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 McClernonDuke University

紹介者： 荒川豊（奈良先端科学技術大学院大学）

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

モチベーション

実世界で起きているイベントをスマホを使ったクラウドソーシングで発見したい

自然なジェスチャーは？

従来方式と課題• カメラで撮影

あ！

あん？

• 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）

提案

メールしてるふり

背中向けててもい

い

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？• １０〜２０ m 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

技術的課題の図

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)

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

•これらを複数まとめたものを以下のように定義

•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

システム構成

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

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）

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

台形とセルの交点を求める• 目的： 複数の台形と交点を持つセルを算出するため

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

頻繁に台形に含まれるセル

セルの確からしさを更新• 目的： どのセルでイベントが発生しているかを決定する

ため

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

システム構成

Grid に基づいたイベント位置の推定• 画像処理と同様に：　１セル＝１ピクセルと見なす

確からしさがしきい値以下のセルをフィルタリン

グ

Flood-Fill アルゴリズムで連続領域を検

出

各領域の中から極大点を探す

極大点がない場合最も確からしさが高いセルを設定

推定されたホットスポット• 左：セルの確からしさマップ• 右：黒点が推定されたホットスポット

システム構成

TALR• 目的

• 時間軸の分析　　　　　と位置の補正

• 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

に関するスワイプを抽出階層クラスタリングに

よって関連性の高いスワイプだけに絞り込む

複数のクラスタに含まれるスワイプをそれぞれ１つに

変更時間軸分析

時間軸分析• 単純に最初のイベントの検出時間（幅：例えば 10 分）でクラスタリ

ング• カーネル密度推定なども利用できるのではないかと考えている

図の見方がよくわかりませんでした

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

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

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

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

• Localization Error ： 誤差• OLR （ Optimization-based location refinement ）

提案に含まれる位置補正技術

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

まとめ• クラウドソーシングによる実世界イベント検出手法の提

案• スワイプという自然な（不可視な）動作でイベントを指

定• 台形表現によって， GPSおよびスワイプの不正確性を吸収

• 実際に Android アプリケーションを作成し， 6日間の実験

• その結果， 10m の誤差で， 95% のイベントを抽出できた

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