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

  • 362 views
Uploaded on

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.

More in: Technology
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
362
On Slideshare
0
From Embeds
0
Number of Embeds
1

Actions

Shares
Downloads
2
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. 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)
  • 2. 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
  • 3. 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?
  • 4. 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)
  • 5. 提案 メールし てるふり 背中向け ててもい い
  • 6. 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
  • 7. 技術的課題の図
  • 8. 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)
  • 9. 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
  • 10. システム構成
  • 11. 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
  • 12. 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)
  • 13. 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
  • 14. 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
  • 15. 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
  • 16. 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
  • 17. 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
  • 18. システム構成
  • 19. 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
  • 20. 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
  • 21. システム構成
  • 22. 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
  • 23. 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
  • 24. 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
  • 25. 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
  • 26. 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
  • 27. 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)
  • 28. 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
  • 29. 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
  • 30. 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