Tokyo Denki University Repository (TDU) / 学術リポジトリ

日髙, 章理

      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
課題番号 Q20J-02 
課題名（和文） 深層学習による劣悪品質データの認識と高精細データの生成に関する研究 
課題名（英文） 
Development of deep neural network models for low-quality data recognition and 
high-quality data generation 
研究代表者 
所属（学部、学科・学系・系列、職位） 
理工学部 理工学科 理学系 准教授 
氏名 日髙 章理 
共同研究者 
所属（学部、学科・学系・系列、職位） 
 
氏名 
所属（学部、学科・学系・系列、職位） 
 
氏名 
所属（学部、学科・学系・系列、職位） 
 
氏名 
所属（学部、学科・学系・系列、職位） 
 
氏名 
 
研究成果の概要（和文） 
本研究では大脳視覚野と AlexNet の画像刺激に対する応答特性を比較分析し，AlexNet の初期層が V1 野 の情
報表現と類似する特性を獲得している可能性や，中高次層の情報表現特性が V4 野の特性と対応する可能性が
あることを確認した．また既存の物体検出手法である Faster R-CNN 法に Attention 機構を導入した手法を提
案し，従来法の検出精度を向上し得ることを示した．また低画質顕微鏡画像の画質復元手法として SSIM U-net
法を提案し，Pix2pix 法と比べて微小粒子等の「ねつ造」を抑えた復元結果が得られることを示した． 
 
研究成果の概要（英文） 
First, we analyzed the response of the visual cortex in monkey's brain and AlexNet, and confirmed several 
similarities between the visual cortex and AlexNet; For example, the early layers of AlexNet may have 
acquired characteristics similar to those of the V1 cortex. Second, we proposed object detection methods 
that introduce several attention mechanisms into Faster R-CNN which have improve detection accuracy. 
Third, we proposed SSIM U-net for restoration of low-quality microscopic images, and showed that our 
method can restore images with less "false creation" of non-existing small particles, compared to Pix2pix.  
 
      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
1.研究開始当初の背景 
脳の処理過程を模した計算モデルであるニューラ
ルネットワーク(以下 NN)の発展系である深層 NN
が 2010 年代前半から目覚ましい発展と成功を示し
続けている．特に 2010 年代後半からは，深層 NN
によって画像や音声などのデータの意味内容を自動
理解するだけでなく，そのようなデータを自動生成
することも可能になってきていた．しかし複雑なネ
ットワーク構造の中でどの計算過程が最終的な認識
や生成の結果に最も寄与しているのか，あるいは悪
影響を及ぼしているのかなど，内的情報処理の素性
が不明であるという問題があった．またネットワー
ク内部のパラメータを最適化（学習学習）する際に
用いるデータは，多くの場合ある一定の品質（画質・
音質等）範囲内にあるため，その品質を大きく下回
る入力データが学習後に与えられたときに十分な認
識を行えないことや，逆にその品質を超えるレベル
のデータ生成を行えない，などの問題があった． 
 
2.研究の目的 
本研究の主な目的は，(1)深層学習モデルの視覚刺
激への反応特性の分析，(2)劣悪品質データを高精度
認識する深層学習手法の開発，(3)高品質データ(画
像・音声等)を生成する深層学習手法の開発，の 3 点
である．以下において(1)～(3)それぞれの研究方法お
よびその成果を示す． 
 
3.研究の方法 
上記の目的(1)～(3)ごとに研究方法を示す． 
(1) 深層学習モデルの視覚刺激への反応特性の分析 
深層 NN の中でも最も基本的な物体識別用ネット
ワークである AlexNet は，5 つの畳み込み層，3 つ
の最大プーリング層，1 つの平均プーリング層，お
よび3 つの全結合層より構成される畳み込みニュー
ラルネットワーク（以下 CNN）の一種である．各畳
み込み層および最終層を除く全結合層にはそれぞれ
活性化層として ReLU 関数が付随する．本研究では
機械学習ライブラリ PyTorch で実装されている
AlexNet モデルを大規模な自然画像の教師ラベル付
きデータセットである ImageNet のサブセット
(1000 クラス，約 120 万枚)により学習した．誤差
関数には Cross entropy を用い，バッチサイズは
128，最大エポック数は 90，最適化手法には SGD
法を用い，誤差逆伝播学習を行った．学習係数は初
期値を 0.01 とし，25 エポックごとにその値を 1/10
とした． 
本研究ではこのようにして学習した AlexNet の内
部応答とニホンザル(Macaca fuscata)の大脳視覚野
の生理的応答を比較した．ただし，ニホンザルの生
理的応答のデータは本研究で取得したものではな
く，他の研究グループが過去に取得したデータを提
供されたものである．当該の生理的データはニホン
ザルへ石，樹皮，葉，花，果物，蝶翅，羽毛，皮の
8 カテゴリの自然物体表面画像（各8枚，合計 64 枚）
を呈示し，初期視覚皮質(V1)，中次視覚皮質(V4)，
下側頭皮質(IT)の神経活動電位を記録して得られた
ものである．本研究ではこの実験により計測された
刺激呈示期間中の平均発火率と，当該実験で用いら
れた自然物体表面画像を AlexNet に入力して得られ
た各階層における中間応答のベクトル値の相関を算
出することで，大脳視覚野と AlexNet の類似性・相
違性を定量的に検証した． 
より具体的には，まず AlexNet に𝑖𝑖番目および𝑗𝑗番
目の画像を入力した際の第𝑙𝑙層における中間応答ベ
クトル𝐟𝐟𝑖𝑖𝑙𝑙 , 𝐟𝐟𝑗𝑗𝑙𝑙との間で算出した非類似度𝑑𝑑𝑖𝑖𝑗𝑗𝑙𝑙 から成る非
類似度行列を𝐷𝐷𝑙𝑙とする．同様に，ニホンザルに𝑖𝑖番目
および𝑗𝑗番目の画像を呈示した際の V1 野（または V4
野または IT 野）の神経活動電位データの間の非類似
度𝑑𝑑𝑖𝑖𝑗𝑗𝑉𝑉1（または𝑑𝑑𝑖𝑖𝑗𝑗𝑉𝑉4または𝑑𝑑𝑖𝑖𝑗𝑗𝐼𝐼𝐼𝐼）から成る非類似度行列
を𝐷𝐷𝑉𝑉1（または𝐷𝐷𝑉𝑉4または𝐷𝐷𝐼𝐼𝐼𝐼）とする．ここで，
AlexNet から得られた非類似度行列𝐷𝐷𝑙𝑙とニホンザル
の神経活動電位から得られた𝐷𝐷𝑉𝑉1（または𝐷𝐷𝑉𝑉4または
𝐷𝐷𝐼𝐼𝐼𝐼）の間の相関値を求めると，その値の高低により，
AlexNet の第𝑙𝑙層とニホンザル大脳視覚野の V1 野
（または V4 野または IT 野）の反応特性の類似性・
相違性を定量化することができる．本研究ではこの
アプローチに基づき，AlexNet の低次層から高次層
に至るまでの大脳 V1 野（または V4 野または IT 野）
      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
との相関値の高低や変化の様子を分析し，大脳視覚
野と CNN の類似性・相違性について議論した． 
(2) 劣悪品質データを高精度認識する深層学習手法
の開発． 
近年発達が著しい自動運転技術などで必須の要素
となる路上物体検出問題において，夜間・大雨・降
雪・濃霧などの視界劣悪な状況下では，自車周辺の
車両・歩行者などの画像中での映り方が著しく不鮮
明となり，見落としや認識の遅れなどを招く恐れが
ある．しかし，そのような著しく不鮮明な対象の周
辺には，同種の物体が比較的鮮明な状態で写ってい
ることも多い． 
例えば下図左の画像のみを見たときに，一目でこ
こに写っている物体が何かを確信を持って正しく視
認することは難しいかもしれない．しかし「そのす
ぐ近くに下図右のような物体（＝歩行者）が写って
いる」という追加の情報が与えられると，我々は「下
図左の物体も歩行者だろうか」という推測を自然に
行うようになる（実際，下図左は街灯の脇にたたず
む歩行者である）． 
              
本研究では，既存の深層物体検出モデルである
Faster R-CNN 法（以下 FRCNN）に対して上記の
ような認知プロセス，すなわち判別困難な物体の周
辺にある比較的判別しやすい関連物体の「見え情報」
を動的に検出プロセスに組み込む手法を提案した．
具体的には，FRCNN の内部モジュールである
Region Proposal Network (RPN)が出力する物体候
補領域群から得られる特徴ベクトル集合に
Self-attention 機構，Source-target attention 機構，
ならびに Lambda Layer 機構のいずれかを適用し，
新たな特徴ベクトル集合に変換した上で最終的な物
体種別の判定および正確な位置座標の推定を行う改
良型 FRCNN 法を提案した．これにより，従来法で
は候補領域ごとにその領域内のみから得られる特徴
表現に基づいて最終的な種別判定や位置推定が行わ
れていたものに対し，提案法では候補領域ごとにそ
の周辺にある別の候補領域の「見え情報」を動的に
取り込んでより高精度に種別判定・位置推定を行う
機構を実現した． 
 
 
 
 
(3) 高品質データ(画像・音声等)を生成する深層学習
手法の開発． 
 
 
 
 
 
 
 
本研究では比較的低価格（約 500 万円）の走査型
電子顕微鏡（以下 SEM）で撮影した画像を高価格（約
5000 万円）の SEM で撮影された画像並の画質・解
像度まで鮮明化する手法の開発を行った．そのため
のアプローチとして，高価格 SEM で撮影した画像
を低価格 SEM の画質並みに人工的に劣化させ，そ
の「劣化写像」の逆写像を深層 NN の一種である画
像翻訳変換モデルで学習する，というアプローチ（人
工劣化復元法）を用いた． 
      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
 
 
 
 
 
 
 
 
 
 
 
画像翻訳変換モデルとし U-net 法と Pix2Pix 法を
用いた．両手法の復元（鮮明化）結果を比較してそ
れぞれの長所・短所を分析したところ，まず Pix2Pix
法の方が U-net 法と比べてより鮮明な復元結果が得
られるものの，Pix2pix 法の内部で用いられている
敵対的生成ネットワーク（以下 GAN）の副作用によ
り，劣化画像中のノイズ成分が復元画像においてニ
セの構造物（微小金粒子等）として「ねつ造」され
やすい傾向があることがわかった．他方，U-net に
よる復元結果は Pix2pix 法と比べて画像全体のボケ
成分（Blur）を取り除ききれず，全体的にややぼや
けた印象の結果となりやすいことがわかった．この
ため，U-net の復元結果の鮮明度をより向上させる
ため，損失関数を従来の平均二乗誤差（以下 MSE）
から Structural Similarity（以下 SSIM）に置き換
えた改良版 U-net を提案した． 
 
4.研究成果 
上記の方法(1)～(3)ごとに研究成果を示す． 
(1) 深層学習モデルの視覚刺激への反応特性の分析 
ニホンザルの大脳視覚野の神経活動に基づく画像
間非類似度行列と，1000 種類の物体から成る約 120
万枚の自然画像で学習した AlexNet モデルの各層の
中間応答に基づく画像間非類似行列の相関強度を分
析したところ，AlexNet の初期層（第 1 ないし第 2
畳み込み層あたり）の中間応答が V1 野の 神経活動
と強く対応し，0.5～0.6 程度の正の相関を持つこと
が示された．しかしその相関強度は AlexNet の第 3
畳み込み層以降で 0.4 程度に減少していった．一方、
V4 野の神経活動に基づく相関強度は，AlexNet の第
1 畳み込み層から第 3 畳み込み層にかけて 0.25 程度
から 0.5 程度まで増加していった．さらに，AlexNet
第 3 畳み込み層以降の中高次層の応答に基づく画像
間非類似度行列は，V1 野・V4 野・IT 野の中で V4
野と最も高い相関強度を示した．これらの結果は，
AlexNet の初期中間層が V1 野 の情報表現と類似す
る特性を獲得していることを示唆している．さらに，
AlexNet の中高次層の情報表現特性が V4 野の特性
と対応する可能性も示された． 
当該研究成果については③の国内学会で口頭発表
を行った． 
(2) 劣悪品質データを高精度認識する深層学習手法
の開発 
路上物体検出用の公開データセット BDD100K を
用いて従来法（FRCNN）および 3 種類の提案手法
（SA-FRCNN, STA-FRCNN, Lambda-FRCNN）を
学習し，検出精度（Mean Average Precision: mAP）
の比較を行った．提案法はいずれも従来法より mAP
の値が高く，各種 Attention 機構の導入によって
FRCNN の検出精度を向上し得ることが示された．
提案法はいずれも画像中での面積が比較的大きな物
体での検出精度（APM, APL）における精度向上が顕
著であった一方，小物体に対する検出精度（APS）
は向上しなかったため，この点の改善が今後の課題
となる． 
 
当該研究成果については①の国際学会で査読付き
Proceedings 論文として発表した．また同論文の口
頭発表においてその内容が高く評価され，④の Best 
presentation award を受賞した． 
      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
(3) 高品質データ(画像・音声等)を生成する深層学習
手法の開発． 
下図左が従来の MSE U-net，右が提案法である
SSIM U-netによる人工劣化画像の復元結果である．
SSIM の導入により，従来法による復元結果で見ら
れたボケの影響をより抑えた復元結果が得られるよ
うになった． 
 
下図は実際の低価格SEM画像を高価格SEM並の
画質に復元した結果である．提案法（SSIM U-net）
の復元結果は Pix2pix 法と比べるとかすかにボケが
残った復元結果となったものの，復元の際にノイズ
成分を微小粒子として描画してしまう「ねつ造」の
発生件数は少なかった．今後は SSIM U-net の復元
結果を Pix2pix 法と同等以上に鮮明化することと，
ねつ造粒子の発生を 0 に近づけるための新たな機構
の開発などが課題となる． 
 
当該研究成果については②の国際学会で査読付き
Proceedings 論文として発表した． 
なお，上記 (1)～ (3)に関する発展的研究課題が
2022 年度科研費基盤研究(C)「高難度データ認識と
高精細データ生成のための「注意深い」深層学習モ
デルの開発」として採択されたため，本研究におけ
る未解決問題や今後の課題は上記の科研費課題にお
いて引き続き解決を図っていく． 
 
 
 
5.主な発表論文等 
〔国際会議紀要論文〕（計 2 件） 
① Ryunosuke Ikeda and Akinori Hidaka, 
``Improvement of On-Road Object Detection 
using Inter-Region and Intra-Region 
Attention for Faster R-CNN'', Proceedings of 
the 28th International Workshop on 
Frontiers of Computer Vision (IW-FCV2022), 
OS6-2 (15 pages), Feb. 2022. [査読有] 
② Koshiro Nagano, Yoshiharu Mukouyama, 
Takashi Nishimura, Hiroyuki Fujioka, Kenji 
Watanabe, Takio Kurita, and Akinori 
Hidaka, ``Noise Reduction of SEM Images 
using U-net with SSIM Loss Function,'' 
Proceedings of the 52nd ISCIE International 
Symposium on Stochastic Systems Theory 
and Its Applications (SSS'20), pp. 65-72, 
Osaka, Oct. 29-30, 2020. 
DOI:10.5687/sss.2021.65. [査読有] 
〔学会発表〕（計 1 件） 
③ 我妻伸彦，日高章理，田村弘，“サル視覚皮質
と深層畳み込みニューラルネットワークに基
づく物体識別モデルの画像情報表現”，電子情
報通信学会ニューロコンピューティング研究
会，信学技報，vol. 121，no. 338，NC2021-36，
pp. 30-33，2022 年 1 月． 
〔受賞〕（計 1 件） 
④ IW-FCV2022 Best Presentation Award 
Presented to Ryunosuke Ikeda and Akinori 
Hidaka for their presentation of the paper 
entitled "Improvement of On Road Object 
Detection using Inter Region and Intra 
Region Attention for Faster R CNN," 
February 22, 2022.  
 
 


深層学習による劣悪品質データの認識と高精細データの生成に関する研究

山村, 嘉雄

ヤマムラ, ヨシオ

YAMAMURA, Yoshio

Lewis Carroll in Darkroom

丸山, 彰

マルヤマ, アキラ

MARUYAMA, Akira

 
電卓からパソコンまで 
 
丸山  彰＊ 
 
From an Electric  Calculator  to a Personal Computer 
 
MARUYAMA   Akira＊ 
 
  キーワード： πの連分数  四元数 四平方の定理 ランダムウォーク デカルトの葉線  
 
はじめに 
小生は 1980 年より東京電機大学工学部、東海大
学、日本大学理工学部の数学を担当してきたが関数
電卓とパソコンを逐次活用し授業やゼミの資料に
データを挿入してきた。現在使用しているアプリで
プログラムを再現し電卓とパソコン使用開始当時
の模様を紹介し今後の活用について提言をしたい。 
 
1・関数電卓事始め 
 関数電卓を初めて使用したのは 1978 年 4 月、
casiofx2200 8 桁で 9500 円もするので個人研究費
から捻出した。外国(台湾)へ持参するとき 8 桁まで
なら税がかからないということで選んだ。微分積分
学で出てくる� � 1� 1� ��!�
�
�! ,�⋯について部分
和を順に求めると1,2, ,2.5,2.66⋯2.70833⋯ と続き
第 10 項では 2.71828180114637⋯で真の値 
2.71828182459⋯に近い値になる。�は今でも授業
で�1 � 1��
�
という数列の極限として紹介し学生に
も関数電卓でどこまで求められるかを確かめさせ
ているが 10 桁表示の電卓は 
n � 10� � 1000000000が限度のようである。 
確率の問題に出てくる順列について教科書では
10! � 10 � 9 � 8 �⋯� 3 � 2 � 1 � 3628800までし
か出ていない。関数電卓ではどこまで求められるか
を探ってみた。すると69! � 1.771224524 � 10�� 
 
 
と表示されるが、70!だとエラーになった。関数電
卓の値は 10 の 99 乗までしか求められないためで
ある。現在パソコンに搭載されている電卓は市販の
関数電卓よりも精度が高く 
3248! � 1.9736342⋯� 10����	と表示される。 
関数電卓で70! を求めるには常用対数の和 
�����70! � �����70� �����69�⋯� �����1  
	 � 100.0784050358  
から70! � 1.197857167 � 10���を導くという方法
を対数法則の応用例として授業で紹介した。 
 
2. 電卓を用いた数学の問題 
 授業やゼミで電卓を用いて考察した数学の問題
をパソコンであらためてとりあげて紹介したい。 
例題 1  方程式���� � �の解 
1982 年東海大学の微分積分学 1 で方程式 
���� � �について� � ����  と直線� � �のグラフ
を描けば交点が解になることがわかる。そこで 
	 � �� � 0�� � ��������� � 1,2,3⋯�という漸化式で与え
られた数列の極限が解になることから電卓で
���0, cos����0� , cos	�cos����0��⋯ と cos のキーを
続けざまに押してみせたのが始まりである。 
その後パソコンが普及してからは BASIC で値とグ
ラフ上の点の移動で視覚的に表示できるようにな
った。現在も使用されている 10 進 BASIC のプロ
グラムとデータを紹介する。 
 
＊工学部数学系列 非常勤講師 Part-time Lecturer, Department of Mathematics, School of Engineering  
121東京電機大学総合文化研究　第20号　2022年
0 から 50 までで 8 桁だと 46 回以降は固定する。 
10 INPUT N
20 LET k=0
30 FOR I=0 TO N
40 PRINT   COS( K)
50 LET K=COS(k)
70 NEXT I
80 END
� � ���� のグラフと直線� � �の上に	
�0,1�, �1,1�, �1, ���1�, ����1, ���1�, �cos	1, cos����1��
をマークして折れ線で結ぶと、交点の左側と右側を
行き来していて解の両側から近づいていることが
わかる。
0.73908513 ≒	 0.318�で �� � 0.25�よりやや大きい。	
例題 2 円周率πの連分数展開 
1982 年の東海大学湘南校舎の数学の授業でπの
近似分数を電卓で求める方法を紹介したところ非
常に興味を持ったようすだった。まだパソコンも学
校には普及しておらず関数電卓が実験科目で用意
するように指示されている頃なので数学の学習用
のツールとは認識されていなかった。
電卓には�が組みこまれているが精度について末
尾の数字が丸目(四捨五入)になっているかどうか 
がわかりにくいので連分数展開で調べてみた。
� � �� � ���� ����⋯
とおいて��,��,��,⋯ を電卓で求
める。 
 � � 3.1415926535を表示し整数部分�� � 3を控
える。 
1. 整数部分を引く � � 3 � 0.14159265358⋯.
2  逆数を出し整数部分 7を控える。
�
�.����������� � 7.062513306
1.と 2.を繰り返す
�� � 3, �� � 7, �� � 15,�� � 1,�� � 292⋯ ,
� � 3� ��� ���� ��� �����⋯
近似分数を順に求めると 3, ��� ,
���
��� ,
���
���⋯  
���
��� � 3.1415929⋯ は中国で蜜率として知られて
いて奇数の数字を並べてできる分数ということで
記憶しやすい。 
EXCEL によって一覧表を作成したもの
数学のゼミの友人にも紹介したが電卓の精度に微
妙なちがいがあることが�� � 292 の段階で判明
する。小生の持っている Casio fx2200 では�� �
292 友人の電卓は�� � 293 と表示された。その理
由はπが何桁までこみこまれているか、と末尾の数
字が丸目なのか、切り捨てなのかによる。
� � 3.1415926535⋯	 で連分数展開では小数点以
下第 9 桁について切り捨てると�� � 292丸めると 
�� � 293となる。πを表示させたときにこの方法
で精度を比較してみた。πの値の覚え方として
Bulletin of Tokyo Denki University. Arts and Sciences No.20 2022122
3.141592653589793238462643383279502884197⋯
語呂合わせとして「産医師異国に向こう産後薬なく
産婦みやしろに虫さんざん闇に鳴くお礼には早よ
行くな」が有名だが、電卓のπがどこまでとったか
を連分数展開でわかる。今のパソコン電卓での表 
示は「闇に鳴くお」の 832795 で小数点をずらせば
その先の数字も出てくる。πの連分数に出てくる数
字については二次無理数(整数の平方根で表示され
る無理数)が循環連分数というような規則性はない。
1.参照 
 
3.パソコン事始め 
 関数電卓を使用して数年後マイコンと呼ばれた
パソコンは本体と周辺機器が大きくまた高価だっ
たので電卓サイズで BASIC が搭載されているポケ
ットコンピューター(略称ポケコン) が広く使用さ
れていた。印刷業の友人に個人教授をしたときにポ
ケコンを持っていたのでプログラムを実行し教材
を作成したことがある。そこで取り扱った数学を紹
介したい。 
(i)四元数と整数の問題 
�� � �� � �� � �1  
�� � � � ���,  �� � � � ���,  �� � � � ���  
となる�, �, � で構成される数 
� � � � �� � �� � ��	 ��,�, �,�は実数�を四元数と
いい複素数の拡張になっている。 
四元数の積 
�� � �� � �� � ����� � �� � �� � ��  
� �� � �� � �� � �� � ��� � �� � �� � ���� �
��� � �� � �� � ���� � ��� � �� � �� � ����   
をパソコンにプログラムしておく。これより 
�� � �� � �� � ����� � �� � �� � ���  
� �� � �� � �� � ��  
という等式が導かれる。 
「与えられた整数を四つの平方数の和で表せ」とい
う問題は整数を四元数の積に変形して解答が求め
られる。例として30 � 2 � 3 � 5=の場合 
2 � 1� � 1� � �1� i��1 � i� , 
3 � 1� � 1� � 1� � �1� i� j� k��1� i � j � k�	 	  	
5 � 2� � 1� � �2� i��2 � i�	 	
	
	
30� 	
� �1� i��1� i� j��2� i��2� i��1� i� j��1� i�  
� ��2� 4i � 3j � k���2� 4i� 3j� k�  
� 2� � 4� � 3� � 1�  
整数を四元数の積で表す方法は順序を変えれば他
にもあるが平方数は符号を別とすればただ一つで
ある。ポケコンを提供してくれた友人は 
1800� 18� � 26� � 28� � 4� 
という結果にずいぶん驚いて、四元数の威力をまざ
まざと感じたようすだった。 
四元数はハミルトンが空間における回転を複素数
で表示できないかを探求してできたもので行列よ
りも入力データが少なくてすむので剛体の回転運
動の表示で使用されている。 
 
 (ii)ランダムウォーク(乱歩) 
直線上の駒についてコインを投げて表が出たら右
へ一歩移動、裏が出たら左へ一歩移動させる。こ
れを数回反復したときの駒の動きをランダムウォ
ークという。これをパソコンの疑似乱数を用いて
駒の位置をデジタル表示させてみた。プログラム
は0と1の間の乱数で0.5より大のとき�1、小さい
とき�1として順に足していく。回数と位置の座標
でグラフは折れ線を描く、 
10 RANDOMIZE 
20 LET K=0 
30 SET WINDOW 0,20,-20,20 
40 DRAW Grid     
50 FOR N=0 TO 20 
60 LET K1=K+SGN(RND-0.5) 
70 PRINT N,K 
80 PLOT LINES:  N,K;   
90 LET K=K1     
100 NEXT N 
110 END  
実行例 
0, 1, 0, 1, 0, -1,  中略  2, 3, 4, 3, 4  
プログラムは簡潔で実行するたびにデータが変わ
るしかもいくらでも回数をふやすことができる。 
  
123東京電機大学総合文化研究　第20号　2022年
 
小生は何回かこのプログラムを実行したが回数を
重ねると原点から次第に遠ざかるのを観察した。
研究室のパソコンで実行させたとき「一方に偏っ
て原点になかなか戻らないのはおかしい」と漏ら
した先生がいたが、偏る場合の確率が高いという
ことが逆正弦法則で明らかになっている。実力互
角の二チームが対戦を繰り返したときにも一方の
チームが相手を圧倒するケースの方がシーソーゲ
ームを展開する確率より高いということである。
パソコンで実験をしてみて初めて知ることができ
た。2.参照 
 
4.グラフィックス事始め 
 微分積分学Ⅱの授業でデカルトの葉線 (方程式 
3 3 0)をとりあげたとき陰関数定理に
より の符号から曲線を描く。3.参照
符号の分布が複雑なために増減表で描くのが難し
い。そこで二変数関数 3 3 のグラフ
がどのような曲面になるかを調べることにした。
が一定の値に固定した時の曲面の等高線をパソコ
ンで 2 から0.5ずつ値を上げて該当する点を
プロットしていくという原始的なプログラムだっ
た。かなり時間を費やしたができあがった図を数
学系列の先生に見せたところ「授業に使用した
い」ということでデータを印刷し提供した。
 
太線がデカルトの葉線 0では単一曲線だが
1 0 では二つの曲線に分岐する。 
1 の場合 
3 1   
1 1 1 1 1 )  
から直線 1 0と点 , 1,1  の二つが
出てくる。これから 3 3 のグラフを
イメージするのははなはだ難しい。立体図形を視
覚化するために空間図形の射影変換による透視図
をマニュアルのサンプルをもとにN88BASICで苦
心惨憺してプログラムしディスプレイに表示させ
たとき数学系列の先生は「なかなか格好いい」と
珍しそうなようすだった。 
 
1 1, 1 1  
  , 1,1 で極小値-1をとる。 
 
Mathematicaによる表示で 0 の領域では
平面 0に置き換えると曲面と平面との境界上に
デカルトの葉線が浮かび上がってくる。 
 
おわりに 
電卓とパソコンで自分のプログラムを入力したデ
ータについて、今日ではサンプルをダウンロードし
て入手できる。しかし出来上がったデータを分析す
るには自分でプログラムするのと同じ努力がいる。
今後自分で作成したデータを多くの人に提供して
共同で開発できるようになることを期待する。 
 
参考文献  
1.高木貞治 初等整数論講義 共立出版 
2.フェラー「確率論とその応用 1 上」紀伊国屋書店 
3.高木貞治「解析概論」岩波書店 
Bulletin of Tokyo Denki University. Arts and Sciences No.20 2022124


From an Electric Calculator to a Personal Computer

東京電機大学博士（情報学）2021doctoral thesi

飯塚, 大祐

イイヅカ, ダイスケ

東京電機大学大学院 
 
学位論文内容の要旨 
 
報告番号 先端科学技術甲第１６９号 氏  名  飯塚 大祐 
論文題目 
Study on the Next-Generation Workshop Facility Management System 
Using IoT Technology 
近年，一般市民に工作機器の利用を提供する工作施設が登場しており，個人のものづく
りの環境が発達している。また，IoT(Internet of Things)技術も発達し，様々なものが自
動で制御できるようになってきている。市民も利用可能な工作施設では，利用者は様々な
工具を使い自由な工作活動を行うことができる。しかし，利用者の中には多くの初心者が
含まれている。工具の利用管理や快適な作業環境の提供といった，安全性や管理性に関す
る課題がある。本研究では，「利用者」「工作ツール」「安全状態」の 3 つを統合管理すること
で，一般市民も利用可能な工作施設の管理・運営を補助するシステムの提案を目的とする。
利用者管理システム，工作ツール管理システム，安全状態監視システムを連携させること
で，適正な利用者に対して安全で快適な空間を提供する。また，利用者の工作作業中の怪
我や事故の発生を未然に防ぐ。さらに，万一不安全状態が発生した際は適切に対処するこ
とにより，作業空間全体を安全な状態に維持する。本論文は全 5 章で構成されている。 
第 1 章は，研究の背景と目的，及び論文の構成について述べている。近年，各種工作機器
を一般市民に公開する工作施設の登場や，3D プリンタやレーザーカッターの普及により，も
のづくり環境が発達している。しかし，初心者を含む多くの人が利用する工作施設では， 工具
の利用管理や快適で安全な作業環境の提供といった，安全性や管理性に関する課題がある。
本研究では，(1)利用者，(2)工作ツール，(3)安全状態の 3 つを統合管理することで， 一般市
民も利用可能な工作施設の管理・運営を補助するシステムの提案を目的とする。(1) 利用者
の管理として入退室の管理を行う。(2)工作ツールの管理として，全ての工具について利用
を管理し利用実態を把握する。(3)安全状態の監視として施設内で発生する不安全状態を検
知・解消する。 
第 2 章は，第 4 章で提案するシステムに包含される技術として，工作施設にある工具位置
を追跡するシステムを提案する。工作施設では多くの工具が利用されている。利用者が工
具を片付け忘れた場合，管理者が代わりに片付けなければならないが，対象の工具がどこ
にあるのかを瞬時に把握することは難しい。小型の工具の場合，他の物の下に隠れて見え
なくなっていることもある。本章では，工具の現在の場所をリアルタイムに追跡するシス
テムを提案する。また，実用可能な追跡精度となる処理頻度についても調査する。工具に
付加した独自のカラーコードタグをカメラで認識することで，工具の場所を識別する。ま
た，工具が他の物に隠れてしまい認識できないときは，最後に認識した場所に置かれ続 
けているものとして扱うことで，認識を継続して行う。目視による工具追跡と比較するこ
とで，本システムの追跡精度を評価する。 
第 3 章は，第 4 章で提案するシステムに包含される技術として，電気式の工作ツールの放
置監視を行うシステムを提案する。多くの工具は初心者でも扱えるが，誤った使い方をす
ると事故や怪我につながる。工具の安全でない状態として，電源を入れたままの放置があ
る。本章では，電気式の工作ツールの放置状態を監視するシステムを提案する。放置発生
を検知し自動で電源を切るだけではなく，その時の利用者や時刻を記録することで，放置
の詳細を把握可能にする。また，本システムの導入による制約等についても調査する。評
価対象の工具として，半田ごてを用いる。コテ台にセンサを取り付けることで，半田ごて
の状態を取得する。センサの情報をもとに，静置したままや取り出されたままにされてい
ないかを監視する。放置疑いの際は利用者に警告を出すことで利用の再開を促す。警告を
出したにもかかわらず利用が再開されない場合は放置であると判定し，自動的に電源を切
り，その時の利用者等を記録する。本システムの評価として，実際の利用者に適用し， 動
作の確認と利用者の意見を集める。 
第 4 章は，本研究の目的である工作施設の運営を補助するシステムの提案，実装，評価， 考
察を行う。要素技術として，2 章の工作ツールの位置追跡システムと，3 章の電気式の工作
ツールの放置監視システムを用いる。 
提案手法では，(1)利用者，(2)工作ツール，(3)安全状態の構成要素を明確にし，それぞ
れのステートマシン図の定義と，それらを管理するシステム構成図を作成する。(1)利用者
は入退室管理システムにより管理される。ID カードを使った認証と施錠制御により，登録
されている人のみが入室できる。入退室の記録を行うことで，現在の在室状況や施設の利
用履歴を管理する。(2)工作ツールは「非電気式の工作ツール」，「電気式の工作ツール」， 
「コンピュータ制御の工作ツール」に分け，それぞれ利用可能状態の制御を行う。ID カー
ドによる認証により利用権限を持つ人だけが工具を利用可能にし，全ての利用履歴を管理
する。(3)安全状態は「非電気式／電気式の工作ツールの放置」，「利用者の転倒」「室内環境」
を監視する。非電気式の工作ツールの放置監視には，2 章で提案した工作ツールの位置追
跡システムを組み込む。電気式の工作ツールの放置監視には，3 章で提案した電気式工作
ツールの放置監視システムを組み込む。利用者の転倒監視はカメラと画像処理により転倒
を検知し警告を行う。室内環境監視は温湿度と CO2 濃度を測定し空調機器を制御する。本研
究の目的である工作施設の運営を補助可能であるかを評価する。利用者管理，工作ツール
管理，安全状態監視それぞれについて，管理の目的を達成可能であるかを評価する。 
第 5 章は，結言として本研究のまとめと今後の展望について述べる。本研究のまとめでは，
本研究の概要と研究成果について述べる。今後の展望では，工作施設運営システムの評価
により確認された不十分な点についての改善を検討する。 


Study on the Next-Generation Workshop Facility Management System Using IoT Technology

ブローデリック, ジェフ

BRODERICK, Jeff

 
Duolingo XP and Time on Platform 
―Modeling the User Experience of a Language Learning Application― 
 
Jeff BRODERICK＊ 
 
Abstract 
Past studies have analyzed the effect of Duolingo on students’ TOEIC Bridge Test Scores and found 
that Duolingo is not an efficient way to improve these scores. These past studies were based on 
assumptions concerning the relationship between students’ earned Experience Points (XP) in the 
application, and the time spent using the application. This study aimed to explore this relationship in 
greater detail, drawing on further information made available to educators by updates to the Duolingo 
application. Results of this study indicate that XP can vary widely from user to user, depending on their 
starting level. A regression model is provided and past studies are reviewed, with the finding that 
Duolingo is more effective than previously assessed. 
 
Keywords：Computer-aided language learning (CALL), Duolingo, smartphone applications  
 
 
１．Introduction 
 
Duolingo is one of the world’s most popular 
language learning applications (or “apps”), with 
an estimated 500 million users learning 39 
languages (Blanco, 2020). The app has several 
advantages, the main ones being its convenience 
and ease of use. Users can study using their 
smartphones at any time, in any place, and this 
function can lead to greater learner autonomy. 
In a 2012 study, Veselinov and Grego found 
that adult beginner Spanish learners acquired a 
semester’s worth of knowledge in an average of 
34 hours. They also determined that student 
scores on a standardized WebCAPE Spanish test 
increased by an average of 8.1 points per hour of 
Duolingo use. Munday (2016) argued for the 
inclusion of Duolingo in university language 
classes, while others like Krashen (2014) 
questioned its utility. 
I conducted a study (Broderick, 2021) to  
 
investigate whether Duolingo was similarly  
effective at increasing Japanese university 
students’ scores on the TOEIC Bridge Test (BT). 
The results showed that for these lower-
intermediate learners, 60 minutes spent 
studying Duolingo resulted in an average TOEIC 
BT score increase of 0.121 points. This is clearly 
not an efficient means of increasing student 
TOEIC BT Scores, as the score increases as a 
function of time spent studying with Duolingo 
were minimal. 
These results, however, were based on an 
assumption that students received 10 Duolingo 
Experience Points (XP) for the completion of one 
online lesson, each of which is designed to take 
approximately 10 minutes to complete. The 
adoption of this simple model, 10 XP for 10 
minutes of study, was necessitated by the fact 
that, at the time of those studies, Duolingo did 
not provide details about student time spent 
using the app. Since these studies were made, 
＊理工学部共通教育群講師 Lecturer, Division of Liberal Arts, Natural, Social and Health Sciences, School of Science and Engineering  
25東京電機大学総合文化研究　第20号　2022年
however, Duolingo has modified their platform 
and now provides educators with additional data 
including both XP and time on platform. With 
this data, it is possible to examine student 
performance in detail and create a model of 
average student performance. 
The research questions guiding this study are 
therefore:  
i.) How much time did students tend to 
spend on the platform over the course 
of a 14-week semester? 
ii.) What is the model for average expected 
XP awarded per minute of Duolingo 
use? 
iii.) How does this alter the results of the 
previous studies? 
２．Methodology and Participants 
Participants for this study were 90 first-year 
students (m = 75, f = 15) enrolled in my first-year 
Communication English classes at Tokyo Denki 
University. They were enrolled in a variety of 
majors including mechanical and electrical 
engineering, biological science, systems 
engineering and design, and architecture. They 
were asked to study using Duolingo for 10% of 
their final grade, with the guideline that 
completing one 10-minute lesson per day, five 
days a week, for 12 weeks, (a total of 60 lessons, 
or approximately 600 minutes study) would 
provide them with full marks. 
Upon enrolling in the free Duolingo online 
course, students were instructed to select the 
“casual” study level, which provides lessons of 
approximately 10-minutes duration. They were 
also asked to take a short in-app test, which the 
app designers claim can test a user’s starting 
ability and provide them with lessons tailored to 
their level. 
Students were reminded several times through 
the semester to use Duolingo. Specifically, each 
class was verbally reminded in Weeks 2, 6, 10, 
and 12 to keep up their daily Duolingo practice. 
At the end of the 14th week, data was collected 
from each student concerning their allotted XP 
and the time that Duolingo had recorded them 
using the app. This data was plotted in Excel and 
further analyzed using the Excel Analysis 
ToolPak. Confidence intervals for the linear 
regression were calculated manually following 
Field (2009). 
During the data analysis, several students 
were found to have completed none of the 
assignment, i.e., they received 0 XP and had 0 
time on the platform. These students were 
removed from the study. The regression, however, 
was still performed with the logical assumption 
of a y-intercept value of 0.  
Furthermore, two students were found who 
could be considered extreme outliers. One was a 
student who had obtained over 11,000 XP after 
using the app for 1860 minutes, or 31 hours. 
Another student used the app for 780 minutes (13 
hours) acquiring over 8000 XP. They were both 
removed from the study. A third student, who 
obtained 4926 XP in 508 minutes, was left in the 
study as this result, while extreme, still lies 
within two standard deviations of the mean 
result.    
3．Results 
The main results of the study are presented 
below. First, the distribution of the independent 
variable, time on platform, is presented as a 
frequency histogram in Figure 1, below, with the 
descriptive statistics in Table 1.  
Bulletin of Tokyo Denki University. Arts and Sciences No.20 202226
Figure 1 
Table 1. Descriptive statistics 
Mean Upper 95% CI Lower 95% CI 
274.3 318.8 229.8
SD Std. Err.
211.2 22.38
Next, the student data of actual XP awarded vs. 
time on platform is presented as a scatter plot in 
Figure 2. A linear regression was performed to 
model the average expected XP per minute of 
Duolingo usage. The lines above and below the 
regression line are the 95% confidence interval 
for this average expected value. The statistics for 
this regression are shown in Table 2. 
Figure 2 
Table 2. Descriptive statistics 
R2 
Deg. of 
Freedom 
t-value
87.7% 88 1.987
Predicted 
Coefficient 
Lower 95% 
Conf. Int. 
Upper 95% 
Conf. Int. 
4.65 3.92 5.38
4．Discussion
(i) Time on Platform
In examining the amount of time that 
participants spent using Duolingo, the largest 
single group (25 students, or almost 28% of 
participants) used the app for less than 100 
minutes. Overall, 78 participants (almost 87%) 
did not complete the requirement set by the 
teacher to study for 600 minutes. These results 
suggest that, for students who do not have strong 
motivation to study on their own or who do not 
possess the self-discipline to schedule their daily 
study times, the potential benefit of “enhancing 
learner autonomy” may be missed. The 
participants in this study are required to take 
Communication English as a compulsory subject, 
and past research (Broderick, 2013) profiled 
students in a similar cohort as having relatively 
low motivation to study English. Duolingo may 
not be well matched to such learners. 
(ii) Awarded XP and Time
The data for awarded XP and time on platform 
shows that there is a large amount of variation 
between users. Users studying at higher levels 
tend to receive higher XP rewards for completing 
a given lesson or level test.  
A linear regression performed on the student 
data suggests that the new prediction equation 
XP = 4.65 (minutes) is a better model for awarded 
XP than that used in my previous study 
0
1000
2000
3000
4000
5000
0 100 200 300 400 500 600 700 800
Du
ol
in
go
 X
P 
Aw
ar
de
d
Time on Platform (Minutes)
Duolingo XP vs. Time on Platform
Student Data
Regression
Upper CI
Lower  CI
XP = 4.65 x (minutes)
(95% CI: 3.92 ‐ 5.38)
Frequency Histogram of Time on Platform
30
25
20
15
10
5
0
0-100 101-200 201-300 301-400 401-500 501-600 601-700 701-800
Time (Minutes)
N
um
be
r o
f P
ar
tic
ip
an
ts
27東京電機大学総合文化研究　第20号　2022年
(Broderick, 2021) which was XP = (minutes). It is 
still not a perfect model, considering the large 
amount of variation between users, but we can 
conclude that this is a very significant change 
and means that, on average, students acquire XP 
at a much faster rate than previously assumed. 
 
(iii) Application to Past Studies 
Taking into account these new findings and 
applying them to the past results means that 
students potentially improved their TOEIC BT 
scores at a rate of 0.121  4.65 = 0.563 points per 
hour of study. Veselinov and Grego’s (2012) study 
claimed that students acquired a semester’s 
worth of knowledge in an average of 34 hours of 
Duolingo use. Whether a TOEIC BT score 
increase of 0.563  34 = 19 points is equivalent to 
a semester’s worth of knowledge is an open 
question, but it does warrant further research 
into this area. 
 
(iv) Directions for Future Research  
Future studies should utilize a control group 
and treatment group comprised of similar 
students, the former studying with traditional 
methods, and the latter studying using Duolingo, 
to more accurately assess the effects of Duolingo 
on TOEIC BT scores. Now that the app provides 
educators with actual information regarding user 
study times, there will be no need to utilize a 
model such as the one produced in the current 
study; any future study will be able to correlate 
TOEIC BT score increases with study time 
directly and determine the effectiveness of 
Duolingo.  
  
 
5．Conclusions 
 
In a past study (Broderick, 2021) I stated that 
Duolingo does not provide an efficient means of 
improving standardized test scores such as the 
TOEIC Bridge Test. In light of the current 
findings, Duolingo may be up to 5 times more 
effective than previously measured and further 
research is very much needed in this area. Future 
studies can utilize the more comprehensive data 
reporting tools that are now available to 
researchers using the platform, and should be 
able to provide much more accurate results. 
Regarding actual time on platform, the 
majority of participants did not use Duolingo as 
often as directed, with the suggested level being 
one 10-minute lesson per day. While Duolingo 
may be seen as a good way to grant learners 
autonomy and control over their own studies, 
these benefits are best realized in students with 
high levels of motivation and self-discipline. 
 
References 
 
Blanco, C. (2020). 2020 Duolingo Language Report: Global 
Overview. Retrieved Aug. 2022 from 
https://blog.duolingo.com/global-language-report-2020/ 
Broderick, J. (2013). Profiling the motivation of TDU English 
learners. Bulletin of Tokyo Denki University, Arts and 
Sciences 11, 139-148.  
Broderick, J. (2021). Does Duolingo improve TOEIC scores? 
Investigating a language learning app in Japanese 
university classes. OnCue Journal Special Issue Vol. 2, 
28-34. 
Field, A. (2009). Discovering Statistics Using SPSS (3rd 
edition). London: Sage. 
Krashen, S. (2014). Does Duolingo “trump” university-level 
language learning? The International Journal of 
Foreign Language Teaching 9(1), 13-15. 
Munday, P. (2016). The case for using Duolingo as part of the 
language classroom experience. Revista 
Iberoamericana de Educacion a Distancia 19(1), 83-
101. 
Veselinov, R., & Grego, J. (2012). Duolingo Effectiveness 
Final Report. Manuscript available through Duolingo.
 
Bulletin of Tokyo Denki University. Arts and Sciences No.20 202228


Duolingo XP and Time on Platform ―Modeling the User Experience of a Language Learning Application―

岩崎, 順哉

イワサキ, ジュンヤ

IWASAKI, Jun-ya

Risk Management Strategies for Counterfeit Products and Technology Leakage ― Research of Imitations of Manufacturing Equipment in East Asian Countries ―

日高, 浩一

青木, 駿

アオキ, シュン

遠藤, 快

エンドウ, カイ

      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
課題番号 Q20T-02 
課題名（和文） 
走行環境を考慮したエコ走行運転と実走行運転とのずれの定量化を組み込ん
だ制御設計の構築 
課題名（英文） 
Design of Model predictive control with a reference trajectory based on the gap 
between  eco-drive control and driver operation 
研究代表者 
所属（学部、学科・学系・系列、職位） 
工学部、電気電子工学科、教授 
氏名 日高 浩一 
共同研究者 
所属（学部、学科・学系・系列、職位） 
工学部、電気電子工学専攻、修士学生 
氏名 青木 駿 
所属（学部、学科・学系・系列、職位） 
工学部、電気電子工学専攻、修士学生 
氏名 遠藤 快 
所属（学部、学科・学系・系列、職位） 
 
氏名 
所属（学部、学科・学系・系列、職位） 
 
氏名 
 
研究成果の概要（和文） 
本研究では燃費向上の駆動部制御に利用するモデル予測制御(Model Predictive control: MPC)に運転者の特性
を考慮する設計法を提案し、MATLAB/ Simulink を利用したシミュレーションで有効性を示した。 
駆動部制御ではエンジンおよびモータの各回転数を制御するための指令値である各トルクを走行に応じた評価
関数の重みを変化させる MPC 設計法を提案し、テスト走行、実走行データでのシミュレーションで平均 2km/L
の燃費向上を達成した。また、MPC で必要な参照軌道設計設計に、強化学習を応用して運転者の特性を利用す
る設計法を提案した。 
 
研究成果の概要（英文） 
We proposed a design of novel weighting coefficients for MPC (Model Predictive Control) and a reference 
trajectory for MPC. First, the proposed MPC makes the coefficients variable according to driving 
conditions, i.e., varying the weighting effects at the stage of decreasing speed. Furthermore, we proposed a 
reference trajectory for MPC using reinforcement learning. We proposed the trajectory design based on 
reinforcement learning. In the design, the policy has two controllers. The controllers switch by lateral 
distance. The proposed MPC with varying the weighting effects and trajectory design are simulated using 
MATLAB/Simulink and these validity were evaluated. 
      Annual Report 
東京電機大学           The Research Institute for Science and Technology 
総合研究所年報           Tokyo Denki University                     
 
 
1.研究開始当初の背景 
現在提案されてきた HEV 駆動部制御設計では運転
者が操作する速度は代表的なドライビングサイクル
で表しかつ既知としているため、走行環境に依存し
て変化する実走行中での運転者の操作は考慮されて
いない． 
2.研究の目的 
高燃費走行が難しいと考えられる市街地などの中低
速環境下に対して，提案する LPV モデルを利用して
高燃費を達成するモデル予測制御を利用した駆動部
制御設計法を提案し、テスト走行と共に実際の走行
データを利用したシミュレーションにより有効性の
検討を行う．さらに MPC で必要な参照軌道設計に
強化学習を利用し運転者の特性を考慮した設計法も
提案する． 
3.研究の方法 
3.1 モデル予測制御のための可変重み設計法 
正規分布を利用して無相関の変動パターンで燃費変
化，エンジン回転数および充電率に関係する重み係
数を変化させ，時系列燃費で急激な変化が見られた
時間帯のエンジン・モータおよびジェネレータの回
転数およびトルクと重み変化の関係を解析し，以下
に示す可変重み係数設計法を提案した． 
(1) 固定値 60 で開始し，車速が減速した時 60-10 =  
50 に変更する． 
(2) 減速が続く場合，重み係数を 5 低減させ，減速 
している間(2)を繰り返す． 
(3) 重み係数の下限値 20 に到達した場合，60 へリ 
セットして(1)から(3)を繰り返す． 
3.2 参照軌道設計法 
強化学習を利用して繰り返しの動作により得られる
軌道を参照軌道とする設計法を提案した．今回は車
線変更のステアリング動作を対象とし，移動距離と
ヨ－角加速度の 3 状態に対して報酬関数および行動
価値関数である Q 値を更新し，得られた Q 値テーブ
ルの最大値をとるステアリング角度をドライバ－の
操作入力として移動を行い，最終軌跡を参照軌道と
する． 
4.研究成果 
4.1 モデル予測制御のための可変重み設計法 
燃費テストで利用されるWLTP走行および3週間分
の実走行データを利用した燃費結果が以下となり提
案法の有効性が確認できた． 
表 1 各走行の燃費結果 
走行サイクル 提案法 固定型(係数：60) 
WLTP 35.7 km/h 25.5 km/L 
実走行 22.0 km/L 17.1 km/L 
4.2 参照軌道設計法 
乗り心地を含む報酬関数，乗り心地を含めない報酬
関数および各報酬関数の重み係数も学習により可変
とした報酬関数を利用した移動軌跡により次の結果
を得た．ヨ―角加速度から乗り心地の考慮ありなし
で最大加速度に大きな違いは現れない結果となっ
た．一方で各報酬関数の重みを変えた結果は少し不
快の目安の 0.63m/s2 未満まで低減できる結果を得
た．その結果，報酬関数の配分を状態により適宜変
更することが重要であることを確認した． 
5.主な発表論文等 
〔学会発表〕（計 9 件） 
① 遠藤快，日高浩一，燃費向上のための走行状況
に応じた可変型重み係数設計法 第 9 回 計測
自動制御学会マルチシンポジウム(MSCS2022), 
3G2-2(6 ページ)，2022. 
② 遠藤快，日高浩一，走行状況に応じた可変型重
み係数設計法，第 22 回 計測自動制御学会 シ
ステムインテグレーション部門講演会,  
pp.2138-214, 2021.  
③ 青木駿，日高浩一，強化学習を利用するモデル
予測制御の設計法の検討，第 9 回 計測自動制御
学会マルチシンポジウム(MSCS2022), PS3-4，
2022. 
④ 青木駿，日高浩一，２輪車両モデルに対して強
化学習を利用した車線変更動作の検討,  2021
年電気学会 電子・情報・システム部門大会, 
pp.1086 - 1089, 2021. 
 
                                                      
 
 


走行環境を考慮したエコ走行運転と実走行運転とのずれの定量化を組み込んだ制御設計の構築

東京電機大学博士（工学）2021doctoral thesi

金杉, 和弥

カナスギ, カズヤ

KANASUGI, Kazuya

Study on optical characterization for application of the amorphous carbon coatings to medical devices in touch with cells

CHINEN, MICHAEL

チエン, マイケル

Probabilistic Models of Speech Quality

長谷川, 雄史

ハセガワ, タケフミ

HASEGAWA, Takefumi

Robust recognition methods for autonomous driving against sudden changes of driving environment conditions

Not a member yet