ガウス過程の隠れセミマルコフモデルに基づく行動の潜在的個性解析

抄録

ロボットや知能システムが人の行動を理解するためには，対象の行動を教師なしで分割・分類（分節化）できる能力が重要である．しかし，従来の教師なし分節化手法では人の個性を考慮しておらず，行動に個人差がある場合に分節化の精度が低下する課題があった．この課題に対して，本稿では，教師なし分節化の先行研究の中でも精度が高いとされるGP-HSMM (Gaussian Process-Hidden Semi-Markov Model)を拡張したLIC-GP-HSMM (Latent Individuality Conditioned GP-HSMM)を提案する．LIC-GP-HSMMは，GP-HSMMに個性を表現する潜在変数（潜在的個性ベクトル）を導入し，その潜在的個性ベクトルをGPLVM (Gaussian Process Latent Variable Model)と等価な方法により推論可能としたモデルである．実験では個人差のある行動を模擬した人工データを用いて，提案手法がGP-HSMMより高精度な分節化が可能であり，また推論された潜在的個性ベクトルが行動の個性を表現できることを示す．