論文

高齢者や障害者を支える人手不足の解決策として家庭用ロボットは有望視されている. 家庭用ロボットにとって物体配置タスクは基本的動作であるので, 高い精度および安全性が望まれる. 衝突は環境内の物体同士の運動量に大きく依存しているため, 予測することは難しい. そこで, 本論文では物体配置タスクでの衝突に関するphysical reasoning手法, Transformer PonNetを提案する. Transformer PonNetは衝突可能性を予測し, 衝突に関連する部分の可視化を行う. 既存手法と異なり, 正確な大きさが分からない物体に対しても適応可能である. また, 単純なself-attention機構よりも複雑な特徴量間の関係を扱うことができるTransformer Perception Branchを提案する. 家庭用ロボットを用いてシミュレーション, 実機データセットを構築し, 実機データセットで82.5%という精度を得た.

本研究の目的は、クロスモーダル言語生成モデルによりデータセットを拡張することである．本論文では，"Move the blue flip-flop to the lower left box"等，画像から物体移動指示文を生成するCase Relation Transformer（CRT）を提案する．既存手法とは異なり，CRTはTransformerを使用して画像特徴量及び幾何的特徴量を統合する．また，CRTはCase Relation Blockの導入により，対象物体及び目標領域を扱うことができる．実験ではベースライン手法との比較実験及び人間による評価を行った． 結果より，CRTがベースライン手法を主要尺度で上回ることが示された．

高齢化が進行する現代社会において，在宅介護者の不足が問題となっている．生活支援ロボットはその有望な解であり，スムーズな対話に基づいて生活支援タスクを実行できることが望ましい．しかし，人間の発する命令文には規則が存在せず，しばしば曖昧性が含まれるため、正確な内容の理解は容易ではない．既存研究では，命令文に加え，命令の対象物体を含む全体画像を入力しているが，それだけでは物体間の関係性の学習が難しく，命令文が参照表現を含む場合に対象物体の特定が困難になる．そこで本研究では，対象物体候補の画像・位置情報を扱うように構造を変更した，Target-dependent UNITERモデルを提案する．対象物体候補が対象物体であるか否かに関する分類精度について，標準データセットを使用し，ベースライン手法と比較を行った結果について報告する．

深層強化学習の代表的な手法であるAsynchronous Advantage Actor-Critic (A3C)は，ロボット制御やゲームタスクにおいて高精度な結果を獲得している．しかし，推論時におけるモデル内部の演算が複雑であるため，モデルの推論結果に対する判断根拠が不明確である．そのため，モデルがどのように判断し推論したか容易に説明できる仕組みが必要である．本研究では，Policy branchの特徴マップに対しAttention mapを用いてマスク処理を行うMask Attention A3Cを提案する．Atari2600を用いた実験により，スコアの比較及び獲得したAttention mapを用いた視覚的説明を行う．また，注視領域を反転させた場合においてもスコアを確認することで，獲得したAttention mapの有効性を示す．

生活支援ロボットは，在宅介護労働者の不足に対する有望な解決策である． 一方で，生活支援ロボットの主な制限の1つに，言語を介して自然に相互作用できない点がある． 近年の研究では，data-drivenのアプローチがあいまいな指示の処理に有効であることが示されているものの，大規模なデータセットを必要とすることが多く，その構築は時間と費用を要する． したがって，生活支援ロボットにおける命令文の自動生成手法は，このコストを大幅に削減し，アノテーション作業の負担を軽減することが期待できる． そこで本稿では，入力画像から把持命令文を生成する手法を提案する． 提案手法は，subword-levelの注意機構を持ち，subword embeddingに基づいて文を生成するMultimodal Attention Branchを有する． 実験では，画像キャプショニングに適した4つの標準的な尺度を使用して提案手法とベースライン手法との比較を行った． 実験結果では，提案手法がこれらの尺度においてベースライン手法を上回ることを示した．

We consider the problem of searching scientific data from vast heterogeneous scientific data repositories. This problem is challenging because scientific data contain relatively little text information compared to other search targets such as web pages. On the other hand, the metadata in scientific data contain other characteristic information such as spatio-temporal information. Although using this information make it possible to improve the search performance, many widely adopted scientific data search engines use this information exclusively for narrowing down search results. In this paper, we propose a novel query generation method using spatial, temporal, and text information based on pseudo relevance feedback. The proposed method generates new spatio-temporal queries from the initial search results. By using these queries, the search results are reranked such that more related results obtain higher rank. The experimental results show that the proposed method outperforms a baseline method when search targets do not have rich text information. (c) 2016 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.