tech-seminar.jp

　自動車産業をはじめとして、さまざまな産業界でモデルベース開発の重要性が認識されてきました。本セミナーでは、究極のモデルベースアプローチであり、センシング、制御、あるいは機械学習などのAI の分野と密接な関係をもつカルマンフィルタについて述べます。特に、カルマンフィルタの実践を目指すユーザを対象として、カルマンフィルタを利用する上で有益な情報を提供することを目的とします。
　本セミナーでは、カルマンフィルタの基礎理論について、一度は勉強したことがある方を対象にします、したがって、時系列データの状態空間表現や線形カルマンフィルタのアルゴリズムについてはある程度の知識があることを前提とします。
　本セミナーでは、まず、線形カルマンフィルタのアルゴリズムを紹介し、数値例を通してカルマンフィルタの仕組みについて学習します。続いて、代表的な非線形カルマンフィルタである拡張カルマンフィルタ (EKF) と無香料カルマンフィルタ (UKF) のアルゴリズムを説明し、非線形カルマンフィルタを用いた状態とパラメータの同時推定を導入します。また、カルマンフィルタの数値的不安定性について述べ、その問題点に対処するUD分解フィルタを導入します。さらに、カルマンフィルタの2つの応用例を紹介します。時間があれば、ロバストフィルタの考え方について紹介したいと思います。

　AI・ディープラーニング・機械学習は、生産ライン、医療、インターネットサービスなど、様々な分野で応用・実用化され、多くの人がこの技術にさらなる期待を寄せています。しかし、もちろんAIや機械学習がなんでもできるわけではありません。何ができて何ができないのか、これをしっかり理解するためには機械学習の基本原理を理解することが重要です。
　本講では、AIや機械学習を導入したいと考えているが機械学習でどんなことができるのかをきちんと理解したい、知りたい方に向けて、機械学習の考え方の道筋、基本的な重要な概念をじっくり説明します。数式はできるだけ使わずに、グラフを使って直感的な解説をします。

本セミナーでは、画像認識問題を題材に、Deep Learning及び、Deep Learningのプログラミングについて解説いたします。

　自動車産業をはじめとして、さまざまな産業界でモデルベース開発の重要性が認識されてきました。本セミナーでは、究極のモデルベースアプローチであるカルマンフィルタについて、できるだけわかりやすく解説することを試みます。カルマンフィルタは、対象である時系列、あるいはシステムの数学モデルが与えられたとき、雑音が混入した観測データから対象の状態を推定 (フィルタリング) する方法です。
　本セミナーでは、カルマンフィルタの基礎理論について詳細に解説します。センシング、制御、あるいは機械学習などのAI の分野とカルマンフィルタの関係についても述べます。できれば、古典制御や現代制御、確率過程などの知識をお持ちの方が望ましいですが、高等学校の数学の知識があれば、本セミナーを理解できるようにお話ししたいと考えています。
　本セミナーでは、まず、線形カルマンフィルタのアルゴリズムを紹介し、数値例を通してカルマンフィルタの仕組みについて学習します。つづいて、非線形カルマンフィルタの考え方を簡単に述べます。最後に、カルマンフィルタを利用する上で重要である時系列データのモデリングについてもお話しします。

本セミナーでは、画像・音声・動画認識などの様々な技術を高精度化させるディープラーニングについて、基礎から学習法、各技術への応用例、自律ロボットの動作・言語学習などについて解説いたします。

本セミナーでは、自動運転の要素技術について取り上げ、自動運転時のドライバ状態推定、自動運転異常時のドライバの応答評価、自動運転に関わる法規制など、スムーズで安全な運転権限移譲の実現へ向けた研究事例と課題について詳解いたします。

本セミナーでは、実験計画に機械学習技術を導入するための必要知識を事例とともに解説いたします。

本セミナーでは、最近注目されているDeep Learning (ディープラーニング) について、基礎的なところから応用事例まで解説いたします。