モビリティ操縦者見守りシステム
モビリティ操縦者見守りシステムについてご提案
☆操縦席のカメラで操縦者の目の動きなどを監視、ダッシュボードのモニタに目を写しています（イメージ）
モビリティ操縦者の見守りを生体センサーで実施するのは意義あることです。
しかし、単に操縦者の各種情報（心拍・呼吸・血圧・体温など）を収集するだけでは操縦能力欠落状態であるかを判定する事は出来ません。
機械学習で言う異常検知により，普段の行動パターンを学習させて，それとは違う状態になった時に異常を吐き出します。
１か０かの2値を吐き出すアルゴリズムを用意して（いわゆる判別器，クラスタリング），入力を，各センサーから得られた生体情報から抽出した特徴量とします。
（例えば，時系列の血圧データであれば，1分ごとの最大値や最小値など）
問題は，少なくとも2つ考えられます。
（１）異常状態を機械学習のモデルに教えられない（眠そうな状態で作業している時のデータを取ることが難しい）。
（２）どの生体情報およびその特徴量が必要かわからない。
（１）は，依頼側の会社が，データ収録に協力して頂けるなら，「モビリティ操縦中の正常時と異常時の生体データ」を計測する事ができます。
（２）は，瞳孔はデータが汚いので多分無理と判断，ウェブカメラから計測した画像データからまばたき（瞬目）を推定した方が良いですが，それだけで求める結果を得られると思えないので，心拍数のゆらぎ（Heart Rate Variability）とか，各種試す必要があります。
これらを少ないマンパワーで上記の検証をする事は非現実的と考えます。
開発を開始するには先ずは通常車両の運転中の事例などを探し，それを模倣するなどして開発する事で開発期間を短縮できると考えます。
生体情報のセンシングの計測インフラ整備までを試作し，
次にAIでの判別は結構なノウハウと工数が必要となるためAI専門企業に依頼するのが最適と考えています。
操縦者の個体差で異常状態も異なるためクラウドでの判定に頼ると通信時間による遅延も考えられるため、Edge AIを搭載し、高精度なWEB カメラや生体センサーを接続でき操縦異常と判定した場合にモビリティを安全に導くための制御信号を出力する車載端末を製造する事が大切と考えます。
プロトタイプを下記のようなEdge AI基板を使い製造し、操縦者のID管理、該当IDでの個別計測データをクラウドと通信させ更新学習させる方法がベストと考えます。
WEBカメラはバックミラーやダッシュボードに装備し、心拍・呼吸は操縦席シートの背面に設置し非接触に計測できるドプラ−センサーを採用するなどし操縦者にストレスを与えないようにします。
ご参考
＊判別器(Classifier)は、データを入力として受け取り、それを予め定義された複数のクラスのいずれかに割り当てるモデルやアルゴリズムのことを指します。つまり、判別器はデータを分類して識別する役割を持ちます。
判別器とクラスタリングは異なるアプローチを持つ機械学習の手法であり、それぞれの役割や目的が異なります。判別器はデータを分類してラベルを付けるのに対して、クラスタリングはデータを特性に基づいてグループ化することに焦点を当てています。ただし、クラスタリングの結果を利用して判別器を構築することもあります。例えば、クラスタリングによって似た特徴を持つデータをまとめた後、各クラスタに対してラベルを付けて判別器を作成することがあります。
＊クラスタリング（Clustering）は、データを類似した特徴を持つグループ（クラスタ）に分ける手法です。クラスタリングは非監督学習の一種であり、データに対してラベル付けを行わずに類似性に基づいてグループ分けを行います。
クラスタリングの主な目的は、データの構造を理解したり、似た特徴を持つデータを集めたりすることです。例えば、顧客データをクラスタリングすることで、似た購買行動を持つ顧客グループを見つけることができます。また、画像データをクラスタリングすることで、似た特徴を持つ画像をまとめることができます。
クラスタリングの代表的な手法としては、以下のようなものがあります：
K-meansクラスタリング:
データを指定したK個のクラスタに分ける手法です。各クラスタの中心点（重心）を計算し、データを最も近い中心点に割り当てます。
階層的クラスタリング:
階層的にデータをグループ化する手法です。最初は各データ点が1つのクラスタとなり、類似したクラスタをマージしていくことで階層構造を形成します。
密度ベースクラスタリング:
データの密度に基づいてクラスタを形成する手法です。密度の高い領域をクラスタとして特定します。
ガウス混合モデル (Gaussian Mixture Model, GMM):
データが複数のガウス分布から生成されたと仮定して、それぞれのガウス分布に対応するクラスタを推定する手法です。
クラスタリングはデータ解析やパターン認識、顧客セグメンテーションなど、さまざまな分野で活用されています。ただし、適切なクラスタリング手法の選択やクラスタ数の決定、結果の解釈などには注意が必要であり、データの性質や目的に応じて適切な手法を選択することが重要です。
＊特徴量（Feature）は、データを表現するための要素や属性のことを指します。データを解析や機械学習に使用する際に、各データ点を特徴量の集合として表現することで、そのデータの特性を捉えることができます。
特徴量は、データの性質や目的に応じて選択されます。例えば、画像データの場合、特徴量としてピクセルの輝度値やエッジの検出などが考えられます。テキストデータの場合、単語の出現頻度やTF-IDFなどが特徴量として使われることがあります。
特徴量の選択や抽出は、データ解析や機械学習の成功に重要な要素であり、適切な特徴量を選ぶことで、モデルの性能が向上することがあります。また、特徴量の次元数やスケールを調整することで、計算コストを削減したり、アルゴリズムの収束を促進したりすることも可能です。
特徴量エンジニアリングは、データの前処理や特徴量の抽出、変換などを行う重要なプロセスであり、機械学習の成否に大きく影響を与える要素となります。適切な特徴量を選択・設計することで、モデルの予測性能や汎化性能を向上させることができます。
＃日経新聞記事 ＃労災多発 先端技術で防ぐ 231122
「IoT WEB PLC」御案内2023/6/6 15:272025/5/0 15:12