イヌやウマなどの伴侶動物は、家畜化を通して、ヒトと関わりヒトの使役に使われるだけでなく、ときにはヒトの感情やヒトの認知を予測して行動するパートナーとして選択されてきた。これらの動物はなぜヒトとともに共生できたのであろうか。ヒトと動物は様々な社会的シグナル（視線・動作・音声）などを通じて情報を相互にやりとりする。新学術領域「認知的インタラクションデザイン学」のＢ班のプロジェクトでは、これらの社会的シグナルを、馬術訓練や盲導犬訓練等の場面で定量的に観測することで、ヒトや動物がどのような社会的シグナルを使うのかを抽出し、それらの社会的シグナルが弁別または強化刺激になるのかどうかを実験によって検証するプロジェクトを進めている。 本講義では、これらのプロジェクトの一部を紹介し、社会的シグナルの認知や，社会的シグナルによる強化の認知モデルの可能性について議論したい。

4. •
• →
•
•

5. 1
A01
A02
2
B01
3
C01
C02
A01, A02 B01
C01, C02
− ..

6. Human-animal interac7on
.
•
?
•
•
•
•
•
•

7. •
•
•
•
Dog ( / Horse ( ) / Monkey (

8. Basis of human-machine interacCon
ApplicaCon for trainer
Understanding non-verbal communicaCon
B01 Road-map
CogniCve modeling of human-
animal interacCon and its model-
based analysis
Decision Decision
Social Signals
Data acquisiCon of behavior in real world
Experiment of Social cogniCon and learning
InteracCon learning model

9. B01 Approach
(
)
( )

10. B01 Approach
(
)
( )

11. Cme
Mutual learning
In human-animal
interac7on
Human (Trainer)
Animals (Learner)
Explora7on
Selected important signals
~ commands Convergence of
“Commands”
Various behavior Selected important behavior Convergence of
Behavior
Learning other’s mental model
AssociaCon between commands and behavior
l
l
How human-commands and animal-behavior were changed through mutual-learning?

13. Session (day)

14. •
•
•
•
•
•
•
•
:
• →
• →
•

15. B01 Approach
(
)
( )

16. Data acquisi7on of social / physiological signals
Observing behavioral and physiological signals in
humans and animals
Eye movement / Vocal /video
MoCon capturing
Physiological data heartbeat/
body (face) temperature / EMG

17. Data acquisi7on of social / physiological signals
Head mount

18. 分析対象のデータ l
l
l
Ø
Ø
Ø
1
2 3
4 5 6

19. ウマの歩法の自動判別
判定者によるビデオでのウマの動作判定
主観的・時間的正確性の限界＋労力！
→客観的・サブ秒での検出 ＋ 自動で！
EverySense,Inc.

20. ウマの歩法の自動判別
ウマの腹帯に装着した3軸加速度センサーより
ウマの歩法を自動判別を試みる
前処理
100 200 300 400 500 600 700 800 900 1000
2
4
6
8
100 200 300 400 500 600 700 800 900 1000
2
4
6
8
2 4 6 8 10 12 14 16 18
0
10
20
30

21. ウマの歩法の自動判別
ウマの腹帯に装着した3軸加速度センサーより
ウマの歩法を自動判別を試みる
Infinite Gaussian mixture model (IGMM)によ
る分類
(Rasmussen 2000 NIPS)

22. ウマの歩法の自動判別
1. 馬術審判員歩法タグとの高い一致率
（94.98 1.37% ）
2. 馬術審判員がつけた歩法以外のクラスの検出
IGMMを用いることで，人の目での判定が困難な
歩法の乱れや運動の特徴などを、自動的に検出
応用可能性：
跛行診断や乗馬のパフォーマンス分析

23. ウマの歩法の自動判別
IGMMにて歩法の自動判別が可能に
しかし，約2秒ごとにウマの歩法のタグ付けを
行っているため，歩法が切り替わる瞬間を
判別することができない
ヒト­ウマインタラクションにおいて，歩法が
切り替わる瞬間を判別することは重要
例）歩法が切り替わる○ms前に，ヒトが手綱を
ひく

24. 2．安定性解析
1. IGMMで1000time step 以上安定していた
時刻の加速度をt,t+1,t+2の3次元空間にプロット

25. 0 100 200 300 400 500 600 700 800
0
0.02
0.04
0.06
0.08
0.1
0 100 200 300 400 500 600 700 800
0
2
4
6
8
ヒト側の行動のタグ付け（なみあし→はやあし）
1. 拍車を行う（かかとでお腹をたたく），
しかし手綱はゆるめていない（まだはやく走るな）
→はやあしに入る準備段階（ウマに注意を促す）
2. 拍車を行う，手綱もゆるめる→はやあしに
1 2
walk
trot
Time step
Likelihood Label

26. • 3
• iGMM
• 95%
•
•
• 0.3
•
•
•

27. B01 Approach
(
)
( )

29. Pointing

30. •
poinCng
• PoinCng :
•
ex.
•
•

31. B01 Approach
(
)
( )

32. 1.
2.
3.
(Marr 1948-1980)

34. 3
Ø
Ø
Ø
Ø
Ø
Ø
Ø
Ø
(Marr 1982)

35. •
•
•