Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」
Upcoming SlideShare
Loading in...5
×
 

Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」

on

  • 302 views

2013年12月MBL研究会ワークショップでの講演資料です.

2013年12月MBL研究会ワークショップでの講演資料です.

Statistics

Views

Total Views
302
Views on SlideShare
300
Embed Views
2

Actions

Likes
0
Downloads
0
Comments
0

1 Embed 2

http://s.deeeki.com 2

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」 Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」 Presentation Transcript

  • 論文紹介 IF YOU SEE SOMETHING, SWIPE TOWARDS IT: CROWDSOURCED EVENT LOCALIZATION USING SMARTPHONES Wentao Robin Ouyang, Ankur Srivastava, Prithvi Prabahar, Romit Roy Choudhury, Merideth Addicott, F. Joseph McClernon Duke University 紹介者: 荒川豊(奈良先端科学技術大学院大学)
  • 概要 • クラウド・ソーシング(Crowd Sourcing)に関する論文 • スマホのセンサーを使うわけではない • 実世界オブジェクトの指定手法: スワイプを利用 • 簡単で,直感的で,自然な感じ • 具体的な利用ケース • 喫煙禁止のところで喫煙している人の後ろ指をさすアプリ • 不確実なスワイプから対象を検出するアルゴリズムを提 案
  • モチベーション 実世界で起きているイベントをスマホを使った クラウドソーシングで発見したい 自然なジェスチャーは?
  • 従来方式と課題 • カメラで撮影 あん? あ! • 危険(怖い人かもしれない) • 不自然 • 手間(カメラを起動,ピントをあわせて 撮影)
  • 提案 メールし てるふり 背中向け ててもい い
  • 技術的課題 • スマートフォン内蔵センサーはノイジー • まず,GPSの誤差をどうするか? • 10〜20mの誤差は普通 • 方位センサーは,地磁気の影響を受ける • ヒューマンエラー • 遠方からのスワイプの精度は期待できない • 予備知識無しに,複数人からのスワイプからイベントを 抽出する(切り分ける)メカニズム • データ量が少なくても動き,増えてもスケールする仕組 み
  • 技術的課題の図
  • スワイプ角の定義 • スワイプ角θ: 真東(East)を基準とした角 • θc: スマホの向き.方位センサから取得 • θα:スワイプの向き.タッチセンサから取得 • θ = (θα-θc)
  • スワイプの定義 • 1回のスワイプiを以下の5つのパラ メータで定義 si = {ui , ti , li , ai , qi } • これらを複数まとめたものを以下の ように定義 S = {si } • ただし,歩行中のスワイプは削除 • 加速度センサの値から判定 • スワイプ角 θ • ユーザID u • 時刻 t • 位置 l • 位置の精度 a
  • システム構成
  • BDA(Basic Data Analysis) • 目的: 興味のエリアをグリッドに分割する(セル) エリアRを r平方メートルの グリッドに分割
  • スワイプの台形表現 • スワイプの不確実性を表現 • 角度に幅をつける • α = π/18 (約10度) • dm : 目視可能な距離(アプリ次第)
  • 複数の台形から位置を推定する効果 • もしラインだけを見ていたら,緑☓ • 実際はL1のようにズレの大きいラインも多い • GPSの不確実さ,ユーザのスワイプ向きの不確実さ • 台形にすることで,青*を検出可能に
  • 台形とセルの交点を求める • 目的: 複数の台形と交点を持つセルを算出するため
  • 台形とセルのマッチング • Swipe-Cell Indicator行列I • 行の要素数:スワイプの回数 • 列の要素数:エリア内セル数 • 台形によってカバーされていれば1,そうでなければ0 あるスワイプ(台 形)に含まれるセ ル é ê ê ê ê ë 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 1 1 1 1 0 0 1 1 0 1 1 1 頻繁に台形に 含まれるセル 0 0 0 1 ù ú ú ú ú û
  • セルの確からしさを更新 • 目的: どのセルでイベントが発生しているかを決定する ため
  • セルの確からしさ • 確からしさ行列W • 全スワイプで1つの行列 • 収集したスワイプ数が増えてもスケールする • Wの行と列=エリアのセル数 • W内の各値(セルkの確からしさwk)の更新 • miは,スワイプiがカバーしているセル数
  • システム構成
  • Gridに基づいたイベント位置の推定 • 画像処理と同様に: 1セル=1ピクセルと見なす 確からしさが しきい値以下のセ ルをフィルタリン グ Flood-Fillアルゴリ ズムで連続領域を検 出 各領域の中から 極大点を探す 極大点がない場合 最も確からしさが 高いセルを設定
  • 推定されたホットスポット • 左:セルの確からしさマップ • 右:黒点が推定されたホットスポット
  • システム構成
  • TALR • 目的 • 時間軸の分析 複数のクラスタに と位置の補正 含まれるスワイプ をそれぞれ1つに 変更 • これまでに求めた • 推定位置:eo • SCI行列:I を用いる ホットスポットeig に関するスワイプ 階層クラスタリングに を抽出 よって関連性の高いス ワイプだけに絞り込む 時間軸分析
  • 時間軸分析 • 単純に最初のイベントの検出時間(幅:例えば10分)でクラスタリ ング • カーネル密度推定なども利用できるのではないかと考えている 図の見方がよくわ かりませんでした
  • 評価 • iSeeアプリケーションを6台のAndroidに実装 • Nexus S 3台,Galaxy S3 3台 • 大学内(400 x 500 m2)に,ターゲット(赤い旗)を20 個配置 • 手動で,置いたり,撤去したり • 単位時間に最大10個を配置 • 1つの旗は最大20分配置 • ターゲット間の距離 • 最も近い:40.4m • 最も遠い:81.6m • 平均: 53.4m • 6 日間実験 • 4個:前半3日と後半3日で異なる時間パターンで出現 • 16個:常に同じ時間パターンで出現
  • Gridによるイベント位置推定につい て • LIC(Line Segment Intersection and Clustering)と比較 • スワイプの台形化とエリアのグリッド化を用いた提案手 法の方が,より多くのイベントを検出し,その位置も精 度が高い 平均5.5スワイプ/1イベント
  • 1イベントあたりのスワイプが多い 場合 • 平均34.1スワイプ • LICは,交差点が増えすぎて,それが連続した1つのイベ ントとして検出されてしまう. • GELは,スワイプが多くてもきちんと識別可能
  • 検出率と誤差 • Reporting Rate : 検出数/実際のイベント数 • 1以下:未検出, 1以上:誤検出 • Detection Rate : 誤差25m以内であれば発見したとみなし た場合の発見率 • 必ず1以下 提案に含まれる 位置補正技術 • Localization Error: 誤差 • OLR(Optimization-based location refinement)
  • 時間クラスタリングの効果 • Association Accuracy • 正しくスワイプに関連したホットスポットの割合 • Jaccard係数 • 2つの集合の類似度 • 0:完全に独立,1:完全に一致 時間クラスタリン グ することで改善 観測期間が長くなる と高い類似度が増え る 観測スワイプ数が増 えるほど類似度が高 い
  • まとめ • クラウドソーシングによる実世界イベント検出手法の提 • • • • 案 スワイプという自然な(不可視な)動作でイベントを指 定 台形表現によって,GPSおよびスワイプの不正確性を吸 収 実際にAndroidアプリケーションを作成し,6日間の実験 その結果,10mの誤差で,95%のイベントを抽出できた
  • 紹介者の感想 • アイデアは,単純 • それを実現するために,細かな点までアルゴリズム化 • Androidアプリケーションも開発し,きちんとしたユーザ スタディ • 結果的として,実現できている → Ubicomp採録 • 疑問 • イベントの種類などは,どうやって入力するのだろうか? • イベントの時間と位置までわかっても,内容がわからないはず