１電子タグ（９１）から物品情報を取得するステップである。推定ステップは、第１取得ステップにより得られる第１電子タグ（９１）の読取情報と、第２取得ステップにより得られる第１電子タグ（９１）の読取情報と、の比較結果に基づいて、物品（９）が読取対象であるか否かを推定するステップである。

１００ 学習システム
１１ 取得部
１３ 学習部
１４ 分類器
２Ａ 第１読取部
２Ｂ 第２読取部
８ 買物かご（移動体）
８１ 第２電子タグ
９ 物品
９１ 第１電子タグ
Ａ１ 第１エリア
Ａ１１ 載置エリア
Ａ２ 第２エリア
Ａ２１ 周辺エリア

Claims (18)

1. 第１読取部にて物品に付された第１電子タグと電波を媒体とする無線通信を行うことにより、前記第１電子タグから前記物品に関する物品情報を取得する第１取得ステップと、
   前記物品情報を取得することで得られる前記第１電子タグの読取情報に対して、前記物品が読取対象であるか否かを表すラベルを付与するラベル付与ステップと、
   前記第１取得ステップにて取得した前記第１電子タグの読取情報に含まれる１以上のパラメータと、前記ラベル付与ステップで付与されたラベルと、を含む訓練データを用いて、前記第１電子タグの読取情報と判定基準との比較に基づいて前記物品が前記読取対象であるか否かを分類する分類器の前記判定基準を機械学習により算出する学習ステップと、を有する、
   学習方法。
2. 前記分類器の分類結果を評価する入力を受け付ける入力受付ステップを更に有し、
   前記ラベル付与ステップは、前記入力受付ステップで受け付けた入力に基づいて前記ラベルを決定する、
   請求項１に記載の学習方法。
3. 前記入力受付ステップは、前記分類器による分類結果の確実性に関する指標が所定の範囲内にある場合に実行される、
   請求項２に記載の学習方法。
4. 前記第１読取部とは異なる第２読取部にて前記第１電子タグと電波を媒体とする無線通信を行うことにより、前記第１電子タグから前記物品情報を取得する第２取得ステップを更に有し、
   前記ラベル付与ステップは、前記第１取得ステップにより得られる前記第１電子タグの読取情報と、前記第２取得ステップにより得られる前記第１電子タグの読取情報と、の比較結果に基づいて前記ラベルを決定する、
   請求項２又は３に記載の学習方法。
5. 前記第１読取部は、第１エリアに向けて設置され、
   前記第２読取部は、前記第１エリアとは異なる第２エリアに向けて設置される、
   請求項４記載の学習方法。
6. 前記第１エリアは、前記読取対象の前記物品が載置される載置エリアを含む、
   請求項５に記載の学習方法。
7. 前記ラベル付与ステップは、前記第１読取部が前記第１電子タグから受信する電波の強度と、前記第２読取部が前記第１電子タグから受信する電波の強度と、の大小関係の反転の有無に基づいて前記ラベルを決定する、
   請求項５又は６に記載の学習方法。
8. 検知範囲における前記物品、及び前記物品と共に移動する移動体の少なくとも一方の存否を検知する検知ステップを更に有し、
   前記ラベル付与ステップの実行期間は、前記検知ステップの検知結果に基づいて決定される、
   請求項１〜７のいずれか１項に記載の学習方法。
9. 前記検知範囲は、
   前記読取対象の前記物品が載せ置かれる載置エリアと、
   前記載置エリアから所定距離離れた位置までの周辺エリアと、を含んでいる、
   請求項８記載の学習方法。
10. 前記物品の状態を表す状態情報を取得する状態取得ステップを更に有し、
    前記分類器に入力される説明変数には、前記状態情報が含まれる、
    請求項１〜９のいずれか１項に記載の学習方法。
11. 前記第１読取部にて、前記物品と共に移動する移動体に付された第２電子タグと電波を媒体とする無線通信を行うことにより、前記第２電子タグの読取情報を取得する第３取得ステップを更に有し、
    前記ラベル付与ステップは、前記第１電子タグの読取情報と、前記第２電子タグの読取情報と、の比較結果に基づいて前記ラベルを決定する、
    請求項１〜１０のいずれか１項に記載の学習方法。
12. 前記第２電子タグは、前記移動体に複数付されており、
    前記複数の第２電子タグは、それぞれ異なる方向を向くように配置される、
    請求項１１に記載の学習方法。
13. 前記学習ステップは、前記訓練データの信頼性に関する指標が閾値を下回るデータを前記訓練データから除外する除外ステップを含む、
    請求項１〜１２のいずれか１項に記載の学習方法。
14. 前記分類器の分類結果を評価する入力を受け付ける入力受付ステップを更に有し、
    前記指標は、前記入力受付ステップでの入力に基づいて決定される、
    請求項１３記載の学習方法。
15. 前記分類器に入力される説明変数には、前記物品を特定する情報が含まれない、
    請求項１〜１４のいずれか１項に記載の学習方法。
16. 前記学習ステップは、読取対象外の前記物品の配置が変更された場合に実行される、
    請求項１〜１５のいずれか１項に記載の学習方法。
17. １以上のプロセッサに、
    請求項１〜１６のいずれか１項に記載の学習方法を実行させる、
    プログラム。
18. 第１読取部にて物品に付された第１電子タグと電波を媒体とする無線通信を行うことにより、前記第１電子タグから前記物品に関する物品情報を取得する取得部と、
    前記物品情報を取得することで得られる前記第１電子タグの読取情報に対して、前記物品が読取対象であるか否かを表すラベルを付与するラベル付与部と、
    前記取得部にて取得した前記第１電子タグの読取情報に含まれる１以上のパラメータと、前記ラベル付与部で付与されたラベルと、を含む訓練データを用いて、前記第１電子タグの読取情報と判定基準との比較に基づいて前記物品が前記読取対象であるか否かを分類する分類器の前記判定基準を機械学習により算出する学習部と、を備える、
    学習システム。
    

Images