JP7209657B2 - 情報処理装置及び方法 - Google Patents

Description

本発明は情報処理装置及び方法に関し、例えば、未知の環境をアクティブセンシングにより認識するセンシングシステムに適用して好適なものである。

実空間で自動車やロボット等の機械を制御する場合、その機械周辺の環境の認識が重要となる。従来、環境を認識する方法としては、機械に搭載したセンサを用いることが一般的である。しかしながら、センサを用いてある一時点で取得した値は、その環境のごく一部を切り取った情報に過ぎない。このため、このような環境の認識手法は、環境が元々持っている情報量に比べて情報量が削減された一部の情報を取得していることに等しい。

一方、センサを用いて環境を認識する手法として、情報量が削減されることを前提に、センサを能動的に動かすアクションを起こしつつセンシングするアクティブセンシングがある。アクティブセンシングは、センサで取得した後に当該センサによるセンシング位置を変更するなどのアクションを起こし、再びそのセンサで情報を取得する、ということを繰り返すセンシング方法である。

このようなアクティブセンシングの具体例として、アクティブセンシングを文字認識に適用する場合について説明する。ここでは、複数の文字が存在する環境において各文字を、センサとしてのカメラの出力に基づいて認識するタスクを想定する。

まず、カメラで文字を撮像する。このとき得られる画像は、１つの文字や文字の一部のみの画像であり、環境が元々持っている情報量に比べて情報量は削減されていると言える。次に、現時点の撮像画像に基づいてカメラの位置を変更するというアクションを起こす。その後、再び文字を撮像すると、前時点のカメラの位置では撮像できなかった文字や文字の一部の画像が得られる。このようなカメラによる撮像と、そのカメラの位置の変更とを繰り返すことによって、最終的には複数の文字のすべてを認識することができる。

なお、アクティブセンシング技術に関連して、特許文献１には、色・濃淡値による物体の切り出し、テンプレートマッチング及び物体像と、システムが有する幾何モデルとのマッチングにより、注視物体の種類、位置及び姿勢を同定し、その物体を把持するための局所的な作業計画を立案する方法が開示されている。

特開平０８－０３０３２７号公報

特許文献１では、対象物のセンサデータの特徴量に基づいて作業計画を立案することとしているが、作業計画の立案に必要なすべての情報がセンサデータの特徴量のみから得られるとは限らない。例えば、対象物の候補が無数にある場合において、対象物同士が重なっていたり、接触していたりする場合、センサデータの特徴量のみから各対象物を切り分けて認識することは困難である。

本発明は以上の点を考慮してなされたもので、センシング対象を精度良く認識し得る情報処理装置及び方法を提案しようとするものである。

かかる課題を解決するため本発明においては、センサを用いたアクティブセンシングを制御する情報処理装置において、学習により得られた複数のカテゴリごとの学習モデル、及び、過去に認識したセンシング対象ごとの当該センシング対象が属するカテゴリがそれぞれ格納された記憶装置と、前記記憶装置に格納された前記学習モデルの中から１又は複数の前記学習モデルを選択するモデル選択部と、前記センサから与えられたセンサデータを順次合成することにより得られた観測データを前記モデル選択部により選択された各前記学習モデルにそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布を算出する観測データ潜在変数解析部と、前記観測データ潜在変数解析部により算出された前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する観測データ情報量解析部と、前記観測データ情報量解析部により算出された前記観測データが有する情報量の確率分布に基づいて、次時点のセンシング設定を決定するセンシング行動決定部とを設け、前記モデル選択部が、前記記憶装置に格納されている過去に認識した前記センシング対象ごとの当該センシング対象がそれぞれ属する前記カテゴリに基づいて、現在の前記センシング対象が属する前記カテゴリとして最も可能性が高いと推定される前記カテゴリの前記学習モデルを選択するようにした。

また本発明においては、センサを用いたアクティブセンシングを制御する情報処理装置により実行される情報処理方法であって、前記情報処理装置は、学習により得られた複数のカテゴリごとの学習モデル、及び、過去に認識したセンシング対象ごとの当該センシング対象が属するカテゴリがそれぞれ格納された記憶装置を有し、前記記憶装置に格納された前記学習モデルの中から１又は複数の前記学習モデルを選択する第１のステップと、前記センサから与えられたセンサデータを順次合成することにより得られた観測データを選択した各前記学習モデルにそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布を算出する第２のステップと、算出した前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する第３のステップと、算出した前記観測データが有する情報量の確率分布に基づいて、次時点のセンシング設定を決定する第４のステップとを設け、前記第１のステップでは、前記記憶装置に格納されている過去に認識した前記センシング対象ごとの当該センシング対象がそれぞれ属する前記カテゴリに基づいて、現在の前記センシング対象が属する前記カテゴリとして最も可能性が高いと推定される前記カテゴリの前記学習モデルを選択するようにした。

本発明の情報処理装置及び方法によれば、潜在変数を用いて認識処理を行うため、予め全体像を把握している各カテゴリの各ラベルとの比較で、現在の観測データに基づく画像部分がどのカテゴリのどのラベルのどの部分に相当するかという判断で認識処理を行うことができる。

本発明によれば、より精度良くセンシング対象を認識し得る情報処理装置及び方法を実現できる。

第１～第３の実施の形態による情報処理システムの全体構成を示すブロック図である。 生成モデルの説明に供する概念図である。 観測データ管理テーブルの構成例を示す図表である。 第１の実施の形態によるセンシング制御処理の処理手順を示すフローチャートである。 観測データ潜在変数解析部の処理内容の説明に供する概念図である。 観測データ潜在変数解析部の処理内容の説明に供する概念図である。 観測データ潜在変数解析部の処理内容の説明に供する概念図である。 観測データ情報量解析部の処理内容の説明に供する概念図である。 観測データ情報量解析部の処理内容の説明に供する概念図である。 観測データ情報量解析部の処理内容の説明に供する概念図である。 第２の実施の形態によるセンシング制御処理の処理手順を示すフローチャートである。 第１のセンシング設定選択処理の処理手順を示すフローチャートである。 平均画素値分布の説明に供する概念図である。 第３の実施の形態によるセンシング制御処理の処理手順を示すフローチャートである。 第２のセンシング設定選択処理の処理手順を示すフローチャートである。

以下図面について、本発明の一実施の形態を詳述する。

以下に説明する実施の形態は、本発明を説明するための例示であって、説明の明確化のため、適宜、省略及び簡略化されている。本発明は、他の種々の形態でも実施することが可能である。特に限定しない限り、各構成要素は単数でも複数でも構わない。

図面において示す各構成要素の位置、大きさ、形状、範囲などは、発明の理解を容易にするため、実際の位置、大きさ、形状、範囲などを表していない場合がある。このため、本発明は、必ずしも、図面に開示された位置、大きさ、形状、範囲などに限定されない。

各種情報の例として、「テーブル」、「リスト」、「キュー」等の表現にて説明することがあるが、各種情報はこれら以外のデータ構造で表現されてもよい。例えば、「ＸＸテーブル」、「ＸＸリスト」、「ＸＸキュー」等の各種情報は、「ＸＸ情報」としてもよい。識別情報について説明する際に、「識別情報」、「識別子」、「名」、「ＩＤ」、「番号」等の表現を用いるが、これらについてはお互いに置換が可能である。

同一あるいは同様の機能を有する構成要素が複数ある場合には、同一の符号に異なる添字を付して説明する場合がある。また、これらの複数の構成要素を区別する必要がない場合には、添字を省略して説明する場合がある。

実施の形態において、プログラムを実行して行う処理について説明する場合がある。ここで、計算機は、プロセッサ（例えばＣＰＵ、ＧＰＵ）によりプログラムを実行し、記憶資源（例えばメモリ）やインターフェースデバイス（例えば通信ポート）等を用いながら、プログラムで定められた処理を行う。そのため、プログラムを実行して行う処理の主体を、プロセッサとしてもよい。

同様に、プログラムを実行して行う処理の主体が、プロセッサを有するコントローラ、装置、システム、計算機、ノードであってもよい。プログラムを実行して行う処理の主体は、演算部であれば良く、特定の処理を行う専用回路を含んでいてもよい。ここで、専用回路とは、例えばＦＰＧＡ（Field Programmable Gate Array）やＡＳＩＣ（Application Specific Integrated Circuit）、ＣＰＬＤ（Complex Programmable Logic Device）等である。

プログラムは、プログラムソースから計算機にインストールされてもよい。プログラムソースは、例えば、プログラム配布サーバ又は計算機が読み取り可能な記憶メディアであってもよい。プログラムソースがプログラム配布サーバの場合、プログラム配布サーバはプロセッサと配布対象のプログラムを記憶する記憶資源を含み、プログラム配布サーバのプロセッサが配布対象のプログラムを他の計算機に配布してもよい。また、実施の形態において、２以上のプログラムが１つのプログラムとして実現されてもよいし、１つのプログラムが２以上のプログラムとして実現されてもよい。

（１）第１の実施の形態
（１－１）本実施の形態による情報処理システムの構成
図１において、１は全体として本実施の形態による情報処理システム（センシングシステム）を示す。この情報処理システム１は、アクティブセンシングによって未知の環境を把握し得るようになされたシステムであり、情報取得部２及び情報処理装置３から構成される。

情報取得部２は、周囲環境の情報を取得するセンサ４と、センサ４の位置、向き、感度などを変更させるアクチュエータ５とを備えて構成される。センサ４は、カメラ、圧力センサ、温度センサなど、周辺の環境の情報を取得し、取得した情報に応じた信号を出力できるものであればどのような種類のセンサであってもよい。またセンサ４は１つに限らず、同一種類のセンサ４を複数個用いたり、複数種類のセンサ４を組み合わせて用いるようにしてもよい。

情報処理装置３は、センサ４を用いたアクティブセンシングを制御する機能を有する演算装置である。具体的に、情報処理装置３は、センサ４が次時点でセンシングすべき位置及び範囲（センシングレンジ）などの次時点のセンシングの設定を、それまでにセンサ４から与えられたセンサデータを合成することにより得られた観測データに基づいて決定し、決定したセンシングの設定でセンサ４がセンシングするように、情報取得部２のアクチュエータ５を制御する機能を有する演算装置である。

なお、以下においては、理解の容易化のため、センサ４はカメラであり、情報処理装置３のタスクが、複数の文字が存在する環境において各文字を認識するために情報取得部２のセンサ４が次時点で撮像すべき位置及び範囲などの次時点のセンシングの設定を決定し、決定結果に基づいて情報取得部２のアクチュエータ５を制御することであるものとする。

情報処理装置３は、ＣＰＵ（Central Processing Unit）６及びメモリ７などの情報処理資源を備えた汎用のコンピュータ装置から構成される。ＣＰＵ６は、各種演算を実行するプロセッサである。またメモリ７は、例えば半導体メモリなどから構成され、ＣＰＵ６のワークメモリとして利用される。メモリ７には、少なくとも複数の生成モデル８、観測データ管理テーブル９及び演算プログラム１０が格納される。

生成モデル８は、上述の観測データを入力し、当該観測データの潜在変数（その観測データが得られた要因となるもの）のラベルを出力する学習モデルである。過去に、現在のセンシング環境とは別の環境で取得した観測データを用いて、観測データが属するカテゴリ（ここでは、数字、アルファベット、ひらがな及びカタカナなど）ごとに訓練された、カテゴリごとの生成モデル８がメモリ７にそれぞれ格納される。

なお潜在変数の算出には、例えばＶＡＥ（Variational Autoencoder）のエンコーダを用いる。ＶＡＥは、エンコーダ及びデコーダから構成され、エンコーダに観測データを入力したときのデコーダの出力と対応する観測データの誤差を最小化するように訓練される。エンコーダの出力が観測データの潜在変数（ベクトル表現）となる。

図２に示すように、各カテゴリに対応する生成モデル８の訓練に用いた観測データの潜在変数をそのカテゴリの構成要素ごとにクラスタ化し、各クラスタＣＬにラベルＬＡを付与しておく。例えば、数字のカテゴリに所属する観測データを用いて訓練した場合、各クラスタＣＬには「０」、「１」、「２」、……などの文字をラベルＬＡとして付与しておく。ラベルＬＡは文字でなくてもよく、例えば、各クラスタ中心の潜在変数をＶＡＥのデコーダに入力したときに出力される再構成画像であってもよい。

観測データ管理テーブル９は、過去に認識されたセンシング対象（文字）の情報を保持及び管理するために利用されるテーブルであり、図３に示すように、タイムスタンプ欄９Ａ、ラベル欄９Ｂ及びカテゴリ欄９Ｃを備えて構成される。観測データ管理テーブル９の１つの行は、過去に認識された１つのセンシング対象に対応する。

そしてタイムスタンプ欄９Ａには、対応するセンシング対象が認識されてその情報がこの観測データ管理テーブル９に登録された時刻が格納され、ラベル欄９Ｂには、対応するセンシング対象の観測データの潜在変数のラベルが格納される。またカテゴリ欄９Ｃには、対応するセンシング対象が属するカテゴリが格納される。

演算プログラム１０は、情報取得部２から与えられるセンサデータと、過去の観測データと、メモリ７に格納された各生成モデル８とに基づいて、次時点のセンシングの設定を算出し、算出結果に基づいて情報取得部２のアクチュエータ５を制御する機能を有するプログラムである。

この演算プログラム１０は、生成モデル選択部１１、観測データ潜在変数解析部１２、観測データ情報量解析部１３及びセンシング行動決定部１４から構成される。これら生成モデル選択部１１、観測データ潜在変数解析部１２、観測データ情報量解析部１３及びセンシング行動決定部１４の機能については後述する。

（１－２）センシング制御処理
図４は、情報取得部２のセンサ４から与えられるセンサデータに基づいて情報処理装置３において実行されるセンシング制御処理の流れを示す。情報処理装置３は、この図４に示す処理手順に従って、情報取得部２のセンサ４を用いたセンシングを制御する。

なお、以下の説明においては、各種処理の処理主体を図１について上述した演算プログラム１０の生成モデル選択部１１、観測データ潜在変数解析部１２、観測データ情報量解析部１３又はセンシング行動決定部１４として説明するが、実際上は、これら生成モデル選択部１１、観測データ潜在変数解析部１２、観測データ情報量解析部１３及びセンシング行動決定部１４に基づいてＣＰＵ６がその処理を実行することは言うまでもない。

情報処理装置３が起動されるとこのセンシング制御処理が開始され、まず、センシング行動決定部１４が、最初のセンシングの設定ａ_ｔをランダムに選択し、選択した設定でセンサ４によるセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ１）。この結果、この設定ａ_ｔでセンサ４によるセンシングが行われ、そのセンシング結果であるセンサデータ（画像データ）が情報処理装置３に送信される。またセンシング行動決定部１４は、この後、生成モデル選択部１１を呼び出す。

生成モデル選択部１１は、センシング行動決定部１４により呼び出されると、過去に取得したセンサデータを順次合成することにより得られたデータ（以下、これを過去の観測データと呼ぶ）と、そのとき情報取得部２から与えられたセンサデータとを合成することにより得られたデータを現サイクルの観測データｓ_ｔとして取得する（Ｓ２）。

ただし、このセンシング制御処理が開始された直後のステップＳ２では過去の観測データが存在しないため、生成モデル選択部１１は、そのとき情報取得部２から与えられたセンサデータを現サイクルの観測データｓ_ｔとして取得することになる。

続いて、生成モデル選択部１１は、メモリ７に格納された数字及びアルファベットなどカテゴリごとの生成モデル８の中から１つ以上の生成モデル８を選択し、選択した各生成モデル８の優先度ｗをそれぞれ設定する（Ｓ３）。

かかる生成モデル８の選択及び優先度ｗの設定は、カテゴリごとのそのカテゴリに属する過去の観測データの総数の比（カテゴリごとのそのカテゴリに属するそれまでに認識された文字の総数の比）に基づいて行われる。本実施の形態においては、所属する過去の観測データの総数が多い上位２つのカテゴリの生成モデル８が選択され、これら上位２つのカテゴリにそれぞれ所属する過去の観測データの総数の比を正規化した値がそれぞれ対応する生成モデル８の優先度ｗとして設定される。

例えば、図３の例の場合、観測データ管理テーブル９の各エントリのカテゴリ欄９Ｃにそれぞれ格納されているカテゴリうち、過去の観測データの総数が最も多いのは「数字」、次に既認識文字の総数が多いのが「アルファベット」であるため、これら「数字」及び「アルファベット」にそれぞれ対応する生成モデル８が選択される。

また「数字」のカテゴリに所属する過去の観測データの総数は３つ、「アルファベット」のカテゴリに所属する過去の観測データの総数は２つであり、これらの比が３：２であるため、これを正規化した0.6：0.4のうちの「0.6」が「数字」のカテゴリに対応する生成モデル８の優先度ｗ、「0.4」が「アルファベット」のカテゴリに対応する生成モデル８の優先度ｗとしてそれぞれ設定される。

このような方法により、現在のセンシング対象（文字）のカテゴリとして、最も可能性が高いと推定されるカテゴリの生成モデル８を選択することができ、また、これらの生成モデル８に対して過去の認識結果に応じた適切な優先度ｗをそれぞれ設定することができる。

なお、ステップＳ３で選択する生成モデル８は、過去の観測データの総数が多い上位２つのカテゴリに対応する生成モデル８に限るものではなく、過去の観測データの総数が最も多い１つ又はかかる総数が多い上位３つ以上のカテゴリに対応する生成モデル８とするようにしてもよい。また生成モデル８の選択や優先度ｗの設定の基準をかかる総数の比のみに限らなくてもよい。

また複数サイクルに１回だけ生成モデル８の選択及び優先度ｗの設定を行い、他のサイクルでは最後に設定された生成モデル８及び優先度ｗをそのまま用いるようにしてもよい。さらには、１つ前のサイクルのステップＳ６で算出された後述する情報量の確率分布ｐ_ｎｅｘｔにおいて確率の高いラベルを含むカテゴリに対応する生成モデル８を選択し、その確率に応じた優先度ｗを設定するようにしてもよい。

生成モデル選択部１１は、上述のようにして１つ以上の生成モデル８を選択し、選択した各生成モデル８の優先度ｗをそれぞれ設定すると、観測データ潜在変数解析部１２を呼び出す。

観測データ潜在変数解析部１２は、生成モデル選択部１１により呼び出されると、ステップＳ３で生成モデル選択部１１により選択された生成モデル８及び設定された優先度ｗを用いて、そのとき生成モデル選択部１１がステップＳ２で取得した現サイクルの観測データｓ_ｔの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を算出する（Ｓ４）。

具体的に、観測データ潜在変数解析部１２は、ステップＳ２で取得した観測データｓ_ｔをステップＳ３で選択された各生成モデル８にそれぞれ入力することにより、図５Ａに示すように、これらの生成モデル８にそれぞれ対応するカテゴリごとの観測データｓ_ｔの潜在変数を算出する。

また観測データ潜在変数解析部は、図５Ｂに示すように、算出した潜在変数と、潜在変数の算出に用いた生成モデル８のカテゴリに所属する各ラベルのクラスタＣＬ（図２）のクラスタ中心の潜在変数との距離（ユークリッド距離）ｄを、次式

によりそれぞれ算出する。なお（１）式において、ｙ_ｃはクラスタｃのクラスタ中心の潜在変数ベクトル、ｚは観測データｓ_ｔの潜在変数ベクトルをそれぞれ表す。

次式

のように、（１）式で算出した距離の逆数を、算出した潜在変数と、潜在変数の算出に用いた生成モデル８のカテゴリに所属する全クラスタ中心の潜在変数との距離ｄの逆数の和で正規化したものが各カテゴリの潜在変数ｘの確率分布ｐ（ｘ｜ｓ_ｔ）となる。なお（２）式において、Ｃはそのカテゴリに所属するクラスタの集合、ｙ_ｂはクラスタｂのクラスタ中心の潜在変数ベクトルである。

上述のようにして算出した潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）の例を図６に示す。図６の左上段は「数字」のカテゴリの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）、右上段は「アルファベット」のカテゴリの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）である。潜在変数間の距離ｄが近いほど、算出した潜在変数が該当クラスタである確率が高く、潜在変数間の距離ｄが遠いほど、算出した潜在変数が該当クラスタである確率が低い。なお、潜在変数間の距離ｄは、ベクトル間のユークリッド距離でなくともよい。例えば各クラスタに所属する潜在変数の分散も計算しておき、潜在変数間の距離をマハラノビス距離としてもよい。さらに、正規化の方法は（２）式に限るものではなく、ソフトマックス関数などを用いてもよい。また、潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）の算出方法は潜在変数間の距離に基づくものに限らない。予め、観測データを入力、潜在変数やそれに対応するラベルを出力とする機械学習モデルを訓練しておき、訓練済の機械学習モデルに基づいて潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を算出してもよい。

観測データ潜在変数解析部１２は、このように各生成モデル８の潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を算出した後、図６の下段に示すように、各確率分布ｐ（ｘ｜ｓ_ｔ）に対してステップＳ３で設定した対応する優先度ｗを乗算して結合する。上述の例では、「数字」のカテゴリの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を0.6倍し、「アルファベット」のカテゴリの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を0.4倍して結合する。そして観測データ潜在変数解析部１２は、以上までの処理を完了すると、観測データ情報量解析部１３を呼び出す。

観測データ情報量解析部１３は、観測データ潜在変数解析部１２により呼び出されると、潜在変数ごとの次時点の情報量の確率分布ｐ（ｓ_ｔ+1｜ｘ）を算出する（Ｓ５）。

具体的に、観測データ情報量解析部１３は、まず、図７Ａに示すように、センシング対象（ここでは文字）における観測データｓ_ｔの現時点の位置（図７Ａにおいて枠体２０で囲んだ位置）を算出する。例えば、観測データ情報量解析部１３は、観測データｓ_ｔをテンプレート画像として、カテゴリごとの各クラスタ中心の潜在変数をＶＡＥのデコーダに入力して出力された再構成画像内でテンプレートマッチングを行い、最もマッチング度合の高い位置を観測データの現時点の位置とする。

なお、観測データｓ_ｔの現時点の位置の算出には、テンプレートマッチング以外の方法を利用してもよい。例えば、観測データｓ_ｔの画素値分布が右上に偏っていれば観測データｓ_ｔの現時点の位置はセンシング対象の左下の位置であるというように、観測データｓ_ｔの画素値分布に基づいて当該観測データｓ_ｔの現時点の位置を算出するようにしてもよい。

次に、観測データ情報量解析部１３は、次時点の位置の候補（図７Ｂにおいて破線の枠体２１で囲んだ位置であり、以下、これを位置候補と呼ぶ）を列挙する。例えば、図７Ｂに示すように、次時点の位置候補が、センサを画像の10画素分だけ「上に移動」、「右に移動」、「下に移動」及び「左に移動」の４つである場合、原時点の位置の10画素分だけ上、右、下及び左が次時点の位置候補となる。

なお、次時点のセンシングの位置候補は、予めユーザ等により設定されたルールに従って設定される。例えば、次時点のセンシングの位置候補を『現時点のセンシングの位置から10画素分だけ「左上に移動」、「上に移動」、「右上に移動」、「右に移動」、「右下に移動」、「下に移動」、「左下に移動」及び「左に移動」』とするルールが設定されている場合には、これら９つの位置が次時点のセンシングの位置候補となる。

この後、観測データ情報量解析部１３は、次時点の各位置候補について、現時点の位置の観測データｓ_ｔと、その次時点の位置候補における観測データｓ_ｔ＋１の予測値との合計情報量を算出する。情報量としては、画像のエントロピーや非ゼロ画素値の画素数、潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ＋１）などを用いる。図７Ｃに示すように、算出した次時点の位置候補ごとの合計情報量を、該当するクラスタの次時点のすべての位置候補の合計情報量で正規化したものが次時点の情報量の確率分布ｐ（ｓ_ｔ+1｜ｘ）となる。観測データ情報量解析部１３は、クラスタごとに上述の算出を行う。また、センシングの位置候補は離散的なものに限るものではなく、連続的なものとして扱ってもよい。センシングの位置候補を連続的なものとして扱った場合には、潜在変数の確率分布は潜在変数の確率密度関数となる。

次に、観測データ情報量解析部１３は、ステップＳ４で観測データ潜在変数解析部１２により算出された潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）と、ステップＳ５で算出した情報量の確率分布ｐ（ｓ_ｔ+1｜ｘ）とを用いて、次式

により、次時点の情報量の確率分布ｐ_ｎｅｘｔを算出する（Ｓ６）。

次いで、観測データ情報量解析部１３は、現時点の潜在変数の確率分布と、ステップＳ６で算出した次時点の潜在変数の確率分布ｐ_ｎｅｘｔとの差分が、予め設定された閾値θ_ｔｈ未満であるか否かを判断する（Ｓ７）。なお、この閾値θ_ｔｈは、「０」に近い数値であり、センシング対象を確実に認識するために情報処理装置３が必要とする情報量に基づいて予め設定される。また、判断に用いるものは、現時点の潜在変数の確率分布と、ステップＳ６で算出した次時点の潜在変数の確率分布ｐ_ｎｅｘｔとの差分に限るものではなく、現時点の潜在変数の確率分布のうち最大値をもつ確率変数と次時点の潜在変数の確率分布のうち最大値をもつ確率変数が一致するか否かを判断してもよい。

この判断で否定結果を得ることは、現時点においてセンシング対象を認識可能な程度にはセンシング対象の情報を未だ取得しておらず、次時点以降のセンシングによって、センシング対象を認識するために必要な情報を多く取得できる可能性があることを意味する。かくして、このとき観測データ情報量解析部１３は、センシング行動決定部１４を更新モードで呼び出す。

センシング行動決定部１４は、更新モードで呼び出されると、次サイクルのステップＳ２で利用する「過去の観測データ」を、現サイクルのステップＳ２で利用した「過去の観測データ」と、現サイクルのステップＳ２で情報取得部２から取得したセンサデータとを合成したデータに更新する（Ｓ８）。これにより、現サイクルまでの各サイクルでそれぞれ取得したすべてのセンサデータを合成したデータに基づく合成画像の画像データが次サイクルのステップＳ２で生成モデル選択部１１が利用する「過去の観測データ」として生成される。

続いて、センシング行動決定部１４は、次時点のセンシングの設定ａ_ｔ＋１を決定し、決定した位置候補の位置（以下、これを選択位置と呼ぶ）においてセンサ４による次時点のセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ９）。

具体的に、センシング行動決定部１４は、次式

のように、ステップＳ６で算出した次時点の情報量の確率分布ｐ_ｎｅｘｔに基づいて、次時点の位置候補のうち、情報量が最も大きくなる位置候補を次時点のセンシングの設定ａ_ｔ＋１として選択及び決定する。このように情報量が最も大きくなる位置候補を次時点のセンシングの設定ａ_ｔ＋１として選択及び決定することにより、効率良くセンシング対象の情報を収集することができ、文字認識処理の処理効率を向上させることができる。そしてセンシング行動決定部１４は、この後、選択及び決定した位置候補の位置（以下、これを選択位置と呼ぶ）においてセンサ４による次時点のセンシングが行われるように情報取得部２のアクチュエータ５を制御する。

この結果、次時点において、かかる選択位置でセンサ４により取得されたセンサデータが情報処理装置３に与えられる。そして、この後、ステップＳ７で肯定結果が得られるまで、ステップＳ２～ステップＳ９の処理が上述と同様に繰り返される。この繰返し処理により、センシング対象の情報（画像データ）が徐々に収集される。

そして、やがてセンシング対象を認識可能であり、これ以上センシングを繰り返してもそれほど多くの新たな情報を取得できない程度にまでセンシング対象の情報が取得されると、ステップＳ７で肯定結果が得られる。

かくして、このとき観測データ情報量解析部１３は、ステップＳ４で観測データ潜在変数解析部１２が算出した現在の観測データｓ_ｔの潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）において最も確率の高いクラスタのラベルをそのときのセンシング対象のラベルとして確定すると共に、そのクラスタが所属するカテゴリを当該センシング対象が属するカテゴリとして確定し、これらの確定結果を観測データ管理テーブル９（図３）に登録する（Ｓ１０）。

具体的に、観測データ情報量解析部１３は、観測データ管理テーブル９の未使用の行を１つ確保し、その行のラベル欄９Ｂ（図３）に上述のように確定したラベルを格納すると共に、その行のカテゴリ欄９Ｃ（図３）に上述のように確定したカテゴリを格納する。また観測データ情報量解析部１３は、現在の時刻をタイムスタンプとしてその行のタイムスタンプ欄（図３）に格納する。これにより、そのときのセンシング対象に対する認識が完了する。

なお、観測データ管理テーブル９に登録するラベルやカテゴリは１つでなくてもよく、上位複数のクラスタのラベルやカテゴリをセンシング対象のラベルやカテゴリとして確定して観測データ管理テーブル９に登録するようにしてもよい。また確定したラベルやカテゴリを確率分布付きで観測データ管理テーブル９に登録するようにしてもよい。さらには最も確率の高いクラスタのラベル以外の情報も観測データ管理テーブル９に登録しておくようにしてもよい。このようにすることによって、後のサイクルで取得した観測データｓ_ｔの解析に基づいて現時点で観測データ管理テーブル９に登録した情報を更新する場合にも有効である。

この後、観測データ情報量解析部１３は、センシング行動決定部１４をリセットモードで呼び出す。そしてセンシング行動決定部１４は、リセットモードで呼び出されると、まず、「過去の観測データ」をリセットする（Ｓ１１）。またセンシング行動決定部１４は、次時点のセンシングの位置や範囲などの設定ａ_ｔ＋１をステップＳ１と同様にランダムに選択し、選択した設定でセンサ４によるセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ１２）。

そしてセンシング行動決定部１４は、この後、生成モデル選択部１１を呼び出す。この結果、この設定ａ_ｔ＋１でセンサ４から出力されたセンサデータが情報処理装置３に送信され、この後、ステップＳ２以降の処理が上述と同様に繰り返される。

（１－３）本実施の形態の効果
以上のように本実施の形態の情報処理システム１において、情報処理装置３は、生成モデル選択部１１により選択された各生成モデル８に現サイクルの観測データｓ_ｔをそれぞれ入力したときに出力される潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）を算出すると共に、潜在変数ごとの次時点の情報量の確率分布ｐ（ｓ_ｔ＋１｜ｘ）を算出する。そして情報処理装置３は、算出したこれら結合した潜在変数の確率分布ｐ（ｘ｜ｓ_ｔ）及び次時点の情報量の確率分布ｐ（ｓ_ｔ＋１｜ｘ）に基づいて潜在変数ごとの次時点の情報量の確率分布ｐ_ｎｅｘｔを算出し、算出結果に基づいてセンシング行動決定部１４が次時点のセンシングの設定ａ_ｔ＋１を選択する。

このように本情報処理装置３は、潜在変数を用いて認識処理を行うため、予め全体像を把握している各カテゴリの各ラベルとの比較で、現在の観測データに基づく画像部分がどのカテゴリのどのラベルのどの部分に相当するかという判断で認識処理を行うことができる。よって、センシング対象の文字同士が重なり合っていたり、接触している場合においても、センサデータの特徴量のみからセンシング対象を認識する場合と比べて、より精度良くセンシング対象を認識することができる情報処理装置を実現できる。

また本情報処理装置３は、観測データ管理テーブル９に登録されている過去の認識結果に基づいて、各カテゴリにそれぞれ属する過去の観測データの総数が多い上位２つのカテゴリを選択し、これら上位２つのカテゴリにそれぞれ属する過去の観測データの総数の比を正規化した値をそれぞれ対応する生成モデル８の優先度ｗとして設定する。

従って、本情報処理システム１によれば、現在のセンシング対象が所属するカテゴリとして最も可能性が高いと推定されるカテゴリの生成モデル８を選択し、これらのカテゴリの生成モデル８に対して過去の認識結果に応じた優先度ｗを設定することができる。例えば、それまで「数字」及び「アルファベット」しか検出していない状況で生成モデル選択部１１が誤選択により「ひらがな」や「カタカナ」に対応する生成モデル８を選択するような事態の発生を有効に防止することができる。

よって、本実施の形態によれば、生成モデル選択部１１が誤った生成モデル８を選択することに起因するセンシング対象の誤認識が発生することを有効に防止することができ、かくしてより一層と精度良くセンシング対象を認識し得る情報処理システムを実現することができる。

（２）第２の実施の形態
図１において、３０は全体として第２の実施の形態による情報処理システムを示す。この情報処理システム３０は、情報処理装置３１の演算プログラム３２のセンシング行動決定部３３が、視野を拡大して得たセンサデータに基づいて次時点のセンシングの設定ａ_ｔを選択する点を除いて第１の実施の形態による情報処理システム１と同様に構成されている。

図８は、本実施の形態の情報処理装置において実行されるセンシング制御処理の一連の流れを示す。本実施の形態の情報処理装置３１は、この図８に示す処理手順に従って、情報取得部２のセンサ４に対するセンシングの設定を順次行う。

実際上、情報処理装置３１が起動されるとこのセンシング制御処理が開始され、まず、センシング行動決定部３３が、現サイクルのセンシングの設定ａ_ｔを選択する第１のセンシング設定選択処理を実行する（Ｓ２０）。

図９は、この第１のセンシング設定選択処理の具体的な処理内容を示す。センシング行動決定部３３は、この第１のセンシング設定選択処理を開始すると、まず、予めユーザ等により設定された所定の低解像度及び所定の広角視野であるセンシング設定をセンシングの初期設定ａ_ｐｒｅとして選択し、選択した初期設定ａ_ｐｒｅでセンサ４によるセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ４０）。なお、このときセンシング行動決定部３３が、アクチュエータ５と併せてセンサ４を制御し、又は、アクチュエータ５に代えてセンサ４のみを制御するようにしてもよい。

続いて、センシング行動決定部３３は、上述の初期設定ａ_ｐｒｅでセンサ４が取得したセンサデータ（画像データ）が情報取得部２から与えられるのを待ち受け（Ｓ４１）、やがてかかるセンサデータを受信すると、そのとき受信したセンサデータに基づく画像の平均画素値分布を算出する（Ｓ４２）。

具体的に、センシング行動決定部３３は、図１０に示すように、かかるセンサデータに基づく画像３４における一辺が奇数個の画素からなる正方形状の領域部分３５を画像３４の１つの隅部から１画素ずつ左右方向や上下方向に移動させながらセンサデータに基づく画像３４内全部を満遍なく移動させる。この際、センシング行動決定部３３は、領域部分３５を移動させるごとに、その位置の領域部分３５に含まれる各画素の画素値の平均値をその領域部分３５の中心画素の画素値として算出することにより、当該画像３４の平均画素値分布を算出する。

次いで、センシング行動決定部３３は、ステップＳ４２で算出した平均画素値分布に基づいて、最も情報量が多い位置（センサ４の撮像範囲内の平均画素値の合計値が最も大きくなる位置）を現サイクルにおけるセンサ４がセンシングを行うべき位置、つまり現サイクルのセンシングの設定ａ_ｔ（２サイクル目以降はａ_ｔ＋１，ａ_ｔ＋２，……）として選択し、選択した設定ａ_ｔでセンサ４によるセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ４３）。

この後、図８のステップＳ２１～ステップＳ２８の処理が図４について上述した第１の実施の形態のセンシング制御処理のステップＳ２～ステップＳ９と同様に実行される。これにより、そのとき対象としているセンシング対象を認識するために必要な情報の収集が繰り返し実行される。

また、やがてそのセンシング対象の認識、及び、認識結果の観測データ管理テーブル９（図３）への登録が完了すると（Ｓ２９）、図４のステップＳ１１と同様にして過去の観測データがリセットされ（Ｓ３０）、この後、ステップＳ２０に戻って、ステップＳ２０以降の処理が同様に繰り返される。

以上のような本実施の形態の情報処理システム３０によれば、新たなセンシング対象を選択する際、視野を拡大して得たセンサデータに基づいて、最も情報量が多い位置を次時点のセンシングの設定ａ_ｔとして選択するため、効率良くセンシング対象の情報を収集することができ、文字認識処理の処理効率を向上させることができる。

（３）第３の実施の形態
図１において、４０は全体として第２の実施の形態による情報処理システムを示す。この情報処理システム４０は、情報処理装置４１の演算プログラム４２のセンシング行動決定部４３が、情報取得部２から与えられるセンサデータに基づく画像内の中心視野及び周辺視野の各画像データ（センサデータ）に基づいて次時点のセンシングの設定ａ_ｔを選択する点と、観測データｓ_ｔを取得する際の生成モデル選択部４４の処理内容が異なる点とを除いて第１の実施の形態による情報処理システム１と同様に構成されている。なお、ここでの「中心視野」とは、例えば、画像中心の縦10画素、横10画素程度の範囲の領域部分を指し、「周辺視野」とは、画像内の中心視野以外の領域部分を指す。

図１１は、本実施の形態の情報処理装置４１において実行されるセンシング制御処理の一連の流れを示す。本実施の形態の情報処理装置４１は、この図１１に示す処理手順に従って、情報取得部２のセンサ４に対するセンシングの設定を順次行う。

実際上、情報処理装置４１が起動されるとこのセンシング制御処理が開始され、まず、センシング行動決定部４３が、現サイクルのセンシングの設定ａ_ｔを選択する第２のセンシング設定選択処理を実行する（Ｓ５０）。

図１２は、この第２のセンシング設定選択処理の具体的な処理内容を示す。センシング行動決定部４３は、この第２のセンシング設定選択処理を開始すると、まず、図４のステップＳ１と同様にして、最初のセンシングの設定ａ_ｐｒｅをランダムに選択し、選択した設定でセンサ４によるセンシングが行われるように情報取得部２のアクチュエータ５を制御する（Ｓ７０）。

続いて、センシング行動決定部４３は、上述の設定ａ_ｐｒｅでセンサ４が取得したセンサデータ（画像データ）が情報取得部２から与えられるのを待ち受け（Ｓ７１）、やがてそのセンサデータを受信すると、そのとき受信したセンサデータに基づく画像における周辺視野の平均画素値分布を算出する（Ｓ７２）。

次いで、センシング行動決定部３３は、ステップＳ７２で算出した平均画素値分布に基づいて、周辺視野のうちで情報量が最も多い位置（センサ４の撮像範囲内の平均画素値の合計値が最も大きくなる位置）を現サイクルにおけるセンサ４がセンシングを行うべき位置、つまり現サイクルのセンシングの設定ａ_ｔ（２サイクル目以降はａ_ｔ＋１，ａ_ｔ＋２，……）として選択する（Ｓ７３）。またセンシング行動決定部３３は、この後、生成モデル選択部１１を呼び出す。

生成モデル選択部４４は、センシング行動決定部４３により呼び出されると、過去に取得したすべてのセンサデータを合成することにより得られたデータ（以下、これを過去の観測データｓ_ｔ－１と呼ぶ）に、ステップＳ７０で取得した情報取得部２からのセンサデータに基づく画像の中心視野部分のセンサデータを合成したデータを現サイクルの観測データｓ_ｔとして取得する（Ｓ５１）。

そして、この後、図１１のステップＳ５２～ステップＳ５８の処理が図４について上述した第１の実施の形態のセンシング制御処理のステップＳ３～ステップＳ９と同様に実行される。これにより、そのとき対象としているセンシング対象を認識するために必要な情報の収集が繰り返し実行される。

また、やがてそのセンシング対象の認識、及び、認識結果の観測データ管理テーブル９（図３）への登録が完了すると（Ｓ５９）、図４のステップＳ１１と同様にして過去の観測データがリセットされ（Ｓ６０）、この後、ステップＳ５０に戻って、ステップＳ５０以降の処理が同様に繰り返される。

以上のような本実施の形態の情報処理システム４０によれば、新たなセンシング対象を選択する際、情報取得部２からのセンサデータに基づく画像の周辺視野のうち、最も情報量が多い位置を次時点のセンシングの設定ａ_ｔとして選択するため、効率良くセンシング対象の情報を収集することができ、文字認識処理の処理効率を向上させることができる。

また本情報処理システム４０では、ステップＳ５０で取得したセンサデータを利用して最初のステップＳ５１を処理するため、最初のステップＳ５１においてステップＳ５０で取得したセンサデータとは別のセンサデータが情報取得部２から与えられるのを待つ必要がない。よって、本情報処理システム４０によれば、その分、より一層と効率良くセンシング対象の情報を収集することができ、文字認識処理の処理効率を向上させることができる。

本発明は、アクティブセンシングを制御する種々の構成の情報処理装置に広く適用することができる。

１，３０，４０……情報処理システム、２……情報取得部、３，３１，４１……情報処理装置、４……センサ、５……アクチュエータ、６……ＣＰＵ、８……生成モデル、９……観測手データ管理テーブル、１０，３２，４２……演算プログラム、１１……生成モデル選択部、１２……観測データ潜在変数解析部、１３……観測データ情報量解析部、１４，３３，４３……センシング行動決定部。

Claims (14)

1. センサを用いたアクティブセンシングを制御する情報処理装置において、
   学習により得られた複数のカテゴリごとの学習モデル、及び、過去に認識したセンシング対象ごとの当該センシング対象が属するカテゴリがそれぞれ格納された記憶装置と、
   前記記憶装置に格納された前記学習モデルの中から１又は複数の前記学習モデルを選択するモデル選択部と、
   前記センサから与えられたセンサデータを順次合成することにより得られた観測データを前記モデル選択部により選択された各前記学習モデルにそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布を算出する観測データ潜在変数解析部と、
   前記観測データ潜在変数解析部により算出された前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する観測データ情報量解析部と、
   前記観測データ情報量解析部により算出された前記観測データが有する情報量の確率分布に基づいて、次時点のセンシング設定を決定するセンシング行動決定部と
   を備え、
   前記モデル選択部は、
   前記記憶装置に格納されている過去に認識した前記センシング対象ごとの当該センシング対象がそれぞれ属する前記カテゴリに基づいて、現在の前記センシング対象が属する前記カテゴリとして最も可能性が高いと推定される前記カテゴリの前記学習モデルを選択する
   ことを特徴とする情報処理装置。
2. 前記モデル選択部は、
   過去に認識した各前記センシング対象がそれぞれ属する前記カテゴリのうち、各前記カテゴリにそれぞれ属する当該センシング対象の総数が最も多い上位所定数の前記カテゴリにそれぞれ対応する前記学習モデルを選択する
   ことを特徴とする請求項１に記載の情報処理装置。
3. 前記モデル選択部は、
   過去に認識した各前記センシング対象がそれぞれ属する各前記カテゴリにそれぞれ属する当該センシング対象の総数に応じて、選択した各前記学習モデルの優先度をそれぞれ設定し、
   前記観測データ潜在変数解析部は、
   前記モデル選択部により選択された各前記学習モデルに前記観測データをそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布にそれぞれ対応する前記優先度を乗算して結合し、
   前記観測データ情報量解析部は、
   結合された前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する
   ことを特徴とする請求項２に記載の情報処理装置。
4. 前記モデル選択部は、
   過去に認識した各前記センシング対象がそれぞれ属する各前記カテゴリにそれぞれ属する当該センシング対象の総数の比に応じて各前記学習モデルの優先度をそれぞれ設定する
   ことを特徴とする請求項３に記載の情報処理装置。
5. 前記センシング行動決定部は、
   前記観測データ情報量解析部により算出された次時点の前記観測データが有する前記情報量の確率分布に基づいて、情報量が最も多い次時点の前記センシング設定を次時点の前記センシング設定として決定する
   ことを特徴とする請求項１に記載の情報処理装置。
6. 前記センサは、カメラであり、
   前記センシング設定は、前記センサが撮像する位置であり、
   前記センシング行動決定部は、
   視野を拡大して得た前記センサデータに基づく画像内の平均画素値分布を算出し、
   算出した前記平均画素値分布に基づいて、情報量が最も多い領域部分を次の前記センシング設定の初期値として決定する
   ことを特徴とする請求項１に記載の情報処理装置。
7. 前記センサは、カメラであり、
   前記センシング設定は、前記センサが撮像する位置であり、
   前記センシング行動決定部は、
   前記センサから与えられる前記センサデータに基づく画像内の周辺視野の平均画素値分布を算出し、
   算出した前記平均画素値分布に基づいて、前記周辺視野のうちの情報量が最も多い位置を次の前記センシング設定の初期値として決定する
   ことを特徴とする請求項１に記載の情報処理装置。
8. センサを用いたアクティブセンシングを制御する情報処理装置により実行される情報処理方法であって、
   前記情報処理装置は、
   学習により得られた複数のカテゴリごとの学習モデル、及び、過去に認識したセンシング対象ごとの当該センシング対象が属するカテゴリがそれぞれ格納された記憶装置
   を有し、
   前記記憶装置に格納された前記学習モデルの中から１又は複数の前記学習モデルを選択する第１のステップと、
   前記センサから与えられたセンサデータを順次合成することにより得られた観測データを選択した各前記学習モデルにそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布を算出する第２のステップと、
   算出した前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する第３のステップと、
   算出した前記観測データが有する情報量の確率分布に基づいて、次時点のセンシング設定を決定する第４のステップと
   を備え、
   前記第１のステップでは、
   前記記憶装置に格納されている過去に認識した前記センシング対象ごとの当該センシング対象がそれぞれ属する前記カテゴリに基づいて、現在の前記センシング対象が属する前記カテゴリとして最も可能性が高いと推定される前記カテゴリの前記学習モデルを選択する
   ことを特徴とする情報処理方法。
9. 前記第１のステップでは、
   過去に認識した各前記センシング対象がそれぞれ属する前記カテゴリのうち、各前記カテゴリにそれぞれ属する当該センシング対象の総数が最も多い上位所定数の前記カテゴリにそれぞれ対応する前記学習モデルを選択する
   ことを特徴とする請求項８に記載の情報処理方法。
10. 前記第１のステップでは、
    過去に認識した各前記センシング対象がそれぞれ属する各前記カテゴリにそれぞれ属する当該センシング対象の総数に応じて、選択した各前記学習モデルの優先度をそれぞれ設定し、
    前記第２のステップでは、
    選択した各前記学習モデルに前記観測データをそれぞれ入力したときに各前記学習モデルからそれぞれ出力される当該観測データの潜在変数の確率分布にそれぞれ対応する前記優先度を乗算して結合し、
    前記第３のステップでは、
    結合された前記観測データの前記潜在変数の確率分布と当該観測データとに基づいて、次時点の前記観測データが有する情報量の確率分布を算出する
    ことを特徴とする請求項９に記載の情報処理方法。
11. 前記第１のステップでは、
    過去に認識した各前記センシング対象がそれぞれ属する各前記カテゴリにそれぞれ属する当該センシング対象の総数の比に応じて各前記学習モデルの優先度をそれぞれ設定する
    ことを特徴とする請求項１０に記載の情報処理方法。
12. 前記第４のステップでは、
    算出した次時点の前記観測データが有する情報量の前記確率分布に基づいて、情報量が最も多い次時点の前記センシング設定を次時点の前記センシング設定として決定する
    ことを特徴とする請求項８に記載の情報処理方法。
13. 前記センサは、カメラであり、
    前記センシング設定は、前記センサが撮像する位置であり、
    前記第４のステップでは、
    視野を拡大して得た前記センサデータに基づく画像内の平均画素値分布を算出し、
    算出した前記平均画素値分布に基づいて、情報量が最も多い領域部分を次の前記センシング設定の初期値として決定する
    ことを特徴とする請求項８に記載の情報処理方法。
14. 前記センサは、カメラであり、
    前記センシング設定は、前記センサが撮像する位置であり、
    前記第４のステップでは、
    前記センサから与えられる前記センサデータに基づく画像内の周辺視野の平均画素値分布を算出し、
    算出した前記平均画素値分布に基づいて、前記周辺視野のうちの情報量が最も多い位置を次の前記センシング設定の初期値として決定する
    ことを特徴とする請求項８に記載の情報処理方法。

Images