Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

20160606劣モジュラ性を利用したドローンによるばらまき型センサ配置

548 views

Published on

2016年度人工知能学会資料

Published in: Technology
  • Be the first to comment

20160606劣モジュラ性を利用したドローンによるばらまき型センサ配置

  1. 1. 劣モジュラ性を利用した ドローンによるばらまき型センサ配置 国立研究開発法人 情報通信研究機構 杉浦孔明
  2. 2. ドローンで安価なセンサをばらまけば、 地区レベルのセンサネットワークを即座に構築できる • ターゲット: 人手が困難/危険な場所へのセンサネットの構築 – 洪水、汚染、生態系、気象、土壌、等のモニタリング* • 背景技術 – 安価/使い捨てセンサ – 長距離・省電力な通信手段(「IoT用SIM」、WiSUNなど) • 「ばらまき型センサ配置」の研究課題 – 単純な投下計画が情報収集に有効とは限らない→では、どの場 所に投下していくのが最適か? 汚染 火山 豪雨 *今後10年のドローンの経済効果=821億ドル@アメリカ
  3. 3. 関連研究 分類 例 センサ配置一般 [Hart 10など]センサネットワーク、ロボティクス、 環境モニタリングの分野で多数 ドローンによる センサ配置 [Abdulaal, ICUAS13]洪水発見のためのセンサばらま き。⇔投下計画は扱っていない 劣モジュラ最適化 によるセンサ配置 [Krause 08] 相互情報量最大化によるセンサ配置。 ⇔位置誤差がないという前提なので、大きい誤差が あるとランダム配置と変わらない性能になる
  4. 4. 提案手法は「誤差を前提として情報量を最大化する観測が 得られるようなセンサ投下計画」を行う • 「ばらまき型センサ配置」の定義 – 観測対象の周辺にドローンがセンサを逐一投下する計画問題 • ばらまき型センサ配置に特有の問題 1. センサがどこに落ちるかについて不確実性が存在 2. 観測値が似た場所に偏って投下しても意味は無い • 提案手法は上記をどう解くか – 誤差のモデル化を行い、シンプ ルな期待値尺度を導出 – 上記を(近似的に)最大化する ように、greedy手法でセンサを 投下
  5. 5. Q: greedy手法が逐次投下と相性が良いからといってそれでよいのか? A: 1-1/e近似が保証されている • 査読者的疑問 – 「センサが多くなったらどうするのか?」(最適値の探索は組 み合わせ爆発を起こすのでは) – 「逐次的な配置は必ずしも最適配置にならないのでは?」(1 個投下したら取り消せない) • 劣モジュラ性の利用 – 特定の条件下で相互情報量は劣モジュラ性を持つ – greedy手法が1-1/e近似になる 最適値の63%が保証されて いる。実用上は90%程度の 報告も[河原+15] 組み合わせ爆発 を起こさない X,Y ⊆ V , X ⊆ Y
  6. 6. センサ観測モデルとしてガウス過程を利用[Krause 08] 仮定1:センサ群Aの観測値がガ ウス分布に従う 仮定2:センサyとy’の間の共分 散がRBFカーネルで近似できる →このとき「AとV¥Aの相互情報 量MI」は劣モジュラ性を持つ (V¥Aはセンサ未設置場所) センサ位置 センサ未設置場所に対する相互情報 量を大きくしたい 各センサの観測値は、ガウス分布に 従う センサ観測値の共分散が距離のみに 依存する(実応用では推定すべき) A A A AA A V
  7. 7. 提案手法: 誤差の分布を得たうえで相互情報量の期待値を最大化する 提案手法: 相互情報量の期待値を考慮し、以 下を最大化するy*targetを選択 センサyの分散 センサyとセンサ群Aの共分散 VからAとyを除いた群 仮定1:センサ群Aの観測値がガ ウス分布に従う 仮定2:センサyとy’の間の共分 散がRBFカーネルで近似できる →このとき「AとV¥Aの相互情報 量MI」は劣モジュラ性を持つ (V¥Aはセンサ未設置場所) センサ位置
  8. 8. 位置誤差のモデル化 今回の設定では移動量と方向に依存することがわかった 位置誤差 1. [Engel+ 14]による位置推定誤差 →移動量 dと方向 x, yに依存 2. 落下による散らばり →センサ形状/材質に依存 T Target D Drone ※環境と投下する高さは一定 位置誤差をガウス分布で近似 • 分散=方向(αxとαy)と移動量 dに依存。βはオフセット
  9. 9. 実験設定: 再現性確保の面から実験を主にシミュレーション上で行う • 実機モデル – ハードウェア:AR.Drone 2.0を基に電磁石によるセンサ着脱機構 を取付(ハードウェア寿命は数十時間程度と想定) – 位置推定:単眼カメラによる位置推定[Klein+07][Engel+ 14] – 環境:8m x 12mの屋内環境 • シミュレーションモデル – 再現性確保の面で実機実験より有利
  10. 10. カメラ画像 環境 俯瞰視点 配置結果
  11. 11. 代表条件における定量的結果: 提案手法は、ベースライン/ランダム手法より優れる 提案手法(青)は既存手法 (緑)およびランダム投下 (オレンジ)より良い センサ数 実験設定 ・25候補点に12個のセンサを設置 ・シミュレーション実験 比較対象 ・ベースライン[Krause 08] ・ランダム投下 評価尺度 (累積)相互情報量 位置誤差パラメータ (αx, αy)=(0.3, 0.2) *10回平均の結果 相互情報量
  12. 12. 実験設定 • シミュレーション実験 目的 • 様々な位置誤差の環境に対す る提案手法の有効性を検証 比較対象 • ベースライン[Krause 08] 尺度 • 累積相互情報量の差 – 青:ベースラインが優れる – 赤:提案手法が優れる 感度解析: 誤差が小さければ提案手法はベースラインと 同等で、誤差が大きいと提案手法が優れる パラメータの組121通りに対し、 10回ずつの平均 x方向の誤差:αx y方向の誤差:αy 誤差が小さいので 同等(差が0) それ以外の領域では 提案手法が優れる
  13. 13. まとめ • ターゲット:人手が困難/危険な地域に対するセンサ ネット構築 • 手法:期待相互情報量にもとづくばらまき型センサ配置 • 結果:位置誤差が生じる状況で、ベースラインより提案 手法が優れることを確認 • 工学的応用 & 環世界 =?
  14. 14. 宣伝 • Advanced Robotics特集号「Machine Learning and Data Engineering in Robotics」が出ました – 本分野の代表文献がまとまって読めます • ロボット学会OS「確率ロボティクスとデータ工学ロボティクス」 – 7/13締め切り • CREST「記号創発ロボティクスによる人間機械コラボレーション基 盤」ポスドク/技術員募集 – 2017/4~ – マルチモーダル音声対話、実世界の言語化、生活支援ロボット、 クラウドロボティクス

×