JP2021131806A

JP2021131806A - 行動解析装置及び行動解析方法

Info

Publication number: JP2021131806A
Application number: JP2020028092A
Authority: JP
Inventors: 昂志太田; Takashi Ota
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2020-02-21
Filing date: 2020-02-21
Publication date: 2021-09-09
Also published as: WO2021166402A1; US20230065834A1; DE112020006780T5; CN115004203A

Abstract

【課題】人の行動の監視や要改善箇所の発見を支援するための技術を提供する。【解決手段】行動解析装置が、所定のエリア内で所定の行動を行う人の位置情報を取得する取得部と、前記取得部により取得された位置情報の時系列データを蓄積するデータ蓄積部と、前記時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成するデータ解析部と、を有する。【選択図】図１

Description

本発明は、人の行動を解析するための技術に関する。

ものづくりの現場においては、生産効率の向上が重要な命題である。セル生産方式のように、人手による作業が多く且つ各作業者が複雑な作業を行う必要がある現場では、作業者によって作業の進め方や動き方などが異なり、作業者ごとの作業効率にばらつきが生じやすい。したがって、各作業者の動きの無駄を見つけたり、作業の遅延やミスが生じやすい箇所を見つけ、工程や作業内容の改善を図っていくことが望ましい。しかし従来は、監督者や熟練工が、各作業者の動きを監視し、動きの無駄や遅延・ミスの生じやすい作業を見つけるしか方法がなく、工程や作業内容の改善には多くの時間と高度なスキルを要するのが実情であった。

特許文献１には、熟練者のノウハウや事例を容易に検索可能なシステムを用意することで、作業者を支援する方法が提案されている。しかしながら、このようなシステムを提供するだけでは、作業効率の向上や工程改善につなげることは難しい。

特開２００７−１４８９３８号公報

本発明は上記実情に鑑みてなされたものであって、その目的とするところは、人の行動の監視や要改善箇所の発見を支援するための技術を提供することにある。

本開示は、所定のエリア内で所定の行動を行う人の位置情報を取得する取得部と、前記取得部により取得された位置情報の時系列データを蓄積するデータ蓄積部と、前記時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成するデータ解析部と、を有することを特徴とする行動解析装置を含む。

この構成によれば、人の行動（位置情報の変化）の傾向を表すモデルを自動で生成することができる。このモデルは、例えば、人ごとの行動の差を比較する目的、人ごとの行動の特徴（良い点、悪い点、無駄な動きなど）を把握する目的、所定のエリア又は所定の行動のなかの要改善箇所を見出す目的など、さまざまな用途に利用できる。

前記行動解析装置は、取得される１周期分の位置情報を前記モデルと比較することにより、非定常な行動を検知する評価部をさらに有してもよい。この構成によれば、人が非定常な行動を行った場合に自動で検知することができるので、人の行動監視に有用である。例えば、前記評価部は、前記１周期分の位置情報と前記モデルとのあいだで、対応する時点における位置情報の差、及び／又は、１周期の長さの差が所定の閾値を超えた場合に、非定常な行動と判定してもよい。これにより簡単な処理で非定常な行動を検知することができる。また、前記行動解析装置は、非定常な行動を検知した場合に通知を行う出力部をさらに有してもよい。

前記データ蓄積部は、一人又は複数の人の時系列データを蓄積するものであり、前記データ解析部は、人ごとに位置情報の変化の周期的なパターンを解析して、人ごとのモデルを生成してもよい。これにより、人ごとに異なる傾向をそれぞれ把握することができる。そして、前記評価部は、人ごとに前記１周期分の位置情報と前記モデルの比較を行ってもよい。これにより、人ごとの非定常行動を精度よく検知することができる。

前記行動解析装置は、複数の人の時系列データからそれぞれ生成された複数のモデルを相対的に評価することによって、前記複数の人それぞれの前記所定の行動に対する熟練度を判定する評価部をさらに有してもよい。この構成によれば、人ごとの熟練度を自動かつ簡単に把握することができる。前記評価部は、さらに、判定した熟練度に基づいて前記複数のモデルの中から熟練者のモデルを選択し、評価対象者のモデルと前記熟練者のモデルとの比較を行ってもよい。このような比較により、評価対象者の行動の良し悪しの評価や、評価対象者の行動のなかの要改善箇所の検知などが可能である。例えば、前記行動解析装置は、前記評価対象者のモデルと前記熟練者のモデルとの差を表す情報を出力する出力部をさらに有してもよい。例えば、管理者や監督者にこのような情報を提供することにより、要改善箇所の発見や工程改善の取組みを支援することができる。

前記評価部は、前記複数のモデルそれぞれの時間長さを相対的に評価することによって、前記複数の人の熟練度を判定してもよい。これにより、簡単な処理で熟練度を判定することができる。例えば、前記所定の行動が１つ以上の工程からなる作業である場合に、前記評価部は、前記複数のモデルのそれぞれから工程ごとの作業時間を求め、作業時間の長さに基づくクラス分けを工程ごとに行うことによって、前記複数の人それぞれの工程ごとの熟練度を判定してもよい。これにより、工程ごとの評価や要改善箇所の把握が可能となる。

前記取得部は、前記所定のエリアに存在する人をセンシングするセンサから取り込まれる情報を基に、人の位置情報を取得してもよい。前記センサは、例えば、画像センサでもよいし、人感センサでもよいし、又は、人が所持するデバイスとの組み合わせで人の位置を検知するセンサでもよい。また、前記取得部は、顔認識によって前記所定の行動を行っている人を識別してもよいし、前記所定の行動を行っている人を識別するための識別情報を外部から取得してもよい。

本発明は、上記手段の少なくとも一部を有する行動解析装置として捉えてもよいし、行動評価装置、行動監視装置、異常検知装置、熟練度評価装置、工程改善支援装置などとして捉えてもよい。また、本発明は、上記処理の少なくとも一部を含む行動解析方法、行動評価方法、行動監視方法、異常検知方法、熟練度評価方法、工程改善支援方法などとして捉えてもよい。また、本発明は、このような方法の各ステップをプロセッサに実行させるためのプログラムや、そのプログラムを非一時的に記憶したコンピュータ読取可能な記録媒体として捉えることもできる。なお、上記手段および処理の各々は可能な限り互いに組み合わせて本発明を構成することができる。

本発明によれば、人の行動の監視や要改善箇所の発見を支援するための技術を提供することが可能である。

図１は、生産ラインにおける作業者の行動解析の例を示す図である。図２は、行動解析装置を備える監視システムの構成例を示すブロック図である。図３は、行動解析装置によるデータ解析及びモデル生成のフローチャートである。図４は、データ解析及びモデル生成の流れの模式図である。図５は、行動解析装置による異常検知のフローチャートである。図６は、異常検知の流れの模式図である。図７は、行動解析装置による熟練度判定のフローチャートである。図８は、熟練度判定の流れの模式図である。図９は、行動解析装置によるモデル比較のフローチャートである。

＜適用例＞
図１を参照して、本発明の適用例の一つとして、生産ラインにおける作業者の行動解析に本発明を適用した例を説明する。

セル生産方式などの生産ラインにおいては、作業者が所定の作業エリア内を動きながら複数の作業工程を順にこなしていく。このとき、作業者は、所定の手順に従って作業を行うため、作業者の行動には一定の周期性・規則性が現れ得る。例えば、図１の左側は、作業者の位置情報の時間的変化をプロットしたグラフ（横軸が時間、縦軸が位置座標を示している。）であるが、位置情報の変化に周期的なパターン（破線）が現れていることがわかる。本手法では、時系列データから位置情報の変化の周期的なパターンを解析することによって、各作業者の１周期における位置情報の平均的な変化を表すモデルを生成する。このモデルは、当該作業者の行動の統計的傾向、すなわち、定常的な行動を表現するものである。

このようなモデルは、例えば、作業者ごとの傾向の見える化、異常な動き（非定常な行動）の判別・検知、作業への熟練度の評価、作業者同士の動きの比較などに利用できる。図１の右側は、モデルの利用例を示している。例えば、熟練者と新人Ａのモデルを比較すると、パターンの形状は概ね同じであるが、新人Ａのパターンの方が横長（つまり周期が長い）ので、新人Ａは作業の習熟度が全体的に低いことがわかる。また、熟練者と新人Ｂのモデルを比較すると、新人Ｂは位置Ｘに対応する工程の習熟度が低いことがわかる。また、逐次取り込まれる作業者の行動をモデルと比較することにより、作業者の異常な動きを簡単に判別・検知することができる。同じ位置（工程）で異常な動きが頻発することが確認されたら、その工程に問題が存在する可能性がある。例えば、その工程で利用する機械の履歴と照らし合わせることで、機械の異常や故障の発見に役立てたり、その工程における作業手順の改善に役立てたりすることができる。

＜実施形態＞
（監視システムの構成）
図２を参照して、本発明の実施形態に係る行動解析装置について説明する。図２は、行動解析装置を備える監視システムの構成例を示すブロック図である。

監視システム１は、工場の生産ラインにおける作業者の作業状況を監視するためのシステムであり、主な構成として、行動解析装置１０とセンサ１１を有している。行動解析装置１０とセンサ１１の具体的構成は問わない。例えば、行動解析装置１０とセンサ１１は有線又は無線により互いに通信可能に接続されていてもよいし、一体的に構成（すなわち１つの筐体内に行動解析装置１０とセンサ１１が内蔵されている構成）でもよい。前者の構成の場合は、行動解析装置１０の数とセンサ１１の数は１対１に限らず、１対Ｎ、Ｎ対１、Ｎ対Ｎでもよい（Ｎは２以上の整数）。後者の構成の場合は、センサ１１の制御系と行動解析装置１０の機能とが同じプロセッサに実装されていてもよい。

（センサ）
センサ１１は、生産ラインに存在する作業者の位置をセンシングするためのデバイスである。作業者の位置をセンシング可能であれば、センサ１１の種類は問わない。例えば、作業者の行動エリアを撮影するように設置された画像センサでもよいし、行動エリア内の作業者の位置を検知する人感センサでもよい。人感センサとしては、例えば、赤外線センサ、電波式のセンサなどがある。あるいは、作業者が所持するデバイス（タグ、スマートフォン、ＢＬＥデバイス、発信機など）とセンサ１１との組み合わせで作業者の位置を検知する仕組みを用いてもよい。センサ１１のセンシング結果は行動解析装置１０に逐次取り込まれる。

本実施形態では、センサ１１として画像センサを用いる。画像センサは、広いエリアを１つのセンサで監視できる、複数の作業者の位置情報を同時に取得できる、位置情報の高精度な計測が可能であるなどの利点があるからである。画像センサは、広視野のカメラ（例えば魚眼カメラや全方位カメラ）と、カメラで取り込まれた画像を処理する画像処理部を有する。画像処理部は、例えば、画像から人の顔や人体を検出する機能、検出した顔や人体をトラッキングする機能、顔認識又は人体認識により個人を識別（同定）する機能などを有しているとよい。画像処理部は、例えば、プロセッサとメモリから構成され、プロセッサがメモリに記憶されたプログラムを読み込み実行することによって前述した機能が実現される。なお、前述した機能の全部又は一部をＡＳＩＣやＦＰＧＡなどのプロセッサで実現してもよい。

（行動解析装置）
行動解析装置１０は、センサ１１から取り込まれたセンシング結果を用いて、生産ラインで作業を行っている作業者の行動解析を行う装置である。本実施形態の行動解析装置１０は、主な構成として、取得部１０１、データ蓄積部１０２、データ解析部１０３、評価部１０４、出力部１０５を有している。行動解析装置１０は、例えば、プロセッサ（ＣＰＵ）、ＲＯＭ、ＲＡＭ、ストレージ（ＨＤＤ、ＳＳＤなど）、入力装置（キーボード、ポインティングデバイスなど）、表示装置などを備える汎用のコンピュータにより構成することができる。その場合、図２に示す構成１０１〜１０５は、プロセッサがＲＯＭ又はストレージに記憶されたプログラムを読み込み実行することによって実現される。なお、構成１０１〜１０５のうちの全部又は一部をＡＳＩＣやＦＰＧＡなどのプロセッサで実現してもよい。また、クラウドコンピューティングや分散コンピューティングを利用して行動解析装置１０の機能を実現してもよい。

取得部１０１は、センサ１１からセンシング結果のデータを取得する機能を有する。センシング結果は、例えば、検知された作業者の位置情報と、検知時刻を示す時間情報とを含んでいる。また、センシング結果が、位置情報と時間情報以外の情報、例えば、作業者のＩＤ（作業者が誰であるかを示す識別情報）、生産ラインの番号などを含んでいてもよい。位置情報は、例えば、作業者が存在する位置を表す座標値である。位置情報の座標系は、センサ座標系でもよいしグローバル座標系でもよい。また、平面内の位置を示す２次元座標系を用いてもよいし、作業者の動きが単純な往復動とみなせる場合は１次元座標系を用いてもよい。なお、本実施形態ではセンサ１１（画像センサ）側で作業者の位置情報を割り出す構成を採用したが、センサ１１から生データ（画像センサの場合は画像データ）を取り込み、取得部１０１が生データの解析（画像データの場合は顔や人体の検出）を行い、作業者の位置情報を認識してもよい。また、取得部１０１が、画像データから顔認証などの技術により作業者の識別を行ってもよい。あるいは、センシング結果とは別に、作業者の識別情報が外部から取得部１０１に取り込まれてもよい。例えば、作業者が所持するＩＤカードから読み取られた識別情報が時間情報とともに取得部１０１に取り込まれ、時間情報を基に位置情報との紐づけが行われてもよい。あるいは、ユーザ（行動解析装置１０の操作者）が作業者のＩＤを手入力してもよい。

データ蓄積部１０２は、取得部１０１により取得されたセンシング結果の時系列データを不揮発性のストレージ内に蓄積する機能を有する。図２は、蓄積された時系列データの一例を模式的に示している。図２の例では、作業者のＩＤ別に、生産ラインの番号、位置情報、及び、検知日時を示す時間情報が蓄積されている。

データ解析部１０３は、時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成する機能を有する。このとき、データ解析部１０３は、作業者ごとに時系列データの解析を行い、作業者ごとのモデルを生成する。すなわち、データ解析部１０３は、作業者ごとの行動の統計的傾向（定常的な行動）を表すモデルを生成するものといえる。

評価部１０４は、取得部１０１により新たに取得される１周期分の位置情報を、データ解析部１０３で生成されたモデルと比較することにより、非定常な行動を検知する機能を有する。また、評価部１０４は、複数の作業者の時系列データからそれぞれ生成された複数のモデルを相対的に評価することによって各作業者の熟練度を判定する機能、熟練者と非熟練者の間のモデル（行動の傾向）を比較する機能などを有する。

出力部１０５は、データ解析部１０３や評価部１０４により得られた情報を出力する機能を有する。出力部１０５は、行動解析装置１０が備える表示装置に情報を出力してもよし、外部の装置に情報を伝送してもよい。例えば、管理者や監督者の端末に通知メッセージを送信するものでもよいし、他の装置に対して警告信号又は制御信号を送信するものでもよいし、音・光・振動などを発するものでもよい。

（モデルの生成）
図３及び図４を参照して、データ解析及びモデル生成の処理例を説明する。図３は、行動解析装置１０によるデータ解析及びモデル生成のフローチャートであり、図４は、データ解析及びモデル生成の流れの模式図である。図３の処理は、統計学的に十分な量の時系列データがデータ蓄積部１０２に蓄積された状態で実行されるとよい。

ステップＳ３００において、データ解析部１０３は、解析対象者を決定する。例えば、データ蓄積部１０２に複数の作業者のデータが蓄積されている場合、データ解析部１０３は、作業者ＩＤ順に順番に解析対象者を選択すればよい。あるいは、ユーザが解析対象者を指定してもよい。以後のステップＳ３０１〜Ｓ３０４の処理は、解析対象者ごとに実行される。

ステップＳ３０１では、データ解析部１０３が、データ蓄積部１０２から解析対象者の位置情報の時系列データ４０を読み込む。

ステップＳ３０２では、データ解析部１０３が、位置情報の時系列データを周期ごとに分割し、「１周期分の位置情報の変化」の多数のサンプル４１を抽出する。１周期の開始点及び終了点は、位置情報の時系列データのピーク（極大又は極小）により判別してもよいし、位置情報の値に基づき判別してもよい。例えば、作業が工程１〜工程ｎのｎ個の作業工程で構成されており、作業者が工程１〜工程ｎの作業を繰り返し実行する場合であれば、作業者の位置情報の値が工程１の作業場所に該当する範囲に入った時点で、１周期の終了（且つ、次の１周期の開始）と判定してもよい。

ステップＳ３０３では、データ解析部１０３は、ステップＳ３０２で抽出された複数のサンプル４１を用いて、１周期における位置情報の平均的な変化を表すモデル４２を生成する。例えば、データ解析部１０３は、時間的な位相を合わせて複数のサンプルの位置情報をプロットしたデータに対し、最小二乗法などで曲線をフィッティングすることにより
モデルを生成してもよい。あるいは、データ解析部１０３は、複数のサンプルの間で同じ位相（時点）の位置情報の平均値を算出し、平均値の点列（又はその点列にフィッティングした曲線）によりモデルを生成してもよい。また、ここで述べた方法以外の方法を利用してモデルを生成してもよい。なお、ステップＳ３０２で抽出されたすべてのサンプルをモデル生成に利用してもよいし、周期の長さがほぼ同じサンプルのみを用いてモデル生成を行ってもよい。

ステップＳ３０４では、データ解析部１０３が、ステップＳ３０３で生成したモデル４２を解析対象者の作業者ＩＤ及びデータ解析に用いた時系列データの期間の情報と共にデータ蓄積部１０２に登録する。ここで登録されるデータを、以後、作業者個々の定常的（平準的）な行動を定義するデータという意味で「個人平準化データ」と呼ぶ。なお、データ蓄積部１０２には、同じ作業者に対し、時系列データの期間が異なる複数の個人平準化データを登録できるようにしてもよい。時間の経過とともに作業に対する習熟度が増し、行動の仕方が変化し得るからである。

ステップＳ３０５では、データ解析部１０３が、すべての作業者の処理が完了したかを確認し、未完了であればステップＳ３０１に戻り、次の作業者のデータ解析を行う。

（異常の検知）
図５及び図６を参照して、異常検知の処理例を説明する。図５は、行動解析装置１０による異常検知のフローチャートであり、図６は、異常検知の流れの模式図である。図５の処理は、個人平準化データが生成・登録されると実行可能となる。なお、図５の処理は、オンラインで（すなわち、生産ラインの稼働中にセンサ１１から逐次取り込まれるデータに対して）実行してもよいし、オフラインで（すなわち、データ蓄積部１０２などに蓄積されたデータを後から評価する目的で）実行してもよい。ここでは、オンラインでの処理について説明する。

ステップＳ５００において、評価部１０４は、評価対象者を決定する。例えば、データ蓄積部１０２に複数の作業者の個人平準化データが登録されている場合、評価部１０４は、作業者ＩＤ順に順番に評価対象者を選択すればよい。あるいは、ユーザが評価対象者を指定してもよい。以後のステップＳ５０１〜Ｓ５０４の処理は、評価対象者ごとに実行される。

ステップＳ５０１では、評価部１０４が、データ蓄積部１０２から評価対象者の直近１周期分の位置情報のデータ６０を読み込む。１周期の開始点及び終了点は、ステップＳ３０２で述べたものと同じ方法で判別すればよい。評価部１０４は、１周期分の位置情報の点列に対し曲線をフィッティングしてもよい。

ステップＳ５０２では、評価部１０４が、データ蓄積部１０２から評価対象者の個人平準化データ６１を読み込み、ステップＳ５０１で取得した１周期分の位置情報６０を個人平準化データ６１と比較する。例えば、評価部１０４は、１周期分の位置情報６０と個人平準化データ６１とのあいだで、対応する時点（位相）における位置情報の値の差６２や、１周期の長さの差６３などを計算するとよい。これらの差６２、６３が所定の閾値を超えた場合には（ステップＳ５０３のＹＥＳ）、出力部１０５が異常（評価対象者の非定常な行動）を検知した旨を通知する（ステップＳ５０４）。このとき、異常の有無だけでなく、異常が発生した作業ラインや作業工程を示す情報もあわせて通知するとよい。異常が発生した作業工程は、例えば、１周期分の位置情報６０と個人平準化データ６１との乖離が最も大きい位置６４などから推定することができる。

ステップＳ５０５では、評価部１０４が、すべての作業者の処理が完了したかを確認し
、未完了であればステップＳ５０１に戻り、次の作業者の評価を行う。

（熟練度の判定）
図７及び図８を参照して、熟練度判定の処理例を説明する。図７は、行動解析装置１０による熟練度判定のフローチャートであり、図８は、熟練度判定の流れの模式図である。図７の処理は、複数の作業者の個人平準化データが生成・登録されると実行可能となる。本実施形態では、複数の作業者の個人平準化データを相対的に評価することによって、複数の作業者それぞれの作業に対する熟練度を判定する。

ステップＳ７００において、評価部１０４は、データ蓄積部１０２から複数の作業者の個人平準化データを取得する。そして、ステップＳ７０１において、評価部１０４は、個人平準化データから工程ごとの作業時間を計算する。位置情報の値と各工程の作業場所との対応関係はあらかじめ分かっているため、図８に示すように、位置情報の値に基づいて各工程の開始点・終了点を判別することができる。

ステップＳ７０２において、評価部１０４は、複数の作業者のデータから、各工程の作業時間の平均値及び分散を計算する。そして、ステップＳ７０３において、評価部１０４は、工程ごとに、作業者の熟練度によるクラス分けのための閾値を設定する。例えば、図８に示すように、作業時間が「平均値−１σ」（σは標準偏差）より短い人を「熟練者」、作業時間が「平均値−１σ」〜「平均値＋１σ」の範囲にある人を「平均者」、作業時間が「平均値＋１σ」より長い人を「新人」、というように３クラス分類してもよい。なお、閾値の設定方法やクラスの数はこれに限らず、適宜設計してよい。

ステップＳ７０４において、評価部１０４は、評価対象者を決定する。例えば、評価部１０４は、作業者ＩＤ順に順番に評価対象者を選択すればよい。あるいは、ユーザが評価対象者を指定してもよい。ステップＳ７０５において、評価部１０４は、評価対象者の個人平準化データから各工程の作業時間を計算し（ステップＳ７０１で計算済みであれば、その計算結果を流用してもよい）、ステップＳ７０３で設定された閾値との比較により、工程ごとの熟練度を決定する。本実施形態では、例えば、工程ごとの熟練度は、２（熟練者）、１（平均者）、０（新人）のように設定される。そして、ステップＳ７０６において、評価部１０４は、工程ごとの熟練度を加算することで、総合的な熟練度を計算する。例えば３つの工程が存在する場合、総合的な熟練度のスコアの最小値は０（工程ごとの熟練度がすべて０（新人）の場合）、最大値は６（工程ごとの熟練度がすべて２（熟練者）の場合）となる。

ステップＳ７０７では、評価部１０４が、ステップＳ７０５及びＳ７０６で計算した工程ごとの熟練度と総合的な熟練度のデータを、評価対象者の作業者ＩＤ及び評価に用いた個人平準化データの期間の情報と共にデータ蓄積部１０２に登録する。ここで登録されるデータを、以後、「熟練度データ」と呼ぶ。なお、データ蓄積部１０２には、同じ作業者に対し、個人平準化データの期間が異なる複数の熟練度データを登録できるようにしてもよい。時間の経過とともに熟練度が向上し得るからである。

ステップＳ７０８では、評価部１０４が、すべての作業者の処理が完了したかを確認し、未完了であればステップＳ７０４に戻り、次の作業者の熟練度の算出を行う。

（熟練者との比較）
図９を参照して、熟練者とのモデル比較の処理例を説明する。図９は、行動解析装置１０によるモデル比較のフローチャートである。図９の処理は、個人平準化データ及び熟練度データが生成・登録されると実行可能となる。

ステップＳ９００において、評価部１０４は、評価対象者を決定する。例えば、ユーザが評価対象者を指定してもよいし、評価部１０４が評価対象者を自動で選択してもよい。ステップＳ９０１では、評価部１０４が、データ蓄積部１０２から評価対象者の個人平準化データを読み込む。

また、ステップＳ９０２では、評価部１０４が、熟練度データに基づいて熟練者を一人選択し、その熟練者の個人平準化データをデータ蓄積部１０２から読み込む。例えば、総合的な熟練度が最も高い作業者を熟練者として選択してもよいし、特定の工程だけに着目するのであれば、その工程の熟練度と総合的な熟練度の両方が高い作業者を熟練者として選択してもよい。

ステップＳ９０３では、評価部１０４が、評価対象者の個人平準化データと熟練者の個人平準化データを比較する。そして、ステップＳ９０４において、出力部１０５が評価対象者の個人平準化データと熟練者の個人平準化データとの差を表す情報を出力する。例えば、図１の右側に示すように、評価対象者の個人平準化データと熟練者の個人平準化データとを時間軸上で重ねて表示してもよい。また、工程ごとの作業時間の差、全体の作業時間の差、作業時間の差が最も大きい工程を示す情報などを出力してもよい。

（本実施形態の利点）
以上述べた本実施形態の装置によれば、人の行動（位置情報の変化）の傾向を表すモデルである個人平準化データを自動で生成することができる。この個人平準化データは、例えば、人ごとの行動の差を比較する目的、人ごとの行動の特徴（良い点、悪い点、無駄な動きなど）を把握する目的、所定のエリア又は所定の行動のなかの要改善箇所を見出す目的など、さまざまな用途に利用できる。また、人が非定常な行動を行った場合に自動で検知することができるので、人の行動監視に有用である。また、人ごとの熟練度を自動かつ簡単に把握することができる。さらに、熟練者との比較により、評価対象者の行動の良し悪しの評価や、評価対象者の行動のなかの要改善箇所の検知などが可能である。例えば、管理者や監督者にこのような情報を提供することにより、要改善箇所の発見や工程改善の取組みを支援することができる。

＜その他＞
上記実施形態は、本発明の構成例を例示的に説明するものに過ぎない。本発明は上記の具体的な形態には限定されることはなく、その技術的思想の範囲内で種々の変形が可能である。例えば、上記実施形態は、生産ラインにおける作業者の行動を解析及び評価の対象としたが、本発明は他の対象や用途にも利用可能である。他の対象になり得るのは、人が所定のエリア内で所定の行動を行うことが予定されている場合である。例えば、駅の改札や施設のゲートにおいて、通行者の行動を解析する用途にも本発明を適用可能である。

＜付記１＞
（１）所定のエリア内で所定の行動を行う人の位置情報を取得する取得部（１０１）と、
前記取得部（１０１）により取得された位置情報の時系列データを蓄積するデータ蓄積部（１０２）と、
前記時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成するデータ解析部（１０３）と、
を有することを特徴とする行動解析装置（１０）。

１：監視システム
１０：行動解析装置
１１：センサ

Claims

所定のエリア内で所定の行動を行う人の位置情報を取得する取得部と、
前記取得部により取得された位置情報の時系列データを蓄積するデータ蓄積部と、
前記時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成するデータ解析部と、
を有することを特徴とする行動解析装置。
取得される１周期分の位置情報を前記モデルと比較することにより、非定常な行動を検知する評価部をさらに有する
ことを特徴とする請求項１に記載の行動解析装置。
前記評価部は、前記１周期分の位置情報と前記モデルとのあいだで、対応する時点における位置情報の差、及び／又は、１周期の長さの差が所定の閾値を超えた場合に、非定常な行動と判定する
ことを特徴とする請求項２に記載の行動解析装置。
非定常な行動を検知した場合に通知を行う出力部をさらに有する
ことを特徴とする請求項３に記載の行動解析装置。
前記データ蓄積部は、一人又は複数の人の時系列データを蓄積するものであり、
前記データ解析部は、人ごとに位置情報の変化の周期的なパターンを解析して、人ごとのモデルを生成し、
前記評価部は、人ごとに前記１周期分の位置情報と前記モデルの比較を行う
ことを特徴とする請求項２〜４のうちいずれか１項に記載の行動解析装置。
複数の人の時系列データからそれぞれ生成された複数のモデルを相対的に評価することによって、前記複数の人それぞれの前記所定の行動に対する熟練度を判定する評価部をさらに有する
ことを特徴とする請求項１に記載の行動解析装置。
前記評価部は、さらに、判定した熟練度に基づいて前記複数のモデルの中から熟練者のモデルを選択し、評価対象者のモデルと前記熟練者のモデルとの比較を行う
ことを特徴とする請求項６に記載の行動解析装置。
前記評価対象者のモデルと前記熟練者のモデルとの差を表す情報を出力する出力部をさらに有する
ことを特徴とする請求項７に記載の行動解析装置。
前記評価部は、前記複数のモデルそれぞれの時間長さを相対的に評価することによって、前記複数の人の熟練度を判定する
ことを特徴とする請求項６〜８のうちいずれか１項に記載の行動解析装置。
前記所定の行動は、１つ以上の工程からなる作業であり、
前記評価部は、前記複数のモデルのそれぞれから工程ごとの作業時間を求め、作業時間の長さに基づくクラス分けを工程ごとに行うことによって、前記複数の人それぞれの工程ごとの熟練度を判定する
ことを特徴とする請求項６〜９のうちいずれか１項に記載の行動解析装置。
前記取得部は、前記所定のエリアに存在する人をセンシングするセンサから取り込まれ
る情報を基に、人の位置情報を取得する
ことを特徴とする請求項１〜１０のうちいずれか１項に記載の行動解析装置。
前記センサは、画像センサ、人感センサ、又は、人が所持するデバイスとの組み合わせで人の位置を検知するセンサである
ことを特徴とする請求項１１に記載の行動解析装置。
前記取得部は、顔認識によって前記所定の行動を行っている人を識別する
ことを特徴とする請求項１〜１２のうちいずれか１項に記載の行動解析装置。
前記取得部は、前記所定の行動を行っている人を識別するための識別情報を外部から取得する
ことを特徴とする請求項１〜１２のうちいずれか１項に記載の行動解析装置。
所定のエリア内で所定の行動を行う人の位置情報を取得するステップと、
蓄積された位置情報の時系列データから位置情報の変化の周期的なパターンを解析することによって、１周期における位置情報の平均的な変化を表すモデルを生成するステップと、
を有することを特徴とする行動解析方法。
請求項１５に記載の行動解析方法の各ステップをプロセッサに実行させるためのプログラム。