JP7389825B2 - 情報処理装置、情報処理方法、及びプログラム - Google Patents

Description

本発明は、情報処理装置、情報処理方法、及びプログラムに関する。

従来、ＩＭＵ（inertial measurement unit：慣性計測ユニット）の出力する角速度や、加速度を表す信号を校正する方法として、次のような方法が知られている。

従来の方法の一例では、加速度の信号を校正する方法として、ＩＭＵを含むデバイスが静止している状態であると判定したときにＩＭＵが出力する信号（バイアス誤差）と、出力される信号から推定される計測値の最大値と、実際の計測値の最大値との差（スケールファクタ誤差）と、さらに非直交性誤差とを校正する方法が知られている。

具体的にはバイアス誤差を表すベクトル（Ｘ，Ｙ，Ｚ軸方向の各成分からなる３次元のベクトル）ｄと、スケールファクタ誤差を表す対角行列（３×３の行列）Ｓと、非直交性誤差を表す上三角行列Ｔ_Nとを用い、ＩＭＵが出力する加速度の信号（上記３軸の各成分を含むベクトル値の信号）ｉｍｕを、
ｉｍｕ′＝Ｔ_NＳ（ｉｍｕ＋ｄ）
と補正して、この補正後の加速度の値ｉｍｕ′を用いてデバイスの位置等の推定を行うこととしていた。

しかしながら、上記従来例の校正の方法では、ＩＭＵが備えるセンサの歪みによる誤差や、力を受ける向きによる感度差による誤差が校正できない。さらに、上記従来例のように信号を補正しても、ホワイトノイズ誤差等、除去できない誤差もあるため、長時間に亘る時間積分等の処理に供することは実用的でない。
また、ＩＭＵから、実質的に同一の信号が予め定めた回数以上連続して得られたときにデバイスが静止していると判断する場合、デバイスが低速で移動している状況では静止していると判断されやすいという問題がある。また、デバイスの動き始めは静止と判断されやすく、この場合は、次にデバイスが静止するときのデバイスの位置の情報に誤りが生じる。

このように、上記従来のＩＭＵの出力を校正する方法では、ＩＭＵの出力に基づいてデバイスの位置を推定することが容易でないという問題点があった。

本発明は上記実情に鑑みて為されたもので、ＩＭＵが出力する信号の誤差をより低減でき、また、ＩＭＵが出力する信号に基づいて、ＩＭＵを含むデバイスの位置の推定を実用的なものとする情報処理装置、情報処理方法、及びプログラムを提供することを、その目的の一つとする。

本発明の一態様に係る情報処理装置は、所定の時刻ＴSから時刻ＴEまでの間に複数の入力データを逐次的に受け入れる手段と、前記受け入れた入力データに基づいて、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の推定データを推定する状態に機械学習されたモデル情報を用い、前記受け入れた入力データに基づく、前記時刻Ｔの時点での推定データを推定する推定手段と、を含むこととしたものである。

また本発明の一態様に係る情報処理装置は、慣性計測ユニットを備えたデバイスから、当該慣性計測ユニットの出力を受け入れる手段と、前記受け入れた慣性計測ユニットの出力に基づいて、前記デバイスの姿勢情報を推定する手段と、当該推定される姿勢情報に基づく情報を入力データとし、当該入力データと、前記慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差との関係を少なくとも機械学習した状態にある第１の機械学習モデルを用い、当該第１の機械学習モデルに、前記推定した前記デバイスの姿勢情報に基づく情報を入力して、前記デバイスが備える慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差を少なくとも推定する推定手段と、を有し、当該推定されたバイアス誤差が、前記慣性計測ユニットが出力する移動加速度の校正の処理に供されることとしたものである。

本発明をデバイスが備えるＩＭＵが出力する信号に適用することにより、当該信号の誤差をより低減でき、また、ＩＭＵが出力する信号に基づいて、ＩＭＵを含むデバイスの位置の推定を実用的なものとすることができる。

本発明の実施の形態に係る情報処理装置の例を表す構成ブロック図である。 本発明の実施の形態に係る情報処理装置に接続されるデバイスの例を表す構成ブロック図である。 本発明の実施の形態に係る情報処理装置の例を表す機能ブロック図である。 本発明の実施の形態に係る情報処理装置が利用する第１のニューラルネットワークの構成例を表すブロック図である。 本発明の実施の形態に係る情報処理装置が利用する第２のニューラルネットワークの構成例を表すブロック図である。

本発明の実施の形態について図面を参照しながら説明する。本発明の実施の形態に係る情報処理装置１は、図１に例示するように、例えばユーザが手に持って移動操作するデバイス２に対して有線、または無線にて通信可能に接続される。

またこの情報処理装置１は、図１に示すように、制御部１１と、記憶部１２と、操作入力部１３と、出力制御部１４と、撮像部１５とを含んで構成される。本実施の形態の一例では、この情報処理装置１は家庭用ゲーム機であり、デバイス２はそのゲームコントローラであってもよい。

本実施の形態の例では、このデバイス２は、ユーザが手に把持して利用するコントローラデバイスである。このデバイス２には、例えば円柱状の筐体を有し、当該筐体にＬＥＤなどのマーカーＭが配されているものでもよい。情報処理装置１は撮像部１５で撮像した画像からユーザが手に把持したデバイス２のマーカーＭを検出して、デバイス２の位置や向き等の姿勢情報を取得してもよい。

またこのデバイス２は、図２に例示するように、慣性計測ユニット（ＩＭＵ）２１と、コントローラ２２と、通信部２３とを含んで構成される。ここでＩＭＵ２１は、互いに直交する３つの軸方向の加速度を計測する加速度センサ（３軸加速度センサ）と、ジャイロセンサとを含む。またこのＩＭＵ２１は、方位を推定するため、磁気センサが含まれてもよい。

コントローラ２２は、マイクロプロセッサ等であり、内蔵するメモリ等に格納されたプログラムに従って動作する。このコントローラ２２は、ＩＭＵ２１が出力する加速度センサの計測値（上記３軸方向のそれぞれへの移動加速度を表す値）である加速度情報ａと、ジャイロセンサの表す角速度の値ωとを所定のタイミングごと（ここでの例では一定の時間間隔Δｔごと）に繰り返し得て、通信部２３に出力する。

通信部２３は、有線または無線にて情報処理装置１との間で通信可能に接続されており、コントローラ２２が出力する加速度情報ａと、角速度の値ωとを表す信号を、情報処理装置１に対して送出する。

また、情報処理装置１の制御部１１は、ＣＰＵ等のプログラム制御デバイスであり、記憶部１２に格納されたプログラムに従って動作する。例えばこの制御部１１は、ゲームアプリケーションの処理として、利用者によるデバイス２の移動操作等に基づいてゲームアプリケーションの処理を実行する。

具体的に本実施の形態の制御部１１は、デバイス２から加速度情報ａと、角速度の値ωとを表す信号の入力を受けて、次の処理を実行する。ここで受け入れる加速度情報ａと、角速度の値ωとはいずれもデバイス２に固有な座標系（センサ座標系）での値である。この座標系は、例えば円柱状をなすデバイス２の長手方向（円柱の回転対称軸の方向）をζ軸とし、これに垂直な面内であって、デバイス２をユーザが把持したときに、ユーザ側となる方向を例えばη軸、上記面内で、ζ，η軸に直交する方向をξ軸として、このξηζ直交座標系とする。

制御部１１は、まず角速度の値ωから、デバイス２の姿勢を推定する。本実施の形態の例では、制御部１１は、角速度の値ωに対してマッジウィックフィルタ（Madgwick Filter：Madgwick, An efficient orientation filter for inertial and inertial/magnetic sensor arrays, Technical Report, University of Bristol, UK., 2010.）を適用し、当該マッジウィックフィルタが出力する姿勢の推定結果に基づいて姿勢クオタニオンｑを求める。この姿勢クオタニオンｑが本発明の姿勢情報に相当する。ここで求められる姿勢クオタニオンｑの各成分は、グローバル座標系（デバイス２の姿勢に関わらない座標系、例えば重力方向をＹ軸、これに垂直な床面であって、ユーザの前方方向をＺ軸、Ｚ，Ｙ軸に直交する、上記床面内の軸方向をＸ軸としたＸＹＺ直交座標系など）で表される回転軸方向を表すベクトルと、当該回転軸周りの回転角ｗとを含む。

また制御部１１は、姿勢クオタニオンｑを入力として、加速度のバイアス誤差のベクトル値と、加速度のスケールファクタ誤差を表す行列の対角成分との推定値を出力するよう機械学習された状態にある第１のニューラルネットワークを利用し、デバイス２から受け入れた角速度得られた姿勢クオタニオンｑをこの第１のニューラルネットワークに入力して、対応する加速度のバイアス誤差のベクトル値と、加速度のスケールファクタ誤差を表す行列の対角成分とを推定する。

制御部１１は、ここで推定したバイアス誤差のベクトル値とスケールファクタ誤差の行列（推定された対角成分を対応する要素に配した行列）とを用いて、デバイス２から受け入れた加速度情報ａからこれらの誤差を除去した誤差除去後の加速度情報ａ′を求める。

制御部１１は、誤差除去後の加速度情報ａ′と、姿勢クオタニオンｑとを用いて、加速度の値を、グローバル座標系の加速度情報ａｇに変換する。さらに制御部１１は、所定の時刻ＴSから時刻ＴEまでの間に逐次的に得られる上記加速度情報ａｇを入力データとして、当該入力データに基づいて、時刻Ｔ（Ｔ＝ＴS＋Δτであり、このΔτは予め定めておく、ただし、ＴS＜Ｔ＜ＴE）の時点での所定のグローバル座標系での加速度の真の値を推定して出力するよう機械学習された状態にある第２のニューラルネットワーク（モデル情報）を利用して、上記入力された加速度情報ａｇに基づいて上記時刻Ｔの時点での推定データである、加速度の真の値の推定値αを得る。

制御部１１は、この時刻Ｔの時点での加速度の推定値αと、この時刻Ｔ以降、時刻ＴＥまでに得られた加速度情報ａｇとを用いて、グローバル座標系での速度の値と、位置の値とを得る。この制御部１１の詳しい処理の内容については、後に述べる。

記憶部１２は、ディスクデバイスやメモリデバイスをふくみ、制御部１１によって実行されるプログラムを保持する。このプログラムは、コンピュータ可読かつ非一時的な記録媒体に格納されて提供され、この記憶部１２に格納されたものであってもよい。

操作入力部１３は、コントローラであるデバイス２から入力される信号を制御部１１に出力する。この信号には既に述べた加速度情報ａと、角速度の値ωとを表す信号が含まれる。

出力制御部１４は、ディスプレイ等の表示デバイスに接続され、制御部１１から入力される指示に従って画像を表示する。撮像部１５は、カメラ等であり、所定の方向の画像を撮像して制御部１１に出力する。本実施の形態では、この撮像部１５は、ユーザが所在する方向の画像を撮像するよう設置される。

次に、本実施の形態の制御部１１の動作について説明する。本発明の実施の形態に係る制御部１１は、記憶部１２に格納されたプログラムを実行して、図３に例示する機能的構成を実現する。

制御部１１は、機能的に、検出値受入部３１と、角速度誤差除去部３２と、姿勢推定部３３と、加速度誤差除去部３４と、座標変換部３５と、ノイズ除去部３６と、速度推定部３７と、位置推定部３８とを含んで構成される。

検出値受入部３１は、デバイス２から加速度情報ａと、角速度の値ωとを表す信号の入力を受け入れる。検出値受入部３１は、受け入れた角速度の値ωを、角速度誤差除去部３２に出力する。また、この検出値受入部３１は、受け入れた加速度情報ａを、角速度誤差除去部３２及び姿勢推定部３３と、加速度誤差除去部３４とに出力する。ここで角速度の値ωには、ξ軸周りの回転角度（ヨー角）と、η軸周りの回転角度（ピッチ角）及び、ζ軸周りの回転角度（ロール角）とのそれぞれの角度方向に対する角速度の値が含まれる。

角速度誤差除去部３２は、所定のタイミング（例えば最初に角速度の値が入力された時点）で、ユーザに対して一時的に静止するように指示する画面を表示するよう、出力制御部１４に指示する。そしてこの角速度誤差除去部３２は、ユーザが静止したと判断したとき（例えばデバイス２が所定のタイミングごとに出力する角速度の値の各成分のノルム（二乗和）が、所定の回数だけ連続して予め定めたしきい値を下回ったと判断したとき）に、その時点での角速度の値を複数回取得して、その平均を、ロール、ピッチ、ヨーの各成分ごとに角速度バイアスとして求める。角速度誤差除去部３２は、ここで求めた角速度バイアスを記憶部１２等に保持する。その後、角速度誤差除去部３２は、ユーザに対してキャリブレーションが終了したことを示す画面を提示するよう出力制御部１４に指示する。

また角速度誤差除去部３２は、角速度バイアスを得た後は、入力された角速度の値ωの各成分の値から、対応する角速度バイアスの成分の値を差し引いて、キャリブレーション後の角速度の値ω′を出力する。

姿勢推定部３３は、角速度誤差除去部３２が出力する角速度の値ω′からドリフト誤差を除去するとともに、センサ座標系での重力方向のベクトルを推定し、グローバル座標系でのデバイス２の姿勢を表す姿勢クオタニオンｑを生成して出力する。

この姿勢推定部３３の動作は、例えばマッジウィックフィルタを用いた広く知られた方法を採用できるので、ここでの詳しい説明は省略する。

加速度誤差除去部３４は、図４に例示するように、入力層４１と、中間層４２と、出力層４３とを含む第１のニューラルネットワークを用いて、姿勢クオタニオンｑから加速度バイアス値ｄ及び加速度スケールファクタの値ｓを推定する。

この第１のニューラルネットワークは、各層間を全結合ネットワークで結合したものであり、入力層４１及び中間層４２は活性化関数として例えばＲｅＬＵ等の公知のものを採用する。

本実施の形態の例では、第１のニューラルネットワークの各層間の結合重みやバイアス情報等の学習パラメータは、デバイス２ごとに、デバイス２の工場出荷前に生成される。この学習パラメータは、例えばデバイス２内に不揮発性のメモリを配してこのメモリ内に格納されていてもよい。この場合はデバイス２が情報処理装置１に接続された際に、デバイス２から学習パラメータが情報処理装置１へ転送され、情報処理装置１は、この第１のニューラルネットワークの各層間の結合重みを、この学習パラメータによって設定して、第１のニューラルネットワークを利用する。あるいは、デバイス２ごとに固有な識別情報を割り当てておき、ネットワークを介してアクセス可能なサーバに、識別情報に関連付けて、当該識別情報で識別されるデバイス２について予め機械学習して得られている学習パラメータを保持しておいてもよい。この場合、デバイス２が情報処理装置１に接続された際に情報処理装置１がデバイス２の識別情報を参照し、当該識別情報に関連付けてサーバに保持されている学習パラメータを取得して、の第１のニューラルネットワークの各層間の結合重みを設定する。

またこの学習パラメータは、次のようにして得られる。デバイス２を本実施の形態の情報処理装置１に接続し、デバイス２を複数の姿勢で静止させた状態とする。そして情報処理装置１の制御部１がデバイス２が静止した状態であると判断したときに、上記姿勢推定部３３が出力する姿勢クオタニオンｑを入力とし、加速度情報ａが加速度バイアス値ｄとして出力されるように機械学習を行う。また、加速度スケールファクタ値（加速度スケールファクタ誤差を表す行列の対角成分）ｓについては、その各成分の値が、姿勢クオタニオンｑの値によらずに一定となるよう機械学習する。

この機械学習の処理は、姿勢クオタニオンｑを入力層４１に入力したときの第１のニューラルネットワークの出力層４３の出力の各値と、当該各値に対応する加速度情報ａ及び予め定めた加速度スケールファクタ誤差を表す行列Ｓの各成分の値ｓとの差に基づくバックプロパゲーションの処理など、広く知られた方法を用いて行われる。

またここでの例では、第１のニューラルネットワークに入力される入力データは姿勢クオタニオンｑであるものとしたが、本実施の形態はこれに限られるものではなく、環境温度（デバイス２が備える、図示しない温度センサが計測した温度）や、デバイス２の動作時間（電源がオンとなってからの経過時間）、湿度（デバイス２が備える、図示しない湿度センサが計測した湿度）をさらに含んでもよい。

さらにここではデバイス２が静止した状態にあるときの加速度情報ａを教師データとしたが、本実施の形態はこれに限らず、デバイス２がユーザによって移動されている間の、デバイス２の振動の大きさや加速度の変化（加速度情報ａの時間変化）を姿勢クオタニオンｑとともに入力データに含めてもよい。

なお、デバイス２が静止した状態であるか否かの判断は、例えば、
・デバイス２が所定のタイミングごとに出力する角速度の値の各成分のノルム（二乗和）が、所定の回数だけ連続して予め定めたしきい値を下回ること、
・デバイス２が所定のタイミングごとに出力する加速度の絶対値が、所定の回数だけ連続して予め定めたしきい値を下回ること、あるいは、
・デバイス２が出力した加速度の時間差分（デバイス２が異なるタイミングで出力する二回分の加速度の差）の絶対値が、所定の回数だけ連続して予め定めたしきい値を下回ること、
などを判断することで行うことができる。

また、制御部１１の加速度誤差除去部３４は、第１のニューラルネットワークを用いて推定した加速度バイアス値ｄと、加速度スケールファクタ値ｓとを用いて、加速度情報ａからこれらの誤差を除去する。なお、加速度バイアス値ｄ及び加速度情報ａは、いずれもセンサ座標系の各成分方向の加速度の値を含む３次元のベクトルであり、加速度スケールファクタ値ｓは、スケールファクタ誤差を表す対角行列（３×３の行列）Ｓの各対角成分を表す。

本実施の形態の例では、加速度誤差除去部３４は、誤差を除去した加速度情報ａ′を、
ａ′＝Ｓ（ａ＋ｄ）
あるいは、
ａ′＝Ｓａ＋ｄ
として求める。

座標変換部３５は、加速度誤差除去部３４が出力する、誤差を除去した加速度情報ａ′（センサ座標系での値）を、姿勢推定部３３が出力する姿勢クオタニオンｑを用いて、グローバル座標系での加速度情報ａｇに変換する。

ノイズ除去部３６は、図５に例示するように、ＬＳＴＭ（Long Short Term Memory）層５１と、第１の全結合層５２と、第２の全結合層５３と、出力層５４とを含む第２のニューラルネットワークを用い、所定の時間の間に入力される複数の、グローバル座標系での加速度の値を入力データとして、最後に当該加速度の値が入力された時点より過去の時点における、グローバル座標系での加速度の真の値を推定する。

具体的に、この第２のニューラルネットワークの各層間の結合重みやバイアス等の学習パラメータは、少なくとも初期（この制御部１１が実行するプログラムのインストールの時点）では、予め定めた値に設定される。この学習パラメータは、当該少なくとも初期の状態では、デバイス２の製造元の側で生成される。

一例としてこの第２のニューラルネットワークの学習パラメータは、次のように得られる。本実施の形態の情報処理装置１は、ユーザがデバイス２を手に把持して移動させている場面を、このデバイス２を撮像部１５で撮像し、当該撮像した画像から、時刻ｔ0，ｔ1，…ｔnにおけるｎ＋１回分のグローバルのデバイス２の位置情報ｐ（ｔ0），ｐ（ｔ1）…を得る。ここでｔi+1－ｔiは、一定の時間Δｔであるとする。また情報処理装置１は、ここで得られた位置情報の時間差分ｖ（ｔ1）＝（ｐ（ｔ1）－ｐ（ｔ0））／Δｔ，ｖ（ｔ2）＝（ｐ（ｔ2）－ｐ（ｔ1））／Δｔ…を求め、さらに各時点の時間差分に対してローパスフィルタを適用して、デバイス２の移動速度の情報を得、さらに移動速度の情報の当初速度ｖ（ｔ1）との時間差分（つまり当初の時点からの速度の差分）であるＬ（ｔ2）＝（ｖ（ｔ2）－ｖ（ｔ1））／Δｔ，Ｌ（ｔ3）＝（ｖ（ｔ3）－ｖ（ｔ1））／（２Δｔ）…を求め、さらに各時点の速度の差分に対してローパスフィルタを適用して、移動加速度の教師データとする。なお、移動加速度の教師データは、さらに、ローパスフィルタ適用後の差分を累算して位置情報との整合がとれるよう補正されてもよい。これらの処理は、画像データに基づく速度や加速度の取得の処理として広く知られた種々の方法を採用できる。

一方、情報処理装置１は、このデバイス２から時刻ｔ2，ｔ2…ｔnの時点でそれぞれ入力される加速度情報ａ及び、角速度の値ωを用いて、座標変換部３５が出力する、各時点でのグローバル座標系での加速度情報ａｇ（ｔ2），ａｇ（ｔ3），…ａｇ（ｔn）を得ておく。

また情報処理装置１は、姿勢推定部３３が出力する、各時点での姿勢クオタニオンの情報ｑ（ｔ1），ｑ（ｔ2）…ｑ（ｔn）から、上記各時点でのグローバル座標系での加速度情報ａｇ（ｔ2），ａｇ（ｔ3），…ａｇ（ｔn）のそれぞれのＹ軸成分（グローバル座標系で鉛直下方方向）の値から、重力加速度に相当する値を差し引いて重力成分を除いた加速度情報ａｇ′（ｔ2），ａｇ′（ｔ3），…ａｇ′（ｔn）を得る。

さらに情報処理装置１は、各時点に対する姿勢クオタニオンの時間差分である角速度
ωｑ（ｔ2）＝ｑ（ｔ2）－ｑ（ｔ1）
ωｑ（ｔ3）＝ｑ（ｔ3）－ｑ（ｔ2）…
を求めておく。

情報処理装置１は、第２のニューラルネットワークの学習パラメータをランダムに初期化し、加速度情報ａｇ（ｔ２）からａｇ（ｔ2＋N・Δｔ）のＮ個（Ｎを２以上の自然数として、Ｎ・Δｔの時間に亘って入力される加速度情報ａｇ）及びＮ個の角速度ωｑ（ｔ2），ωｑ（ｔ3），…ωｑ（ｔ2＋N・Δｔ）を入力データとしてＬＳＴＭ層５１に入力したときの出力層５４の出力値を得る。情報処理装置１は、時刻ｔ2＋Ｍ・Δｔ（ただし０＜Ｍ＜Ｎなる自然数）の教師データＬ（ｔ2＋Ｍ・Δｔ）＝ｖ（ｔ2＋Ｍ・Δｔ）－ｖ（ｔ1）と、この出力値との差に基づいて、重力加速度を除いた加速度情報ａｇ′（ｔ2）からａｇ′（ｔ2＋N・Δｔ）及び角速度ωｑ（ｔ2），ωｑ（ｔ3），…ωｑ（ｔ2＋N・Δｔ）を入力したときの第２のニューラルネットワークの出力値が、教師データＬ（ｔ2＋Ｍ・Δｔ）に一致することとなるよう、第２のニューラルネットワークの学習パラメータを更新する。この更新の処理は、広く知られたバックプロパゲーション等の処理によって実行できる。

情報処理装置１は、この機械学習の処理を多数の入力データと教師データとの対を用いて行う。そして、第２のニューラルネットワークを、ある時刻ＴSから時刻ＴE（ただしＴE＝ＴS＋Δｔ×Ｎ）までの間に逐次的に得られる、重力加速度を除いたＮ個の加速度情報ａｇ′、及び角速度ωを入力データとして、当該入力データに基づいて、時刻Ｔ（Ｔ＝ＴS＋Δτであり、このΔτは予め定めておく、ただし、ＴS＜Ｔ＜ＴE）の時点での所定のグローバル座標系での加速度の真の値を推定して出力するよう機械学習した状態とする。

制御部１１のノイズ除去部３６は、以上に例示したように機械学習した状態にある第２のニューラルネットワークのＬＳＴＭ（Long Short Term Memory）層５１に、直近の時刻ＴSから時刻ＴEまでの間に逐次的に得られる、重力加速度を除いたＮ個の加速度情報ａｇ′と、姿勢クオタニオンｑの時間変化（グローバル座標系での角速度に相当する）である
ωｑ（ｔS＋Δｔ）＝ｑ（ｔS＋Δｔ）－ｑ（ｔs）
ωｑ（ｔS＋２Δｔ）＝ｑ（ｔS＋２Δｔ）－ｑ（ｔs＋Δｔ）
…
ωｑ（ｔS＋ＮΔｔ）＝ｑ（ｔS＋ＮΔｔ）－ｑ（ｔs＋（Ｎ－１）×Δｔ）
とを入力データとして入力する。

ノイズ除去部３６は、当該入力データに基づいて第２のニューラルネットワークが出力する、時刻Ｔ（Ｔ＝ＴS＋Δτであり、このΔτは予め定めておく、ただし、ＴS＜Ｔ＜ＴE）の時点での所定のグローバル座標系での加速度の真の値の推定値αを得る。

速度推定部３７は、前回、速度推定部３７が求めた時刻ＴSの時点での速度の値を記憶しており（当初はグローバル座標系での各成分とも「０」にリセットしておく）、この速度の値に、時刻ＴSからＴまでの間の移動加速度の推定値αを加算して、時刻Ｔでの速度の値Ｖ（Ｔ）を推定する。

また、速度推定部３７は、ここで推定した速度Ｖ（Ｔ）に対してさらに、時刻Ｔより後の時刻ｔであって、Ｔ＜ｔ≦ＴEまでの各時点での座標変換部３５の出力から重力加速度を除いて得た加速度情報ａｇ′（Ｔ＋Δｔ），ａｇ′（Ｔ＋２Δｔ），…ａｇ′（ＴE）を用い、
Ｖ（Ｔ）＋ａｇ′（Ｔ＋ΔＴ）により、時刻Ｔ＋Δｔでの速度の推定値Ｖ（Ｔ＋Δｔ）と、
Ｖ（Ｔ＋Δｔ）＋ａｇ′（Ｔ＋２Δｔ）、つまり時刻Ｔから時刻Ｔ＋２ΔＴまでの座標変換部３５の出力（重力加速度を除く）ａｇ′の累算（積分）をＶ（Ｔ）に加算して時刻（Ｔ＋２Δｔ）での速度の推定値Ｖ（Ｔ＋２Δｔ）と…
Ｖ（ＴE－Δｔ）＋ａｇ′（ＴE）、つまり時刻Ｔから時刻Ｔ＋ＴEまでの座標変換部３５の出力（重力加速度を除く）ａｇ′の累算（積分）をＶ（Ｔ）に加算して、時刻ＴEでの速度の推定値Ｖ（ＴE）と、
をそれぞれ得る。

速度推定部３７はこれら各時点での推定値を出力する。また、時刻Ｔでの速度の推定値Ｖ（Ｔ）を、次回の演算のために記憶しておく。この時刻Ｔが次回の演算の時刻ＴSとなる。

位置推定部３８は、前回、位置推定部３８が求めた時刻ＴSの時点での位置の値Ｐ（ＴS）を記憶している（当初はグローバル座標系での各成分とも「０」にリセットしておく）。そして位置推定部３８は、当該記憶している位置の値に、時刻Ｔでの速度の推定値Ｖ（Ｔ）を加えて時刻Ｔでの位置Ｐ（Ｔ）を得る。また、時刻Ｔより後、時刻ＴEまでの速度の推定値（積分の結果）を累算（積分）して、Ｖ（Ｔ＋Δｔ）＋Ｖ（Ｔ＋２Δｔ）＋…＋Ｖ（ＴE－Δｔ）＋Ｖ（ＴE）を求め、これを位置Ｐ（Ｔ）に加算して、時刻ＴEでの位置Ｐ（ＴE）を推定する。

位置推定部３８は、時刻ＴEでの位置Ｐ（ＴE）を出力して、ゲームアプリケーション等の所定の処理に供する。また位置推定部３８は、時刻Ｔでの位置の推定値Ｐ（Ｔ）を、次回の演算のために記憶しておく。既に述べたように、この時刻Ｔが次回の演算の時刻ＴSとなる。

［動作］
本実施の形態は、以上の構成を備えており、次の例のように動作する。なお、以下の説明で情報処理装置１は、第１の機械学習モデルの例である第１のニューラルネットワークと、第２の機械学習モデルの例となる第２のニューラルネットワークとを保持しており、それぞれ予め機械学習した状態としておく。

すなわち、第１のニューラルネットワークの層間の結合重みやバイアス等の学習パラメータは、デバイス２ごとに、デバイス２の工場出荷前に生成されるものである。本実施の形態の例では、この第１のニューラルネットワークの学習パラメータは、デバイス２を複数の姿勢でそれぞれ静止させた状態としたときの姿勢クオタニオンｑとデバイス２が備える温度センサの出力とを入力データとし、この入力データの状態にあるときに、デバイス２が備える慣性計測ユニットが出力する加速度情報ａを、加速度バイアス値ｄとして出力し、また入力データのうち、専ら温度センサの出力に依存する加速度スケールファクタ値ｓを出力するように機械学習を行って得たものである。

また本実施の形態の例では、第２のニューラルネットワークの層間の結合重みやバイアス等の学習パラメータは、デバイス２の姿勢や移動加速度を変化させつつ取得した、実際のデバイス２の移動加速度の情報（デバイス２を含む画像を撮像し、当該画像に基づいて得ることとすればよい）と、デバイス２が備える慣性計測ユニットが出力する角速度及び移動加速度の情報とを用いて得られる。

この例では、第２のニューラルネットワークの機械学習を行うコンピュータデバイス（情報処理装置１等）は、上記デバイス２の姿勢や移動加速度を変化させつつ取得した、複数の時点でデバイス２が備える慣性計測ユニットが出力する角速度（センサ座標系での角速度）及び移動加速度（センサ座標系での加速度情報）の情報を保持する。

そしてこのコンピュータデバイスは、上記各時点での角速度の情報に基づいて、上記各時点での姿勢クオタニオンの時間差分（グローバル座標系での角速度）を得る。またこのコンピュータデバイスは、上記各時点での移動加速度の情報から加速度バイアスや加速度スケールファクタの誤差を除き、さらにグローバル座標系での値に変換して、重力成分を差引きして、上記各時点での移動加速度の情報（グローバル座標系での加速度）を得る。

第２のニューラルネットワークの機械学習を行うコンピュータデバイスは、ある時間範囲ＴSからＴEの間のＮ個の時刻の各時点でのグローバル座標系での角速度及び加速度（重力成分を除いたもの）を入力データとしたとき、当該時間範囲内にある時刻Ｔ（ＴS＜Ｔ＜ＴE）で得られた、実際のデバイス２の移動加速度の情報（この移動加速度には、重力加速度は含まれない）を出力するよう、第２のニューラルネットワークを機械学習する。

情報処理装置１は、こうして機械学習された状態にある第１、第２のニューラルネットワークの情報を保持する。そして、情報処理装置１は、有線または無線にて接続されたデバイス２から、当該デバイス２が備える慣性計測ユニットの加速度情報ａと、角速度の値ωとを表す信号の入力を、一定のタイミングごとに繰り返し受け入れる。また情報処理装置１は、デバイス２から慣性計測ユニットが出力する角速度等の情報とともに、当該デバイス２が備える温度センサが出力する温度の情報の入力を受け入れる。

情報処理装置１は、デバイス２を保持したユーザが静止した（デバイス２が静止した）と判断したときに、その時点での角速度の値を複数回取得して、その平均を、ロール、ピッチ、ヨーの各成分ごとに角速度バイアスとして求めて保持しておく。

情報処理装置１は、角速度の値ωが入力されるごとに、当該入力された角速度ωの各成分の値から、保持している角速度バイアスの対応する成分の値を差し引いて、キャリブレーション後の角速度の値ω′を得る。さらに情報処理装置１は、ここで得た角速度の値ω′に基づいてマッジウィックフィルタを用いるなどして、センサ座標系での重力方向のベクトルを推定し、角速度の値が入力されるごとの各時点でのグローバル座標系でのデバイス２の姿勢を表す姿勢クオタニオンｑを生成する。

また情報処理装置１は、第１のニューラルネットワークを用いて、上記得られた姿勢クオタニオンｑ及びデバイス２から受けた温度の情報から、上記各時点での加速度バイアス値ｄ及び加速度スケールファクタの値を推定する。

そして情報処理装置１は、デバイス２から各時点で受けた加速度情報ａから誤差を除去した、各時点での加速度情報ａ′を、これら各時点での加速度バイアス値ｄ及び加速度スケールファクタの推定値ｓを配した行列Ｓと用いて、
ａ′＝Ｓ（ａ＋ｄ）
として求める。

情報処理装置１は、先に求めた姿勢クオタニオンｑを用いて、この誤差を除去した加速度情報ａ′（センサ座標系での値）をグローバル座標系での加速度情報ａｇに変換する。

そして情報処理装置１は、第２のニューラルネットワークを用い、時刻ＴSからＴEまでの時間の間に入力される複数の、グローバル座標系での加速度の値、及び上記姿勢クオタニオンの時間差分（グローバル座標系での角速度の値）を入力データとして、最後に当該加速度の値が入力された時点ＴEより過去の時点Ｔ（つまりＴS＜Ｔ＜ＴEなる時刻Ｔ）における、グローバル座標系での加速度の真の値を推定し、当該推定値αを得る。

また情報処理装置１は、時刻ＴSの時点での前回求めた速度の値を記憶しており、この速度の値に、時刻ＴSからＴまでの間の移動加速度の推定値αを加算して、時刻Ｔでの速度の値Ｖ（Ｔ）を推定する。

さらに情報処理装置１は、時刻Ｔから時刻ＴEまでの各時点（加速度の情報が得られている各時点）での速度の値を、Ｖ（Ｔ）に各時点での加速度情報ａ′を加算して求め、さらにこの情報を累算して、時刻ＴEにおける位置情報を求める。そして情報処理装置１は、この位置情報を、ゲームアプリケーション等の所定の処理に供する。

［重力成分］
なお、ここまでの説明では、第２のニューラルネットワークの入力データとする加速度の情報は、重力成分を除去した後の加速度の情報を用いていたが、本実施の形態はこれに限られず、重力成分を除去しない状態での（重力方向の軸、ここでの例ではＹ軸に固定の重力加速度１Ｇが加算された状態での）加速度の情報を入力データとして用いてもよい。

［ランタイム学習］
また、本実施の形態では、第１，第２のニューラルネットワークは、情報処理装置１を利用している間、つまり情報処理装置１でアプリケーションを実行している間に、ランタイムに機械学習を行ってもよい。

一例として、情報処理装置１は、デバイス２が所定のタイミングごとに出力する角速度の値ωの各成分のノルム（二乗和）が、所定の回数だけ連続して予め定めたしきい値を下回ったときに、デバイス２が静止していると判断する。そして情報処理装置１は、デバイス２が静止していると判断したときに、姿勢クオタニオンｑとデバイス２が備える温度センサの出力とを入力データとして第１のニューラルネットワークに入力する。また情報処理装置１は、このときにデバイス２が出力している加速度情報ａを保持しておく。

情報処理装置１は、第１のニューラルネットワークの出力である加速度バイアス値ｄと、加速度スケールファクタ値ｓとを得る。情報処理装置１は、そして、上記保持している加速度情報ａを、加速度バイアス値ｄの教師データとしてその差ｄ－ａを求める。また、温度センサの出力に依存する値として予め定められた加速度スケールファクタ値の教師データと、第１のニューラルネットワークの出力として得られた加速度スケールファクタ値ｓとの差を求める。

そしてこれらの差が「０」となるようにバックプロパゲーションの処理により、第１のニューラルネットワークの学習パラメータ（層間の結合重みやバイアス等の情報）を更新する。

また情報処理装置１は、デバイス２が撮像部１５の撮像する画角内にある場合には、複数の時点で、デバイス２が備える慣性計測ユニットが出力する角速度及び移動加速度の情報を保持するとともに、その時点での実際のデバイス２の位置、速度、あるいは移動加速度の少なくともいずれかの情報を、撮像部１５が撮像した画像データに基づいて取得する。

具体的にこのデバイス２の移動加速度等の情報の取得は、慣性計測ユニットを用いる方法以外のトラッキング手段（他のトラッキング手段）を用いて行う。ここで、他のトラッキング手段として動作する情報処理装置１は、例えばデバイス２が備えるマーカーの位置を、撮像部１５が撮像した画像から検出する。そして情報処理装置１は、当該検出した位置の時間差分（速度）を得て、さらにこの速度の時間差分を得ることで移動加速度の情報を取得する。また他のトラッキング手段として動作する情報処理装置１は、デバイス２の速度を、慣性計測ユニットを用いる以外の、何らかの方法で直接的に検出できる場合、当該速度の時間差分を得ることで移動加速度の情報を取得すればよい。同様に情報処理装置１は、デバイス２の移動加速度を、慣性計測ユニットを用いる以外の、何らかの方法で直接的に検出できる場合、当該検出した移動加速度の情報をそのまま用いてもよい。

この例では、情報処理装置１は、上記各時点で保持した角速度の情報に基づいて、対応する各時点での姿勢クオタニオンｑ（制御部１１の姿勢推定部３３の出力）の時間差分（グローバル座標系での角速度）を得る。

またこの情報処理装置１は、上記各時点での加速度情報ａから加速度バイアスや加速度スケールファクタの誤差を除き、さらにグローバル座標系での値に変換し、重力成分を差引きする。具体的には制御部１１の座標変換部３５の出力から重力成分を差引きする。そしてこれにより、情報処理装置１は、上記各時点での移動加速度の情報（グローバル座標系での加速度）を得る。

そして情報処理装置１は、上記各時点のうち、ある時間範囲ＴSからＴEの間のＮ個の時刻の各時点でのグローバル座標系での角速度及び加速度（重力成分を除いたもの）を入力データとしたときの第２のニューラルネットワークの出力と、当該時間範囲内にある時刻Ｔ（Ｔ＝ＴS＋Δτであり、このΔτは予め定めておく、ただし、ＴS＜Ｔ＜ＴE）で得られた、実際のデバイス２の移動加速度の情報（この移動加速度には、重力加速度は含まれない）との差を求め、この差が「０」となるように第２のニューラルネットワークを機械学習する。

このようにランタイムに機械学習を行うこととすれば、デバイス２の経年劣化や、使用場面で温度などの環境変化に対応して、出力を調整できる。

［重力方向を軸とする回転を除く機械学習］
さらに本実施の形態の一例では、第１のニューラルネットワークの機械学習時、またはその利用時に入力する姿勢クオタニオンｑは、重力軸（Ｙ軸）周りの回転成分（すなわちグローバル座標系でのロール角）を取り除いたものとしてもよい。具体的に情報処理装置１は、第１のニューラルネットワークに入力するべき姿勢クオタニオンｑのうち、そのロール角成分を予め定めた角度（例えば０度）に設定した、姿勢クオタニオンｑ′を求める。そして情報処理装置１は、実際に第１のニューラルネットワークに入力する姿勢クオタニオンとして、ここで求めた姿勢クオタニオンｑ′を用いることとする。

このようにすると、ロール角成分だけ自由度が減るため、機械学習の対象となる訓練データのバリエーションを少なくでき、機械学習結果が比較的早く収束することが期待でき、また安定性を向上できる。また、グローバル座標系でのロール角成分は、実質的にバイアス誤差等に影響しないので、推定するバイアス誤差の精度への影響も軽微である。

また、ここではロール角成分を予め定めた角度に設定することとしたが、これに代えて、姿勢クオタニオンｑをＸＹＺ座標の各軸周りの回転角度（ヨー角，ロール角，ピッチ角）の情報に変換してこれを姿勢情報とし、第１のニューラルネットワークの入力データとしてもよい。この場合、ロール角の情報は破棄し、ヨー角、ピッチ角の情報を第１のニューラルネットワークの入力データとして用いることとしてもよい。

このように、ヨー角、ピッチ角の情報を第１のニューラルネットワークの入力データとして用いれば、ロール角成分だけ自由度が減るため、機械学習の対象となる訓練データのバリエーションを少なくでき、機械学習結果が比較的早く収束することが期待でき、また安定性を向上できる。また、グローバル座標系でのロール角成分は、実質的にバイアス誤差等に影響しないので、推定するバイアス誤差の精度への影響も軽微である。

この例によると、迅速に機械学習結果が収束し、安定性を向上できるので、ランタイムの機械学習を行う際には好適である。

［データの取りこぼし］
また、デバイス２が無線にて情報処理装置１との間で通信を行っている場合、情報処理装置１が、デバイス２が出力する加速度情報や、角速度の情報の受信に失敗する場合（データの取りこぼしが発生する場合）が想定される。

このような事態に対応するため、第２のニューラルネットワークの機械学習時には、訓練データをランダムに欠損させて（例えば対応する成分の値を「０」に設定して）、データの取りこぼし状態を機械学習させることとしてもよい。

この例では、実際の第２のニューラルネットワークの使用時（機械学習後の第２のニューラルネットワークを使用して、加速度の真値の推定を行っているとき）に、入力データとなる加速度の情報等に取りこぼしが生じたときには、当該取りこぼした情報に対応する値を「０」に設定して入力データとする。

あるいは取りこぼしがあったことを表すフラグ（取りこぼしたときに「１」とする）を入力データに含めて第２のニューラルネットワークを機械学習し、実際の使用時に取りこぼしがないときには、取りこぼしフラグを「０」として入力データを入力し、取りこぼしがあったときには、取りこぼしフラグを「１」として入力データを入力するようにしてもよい。

［角速度に対する適用］
また、ここまでの説明において第１のニューラルネットワークは、加速度の情報の校正にのみ利用しているが、角速度についても第１のニューラルネットワークを用いて校正するようにしてもよい。この例では、デバイス２が静止していると判断されるとき、角速度のすべての成分が「０」となるべきであるので、デバイス２ごとに、静止時の角速度の値を、加速度情報とともに第１のニューラルネットワークで機械学習して、補正することとすればよい。

［変形例］
以上の例では、情報処理装置１とデバイス２は別体のものとしていたが、本実施の形態の一例では、これらは一体的に構成されてもよい。具体的に本実施の形態の情報処理装置１及びデバイス２は、スマートフォンなどの一体のデバイスとして実現されてもよい。

１ 情報処理装置、２ デバイス、１１ 制御部、１２ 記憶部、１３ 操作入力部、１４ 出力制御部、１５ 撮像部、２１ ＩＭＵ、２２ コントローラ、２３ 通信部、３１ 検出値受入部、３２ 角速度誤差除去部、３３ 姿勢推定部、３４ 加速度誤差除去部、３５ 座標変換部、３６ ノイズ除去部、３７ 速度推定部、３８ 位置推定部、４１ 入力層、４２ 中間層、４３ 出力層、５２ 第１の全結合層、５３ 第２の全結合層、５４ 出力層。

Claims (10)

1. 所定の時刻ＴSから時刻ＴEまでの間に複数の入力データを逐次的に受け入れる手段と、
   前記受け入れた入力データに基づいて、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の推定データを推定する状態に機械学習されたモデル情報を用い、前記受け入れた入力データに基づく、前記時刻Ｔの時点での推定データを推定する推定手段と、
   を含み、
   前記入力データは、所定の対象物の加速度に関する測定データであり、
   前記推定データは、所定の対象物の加速度の真値を推定したデータであり、
   前記時刻Ｔより後の時刻に入力された入力データを、前記推定データに対して累算して、前記所定の対象物の速度または位置の少なくとも一方に関する情報を生成する情報処理装置。
2. 慣性計測ユニットを備えたデバイスから、当該慣性計測ユニットの出力を受け入れる手段と、
   前記受け入れた慣性計測ユニットの出力に基づいて、前記デバイスの姿勢情報を推定する手段と、
   当該推定される姿勢情報に基づく情報を入力データとし、当該入力データと、前記慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差との関係を少なくとも機械学習した状態にある第１の機械学習モデルを用い、当該第１の機械学習モデルに、前記推定した前記デバイスの姿勢情報に基づく情報を入力して、前記デバイスが備える慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差を少なくとも推定する推定手段と、
   を有し、
   当該推定されたバイアス誤差が、前記慣性計測ユニットが出力する移動加速度の校正の処理に供され、
   所定の時刻ＴSから時刻ＴEまでの間の複数の時点で、前記デバイスの前記校正の処理が行われた移動加速度の情報を逐次的に受け入れる手段と、
   前記受け入れた移動加速度の情報を入力データとして、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の対象物の加速度の真値を推定する状態に機械学習された第２の機械学習モデル情報を用い、前記受け入れた移動加速度の情報に基づく、前記時刻Ｔの時点での所定の対象物の加速度の真値を推定する推定手段と、
   をさらに含み、
   前記時刻Ｔより後の時刻に入力された移動加速度の情報を、前記推定した真値に対して累算して、前記デバイスの速度または位置の少なくとも一方に関する情報を生成する情報処理装置。
3. 慣性計測ユニットを備えたデバイスから、当該慣性計測ユニットの出力を受け入れる手段と、
   前記受け入れた慣性計測ユニットの出力に基づいて、前記デバイスの姿勢情報を推定する手段と、
   前記推定される姿勢情報のうち、重力方向の回転角を、予め定めた角度に設定した姿勢情報を入力データとして用い、当該入力データと前記慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差との関係を少なくとも機械学習した状態にある第１の機械学習モデルを用い、前記推定した前記デバイスの姿勢情報のうち、重力方向の回転角を、予め定めた角度に設定して得た情報を、当該第１の機械学習モデルに入力して、前記デバイスが備える慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差を少なくとも推定する推定手段と、
   を有し、
   当該推定されたバイアス誤差が、前記慣性計測ユニットが出力する移動加速度の校正の処理に供され、
   所定の時刻ＴSから時刻ＴEまでの間の複数の時点で、前記デバイスの前記校正の処理が行われた移動加速度の情報を逐次的に受け入れる手段と、
   前記受け入れた移動加速度の情報を入力データとして、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の対象物の加速度の真値を推定する状態に機械学習された第２の機械学習モデル情報を用い、前記受け入れた移動加速度の情報に基づく、前記時刻Ｔの時点での所定の対象物の加速度の真値を推定する推定手段と、
   をさらに含み、
   前記時刻Ｔより後の時刻に入力された移動加速度の情報を、前記推定した真値に対して累算して、前記デバイスの速度または位置の少なくとも一方に関する情報を生成する情報処理装置。
4. 慣性計測ユニットを備えたデバイスから、当該慣性計測ユニットの出力を受け入れる手段と、
   前記受け入れた慣性計測ユニットの出力に基づいて、前記デバイスの姿勢情報を推定する手段と、
   前記推定される姿勢情報のうち、重力方向の回転角を除いた情報を入力データとして用い、当該入力データと前記慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差との関係を少なくとも機械学習した状態にある第１の機械学習モデルを用い、前記推定した前記デバイスの姿勢情報のうち、重力方向の回転角を除いた情報を、当該第１の機械学習モデルに入力して、前記デバイスが備える慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差を少なくとも推定する推定手段と、
   を有し、
   当該推定されたバイアス誤差が、前記慣性計測ユニットが出力する移動加速度の校正の処理に供され、
   所定の時刻ＴSから時刻ＴEまでの間の複数の時点で、前記デバイスの前記校正の処理が行われた移動加速度の情報を逐次的に受け入れる手段と、
   前記受け入れた移動加速度の情報を入力データとして、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の対象物の加速度の真値を推定する状態に機械学習された第２の機械学習モデル情報を用い、前記受け入れた移動加速度の情報に基づく、前記時刻Ｔの時点での所定の対象物の加速度の真値を推定する推定手段と、
   をさらに含み、
   前記時刻Ｔより後の時刻に入力された移動加速度の情報を、前記推定した真値に対して累算して、前記デバイスの速度または位置の少なくとも一方に関する情報を生成する情報処理装置。
5. 請求項２から４のいずれか一項に記載の情報処理装置であって、
   前記推定手段が用いる第１の機械学習モデルは、前記入力データと、前記慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差及び加速度スケールファクタ値との関係を機械学習した状態にあり、
   前記推定手段は、前記推定した前記デバイスの姿勢情報に基づく入力データを、当該第１の機械学習モデルに入力して、前記デバイスが備える慣性計測ユニットが出力する移動加速度の情報に含まれるバイアス誤差及び加速度スケールファクタ値を推定する推定手段であり、
   当該推定されたバイアス誤差及び加速度スケールファクタ値が、前記慣性計測ユニットが出力する移動加速度の校正の処理に供される情報処理装置。
6. 請求項２から４のいずれか一項に記載の情報処理装置であって、
   前記慣性計測ユニットが出力する情報とは異なる情報に基づいて前記デバイスの位置、速度、移動加速度のいずれかの情報を取得する、他のトラッキング手段をさらに含み、
   所定の時刻ＴSから時刻ＴEまでの間の複数の時点で受け入れた、前記デバイスの前記校正の処理が行われた移動加速度の情報と、前記時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点で当該他のトラッキング手段が取得した位置、速度、移動加速度のいずれかの情報とが、前記第２の機械学習モデルの機械学習に供される情報処理装置。
7. 請求項２から４のいずれか一項に記載の情報処理装置であって、
   前記第２の機械学習モデルは、ランダムに欠損させた入力データを利用して、当該入力データを入力したときの、前記時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の対象物の加速度の真値を推定する状態に機械学習されている情報処理装置。
8. 請求項２から４のいずれか一項に記載の情報処理装置であって、
   前記デバイスが静止した状態にあるか否かを判定する手段をさらに含み、
   前記デバイスが静止した状態にあると判定されたときに、前記慣性計測ユニットが出力する移動加速度の情報を出力するべきバイアス誤差として、前記推定される姿勢情報に基づく情報を入力データとして第１の機械学習モデルの機械学習を行う情報処理装置。
9. コンピュータを用い、
   受入手段が、所定の時刻ＴSから時刻ＴEまでの間に所定の対象物の加速度に関する測定データである複数の入力データを逐次的に受け入れ、
   推定手段が、前記受け入れた入力データに基づいて、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の推定データを推定する状態に機械学習されたモデル情報を用い、前記受け入れた入力データに基づく、前記時刻Ｔの時点での、前記所定の対象物の加速度の真値を推定したデータである推定データを推定する情報処理方法であって、
   生成手段が、前記時刻Ｔより後の時刻に入力された入力データを、前記推定データに対して累算して、前記所定の対象物の速度または位置の少なくとも一方に関する情報を生成する情報処理方法。
10. コンピュータを、
    所定の時刻ＴSから時刻ＴEまでの間に、所定の対象物の加速度に関する測定データである複数の入力データを逐次的に受け入れる手段と、
    前記受け入れた入力データに基づいて、時刻Ｔ（ＴS＜Ｔ＜ＴE）の時点での所定の推定データを推定する状態に機械学習されたモデル情報を用い、前記受け入れた入力データに基づく、前記時刻Ｔの時点での前記所定の対象物の加速度の真値を推定したデータである推定データを推定する推定手段と、
    前記時刻Ｔより後の時刻に入力された入力データを、前記推定データに対して累算して、前記所定の対象物の速度または位置の少なくとも一方に関する情報を生成する手段と、
    として機能させるプログラム。
    
    

Images