JP7058434B1 - 生成方法、情報処理装置、プログラム、及び情報処理システム - Google Patents
生成方法、情報処理装置、プログラム、及び情報処理システム Download PDFInfo
- Publication number
- JP7058434B1 JP7058434B1 JP2021112509A JP2021112509A JP7058434B1 JP 7058434 B1 JP7058434 B1 JP 7058434B1 JP 2021112509 A JP2021112509 A JP 2021112509A JP 2021112509 A JP2021112509 A JP 2021112509A JP 7058434 B1 JP7058434 B1 JP 7058434B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- score
- noise
- information processing
- sensor data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Manipulator (AREA)
- Processing Or Creating Images (AREA)
- Image Generation (AREA)
- Image Analysis (AREA)
Abstract
Description
まず、本実施形態に係る情報処理システム1の概要について説明する。本実施形態に係る情報処理システム1は、プロセスに対して提供する合成データを作成するためのシステムである。また、上述した通り、この合成データは、最適化されたレンダリング画像である。
図2は、情報処理装置30のハードウェア構成の一例を示す図である。図2に示すように、情報処理装置30は、バスBを介して相互に接続された、プロセッサ301と、メモリ302と、ストレージ303と、通信I/F304と、入出力I/F305と、ドライブ装置306と、を備える。
情報処理装置30の機能構成について図説明する。図3は、情報処理装置30の機能構成の一例を示す図である。図3に示すように、情報処理装置30は、通信部31と、記憶部32と、制御部33と、を備える。
図4は、情報処理装置30が実行する制御処理の概要を示す図である。具体的に、図4は、図3に例示した機能構成のうち、制御部33の学習部332(AIチューニングエージェント333)、制御部33の評価部334、制御部33のロボットシミュレーション部335(レンダリングエンジン336)と、記憶部32と、を取り上げて、これらの機能間での情報の授受を具体的に説明する。なお、この図4では、通信部31、及び、制御部33の情報送受信部331の処理については説明を省略する。
本システムの例えばデーモンは、記憶部32の評価データ322のセンサデータの格納領域に利用可能なセンサデータがあるかどうか、すなわち、リファレンスセンサデータがあるかどうかを判断する。リファレンスセンサデータがある場合(ステップS101:YES)、処理はステップS102に進む。一方、リファレンスセンサデータがない場合(ステップS101:NO)、処理はステップS102に進む。
本システムの例えばデーモンは、記憶部32のセンサデータを例えばメモリ302にロードする。そして、処理はステップS104に進む。
一方(ステップS101においてリファレンスセンサデータがないと判断した場合)、本システムの例えばデーモンは、例えばメモリ302に統計データをロードする。そして、処理はステップS104に進む。
本システムの例えばデーモンは、記憶部32の評価データ322のノイズ特徴量データの格納領域に利用可能なノイズ特徴量データがあるかどうか、すなわち、リファレンスノイズ特徴量データがあるかどうかを判断する。リファレンスノイズ特徴量データがある場合(ステップS104:YES)、処理はステップS105に進む。一方、リファレンスノイズ特徴量データがない場合(ステップS104:NO)、処理はステップS106に進む。
本システムの例えばデーモンは、記憶部32のノイズ特徴量データを例えばメモリ302にロードする。そして、処理はステップS107に進む。
一方(ステップS104においてリファレンスノイズ特徴量データがないと判断した場合)、記憶部32の評価データ322のセンサデータシートに含まれるノイズ特徴量データを、例えばメモリ302にロードする。そして、処理はステップS107に進む。
本システムの例えばデーモンは、評価部334を起動し、処理はステップS108に進む。
本システムの例えばデーモンは、リファレンスセンサデータがあるか否かを判断する。リファレンスセンサデータがある場合(ステップS108:YES)、処理はステップS109に進む。一方、リファレンスセンサデータがない場合(ステップS108:NO)、処理はステップS110に進む。
評価部334は、データ評価モードを“リファレンスセンサデータあり”に設定する。そして、処理はステップS111に進む。
一方(ステップS109においてリファレンスセンサデータがないと判断した場合)、評価部334は、データ評価モードを“リファレンスセンサデータなし”に設定する。そして、処理はステップS111に進む。
評価部334は、リファレンスノイズ特徴量データがある場合(ステップS111:YES)、処理はステップS112に進む。一方、リファレンスノイズ特徴量データがない場合(ステップS111:NO)、処理はステップS113に進む。
評価部334は、ノイズ評価モードを“リファレンスノイズ特徴量データあり”に設定する。そして、処理はステップS114に進む。
一方(ステップS111においてリファレンスノイズ特徴量データがないと判断した場合)、評価部334は、ノイズ評価モードを“リファレンスノイズ特徴量データなし”に設定する。そして、処理はステップS114に進む。
評価部334は、リアリズム閾値を設定する。そして、連結子Aを介して、図6に例示したステップS115の処理に進む。
本システムの例えばデーモンは、ロボットシミュレーション部335を起動する。そして、処理はステップS116に進む。
ロボットシミュレーション部335(レンダリングエンジン336)は、記憶部32の評価データ322の設備機器記述データを、例えばメモリ302にロードする。そして、処理はステップS117に進む。
本システムの例えばデーモンは、AIチューニングエージェント333を起動する。そして、処理はステップS118に進む。
AIチューニングエージェント333は、記憶部32の学習モデル325の格納領域に当該学習モデル325について利用可能な重みがあるかどうかを判断する。利用可能な重みがある場合(ステップS118:YES)、処理はステップS119に進む。一方、利用可能な重みがない場合(ステップS118:NO)、処理はステップS120に進む。
AIチューニングエージェント333は、利用可能な重みを、例えばメモリ302にロードする。そして、処理はステップS121に進む。
一方(ステップS118において利用可能な重みがないと判断した場合)、ランダムな重みを生成する。そして、処理はステップS121に進む。
AIチューニングエージェント333は、記憶部32のレンダリングパラメータ323の格納領域にある、センサノイズパラメータ、シーンパラメータ、及びターゲットオブジェクトパラメータを、例えばメモリ302にロードする。なお、初回起動時には、これらのパラメータの値をランダムに設定してもよい、ディスクメディア309等からロードされてもよい。また、それ以降は、上記パラメータの値を、例えば、後述するステップS132にて設定されるシミュレーション用パラメータ値に基づき設定してもよい。そして、処理はステップS122に進む。
レンダリングエンジン336が、合成データを生成する。レンダリングエンジン336が、その都度生成する合成データであって、続く処理においてリアリズムスコア算出の対象となる合成データを、サンプル合成データという。すなわち、このステップS121において生成された合成データは、サンプル合成データに相当する。そして、処理はステップS123に進む。
レンダリングエンジン336は、サンプル合成データをAIチューニングエージェント333に入力する。そして、処理はステップS124に進む。
レンダリングエンジン336は、サンプル合成データを評価部334に入力する。そして、処理はステップS125に進む。
評価部334は、サンプル合成データのリアリズムスコアを算出する。そして、処理は連結子Bを介して、図7に例示するステップS126に進む。
評価部334は、ステップS124にて算出したリアリズムスコアがリアリズム閾値よりも大きいか否かを判断する。リアリズムスコアがリアリズム閾値よりも大きいと判断した場合(ステップS126:YES)、処理はステップS127に進む。一方、リアリズムスコアがリアリズム閾値以下であると判断した場合(ステップS126:NO)、処理はステップS130に進む。
AIチューニングエージェント333は、ステップS119にてロードした重みを最良の重みとして、記憶部32の学習モデル325の格納領域に保存する。そして、処理はステップS128に進む。
評価部334は、ステップS121にてロードしたレンダリングパラメータ323(センサノイズパラメータ、シーンパラメータ、及びターゲットオブジェクトパラメータ)を、最良のシミュレーション用パラメータ値として、記憶部32のレンダリングパラメータ323の格納領域に保存する。そして、処理はステップS129に進む。
レンダリングエンジン336は、ステップS127にて保存した最良の重みと、ステップS128にて保存した最良のシミュレーション用パラメータ値を用いて、合成データを生成する。そして、この生成した合成データをプロセスに提供する(図1参照)。そして、処理が終了する。
一方(ステップS126においてリアリズムスコアがリアリズム閾値以下であると判断した場合)、レンダリングエンジン336は、ステップS125にて算出したリアリズムスコアをAIチューニングエージェント333に渡す。AIチューニングエージェント333は、ステップS125にて算出したリアリズムスコアを受け取り、自身が備える学習済みモデルの入力とする。そして、処理はステップS131に進む。
AIチューニングエージェント333は、ステップS130にて学習済みモデルにリアリズムスコアを入力した結果(出力)である、シミュレーション用パラメータ値を生成(出力)する。この学習済みモデルは、リアリズムスコアの値が最適になるような学習を行うよう訓練されているから、レンダリングエンジン336において合成データを生成する際のシミュレーション用パラメータ値をチューニングし、より最適化された合成データを生成し得るシミュレーション用パラメータ値を生成する。このステップS131にて生成されたシミュレーション用パラメータ値を新規のシミュレーション用パラメータ値をともいう。そして、処理はステップS132に進む。
AIチューニングエージェント333は、ステップS131にて生成した新規のシミュレーション用パラメータ値を、レンダリングエンジン336へ入力する。そして、処理はステップS133に進む。
レンダリングエンジン336は、ステップS132にて受け取った新規のシミュレーション用パラメータ値をパース、又はマップする。そして、処理はステップS134に進む。
レンダリングエンジン336は、ステップS133にてパースした新規のシミュレーション用パラメータ値を用いて、サンプル合成データを生成する。そして、処理はステップS123(図6参照)に戻る。
以上説明した通り、本実施形態に係る情報処理システム1は、レンダリングパラメータを調整して、調整したレンダリングパラメータに基づき合成データを生成する。これにより、最適化されたレンダリング合成データの生成を支援することができる。
本実施形態は、以下の開示を含む。
情報処理装置が実行する生成方法であって、
レンダリングパラメータを調整する処理と、
調整した前記レンダリングパラメータに基づき合成データを生成する処理と、
を含む生成方法。
前記情報処理装置は、リアリズムスコアの値が最適になるようにレンダリングパラメータを調整する、
付記1に記載の生成方法。
前記リアリズムスコアは、センサデータスコア、及びノイズスコアに基づき算出される、
付記1又は付記2に記載の生成方法。
前記センサデータスコアは、リファレンスセンサデータが利用可能な場合、前記合成データの前記リファレンスセンサデータに対する類似度を示す値である、
付記1から付記3までのいずれか1項に記載の生成方法。
前記ノイズスコアは、リファレンスノイズ特徴量データが利用可能な場合、前記合成データのノイズプロファイルと、前記リファレンスノイズ特徴量データとの類似度を示す値である、
付記1から付記4までのいずれか1項に記載の生成方法。
前記レンダリングパラメータは、センサノイズパラメータ、シーンパラメータ、及びターゲットオブジェクトパラメータ等を含む、
付記1から付記5までのいずれか1項に記載の生成方法。
前記情報処理装置は、前記リアリズムスコアの値が最適になるような学習を行うよう訓練された学習済みモデルを用いて、前記レンダリングパラメータを調整する、
付記2に記載の生成方法。
レンダリングパラメータを調整し、調整した前記レンダリングパラメータに基づき合成データを生成する制御部、
を備える情報処理装置。
レンダリングパラメータを調整する処理と、
調整した前記レンダリングパラメータに基づき合成データを生成する処理と、
をコンピュータに実行させるためのプログラム。
合成データを用いて、ロボットのシミュレーションを実施するためのプロセスと、
評価データを管理するサーバ装置と、
前記評価データを参照して前記合成データを生成する情報処理装置と、
を備えた情報処理システムであって、
前記情報処理装置により、レンダリングパラメータを調整する処理と、 調整した前記レンダリングパラメータに基づき合成データを生成する処理と、
を実行する情報処理システム。
10 サーバ装置
30 情報処理装置
31 通信部
32 記憶部
33 制御部
301 プロセッサ
302 メモリ
303 ストレージ
304 通信I/F
305 入出力I/F
306 ドライブ装置
307 入力装置
308 出力装置
309 ディスクメディア
322 評価データ
323 レンダリングパラメータ
324 設備機器記述データ
325 学習モデル
331 情報送受信部
332 学習部
333 AIチューニングエージェント
334 評価部
335 ロボットシミュレーション部
336 レンダリングエンジン
Claims (6)
- 情報処理装置が実行する生成方法であって、
レンダリングパラメータを調整する処理と、
調整した前記レンダリングパラメータに基づき合成データを生成する処理と、
リアリズムスコアの値が最適になるように前記レンダリングパラメータを調整する処理と、
を含み、
前記リアリズムスコアは、センサデータスコア、及びノイズスコアに基づき算出され、
前記センサデータスコアは、リファレンスセンサデータが利用可能な場合、前記合成データの前記リファレンスセンサデータに対する類似度を示す値であり、前記リファレンスセンサデータが利用可能ではない場合、統計値を用いて算出され、
前記ノイズスコアは、リファレンスノイズ特徴量データが利用可能な場合、前記合成データのノイズプロファイルと、前記リファレンスノイズ特徴量データとの類似度を示す値であり、前記リファレンスノイズ特徴量データが利用可能ではない場合、ノイズに関する統計値を用いて算出される、
生成方法。 - 前記レンダリングパラメータは、センサノイズパラメータ、シーンパラメータ、及びターゲットオブジェクトパラメータを含む、
請求項1に記載の生成方法。 - 前記情報処理装置は、前記リアリズムスコアの値が最適になるような学習を行うよう訓練された学習済みモデルを用いて、前記レンダリングパラメータを調整する、
請求項1に記載の生成方法。 - レンダリングパラメータを調整し、調整した前記レンダリングパラメータに基づき合成データを生成し、リアリズムスコアの値が最適になるように前記レンダリングパラメータを調整する制御部、
を備え、
前記制御部は、リファレンスセンサデータが利用可能な場合、センサデータスコアを、前記合成データの前記リファレンスセンサデータに対する類似度を示す値として算出し、前記リファレンスセンサデータが利用可能ではない場合、統計値を用いて算出し、
前記制御部は、リファレンスノイズ特徴量データが利用可能な場合、ノイズスコアを、前記合成データのノイズプロファイルと、前記リファレンスノイズ特徴量データとの類似度を示す値として算出し、前記リファレンスノイズ特徴量データが利用可能ではない場合、ノイズに関する統計値を用いて算出する、
情報処理装置。 - レンダリングパラメータを調整する処理と、
調整した前記レンダリングパラメータに基づき合成データを生成する処理と、
リアリズムスコアの値が最適になるように前記レンダリングパラメータを調整する処理と、
をコンピュータに実行させるためのプログラムであって、
前記リアリズムスコアは、センサデータスコア、及びノイズスコアに基づき算出され、
前記センサデータスコアは、リファレンスセンサデータが利用可能な場合、前記合成データの前記リファレンスセンサデータに対する類似度を示す値であり、前記リファレンスセンサデータが利用可能ではない場合、統計値を用いて算出され、
前記ノイズスコアは、リファレンスノイズ特徴量データが利用可能な場合、前記合成データのノイズプロファイルと、前記リファレンスノイズ特徴量データとの類似度を示す値であり、前記リファレンスノイズ特徴量データが利用可能ではない場合、ノイズに関する統計値を用いて算出される、
プログラム。 - 合成データを用いて、ロボットのシミュレーションを実施するためのプロセスと、
評価データを管理するサーバ装置と、
前記評価データを参照して前記合成データを生成する情報処理装置と、
を備えた情報処理システムであって、
前記情報処理装置により、レンダリングパラメータを調整する処理と、調整した前記レンダリングパラメータに基づき合成データを生成する処理と、リアリズムスコアの値が最適になるように前記レンダリングパラメータを調整する処理と、
を実行する情報処理システムであって、
前記リアリズムスコアは、センサデータスコア、及びノイズスコアに基づき算出され、
前記センサデータスコアは、リファレンスセンサデータが利用可能な場合、前記合成データの前記リファレンスセンサデータに対する類似度を示す値であり、前記リファレンスセンサデータが利用可能ではない場合、統計値を用いて算出され、
前記ノイズスコアは、リファレンスノイズ特徴量データが利用可能な場合、前記合成データのノイズプロファイルと、前記リファレンスノイズ特徴量データとの類似度を示す値であり、前記リファレンスノイズ特徴量データが利用可能ではない場合、ノイズに関する統計値を用いて算出される、
情報処理システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021112509A JP7058434B1 (ja) | 2021-07-07 | 2021-07-07 | 生成方法、情報処理装置、プログラム、及び情報処理システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021112509A JP7058434B1 (ja) | 2021-07-07 | 2021-07-07 | 生成方法、情報処理装置、プログラム、及び情報処理システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7058434B1 true JP7058434B1 (ja) | 2022-04-22 |
JP2023009344A JP2023009344A (ja) | 2023-01-20 |
Family
ID=81291864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021112509A Active JP7058434B1 (ja) | 2021-07-07 | 2021-07-07 | 生成方法、情報処理装置、プログラム、及び情報処理システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7058434B1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024079792A1 (ja) * | 2022-10-11 | 2024-04-18 | 株式会社エクサウィザーズ | 情報処理装置、方法、及びプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200050716A1 (en) * | 2018-08-09 | 2020-02-13 | Zoox, Inc. | Procedural world generation using tertiary data |
WO2021006189A1 (ja) * | 2019-07-08 | 2021-01-14 | 国立大学法人東京大学 | 画像生成装置、画像生成方法及び画像生成プログラム |
US20210027044A1 (en) * | 2018-03-30 | 2021-01-28 | Movidius Ltd. | Methods, systems, articles of manufacture and apparatus to generate digital scenes |
-
2021
- 2021-07-07 JP JP2021112509A patent/JP7058434B1/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210027044A1 (en) * | 2018-03-30 | 2021-01-28 | Movidius Ltd. | Methods, systems, articles of manufacture and apparatus to generate digital scenes |
US20200050716A1 (en) * | 2018-08-09 | 2020-02-13 | Zoox, Inc. | Procedural world generation using tertiary data |
WO2021006189A1 (ja) * | 2019-07-08 | 2021-01-14 | 国立大学法人東京大学 | 画像生成装置、画像生成方法及び画像生成プログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024079792A1 (ja) * | 2022-10-11 | 2024-04-18 | 株式会社エクサウィザーズ | 情報処理装置、方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2023009344A (ja) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210012558A1 (en) | Method and apparatus for reconstructing three-dimensional model of human body, and storage medium | |
JP6441980B2 (ja) | 教師画像を生成する方法、コンピュータおよびプログラム | |
WO2017154284A1 (ja) | 情報処理方法および情報処理装置 | |
JP2022503647A (ja) | クロスドメイン画像変換 | |
JP2018532216A (ja) | 画像正則化及びリターゲティングシステム | |
WO2020216033A1 (zh) | 用于面部图像生成的数据处理方法、设备和介质 | |
US11941737B2 (en) | Artificial intelligence-based animation character control and drive method and apparatus | |
JP7055769B2 (ja) | データ生成装置、データ生成方法およびプログラム | |
JP6863596B6 (ja) | データ処理装置及びデータ処理方法 | |
JP7310252B2 (ja) | 動画生成装置、動画生成方法、プログラム、記憶媒体 | |
CN114925748B (zh) | 模型训练及模态信息的预测方法、相关装置、设备、介质 | |
JP7058434B1 (ja) | 生成方法、情報処理装置、プログラム、及び情報処理システム | |
US20230267686A1 (en) | Subdividing a three-dimensional mesh utilizing a neural network | |
JP2021103344A (ja) | 学習支援装置、学習装置、学習支援方法及び学習支援プログラム | |
US10282883B2 (en) | Hierarchy-based character rigging | |
CN112766348A (zh) | 一种基于对抗神经网络生成样本数据的方法以及装置 | |
US20140192045A1 (en) | Method and apparatus for generating three-dimensional caricature using shape and texture of face | |
CN114762004A (zh) | 数据生成方法、数据生成装置、模型生成方法、模型生成装置及程序 | |
JP2010250634A (ja) | 画像サーバー、画像検索システム、画像検索方法およびインデックス作成方法 | |
CN114373033A (zh) | 图像处理方法、装置、设备、存储介质及计算机程序 | |
KR20180082171A (ko) | 3차원 캐릭터 생성 방법 및 시스템 | |
KR20210063171A (ko) | 이미지 변환 장치 및 이미지 변환 방법 | |
JP6918382B1 (ja) | 情報処理装置及び情報処理方法 | |
WO2021200143A1 (ja) | 画像処理装置、画像処理方法、および、3dモデルデータ生成方法 | |
CN111581411B (zh) | 高精度人脸形状库的构建方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210707 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210707 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211013 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211203 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211214 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211223 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220107 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220304 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220311 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220404 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7058434 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |