Smartphone-based Pedestrian’s Avoidance Behavior Recognition towards Opportunistic Road Anomaly Detection
要約
- スマートフォンを使用した歩行者の回避行動の認識による、臨機的な道路の異常検知に関する研究論文が紹介されています。
- 道路の異常を検知するために、歩行者の回避行動に焦点を当てており、スマートフォンを使用して、歩行者の回避行動を認識し、異常を自動的に報告するシステムを提案しています。
- このシステムでは、スマートフォンに搭載された加速度計と磁力計を使用して、歩行方向の方位角の変化を測定し、位置情報はGPSなどの位置測定技術を使用して取得されます。
- さらに、歩行者の回避行動を検知するための処理は、端末側で行われ、異常検知以外の情報はサーバーに送信されません。
- この研究は、歩行者の回避行動の認識方法や、位置情報の集約・フィルタリング手法に焦点を当てており、自動的な道路異常検知システムの提案とその有効性について述べられています。
- この記事の焦点外は、低電力の位置決めとサーバーサイドの処理です。
- 自然な防御行動として歩行者が歩行パスを変更する場合、道路上の障害物（くぼみ、ひび割れ、水たまり、倒れた木や土砂崩れなど）の異常を検出することに焦点を当てています。
- 歩行中の防御行動は、避ける方向（左または右）、障害物を通る（避ける）か戻るか（戻る）、そして障害物を避けた後の方向変更の組み合わせによってモデル化されます。
- 避ける方向（左右）、障害物を通るか戻るか、および障害物を避けた後の方向変更によって6種類の防御行動が定義されます。
- ストリーミングセンサーデータ上で行動認識タスクを行い、特別な注意が必要であることが示されます。
- 波形整形プロセスは、方位変化の検出と平滑化から構成され、移動平均が適用されます。
- 行動分類には、29の特徴が含まれ、これらは基本的な統計情報を主に含んでいます。
- 手作業のルールベースのアプローチ、統計的機械学習アプローチ（J48決定木）、および確率的アプローチ（隠れマルコフモデル（HMM））が利用されています。
- オフライン実験では、様々な側面で実施され、データ収集条件や基本的な分類パフォーマンスがまとめられています。
（※文章が長いため、要約が一部になります。）
- オリジナルデータに基づいて、左右対称の回避行動があることがわかったため、avoidLR、avoidL、returnLを合成した。合成は各サンプルの符号を反転させることで実現される。
- データセットのプロファイルはTable 3にまとめられており、障害物サイズ0.5および1.0mのデータは、障害物サイズの未知の場合の分類器の堅牢性を評価するためにのみ使用された。
- 方位角の測定は磁力計に依存しており、建築構造（金属、高電圧電流、磁気を含む）の影響を受ける可能性がある。
- 複数の分類器を比較し、ランダムフォレストが最も優れた性能を示したことが示された。
- 特徴の関連性を理解するために、情報理論に基づいて特徴の関連性を評価し、上位k個の特徴に対するF測定値が計算された。
- 個人差について、自己交差検証（self-CV）での性能が、leave-one-subject-out交差検証（LOSO-CV）での性能よりも優れていることが示された。
- Subjects B, D, and IについてLOSO-CVを実施した結果、いくつかの訓練データには、Subjects B、D、およびIと互換性のないデータが含まれていた。Subject Hは、各列の最低値（それぞれ0.56と0.54）によって示されるように、Subjects BおよびDと互換性がないようである。さらに、Subject BはSubject Iと互換性がないように見えた（0.58）。これらの考えを検証するために、次のようにしてデータセットからの個別の分類器を作成した。まず、自己-CV値を除いたF-測定値の平均を各列ごとに計算する。その後、個別の分類器を訓練するために、平均よりも良好な結果を出した被験者のデータセットが使用される。その結果、新しい分類器でのテストの結果、Subjects B、D、およびIに対するLOSO-CVのF-測定値がそれぞれ0.80、0.85、および0.86に向上し、それぞれ元のLOSO-CVから0.05、0.07、および0.09の増加となった。将来的には、分類器を構築するための互換性のある人物を見つける方法を調査する予定である。また、Subjects EおよびFの自己-CVのF-測定値は比較的低く、それぞれ0.75と0.81であった。これは、被験者間での大きなばらつきが原因で、それらから得られた特徴が対象の行動の特性を捉えられなかったことを示している。さらに、Subjects EおよびFのクラスごとの平均セグメント数はそれぞれ48と52であり、それぞれの数の9分の1のセグメントで分類器が訓練されたと考えられる。これらの分類器は十分に訓練されていないと考えられる。
- Ichikawaらによる調査によると、人々はスマートフォン端末をズボンのポケットや胸ポケットなど、さまざまな位置に持ち歩いている。これらの保管位置が分類パフォーマンスに与える影響を調査するために実験を実施した。結果から、特定の位置にチューニングされた分類器は、必ずし
- Shilton, K.らは、市民主導の参加型センシングを提唱しており、これによって世界を形作るパターンを明らかにしようとしている。
- Lane, N.D.らは、携帯電話によるセンシングに関する調査を行っている。
- Carrera, F.らは、「STREETBUMP」という自動舗装穴マッピングアプリのクラウドソーシングを行っている。
- Chen, D.らは、スマートフォンを使用した車両操舵の不可視センシングについて研究している。
- Eriksson, J.らは、道路表面のモニタリングのためのモバイルセンサーネットワークを使用した「Pothole Patrol」について述べている。
- Kaneda, S.らは、プローブ自転車を使用した自転車の危険検出方法について説明している。
評価
この研究では、スマートフォンを用いて歩行者の道路上の異常への回避行動を認識し、これを利用して道路の異常を自動的に検知するシステムを提案しています。このシステムは、スマートフォンの加速度計と磁力計を使用して歩行方向の変化を検出し、位置情報をGPSで取得します。異常を検出する処理は端末側で行われ、他の情報はサーバーに送信されません。この研究では、歩行者が障害物を避ける自然な防御行動を6種類に分類し、これを用いて行動認識を行っています。行動分類には29の特徴が含まれ、手作業のルールベースのアプローチ、統計的機械学習アプローチ、および確率的アプローチが利用されています。このシステムの有効性は、オフライン実験を通じて確認されています。
この研究では、データセットのプロファイルがTable 3にまとめられており、特定の障害物サイズのデータが分類器の堅牢性を評価するために使用されます。また、方位角の測定が磁力計に依存しており、建築構造の影響を受ける可能性があります。複数の分類器を比較した結果、ランダムフォレストが最も良好な性能を示しました。特徴の関連性を評価するために情報理論を使用し、F測定値を計算しました。自己交差検証の性能がLeave-one-subject-out交差検証よりも優れていることが明らかになりました。さらに、特定の被験者間には互換性のないデータが存在し、これらの互換性の問題を解決するために個別の分類器が作成されました。その結果、新しい分類器でのテストが改善されました。しかし、一部の被験者ではF-測定値が比較的低く、これは被験者間の大きなばらつきと特性の捉え方に起因している可能性があります。
この文書は、スマートフォンや携帯電話を利用したセンシング技術とその応用について述べています。一部の分類器は、8と52の数値に基づいて訓練されているとされていますが、十分に訓練されていないことが示唆されています。Ichikawaらは、スマートフォンの保管位置が分類パフォーマンスに影響を与える可能性があると指摘しています。一方、Shilton, K.は市民参加型のセンシングを提唱し、Lane, N.D.は携帯電話によるセンシングについて調査しています。また、Carrera, F.は自動舗装穴マッピングアプリ"STREETBUMP"のクラウドソーシングを行っています。Chen, D.はスマートフォンを使用した車両操舵の不可視センシングについて、Eriksson, J.は道路表面のモニタリングのための" Pothole Patrol"について述べています。最後に、Kaneda, S.は自転車の危険検出方法について述べています。
和訳
![]()
1 / 1
100%
付箋を貼る場所をクリックしてください
