Successfully reported this slideshow.

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

2

Share

Upcoming SlideShare
minagawa b
minagawa b
Loading in …3
×
1 of 14
1 of 14

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

2

Share

Description

2016年度人工知能学会資料

Transcript

  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

Description

2016年度人工知能学会資料

Transcript

  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

More Related Content

Viewers also liked

More from Komei Sugiura

Related Books

Free with a 30 day trial from Scribd

See all

×