ピーシーキッドのロボット


PASIがPPAPを踊ります!

当社のコミュニケーション・ロボットPASIが、あの有名なPPAPを踊ります。



受付ロボットPK-II(レンタル開始)

受付ロボットPK-IIは、会社などの受付に置き、お客様に訪問先を聞き、自動的にIP電話を掛けてくれるロボットです。 また、防犯補助機能があり、内蔵のカメラで顔認識をし、外部のサーバに画像を保存します。

受付ロボットPK-IIは、2016年10月からレンタルを開始しました。

受付ロボットPK-IIは、「 2015国際ロボット展 」と「 Japan Robot Week 2016 」に出展しました。 受付ロボットPK-IIのパンフレット はこちらです。 受付ロボットPK-IIの動画はこちらです。

連絡先:Tel:03-6240-1860 Fax:03-6240-1861 Mail:support@pckids.co.jp


コミュニケーション・ロボットPASI(開発中)

コミュニケーション・ロボットPASIは、当社の人工知能技術をコミュニケーション分野に応用したロボットです。

コミュニケーション・ロボットPASIは、現在、開発中ですが、「 2015国際ロボット展 」に出展しました。 コミュニケーション・ロボットPASIのパンフレット はこちらです。 コミュニケーション・ロボットPASIの動画はこちらです。



宿題代行ロボット(開発中)

宿題代行ロボットは、Webカメラでプリントの問題を読み取り、ロボット・アームでプリントに回答を書き込むロボットです。

宿題代行ロボットは、現在、開発中ですが、フジテレビの番組「東京キカイ都市」で取り上げられました。 宿題代行ロボットの動画はこちらです。



ピーシーキッドの人工知能(機械学習)技術

ディープ・ラーニングを用いたシステム開発

株式会社ピーシーキッドでは、機械学習を用いたシステム開発にも取り組んでいます。 ロボットの分野では、機械学習を用いて、より高精度な認知が行えます。 話しかけた言葉を文章に置き換えたり、画像に写った物体が何かを理解出来るようになり、ロボットの思考も機械学習の発展により、さらに高度に行えると期待されます。

弊社のロボットでも、機械学習の一手法であるディープラーニングを用いて、音声認識の精度向上や、ロボットのコミュニケーション能力向上にむけて、人物認識や手書き文字認識などのシステム開発に取り組んでいます。

コミュニケーション・ロボット
図1. コミュニケーション・ロボット

現在のディープ・ラーニング

一般的なディープ・ラーニング

ディープ・ラーニングは、ニューラル・ネットワークの一種で、入力層と出力層の間にいくつかの中間層を設けたものです。

一般的なディープ・ラーニングのイメージ
図2. 一般的なディープ・ラーニングのイメージ

X =( X 1 , X 2 , ..., X m )のノードの値を( x 1 , x 2 , ..., x m )とし、次の層を Y =( Y 1 , Y 2 , ..., Y n )とし、 X i から Y j への重みを w ij としたとき、層 Y のノードの値( y 1 , y 2 , ..., y n )は、一般的には

y jai w ij x ib j )

と計算されます。 ここで、 b j はバイアスと呼ばれる定数です。 また、関数 a は活性化関数と呼ばれ、シグモイド関数

sig( x )=1/(1+ e −x )

がよく使われます。

ノードの値
図3. ノードの値

学習の方法としては、バックプロパゲーションが基本です。 これは、学習データ( x , t )に対する出力 z がずれていたら、 zt に近づくように、出力層から入力層へ(つまり後ろ向きに)重み w ij を調節するというものです。 ここで、学習率(例えば0.1)というパラメータを設定し、(一気にではなく、)少しだけ t に近づくようにします。

実際にディープ・ラーニングを行なうには、目的に応じて、学習の効率や認識の精度が高くなるように中間層を設計したり、学習率などのパラメータを適切に設定する必要があります。

例: 手書き文字認識

ここでは、ディープ・ラーニングの代表的な例として、手書き文字認識を取り上げます。 これは、0から9までの10種類の文字について、色々な人の手書き文字(画像データ)を学習させた後で、新たな手書き文字を認識するものです。

手書き文字認識
図4. 手書き文字認識

手書き文字認識では、中間層の設計として、畳み込み層とプーリング層を交互に並べます。

中間層の設計
図5. 中間層の設計

畳み込み層では、上下左右の数ピクセル(例えば11x11)についてのみ、Σ i w ij x i の計算をします。 これによって、画像の局所的な特徴を取り出すことができます。

プーリング層では、上下左右の数ピクセル(例えば3x3)の代表値(例えば最大値)を、例えば2ピクセルごとに取り出します。 これによって、画像の平行移動や回転の影響を吸収し、画像を大域的に認識することができます。

畳み込み層とプーリング層
図6. 畳み込み層とプーリング層

以上のディープ・ラーニングは、畳み込みニューラル・ネットワークと呼ばれます。 畳み込みニューラル・ネットワークによって、99%以上の精度で手書き文字認識ができるようになりました。

なお、機械学習はディープ・ラーニングだけではありません。 続いて、その他の機械学習について紹介します。


ディープ・ラーニング以前の機械学習

株式会社ピーシーキッドは、ディープ・ラーニングが流行するより前から、人工知能(機械学習)に取り組んできました。 例えば、自然言語処理の中では、人工知能で文書分類ができます。 これは、メール文書やWeb文書を対象として、適切な学習を行った後で、大量の文書を自動的に分類したり、特定の内容の文書を自動的に抽出したりするものです。 ベイジアン・フィルタ、サポート・ベクトル・マシン、ニューラル・ネットワークなどが、代表的な方法です。

文書分類のイメージ(お客様アンケートの分類)
図7. 文書分類のイメージ(お客様アンケートの分類)

ベイジアン・フィルタ

ベイジアン・フィルタは、単語の出現確率から、文書分類のもっともらしさを計算する方法です。 ベイジアン・フィルタは古くから知られていますが、目的によっては十分な精度を持ちます。

ベイジアン・フィルタのイメージ(お客様アンケートの場合)
図8. ベイジアン・フィルタのイメージ(お客様アンケートの場合)

サポート・ベクトル・マシン

サポート・ベクトル・マシンは、文書の超空間を超平面で線形分離する手法です。 一般的に文書は線形分離できませんが、カーネル関数と呼ばれる写像で高次元化すると、分類の精度を改善することができます。 ディープ・ラーニングが流行る前は、サポート・ベクトル・マシンがよく使われていました。

サポート・ベクトル・マシンのイメージ(お客様アンケートの場合)
図9. サポート・ベクトル・マシンのイメージ(お客様アンケートの場合)

ニューラル・ネットワーク

ニューラル・ネットワークは、脳細胞(ニューロン)とシナプスの関係をシミュレーションしたものです。 特に、入力層と出力層の間にいくつかの中間層を設けたものが、ディープ・ラーニングです。

ニューラル・ネットワークのイメージ
図10. ニューラル・ネットワークのイメージ

PC KIDS
ISOとPマーク
ISO,Pマーク Pマーク
株式会社ピーシーキッド
https://www.pckids.co.jp


【東京本社】    〒101-0021 東京都千代田区外神田5-1-5 国際ビルディング 3F
                     Tel:03-6240-1860 Fax:03-6240-1861 Mail:support@pckids.co.jp
【大阪営業所】 〒530-0001 大阪府大阪市北区梅田1-1-3 大阪駅前第3ビル 9F
                     Tel:06-4799-3650 Fax:06-4799-3651