昨日のことになりますが、琉球大学・沖縄高専第3回交流研究会が終わりました。
今回は沖縄高専での実施ということもあり、多数の車で押し掛けてしまいましたが「学外での発表」を意識できる分、4年次の学生にとっても気が引き締まる思いで参加できたんじゃないかと思います。
当初は21名？ぐらいの発表が予定されていましたが、就職活動や体調不良が被って当日4人のキャンセル。その割には討論時間延長や、当日発表追加があって終わってみたら予定時間をやや過ぎるぐらいの時間まで討論が続きました。
他学科の先生も数名来られてて、特に午前のセッションでは画像処理／ロボットビジョン周りの専門家から有意義なコメントを。それ以外のセッションでも関連教員を含む多数参加者から様々な視点を通した討論が行われてました。卒研着手して半年が過ぎたタイミングですが、このぐらいの時期に「研究室外の目に晒して、コメント貰える」のはやっぱり良いですね。
次回は冬（年末年始頃）の実施を予定しています。
以下、発表時のメモ＋質疑応答一覧です。
私の解釈違いやメモれなかった分もありますので注意ください。
関連リンク: [ 1回目 | 2回目 ]
＜目次＞
マリオAIを用いた学習アルゴリズムのパフォーマンスの比較 岩瀬翔（琉大工学部4年・遠藤研）
動機：様々な学習アルゴリズムのパフォーマンスの違いを知りたい
naltoma: 学習アルゴリズムのパフォーマンスを知りたいということだが、
問題設定やアルゴリズムの実装方法等様々な要因が絡む。
マリオAIでパフォーマンスを比較するのはどういう意図？
naltoma: マリオエージェントの動作を編集したら良いとのことだが、
マリオエージェントへの入力（観測情報）は？
naltoma: 段階的に学習することで学習効率は改善する？
学習効率と学習アルゴリズム毎のパフォーマンスはどう関係している？
naltoma: GPによる学習がうまくいってないとのことだが、評価関数は？
Q: GPを使った理由は？
A: 3年次の時に進化計算班でGAを使ったプロジェクトに携わった。そこでGPを触った事があるから。
Q: GPだと行き詰まっているとのことだが、GAを考えても難しそう？ GAよりはGPがマリオ向き？
A: どちらでも実現可能だとは思う。学習するかどうかという点ではどちらも悪そうな印象。
Q: それぞれの学習アルゴリズムで最終的にゴールに到達するというのがいい結果になる？
A: はい。ゴールが最低条件で、そこから敵を倒したか、タイムはといった条件で評価が変化する。
Q: 最良なアルゴリズムはマリオAIに特化したものが選ばれそうだが、
マリオAIだけでパフォーマンス比較できる？ それが汎化に繋がる問題点？
A: マリオAIだけに特化すると確かに汎用的な比較は困難かもしれない。
他のテストベッドも用意する事が必要かもしれない。
Q: 評価の尺度は、マリオの点数？ コインを獲得？速度？
A: 総合評価。
Q: チューニングしたら金貨を沢山取れるとか、速度重視とかにチューニングできる？
A: どちらを重点的にチューニングするかは評価関数を変えるだけで対応できると思う。
C: 先週ファジィシステムシンポジウムがあって、マリオAIに関するコンペが日本で初めて開催された。
そこでは距離だけでの評価だった。どこまで面をクリアして先に進めるかというテストベッド。
元々はIEEEで開催されてたコンペで、ようやく日本での開催になった。
何故マリオなのかについては、ゲームの分類でいうと「不完全情報ゲーム」と捉えているようだ。
学習アルゴリズムを評価する上でのテストベッドとしての活用があるのでは。
現時点ではA*ベースのアルゴリズム、探索アルゴリズムが最も良いらしい。
Q: 敵の出現状況は固定？
A: 固定。
Q: ということはある時刻にあるパターンを取るとやれば、目をつぶってても問題無いということ？
A: 恐らくその通り。
C: コンペではワンチャンス。見えない。そういう意味で不完全情報。
積み重ねる事で全体が分かってしまうと完全情報だが、コンペではそうではない。
Q: コンペだと、毎回AIにプレイさせるステージは変わる？
C: レベル調整も含めて、トライする人に取ってはブラインドなステージ。
アルゴリズムを提出して、コンペで用意されたステージで評価する。
Q: 恐らく固定だと、Q-learningでは最終的には最適解に落ち着く。
比較するにしても、現状では目的が見えにくい。
未学習のプレイヤを投入してどうですかではないと思うので、
問題をどう捉えて、どう分かりたいのかが重要だと思う。
C: 日本に関して言うと、そこら辺クリアにしないと行けないねという話題が出ている状態。
Twitterのツイート解析による人物像の推定 長浜祐貴（琉大工学部4年・遠藤研）
naltoma: 人物像とは？
naltoma: 意図的に「ある種の人物像」と見えるように、見せかけるようにツイート
することもありえそうだが、それはその人物像を推定できれば良い？
naltoma: 日本は英語圏と比較して「おはよう」等異常に広まっているようだが、
日常生活に近しい情報が流れる事は何か影響する？
naltoma: 公認アカウントを対象として学習した分類器は、
他の一般的なアカウントに対してどのぐらい有効に機能するだろうか？
naltoma: 形態素解析困難なケースはどう対応？
naltoma: 「東京ガールズコレクション」のタイミングで「東京（略）」
も女性である可能性が高いという例は、本当？
Q: 形態素解析は日本語限定？
A: 日本語についてしか調べていない。英語は単語自体が最初から区切られているが、
日本語では区切られていないため、形態素解析を利用している。
Q: 形態素解析されてるようだが、品詞は何を使っている？全部？
A: 今回は主に名詞。除外したのは助詞と1字、2字。3字以上を採用。
Q: 除外したのは、より特徴的な単語だけを使うため？
A: そのつもり。分類器構築を通しながらチューニングしていきたい。
Q: どんな人物なのかを見つける際に、データセットに合うような人物を見つける？
A: ツイッターのあるアカウントをこのシステムに入力すると、
その人物像として最近の興味等を推定するような利用方法を想定。
Q: IKKOさんが除外されてたが、性別判定上はノイズになるから？
A: 明らかな女性言葉だが、そう判定しているのは人間。
Q: こういった人物も男性と判定したい？
A: 今回のシステムでは女性と判定されてしまうと思うが、
システムの中でノイズだと考えたのはIKKOさんを女性と考えるのも女性。
確実に女性か男性かというデータセットを与えたかったから除外。
Q: 男性と女性だけでもこれだけ考える余地があるが、
明るい／暗いとかより踏み込んでいくとさらに複雑な検討が必要になる？
教師データの構築自体がコスト高くなる？
A: 心理テストや性格判断を参考にできないか考えている。
2値ではなくどのぐらい、どちらよりという表示をするだけでも有益かなと。
Q: 男女で比較して見るとちらほら同じ単語もあったように見える。
そういうのは除外しては？
A: 除外していこうとは考えている。
ただし、教師データとして両方に含まれる度合いが高いと、
結果として有益な度合いが低いと判定されると考えている。
動画像解析を用いた既存道路の自転車走行補助マップの作成 山入端峻（琉大工学部4年・遠藤研）
naltoma: 「より自転車を利用しやすくするコンテンツを提供」することで、
自転車へのモーダルシフトを起こせる？
naltoma: 自転車走行の安全度（危険度）をどう評価する？
naltoma: 諸外国に合わせて1.5m基準で路肩／路側帯のランク付けするようだが、道幅だけ？
naltoma: 路肩や路側帯の領域抽出、幅推定をするようだが、道理情報自体は公開されていない？
（時間は守りましょう：5分強オーバー）
Q: 道幅を測るとの事だが、衛星写真かなにかで測るという手法とかありそうだが、それとの差は？
A: 道路幅は刻々と変化している。厳密なデータが欲しいということで
実際に撮影したデータから測りたかった。既存データを使っていくのも
勿論一つのアプローチだとは思う。
Q: 道幅＝安全性、安全性の一要因として道幅をあげているようだが、
他には何を考えている？
A: 混雑具合も使っていきたい。動画像という点では障害物有無、路面のでこぼこ具合、
等を考えている。
Q: 個人的に自転車使ってて感じる事だが、
勾配のきつい道といったものが分かると嬉しそう。
Q: 安全性よりも効率の方が重要かなと思っている。どちらを優先するかを考える際には、
どうしたら良い？
A: 効率を判定する際にはシミュレーションが必要だと思うが、
安全性による判定をどうするか自体が一つの問題点。
今回はモーダルシフトという点を重視している。
Q: 何故動画像を使っている？ 道幅で安全性とのことだが、勾配／路面凹凸の方が重要では？
また交通流を解析するから動画かと思ったが、そうではないらしい。
ステレオである必要もありそうだし、どこに焦点を当てているのか。
A: ビジョンベースである必要はないかもしれないが、
道路状態を考慮するためビジョンベースを想定している。
交通流は時間帯によるバラツキがあるので、別調査データの利用を想定している。
Q: 目的がもし、自動車が多く、渋滞を緩和させるというためにモーダルシフトを考えていて、
そのためのマップを提供するということが第一義だとすると、
それで本当にモーダルシフトが起きるのかが問題。私ならそれでも車に乗る。
マップ提供という政策だけでは難しいので、それに加えて何か別の事が必要ではないか。
例えばシミュレーションしてみるとか。
もしくは、自転車乗ってる人のことを考えて、より便利にするためのマップを提供するとか、
少し目的や政策を考え直してはどうか。
A: 確かに現状ではマップだけでは不足感を感じている。今後検討したい。
エッジ方向を考慮した折り紙追跡プログラムの実装 伊佐元希（琉大修士2年・遠藤研）
naltoma: 他のエッジベースの追跡と比較してどういう違いがある？
naltoma: ARでの作業支援が向いている例は？
作業支援自体にいろんなアプローチがあると思うが、ARとそれ以外とでの違いは？
naltoma: ARでの作業支援をするためのコンテンツ作成のためのフレームワークとしては何が必要？
Q: エッジ1本単位で追跡？ 直線だけだとその直線のどこにあるか対応点になりうる。
直線上の問題を抑えるために頂点が必要になりそうだが、
現状方法では瞬間的な大きな動きだと追跡できなくなりそう。
そういう追いかけ方をしないと、開口問題で追跡困難になりそう。
なので、今後の問題を解決する必要がある。
Q: 最後の課題に3Dに対応とあるが、3Dに拡張した場合の問題点として
例えばエッジが隠れるケースがありそうだが、具体的な案はある？
A: 3Dの場合は隠面処理を予定している。
Q: 見えてる線を隠面処理で消すのは簡単だが、見えていない線を推定する必要は無い？
A: 折り紙の例では推定しなくても大丈夫だと思う。
Q: ARの種類でいろいろ紹介されたが、エッジベースを選んだ理由は？
また先ほどの質問に関連するが、折り紙デモでは回転だけだった。
折っていく作業が入ると、紙の同系色で内側に折った時にエッジ検出できる？
形状複雑になっても大丈夫？
A: 作業支援なので、センサを一つずつ付けるのは非現実的。
マーカベースはマーカ変更の手間が入るため除外。
特徴点ベースは折り紙のようなケースでは特徴量が取りづらいため、エッジベースを選択。
折り紙の間のエッジについては、まだ未考慮。外枠だけの追跡を想定。
Q: どういうシステムを提供しているのかが見えない。
イメージで良いが、どういう順番でどういうふうに折っていくのかがARで分かると嬉しい。
手前に折る場合、奥に折る場合。
ARで色を変えるとか、その画面を見る事で分かりやすくする工夫が必要では。
折り紙で構わないが、将来像として何を描いているのか。
A: 重畳表示としてはそこまで詳しくは考えていないが、
折り線を谷間表示できると嬉しいと考えていた。
対象物体のエッジ及び頂点情報を用いたカメラ位置姿勢推定手法の提案 徳盛太一朗（琉大修士2年・遠藤研）
naltoma: 2Dエッジ距離（隣接）を利用する事で尤度上昇させているが、
複雑な形状、特に3D形状でもうまく機能する？
naltoma: 作業支援という点では、作業途中毎に初期位置登録をしておく必要がある？
Q: 同一平面上での実験のみだが、奥行き方向に変わる場合でも可能？
今はマーカで2自由度は与えているようだが、それが与えられない場合には？
どういった状況で何を狙っているのかを明確にしよう。
キャリブレーション情報しか使えないのか、そうでもないのか。
A: 現状では平面でしか動かしていないが、持ち上げるだけなら追跡可能。
マーカからxy軸の回転を取ってきているので、その回転範囲内である必要がある。
Q: センサ使ってもマーカ使っても難しいと思うが、
モデルベースでビジョンベースなので、センサもマーカも使わない方向で頑張って欲しい。
A: 現状いろんなデバイスにセンサついているのでセンサ利用は構わないようにも思う。
Q: それなら3次元のモーションも全て取れば良くて、
それだと研究の意義自体が問題にならないか。
Q: 作業支援という点で、折り紙という形があるならそれがそれがマーカになればと思うがそれは無理？
A: 現状では折り紙モデルを用意して、エッジ情報を検出計算している。
Q: センサ無しでカメラだけでやれない？
あと、追跡する事の意義と、私だったら「ここに合わせろ」と出して手で動かす方が
早そうにも思う。本当に追跡が必要？
A: 折り紙だと合わせさせるのも良いかもしれないが、
積み木の例では動かした時に矢印が動かす前後に繋がっている事が重要だと考えた。
合議アルゴリズムにおける適切なプレーヤ重み変更方法の検討 當間啓介（琉大修士1年・遠藤研）
naltoma: 「局面に応じてプレーヤ重みを可変にする」ために、
局面に対するプレーヤの直接的な良し悪しを判断基準にすることは困難？
naltoma: 採用実績はあくまでも採用実績で、局面評価値も評価値にすぎないが、
その結果勝敗がどうだったかが大切では？
naltoma: 乱数により局面評価値が異なるような実装になっているが、
そのようなプレーヤ集団と、そうではないプレーヤ集団とで適切な合議方法は異なるのだろうか？
逆に言うと、汎用的に機能する最適な合議方法はあるのだろうか？
naltoma: 互いにゲームする事で勝敗を見ているが、
特定の相手に対して勝てる合議を選択している結果になってたりしないか？
Q: ボナンザ5台用意しているようだが、評価値が異なるのは疑似乱数に偏りを与えている？
乱数の与え方自体に偏りを持たせている？
A: 乱数のシード値を変えてプレーヤを生成している。
Q: そもそも論として、合議はどういった場合に使うべき？
A: 合議する事によって明らかに間違えた手を出しにくくするという効果は確認されている。
誰でも思いつかなかった手を探索するという手法ではなく、ミスを減らす。
Q: より精度の高い手を出す場合には、もっとリソースを用意する必要がある？
A: その通り。
Q: 低成績を排除していくという話だったが、それを学習していくと最終的には決まった
プレーヤだけが選択されて、ある一定以上の勝率で頭打ちになりそうだが、
そういう理解で良いか。
A: 評価をリセットするという処理がないため、終盤になると固定プレーヤに偏ってしまう
という問題がある。何らかのリセット方法を検討中。
Q: アルゴリズムとしてはボナンザ評価して合議でどれを選びやすいかを過去の意見採用実績で
選びやすくしているということ？ 合議でどの意見を採用するかを決めるため、
過去の採用実績を加味しているようだが、採用されてその手が良かったかどうかは入っていない？
A: 評価値ベースで並び替えての検証はやってみている。
Q: ほぼこれとモデル的に近いものが98年ぐらいにあって、
将棋とか合議とか無関係の所で発表されていた。
マイノリティゲームで最初に提案されたアルゴリズム。
各プレーヤが複数テーブルを持ち、どのテーブルを採用するか。
点数が取れたか否かで仮想的な点数を戦略テーブルに与える。
その点数の高低を見て、GAでのルーレット選択みたいな形で点数に応じて確率的に採用する。
合議アルゴリズムに重みを付けてという部分がオリジナリティだとすると、
そのマイノリティゲームで採用してたアルゴリズムも対比させてみた方が良さそう。
Q: 折角将棋なので、戦局に合わせて、例えば攻め時とかそういうのも考慮して
手を選べると面白そう。
佐藤研4名（本科5年生3名、専攻科2年生1名）
タイトル等調整中
生殖方法の違いによる移動戦略の創発への影響 比嘉康晴（沖縄高専本科5年・佐藤研）
生物の生存戦略
追跡ゲーム：追跡戦略／逃走戦略の創発検証
従来：無性生殖。有性生殖は扱っていない。度外視しても問題無い？
ヴェーレンの仮説：対立する種の変異に対抗するためには、多様性が獲得できる有性生殖が有利。
naltoma: ヴェーレンの仮説に沿うと、例えば多様性が獲得できるモデルになっていれば、
有性無性は関係ないとも解釈できる？
逆に言うと多様性を獲得できるためには、有性無性や他に何があれば良い？
naltoma: 生殖方法の違いというか遺伝子操作に交叉を導入したという話に見えるが、
他に「多様性」を得る手段は無いのか？
naltoma: 共進化を考えると（例えばジャンケンのような）ループに陥る事も考えれるが、
それは問題にならない？
Q: ヴェーレン仮説について、無性生殖の場合には変異体は産まれない？
A: 産まれるが、とても確率が低い。産まれたとしても同じような形質を持つ個体が多い。
一方の個体が全滅するような場合には、別の個体も全滅しやすい。
Q: 進化や創発について、羊／オオカミ両方の進化を見たい？ 評価方法は？
A: 2次元座標空間で、羊は逃げるターンが多いほど得点を得る。オオカミは捕食できるほど得点を得る。
Q: 今回の解析をする事で、どういうことに役立てられる？
A: 具体的に役立つという事は考えていないが、明らかにする事が目的。
有性無性どちらが良いかという研究はあまりされていない。
共進化で考えるとどちらも進化するので、多様性獲得する方が有利だと考えられる。
Q: 戦略は何を目的として戦略と考えている？ 何かしたいからこういう戦略が産まれてくる？
ここでいう戦略とは何？
A: 追跡ゲームにおける双方での得点を上げるための戦略。
Q: その現実への応用は？ 追跡ゲーム自体が何のシミュレーションに相当する？
A: どのように進化していくかを見るためのシミュレーション。
有性生殖が有利ということを見たいという訳ではなく、違いを見たい。
Q: 生殖方法の違いがエージェントにどういう影響を及ぼすかを見たいということだが、
実際どうなると想定している？
A: 冬にはお見せできるかと。
C: 2種いるから追いかける側と追いかけられる側がいて、
片方が進化するだけだと無性生殖の方が速く何かしらの構造を獲得しそう。
お互いに進化すると、相手の裏をかくとかトリッキーな行動をするとか、
相手に読まれない動きを獲得しないと相手に勝てないという構造になっていると
想像するので、そういうことを考えると有性生殖の方が有利になっていくだろうなと想像はしている。
囚人のジレンマゲームにおけるプレーヤの戦略と移動の相互作用 和宇慶朝亮（沖縄高専本科5年・佐藤研）
社会関係を良好に保つにはどのようにすれば良いか？
囚人のジレンマ：渡辺の移動モデル→凝集性の高い小集団で相互協力達成
移動そのものの意味を考えている事例はない
移動が戦略に与える影響
戦略変化が移動の仕方に与える影響
naltoma: 移動を導入したモデルでは、対戦相手をユニークに識別できる？
naltoma: 最高評価を与えるマスと最低評価を与えるマスとで移動の仕方の違いを見たいようだが、
その違いを見る事で「移動が戦略に与える影響」や「戦略変化が移動の仕方に与える影響」
をどう見ることができる？
naltoma: 詐欺みたいな例を想像してしまうが、
ある一定期間毎に小集団を転々と移り変わりながら騙して稼ぐような場合と、
そうではない一般的な場合との移動には意味合いが異なりそうだが、
そういう違いを見たい？
naltoma: 常にあるエリア内で相互作用をするという条件自体が、
移動の意味や移動戦略に制限を与えていないか？
Q: 先行研究ではどこまでやっている？
A: 移動を入れることで小集団ができ、TFT戦略になったという結果までは出ている。
ただし、どういう移動をしたかという話は出ていない。
Q: 移動に対して何かしら傾向が見つかったら、何かしら意味を見出せる？
A: 移動に特徴がある場合とそうでない場合とで異なる結果が出るかもしれない。
Q: どういう移動経路をとって、その移動に対して意味を考える？
得たい結果は、移動に意味を持たせたい？
A: 移動で戦略が変わり、戦略が変わる事で移動が変わるその相互作用を明らかにしたい。
Q: あるプレーヤにワザと移動させたらその影響がどうなるかを解析できる？
A: 想定していなかったが、できるようになると思う。
Q: 学習する事で移動しやすいエージェント、移動しにくいエージェントが発生する？
A: 移動しやすい／しにくいは戦略テーブルにより異なる。
テーブルの設定方法に依存するが、双方の個体が出てくる事は考えられる。
Q: 移動する事のリスクは考慮している？
A: これから。
Q: どうやって分析する予定？ 傾向見るとかも対象データが膨大になりそうだが。
A: まだ分析方法は考えていない。
Episode-based Profit Sharingの柔軟性及び最適性の検証 慶留間諒大（琉大工学部4年・當間研）
naltoma: POMDP環境下でマップを作成することはできないのか？（高コスト？）
Q: 比較が研究目的になる？
A: 最終的なゴールは見えていないが、
EPS-RLが限定的な環境でのみ試行されているので、
より複雑な環境でどう動くかを取りあえず見てみたい。
Q: 方向性としてはさらに改善したアルゴリズムに結びつけたい？
A: 現時点ではまだ未検討。
Q: 順序が固定されてない環境というのは、マップが変わるという事？
A: 先行研究での話になるが、状態s1,s2を通ってs8,s7、、、というように固定されている。
ここが固定されているから順番で分離するとうまくいったという話にしか見えないので、
そこを固定されてない環境で検証したい。
Q: 順序が固定されていない環境というのは具体的にどういう環境？
C: 一番最初に提示されたマップがその例になっていない？ ルートが複数ある場合。
Q: 先行研究での観測o1,o2、、を与えるというのは、
そういう環境があると分かった後で人間が手動で与える？
A: 論文には具体的な記述が無かった。
Q: 普通のPSとEPSだと具体的にどこがどう違う？
A: PSだと、スタートからゴールまで全て記憶して累積評価する。
EPSだと、同じ状態と行動が複数回選ばれても1回しか評価しない。
Q: エピソードはスタートからゴールまでに辿り着くのをエピソードと数えている？
A: その通り。
Q: それだと違いが出て来るかよくわからない。
もっと拡張したQ学習や、リカレントQ学習とか、
いくつも時系列を扱えるQ学習が提案されているが、
何か手をつけてみてエピソードの方が良いと比較をする予定はある？
A: 今の所は考えていなかったが、やってみたい。
勉強SNSに特化した情報推薦 玉城翔（琉大工学部4年・當間研）
naltoma: SNS上にあるデータが「その参考書の位置付けを適切に評価するための
データになっている」とは限らないが、データの信頼性はどのぐらいあるのか？
naltoma:
（黒背景に黒矢印はやめよう）
Q: 勉強は、受験みたいなものを想定している？
A: 最終的にはどんなジャンルにも対応できると嬉しいと考えている。
資格試験や、高校での定期テストとかも。
Q: 勉強には2種類あって、歴史が好きだからあれこれ時間を好きに使って勉強したいというのと、
受験のような限られた時間で最大パフォーマンスを出す事を求められるものに分けられないか。
例えば受験ならベネッセとかあれこれやっている。
そういうのも参考にしてはどうか。
A: ありがとうございます。
Q: アプローチで、ユーザ毎に参考書の使い方を示すとあったが、ユーザのマッチングは
協調フィルタリングと同じようにやる？
A: まだ未検討だが、現時点ではそうなのかなぐらいの認識。
何かあれば教えて欲しい。
Q: SNS上でサービスとして作る？アプリを作る？ データはどこから引っ張ってくる？
studyplusから引っ張ってくることはできない？ FBアプリのように作れる？
A: FBのようにはいかない。
Q: studyplusからデータを引っ張って来るという話だが、studyplus以外のサイトからの情報収集も
検討している？
A: 現時点ではどのぐらい引っ張って来れるかも分かっていないが、
他のサイトからも引っ張ってくる方が比較の観点では良さそうに感じている。
Q: 情報を使って良いか駄目か、著作権的な観点については検討しているか。
A: APIのようには提供していないので、まだ未検討。
Q: 現実味が無いように感じる。
何かしらの、例えばAPI提供されているとか、どういう情報取得できるとか、
studypulusという外部サイトに対して何かしらプラグイン提供できるとか。
もう既にstudyplus側で何かしら提供していることを前提にしているなら分かるが、
そうでないようなら早急に調べるべき。
また、ユーザ毎に参考書の使い方が代わり、着目点も千差万別だとすると、
どういう基準で推薦したら良いかが分からない。どう考えているのか。
類語でみたい、用例で見たいとか軸の決め方とかも自由度が高そうだし、どうやって決めるのか。
ユーザのニーズに合わせて軸を決めるなら、どういう基準で決めるのか。
マーカレス型ビジョンベースARにおける初期位置姿勢推定に関する基礎研究 潮平寛弥（琉大工学部4年・赤嶺研）
naltoma: 想定している用途にはどのぐらいのスペックが要求されるのか。
naltoma: 実験結果の見方が良く分からないが、
キーフレームx枚とy割程度というのはどういう意味？
naltoma: 平均6割とのことだが、どのステップがネック？
別ステップの結果を参照する事で調整することはできない？
Q: 処理にかかった時間は計測している？
A: キーフレームの選抜までにかかった具体的な時間は計測していないが、
30ほどある状態で5秒かからない程度。
Q: 何秒ぐらいに抑えるのが目標？
A: うん秒かからない程度。
Q: 実験結果で述べた「良い結果」とは何をどう良いと評価した？
A: 一つのシーンに対して、同じ作成日に作った5枚と別の日に作成した5枚を用意し、
それぞれからキーフレームを作成してどのぐらい推定できたか。
Q: ちゃんと初期位置推定できた画像がどのぐらいの割合か、ということ？
A: その通り。
Q: 環境変化への対応は大切だと思うが、どういう変化を想定している？
もしくはどういう変化へのロバストさを追求したい？
A: 例えばシーンモデルを作成する際に、動画のぶれがキーフレーム作成や選出に
与える影響があると考えており、そこを踏まえた実験を想定。
Q: 環境変化に対してロバストだと言える明快な基準が無さそうだが、どうしたら良さそう？
A: 実験が必要。
Q: カメラの初期位置推定は、今カメラがどこにあり、どこを向いているかの基準点として必要？
内蔵されているGPSやジャイロ等を使わないのはそれらが使えない状況を想定しているから？
A: センサは用いずに、カメラ画像だけを利用することを想定しているから。
Q: 2値化するとかフィルタリングするとか複数手法を組み合わせるとかは考慮している？
A: できるとうれしい。
Q: 屋外で使うことを想定されているとようなので、
ロバストで考えると朝夕の違い等でもある程度の変化には対応できることが欲しいと思う。
こういう話はロボットビジョンでは凄く沢山ありそう。カメラ画像解析して障害物避けたりとか。
A: そのあたりはまだ見ていない。
Q: 定量的に評価できない？ 数値的にどれぐらいマッチできたかを目視するのではなく。
目で見た評価で問題無い？
A: どうにかしないといけない部分ではある。
Q: どのぐらいの精度が求められるかにもよるが、定量的な評価が重要だと思う。
屋外での使用を考慮した特徴点型マーカレスARにおけるトラッキング手法の提案 神山朗（琉大修士2年・赤嶺研）
naltoma: 日照変化に強い特徴量とのことだが具体的に何を使っている？
naltoma: 局所特徴量のため同一3次元点に対して異なる特徴量になるのが問題との事だが、
事前に撮影してデータ構築するのであればそこで「オブジェクト」として特徴点集合として
のマッチングを考慮することはできない？
Q: 複数カメラで作成された特徴点のマッチングはどうやる？ シーンモデル作成時。
A: 3次元点位置は既に復元して持っている。どこにあるかは分かっている前提で、
特徴量を算出している。
Q: 特徴量の辞書は複数カメラで構築しているようだが、
1点あたりどれぐらい取れば十分？
A: これから実験で決めていく必要がある。
現状では、AとBというカメラ位置で30度以上誤差があると特徴量が変わってくる。
その事を考えると180度では6つ程度必要。
シーンによっても変わるが、特徴量が変化しないこともあるため、
決まった閾値を設けない方向で検討。
中規模ミクロ道路交通シミュレーションにおける旅行時間の再現性向上に関する研究 與那嶺貴雄（琉大工学部4年・赤嶺研）
naltoma: 「自由流最高速度を下げることで調整する」はかなり恣意的なチューニングに見えるが、
今回参照していない部分で相関が落ちてることは考えられないか？
Q: 自由流最高を0.55倍するというのは、実際にドライバーが60km/hを30km/hで走るという事？
主観的にはおかしいように感じる。交差点モデルが影響している？
A: 交差点モデルが影響していると思います。
Q: どうチェックする？ チェック自体は可能？
A: 交差点モデルを追加してチェックする形になるかもしれない。
Q: ミクロモデルの動きをマルチエージェントでシミュレーションしているようだが、
自由流最高速度を0.55倍するというのは、高速道路のネックを再現していることに相当するようにも見える。
そこを今後調整していく？
A: その方向で検討している。
Q: シミュレータの使い方にもよると思うが、何を測るために現況再現性が不十分？
どのぐらい精度が出たら十分？ 不十分なのはどこ？
速度パラメータを半分に調整するという話は現実的にはおかしいという話だったが、
信号モデルで帳尻合うだけでパラメータとしては機能しているならそれでも良いという考え方もあり得る。
何をどう測りたいのか。取捨選択すべきは何か。
どこまでも現実に近づけるというのが第一義ではないよね。
何かしら指針はある？
A: 現時点ではない。
C: シミュレータを使って何を主張したいかに依存する。
具体的にこれ以上であれば良いというのは難しい。
現状では混雑時と非混雑時の相関の差が大きすぎるのでそこを埋めたい。
Q: 最終的な目標、目的、これを使って何を目指しているのかが分からない。
実データがあって、シミュレーションして再現性高めたい。
高いモデルになったとして、どうしたい？ それで終わり？
再現性高い状態で何かしたい目的がある？
A: バス路線を変えてみたりして、より良いルート探索等に繋がると嬉しい。
Q: そこを考えてるなら良い。
短期中期的なシミュレーションをすることで、
ベースラインがあることで基準として使うという事なら良いと思う。
具体的に何をやる？
A: デマンドバス。
玉城研5名（本科5年生4名、専攻科1年生1名）
デマンドバス運用における乗車時刻指定を除いた予約の影響分析 上地遥（沖縄高専本科5年・玉城研）
naltoma: 先行研究の大和らのスケジューリングでは、
スケジュール候補作成時に可能／不可能かを検査しているようだが、
具体的に何をチェックしている？
naltoma: 乗車時刻指定を除いた予約の影響を分析する事で、何を検証したい？
naltoma: 赤字路線にはどのぐらいの改善余地がありそう？
Q: 実乗車時間も重要だと思うが、そこは考慮している？
A: スケジューリングのみ。
Q: 乗客はその時間範囲内であればどこでも構わないと考える？
なるべく移動時間を減らしたいはずだが。
C: 乗車時間が指定されていないから、数時間とかなっても問題無いように見える。
制限時間としてのパラメータを入れる必要が無いか。
Q: シミュレーションを使った実験をする？ どういう形で実験する？
A: エージェントを動かしたりはせず、
スケジューリングが実施された際の乗車率、利用率を見てみたい。
Q: リアルタイム予約とのことだが、どういったタイミングで経路割り込みが入る？
運転手に運転経路等の情報が通知されるタイミングや、更新されるタイミングは？
走ってる間に経路が変わったら危ないし。
A: バス停や、赤信号時、信号500ｍ手前等の条件がある。
Q: 運行経路計算時には距離のみ考慮？
A: 未検討。
津嘉山バイパスによる渋滞緩和効果の検証 金城匡（沖縄高専本科5年・玉城研）
naltoma: CAで「市街地の複雑な道路形状を再現」するようだが、
目的達成のためにはどのぐらいの複雑さを再現する事が必要？
naltoma: 複数経路がある状態で経路選択はどうやって決定する？
naltoma: 現在整備中の道路については既にシミュレーションが行われていそうだが、
そこでのシミュレーション方法や結果は参照できない？
naltoma: バイパス無し時の片側2車線というのは可能な想定？
Q: 1セルは車1台？
A: その通り。
Q: 車にも様々な形状があって、渋滞のし難さも影響していそうだが、車種の違いは考慮できる？
A: 今回は重要だと考えていないため、考慮していない。
Q: 全ての車に対して、スタート地とゴール地を決める？
A: スタート／ゴール地点を決めて、シミュレーションする事で渋滞有無等を見る。
Q: 実測するという話があったように思うが、他の調査データを参照？ 実際に実測？
A: 現在分かってる情報に加えて実測もできればやりたい。
Q: バイパス効果を調べる場合は経路配分も必要だと思うが、何を考えている？
新しい経路が増えた時にどのぐらいの人がその経路を使うか。
A: 現時点での計画の予想。また、スーパーの需要も検討。
Q: 経路が二つある場合、仮に片方が最短経路だとしても別の経路を選択して、
旅行時間はどちらも均等になるという第一原則を想定してシミュレーションすることが多い。
Q: 今回のマップでは、バイパス作ることでバイパス双方の交通流は確実に減ると思うが、
実際に渋滞がどうかと考えるとその先で渋滞が発生してたりしないか。
A: 渋滞が解消されないだろうという想定で研究を進めている。
Q: 507号線は複雑すぎるので単純化したモデルではシミュレーション困難だと思う。
Q: スタート地点ゴール地点の有無に関する質問があったが、
どこからスタートして、何割をどこに動かすかは大きく影響しそう。
またどれぐらいがどのルートに配分するかも影響が大きそう。どうする？
もしくはある調整しながら定性的な影響を調査する？
A: どこに流れていくかについては調査データから推測できると考えている。
Q: CAモデルでオリジナルのルールで動かすと思うが、どういうルールを採用する？
2次元モデルに拡張する必要は無い？
A: 2次元でやる。
Q: その際に具体的なCAルールは？
A: 確率速度モデルを2次元にして利用する。
SPH法を用いた土中爆破による飛散軌跡の解析 具志堅和真（沖縄高専本科5年・玉城研）
naltoma: 不発弾だと腐食による影響があると思うが、
シミュレーション上の影響は無視して構わない程度？
naltoma: 避難範囲という点では、最悪ケースを想定して設定しているように思うが、
その最悪ケースを狭めるためにはどのぐらいの精度が求められる？
naltoma: 飛び散らないように壁を作るとあるが、それは妥当な設定？
Q: サマリア人の例を挙げてもらったが、爆発範囲を調べる事で避難範囲に繋げたい？
そもそもその範囲から動けないという例なので、今回のアプローチで解決できそう？
A: この例では避難範囲自体が曖昧だった。
より正確に狭めることができれば嬉しいという意味で紹介した。
Q: 範囲を正確に調べて解決する訳ではないように見えるが。
C: 沖縄の人にとって避難は日常的。ただこれは経験則で決められていて、
科学的には決められていない。こういうのはいけないということで、
どのぐらいの距離だとどのぐらい影響があるという根拠のある数字を出したい。
C: 本当は飛び散って、その被害を受けるということがあるからその被害の度合いを知りたいということ。
Q: このシステムを作ったとして、入力は火薬の量？
SPH法は、結果が出るまでそうとう時間喰いそうだが、どのぐらいで結果を出せる？
A: 速さは研究に入れてなくて、次の発表者が予定している。
Q: パラメータとして3つを与えるようだが、土の質は難しいように思う。
A: 土の形、重さ、密度で表現する事を想定している。
Q: 実際に土を調べてからの入力？
A: まだ考えていないが、より忠実に表現するためには調査が必要だと思う。
Q: 土の中よりも空気中の方が爆破範囲が広そうだが、そこでシミュレーションする必要は無い？
A: テーマが土の中にある事を想定している。
Q: 土の中でそのまま爆発させる？
A: 不発弾処理フローを把握してない。
GP-GPUを用いたSPH法高速化の検討 宇江城貴仁（沖縄高専本科5年・玉城研）
naltoma: 多少の誤差に目をつむって高速化重視の手法？ それとも純粋な高速化で結果は変わらない？
Q: 近傍探索で、一見すると近傍候補が増えてるようにも見えるが高速になる理由は？
A: 粒子がソートされているので、シーケンシャルに見ていくことができる。
Q: ソートし直す事が必要？
A: その通り。GP-GPUではソートも並列化する事が可能で、実験上は0.17s。
Q: 先行研究との比較の方が意味がありそうだが。
A: そこはまだ。ただし、ソートに要するコストが微小だという前提で。
Q: 減点を左下に取ってるが、別の位置に取る事が効率に影響する？
A: ソートするならx,y軸でも成り立つが、汎用性を考慮すると原点からの距離を採用。
Q: ソートするということは、メモリアクセスを効率化するためにはローカルメモリに
配置する事が必要だと思うが、そこも効率化を考えている？
それともソート化でそこが効率化される？
A: ソートする段階では基本的にはグローバルにあって、ソートする分だけをスレッドに投げている。
各粒子について調べる段階でローカルに投げている。
Q: 先行研究のNNSではどういう距離を測っている？
A: 近傍粒子半径。注目ボクセルにある粒子は、その近傍ボクセルの近傍に入ることが自明。
Q: ボクセルの中に近い点を探している？
A: 影響を与える範囲がパラメータで決まっており、全探索をさせずに枝狩りするのが重要。
Q: 先行研究と提案手法では全く違うように見えるが。
A: 図が悪かったが、同じ。
Q: 近傍の候補範囲が広くなることで、粒子数が大量になった際にローカルメモリから溢れる事も
考えられるが、そこは何か検討しているか。
A: 未検討。
