Google このサイトを検索 WWWを検索
English | Japanese

参加型シミュレーション

研究概要 : マルチエージェントシミュレーションと参加型技術

Participatory Multiagent Simulation(1)

Participatory Multiagent Simulation(2)

Scenario Description Language: Q

Indoor Evacuation Simulation

Real-world Experiment

Experiment at Kyoto Station

Mega-Navigation System

Augmented Experiment


研究概要スライド動画[.mov]

高度化・複雑化が進む社会に対して,起こりうる社会現象を予見し,適切な社会システムをデザインする事が困難になっています.複雑化した社会を把握・理解するための手段として,コンピュータを利用した社会シミュレーションが注目されています.現在は,社会を粗粒度で表現するマクロ的なアプローチではなく,局所的な現象の分析を可能にするために細粒度で社会を表現する,ミクロ的なアプローチが求められています.本研究グループの目的は,社会を様々な側面から観察し,計算モデルを設計し,そして社会の再現に不足のない規模と粒度でシミュレーションを行うための技術と方法論を生み出す事にあります.

自律的な意思決定・行動主体である人間の集合から構成される社会の再現に適したアプローチとして,ミクロシミュレーションの一形態である,マルチエージェントシミュレーションが注目されており,様々な分野を対象に研究が活発化しています.マルチエージェントシミュレーションから,実社会において有用な知見を得るには,エージェントの行動を規定するエージェントモデル,相互作用を規定するインタラクションモデルのデザインが重要な課題となります.これらの課題に対して,本グループでは,参加型シミュレーションに基づいたアプローチにより,研究を展開しています.

参加型シミュレーションとは,仮想空間上のエージェントと,実空間上の人間が仮想空間を共有して行われるシミュレーションです.人間の被験者は,仮想空間内に再現された環境下でエージェントや他の被験者とインタラクションしながら,内在的な視点から問題を観察し,問題解決の過程を体験する事ができます.人間がシミュレーションに参加する事で,様々な局面において,実際に人間が採った多様な振る舞いを観察でき,現実的なエージェントモデルの構築に活用出来ます.個々の人間が実際にどのように振る舞うかを直接観察し,モデル化へと繋げている点が本グループの研究の特色であり,オリジナリティとなっています.

また, 現実的に有用な知見を得られる社会シミュレーションを実現し,次世代の社会システムの構築に寄与するため,参加型技術,モデリング技術,およびシミュレーション技術とプラットフォームの開発を行っています.

研究内容

大規模交通シミュレーション

ドライバのモデル獲得プロセス
図:ドライバのモデル獲得プロセス
マルチエージェントシミュレーションによる社会シミュレーションの研究として,現実的な交通流を再現するための,マルチエージェント大規模交通シミュレーションに取り組んでいます.現在の取り組みは,日本IBM東京基礎研究所との共同研究から続いているものです(関係するIBMのテレビCM(リンク先ページ上の"Play media"をクリック)).
現実的な交通流を生み出すための鍵となるのは,人間の運転者の運転操作を再現するための計算モデルの構築技術,そして得られたモデルに基づき各々で異なる運転を再現可能な車両エージェントを大規模に機能させるシミュレーションプラットフォームです.

運転行動モデルの獲得
個々の運転者の性質を反映した運転の再現を目的として,ドライビングシミュレーションから各被験者の性質を反映した運転行動モデルの獲得を試みました[Hattori 10].モデルを学習するため,まず初めに,参加型のドライビングシミュレーションを実施します.シミュレーション後の被験者のインタビューから,領域知識となる操作ルールを抽出し,また,ログデータ中にある被験者の観測事象の述語論理に基づく記述の定義を行います.モデル学習には,仮説推論を用いたモデル獲得方法[Murakami 05]を適用しました.モデル学習では,モデル獲得の対象となる被験者がどの操作ルールを備えているかが不明なため, その被験者がある操作ルールを実行したと一旦仮説を立てて推論し,矛盾なく被験者の運転操作を説明できれば立てた仮説を真とする仮説推論を用いて操作モデルが得られます.

大規模交通シミュレータ
交通シミュレーションプラットフォーム
図:交通シミュレーション実行例
都市規模の交通を再現するためには,多数の車両の挙動を同時に決定せねばならないため,効率的な挙動計算が可能なシミュレーションプラットフォームが必要です.我々の研究では,異なる運転行動モデルを持つ車両エージェントが,周辺環境情報を基にそれぞれのモデルに基づく挙動を決定させる事を目指しているため,”環境認知-運転操作決定-操作による車両挙動の計算-状態更新”のプロセスを,エージェント毎に実行しなければなりません.そこで我々は独自のシミュレーションプラットフォームを設計・構築しています.プラットフォームの構築は,マルチエージェントシミュレーションツールキットMATSimを用い,局所の詳細な挙動を再現するため各種機能の組み込みを行い,実現されています.本開発は,TU-BerlinのProf. Kai Nagelのグループとの共同によって進められています.

シミュレーションの様子については,こちらもご覧下さい.動画もご覧いただけます.

参加型モデリング

参加型モデリングは,対象領域のステイクホルダー(利害関係者)が,モデルの構築プロセスに能動的に参加し,モデル設計者と共に,ロールプレイングゲーム(RPG)やマルチエージェントシミュレーションを繰り返す事で,文献などから構築した初期のエージェントモデルの洗練化を図るモデル化手法です.
例えば,行政が施策を決定する際において,政府などがトップダウンに問題解決法を決定していては,地域住民などのステイクホルダーの意見は反映されず, 現実的な解決策を得ることはできません.それと同様に,専門家が収集したデータや資料だけに基づいてエージェントをモデル化するだけでは, ステイクホルダーの視点が十分に反映されたモデルが構築されているとは言えません.モデリングの対象とするステイクホルダーをモデリングプロセスに加えることで,より現実に近いエージェントモデルを獲得することが可能になります.
これまでに,タイの農村経済をドメインに選び,参加型モデリングの研究を行っています.

分類学習を用いた参加型モデリング手法の拡張
機械学習を用いた参加型モデリング
図:機械学習を用いた参加型モデリング
専門家が仮説として立てた意志決定モデルを検証するために,従来の参加型モデリングの人手によるRPGログ分析部分を,機械学習で代替し,専門家を支援するアプローチを取りました[Torii 06]. 本手法は,以下のプロセスで行われます.

  1. 初期設定
    RPGログデータを機械学習で使用できる形式に変換し,学習データを生成します.
  2. 機械学習による一般モデルの導出
    専門家により生成された学習データから学習モデルを導出します.ここで重要なのは,初期モデルを利用して専門知識を学習に対して反映する事と,導いた学習モデルが出来るだけ高い一般性を持つことです.
  3. 機械学習と専門家のインタラクションによるモデルの洗練
    上記手順により,専門家の知識を反映した一般的モデルが出力されるものの,専門家が十分納得し,現実を反映したモデルであるためには,専門家と機械学習の間で適切なインタラクションを設計し,学習モデルをさらに精練できる必要があります.

本手法により,分類学習を用いたモデル構築の課題であった,データ収集のコスト,データのノイズ, 分類条件の妥当性という3つの問題を解決できます.本手法は,IRRIとCIRADのタイ東北部における農業経済を扱った共同プロジェクトに適用し,成果を得ています.

参加型アプローチによる交渉モデルの獲得
社会システムの理解のためのマルチエージェントシミュレーションで必要となる, より現実を反映したモデルの獲得を目指し,その方法論を確立しています.従来の参加型アプローチによるモデリング手法が,交渉などの連続したプロセスを扱いにくいという欠点を克服するために,参加型シミュレーションを用いたモデリングを行っています.本プロセスは,ステイクホルダー,領域の専門家,システム開発者により構成され,以下の4ステップで行います.

  1. 対象領域の調査
    領域の専門家が文献やステイクホルダーへのインタビューを元に,仮説としてのエージェントの初期モデルを作成します.
  2. ロールプレイングゲーム(RPG)
    ステイクホルダーを取り巻く環境を再現したRPGを実施し,そのログデータとインタビュー結果を解析してモデルを改良します.
  3. インタラクション設計
    RPGの結果を元に3種のインタラクションを設計し,マルチエージェントシミュレーションによりテストを行います.
  4. 参加型シミュレーション
    ステイクホルダーにアバタを操作してもらい,参加型シミュレーションを行って交渉モデルを精錬します.窶ィステイクホルダーはRPGを体験しているので,参加型シミュレーションを無理なく行うことができ,またシミュレーション結果を容易に理解できます.また,参加型シミュレーションにおいて,多くのステイクホルダーをエージェントで代替する事で,少数のステイクホルダーに集中して観察することができ,交渉の過程をより深く理解できます.


避難者モデルの獲得
参加型シミュレーションの被験者
図:参加型シミュレーションの被験者
京都大学 人間・環境学研究科 杉万俊夫教授により,1988年に二つの誘導プロトコルの効果を比較するための統制実験が行われました. 一つは指差誘導といい,出口を指差し大声で誘導する一般的な手法です. もう一方は,吸着誘導といい,近くの避難者一人に付いてくるよう声をかけ,出口へ一緒に向かう誘導です.この実験では,十分な数だけ誘導者がいれば吸着誘導が一番効果的で,いなければ指差が有効であることが分かっています.
この実験を題材にして,三次元仮想空間プラットフォーム FreeWalkとシナリオ記述言語Qを用いて,参加型シミュレーションを行いました.ここで我々は,(1)語彙の定義,(2)シナリオの記述,(3)インタラクションパターンの抽出, (4)実・仮想空間における実験の統合というプロセスにより,参加型シミュレーション上のエージェントモデルを精練するアプローチを提案しました.ここでは,シミュレーションのログに対して,仮説推論に基づく学習を適用することで,エージェントの行動ルールを獲得するアルゴリズムを提案していまs[Murakami 05].避難者と誘導者という二種類の役割が存在する避難実験のシミュレーションにおいて, 過去に行われた統制実験とほぼ等しい結果を得ることが出来ました[Murakami 03].

拡張実験

拡張実験は,実空間での被験者実験を仮想空間でのマルチエージェントシミュレーションで拡張するという,全く新しい実験方法です[Ishida 07].拡張実験では, 実空間での被験者の振る舞いを仮想空間に投影し,人間とエージェントによるシミュレーションを行ないます.拡張実験を行うためには,仮想空間で行っているシミュレーションと,実空間の被験者実験をシームレスに結合する環境が必要です.

携帯電話を用いた京都駅避難誘導実験
本実験は,「デジタル・シティ・プロジェクト」の中で行われ,仮想の都市空間の中で,仮想的な避難訓練を行っています.本実験では,地下鉄京都駅の改札から階段,ホームに至る区域の天井に28台の全方位センサを設置しました.人間の動きをカメラで把握し,仮想の地下鉄構内に反映し, 誘導者はコンピューター画面の仮想空間を見ながら携帯電話を通じて指示を出すことで誘導を行いました. 本実験では,帽子にランプを付けた学生ら17人に参加してもらいました.地下鉄京都駅構内で火災が発生したケースを想定し,メールを介した指示による誘導を行う実験をしました.
京都駅避難誘導実験
図:京都駅避難誘導実験


GPS携帯電話を用いた個別避難誘導実験
管制モニタの様子
図:管制モニタの様子
実空間の少人数の被験者と,仮想空間のエージェント群を組み合わせ,屋外での大規模な避難誘導実験を行いました[Nakajima 07].
本実験では,京都市内で地震が発生したものとして避難訓練を行いました.被験者はGPS携帯電話で位置を計測し, システムサーバへと送信します.サーバでは,各々の被験者に割り当てられたエージェントが現在地と最寄りの避難場所の位置を示した避難地図を作成します.被験者は,送信されてくる避難地図に従って避難します. 避難中には,火災などの二次被害の情報も提供されます.被験者の携帯電話から定期的に送信される位置情報に基づいてセンターからの地図情報が更新され, 二次被害の情報が刻々表示されます.
管制センターのモニタースクリーンには,実世界の全被験者の情報と共に,仮想的な避難者である避難エージェントの様子も表示されます. 誘導者はこのスクリーンを用いて,近くに位置する複数の避難者をグルーピングし誘導指示を行います. このように大規模な避難誘導を模擬体験してもらうとともに,それを支える技術基盤の検証を行いました.

プラットフォーム

マルチエージェントシミュレーションの実現ため,エージェントの制御技術,シミュレーション基盤を開発し,実際に,それらを利用した社会シミュレーションを実施しています.

シナリオ記述言語Q
Qはエージェントを制御するスクリプト言語で,インタラクションを設計するものです[Ishida 02].エージェントの内部メカニズムの記述を目的としたものではなく, エージェント(あるいはエージェント群)に対し,人間(あるいはエージェント)が外部からどのように作用するかを記述することを目的としたものです(下図a, b). 言語仕様に従ったシナリオ記述をエージェント群に与えることによって,エージェント群とのインタラクションを設計します.
(a)従来はエージェントの内部を記述,(b) Qは外部とのインタラクションを記述
図:(a)従来はエージェントの内部を記述,(b) Qは外部とのインタラクションを記述
Qの言語設計に当たっては,エージェント間のインタラクションを記述するのに徹し,プロトコル記述に向いた拡張状態遷移モデルを用いています. さらに,様々なエージェントシステムのインタラクションを記述できる言語とするため, Qをエージェントシステムに外付けし,システム内のエージェントを外部から制御できる構成としています.
これまでに,後述のFreeWalkやCaribbean,CORMASといったエージェント環境と組合せ,様々なシミュレーションを行ってきました.例えば,3次元仮想都市FreeWalk/Qでは, 通常のPCで数百のエージェントを制御することができます.また,FreeWalk/Qは,地下鉄京都駅における避難誘導実験,消防研究所と共同でのホテルニュージャパン火災の再現, スタンフォード大学と共同での仮想社会心理学実験などの先導的実証研究に用いられています.
また,計算機の専門家でないことが想定される応用領域の専門家でも記述しやすいようなツールの開発も行っています. Excelを用いて表形式でインタラクションパターンを表現しQ言語を生成するツールや,Visioを用いて書かれた状態遷移記述をQシナリオに変換するツールを開発しました. より詳しいQに関する情報は,Qのプロジェクトサイトを御覧下さい.

大規模マルチエージェントプラットフォームCaribbean/Q
Caribbean/Qによる広域避難シミュレーション
図:Caribbean/Qによる広域避難シミュレーション
大規模な社会情報システムをシミュレートするシステムの開発においては,応用領域の専門家と計算機の専門家が協調して作業を行う必要があります. また,大規模な社会情報システムのシミュレーションでは,個々のエージェントが直面する状況も多岐にわたります. さらに,都市規模の人間を再現するためには,数十万のエージェントを管理するスケーラビリティも必要となります. そこで,これらの課題を解決するため,シミュレーションシナリオの処理系とエージェント実装との分離を特徴とする 大規模マルチエージェントシミュレーションの実行基盤のアーキテクチャとしてCaribbean/Qを提案し,その実装・評価を行いました[Nakajima 06].Caribbean/Qは,実際に避難誘導実験などに利用されています.
より詳しいCaribbean/Qに関する情報は,メガナビゲーションのプロジェクトサイトを御覧下さい.

三次元仮想都市システムFreeWalk/Q
FreeWalk は社会的インタラクションをシミュレートできる仮想都市空間であり,社会心理学の知見にもとづく群集行動の再現が可能です[Nakanishi 04]. 多数のエージェントと被験者によるインタラクションを3次元仮想空間内に視覚化でき,音声の通信・合成・認識,都市・人体の3Dモデルの表示,動力学計算による歩行アニメーション,PCクラスタ上での分散処理など,大規模なインタラクションのシミュレーションに必要な機能を備えています.
地下鉄駅構内の群衆を再現
図:地下鉄駅構内の群衆を再現
右図は,デジタルシティプロジェクト(科学技術振興事業団)の仮想空間システムFreeWalkでの避難シミュレーションを示しています. この仮想空間内では,多数のエージェントがシナリオに基づき行動します.京都駅での避難誘導実験は,FreeWalkを利用して実現されています.
より詳しいFreeWalkに関する情報は,FreeWalkのプロジェクトサイトを御覧下さい.

メンバー

石田 亨 (教授)
服部 宏充 (助教)
中島 悠 (特定助教)
周 鑫(D1)
金月 寛彰(M2)
植田 慶太(B6)
十見 俊輔(B4)
樋口 彰(B4)

[コンタクト]
服部 宏充
hattori mail address

主な研究成果

[Conferences]
[Ishida07] Toru Ishida, Yuu Nakajima, Yohei Murakami and Hideyuki Nakanishi. Augmented Experiment: Participatory Design with Multiagent Simulation. International Joint Conference on Artificial Intelligence (IJCAI-07), 2007. (pdf, 597KB)

[Torii06] Daisuke Torii, Toru Ishida and Francois Bousquet. Modeling Agents and Interactions in Agricultural Economics. International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-06), pp. 81-88, 2006. (pdf, 544KB)

[Murakami05] Yohei Murakami, Yuki Sugimoto and Toru Ishida. Modeling Human behaviour for Virtual Training Systems. The 20th National Conference on Artificial Intelligence (AAAI-05), pp. 127-132, 2005. (pdf, 374KB)

[Nakanishi04] Hideyuki Nakanishi, Satoshi Koizumi, Toru Ishida and Hideaki Ito. Transcendent Communication: Location-Based Guidance for Large-Scale Public Spaces. International Conference on Human Factors in Computing Systems (CHI-04), pp. 655-662, 2004. (pdf, 801KB)

[Murakami03] Yohei Murakami, Toru Ishida, Tomoyuki Kawasoe and Reiko Hishiyama. Scenario Description for Multi-Agent Simulation. International Joint Conference on Autonomous Agents and Multiagent Systems (AAMAS-03), pp. 369-376, 2003. (pdf, 1.32MB)

[Nakajima06] Yuu Nakajima, Hironori Shiina, Shohei Yamane, Hirofumi Yamaki and Toru Ishida. Caribbean/Q: A Massively Multi-Agent Platform with Scenario Description, International Conference on Semantics, Knowledge and Grid (SKG-06), 2006. (pdf, 2.82MB)


[Symposiums and Workshops]
[Tanaka07] Yusuke Tanaka, Yuu Nakajima and Toru Ishida. Learning Driver’s Model Using Hypothetical Reasoning. Pacific Rim International Workshop on Multi-Agents (PRIMA-07), Lecture Notes in Artificial Intelligence, Springer-Verlag, 2008. (pdf, 349KB)


[Journals]
[Hattori10] Hiromitsu Hattori, Yuu Nakajima, Toru Ishida. Learning from Humans: Agent Modeling with Individual Human Behaviors. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2010 (to appear)

[Ishida09] Toru Ishida, and Hiromitsu Hattori. Participatory Technologies for Designing Ambient Intelligence Systems. Journal of Ambient Intelligence and Smart Environments, vol. 1, no. 1, pp. 39-45, 2009

[鳥居05] 鳥居大祐, ブスケ フランソワ, 石田 亨. 分類学習を用いた参加型モデリング手法の拡張. 人工知能学会論文誌, Vol. 20, No. 6, pp. 379-386, 2005. (pdf, 1.64MB)

[中島08] 中島 悠, 椎名宏徳, 服部宏充, 八槇博史, 石田亨. マルチエージェントシステムを用いた避難誘導実験の拡張. 情報処理学会論文誌, Vol.49, No.6, 2008. (pdf, 1.00MB)

[村上06] 村上陽平, 杉本悠樹, 石田 亨. 仮想訓練システムのためのエージェントのモデル構築. 人工知能学会論文誌, Vol. 21, No. 3, pp.243-250, 2006. (pdf, 1.59MB)

[Ishida02] Toru Ishida. Q: A Scenario Description Language for Interactive Agents. IEEE Computer, Vol.35, No. 11, pp. 42-47, 2002. (pdf, 617KB)