Top > Search of Japanese Patents > METHOD FOR RECOGNIZING/GENERATING MOTION DATA BY HIDDEN MARKOV MODEL, AND MOTION CONTROLLING METHOD USING THE SAME AND ITS CONTROLLING SYSTEM

METHOD FOR RECOGNIZING/GENERATING MOTION DATA BY HIDDEN MARKOV MODEL, AND MOTION CONTROLLING METHOD USING THE SAME AND ITS CONTROLLING SYSTEM commons

Patent code P04P001452
File No. A091P47
Posted date Jan 18, 2005
Application number P2003-129774
Publication number P2004-330361A
Patent number P4027838
Date of filing May 8, 2003
Date of publication of application Nov 25, 2004
Date of registration Oct 19, 2007
Inventor
  • (In Japanese)中村 仁彦
  • (In Japanese)稲邑 哲也
  • (In Japanese)谷江 博昭
Applicant
  • (In Japanese)国立研究開発法人科学技術振興機構
Title METHOD FOR RECOGNIZING/GENERATING MOTION DATA BY HIDDEN MARKOV MODEL, AND MOTION CONTROLLING METHOD USING THE SAME AND ITS CONTROLLING SYSTEM commons
Abstract PROBLEM TO BE SOLVED: To provide a method for recognizing/generating motion data by a hidden Markov model to realize time series data of a motion of an object abstracted by the hidden Markov model (HMM), a motion controlling method using the method and its controlling system.
SOLUTION: In this method for recognizing/generating motion data by the hidden Markov model, a calculation process for a state transition array candidate, a calculation process for an output vector array, a calculation process for a final output vector array and an arrangement process to a space of the hidden Markov model are provided. Motion recognition and motion generation are integrated by only the hidden Markov model.
Outline of related art and contending technology (In Japanese)


ロボットの運動制御や実環境認識などには、時系列データの記憶と再現が必要不可欠である。この際、瞬間のデータであるキーフレーム表現を用いて記憶すると、ロボットの運動制御や環境の特徴的な要素の把握などに有効である。



従来の関連技術としては、以下の非特許文献1及び非特許文献2に示すものがある。



(1)非特許文献1は、音声データに対して隠れマルコフモデルを適用し、最適な状態遷移列を繰り返し計算によって探索することで音声合成を実現するようにしている。



(2)非特許文献2は、隠れマルコフモデルによって人間の運動を抽象化し、動作の確認に応用している。



【非特許文献1】
T.Masuko,K.Tokuda,T.Kobayashi and S.Imai:“Speech synthesis from HMMs using dynamic features,”Proceedings of International Conference on Acoustics,Speech,and Signal Processing,pp.382-392,1996.



【非特許文献2】
K.Ogawara,J.Takamatsu,H.Kimura and K.Ikeuchi:“Modeling Manipulation Interactions by Hidden Markov Models,”Proc.of 2002 IEEE/RSJ International Conference on Intelligent Robots and Systems,pp.1096-1101,2002.



【非特許文献3】
山根克,中村仁彦.ヒューマンフィギュアの全身運動生成のための協応構造化インターフェース.日本ロボット学会誌,Vol.20,No.3,pp.335-343,2002.



【非特許文献4】
松本吉央,稲葉雅幸,井上博允.ビューベーストアプローチに基づく移動ロボットナビゲーション.日本ロボット学会誌,Vol.20,No.5,pp.506-514,2002.



【非特許文献5】
Tetsunari Inamura,Iwaki Toshima,and Yoshihiko Nakamura.Acquisition and embodiment of motion elements in closed mimesis loop.In the Proc.of IEEE Int’l Conf.on Robotics & Automation,pp.1539-1544,2002.



【非特許文献6】
高根芳雄.多次元尺度法.東京大学出版会,1980.



【非特許文献7】
Merlin Donald.Origins of the Modern Mind.Harvard University Press,Cambridge,1991.



【非特許文献8】
稲邑哲也,中村仁彦.教示者と学習者の身体差を吸収するミラーニューロンモデル.第20回日本ロボット学会学術講演会予稿集,p.3H18,2002.

Field of industrial application (In Japanese)


本発明は、隠れマルコフモデルによる運動(行動)データの認識・生成方法、それを用いた運動制御方法及びそのシステムに係り、ヒューマノイドロボットやコンピュータ・グラフィックスキャラクターの運動制御方法及びその制御システムに関する。特に、隠れマルコフモデルを用いて抽象化されたヒューマノイドにおける全身の運動情報を、少数のパラメータから復元し、自然な運動を再現する方法に関するものである。なお、ここでは、「運動」なる用語は、適宜「行動」に読み替えることができるものと定義する。

Scope of claims (In Japanese)
【請求項1】
 
(a)人間の一連の動作を提供する第1のステップと、前記人間の一連の動作を観察する第2のステップと、前記人間の一連の動作の角度データ(レベル)を取得する第3のステップと、動作エレメント(θ,Σ)を挿入する第4のステップと、動作シーケンス(レベル)を取得する第5のステップと、隠れマルコフモデルを使用する第6のステップと、原始シンボルを取得する第7のステップと、コミュニケーション概念を形成する第8のステップとを有する運動データの認識過程と、
(b)該運動データの認識過程とは逆に、形成されたコミュニケーション概念を用いる第9のステップと、前記形成されたコミュニケーション概念から原始シンポルを取得する第10のステップと、前記隠れマルコフモデルを使用する第11のステップと、前記隠れマルコフモデルを使用し、動作シーケンス(レベル)を取得する第12のステップと、動作エレメント(θ,Σ)を挿入する第13のステップと、対象の動作の角度データ(レベル)を取得する第14のステップと、前記得られた対象の動作の角度データ(レベル)を具現化する第15のステップと、前記得られた対象の運動制御を行う第16のステップとを有する運動データの生成過程と、を施すことを特徴とする隠れマルコフモデルによる運動データの認識・生成方法。

【請求項2】
 
以下の過程(a)~(e)を有するレフト・トォ・ライト型の隠れマルコフモデルを用いたヒューマノイド運動データの認識・生成方法において、
(a)一番左の状態ノードから開始し、次に遷移する状態ノードを状態遷移行列aを用いて確率的に決定し、遷移を繰り返して、一番右の状態ノードに到達した段階で状態遷移列qN-1 を保存して生成試行を終了し、この状態遷移列の生成をN回繰り返してサンプリングする、ここで、状態遷移列の長さは生成試行ごとに異なるため、時間軸方向に伸縮させることで状態遷移列の長さを同一にした後、平均を取って代表的な状態遷移列qN を求める、状態遷移列候補の計算過程と、
(b)上記(a)の計算で求めた状態遷移列qから出力されるベクトル列OKTを求める、つまり、状態遷移する際に出力されるベクトルOKTは、各状態ノードに割り振られている確率密度分布関数に従って確率的に決定され、このベクトル生成を一つの状態遷移列qに対してM回行い、そのM個のベクトル列を各時刻において平均することで、代表となるベクトル列Oを計算する、出力ベクトル列の計算過程と、
(c)状態遷移列qはN個の状態遷移列qから生成されているので、出力ベクトル列Oを求める計算がN回繰り返され、N個の出力ベクトルはそれぞれ異なる時間長さを持っているので、上記(a)の方法と同じ方法で時間長さを統一し、平均し、最終的な出力ベクトル列uを求める、最終的な出力ベクトル列の計算過程と、
(d)隠れマルコフモデル間の類似度をKullback-Leibler情報量を用いて評価し、この値に基づいて多次元尺度法で空間を構成し、この空間上で二つの動作を表す点の内分点を取り、この内分点に相当する隠れマルコフモデルを求め、該隠れマルコフモデルから運動を生成すると二つの動作が内分されたような運動を生成する、隠れマルコフモデルの空間への配置過程とを有し、
(e)請求項1に記載の運動データの認識過程と運動データの生成過程を前記隠れマルコフモデルのみによって統合する隠れマルコフモデルによる運動データの認識・生成方法。

【請求項3】
 
請求項2記載の隠れマルコフモデルによる運動データの認識・生成方法であって、前記隠れマルコフモデルから最も可能性が高く観測される前記状態遷移列と出力ベクトル列を求める際に、確率的なサンプリング試行を数回行うことによって運動データを生成させることを特徴とする隠れマルコフモデルによる運動データの認識・生成方法。

【請求項4】
 
請求項2記載の隠れマルコフモデルによる運動データの認識・生成方法であって、並列計算させることによって、一回のサンプリング試行と同じオーダーの計算時間で運動データを生成させることを特徴とする隠れマルコフモデルによる運動データの認識・生成方法。

【請求項5】
 
請求項2記載の隠れマルコフモデルによる運動データの認識・生成方法に基づくシンボル操作を用いた運動データの認識・生成システムの運動制御方法。

【請求項6】
 
請求項5記載の隠れマルコフモデルによる運動データの認識・生成方法に基づくシンボル操作を用いた運動データの認識・生成システムの運動制御方法によって制御するヒューマノイドロボットシステム。

【請求項7】
 
請求項6記載のヒューマノイドロボットシステムであって、隠れマルコフモデルパラメータを用いてヒューマノイドにおける全身の運動情報を、少数の前記隠れマルコフモデルパラメータから復元し、自然な運動を再現するヒューマノイドロボットシステム。

【請求項8】
 
請求項5記載の隠れマルコフモデルによる運動データの認識・生成方法に基づくシンボル操作を用いた運動データの認識・生成システムの運動制御方法を用いて制御するコンピュータ・グラフィックスキャラクターの動作生成エンジンシステム。

【請求項9】
 
請求項1記載の隠れマルコフモデルによる運動データの認識・生成方法において、
(a)連続分布型隠れマルコフモデルによるキーフレーム表現を行う過程と、
(b)前記連続分布型隠れマルコフモデルからの時系列データ再現を行う過程とを有することを特徴とする隠れマルコフモデルによる運動データの認識・生成方法。
IPC(International Patent Classification)
F-term
Drawing

※Click image to enlarge.

JP2003129774thum.jpg
State of application right Registered
Reference ( R and D project ) CREST Creating the Brain AREA
Please contact us by E-mail or facsimile if you have any interests on this patent.


PAGE TOP

close
close
close
close
close
close
close