SlideShare a Scribd company logo
1 of 36
Download to read offline
Deep Learningを用いたロボット制御
2016/7/23 第9回科学技術におけるロボット教育シンポジウム
チーフアーキテクト
奥田 遼介
株式会社Preferred Networks
今日の内容
 私が関わった様々なロボット関連の技術を紹介します
 詳細な解説や動画は弊社のブログに掲載してあります
— 「プリファードリサーチ」で検索
 目次
— レゴ
 分散深層強化学習
 ぶつからない車
— 産業用ロボット
 バラ積み取り出し
 Amazon Picking Challenge
自己紹介
奥田 遼介
 -2010一関工業高等専門学校
 -2014東北大学 修士
— 文字列処理など
 2014 (株)プリファードインフラストラクチャー
 2014- (株)プリファードネットワークス
— チーフアーキテクト
— 映像解析系、製造業系にかかわる研究開発
— ChainerやCuPyの開発
私とレゴ マインドストーム
 2003年 中学生:RCX
 2012年 大学院生:NXT 2.0
— ETロボコン2012に出場
— チャンピオンシップ大会 TOPPERS賞受賞,総合部門第4位
 2015年 社会人: EV3
ETロボコンでは何をしたか?
 プログラムのリモート
書き換え機能を実装
— ETロボコン専用スクリプ
ト言語
— BT転送
 SATORI2
— 自動リトライによるパラ
メーター調整
会社紹介: Preferred Networks (PFN)
 2014年3月設立(Preferred Infrastructureからスピンオフ)
 本社:東京、アメリカ子会社:カリフォルニア州サンマテオ
 社員数:約40名(そのうち35名程度はエンジニア)
 投資元:NTT、FANUC、トヨタ自動車
ディープラーニング
(人工知能)
Industrial IoT
製造業
自動車
ヘルスケア
7
世界的な企業とのパートナーシップで機械学習を活用
 産業応用において実データを用いた共同R&Dプロジェクト
— 特殊なデータ・必要要件、アルゴリズムの改良、多くの試行錯誤、…
— 一般的なパターン認識システムとは異なる状況での経験とノウハウ
(C) WSJ
(C) WSJ
今回よく出てくる3つのキーワード
 機械学習
— 経験(データ)によって賢くなるアルゴリズム
 強化学習
— 試行錯誤を通じて環境に適応した制御を獲得する枠組み
 深層学習(ディープラーニング)
— 機械学習手法のひとつ、近年大きく研究が進んでいる
機械学習(マシンラーニング)
経験(データ)によって賢くなるアルゴリズムの研究
– データから知識・ルールを自動獲得する
– データの適切な表現方法も獲得する
– 人工知能の中で、人が知識やルールを
明示的に与える方法の限界から生まれてきた
学習データ
分類モデル
画像認識タスクでの性能向上(ILSVRC)
28.2
25.8
16.4
11.7
6.7 5.98 5.1 4.94 4.82
3.56
0
5
10
15
20
25
30
これが人
Deep Learning
の衝撃
強化学習のモチベーション
学習 行動
webサービス
ゲームAI
ルーター
ロボット
自動車
...
ヒストグラム
線形モデル
SVM
Deep NN
...
データ
前処理
サービスに反映
データ収集
このループを
自動で回したい
状態 s の時に
どの行動 aを
取ればよいかを
報酬 r を
手掛かりに学習する
強化学習の問題設定(簡易版)
エージェント
行動 a
良い結果
・すいすい走る
悪い結果
・他車とぶつかる
評価
報酬 r を与える
(罰の場合もある)
状態 s:周りの情報
状態 sに対する行動 a
は直接教えない
レゴを活用したデモンストレーション
分散深層強化学習
 2015年6月のInteropで発表したデモ
全体システム
Webカメラ(USB)
BT制御 シミュレーター
(Processing)
画像認識
(AR Toolkit)
深層学習
(Chainer)
座標データ
センサーデータ
操作指令
GPU搭載PC
複数ロボットカーの協調走行
 状態:273次元
— 視線:32方向の視線に対する情報など(障害物まで
の距離・角度)
 行動:5種類(前後加速, 左右回転, ブレーキ)
 報酬r:
— 良い:指定されたパスに沿って速く移動する
— 悪い:壁や障害物、他の車にぶつかる
 どのように走行すれば最適かを学習
— 状態sの時に各行動aの報酬を予測するNNを学習
273 600 400 200 100 50
入力:状態s
前加速
後加速
右回転
左回転
ブレーキ
出力:各行動aの報酬予測
CES 2016ロボットカーデモ
 トヨタ、NTTとの共同展示
 ディープラーニングと強化学習を用いる
ことで、自動で運転能力を習得するデモ
https://www.youtube.com/watch?v=a3AWpeOjkzw
https://www.youtube.com/watch?v=7A9UwxvgcV0
何がすごいか
 約300次元の入力情報から適切な行動を車自らが自動的
に獲得する
— 入力・出力が何に対応するかも教えていない
— 全方位を見て複雑な状況でも適切によける
— それぞれの車は独立に行動を決定
 CESのデモでは4日間で白い車はお互いに衝突無し
 複数台のセンサーデータを集めて学習を加速
— データ共有して学習する事でより速く、より賢くなる
なぜレゴでデモを作ったか?
 今の深層強化学習でどんな事が出来るか示したかった
— よくある「IoT・ビッグデータ」はデータを集めるだけの場合がほ
とんど
 分析すらできなくて、コストだけかかって価値にならない
— IoTの会社なので実物を動かしながら、技術の実用性を示す
 お客さんとのプロジェクトの内容は外に出せない
— 技術の詳細を公開できないので、ぼやかした説明になる
レゴを使った利点
 高速にデモを作れた
— 最初のデモは2か月で制作
— 他のラジコンカーも試したけど、EV3が一番安定して制御できた
— 制御・通信部分を自由にいじれる
 ほど良いバッテリー時間とパワー
— 2時間くらい動いてくれる
— パワーが結構ある(CESの時は通信機と別バッテリーも搭載)
 動くデモは圧倒的にインパクトがある
— 安定して動く
— 同じ型を大量に購入できる(最終的に20台くらい購入)
 他の製品は付属品が品切れになっていたりした
レゴの欠点・デモで苦労した点
 ちょっと本体が大きい
— もう一回り小さい型が欲しいところ
 ラジコンモードが標準であってほしい
 もう少し早いモーターが欲しい
— 大きいタイヤ使いたくなかった
 屋内の精密な位置・向き測定は難しい
— カメラの解像度、光の状態、設置が面倒くさい
産業用ロボットへの技術適用
 バラ積み取り出し
— 乱雑に置かれた物体
— 入力:上方からの深度付き画像
— 出力:吸着ハンドの目標座標
 自動車工場によくある設定
— 別工場から部品が箱にバラバラな状態で送られてくる
— 専用の機械(高価で煩い)か、人が取り出して並べていた
バラ積みロボットの学習
バラ積みロボットの学習
 従来手法
— パターンマッチ、ブロブ検出など
— パラメタチューニングが難しい
 提案手法
— Deep Learningで代替
— 学習データを自動で収集
バラ積み取出しの学習
https://www.youtube.com/watch?v=ATXJ5dzOcDw
国際ロボット展2015にて展示
Amazon Picking Challengeとは
 Amazonが主催
 6/29-7/3, ドイツ
 RoboCup2016 と併設
 今年2回目
 倉庫の自動化を目指す
 タスク:指示された12個のitemを15分以内に棚から取っ
てくる / 棚に入れればOK
アイテムと棚
39種類のアイテム
・光沢や透明
・重い、大きい、小さい、変形
棚内の配置例
結果
Pickタスクで2位(1位と同スコア)! Stowタスクで4位(3位と僅差)!
http://amazonpickingchallenge.org/results.shtml
タスク後の記念撮影
ロボット外観
・2本のFANUC製ロボットアームで2種類のハンド(バキューム、グリッパ)を使用
・アームの先端に2種類の画像センサを搭載
他のチーム
バキュームとグリッパの
融合ハンド台座に前後軸
アームに前後軸
PFN
Stow :4位(161)
Pick : 2位(105)
 全16チーム
— 日本から4チーム
 Delft(オランダ)
— Stow : 1位(214)
— Pick :1位(105)
— アーム:Yasukawa
 Nimbro(ドイツ)
— Stow : 2位(186)
— Pick :3位(97)
— アーム:Universal Robots
画像認識性能の戦い
Realsense
Lidar
Segmentation
(CNN)
アイテム解析
・吸着可能位置推定(CNN)
・面の法線推定(点群処理)
・向き姿勢推定(点群処理)
吸着可能位置推定
法線方向推定
向き姿勢推定
全チームが深層学習を利用。各チームそれぞれに改良を重ねていた。
まとめ
機械学習のこれから
 多くの分野に急速に普及する
— 画像認識、音声認識、動画認識、テキスト認識
— 画像生成、テキスト生成
 画像認識
— 深層学習の登場により、大きく技術が向上
— 複雑な制御を行うためにはほぼ必須の技術に
 音声認識
— テキスト化、指示の伝達、コミュニケーション
 強化学習
— より現実に近い設定で動くように進歩中
ロボット
 活動範囲を広げるには学習の活用が必須
— 産業用ロボットは基本的に決まった動きの繰り返し
 プログラミングの難しさ、安全性
 これからのロボット
— 大量のセンサを搭載、カメラも使う
— 機械学習により自動的に動きを獲得
— 人に対して安全に振る舞う
 社会への進出
— ドローン、産業用・災害用・家庭用ロボットなどなど
レゴを通して学べる良いこと
 物・サービスづくり
— ソフト・ハードを通して、実現したいものを作っていく能力
— ハード
 工作技術、動きの仕組み、現実世界の複雑さ
— ソフト
 制御、プログラミング、アルゴリズム
— 解決力
 障害の原因を特定してひとつずつ解決していく
 誰かにとって役に立つ何かを作っていく
本日のデモの詳細情報
 「プリファードリサーチ」で検索
— https://research.preferred.jp/
— バラ積みロボットの学習
— 強化学習によるロボットカーの自動制御
— 画風変換
— 画像の自動生成
We are hiring!
インターン・アルバイトも募集中です

More Related Content

What's hot

深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!Junichiro Katsuta
 
Cartographer を用いた 3D SLAM
Cartographer を用いた 3D SLAMCartographer を用いた 3D SLAM
Cartographer を用いた 3D SLAMYoshitaka HARA
 
tf,tf2完全理解
tf,tf2完全理解tf,tf2完全理解
tf,tf2完全理解Koji Terada
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたTakuya Minagawa
 
【DL輪読会】Implicit Behavioral Cloning
【DL輪読会】Implicit Behavioral Cloning【DL輪読会】Implicit Behavioral Cloning
【DL輪読会】Implicit Behavioral CloningDeep Learning JP
 
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージMori Ken
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームTakuya Azumi
 
ドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologiesドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility TechnologiesKazuyuki Miyazawa
 
つくばチャレンジ2019技術調査報告
つくばチャレンジ2019技術調査報告つくばチャレンジ2019技術調査報告
つくばチャレンジ2019技術調査報告Yoshitaka HARA
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチHironobu Fujiyoshi
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformercvpaper. challenge
 
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Kazuyuki Miyazawa
 
Virtual Tsukuba Challenge on Unity について
Virtual Tsukuba Challenge on Unity についてVirtual Tsukuba Challenge on Unity について
Virtual Tsukuba Challenge on Unity についてUnityTechnologiesJapan002
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Yamato OKAMOTO
 
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習Eiji Uchibe
 
TFLite_and_PyTorch_Mobile
TFLite_and_PyTorch_MobileTFLite_and_PyTorch_Mobile
TFLite_and_PyTorch_Mobileyusuke shibui
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量についてla_flance
 
ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例Yoshitaka HARA
 

What's hot (20)

深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!深層強化学習の self-playで、複雑な行動を機械に学習させたい!
深層強化学習の self-playで、複雑な行動を機械に学習させたい!
 
SLAM勉強会(PTAM)
SLAM勉強会(PTAM)SLAM勉強会(PTAM)
SLAM勉強会(PTAM)
 
Cartographer を用いた 3D SLAM
Cartographer を用いた 3D SLAMCartographer を用いた 3D SLAM
Cartographer を用いた 3D SLAM
 
tf,tf2完全理解
tf,tf2完全理解tf,tf2完全理解
tf,tf2完全理解
 
ORB-SLAMを動かしてみた
ORB-SLAMを動かしてみたORB-SLAMを動かしてみた
ORB-SLAMを動かしてみた
 
【DL輪読会】Implicit Behavioral Cloning
【DL輪読会】Implicit Behavioral Cloning【DL輪読会】Implicit Behavioral Cloning
【DL輪読会】Implicit Behavioral Cloning
 
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ
06 第5.1節-第5.7節 ROS2に対応したツール/パッケージ
 
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォームAutoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
Autoware: ROSを用いた一般道自動運転向けソフトウェアプラットフォーム
 
ドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologiesドラレコ + CV = 地図@Mobility Technologies
ドラレコ + CV = 地図@Mobility Technologies
 
つくばチャレンジ2019技術調査報告
つくばチャレンジ2019技術調査報告つくばチャレンジ2019技術調査報告
つくばチャレンジ2019技術調査報告
 
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチMIRU2013チュートリアル:SIFTとそれ以降のアプローチ
MIRU2013チュートリアル:SIFTとそれ以降のアプローチ
 
【メタサーベイ】Video Transformer
 【メタサーベイ】Video Transformer 【メタサーベイ】Video Transformer
【メタサーベイ】Video Transformer
 
Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)Teslaにおけるコンピュータビジョン技術の調査 (2)
Teslaにおけるコンピュータビジョン技術の調査 (2)
 
Virtual Tsukuba Challenge on Unity について
Virtual Tsukuba Challenge on Unity についてVirtual Tsukuba Challenge on Unity について
Virtual Tsukuba Challenge on Unity について
 
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
 
強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習強化学習と逆強化学習を組み合わせた模倣学習
強化学習と逆強化学習を組み合わせた模倣学習
 
TFLite_and_PyTorch_Mobile
TFLite_and_PyTorch_MobileTFLite_and_PyTorch_Mobile
TFLite_and_PyTorch_Mobile
 
SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向SSII2019企画: 点群深層学習の研究動向
SSII2019企画: 点群深層学習の研究動向
 
Sift特徴量について
Sift特徴量についてSift特徴量について
Sift特徴量について
 
ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例ロボティクスにおける SLAM 手法と実用化例
ロボティクスにおける SLAM 手法と実用化例
 

Viewers also liked

レゴと機械学習を組み合わせた
レゴと機械学習を組み合わせたレゴと機械学習を組み合わせた
レゴと機械学習を組み合わせたTomohiro Goya
 
フリスクでBleアプリ
フリスクでBleアプリフリスクでBleアプリ
フリスクでBleアプリTomohiro Goya
 
20170920_FinSumWorkshop_ZaisanNet
20170920_FinSumWorkshop_ZaisanNet20170920_FinSumWorkshop_ZaisanNet
20170920_FinSumWorkshop_ZaisanNetShirabe Ogino
 
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴Rist Inc.
 
ディープラーニング 今週の事例 Top 5
ディープラーニング 今週の事例 Top 5ディープラーニング 今週の事例 Top 5
ディープラーニング 今週の事例 Top 5NVIDIA Japan
 
為替と株の予測の話
為替と株の予測の話為替と株の予測の話
為替と株の予測の話Kentaro Imajo
 
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例Hirono Jumpei
 
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616Ridge-i
 
証明プログラミング入門2
証明プログラミング入門2証明プログラミング入門2
証明プログラミング入門2Kyoko Kadowaki
 
Deep inspectionの特徴
Deep inspectionの特徴Deep inspectionの特徴
Deep inspectionの特徴Rist Inc.
 
エニグマ暗号とは何だったのか
エニグマ暗号とは何だったのかエニグマ暗号とは何だったのか
エニグマ暗号とは何だったのかTakahiro (Poly) Horikawa
 
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pgJunpei Tsuji
 
拡がるディープラーニングの活用
拡がるディープラーニングの活用拡がるディープラーニングの活用
拡がるディープラーニングの活用NVIDIA Japan
 
フーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みフーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みyuichi takeda
 
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例Recruit Technologies
 

Viewers also liked (16)

ogawa_b
ogawa_bogawa_b
ogawa_b
 
レゴと機械学習を組み合わせた
レゴと機械学習を組み合わせたレゴと機械学習を組み合わせた
レゴと機械学習を組み合わせた
 
フリスクでBleアプリ
フリスクでBleアプリフリスクでBleアプリ
フリスクでBleアプリ
 
20170920_FinSumWorkshop_ZaisanNet
20170920_FinSumWorkshop_ZaisanNet20170920_FinSumWorkshop_ZaisanNet
20170920_FinSumWorkshop_ZaisanNet
 
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
製造業の画像検査におけるDeep Learningの現状とdeep inspectionの特徴
 
ディープラーニング 今週の事例 Top 5
ディープラーニング 今週の事例 Top 5ディープラーニング 今週の事例 Top 5
ディープラーニング 今週の事例 Top 5
 
為替と株の予測の話
為替と株の予測の話為替と株の予測の話
為替と株の予測の話
 
深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例深層学習の導入で抱える課題とユースケース実例
深層学習の導入で抱える課題とユースケース実例
 
[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616[Ridge-i] Dll講演資料 2017616
[Ridge-i] Dll講演資料 2017616
 
証明プログラミング入門2
証明プログラミング入門2証明プログラミング入門2
証明プログラミング入門2
 
Deep inspectionの特徴
Deep inspectionの特徴Deep inspectionの特徴
Deep inspectionの特徴
 
エニグマ暗号とは何だったのか
エニグマ暗号とは何だったのかエニグマ暗号とは何だったのか
エニグマ暗号とは何だったのか
 
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg
「時計の世界の整数論」第2回プログラマのための数学勉強会 #maths4pg
 
拡がるディープラーニングの活用
拡がるディープラーニングの活用拡がるディープラーニングの活用
拡がるディープラーニングの活用
 
フーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組みフーリエ変換と画像圧縮の仕組み
フーリエ変換と画像圧縮の仕組み
 
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
リクルートにおけるマルチモーダル Deep Learning Web API 開発事例
 

Similar to Deep Learningを用いたロボット制御

ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出Tetsutaro Watanabe
 
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介Recruit Technologies
 
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...Preferred Networks
 
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×RoboticsエンジニアへのロードマップNVIDIA Japan
 
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際Tetsutaro Watanabe
 
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習Kuniyuki Takahashi
 
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習Preferred Networks
 
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術Shohei Hido
 
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 WinterAI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 WinterYasuhiro Matsuo
 
ネットワーク分散型フレームワークConView
ネットワーク分散型フレームワークConViewネットワーク分散型フレームワークConView
ネットワーク分散型フレームワークConViewRakuten Group, Inc.
 
エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略NVIDIA Japan
 
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングFPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングHideo Terada
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII
 
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣aslead
 
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発Agile Japan 2016 | アジャイルなIoTプラットフォーム開発
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発SORACOM,INC
 
Portable RT-Middleware environment on a USB memory for the robot programing ...
Portable RT-Middleware environment on a USB memory  for the robot programing ...Portable RT-Middleware environment on a USB memory  for the robot programing ...
Portable RT-Middleware environment on a USB memory for the robot programing ...s15mh218
 
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太Preferred Networks
 

Similar to Deep Learningを用いたロボット制御 (20)

ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出ドライブレコーダの動画を使った道路情報の自動差分抽出
ドライブレコーダの動画を使った道路情報の自動差分抽出
 
MLOpsはバズワード
MLOpsはバズワードMLOpsはバズワード
MLOpsはバズワード
 
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
求職サービスの検索ログを用いたクエリのカテゴリ推定とその活用事例の紹介
 
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...
20181214 Semicon Japan Techspotセミナー:ディープラーニングを応用した製品不良検査ソフトウェアおよびピッキングロボットソリュ...
 
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
2020年10月29日 プロフェッショナルAI×Roboticsエンジニアへのロードマップ
 
先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際先駆者に学ぶ MLOpsの実際
先駆者に学ぶ MLOpsの実際
 
実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習実社会・実環境におけるロボットの機械学習
実社会・実環境におけるロボットの機械学習
 
エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習エッジヘビーコンピューティングと機械学習
エッジヘビーコンピューティングと機械学習
 
ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術ディープラーニングの産業応用とそれを支える技術
ディープラーニングの産業応用とそれを支える技術
 
[Japan Tech summit 2017] MAI 001
[Japan Tech summit 2017]  MAI 001[Japan Tech summit 2017]  MAI 001
[Japan Tech summit 2017] MAI 001
 
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 WinterAI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
 
ネットワーク分散型フレームワークConView
ネットワーク分散型フレームワークConViewネットワーク分散型フレームワークConView
ネットワーク分散型フレームワークConView
 
エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略エヌビディアのディープラーニング戦略
エヌビディアのディープラーニング戦略
 
FPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティングFPGA, AI, エッジコンピューティング
FPGA, AI, エッジコンピューティング
 
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けてSSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
SSII2022 [OS3-03] スケーラブルなロボット学習システムに向けて
 
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
Mattermostが働き方を劇的改善!NRIの働き方改革の秘訣
 
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発Agile Japan 2016 | アジャイルなIoTプラットフォーム開発
Agile Japan 2016 | アジャイルなIoTプラットフォーム開発
 
Portable RT-Middleware environment on a USB memory for the robot programing ...
Portable RT-Middleware environment on a USB memory  for the robot programing ...Portable RT-Middleware environment on a USB memory  for the robot programing ...
Portable RT-Middleware environment on a USB memory for the robot programing ...
 
2016 sep13 gdlc01 pfn
2016 sep13 gdlc01 pfn2016 sep13 gdlc01 pfn
2016 sep13 gdlc01 pfn
 
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
 

More from Ryosuke Okuta

Chainer v1.6からv1.7の新機能
Chainer v1.6からv1.7の新機能Chainer v1.6からv1.7の新機能
Chainer v1.6からv1.7の新機能Ryosuke Okuta
 
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装Ryosuke Okuta
 
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015Ryosuke Okuta
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御Ryosuke Okuta
 

More from Ryosuke Okuta (6)

Chainer v1.6からv1.7の新機能
Chainer v1.6からv1.7の新機能Chainer v1.6からv1.7の新機能
Chainer v1.6からv1.7の新機能
 
ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装ディープラーニングフレームワーク とChainerの実装
ディープラーニングフレームワーク とChainerの実装
 
NumPy闇入門
NumPy闇入門NumPy闇入門
NumPy闇入門
 
CuPy解説
CuPy解説CuPy解説
CuPy解説
 
Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015Chainerチュートリアル -v1.5向け- ViEW2015
Chainerチュートリアル -v1.5向け- ViEW2015
 
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
DLフレームワークChainerの紹介と分散深層強化学習によるロボット制御
 

Deep Learningを用いたロボット制御