Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」
•Als PPTX, PDF herunterladen•
1 gefällt mir•1,114 views
2013年12月MBL研究会ワークショップでの講演資料です．
Empfohlen
Weitere ähnliche Inhalte
Mehr von Yutaka Arakawa
Mehr von Yutaka Arakawa (9)
Kürzlich hochgeladen
Kürzlich hochgeladen (9)
Ubicomp論文紹介「If You See Something, Swipe towards It: Crowdsourced Event Localization Using Smartphones」
- 1. 論文紹介 IF YOU SEE SOMETHING, SWIPE TOWARDS IT: CROWDSOURCED EVENT LOCALIZATION USING SMARTPHONES Wentao Robin Ouyang, Ankur Srivastava, Prithvi Prabahar, Romit Roy Choudhury, Merideth Addicott, F. Joseph McClernon Duke University 紹介者： 荒川豊（奈良先端科学技術大学院大学）
- 2. 概要 • クラウド・ソーシング（Crowd Sourcing）に関する論文 • スマホのセンサーを使うわけではない • 実世界オブジェクトの指定手法： スワイプを利用 • 簡単で，直感的で，自然な感じ • 具体的な利用ケース • 喫煙禁止のところで喫煙している人の後ろ指をさすアプリ • 不確実なスワイプから対象を検出するアルゴリズムを提 案
- 4. 従来方式と課題 • カメラで撮影 あん？ あ！ • 危険（怖い人かもしれない） • 不自然 • 手間（カメラを起動，ピントをあわせて 撮影）
- 6. 技術的課題 • スマートフォン内蔵センサーはノイジー • まず，GPSの誤差をどうするか？ • １０〜２０mの誤差は普通 • 方位センサーは，地磁気の影響を受ける • ヒューマンエラー • 遠方からのスワイプの精度は期待できない • 予備知識無しに，複数人からのスワイプからイベントを 抽出する（切り分ける）メカニズム • データ量が少なくても動き，増えてもスケールする仕組 み
- 7. 技術的課題の図
- 8. スワイプ角の定義 • スワイプ角θ: 真東（East）を基準とした角 • θc: スマホの向き．方位センサから取得 • θα：スワイプの向き．タッチセンサから取得 • θ = (θα-θc)
- 9. スワイプの定義 • １回のスワイプiを以下の5つのパラ メータで定義 si = {ui , ti , li , ai , qi } • これらを複数まとめたものを以下の ように定義 S = {si } • ただし，歩行中のスワイプは削除 • 加速度センサの値から判定 • スワイプ角 θ • ユーザID u • 時刻 t • 位置 l • 位置の精度 a
- 10. システム構成
- 11. BDA（Basic Data Analysis） • 目的： 興味のエリアをグリッドに分割する（セル） エリアRを r平方メートルの グリッドに分割
- 12. スワイプの台形表現 • スワイプの不確実性を表現 • 角度に幅をつける • α = π/18 （約10度） • dm : 目視可能な距離（アプリ次第）
- 13. 複数の台形から位置を推定する効果 • もしラインだけを見ていたら，緑☓ • 実際はL1のようにズレの大きいラインも多い • GPSの不確実さ，ユーザのスワイプ向きの不確実さ • 台形にすることで，青＊を検出可能に
- 15. 台形とセルのマッチング • Swipe-Cell Indicator行列I • 行の要素数：スワイプの回数 • 列の要素数：エリア内セル数 • 台形によってカバーされていれば１，そうでなければ０ あるスワイプ（台 形）に含まれるセ ル é ê ê ê ê ë 1 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 1 1 1 1 0 0 1 1 0 1 1 1 頻繁に台形に 含まれるセル 0 0 0 1 ù ú ú ú ú û
- 17. セルの確からしさ • 確からしさ行列W • 全スワイプで１つの行列 • 収集したスワイプ数が増えてもスケールする • Wの行と列＝エリアのセル数 • W内の各値（セルkの確からしさwk）の更新 • miは，スワイプiがカバーしているセル数
- 18. システム構成
- 21. システム構成
- 22. TALR • 目的 • 時間軸の分析 複数のクラスタに と位置の補正 含まれるスワイプ をそれぞれ１つに 変更 • これまでに求めた • 推定位置：eo • SCI行列：I を用いる ホットスポットeig に関するスワイプ 階層クラスタリングに を抽出 よって関連性の高いス ワイプだけに絞り込む 時間軸分析
- 24. 評価 • iSeeアプリケーションを６台のAndroidに実装 • Nexus S 3台，Galaxy S3 3台 • 大学内（400 x 500 m2）に，ターゲット（赤い旗）を20 個配置 • 手動で，置いたり，撤去したり • 単位時間に最大10個を配置 • １つの旗は最大20分配置 • ターゲット間の距離 • 最も近い：40.4m • 最も遠い：81.6m • 平均: 53.4m • 6 日間実験 • ４個：前半3日と後半3日で異なる時間パターンで出現 • 16個：常に同じ時間パターンで出現
- 25. Gridによるイベント位置推定につい て • LIC（Line Segment Intersection and Clustering）と比較 • スワイプの台形化とエリアのグリッド化を用いた提案手 法の方が，より多くのイベントを検出し，その位置も精 度が高い 平均5.5スワイプ/1イベント
- 26. 1イベントあたりのスワイプが多い 場合 • 平均34.1スワイプ • LICは，交差点が増えすぎて，それが連続した１つのイベ ントとして検出されてしまう． • GELは，スワイプが多くてもきちんと識別可能
- 27. 検出率と誤差 • Reporting Rate : 検出数/実際のイベント数 • 1以下：未検出， 1以上：誤検出 • Detection Rate : 誤差25m以内であれば発見したとみなし た場合の発見率 • 必ず1以下 提案に含まれる 位置補正技術 • Localization Error： 誤差 • OLR（Optimization-based location refinement）
- 28. 時間クラスタリングの効果 • Association Accuracy • 正しくスワイプに関連したホットスポットの割合 • Jaccard係数 • 2つの集合の類似度 • 0：完全に独立，1：完全に一致 時間クラスタリン グ することで改善 観測期間が長くなる と高い類似度が増え る 観測スワイプ数が増 えるほど類似度が高 い
- 30. 紹介者の感想 • アイデアは，単純 • それを実現するために，細かな点までアルゴリズム化 • Androidアプリケーションも開発し，きちんとしたユーザ スタディ • 結果的として，実現できている → Ubicomp採録 • 疑問 • イベントの種類などは，どうやって入力するのだろうか？ • イベントの時間と位置までわかっても，内容がわからないはず