WO2023013131A1

WO2023013131A1 - 情報処理システムおよび情報処理プログラム

Info

Publication number: WO2023013131A1
Application number: PCT/JP2022/010820
Authority: WO
Inventors: 武久山口; 悠史岡本
Original assignee: コニカミノルタ株式会社
Priority date: 2021-08-04
Filing date: 2022-03-11
Publication date: 2023-02-09
Also published as: JPWO2023013131A1; EP4383693A1

Abstract

【課題】状況に応じて端末装置の機能を切り替えることできる情報処理システムを提供する。【解決手段】センサー１０９を有し、センサー１０９からのデータを解析処理する端末装置１００と、無線通信を介して端末装置１００とデータ伝送を行うサーバー３００と、を有する情報処理システム１であって、センサー１０９からのデータを解析処理するための端末装置１００の設定である解析動作設定を制御する解析動作設定制御部１０２を有し、解析動作設定制御部１０２は、最適な解析が行えるように解析動作設定を制御する、情報処理システム１。

Description

情報処理システムおよび情報処理プログラム

　本発明は、情報処理システムおよび情報処理プログラムに関する。

　近年、人工知能（ＡＩ（Ａｒｔｉｆｉｃｉａｌ　Ｉｎｔｅｌｌｉｇｅｎｃｅ））による解析によって様々な処理を実行するための技術が開発されている。しかし、ＡＩ解析を実行するためには、ある程度の処理能力が必要となる。たとえば、特許文献１の技術は、ゲートウェイに接続されたエッジデバイス（端末装置）を使用して機械学習を行うコンピュータシステムを提供する。この技術では、複数のエッジデバイスの処理能力に応じて、機械学習を実行させるか、他のコンピューターに実行させる機械学習に必要なデータの送信だけを実行させるかを選択して実行させている。

国際公開第１８／１００６７８号

　しかしながら、従来技術は、端末装置に機械学習させるか、データ送信させるかの切り替えを、端末装置のシステム更新の一環として実行している。このため、従来技術では、システム起動中には、選択された１つの機能しか実行することができず、状況に応じて端末装置の機能を切り替えることはできない。

　そこで本発明の目的は、状況に応じて端末装置の機能を切り替えることできる情報処理システムおよび情報処理プログラムを提供することである。

　本発明の上記目的は、下記の手段によって達成される。

　（１）センシングデバイスを有し、前記センシングデバイスからのデータを解析処理する端末装置と、
　無線通信を介して前記端末装置とデータ伝送を行うサーバーと、を有する情報処理システムであって、
　前記センシングデバイスからのデータを解析処理するための前記端末装置の設定である解析動作設定を制御する制御部を有し、
　前記制御部は、最適な解析が行えるように前記解析動作設定を制御する、情報処理システム。

　（２）前記端末装置による前記解析処理は、人工知能の機械学習モデルによる処理であり、
　前記制御部による前記解析動作設定の制御は、前記機械学習モデルの変更を含む、上記（１）に記載の情報処理システム。

　（３）前記制御部は、前記解析処理による解析結果に応じて、前記解析動作設定を変更する、上記（１）または（２）に記載の情報処理システム。

　（４）前記端末装置は、移動可能である、上記（１）～（３）のいずれか１つに記載の情報処理システム。

　（５）前記制御部は、前記解析処理による解析結果に応じて、前記端末装置の移動先を指定する、上記（４）に記載の情報処理システム。

　（６）前記制御部は、前記端末装置の位置に応じて、前記解析動作設定を変更する、上記（４）または（５）に記載の情報処理システム。

　（７）前記制御部は、前記端末装置から前記センシングデバイスによるセンシング対象までの距離に応じて、前記解析動作設定を変更する、上記（１）～（６）のいずれか１つに記載の情報処理システム。

　（８）前記センシングデバイスは、動画を撮影するカメラであり、
　前記制御部は、前記動画に写っている対象物のフレーム間での移動距離に応じて、前記解析動作設定を変更する、上記（１）～（７）のいずれか１つに記載の情報処理システム。

　（９）前記制御部は、前記制御部による前記解析動作設定の制御は、前記センシングデバイスの動作、非動作の切り替えを含む、上記（１）～（８）のいずれか１つに記載の情報処理システム。

　（１０）複数の前記端末装置を有し、
　前記制御部は、前記端末装置ごとに前記解析動作設定を制御する、上記（１）～（９）のいずれか１つに記載の情報処理システム。

　（１１）複数の前記端末装置のそれぞれは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を前記サーバーへ送信し、
　前記サーバーは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を送信した前記端末装置に対応付けして記憶する記憶部を有し、
　前記制御部は、前記記憶部に記憶された前記センシングデバイスのデータおよび／または前記解析処理による解析結果に基づいて、それぞれの前記端末装置の前記解析動作設定を制御する、上記（９）に記載の情報処理システム。

　（１２）前記制御部は、前記解析処理による解析結果に基づいて、複数の前記端末装置の中から、前記解析処理を実行させる前記端末装置を選択する、上記（１０）または（１１）に記載の情報処理システム。

　（１３）前記制御部は、複数の前記端末装置のそれぞれの位置に応じて、前記解析処理を実行させる前記端末装置を選択する、上記（１０）～（１２）のいずれか１つに記載の情報処理システム。

　（１４）センシングデバイスを有し、前記センシングデバイスからのデータを解析処理する端末装置と、
　無線通信を介して前記端末装置とデータ伝送を行うサーバーと、を有する情報処理システムにおける前記端末装置を制御する情報処理プログラムであって、
　前記センシングデバイスからのデータを解析処理する前記端末装置が最適な解析が行えるように前記端末装置の設定である解析動作設定を制御する段階を、コンピューターに実行させるための情報処理プログラム。

　（１５）前記端末装置による前記解析処理は、人工知能の機械学習モデルによる処理であり、
　前記解析動作設定を制御する段階は、前記機械学習モデルの変更を含む、上記（１４）に記載の情報処理プログラム。

　（１６）前記解析動作設定を制御する段階は、前記解析処理による解析結果に応じて、前記解析動作設定を変更する、上記（１４）または（１５）に記載の情報処理プログラム。

　（１７）前記端末装置は、移動可能である、上記（１４）～（１６）のいずれか１つに記載の情報処理プログラム。

　（１８）前記解析動作設定を制御する段階は、前記解析処理による解析結果に応じて、前記端末装置の移動先を指定する、上記（１７）に記載の情報処理プログラム。

　（１９）前記解析動作設定を制御する段階は、前記端末装置の位置に応じて、前記解析動作設定を変更する、上記（１７）または（１８）に記載の情報処理プログラム。

　（２０）前記解析動作設定を制御する段階は、前記端末装置から前記センシングデバイスによるセンシング対象までの距離に応じて、前記解析動作設定を変更する、上記（１４）～（１９）のいずれか１つに記載の情報処理プログラム。

　（２１）前記センシングデバイスは、動画を撮影するカメラであり、
　前記解析動作設定を制御する段階は、前記動画に写っている対象物のフレーム間での移動距離に応じて、前記解析動作設定を変更する、上記（１４）～（２０）のいずれか１つに記載の情報処理プログラム。

　（２２）前記解析動作設定を制御する段階は、前記センシングデバイスの動作、非動作の切り替えを含む、上記（１４）～（２１）のいずれか１つに記載の情報処理プログラム。

　（２３）複数の前記端末装置を有し、
　前記解析動作設定を制御する段階は、前記端末装置ごとに前記解析動作設定を制御する、上記（１４）～（２２）のいずれか１つに記載の情報処理プログラム。

　（２４）複数の前記端末装置のそれぞれは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を前記サーバーへ送信し、
　前記サーバーは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を送信した前記端末装置に対応付けして記憶する記憶部を有し、
　前記解析動作設定を制御する段階は、前記記憶部に記憶された前記センシングデバイスのデータおよび／または前記解析処理による解析結果に基づいて、それぞれの前記端末装置の前記解析動作設定を制御する、上記（２３）に記載の情報処理プログラム。

　（２５）前記解析動作設定を制御する段階は、前記解析処理による解析結果に基づいて、複数の前記端末装置の中から、前記解析処理を実行させる前記端末装置を選択する、上記（２３）または（２４）に記載の情報処理プログラム。

　（２６）前記解析動作設定を制御する段階は、複数の前記端末装置のそれぞれの位置に応じて、前記解析処理を実行させる前記端末装置を選択する、上記（２３）～（２５）のいずれか１つに記載の情報処理プログラム。

　本発明では、センシングデバイスを有する端末装置において、端末装置が実行する解析処理の動作設定を制御することとした。これにより、本発明は、端末装置によるセンシングデバイスからのデータの解析を、端末装置が置かれている状況に応じて最適化することができる。

実施形態１に係る情報処理システム１の概略構成を示すブロック図である。実施形態１に係る情報処理システムの機能を説明するためのブロック図である。端末装置のハードウェア構成の一例を示すブロック図である。サーバーを構成するハードウェアの概略を示すブロック図である。実施形態１における処理手順を示すフローチャートである。実施形態１における処理手順を示すフローチャートである。実施形態２に係る情報処理システムの概略構成を示すブロック図である。実施形態２に係る情報処理システムの機能を説明するためのブロック図である。実施形態２に係る情報処理システムの機能を説明するためのブロック図である。実施形態２における処理手順を示すフローチャートである。実施形態２における処理手順を示すフローチャートである。

　以下、図面を参照して、本発明の実施形態を詳細に説明する。なお、図面の説明において同一の要素には同一の符号を付し、重複する説明を省略する。また、図面の寸法比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

　（実施形態１）
　（情報処理システム）
　図１は、実施形態１に係る情報処理システム１の概略構成を示すブロック図である。図２は、実施形態１に係る情報処理システム１の機能を説明するためのブロック図である。

　図１および図２に示すように、実施形態１に係る情報処理システム１は、端末装置１００、５Ｇ通信システム（以下、通信システム２００と称する）、およびサーバー３００を有する。

　（端末装置）
　端末装置１００は、センシングデバイス（以下単にセンサー１０９（詳細後述）という）を有し、センサー１０９が検知した情報（データ）をサーバー３００へ送信する。また、端末装置１００は、センサー１０９からのデータを使用して、人工知能（ＡＩ）による解析を実行する。

　このような端末装置１００は、エッジデバイス、エッジ端末などとも称され、ＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ）にも使用され得る電子機器である。端末装置１００は、たとえば、スマートフォンやタブレットコンピューターなどの携帯端末装置、カメラに無線装置および処理ためのコンピューターを取り付けた（内蔵した）監視カメラ装置などである。

　端末装置１００の機能は、図２に示すように、無線通信部１０１、解析動作設定制御部１０２、解析処理部１０３、データ送信部１０４、および機械学習モデル変更部１０５を有する。これら各部は、本実施形態１においては、ＳｏＣＦＰＧＡ（Ｓｙｓｔｅｍ－ｏｎ－ａ－Ｃｈｉｐ　Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）によって構成される（詳細後述）。また、端末装置１００は、ストレージ１０７、およびセンサー１０９が接続（または一体化）されている。また、端末装置１００は、ＳｏＣＦＰＧＡ内部のメモリー（ＤＲＡＭなど）とは別に、ＤＲＡＭ１０８などのメモリーが接続（または一体化）されてもよい。別に接続されるメモリーは、ＤＲＡＭ１０８に代えて、またはＤＲＡＭ１０８とともに、フラッシュメモリーなどの高速動作する不揮発性メモリーであってもよい。

　無線通信部１０１は、通信システム２００と、５Ｇによる通信を実行する。無線通信部１０１は、端末装置１００から通信システム２００を介してサーバー３００へデータを送信する。また、無線通信部１０１は、サーバー３００から送信されたデータを、通信システム２００を介して受信する。

　解析動作設定制御部１０２は、センサー１０９から取得したデータを解析処理するための設定（解析動作設定）を制御する。この解析動作設定制御部１０２は、最適な解析が行えるように解析動作設定を制御する制御部である。

　解析動作設定としては、たとえば、解析処理部１０３で実行される、人工知能（ＡＩ）による機械学習モデルがある。ＡＩによる機械学習モデルは、あらかじめＡＩによって機械学習されたものである。本実施形態では、ＡＩによる機械学習モデルをＡＩモデルと称する。ＡＩモデルは、センサー１０９からの入力に対して、解析結果を出力する。ＡＩモデルによる解析内容は、たとえば、画像（フレーム）内における人物や、物体の認識、人物の顔や骨格の認識、人物（または物体）の動きの認識、人物（または物体）の属性の判定などがある。ＡＩモデルは、解析内容に応じて変更される。解析動作設定制御部１０２は、この機械学習モデル（ＡＩモデル）を、認識された人物や物体、またはそれらの動きなどに合わせて、さらに解析を継続、または別な解析をするために変更する。

　また、解析動作設定としては、端末装置１００に備えられているセンサー１０９の設定がある。センサー１０９の設定としては、センサー１０９が動画を撮影するカメラの場合撮影する画像（動画または静止画）の解像度である。また、センサー１０９が動画を撮影するカメラ（ムービーカメラとも称する）の場合、解像度に加えてフレームレートがある。また、センサー１０９がズームレンズ付きカメラの場合、これらに加えて、ズームレンズの倍率がある。これらのセンサー１０９の設定はパラメーターとして提供され、解析動作設定制御部１０２が、パラメーターに基づいてセンサー１０９を設定する。

　具体的には、たとえば、動画のフレーム内に写っている対象物のフレーム間での移動距離に応じて、解析動作設定制御部１０２は、フレームレートを変更する。ここで、対象物とは、ＡＩモデルによる解析によって検出および／または認識する目的物であって、たとえば、人物、動物、物体などである。フレームレートは、たとえば、倍の速さにすることで、フレーム間における対象物の移動距離は、半分になる。これは、動きの速い対象物を認識した場合、フレームレートを速くすることで、多くのフレームで、その対象物と捉えることができ、対象物の輪郭や動きをはっきりと、確実に解析できる。

　また、たとえば、センサー１０９がズームレンズ付きカメラの場合、解析動作設定制御部１０２は、ズームレンズの倍率を変更する。ズームレンズの倍率を変更することで画角が変わる。たとえば、撮影された画像（フレーム）内に、人物が写っていると判断された場合に、解析動作設定制御部１０２は、人物をズームアップするように倍率を変更する。フレーム内に人物が写っているか否かは、ＡＩによる解析によって判断される。また、ズームレンズの倍率は、センサー１０９（または端末装置１００本体）から撮影対象（センシング対象である対象物）までの距離に応じて変更することとしてもよい。

　また、解析動作設定としては、端末装置１００そのものの動作、非動作の設定がある。たとえば、一時的に端末装置１００を使用しない場合、解析動作設定制御部１０２は、使用しない端末装置を非動作に設定する。

　また、解析動作設定としては、センサー１０９の動作、非動作の設定がある。たとえば、一時的にセンサー１０９を使用しない場合、解析動作設定制御部１０２は、使用しないセンサー１０９を非動作に設定する。

　これらの設定変更は、端末装置１００単独での解析結果に基づいて行われてもよいし、サーバー３００からの指令により行われてもよい。

　また、解析動作設定制御部１０２は、設定変更に際して、必要に応じて、端末装置１００（少なくとも解析処理部１０３の機能）を再起動する。

　解析処理部１０３は、ＡＩモデルを用いて、センサー１０９からのデータを解析する。解析内容は、たとえば、画像（フレーム）内における人物（または物体）の認識、人物（または物体）の動きの認識、人物（または物体）の属性の判定などである。ＡＩモデルは、あらかじめＡＩによって機械学習（深層学習を含む）された結果として提供される。機械学習そのものは、あらかじめ解析目的に応じて実施される。機械学習は、端末装置１００によって行われてもよいが、他のコンピューターによって、あらかじめ解析目的に応じて実施されてもよい。

　ＡＩモデルは、端末装置１００のハードウェア構成に基づき、制御プログラムおよび／または論理データ１０６などとして提供される。端末装置１００のハードウェア構成については後述するが、たとえば、ハードウェア構成が、ＣＰＵを主体とする場合、制御プログラムとして提供される。また、ハードウェア構成が、ＦＰＧＡのように書き換え可能なハードウェアの場合、論理データとして提供される。論理データはプログラマブルロジックと称されることもある。ＦＰＧＡの場合は、設定の一部または全部が制御プログラムとして提供されてもよい。なお、本実施形態は、ＦＰＧＡ（詳細後述）の場合を例に説明する。

　ＡＩモデルは、解析動作設定制御部１０２からの求めに応じて、またはサーバー３００側での判断に応じて、サーバー３００から送信される。サーバー３００から送信されたＡＩモデルは、機械学習モデル変更部１０５を通じて、ＦＰＧＡ内のメモリーまたはＤＲＡＭ１０８に一時記憶される。解析処理部１０３は、一時記憶されたたＡＩモデルを読み出して、解析処理を実行する。

　それまで使用されていたＡＩモデルは、ＦＰＧＡ内のメモリーまたはＤＲＡＭ１０８にそのまま残されていてもよい。しかし、ＦＰＧＡ内のメモリーまたはＤＲＡＭ１０８の記憶容量は限られているため、それまで使用していたＡＩモデルは、機械学習モデル変更部１０５によって消去し、新たに供給されたＡＩモデルのみ記憶させるようにしてもよい。ＦＰＧＡ内のメモリーまたはＤＲＡＭ１０８から消去されるＡＩモデルは、ストレージ１０７が接続されている場合、ストレージ１０７に記憶させてもよい。

　解析処理部１０３による解析結果は、解析動作設定制御部１０２へ伝達される。解析動作設定制御部１０２では、解析結果に基づき、上述した様々な解析動作設定を実行する。また、解析処理部１０３による解析結果は、設定に応じて、データ送信部１０４からサーバー３００へも送信される。解析結果をサーバー３００へ送信するか否かの設定は、サーバー３００からの指令により、解析動作設定制御部１０２によって設定される。

　ストレージ１０７は、記憶部である。ストレージ１０７は、センサー１０９からのデータ１１５を記憶する。また、ストレージ１０７は、端末装置１００で実行されるＡＩモデルである制御プログラムおよび／または論理データ１０６を記憶してもよい。これらをストレージ１０７に記憶しておくことで、ＡＩモデルを変更する際に、解析動作設定制御部１０２は、変更する制御プログラムおよび／または論理データ１０６、およびその他の装置設定がストレージ１０７内にあれば、サーバー３００への要求せずに、ストレージ１０７から読み出して使用できる。これにより、サーバー３００からのデータ伝送が不要となることもあるので、通信負荷を低減できる。

　なお、ストレージ１０７には、上記のようなデータのすべてを記憶させる必要はなく、端末装置１００のコスト等に合わせて、ストレージ１０７の容量を決定し、その容量に合わせて、記憶する内容を決定し、また変更すればよい。

　また、ストレージ１０７は、設けられなくてもよい。すでに説明したように、端末装置１００で使用されるＡＩモデル（制御プログラムおよび／または論理データ１０６）は、サーバー３００から送信されたものを使用する。ストレージ１０７を設けないことで、端末装置１００のさらなるコスト低減が図られる。

　センサー１０９は、たとえば、イメージセンサーである。イメージセンサーは、たとえば、主に可視光を検知するスチールカメラ（静止画撮影カメラ）、ムービーカメラ（動画撮影カメラ）などである。また、イメージセンサーは、赤外線カメラ、サーモカメラ（温度検知カメラ）などである。赤外線カメラ、サーモカメラも、静止画や動画の撮影が可能である。その他にも、センサー１０９としては、たとえば、マイクロフォンのように音を検知する音響センサー、高度（標高）を検知する高度センサー、気圧センサー、水中における深度センサー（水圧センサー）、振動センサー、方位センサー、角度センサー、温度センサー、電圧センサー、電流センサー、および電力センサーなど様々なセンサー１０９が使用され得る。これらセンサー１０９が検知したデータは、必要に応じてサーバー３００へ送信される。また、センサー１０９が検知したデータは、必要に応じてストレージ１０７にも記憶される。

　このようなセンサー１０９は、１台の端末装置１００に、１つだけ接続（また一体化、以下同様）されてもよいし、１台の端末装置１００に、複数接続されてもよい。１台の端末装置１００に、複数のセンサー１０９が接続される場合、複数のセンサー１０９は、同種のものであってもよいし、異なる種類のものであってもよい。

　また、センサー１０９によるセンシングの結果（たとえば動画データ）は、設定に応じて、データ送信部１０４からサーバー３００へも送信される。センシングの結果をサーバー３００へ送信するか否かは、サーバー３００からの指令により、解析動作設定制御部１０２によって設定される。

　図３は、端末装置１００のハードウェア構成の一例を示すブロック図である。

　本実施形態では、ＦＰＧＡの場合を例に説明する。

　端末装置１００は、図３に示すように、ＳｏＣＦＰＧＡ１１０、ストレージ１０７、５Ｇ通信インターフェース１５０、操作表示部１６０を有する。

　ＳｏＣＦＰＧＡ１１０は、実行する処理内容を書き換え可能なＦＰＧＡがシステムとして一つのチップに形成された半導体素子（複数のチップを接合した半導体素子を含む）である。ＳｏＣＦＰＧＡ１１０は、Ｐｒｏｇｒａｍｍａｂｌｅ　ＳｏＣと称されることもある。ＳｏＣＦＰＧＡ１１０は、演算素子となるＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、記憶素子（メモリー）であるＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）などの機能が１チップで形成されている（またはこれら複数の機能を有する複数のチップが統合されている）。また、ＳｏＣＦＰＧＡ１１０には、ＧＰＵ／ＤＳＰなどのアクセラレータが搭載されていてもよい。このため、端末装置１００は、コンピューターである。

　このようなＳｏＣＦＰＧＡ１１０は、動作に必要な制御プログラムおよび／または論理データ１０６を記憶し（ＦＰＧＡにおけるゲート回路の書き換えを含む）、それらが実行されることで、上述した端末装置１００の各部の機能が実現される。したがって、ＳｏＣＦＰＧＡ１１０は、解析動作設定制御部１０２、解析処理部１０３、データ送信部１０４、および機械学習モデル変更部１０５として機能する。

　ストレージ１０７は、ｅＭＭＣ（ｅｍｂｅｄｄｅｄ　ＭｕｌｔｉＭｅｄｉａＣａｒｄ）やＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）などの記憶媒体である。また、ストレージ１０７は、メモリーカードなどの可搬式の記憶媒体であってもよい。

　５Ｇ通信インターフェース１５０は、通信システム２００と通信するための無線通信部１０１であり、通信モジュールのチップによって構成されている。５Ｇ通信インターフェース１５０も、ＳｏＣＦＰＧＡ１１０として統合されていてもよい。なお、端末装置１００は、５Ｇによる通信インターフェースの他に、たとえば、イーサネット（登録商標）、ＩＥＥＥ１３９４などの規格によるネットワークインターフェース、Ｂｌｕｅｔｏｏｔｈ（登録商標）、ＩＥＥＥ８０２．１１などの無線通信インターフェースなどを設けてもよい。

　操作表示部１６０は、たとえば、タッチパネル式のディスプレイであり、各種情報を表示するとともに、ユーザーからの各種入力を受け付ける。また、端末装置１００によっては、キーボードやマウスなどの入力機器とモニターなどが接続されていてもよい。

　端末装置１００のハードウェアに対して、制御プログラムは、主に端末装置１００のＣＰＵまたはＦＰＧＡ内のＣＰＵ機能の回路によって実行されるプログラムである。一方、論理データは、主にＦＰＧＡの回路データを書き換えるためのデータである。

　なお、端末装置１００は、ＳｏＣＦＰＧＡ１１０に限定されず、ＳｏＣ以外のＦＰＧＡであってもよいし、また、ＣＰＵ、ＲＡＭ、およびＲＯＭなどが独立していて、バスによって接続された形態であってもよい。

　（通信システム）
　通信システム２００は、５Ｇによる無線通信機能を有し、端末装置１００とサーバー３００との間の通信を制御する。この通信システム２００は、５Ｇの公衆回線でも良いが、プライベート５Ｇと称される、特定ユーザーのみが使用する通信システム２００であっても良い。

　通信システム２００は、公知の５Ｇ通信システムであり、図示しないが、無線通信制御機能、中継処理機能などを有し、端末装置１００とサーバー３００とを５Ｇによる通信によって接続する。

　（サーバー）
　サーバー３００は、端末装置１００から送信された解析結果を記憶し、また、端末装置１００が必要とする制御プログラムおよび／または論理データ１０６などを記憶し、端末装置１００へ供給する。図２を参照してサーバー３００の機能を説明する。

　サーバー３００は、無線通信部３０１、端末受信データ解析部３０２、および端末機能制御部３０３を有する。サーバー３００は、端末装置１００をエッジ端末と称する場合、それに対比して、エッジサーバーと称されることがある。サーバー３００には、ストレージ３０７が接続されている（ストレージ３０７は、端末装置１００のストレージ１０７と区別するためにサーバーストレージ３０７と称する）。サーバーストレージ３０７は、記憶部である。サーバーストレージ３０７には、端末装置１００のセンサー１０９が収集したデータ１１５、端末装置１００による解析結果１１６、端末装置１００が使用する制御プログラムおよび／または論理データ１０６などが記憶される。サーバー３００は、このような記憶装置としての役割から、クラウドサーバーと称されることもある。

　無線通信部３０１は、通信システム２００と、５Ｇによる通信を実行する。無線通信部３０１は、サーバー３００から通信システム２００を介して端末装置１００へデータを送信する。また、無線通信部３０１は、端末装置１００から送信されたデータを、通信システム２００を介して受信する。

　端末受信データ解析部３０２は、無線通信部３０１を介して端末装置１００から受信したデータを解析および／または学習する。端末受信データ解析部３０２での解析および／または学習は、端末装置１００では処理できないほど大きなまたは多量のデータの解析である。また、端末受信データ解析部３０２は、端末装置１００で収集したデータを用いて、機械学習を実行し、ＡＩモデルを構築する。通常、サーバー３００は、端末装置１００より高性能、高機能であるため、このような大きなまたは多量のデータを扱う解析および／または学習に向いている。

　端末機能制御部３０３は、端末受信データ解析部３０２による解析および／または学習の結果に応じて、端末装置１００に実行させるべきＡＩモデルや設定を決定する。このような端末機能制御部３０３の機能は、端末装置１００の解析動作設定制御部１０２の機能と同様である。したがって、端末機能制御部３０３は、制御部として機能する。

　また、端末機能制御部３０３は、端末装置１００の解析動作設定制御部１０２の求めに応じて、必要なＡＩモデルやパラメーターを決定する。たとえば、端末装置１００の解析動作設定制御部１０２から人物を認識したとの解析結果とそれに対応した設定変更の要求があった場合、端末機能制御部３０３は、ズームアップに必要な設定を決定し、そのための設定データ（制御プログラムおよび／または論理データ１０６）をサーバーストレージ３０７から読み出して、端末装置１００へ送信する。

　また、端末機能制御部３０３は、複数の端末装置１００から受信したデータを端末装置１００ごとに分類して、サーバーストレージ３０７に記憶する。端末機能制御部３０３は、たとえば、端末装置１００ごとに付与されたＩＤに対応付けして、それぞれの端末装置１００から送られてきたセンサー１０９のデータおよび解析結果のデータをサーバーストレージ３０７に記憶する。ＩＤは、たとえば、図１に示したように、端末装置１００に付与されている。ここでは、一方の端末装置１００をＤＩ１、他方の端末装置１００をＩＤ２とする。また、端末機能制御部３０３は、データ１１５や解析結果１１６を記憶する際に、必要に応じて、データの圧縮を実行するようにしてもよい。データを圧縮した場合、読み出される際に、端末機能制御部３０３は、読み出されるデータを伸長する。

　図４は、サーバー３００を構成するハードウェアの概略を示すブロック図である。

　サーバー３００は、コンピューターである。サーバー３００は、図５に示すように、ＣＰＵ３１０、ＲＯＭ３２０、ＲＡＭ３３０、サーバーストレージ３０７、５Ｇ通信インターフェース３５０および操作表示部３６０を有する。各構成は、バス３７０を介して相互に通信可能に接続されている。

　ＣＰＵ３１０は、ＲＯＭ３２０やサーバーストレージ３０７に記録されているプログラムを実行することで、上述したサーバー３００の各部の機能を実行する。

　ＲＯＭ３２０は、各種プログラムや各種データを記憶する。

　ＲＡＭ３３０は、作業領域として一時的にプログラムやデータを記憶する。

　サーバーストレージ３０７は、オペレーティングシステムを含む各種プログラムや、各種データを記憶する。サーバーストレージ３０７は、制御プログラムおよび／または論理データ１０６を記憶する。

　サーバーストレージ３０７は、サーバー３００の場合、主に、ＨＤＤなどの大容量の記憶媒体が使用される。また、サーバーストレージ３０７は、ｅＭＭＣやＳＳＤなどの半導体記憶媒体が、ＨＤＤとともに、またはＨＤＤに代えて用いられてもよい。

　５Ｇ通信インターフェース３５０は、通信システム２００と通信するための無線通信部３０１である。

　操作表示部３６０は、たとえば、タッチパネル式のディスプレイであり、各種情報を表示するとともに、ユーザーからの各種入力を受け付ける。また、操作表示部３６０としては、キーボードやマウスなどの入力機器とモニターなどが接続されていてもよい。

　（処理手順）
　次に、実施形態１における処理手順を説明する。

　図５および図６は、実施形態１における処理手順を示すフローチャートである。ここでは、以下の前提を元に処理手順を説明する。端末装置１００は、センサー１０９を備え、人の侵入を監視する監視カメラである。また、端末装置１００は、ＡＩによる人物の認識処理を実施する。そして、サーバー３００側から、端末装置１００の解析結果に応じて端末装置１００の設定を変更する。

　ここでは、端末装置１００による処理手順、およびサーバー３００の処理手順について説明する。なお、通信システム２００は、端末装置１００とサーバー３００との間の通信を制御しているだけであるので、その処理手順についての説明は省略する（他の実施形態の処理手順においても同様である）。

　まず、端末装置１００は、センサー１０９により、所定の場所（施設内など）を監視する。そして、端末装置１００は、センサー１０９からのデータをＡＩ解析することで、画像（フレーム）内に人物がいることを認識する（Ｓ１１０１）。ＡＩ解析は、解析処理部１０３によって、この段階で設定されているＡＩモデルによって実行される。

　続いて、端末装置１００は、認識した人物（センシング対象）との距離を測定する（Ｓ１１０２）。距離の測定は、たとえばセンサー１０９がカメラの場合、カメラの測距機能を用いてもよい。また、距離の測定は、カメラとは別に、測距センサーを用いてもよい。測距センサーとしては、たとえば、デプスカメラ、ライダー（ＬｉＤＡＲ）などが用いられてもよい。

　続いて、端末装置１００は、距離情報、ＡＩ解析結果、および実行中モデルをサーバー３００へ送信する（Ｓ１１０３）。距離情報とは、Ｓ１１０２での測定結果である。ＡＩ解析結果は、フレーム内に人物の存在を認識した結果である。実行中モデルとは、端末装置１００内で現在実行されているＡＩモデルの制御プログラムおよび／または論理データ１０６である。この段階のＡＩモデルは、人物を認識するための制御プログラムおよび／または論理データ１０６である。

　サーバー３００は、端末装置１００から送信されたデータを受信する（Ｓ１３０１）。受信するデータは、Ｓ１１０３で送信された距離情報、ＡＩ解析結果、および実行中モデルである。サーバー３００は、受信したデータを、送信してきた端末装置１００のＩＤとともにサーバーストレージ３０７に記憶する。

　続いて、サーバー３００は、受信した距離情報からセンサー１０９のパラメーターを決定する（Ｓ１３０２）。センサー１０９のパラメーターは、たとえば、解像度、画角（ズーム倍率）、フレームレートなどである。

　続いて、サーバー３００は、ＡＩ解析結果のスコアを判定する（Ｓ１３０３）。

　続いて、サーバー３００は、端末装置１００へ、解析結果のスコアが低い場合に、画像データを要求する（Ｓ１３０４）。この段階において、画像データは、端末装置１００からサーバー３００へは送信されていない。なお、ＡＩスコアが所定の値以上の場合、サーバー３００は、Ｓ１３０４のステップを実行しない。

　続いて、パラメーターおよび画像要求を受け取った端末装置１００は、センサー１０９によって撮影された画像（動画像）のデータをサーバー３００へ送信する（Ｓ１１０４）。

　続いて、サーバー３００は、受信した画像データから認識した人物の属性を解析して判定する（Ｓ１３０５）。属性判定は、フレーム内から人物を認識するよりも高度な処理を必要とする。すなわち、コンピューターとしての高い処理能力が要求される。このため、本実施形態１は、サーバー３００側での解析としている。

　続いて、サーバー３００は、判定された属性にあったＡＩモデルを決定する（Ｓ１３０６）。

　続いて、サーバー３００は、決定されたＡＩモデルおよびパラメーターを端末装置１００へ送信する（Ｓ１３０７）。

　その後、サーバー３００は、処理終了の指示がなければ（Ｓ１３０８：ＮＯ）、Ｓ１３０１へ戻り、以降の処理を継続する。サーバー３００は、処理終了の指示があれば（Ｓ１３０８：ＹＥＳ）、処理を終了する（エンド）。

　続いて、端末装置１００は、サーバー３００からのデータを受信して記憶し、現在のＡＩ解析処理を停止する（Ｓ１１０５）。

　続いて、端末装置１００は、（ＦＰＧＡの場合）ＡＩアクセラレータ用の論理データを書き換える（Ｓ１１０６）。なお、端末装置１００は、ＦＰＧＡ以外の構成の場合、ＡＩモデルを実行するための制御プログラムがインストールされる。

　続いて、端末装置１００は、サーバー３００から受信したＡＩモデルに変更する（Ｓ１１０７）。

　続いて、端末装置１００は、サーバー３００から受信したパラメーターに端末装置１００の設定を変更する（Ｓ１１０８）。

　続いて、端末装置１００は、ＡＩ解析の処理を再起動する（Ｓ１１０９）。

　続いて、端末装置１００は、ＡＩ解析の処理を実行する（Ｓ１１１０）。

　その後、端末装置１００は、処理終了の指示がなければ（Ｓ１１１１：ＮＯ）、Ｓ１１０１へ戻り、以降の処理を継続する。一方、処理終了の指示があった場合（Ｓ１１１１：ＹＥＳ）、端末装置１００は、処理を終了する（エンド）。

　（作用）
　次に、本実施形態１の作用を、具体例を挙げて説明する。以下の説明において、Ｓ番号は、上述した手順に対応する。なお、ここで説明する具体例はあくまでも実施形態を説明するためのものであり、本発明はこのような具体例に限定されない。

　現在、ＩｏＴシステムにおいては、エッジ端末（端末装置１００）に搭載されたセンシングデバイス（センサー１０９）からのデータをサーバー３００に転送し、強力なハードウェアリソースを用いてＡＩ解析を行っている。このようなＩｏＴシステムにおいては、解析する内容が高度化するにつれて、端末装置１００からサーバー３００へ転送されるデータの転送量が膨大になるという課題がある。この課題を解決するため、本実施形態は、ハードウェアリソースの少ない端末装置１００側においても、その処理能力に応じて、様々なＡＩ解析を実行させる。このために、本実施形態は、端末装置１００側で使用されるＡＩモデルを解析内容に応じて変更する。

　ＡＩモデルの変更は、たとえば、センシングデバイスとしてカメラを用いる場合に、撮影対象が、カメラの死角に入ったり、顔の向きがカメラの方向を向いていなかったり、または撮影対象の動きが速すぎてすぐにフレームアウトする場合などに実行される。

　本実施形態１では、このような場合のＡＩモデルの変更は、端末装置１００が通信システム２００を通じてサーバー３００と通信（データ伝送）することにより行われる。本実施形態１は、撮影対象の動きや位置関係に応じた設定や、ＡＩモデルに適宜修正することで、撮影対象の動きに追随し、端末装置１００における解析を継続する。

　また、たとえば、端末装置１００において、ＡＩによる骨格検知によって人物そのものや、人物の動き認識する場合、手前にいる人物は、骨格検知可能であるが、奥にいる人物は検知できないことがある。このような場合、骨格検知においては、解像度を変更することで検知できるようになる。

　たとえば、工場やオフィスにおける作業者の行動検知を行う場合、端末装置１００には、骨格検知のＡＩモデルを用いて解析を実行させる（Ｓ１１０１）。これにより端末装置１００は、作業者の関節点の動きの変化を解析して、作業者の転倒や危険行動などの異常の発生を検知することができる。

　この検知動作において、端末装置１００は、各関節点の座標を認識する。端末装置１００は、たとえば、頭の座標から、撮影対象とカメラとの距離を判断する（Ｓ１１０２）。このような骨格検知においては、人物が大きく写っている方が判定しやすい。そのため、人物が、センサー１０９に近い距離では精度良く判定できるが、センサー１０９から離れると解析精度が劣化する可能性がある。

　そのため、サーバー３００は、端末装置１００から受信した撮影対象（ここでは人物）との距離情報によって（Ｓ１１０３からＳ１３０２）、必要なパラメーターを決定する（Ｓ１３０２）。具体的には、サーバー３００は、端末装置１００と撮影対象との距離が、たとえばしきい値を超えた場合に、サーバー３００はより高解像度で解析を行えるように、センサー１０９の解像度のパラメーターを変更する。たとえば、ＨＤ（Ｈｉｇｈ　Ｄｅｆｉｎｉｔｉｏｎ（７２０Ｐ））からＦＨＤ（Ｆｕｌｌ　Ｈｉｇｈ　Ｄｅｆｉｎｉｔｉｏｎ（１０８０ｐ））に変更する。また、変更するパラメーターとしては、解像度以外にも、たとえば、ズームアップして画角を変えることでも、骨格検知の精度が向上する。

　ＡＩモデルの変更については、２パターン存在する。第１のパターンは、解析結果のスコアが低い場合に、同機能で異なるＡＩモデルに変更する。第２のパターンは、端末装置１００側で解析した結果、機能の異なるＡＩモデルに変更する。

　本実施形態１は、第１のパターンである。なお、第２のパターンについては、後述する実施形態２において説明する。

　サーバー３００は、解析結果のスコアが低い場合に（Ｓ１３０３）、端末装置１００に撮影画像を要求し（Ｓ１３０４）、その画像を端末装置１００から受信してサーバー３００で解析する（Ｓ１１０４からＳ１３０５）。その結果、撮影対象の属性を判定し最適なＡＩモデルを決定する（Ｓ１３０６）。たとえば、端末装置１００は、日本人を中心に学習を行ったＡＩモデルを使用していた場合、外国人作業者についてそのモデルを使用するとスコアが悪いことがある。サーバー３００は、解析の結果、属性として外国人が判定されると、その結果に応じたＡＩモデルを選択する。

　サーバー３００は、決定したＡＩモデルをパラメーターとともに端末装置１００へ送信する（Ｓ１３０７）。これにより端末装置１００は、サーバー３００からの指示に従い、ＡＩモデルおよびパラメーターの変更／設定変更を実行する。端末装置１００は、受信したＡＩモデルに変更し、システム（解析処理部１０３）の再起動し、変更されたＡＩモデル、設定による解析を実行する（Ｓ１１０５からＳ１１１０）。

　ＡＩモデルの変更は、ＡＩ解析をＦＰＧＡ内のアクセラレータで行う場合、ＡＩ解析の処理を停止後に、論理データを部分的に書き換える。ＦＰＧＡ以外でＡＩ処理を行う場合は、ＡＩモデルの変更のみを実施する。

　以上のように、本実施形態１は、一定の距離以上に撮影対象がいる場合（または移動した場合）、画像を高解像度で取り込みできるようにパラメーターの設定を変更する。本実施形態は、常に高解像度での解析を行わないことで、消費電力を抑えることができ、また、サーバー３００へ画像データを送信する際のデータ量を削減することができる。

　このように、本実施形態は、解析内容やセンサー１０９が取得している情報など、端末装置１００が置かれている状況に応じて、端末装置１００が最適な解析動作を実行できるように設定を変更する。これにより、本実施形態は、端末装置１００のアハードウェアリソースに適した解析を、適宜に実行できるようになる。しかも本実施形態では、端末装置１００での解析結果を用いて、ほぼリアルタイムで設定変更が可能となる。また、本実施形態は、サーバー３００へ送信するデータ量も少なくできるので、通信システム２００にかかる負荷を少なくすることができる。

　（実施形態２）
　（情報処理システム）
　図７は、実施形態２に係る情報処理システム２の概略構成を示すブロック図である。図８および図９は、実施形態２に係る情報処理システム１の機能を説明するためのブロック図であって、図８は端末装置部分を示す図であり、図９はサーバー部分を示す図である。

　実施形態２に係る情報処理システム２の端末装置１００は移動可能である。

　（端末装置）
　本実施形態２の端末装置１００は、図７に示すように、自律移動するロボットである。ロボットは、センシングデバイス（センサー１０９）を備える。この端末装置１００は、自律移動のために、図８に示すように、自律移動制御部１２１、全球測位衛星システム（ＧＮＳＳ（Ｇｌｏｂａｌ　Ｎａｖｉｇａｔｉｏｎ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ））部１２２、および駆動部１２９を有する。駆動部１２９は、たとえば、モーター、モーターによって駆動される車輪（車軸を含む）、モーター用電源、および操舵装置などを含む。また、端末装置１００は、シナリオ決定部１２５を有する。

　実施形態２においては、解析動作設定として、端末装置１００の移動に関する設定が加わり、解析動作設定制御部１０２によって、移動に関する設定の変更も行われる。その他の解析動作設定は、実施形態１と同様である。

　また、端末装置１００のその他の機能は、実施形態１と同様であるので、それらの説明を省略する。

　自律移動制御部１２１は、ＧＮＳＳ部１２２によって測位された位置情報に基づき、駆動部１２９を制御して、端末装置１００を移動させる。

　ＧＮＳＳ部１２２は、周知のとおり、衛星を利用した測位システムであり、端末装置１００自身の現在位置の座標を認識する。全球測位衛星システムとしては、たとえば、米国のＧＰＳ（Ｇｌｏｂａｌ　Ｐｏｓｉｔｉｏｎｉｎｇ　Ｓｙｓｔｅｍ）、日本の準天頂衛星ＱＺＳＳ（Ｑｕａｓｉ－Ｚｅｎｉｔｈ　Ｓａｔｅｌｌｉｔｅ　Ｓｙｓｔｅｍ）、ロシアのＧＬＯＮＡＳＳ、欧州連合のＧａｌｉｌｅｏ等がある。

　なお、端末装置１００の現在位置の測位は、ＧＮＳＳに限定されず、たとえば、特定の空間では、専用の無線測位システムを使用してもよい。また、端末装置１００の現在位置の測位は、衛星電波だけでなく、公衆携帯通信回線の基地局からの電波を利用した測位システムであってもよい。また、端末装置１００の現在位置の測位は、ＧＮＳＳ部１２２と慣性測定装置（ＩＭＵ：Ｉｎｅｒｔｉａｌ　Ｍｅａｓｕｒｅｍｅｎｔ　Ｕｎｉｔ）とを組み合わせてもよい。

　端末装置１００の位置は、解析動作設定制御部１０２により解析動作設定の一つとして設定される。このために、解析動作設定制御部１０２は、自律移動制御部１２１へ移動先の位置およびその位置に至るまでのルートを、座標値や地図データ上の位置として設定する。自律移動制御部１２１は、端末装置１００の現在位置から設定された座標値や地図データ上の位置へ移動するように駆動部１２９を制御する。

　端末装置１００の移動先は、解析動作設定制御部１０２が、解析処理部１０３による解析結果から指令されるか、または、サーバー３００による解析結果から指令される。

　なお、自律移動制御部１２１は、図示しないが、自律走行に必要な各種センサーからの信号に基づき、周囲の状況を把握する。自律移動制御部１２１は、周囲の状況に応じて端末装置１００の速度および方向を調整する。

　シナリオ決定部１２５は、解析を行うためのシナリオ１２６を決定する。シナリオ１２６は、解析内容や解析の目的に応じて様々なものが用意される。

　自律移動する端末装置１００は、移動先によって、その用途が変更されることがある。シナリオ決定部１２５は、端末装置１００の現在位置に応じた解析が実行されるように、シナリオ１２６を変更する。様々な状況（移動場所）に対応できるように、端末装置１００のストレージ１０７に複数のシナリオ１２６が記憶されている。しかし、端末装置１００のストレージ１０７の容量は、サーバー３００のサーバーストレージ３０７と比較して小さい。そこで、複数のシナリオ１２６はサーバー３００へ記憶しておいて、シナリオ決定部１２５がサーバー３００へ要求し、送信してもらうようにしてもよい。

　端末装置１００のハードウェア構成は、図示省略するが、実施形態１で説明した端末装置１００のハードウェア構成に、ＧＮＳＳ部１２２および駆動部１２９が追加される。ＧＮＳＳ部１２２は、ＳｏＣＦＰＧＡ１１０に組み込まれてもよい（ただし、ＧＮＳＳ部１２２のアンテナ部分を除く）し、ＳｏＣＦＰＧＡ１１０とは別のプロセッサチップとしてもよい。また、シナリオ決定部１２５の機能は、ＳｏＣＦＰＧＡ１１０に組み込まれるプログラムによって達成される。

　なお、移動する端末装置１００は、自律移動するロボットに限定されない。たとえば、自律移動する空中ドローンや水中ドローンなどであってもよい。また、移動する端末装置１００は、ロボットアームに取り付けられ、ロボットアームの移動によって端末装置１００が動く構成であってもよい。さらに、端末装置１００は、人の制御によって移動する車両などに取り付けられた構造であってもよい。

　次にサーバー３００は、図９に示すように、機能として移動先指示部３２１およびデータ送信部１０４を有する。

　移動先指示部３２１は、端末装置１００の移動先の位置を決定し、データ送信部１０４を介して端末装置１００に、決定された移動先の位置を指令する。移動先の位置とルートは、基本的には、ＧＮＳＳ部１２２における座標値によって指示されて、端末装置１００に送信される。そのほか、移動先の位置とルートは、あらかじめ移動範囲が決まっている場合、移動範囲を示す地図データを用いてもよい。地図データは、サーバーストレージ３０７に記憶される。移動先指示部３２１は、この地図データを使用して、移動先の位置とルートを指定する。指定された移動先の位置とルートは、データ送信部３２４および無線通信部３０１を介して端末装置１００に送信される。もちろん地図データは、使用範囲に応じて変更してもよい。

　サーバー３００のその他の機能は、実施形態１と同様であるので、それらの説明を省略する。また、ハードウェア構成も実施形態１と同様であるので説明を省略する。

　（処理手順）
　図１０および１１は、実施形態２における処理手順を示すフローチャートである。ここでは、以下の前提を元に実施形態２の処理手順を説明する。端末装置１００は、すでに説明したとおり、自律移動するロボットである。このロボットは、センサー１０９としてイメージセンサー（ムービーカメラ）を有する。

　まず、端末装置１００は、シナリオ処理を開始する（Ｓ２１０１）。この段階において開始するシナリオ１２６は、サーバー３００から受信し、ＳｏＣＦＰＧＡ１１０内のメモリーまたはＤＲＡＭ１０８に記憶されている。

　続いて、端末装置１００は、監視対象の場所（施設内など）の会場全体を撮影できる位置に自立移動する（Ｓ２１０２）。監視対象の場所（施設内など）の会場全体を撮影できる位置は、たとえば、原点位置などとして、ＳｏＣＦＰＧＡ１１０内のメモリーまたはＤＲＡＭ１０８に記憶されてもよい。

　続いて、端末装置１００は、センサー１０９からのデータをＡＩ解析する（Ｓ２１０３）。ＡＩ解析は、実施形態１同様に、解析処理部１０３によって、この段階で設定されているＡＩモデルによって実施される。

　続いて、端末装置１００は、自身（端末装置１００）の現在位置を計測する（Ｓ２１０４）。端末装置１００の位置は、ＧＮＳＳ部１２２によって実行される。

　続いて、端末装置１００は、実行中のシナリオ１２６、ＡＩ解析結果、および端末位置情報をサーバー３００へ送信する（Ｓ２１０５）。

　サーバー３００は、端末装置１００から送信されたデータを受信する（Ｓ２３０１）。受信するデータは、Ｓ２１０３で送信された実行中のシナリオ１２６、ＡＩ解析結果、および端末位置情報である。サーバー３００は、受信したデータを、送信してきた端末装置１００のＩＤとともにサーバーストレージ３０７に記憶する。

　続いて、サーバー３００は、受信したデータ（実行中のシナリオ、ＡＩ解析結果、および端末位置）から、実行中のシナリオ１２６に合わせて、現在の端末装置１００の状況に適したＡＩモデルを決定する（Ｓ２３０２）。

　続いて、サーバー３００は、受信したデータからセンサー１０９のパラメーターを決定する（Ｓ２３０３）。センサー１０９のパラメーターは、たとえば、解像度、画角（ズーム倍率）、フレームレートなどである。

　続いて、サーバー３００は、端末装置１００に記憶済みのＡＩモデルのリスト（ＡＩモデルリスト）を問い合わせる（Ｓ２３０４）。

　この問い合わせを受けた端末装置１００は、記憶済みのＡＩモデルのリスト（ＡＩモデルリスト）を送信する（Ｓ２１０６）。

　続いて、サーバー３００は、ＡＩモデルリストを受信する（Ｓ２３０５）。

　続いて、サーバー３００は、使用するＡＩモデルを送信するか判定する（Ｓ２３０６）。

　続いて、サーバー３００は、Ｓ２３０６のステップによる判定の結果、ＡＩモデルを送信する必要がある場合、ＡＩモデルを端末装置１００へ送信する（Ｓ２３０７）。

　ＡＩモデルがサーバー３００から送信された場合、端末装置１００は、ＡＩモデルのデータ（制御プログラムおよび／または論理データ１０６）を受信する（Ｓ２１０７）。

　続いて、端末装置１００は、受信したＡＩモデルをＳｏＣＦＰＧＡ１１０内のメモリーまたはＤＲＡＭ１０８に記憶する（Ｓ２１０８）。また、受信したＡＩモデルは、ストレージ１０７の容量に応じて、記憶される。ストレージ１０７に記憶するＡＩモデルは、たとえば、受信時間または前回使用された時間の古いものから順に消去し、新たに受信したものを記憶するとよい。

　Ｓ２３０６のステップに続いて、サーバー３００は、端末装置１００の移動先およびそこに至るまでのルートを決定する（Ｓ２３０８）。

　続いて、サーバー３００は、移動先、ルート、ＡＩモデルの変更タイミング、およびパラメーターを端末装置１００へ送信する（Ｓ２３０９）。

　端末装置１００は、移動先、ルート、ＡＩモデルの変更タイミング、およびパラメーターのデータを受信する（Ｓ２１０９）。

　続いて、端末装置１００は、ＡＩモデルを自走用の物体検知に変更する（Ｓ２１１０）。なお、この段階で、すでに自走用のＡＩモデルを使用している場合は、このステップは実行しない。

　続いて、端末装置１００は、自身（端末装置１００）を指定されたルートに従って移動を開始し、移動先まで移動して停止する（Ｓ２１１１）。

　続いて、端末装置１００は、サーバー３００から指定された変更タイミングによりＡＩモデルを変更する（Ｓ２１１２）。このとき、端末装置１００は、（ＦＰＧＡの場合）ＡＩアクセラレータ用の論理データを書き換える（Ｓ２１１３）。なお、端末装置１００は、ＦＰＧＡ以外の構成の場合、ＡＩモデルを実行するための制御プログラムがインストールされる。また、このとき、端末装置１００は、センサー１０９の設定を、受信したパラメーターに従って変更する。

　続いて、端末装置１００は、変更後のＡＩモデルによる解析を実行する（Ｓ２１１４）。

　続いて、端末装置１００は、解析結果をサーバー３００へ送信する（Ｓ２１１５）。

　その後、端末装置１００は、処理終了の指示がなければ（Ｓ２１１６：ＮＯ）、Ｓ２１１１へ戻り、以降の処理を継続する。Ｓ２１１１へ戻るのは、ＡＩ解析と、移動を繰り返すためである。したがって、Ｓ２１１４およびＳ２１１５のステップを経て、Ｓ２１１０へ戻った場合、端末装置１００は、Ｓ２１１１において次の移動先へ移動することになる。一方、処理終了の指示があった場合（Ｓ２１１６：ＹＥＳ）、端末装置１００は、処理を終了する（エンド）。

　ＡＩ解析結果を受信したサーバー３００は、受信したＡＩ解析を判定する（Ｓ２３１０）。

　その後、サーバー３００は、処理終了の指示があった場合（Ｓ２３１１：ＹＥＳ）、処理を終了する（エンド）。処理が終了したなら、サーバー３００は、解析結果や判定結果などを操作表示部３６０へ表示するとともにサーバーストレージ３０７へ記憶する。また、解析結果や判定結果などは、あらかじめ指定された端末装置１００へ送信することとしてもよい。一方、処理終了の指示がなければ（Ｓ２３１１：ＮＯ）、サーバー３００は、判定結果を端末装置１００へ送信する（Ｓ２３１２）。その後、端末装置１００は、Ｓ２１１０のステップから処理を継続する。なお、処理終了ではない場合も（Ｓ２３１１：ＮＯ）、サーバー３００は、その時点での解析結果や判定結果を表示し、サーバーストレージ３０７へ記憶することとしてもよい。

　（作用）
　次に、本実施形態２の作用を、具体例を挙げて説明する。以下の説明において、Ｓ番号は、上述した手順に対応する。なお、ここで説明する具体例はあくまでも実施形態を説明するためのものであり、本発明はこのような具体例に限定されない。

　（具体例１）
　具体例１は、自律移動する１台のロボット（端末装置１００）を用いて、遠隔授業、セミナー、または試験などを行うシチュエーションを想定する。より具体的には、たとえば、試験などで受講者が不正を行っていないかを、自律移動可能な端末装置１００が自動的に監視するようなシチュエーションである。

　まず、端末装置１００は、遠隔授業に対応したシナリオ１２６が設定された状態で、処理を開始する（Ｓ２１０１）。シナリオ１２６は、不正防止のための人物確認である。

　続いて、端末装置１００は、いわゆる引きの画角で、会場全体を撮影できる位置に移動する（Ｓ２１０２）。そして、端末装置１００は、撮影した画像から顔検出を実行する（Ｓ２１０３）。たとえば、端末装置１００は、試験開始の１５分前などに試験会場に配備される。そして、端末装置１００は、会場全体が見える位置に移動し、試験会場の席全体を撮影する。最初に端末装置１００は、顔検出のＡＩモデルが設定されており、カメラ画像全体から顔の存在を検出するとともに、画像内における顔の位置を特定する。顔の位置は、フレーム内における位置ではなく、画像から判明する撮影範囲内における位置である。たとえば、教室内を俯瞰した撮影では、あらかじめ教室内の各席の位置を座標化しておき、顔を検出した席の座標を顔の位置とする。その他に顔の位置は、たとえば、実施形態１同様に、センサー１０９（または端末装置１００）から撮影対象（ここでは顔）までの距離を計測して、フレーム内の位置（２次元）とともにセンサー１０９からの距離を加えた３次元座標系での位置としてもよい。

　続いて、端末装置１００は、自身の現在位置を計測する（Ｓ２１０４）。位置計測は、ＧＮＳＳ部１２２によって実行される。また、室内でのＧＮＳＳを用いた位置計測は、誤差が発生する可能性があるため、撮影画像からの位置推定や、ミリ波の受信電波強度を用いた位置推定などを精度向上のために活用してもよい。

　そして、端末装置１００は、実行中のシナリオ１２６（不正防止のための人物確認）と、解析結果としての顔を検出したことおよび画像内での顔の位置情報と、端末装置１００の位置情報とをまとめてサーバー３００に送信する（Ｓ２１０５）。

　これらのデータを受信したサーバー３００は、解析結果から、端末装置１００の位置とＡＩモデル、およびセンサー１０９のパラメーターを決定する（Ｓ２３０１～Ｓ２３０３）。サーバー３００内には、シナリオ１２６に基づいて、詳細な処理を行うためのＡＩモデルが複数用意されており、端末装置１００が実行中のシナリオ１２６から、このあと端末装置１００で実行するＡＩモデルを決定する。

　この例では、端末装置１００で実行中のシナリオ１２６は、「不正防止のための人物確認」である。このため、今後、端末装置１００で実行したい処理としては、これまでの顔検出から、顔認証に変更すべきであることがわかる。また、このシナリオ１２６の場合、端末装置１００がこの後に取る行動として、顔認証処理が可能な位置まで自律移動し、移動後にＡＩモデルを顔認証に変更して、一人ひとりに顔認証を実行して行くことである。

　このためにサーバー３００は、端末装置１００に実行するＡＩモデルが端末装置１００内に記憶されているか否かを確認する（Ｓ２３０４）。すでに顔認証のＡＩモデルが端末装置１００内に記憶されている場合は、サーバー３００は、端末位置の決定に進むが、端末装置１００内に顔認証のＡＩモデルが記憶されていない場合、サーバー３００は、端末装置１００に顔認証のＡＩモデルを送信する（Ｓ２３０５～Ｓ２３０７）。本実施形態では、５Ｇ通信システム２００を使用するので、ＡＩモデルのデータ（制御プログラムおよび／または論理データ１０６）をリアルタイムにやり取りすることが可能である。一方、端末装置１００は、受信したＡＩモデルのデータを受信して、ストレージ１０７に記憶する（Ｓ２１０７～Ｓ２１０８）。

　その後、サーバー３００は、端末装置１００の移動先とルートを決定する。たとえば、サーバー３００は、試験会場の地図データを保持する。サーバー３００は、この地図データに、端末装置１００から送信された顔検出位置をマッピングする。そして、最も効率的に全員の顔認証を行うための移動ルートを決定する（Ｓ２３０８）。

　その後、サーバー３００は、端末装置１００の移動先、ルート、ＡＩモデルの変更タイミング、およびパラメーターを送信する（Ｓ２３０９）。このとき、ＡＩモデルの変更タイミングは、この例では、移動先で端末装置１００が停止した後が指示される。

　その後、端末装置１００は、ＡＩモデルを自走用の物体検知に変更する。自走用の物体検知のＡＩモデルは、あらかじめ端末装置１００に記憶されているので、端末装置１００は、それを読み出して、変更する。端末装置１００は、変更された自走用の物体検知のＡＩモデルによって、端末装置１００自身が、ルート上の障害物などを避けて、自律移動することができるようになる（Ｓ２１１０）。これは、たとえば、現場の状況によっては、サーバー３００が提示した移動ルートを通れない可能性があるためである。また、自律移動させることで、サーバー３００から指示されたルートに誤差があったり、大まかなルートが指示されたりした場合などにも、端末装置１００は、目的の位置まで移動することができる。

　その後、端末装置１００は、サーバー３００から受信した停止位置に移動開始し、停止位置で停止する（Ｓ２１１１）。

　そして、端末装置１００は、ＡＩモデルの変更タイミングになれば、ＡＩモデルを変更する（Ｓ２１１２）。ＡＩによる解析処理をＦＰＧＡ内のアクセラレータで行う場合、端末装置１００は、ＡＩ解析を一時停止して、論理データを部分的に（または全部）書き換え、必要に応じて再起動する（Ｓ２１１３）。これにより、端末装置１００のＡＩモデルは、システムプログラムなどの入れ替えタイミングではなく、状況が変化して、ＡＩモデルを入れ替える必要が生じたときに、変更することができる。

　その後、端末装置１００は、ＡＩモデルによる解析を実行して、その結果をサーバー３００へ送信する（Ｓ２１１４～Ｓ２１１５）。顔認証のＡＩモデルは、解析結果として、顔の特徴量を作成し、特徴データを作成する。なお、この時、端末装置１００は、サーバー３００の指定した停止位置で静止していたとしても、顔の正面ではない場合、端末装置１００側で判断して、センサー１０９による撮影位置が顔の正面に来るように自律移動してもよい。

　続いて、サーバー３００は、解析結果を判定する。シナリオ１２６は、不正防止のための人物確認であるので、サーバー３００は、たとえば、解析結果である特徴データと、あらかじめ登録されている特徴データとが一致するか否かを判定する（Ｓ２３１０）。ここで、その席の顔の特徴データと、登録されている特徴データが一致すると、サーバー３００は、本人確認できたとして、その結果を端末に送信する（Ｓ２３１２）。端末装置１００は、本人確認が取れれば、必要に応じて、次の顔認証を行うために自律移動する（Ｓ２１１０のステップへ戻る）。

　このように本実施形態２は、端末装置１００とサーバー３００との間でデータをリアルタイムでやり取りし、ＡＩモデルを切り替えて行くことで、状況の変化に対応して、最適な解析を実行することができるようになり、解析精度が向上する。たとえば、顔が小さかったり、向きが正面でなかったりすると、解析精度の低下が懸念される。本実施形態２は、端末装置１００が自律移動可能となっているので、端末装置１００の位置を変えて、再度、顔認識や解析を実行することも可能となり、一層、解析精度を向上させることができる。このようなリアルタイム制御は、特に、５Ｇの低遅延性が活用される。

　（具体例２）
　他の具体例について説明する。具体例２は、自律移動する１台のロボット（端末装置１００）を用いて、遠隔でスポーツ指導するシチュエーションを想定する。スポーツの指導は、たとえばフォーム指導である。

　フォーム指導の場合、シナリオ１２６は、たとえば、ゴルフのスウィング解析である。シナリオ１２６は、他のスポーツでもよく、たとえば、野球のピッチングフォームやバッティングフォーム、サッカーのシュートなどのフォームを指導する内容に応じて用意しておくとよい。

　まず、端末装置１００は、全身が映る位置まで移動して、解析対象の人物のスウィングを、骨格検知ＡＩモデルによって解析し、骨格の動きを取得する。取得したデータは、サーバー３００へ送信される（Ｓ２１０１～Ｓ２１０４）。

　骨格検知は、解析対象がスウィングしているところを自動で撮影してもいいし、「スウィングしてください」と表示や音声を再生して、スウィングを促してもよい。端末装置１００は、シナリオ１２６として「ゴルフスウィング解析」であること、骨格検知結果ならびに自身の位置情報をサーバー３００に送信する（Ｓ２１０５）。

　サーバー３００は、受信したデータに基づき、端末装置１００の位置とＡＩモデル、およびセンサー１０９のパラメーターを決定する（Ｓ２３０１～Ｓ２３０３）。

　特にこの例では、端末装置１００からのシナリオ１２６と解析結果を元に、サーバー３００は、撮影角度を推定し、必要な撮影角度となるように端末装置１００の位置を決定する。たとえば、サーバー３００は、スウィングの解析には正面と左右からの骨格位置が必要になるとすれば、それらの方向となるように端末装置１００の移動先を決定し、送信する（Ｓ２３０４～Ｓ２３０９）。

　また、サーバー３００は、端末装置１００の解析速度が問題ないかについても判定する。たとえば、高レベルな選手は、普通の人と比べてスウィングスピードが早く、通常の解析速度（フレームレート）では正確な解析ができない場合がある。そのような場合の判定基準は、たとえば、骨格の移動距離の算出がある。具体的には、肘の移動座標がしきい値よりも大きい場合、高速なスウィングを行っていると判断される。このような場合、サーバー３００は、端末装置１００のＡＩ解析が対応できていないと判断する。また、解析のためのリファレンスとなる骨格の姿勢が存在しない場合にも、フレームレートが不足している可能性が高い。このような場合、サーバー３００は、高フレームレートとなるようにセンサー１０９のパラメーターを変更する。なお、フレームレートを変更した場合、必要に応じてＡＩモデルも、高フレームレートに対応したものに変更する。

　高フレームレートでの撮影を常に使用しない理由としては、高フレームレートを使用すると消費電力が大きくなり、端末装置１００の電池の消耗が激しくなるので、それを抑えるためである。また、高フレームレートで常時解析すると、アップロードするデータ量が大量になるので、それを抑えるためなどである。

　また、ＡＩモデルは、左側のスウィングを撮影する際と、右側のスウィング撮影する際で、異なるモデルを使用することとしてもよい。

　その後は、すでに説明した具体例１と同様に、端末装置１００の自律移動とＡＩモデルにより解析を繰り返し実行する（Ｓ２１１０～Ｓ２１１５およびＳ２３１０～Ｓ２３１２）。

　この例では、フォーム解析の撮影対象がその場で静止（スウィングなどの動きを除く）しているとしたが、たとえば、試合中の動作解析などを想定して撮影対象が動いていてもよい。その場合、端末装置１００は、撮影対象を追跡して、撮影対象の動きが速くなったと判断されたら、パラメーターを高フレームレートに変更し、遅くなったと判断されたら、低フレームレートに変更するなどとしてもよい。また、端末装置１００は、地面を自走するロボットだけでなく、空中ドローンを活用してもよい。

　また、骨格検知においては、解析するためのフレームレートが足りない（骨格の移動距離が設定しきい値以上、リファレンスと対応する点が取れないなど）ことがある。このような場合は、解像度を落として高フレームレートとしてもよい。

　実施形態２では、あらかじめ指定されたシナリオ１２６に応じて、指定の移動位置にきたタイミングで別機能のＡＩモデルとなるように変更していたが、実施形態１のように、自律移動可能な端末装置１００においても、ＡＩ処理結果に応じて、パラメーターだけ、またはＡＩモデルだけを変更し、移動しないこととしてもよい。

　（具体例３）
　他の具体例について説明する。具体例３は、自律移動する２台のロボット（端末装置１００）を用い、かつ、それらが連携してＡＩ解析を実行するシチュエーションである。このような２台の端末装置１００が連携して動作する場合、大別して２つのパターンがある。第１のパターンは、サーバー３００を介して２台の端末装置１００が連携する。第２のパターンは、２台の端末装置１００がサーバー３００を介さずに連携する。以下の説明において、２台の端末装置１００を、第１の端末装置（ＩＤ１）および第２の端末装置（ＩＤ２）とする。

　まず、第１のパターンについて説明する。第１のパターンは、サーバー３００が２台の端末装置１００の解析結果から、各端末装置１００の移動位置や、ＡＩモデル、装置のパラメーターを決定する。この第１のパターンは、たとえば、スポーツのフォーム解析を、左右から行う場合に適している。

　まず、サーバー３００は、２台の端末装置１００からシナリオ１２６、距離情報、および解析結果のデータを受信する。２台の端末装置１００の撮影対象の座標が同じであり、同じシナリオ１２６である場合、サーバー３００は、同じ撮影対象を２台の端末装置１００で解析するものと判断し、この２台の端末装置１００を連携動作させる（Ｓ２１０１～Ｓ２１０５およびＳ２３０１）
　続いて、サーバー３００は、シナリオ１２６の内容から１台の端末装置１００（第１の端末装置（ＩＤ１））と、他の一つの端末装置１００（第２の端末装置（ＩＤ２））のそれぞれに、どのような解析を実行させるかを振り分ける。振り分けは、たとえば、フォーム判定で正面と左右からの解析が必要な場合、第１の端末装置（ＩＤ１）は左右の解析、第２の端末装置（ＩＤ２）は正面の解析などとする。この振り分けについては、各端末装置１００の性能（スペック）で決定するとよい。たとえば、振り分けは、高スペックの端末装置１００に多く解析させるようにするとよい。

　この振り分けは、Ｓ２３０２のステップにおいて、ＡＩモデル決定の処理の一環として行われる。

　振り分けを決定すると、サーバー３００は、解析に必要な移動位置を端末ごとに決定する。また、サーバー３００は、決定した位置にあったＡＩモデルを決定する。そしてサーバー３００は、各端末装置１００に各データを送信する（Ｓ２３０３～Ｓ２３０９）。

　それぞれのデータを受信した各端末装置１００は、指定された位置に移動し、ＡＩモデルを変更し、解析を実行して、解析結果をサーバー３００へ送信する（Ｓ２１０９～Ｓ２１１５）。

　解析結果を受信したサーバー３００は、解析結果を評価し、解析失敗などで当初振り分けた解析内容に修正が必要であれば、サーバー３００は、振り分けの修正を行う。

　解析の失敗は、たとえば、移動途中でバッテリーが切れる、ボールなど不要なものが写り込んでしまい解析が正確にできなかったなどである。

　またサーバー３００は、先に解析が終了した端末装置１００がある場合、他の端末装置１００の解析を担わせるようにしてもよい。たとえば、第１の端末装置（ＩＤ１）が、右側の撮影は完了したが左側の撮影が完了する前に、第２の端末装置（ＩＤ２）が正面の撮影を完了した場合、サーバー３００は、第２の端末装置（ＩＤ２）に左側の撮影を振り分け、第２の端末装置（ＩＤ２）を移動させるとともに必要なＡＩモデルに変更させる。一方、第１の端末装置（ＩＤ１）に対しては左側の撮影、解析の中止を指示する。

　サーバー３００は、修正した解析を実行するのに必要な、ＡＩモデルやパラメーター、移動位置などのデータを各端末装置１００に送信する。これにより、第１の端末装置（ＩＤ１）は左側の解析を行うことなく、右側の解析が終了し、解析結果を送信したなら、すべての処理を終了する。また、第２の端末装置（ＩＤ２）は、サーバー３００から修正されたデータを受信したなら、移動し、ＡＩモデルを変更して左側の撮影、解析を実行する。

　次に、第２のパターンについて説明する。第２のパターンは、ある程度広い空間で人物を追跡するシチュエーションを想定する。そのようなシチュエーションの場合は、事前に、複数の端末装置１００の役割を決定しておくことが好ましい。たとえば、一方の端末装置１００をマスター、他方をスレーブとする。マスターとなった端末装置１００は、端末装置１００の機能の他にサーバー３００としての機能を実行させる。２台の端末装置１００の間で、性能に差がある場合、より高機能な端末装置１００をマスターとする。ここでは、第１の端末装置（ＩＤ１）をマスター、第２の端末装置（ＩＤ２）をスレーブとして説明する。

　第２のパターンは、イベント会場などで不審者を追跡する場合に、第１の端末装置（ＩＤ１）は引きで撮影し、その解析結果から、第２の端末装置（ＩＤ２）に不審者を追跡させる。この時、不審者との距離は、イメージセンサーだけでなく、すでに説明したような測距センサーを用いて、より正確に割り出すようにしてもよい。

　第１の端末装置（ＩＤ１）による引きの撮影は、イベント会場などをできるだけ広く、追跡対象の人物が移動しても追跡が可能な位置から行う。ただし、引きでの撮影は、人物検出が可能な範囲とする。なお、イベント会場全体を１台の端末装置１００では撮影できない場合は、会場全体を撮影するために、端末装置１００を増やしてもよい。

　そして、不審者を検出した場合、第１の端末装置（ＩＤ１）から第２の端末装置（ＩＤ２）に対して、追跡対象者の位置を伝達する、第２の端末装置（ＩＤ２）は、不審者の位置に近づくように移動して、撮影する。これにより、撮影対象の解析精度を上げて、たとえば、不審者の人物特定などを行うことができる。なお、センサー１０９については、第１の端末装置（ＩＤ１）と第２の端末装置（ＩＤ２）で異なるパラメーターを使用したり、異なる機材を使用したりすることとしてもよい。たとえば、第１の端末装置（ＩＤ１）のセンサー１０９（カメラ）は、より広い範囲を撮影できるようにズーム倍率を広角側へ設定したり、または広角レンズを使用したりする。一方、第２の端末装置（ＩＤ２）のセンサー１０９（カメラ）は、不審者の顔を撮影できるように、ズーム倍率の高いレンズを使用することとしてもよい。また、このような広い場所を対象とする場合、第１の端末装置（ＩＤ１）は固定された端末装置１００とし、第２の端末装置（ＩＤ２）のみ自律移動可能な端末装置１００としてもよい。ただし、固定された端末装置１００とした場合でも、撮影方向の変更、すなわち上下左右の首振り移動は行えることが好ましい。

　まず、第１の端末装置は、不審者（撮影対象）を見つけると、不審者を見逃さないように、不審者が中心の一定の大きさになる位置まで後退する。第１の端末装置（ＩＤ１）は、自身の動作設定（画角、解像度、カメラ設置高さ）から、画像上の不審者の位置を計測する。計測した位置は、座標として取得する（Ｓ２１０１～Ｓ２１０５）。このとき、１台のセンサー１０９（カメラ）のみだと撮影対象までの位置計測の誤差が大きくなるため、センサー１０９（カメラ）２台を準備し、２眼カメラとなるようにして、深度情報を算出することとしてもよい。また、不審者までの距離は、測距センサー（デプスカメラやライダーなど）を用いて計測精度を上げるようにしてもよい。

　不審者検出の情報（解析結果）は、第１の端末装置（ＩＤ１）内において、判定される。これはサーバー３００としての機能である。第１の端末装置（ＩＤ１）は、さらに第２の端末装置（ＩＤ２）の移動先の位置（座標）を算出して、第２の端末装置（ＩＤ２）に送信する（Ｓ２３０１～Ｓ２３０３）。

　第２の端末装置（ＩＤ２）は、指示された位置まで移動して、不審者を近くから撮影して、詳細な解析を実行する。このために、第１の端末装置（ＩＤ１）は、第２の端末装置（ＩＤ２）へ、顔認証のためのＡＩモデルを必要に応じて送信する（Ｓ２３０４～Ｓ２３０７、およびＳ２１０６～Ｓ２１０８）。

　また、第２の端末装置（ＩＤ２）は、追跡中、不審者に追跡が知られないように、一定の距離をたもって追跡できるようにしてもよい。この場合、第２の端末装置（ＩＤ２）と不審者との距離の計測は、測距センサーを活用することが好ましい。

　また、第２の端末装置（ＩＤ２）は、追跡中、不審者が死角に入ってしまたり、不審者の追跡が間に合わず、撮影範囲からフレームアウトしたりして、見失うことがあり得る。

　このような場合は、第１の端末装置（ＩＤ１）での解析に再度移行して、不審者の位置を割り出し、第２の端末装置（ＩＤ２）を不審者の近くへ再度移動させる。移動後、第１の端末装置（ＩＤ１）は、撮影および解析を再開する（Ｓ２３０８～Ｓ２３１１、およびＳ２１０９～Ｓ２１１５）。

　このように、実施形態２は、自走可能な複数の端末装置１００を連携して使用することで様々状況に対応できる。上記の具体例以外にも、本実施形態２は、たとえば、１台の端末装置１００の解析結果に応じて、離れた場所にいる他の移動可能な端末装置１００を呼び寄せ、その端末装置１００が解析を行うことができる。

　たとえば、実施形態２は、第１の端末装置で検出された不審者が階をまたいで移動した場合、他の階にいる第１の端末装置に撮影、解析を引き継ぐことができる。

　これは、オフィスなどでの不審者の追跡が想定される。不審者が階をまたいで移動する場合、端末装置１００が空中ドローンであれば追跡可能だが、自走ロボットのような形態であれば階を移動するのが困難である。このような場合、サーバー３００は、不審者の移動推測先に存在する端末装置１００を検索し、空き端末装置１００がないかを確認する。そして、サーバー３００は、空き端末装置１００がある場合、その空き端末装置１００に不審者の検出、人物特定などの解析に必要なスペックを持っているかを判断する。スペックは、ＣＰＵやメモリー性能や、搭載しているイメージセンサーの能力などである。これらに問題がなければ、サーバー３００は、該当端末装置に移動指示、ＡＩモデルを送信し、当該端末装置１００に解析を引き継がせる。

　その他、本実施形態２は、たとえば、可視光のカメラを搭載した第１の端末装置で検出された不審者が、暗いところに移動することが予想される場合に、暗視カメラや赤外線カメラを搭載する第２の端末装置に撮影、解析を引き継ぐことができる。

　以上、本発明の実施形態を説明したが、本発明は、上述した実施形態に限定されない。実施形態の説明の中で使用した条件や数値などは、あくまでも説明のためのものであり、本発明がこれら条件や数値に限定されるものではない。また、実施形態は、２台の端末装置１００を用いた例を説明したが、端末装置の数は、１台でもよいし、２台以上さらに複数台であってもよい。

　本発明に係る情報処理プログラムは、専用のハードウェア回路によって実現することも可能である。また、この情報処理プログラムは、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリーやＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ）－ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などのコンピューター読み取り可能な記録媒体によって提供したり、記録媒体によらず、インターネットなどのネットワークを介してオンラインで提供したりすることも可能である。オンラインで提供される場合、この情報処理プログラムは、ネットワークに接続されたコンピューター内の磁気ディスクなどの記録媒体に記録される。

　また、本発明は、特許請求の範囲に記載された構成に基づき様々な改変が可能であり、それらについても本発明の範疇である。

　本出願は、２０２１年８月４日に出願された日本特許出願（特願２０２１－１２７９７８）に基づいており、その開示内容は、参照され、全体として、組み入れられている。

１、２　情報処理システム、
１００　端末装置、
１０１　無線通信部、
１０２　解析動作設定制御部、
１０３　解析処理部、
１０４　データ送信部、
１０５　機械学習モデル変更部、
１０６　制御プログラムおよび／または論理データ、
１０７　ストレージ、
１０９　センサー、
１２１　自律移動制御部、
１２２　ＧＮＳＳ部、
１２５　シナリオ決定部、
１２６　シナリオ、
１２９　駆動部、
１５０　５Ｇ通信インターフェース、
２００　５Ｇ通信システム、
３００　サーバー、
３０１　無線通信部、
３０２　端末受信データ解析部、
３０３　端末機能制御部、
３０７　サーバーストレージ、
３２１　移動先指示部。

Claims

　センシングデバイスを有し、前記センシングデバイスからのデータを解析処理する端末装置と、
　無線通信を介して前記端末装置とデータ伝送を行うサーバーと、を有する情報処理システムであって、
　前記センシングデバイスからのデータを解析処理するための前記端末装置の設定である解析動作設定を制御する制御部を有し、
　前記制御部は、最適な解析が行えるように前記解析動作設定を制御する、情報処理システム。
　前記端末装置による前記解析処理は、人工知能の機械学習モデルによる処理であり、
　前記制御部による前記解析動作設定の制御は、前記機械学習モデルの変更を含む、請求項１に記載の情報処理システム。
　前記制御部は、前記解析処理による解析結果に応じて、前記解析動作設定を変更する、請求項１または２に記載の情報処理システム。
　前記端末装置は、移動可能である、請求項１～３のいずれか１項に記載の情報処理システム。
　前記制御部は、前記解析処理による解析結果に応じて、前記端末装置の移動先を指定する、請求項４に記載の情報処理システム。
　前記制御部は、前記端末装置の位置に応じて、前記解析動作設定を変更する、請求項４または５に記載の情報処理システム。
　前記制御部は、前記端末装置から前記センシングデバイスによるセンシング対象までの距離に応じて、前記解析動作設定を変更する、請求項１～６のいずれか１項に記載の情報処理システム。
　前記センシングデバイスは、動画を撮影するカメラであり、
　前記制御部は、前記動画に写っている対象物のフレーム間での移動距離に応じて、前記解析動作設定を変更する、請求項１～７のいずれか１項に記載の情報処理システム。
　前記制御部は、前記制御部による前記解析動作設定の制御は、前記センシングデバイスの動作、非動作の切り替えを含む、請求項１～８のいずれか１項に記載の情報処理システム。
　複数の前記端末装置を有し、
　前記制御部は、前記端末装置ごとに前記解析動作設定を制御する、請求項１～９のいずれか１項に記載の情報処理システム。
　複数の前記端末装置のそれぞれは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を前記サーバーへ送信し、
　前記サーバーは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を送信した前記端末装置に対応付けして記憶する記憶部を有し、
　前記制御部は、前記記憶部に記憶された前記センシングデバイスのデータおよび／または前記解析処理による解析結果に基づいて、それぞれの前記端末装置の前記解析動作設定を制御する、請求項９に記載の情報処理システム。
　前記制御部は、前記解析処理による解析結果に基づいて、複数の前記端末装置の中から、前記解析処理を実行させる前記端末装置を選択する、請求項１０または１１に記載の情報処理システム。
　前記制御部は、複数の前記端末装置のそれぞれの位置に応じて、前記解析処理を実行させる前記端末装置を選択する、請求項１０～１２のいずれか１項に記載の情報処理システム。
　センシングデバイスを有し、前記センシングデバイスからのデータを解析処理する端末装置と、
　無線通信を介して前記端末装置とデータ伝送を行うサーバーと、を有する情報処理システムにおける前記端末装置を制御する情報処理プログラムであって、
　前記センシングデバイスからのデータを解析処理する前記端末装置が最適な解析が行えるように前記端末装置の設定である解析動作設定を制御する段階を、コンピューターに実行させるための情報処理プログラム。
　前記端末装置による前記解析処理は、人工知能の機械学習モデルによる処理であり、
　前記解析動作設定を制御する段階は、前記機械学習モデルの変更を含む、請求項１４に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記解析処理による解析結果に応じて、前記解析動作設定を変更する、請求項１４または１５に記載の情報処理プログラム。
　前記端末装置は、移動可能である、請求項１４～１６のいずれか１項に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記解析処理による解析結果に応じて、前記端末装置の移動先を指定する、請求項１７に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記端末装置の位置に応じて、前記解析動作設定を変更する、請求項１７または１８に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記端末装置から前記センシングデバイスによるセンシング対象までの距離に応じて、前記解析動作設定を変更する、請求項１４～１９のいずれか１項に記載の情報処理プログラム。
　前記センシングデバイスは、動画を撮影するカメラであり、
　前記解析動作設定を制御する段階は、前記動画に写っている対象物のフレーム間での移動距離に応じて、前記解析動作設定を変更する、請求項１４～２０のいずれか１項に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記センシングデバイスの動作、非動作の切り替えを含む、請求項１４～２１のいずれか１項に記載の情報処理プログラム。
　複数の前記端末装置を有し、
　前記解析動作設定を制御する段階は、前記端末装置ごとに前記解析動作設定を制御する、請求項１４～２２のいずれか１項に記載の情報処理プログラム。
　複数の前記端末装置のそれぞれは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を前記サーバーへ送信し、
　前記サーバーは、前記センシングデバイスのデータおよび／または前記解析処理による解析結果を送信した前記端末装置に対応付けして記憶する記憶部を有し、
　前記解析動作設定を制御する段階は、前記記憶部に記憶された前記センシングデバイスのデータおよび／または前記解析処理による解析結果に基づいて、それぞれの前記端末装置の前記解析動作設定を制御する、請求項２３に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、前記解析処理による解析結果に基づいて、複数の前記端末装置の中から、前記解析処理を実行させる前記端末装置を選択する、請求項２３または２４に記載の情報処理プログラム。
　前記解析動作設定を制御する段階は、複数の前記端末装置のそれぞれの位置に応じて、前記解析処理を実行させる前記端末装置を選択する、請求項２３～２５のいずれか１項に記載の情報処理プログラム。