This is a suite of Location Business Japan (LBJ) 2017 panels from AIST and PDR benchmark standardization committee.

1. 人工知能研究センター
G空間情報解析プラットフォーム
衛星画像配信システム（LandBrowser）
3次元屋内データ
 Landsat-8は2013年に米国が打ち上げた地球観測衛星で
、可視・近赤外・短波長赤外・熱赤外のデータを取得し
ています。日本付近は2013年11月から、他の地域は最
新の雲なし画像が閲覧・ダウンロードできます。
 ASTERは1999年に米国が打ち上げたTERRA衛星に搭載
された日本の地球観測センサです。可視・近赤外、短波
長赤外、熱赤外のデータを取得しています。2000年～現
在の世界中の画像を閲覧・ダウンロードできます。
 衛星画像上での熱検知・変化検知・地物認識を行うプラ
ットフォームを開発しています。

 スマートフォンなどのモバイルデバイスにも3
次元計測機能が搭載されはじめるなど、手軽に
3次元計測を行うことができる時代が到来しよ
うとしています。
 これまで衛星画像をターゲットとして行ってき
た変化検知・物体認識の研究を、3次元屋内デ
ータへ拡大していきます。
3次元モデル
ディスプレイが
増えました！
実景
LandBrowserで取得したLandsat-8
の画像（2017/03/20）
衛星
屋内
航空
地上
 航空機から撮影された画像からお台場の3
次元マップを再構築し、地上の車載カメラ
から撮影された点群データと屋内の3次元
データを重ね合わせることにより、どのス
ケールであってもシームレスにつなげる技
術の開発を目指しています。
シームレスにつなげる技術開発
http://landbrowser.geogrid.org/landbrowser/index.html

2. 90[m]
人間情報研究部門/人工知能研究センター
～動きながら歩行者観測～：人環境地図生成
 3D地図作成
 環境の3次元形状を点群地図として復元
 手持ちセンサユニットから自動車まで、
多様な動きに対応可能
 リアルタイム自己位置推定
 3次元地図を基に、 6次元自己位置姿勢
(x, y, z, roll , pitch , yaw)を推定
 ノートPCでリアルタイムに計算可能
 移動しながら人流計測
 複数の歩行者を同時に検出・追跡
 いつどこを人が通ったか地図にプロット
 通路として使われる領域を自動学習
3D地図作成とリアルタイム位置推定
歩行者観測と通行者情報地図作成
自律移動ロボットに
よる人と環境の理解
15cm
3D-LIDAR
Velodyne VLP-16
6DoF IMU
Xｓens MTi-300
z
x
y
Roll
Yaw
Pitch
人と環境のセマンティックマップ
3次元形状地図
→自己位置推定
2次元形状地図
→車輪ロボットの
経路計画
歩行者軌跡
→どこが通路？ 混む箇所は？
観測した
歩行軌跡
通行者
を識別
通路領域
を学習
20m
0m
height
・約900m歩行
・Start/goalの
ずれ=88mm
20[m]
人の流れを考慮
したロボットの
自律移動

3. 人工知能研究センター
RGB-Dカメラとシミュレータを用いた
大規模空間における人流解析
RGB-D をカメラ用いた人の流れの計測技術
シミュレータを用いた人の流れの予測技術
 イベントや大規模空間での一人ひとりの人の流れを計測
 カラー画像（RGB）と距離画像（Depth）が取得できるカメラで人の流れを計測
 カメラを環境に設置することで手軽に計測可能
 イベントや大規模空間での網羅的な人の流れを予測
 最大数十万人規模の人の流れを高速・高精度でコンピュータで予測再現
 多数の試行結果から傾向を把握
RGB-Dカメラと処理PC 花火大会後の混雑の計測 大規模施設での避難訓練の計測
CrowdWalk 花火大会後の混雑の再現 大規模施設での混雑箇所の予測
群集流動シミュレータ
これまでの解析事例
 新国立劇場や北九州芸術芸場での避難誘導計画
 関門海峡花火大会や国体会場付近での混雑緩和計画
 北千住の広域浸水避難シミュレーション
 大規模複合施設でのマーケティング
 大学病院の救急救命室 / 英国大学での看護教育実習支援
 産総研オープンラボ / G空間EXPO会場 等多数
0
50
100
150
200
250
2014 2012
0
50
100
150
200
250
300
350
400
22:20:00 22:30:00 22:40:00 22:50:00 23:00:00 23:10:00 23:20:00 23:30:00 23:40:00
properties_agent1404_01
properties_agent1404_02
properties_agent1404_03
properties_agent1404_04

4. 人間情報研究部門
音響環境マッピングとその応用
どこで、どのような音？
何に応用？
マイクロフォンアレイで音源場所を推定。
音を色で表現。音模様として音環境の理解を行う。
倒壊の恐れがある老朽化した建物をモニタリング
倒壊メカニズムの解析は音によって解明できるのか、に挑戦。
イベント時の音模様
二
子
玉
川
駅
方
向
ショッピングセンター
音模様の作成
ガレリア
ガレリア
ある地域の音環境をモニタリング。安全・安心などに繋が
りそうな音による「気づき」は発見できるのか、その「気
づき」から地域活性化へと繋げられるのか、に挑戦。
「どこで」、「どのような」音を色で可視化
何ができる？
マイクロフォンアレイの位置
Microphone array
音環境計測範囲
風が目立つ一日の音模様
通常時の音模様
イベント有の一日の音模様
※環境音の調、音色、音高に係る
特徴量をRGBカラーモデルで表現
音模様の作成

5. ロボットイノベーション研究センター
高精度マーカによる測位
～ カメラで位置を知る視覚ツール ～
測位に使える超高精度マーカの開発
測位インフラとしての応用
 姿勢推定誤差0.1°の平面型視覚マーカ（単眼カメラ画像から位置姿勢を推定するツール）
 従来のARマーカの50倍以上の姿勢精度（誤差1/50以下）
 奥行きの位置精度も向上（位置推定誤差は撮影距離の0.1%，従来マーカの1/10以下）
 カメラを持つさまざまな自律移動体（人間を含む）の測位が可能に
 GPSを代替・補完する測位インフラとして
VMP (可変モアレパターン)は、
見る角度に応じて黒線の位置が連続
的に変化する特殊パターンです。
標準VMP
高感度VMP
標準VMP
高感度VMP
レンチキュラーレンズ
縞模様
姿勢推定誤差 0.1°
高精度な姿勢情報を利用した
特殊アルゴリズムにより、
位置推定誤差 距離の0.1%
産総研開発の高精度マーカ（2012年）
※
＋ 高感度VMP ×2
＝ 超高精度マーカ
カメラ
測位用超高精度マーカ 1.0cm
汎用高精度マーカ 4.5cm
4点マーカ 13.2cm
従来型ARマーカ 20cm以上
位置基準となる視覚マーカ
真値
推定値
1円硬貨
（φ20mm）
平面型視覚マーカを用いた測位とその精度
画像から推定できるのは「カメラ座標系でのマーカ
の位置姿勢」。測位は、これを基に「マーカ座標系
でのカメラの位置姿勢」を計算することです。だか
ら超高精度な姿勢精度が必要なのです。
さまざまな産業への波及効果
測位用超高精度マーカ（2016年）
自動搬送車
＜物流・製造業等＞
自動車
＜一般＞
トラクター
＜農業＞
移動ロボット
＜サービス産業等＞
ドローン
＜モニタリング等＞
測位用高精度マーカ
人間・
※ 参考動画：
「人と共栄する情報技術： 独自マーカによる高精度な位置姿勢計測」
https://www.youtube.com/watch?v=C_ZHV1ASR-0
開発者：田中 秀幸
国立研究開発法人 産業技術総合研究所 ロボットイノベーション研究センター
主任研究員 ＜hideyuki-tanaka@aist.go.jp＞

6. 人間情報研究部門
統合測位と全身姿勢推定
メニーセンサによる測位と全身姿勢の同時推定
 複数のPDRモジュールを計測対象者に装着
することで位置と全身姿勢の同時推定
 全身姿勢推定結果の活用
 関節負荷推定に基づく労働負荷モニタリング
 全身姿勢に基づく歩行検知・相対移動量推定に
よる測位の改良
 全身姿勢データの機械学習による行動認識
 今後の方針
 装着センサ数をどこまで減らせるかの検討
 専用ウェアラブルセンサ開発
ミドルレイヤを用いた準最適統合測位
従来手法：
 相対測位(PDR)と絶対位置補正（BLE）をパー
ティクルフィルタで統合した逐次的統合処理
実時間制約を緩和した最適化
 時系列整合性や手法間整合性を考慮したクレン
ジング・最適化を行うミドルレイヤ導入による
準最適化
 軌跡間/時系列整合性を考慮したクレンジング
 軌跡照合によるID推定
 内外挿処理による軌跡の時間解像度向上
 PDRの個別パラメータ推定
ミドルレイヤを導入した準最適化処理の流れ
移動軌跡データ
各モージュールの
姿勢情報
骨格運動生成
（逆運動学）
関節トルク推定
（逆動力学）
小型PDRモジュール
 機械学習に基づく挙動分類
 機械学習手法：RandomForest
 利用した特徴量：
体勢を示す特徴量（関節角のクオータニオン等）
位置を示す特徴量（全身姿勢・PDRにより推定される位置）
相対変化を示す特徴量（時間窓における位置・姿勢の変化量）
時系列動作データに対する動作認識結果の確認
 PDRとリファレンス計測技術との比較検証
赤：PDR(スマホ in 胸ポケット)，緑：Perception Neuron，
青：HoloLens（HMD）, 黄：Tango(腹ポケット）

7. 人間情報研究部門
Virtual Human-Sensing
VR技術を活用したサービスプロセスの理解・評価・再設計
 実環境と「本質的に同じ(=Virtual) 」計測の実現への取り組み
 厳密な実験条件での比較検証が可能
 多種のセンサーによる詳細なデータの収集が可能
実際のサービスプロセスを計測・理解したいが．．．
認知・
計画
認知 行動
行動（反応）
環境
•環境・条件の厳密な制御は極めて困難
•使用できるセンサー類の制限も多い
サービス
提供者
サービス
受容者
サービスプロセスモデル
•現状のサービスの評価
•プロセスの再設計による改善
認知・
計画
認知
行動
行動（反応）
VR環境等
認知・行動変容
モデル
認知・行動変容
モデル
観測・モデル化 観測・モデル化
サービス
提供者
サービス
受容者
Real vs. Virtual
脳波による興味度と主観評価の比較実験
AIST-Service Field Simulator
様々なHMD
歩行シミュレータ
電動車椅子
シミュレータ
モビリティロボット
シミュレータ
RGB-Dセンサを用いた
全身運動計測
視線計測装置を用いた観察対象の計測
脳波計測装置を用いた観察対象への興味度計測
VR環境ならではの詳細計測
多くの行動は実環境とバーチャル環境で類似
全ての行動が再現できるわけではない：限界を知った上で活用することも大切主観評価と脳波による推定興味度に相関傾向

8. 人間情報研究部門
視覚障害者移動支援のための多世代共創イベント
AR巨人将棋
バーチャルマッピングパーティ
 視覚障害者のナビ利用時の並行タスク状況を検証
 ナビシステムから提示される音声情報の聞き取り
 頭の中での俯瞰地図作成（マップ構築）
 俯瞰地図中での自己の位置付け（自己定位）
⇒将棋体験型実験で並行タスク状況を模して検証
 AR巨人将棋の概要：
巨大な将棋盤の上を歩き回ると立ち位置
に応じて駒情報が音声・映像でAR提示．
駒配置を覚えて詰将棋を回答．
 開催日時：2016年9月3日
 参加者：将棋愛好家の視覚障害者11名
（20代から70代の男女）が参加
AR: Augmented Reality（拡張現実）、
POI: Point Of Interest （ランドマーク。店舗や施設等）
POR: Point Of Reference (主に視覚以外の感覚で認識可能な、
現在位置の手掛かりになる参照情報。点字ブロック、段差、自動
ドア等)
 （ブラインド）マッピングパーティ：視覚障害者が位置を知る手掛かりになるランドマーク情報
（POI）や、安全な歩行の手助けになる情報（POR）を現地に集まり収集・共有する活動
 歩行環境の全方位画像・音声を収録してVR内に再現し，現地に行かずマッピング活動を行えるバ
ーチャルマッピングパーティのワークショップ開催（2016/3/18-19＠未来館，42名参加）
 H29年度も神戸岡本商店街を対象現場としたリアル＆バーチャルマッピングパーティ開催予定
システム構成
タグリーダを取り付けたサンダル
RFIDタグシート
予行演習の様子
AR巨人将棋のイメージ
（オープニングムービーより）
※ 本取り組みは、JST RISTEXプロジェクト“多世代共創による視覚障害者移動支援システムの開発”の一環として行われています。
種類
活動
場所
活動
時期
特徴
マッピングパー
ティ
現地 同期
コミュニティ形成を目的としたF2F交流
深い現地の状況理解が可能
GPS端末操作などのスキルが必要
天候に依存
スマートフォンア
プリを活用した現
地でのマッピング
現地 非同期
通勤中など自由な時刻に簡単にマッピング
深い現地の状況理解が可能
登録情報の位置登録精度が測位手法に依存
インターネット上
の画像等を用いた
マッピング
どこで
も
非同期
クラウドソーシング
いつでもどこでも
事前にマッピング対象の写真がある前提
写真だけではよくわからないことも
バーチャルマッピ
ング
パーティ
どこで
も
非同期
クラウドソーシング
いつでもどこでも参加が可能
登録情報の位置登録はシステムがサポート
事前に環境を収録しておく必要あり
ＶＲ技術を用いて臨場感高く現場を体験
ＡＲ触地図により視覚障害者も参加可能な
共創型
様々なマッピング活動の比較

9. 人間情報研究部門
PDR & VDR：活用事例と標準化
 杉原エス・イー・アイ(株)
• 屋内位置情報/フィールド業務支援ソリューション
iField Indoor事業を展開
 サイトセンシング(株)
活用事例
 (株)メガチップス
• 省電力PDR指向モーションコプロセッサー
Frizzの製品化
 (株)NTTドコモ/ (株)ゼンリンデータコム
• 「ドコモ地図ナビ powered by いつもNAVI」
にPDR採用
• 全国の地下街や地下鉄駅構内に対応
• 320箇所（2015.4）から510箇所（2017.5）
へエリア拡大
• PDR/VDR組込モジュールの
開発・製造・販売 • 産総研技術移転ベンチャー
• 省電力型歩行者自律航法システム
（PDR+）事業を展開
PDRベンチマーク標準化委員会 賛同組織（国内36組織：2017.5.24現在）
旭化成, アジア航測（南）, インテック, MTI, KDDI研究所, 国際航業, 澁谷工業, クウジット, GOV, サイトセンシング,
シャープ, 杉原SEI, ゼンリンデータコム, 電通国際情報サービス, 日本IBM, 日立, フレームワークス（渡辺）,
マルティスープ, ミルディア, 村田製作所, メガチップス, リクルート（牛田）, リコー, レイ・フロンティア,
愛知工業大学（梶）, 神奈川工大（田中）, 慶大（春山, 神武, 中島）, 筑波大（善甫, 蔵田）, 東工大（岡田）,
名大（河口）, 奈良先端科学技術大（新井）, 新潟大（牧野）, 立命館大（西尾, 村尾）, 産総研（蔵田, 興梠）,
HASC, Lisra (敬称略, 順不同)
 PDRの研究開発や実用化を進めている企業や大学が国内外で急増
 GPSやWi-Fi測位のような絶対測位とは異なる評価方法が必要
 仕様書や論文へどのように性能を表記すればよいかを統一していく必要性
PDRベンチマーク標準化委員会
計測対象に特化した自律航法
 自律航法とは？
• 基準点からの相対移動計測技術
• DR = Dead Reckoning（和訳：推測航法・自律航法）
• Dead = Deduced：推測に基づく～, Reckoning = Navigation：航法
 PDR (Pedestrian Dead Reckoning)
• 人に特化した自律航法
• 10軸センサー（加速度、角速度、磁気、気圧）を基に歩行動作、移動速度ベクトル、姿勢、相対高度変化
量を推定（インフラがない場所でも測位可能 ⇒ 屋内測位パラドックスの緩和）
• 点の集合ではなく、線（形、曲率）としての意味を持つ軌跡を取得可能
 VDR (Vehicle/Vibration-based Dead Reckoning)
• 車両に特化した自律航法
• 計測実績：普通乗用車（GPS測位の補完目的）5車種、フォークリフト（動線・稼働状況解析目的）
50車種以上、鉄道（都心地下鉄、モノレール含む）6路線（路線距離：200km以上）、台車 15種類、
ショッピングカート（小売店内での動線追跡）4種類、ラジコンカー（玩具）3種類
蔵田武志・興梠正克・大隈隆史
（人間情報研究部門）
平成２８年度理事長賞「研究」
「歩行者自律航法技術の研究」
 マルティスープ(株)

10. 物流サービスの生産性向上：
倉庫内動線計測とシミュレーション
 インターネット通販や即日配達等の物流業界への要求の高度化と需要の増加
 物流業界が効率化を図るためには，物流にまつわる人，もの，車両，倉庫内の現状を
忠実に把握し，問題点の抽出・把握・改善を行っていく物流ICT技術が必要
 次世代ロジスティクスオープンデータ活用コンテスト
 物流システムに関連したデータをオープンデータ化し、IoT時代
における物流への新提案を広く募集（フレームワークス社主催）
 産総研も倉庫内従業員移動情報の公開に協力(2016年度)
 PDR Challenge in Warehouse Pickingも参加者募集中
物流業界のICT活用
ピッキング手法のデータ同化事前評価
 計測データを活用したデータ同化シミュレーションにより，カイゼン案の効果を事前予
測・評価
 行動計測、行動・環境モデル化、改善案事前評価により、効率と従業員満足度（ES）を
両立させる業務プロセスの効率的な設計が可能に
High:75%以上, Middle:75%未満25%以上 ,Low:25％
未満。青色が多ければ良く、赤色が多ければ悪い。
物流倉庫内の従業員計測
 物流倉庫内作業の約６割を占めるピッキング作業に対し、
作業員計測による動線把握と動線・作業指示の効率化
 PDR，WMS(倉庫管理システム)ピッキングログ等を統合した測位
 棚レイアウトやスペース生産性を自動把握するための3次元計測技術
（LIDAR,RGB-Dカメラ）も研究
 人の測位（PDR）から，カート・フォークリフト
の計測（VDR；Vehicle Dead-Reckoning）へ
人間情報研究部門

11. PDR Challenge in Warehouse Picking
PDR Challengeの特徴比較
IPIN 2017 PDR Challenge in Warehouse Picking
Ubicomp/ISWC 2015 PDR Challenge IPIN 2017 PDR Challenge in Warehouse Picking
シナリオ 屋内歩行者ナビ 物流倉庫内のピッキング作業
歩行・動作
スマートフォンを手に持ち，ナビ画面を見な
がら連続歩行
歩行だけではなく，ピッキング作業などのさまざま
な動作
On-site or Off-site On-site（データ収集） Off-site
時間/試行 数分 ３時間前後
備考
一般の参加者が歩行したデータを収集
収集されたデータはコーパスデータとして、
HASC(http://hub.hasc.jp/)において公開中
PDRだけでなくBLEビーコンやピッキングログ情報
など補正情報を活用した統合測位の精度を競う
 スケジュール
 参加登録：募集中～7月15日まで
 結果提出：9月8日まで
応募要領
 参加手順
 メールにて参加登録
 参加登録後サンプルデータ取得
 IPIN登録者に限り，本データ公開
 結果提出
 本会議にて結果公表・表彰
 IPIN2017ホームページ
 http://www.ipin2017.org/index.html
本会場にて、参加相談会開催中！！
コンペ参加をお考えの方はご相談ください
IPIN 2017
 IPIN(Int. Conf. on Indoor Positioning & Indoor Navigation):
屋内測位に関する国際会議，2017年の開催地は札幌！！
 物流倉庫内ピッキング作業者のPDR測位精度を競うコンテスト
”PDR Challenge in Warehouse Picking ”を開催(Track 4)
評価法
統合測位結果の可視化例
P1 P2
P
3
倉庫管理システム (WMS)の
ピッキングログ
センサデータ
加速度、角速度、磁気、気圧
倉庫内図面・
棚配置情報(上図はサンプル用）
提供データ
Result1 Result2 Result3
Result1 Result2 Result3
誤差総和 73.9(5.21[m]) 59.5(8.08[m]) 36.3(12.72[m])
最大誤差総和 65.5(6.89[m]) 46.8(10.63[m]) 19.4(16.10[m])
速度評価 98.3 95.5 94.1
衝突判定 58.87 61.5 85.2
周波数評価 99.9 99.9 99.9
ピッキング評価 64.4 51.6 53.7
総合点 80.9 72.6 67.2
統合測位結果の評価例
 一部非公開にしたWMSピッキング位置を正解値とした誤差評価
 誤差総和／補正点間最大誤差(累積誤差評価)
 物流倉庫内作業員測位に特化した評価指標
 ピッキング時の振る舞い(ピッキング評価)の自然さ
 棚などの不可侵領域への軌跡侵入に関するペナルティ(衝突判定)
 作業員の移動としての自然さ・適切さの評価
 速度が人間の歩行スピードとして適切か？
統合測位
(PDR+補正)
統合測位結果（提出物)
PDRベンチマーク標準化委員会
https://www.facebook.com/pdr.bms/

12. 人間情報研究部門
G空間IoTで測って図って慮る：
現場のラボ化とラボの現場化
G空間IoTとサービス
 超多様化社会（少子高齢化、労働力不足、働
き方の多様化、障害者社会進出）における断
片的貢献やAPIコミュニティの実現を支援
 測って（計測して）図って（設計する、試み
る）慮る（配慮する、予測する）ためには、
G空間IoT（G空間コンピューティングとIoT
の境界領域）を基盤とした現場のラボ化が要
SFS
Dollhouse VR
CCE Lite
Wearable
RGB-D sensing
PDR
Handheld AR
現場のラボ化とラボの現場化
 ビッグデータ：実世界で継続的に集められるデータ（プラットフォーム）
 ディープデータ：特定の条件ではないと取得できない高品位データもしくは多種多様なプ
ローブ・センサにより取得されるデータ（ステーク）
 ピアデータ：ビッグ＋ディープデータ。今後のサービスイノベーションの根幹。
 現場のラボ化とラボの現場化によりピアデータを取得し、海面下を把握し「慮る」
Big Data: Platform(ers)
Deep Data: Stake(holders)
Pier Data = Big Data + Deep Data