WO2020059555A1 - 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

学習装置、推定装置、学習方法、推定方法およびプログラム Download PDF

Info

Publication number
WO2020059555A1
WO2020059555A1 PCT/JP2019/035345 JP2019035345W WO2020059555A1 WO 2020059555 A1 WO2020059555 A1 WO 2020059555A1 JP 2019035345 W JP2019035345 W JP 2019035345W WO 2020059555 A1 WO2020059555 A1 WO 2020059555A1
Authority
WO
WIPO (PCT)
Prior art keywords
learning
normalization
detection data
standardization
sensor
Prior art date
Application number
PCT/JP2019/035345
Other languages
English (en)
French (fr)
Inventor
雄貴 蔵内
阿部 直人
宏志 小西
瀬下 仁志
Original Assignee
日本電信電話株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to JP2018-176168 priority Critical
Priority to JP2018176168A priority patent/JP2020046346A/ja
Application filed by 日本電信電話株式会社 filed Critical 日本電信電話株式会社
Publication of WO2020059555A1 publication Critical patent/WO2020059555A1/ja

Links

Images

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01DMEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D3/00Indicating or recording apparatus with provision for the special purposes referred to in the subgroups
    • G01D3/028Indicating or recording apparatus with provision for the special purposes referred to in the subgroups mitigating undesired influences, e.g. temperature, pressure
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01VGEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • G01V7/02Details
    • G01V7/06Analysis or interpretation of gravimetric records
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Abstract

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。

Description

学習装置、推定装置、学習方法、推定方法およびプログラム
 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])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」は転置記号)とし、Z軸を軸とした回転の回転行列をR(θ)とし、Y軸を軸とした回転の回転行列をR(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。
Figure JPOXMLDOC01-appb-M000001
 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、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。
PCT/JP2019/035345 2018-09-20 2019-09-09 学習装置、推定装置、学習方法、推定方法およびプログラム WO2020059555A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018-176168 2018-09-20
JP2018176168A JP2020046346A (ja) 2018-09-20 2018-09-20 学習装置、推定装置、学習方法、推定方法およびプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
US17/277,259 US20210357812A1 (en) 2018-09-20 2019-09-09 Learning device, estimation device, learning method, estimation method, and program

Publications (1)

Publication Number Publication Date
WO2020059555A1 true WO2020059555A1 (ja) 2020-03-26

Family

ID=69887418

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/035345 WO2020059555A1 (ja) 2018-09-20 2019-09-09 学習装置、推定装置、学習方法、推定方法およびプログラム

Country Status (3)

Country Link
US (1) US20210357812A1 (ja)
JP (1) JP2020046346A (ja)
WO (1) WO2020059555A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11502609A (ja) * 1993-12-22 1999-03-02 テレフオンアクチーボラゲツト エル エム エリクソン 可変数プロセスをモニタリングするための方法
JP2007505494A (ja) * 2003-09-12 2007-03-08 東京エレクトロン株式会社 適応性多変数分析を使用して処理装置を診断する方法および装置
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11502609A (ja) * 1993-12-22 1999-03-02 テレフオンアクチーボラゲツト エル エム エリクソン 可変数プロセスをモニタリングするための方法
JP2007505494A (ja) * 2003-09-12 2007-03-08 東京エレクトロン株式会社 適応性多変数分析を使用して処理装置を診断する方法および装置
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置

Also Published As

Publication number Publication date
JP2020046346A (ja) 2020-03-26
US20210357812A1 (en) 2021-11-18

Similar Documents

Publication Publication Date Title
Mohamed et al. RoadMonitor: An intelligent road surface condition monitoring system
US9760800B2 (en) Method and system to detect objects using block based histogram of oriented gradients
US10073458B2 (en) Path determining apparatus for autonomous driving vehicle and path determining method
JP5012252B2 (ja) 磁気データ処理装置、方法およびプログラム
CN107462911A (zh) 汽车上下高架的检测方法及其装置
Ataei et al. A general rollover index for tripped and un-tripped rollovers on flat and sloped roads
JP5501925B2 (ja) 物体認識装置及びプログラム
WO2020059555A1 (ja) 学習装置、推定装置、学習方法、推定方法およびプログラム
US10197396B2 (en) Always on compass calibration system and methods
US10013619B2 (en) Method and device for detecting elliptical structures in an image
WO2020059538A1 (ja) 学習データ生成装置、学習データ生成方法およびプログラム
Lenzo et al. Vehicle sideslip estimation for four-wheel-steering vehicles using a particle filter
JP4817854B2 (ja) 周辺物体追尾装置及び周辺物体位置予測方法
US9886775B2 (en) Method for detecting horizontal and gravity directions of an image
JP2008032478A (ja) 自己位置推定装置
WO2020059556A1 (ja) 学習データ生成装置、学習データ生成方法およびプログラム
JP2019096031A (ja) 推定プログラム、推定装置、及び推定方法
JP2018131110A (ja) 推定装置、推定方法、及び推定プログラム
US20210406781A1 (en) Training device, method and program
JP2020086597A (ja) 学習装置、推定装置、方法、及びプログラム
JP2020086605A (ja) 学習装置、方法、及びプログラム
JP2005326239A (ja) ヨーレート検出装置、及びヨーレート零点補正方法
KR20200017576A (ko) 심층신경망 기반 객체 검출 장치 및 방법
JP4719605B2 (ja) 対象物検出用データ生成装置、方法及びプログラム並びに対象物検出装置、方法及びプログラム
JP6691079B2 (ja) 検知装置、検知方法および検知プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19861338

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19861338

Country of ref document: EP

Kind code of ref document: A1