「.NET 開発基盤部会 Wiki」は、「Open棟梁Project」,「OSSコンソーシアム .NET開発基盤部会」によって運営されています。
目次 †
概要 †
ロボット †
- 定義（ISO、JIS）：現状は産業ロボットの定義に近い
- 構造・機能：自由度、作業領域、可動域、可搬重量、精度
- 運動学：順運動学、逆運動学（○）
- ダイナミカルシステム：ロボット・マニュピレーターの運動方程式
詳細 †
モデル規範型と行動規範型 †
- モデル規範型
- 人間が地図とソフトを与える。
- ソフト
- 画像・センサー処理
- 自己位置推定
- 経路計算
- 指令値の生成（戻る
- 行動規範型
- 例：走光性（光に向かう）＋障害物回避
- 比較的単純な行動型＋複雑な環境＝（観測される）知的な行動
- ルンバの例
優先順に階層型に組み合わせる（設計法は無い、進化的）
- 衝突回避（バンパー接触で壁を検知）
- 物体接触（光源無しの状態のバンパー接触で検知）
- 光源回避（光が閾値以上）
- 障害物回避（センサーで障害物を検知）
- 光源移動（光が閾値以下）
- 徘徊移動
深層学習による動作学習 †
- ロボットと人工知能の世界は異なるが、深層学習、強化学習は使えそう。
- Googleのロボット制御：深層強化学習に類似した手法
深層予測学習の応用例 †
- 人間の操作データから近未来を予測する様に学習（≒模倣）
- オートエンコーダーのロボティクス版的な？。
- 視野画像⼊⼒＋関節⾓度⼊⼒をエンコード・デコートで学習＆予測しながら動作する。
- エクスペリエンス・ベースド・ロボティクスの応用例
- 柔軟物ハンドリング
- 粉体 / 流体ハンドリング
- 全身協調動作
- コミュニケーション・ロボット
- AIBO、QRIO
- スマートスピーカーに近い
- 不気味の谷ってーのがある。
- ただ、感情移入を誘発する必要がある。
- 色々な環境下で多様な対応をする必要があるっぽい（≠機械的）。
- 感情の評価が難しい（再現性のある解析、設計指針を得るのが困難）
- 記号接地問題には深層学習が使えそう。
・言語と運動の結合（指示＆視覚 → 行動）行動を指示する。
・運動と言語の結合（行動＆視覚 → 説明）行動の説明をする。
- 医療・介護
- 認証（顔認証）による受付～会計の自動化
- 検査補助ロボット（患者の問診、誘導）
- モノ、患者の配送ロボット
- 調剤調合ピッキングロボット
- 微生物検査のロボット化
社会現象、社会データ †
- サイバーフィジカルシステム
- 経済発展と社会的課題解決を両立する
- 人間中心社会、超スマート社会
- デジタル化 -> 計算モデル化 -> 意思決定
- 機械学習＋組織学習
- 異質性、状況依存性
・Webサービス（RDB） -> IoTアプリ（NoSQL）
・時空間解像度が高い
- 条件付き確率
条件付き確率による購買行動モデルの例
・P（購買｜女性） > P（購買｜男性）
・P（購買｜女性, 週末） > P（購買｜女性, 平日）
- 混合分布、相互作用
・混合分布：属性の異なる人々
・非正規性：≠正規分布（代表値の使い分け）
・非線形相互作用：複数の変数間の依存関係を考慮
条件付き確率表で不確実な現象を確率モデルで表現し、
確率的構造モデル（ベイジアン・ネット）で計算
- 母集団依存性の高い従来型の統計から、
再利用性の高い確率的構造モデルを用いた知識へ。
・予測モデル：ある変数を説明するルール
・確率的知識：変数群の依存関係の条件付き確率
・計算モデル：因果的構造のネットワーク
- 潜在変数の想定、フレーム問題
・ベイズモデル？
・フレームをベイジアン・ネットに組み込み、学習の負担を減らす。
- 不確実性は低いが高次元の大量データ
深層学習（教師あり学習
- 不確実性が高く混合分布となっている場合
・どう言う場合に、どう言う現象が起きるか？
・場合：確率的なクラスタリング（確率的潜在意味解析（PLSA））
・現象：属性カテゴリからある顧客クラスタと商品クラスタ（食材）の
組み合わせ時の現象（商品の用途）をクラス毎に分類して分析する。
- 変数間の相互作用・依存関係がある場合
確率的構造モデル（ベイジアン・ネット）
・PLSAのクラス毎にベイジアン・ネットの一部を拡大して分析するなど。
・外れ方の構造をベイジアン・ネットのモデルにするなど。
複雑系データ †
- 金融市場もしくは人間の行動などに関するデータ。
- 時間で構造やパターンが変化する。
- データを複製できないので数が限定的。
- モデルを複雑にすると過学習を起こす。
シミュレーション †
- 物造りのから人間活動を含む社会的課題に焦点が移ってきた。
- 人間活動が含まれた途端に課題は複雑になる。
- ステークホルダーが抱える多様な問題関心を紐解く必要。
- この10年の間にエージェントベースモデリング、
社会シミュレーションと呼ばれる研究分野で急速に発展している。
- 説明できるAIの導入よりステークホルダーを巻き込みやすい。
（恐らく）説明できるAIより視覚的で説明し易い故に、
- 現場の介入で、問題や関心の洗い出しが出来る。
- また、予測の結果を信用して貰い易い。
- 事例
- ペイメントシステム導入時のレジ周辺エリアのデザイン
システム導入時のレジ周辺エリアのシミュレーション
- カスタマーセンターの生産性向上
施策（ローテーション、KB導入）のシミュレーション
- 空港ターミナルの混雑緩和
混雑緩和施策のシミュレーション
参考 †
Qiita †
Wikipedia †
![[PukiWiki]](image/pukiwiki.png "[PukiWiki]")
