Research

スマートフォンの普及および多様化のセンサーに基づいて、アプリの開発者がよりいいサービスを提供するため、日常にはデータをスマートフォンの中に集めて、サーバーにアップロードしています。長きにわたり、大量のデータが蓄積されて、スマートフォンおよびサーバーの保存に大きな負担をかけています。データ圧縮はそういう問題を解決できるひとつの策です。圧縮センシングはデータ圧縮の一つの方法として、従来の方法より、圧縮の時間を大幅に減らしました。しかし、伝統な圧縮センシング方法はデータを復元する時間が多くて、質量もう制限されています。

MOCHAは、東京大学発の接触確認・混雑度確認を目的とした教室等予約・情報提供サービスです。ウィズコロナにおける安心できるキャンパスライフ実現のための位置情報サービス基盤として開発・運用されています。MOCHAは各部屋に設置されたBluetoothビーコンをスマートフォンを用いて検出することで、自動的に滞在場所を記録します。また、事前に設定した共有範囲・粒度で滞在情報を共有することで、キャンパス内における様々な位置情報サービスを開発しています。現在、6500名以上がアプリケーションを利用し、Bluetoothビーコンは2000カ所以上に設置されています。

現在、新型コロナウイルス感染症（COVID-19）の感染が急速に拡大している。感染拡大防止のために重要な方法の1つは、人々の感染症予防行動を促進させることである。この研究では、モバイルセンシングを利用し、人の日常アクティビティを追跡する。そして、私達が開発したゲーミフィケーションに基づくアプリケーション(SelfGuard)を利用し、人の感染症予防行動を促進させる。実際には、人の感染症予防行動は、いろいろな要因が影響している。そのため、どのようにすれば確実に人の感染症予防行動を促進させられるのかは、未解決の問題である。具体的な要因を探すため、人の日常アクティビティと感染症予防行動の完成率の関係性を分析し、いくつかの結論を出した。

近年は，都市交通計画や感染症対策など，様々な分野で人の流れを把握することが重要となっている．しかし，人の流れを把握する手法の多くは都市部に限定されており，擬似的な人流データを用いて全国規模で行われた研究は少ないのが現状である．一方で，データの可視化にベクトルタイル技術を用い，ズームレベルに応じてデータの粒度を変えることで，データ量の削減や処理速度の向上が期待できる．そこで，全国規模約1億2千万人を対象とした擬似人流データについてベクトルタイル技術を用い，ズームレベルに応じて道路属性を選択することで効率的な可視化を図った結果，データ量は約57%に削減され，タイムスライダーやズームレベルを変化させてもスムーズに可視化を行うことが可能となった．

女性の社会進出や核家族化，産後うつ問題など，子育て環境は大きく変化しており，子育ての効率化や子育て支援は社会的に大きな課題となっている．本研究では，近年普及傾向にあるウェアラブルデバイスを用いて，ミルクやオムツ替え，お散歩など「親」が「乳幼児」に行う子育て行動の検知技術の開発を行う．子育て中のモーションデータを腕時計型のウェアラブルデバイスに搭載されたモーションセンサを用いて収集し，収集データと機械学習を用いて子育て行動の検知モデルを構築する．9つの子育て行動を定義し，子育て行動の検知モデルの構築とその精度評価を行った結果，実験室環境において9名の被験者から収集したデータセットを用いた検知モデルでは，最も精度の良いモデルで約70%の精度で子育て行動を検出できることが明らかになった．

新型コロナウィルスの世界的蔓延により，感染拡大を予防するためにマスクの装着などの飛沫感染リスクを下げる行動が求められる．感染リスクを低下させるためには，常時マスクを装着することが望ましいが，無意識のうちにマスク非装着のまま行動してしまうことがしばしば発生する．マスク装着を効果的に促すためには個々人のマスク装着状態を自動検知して，その状態に応じてユーザに対する行動変容を促すことが求められる．しかし，マスク装着状態を市販の端末のみで常時検知する手法は提案されていない．そこで，スマートウォッチに搭載されている複数のセンサを用いてマスク装着状態を自動検知し，マスク非装着のユーザに通知することで，マスク装着の行動を促進させる手法を提案した．

交通視覚探索の領域では、頭の動きは交通安全に影響を与える一つの重要な要因です。この研究では、我々はHeadSense(マイクロモビリティライダーの頭の動きを検出できるヘルメットデバイス)を設計し、実現し、予備評価をしました。HeadSenseは組み込まれた9軸慣性測定ユニット（IMU）センサーを使用してデータストリームを生成できます。セグメンテーションと分類アルゴリズムの後、HeadSenseはライダーのライディングジャーニーにわたって、個人の頭の動きのシークエンスと視覚探索エピソードを自動的に検出できます。5人の参加者による実験では、このシステムの精度(F1-スコア)は1秒あたりのレベルで94.7％、エピソードごとのレベルで80.59％を達成していました。

近年、マイクロモビリティ（自転車やスクーターなど）とそのデータを利用してアーバンセンシングおよびライダーのアセスメントに関連する研究は、ますます人気が高まっています。ただし、研究トピックが異なれば、必要なセンサーの設定も異なります。マイクロモビリティ用の一般的なデータ収集ツールがないため、データを収集したい研究者は、独自の収集システムを最初から構築する必要があります。そのような背景から、我々はMiMoSense、マイクロモビリティに基づくオープンクラウドセンシングプラットフォームを提示しました。MiMoSenseは2つのコンポーネントで構成されています。1つ目の MiMoSenseサーバーは、クラウドの上でセットアップされ、研究とシェアのためにセンシングスタディーと収集されたデータを管理するために使用されています。2つ目のMiMoSense クライアントは、さまざまなセンサーやIoTデバイスを搭載したマイクロモビリティを使用して、移動中に複数の種類のデータを収集します。再利用可能なオープンソースソフトウェアとして、MiMoSenseは研究者の焦点をソフトウェア開発からセンシングデータ分析に移します。この研究は、研究者がマイクロモビリティのセンシング生データを収集し、移動状況を推測するための拡張可能なプラットフォームを迅速に開発することに役立ちます。この研究は既にMiMoSenseのバッテリー消費量、メッセージ遅延を評価し、その使用方法について説明しました。

片手運転で自転車に乗ると、ライダーの操舵能力が著しく損なわれ、交通安全が危険にさらされる可能性があります。この研究では、初めてDoubleCheckと呼ばれる、自転車運転中の片手サイクリングを検出できるフレームワークを提案します。これは、荒れた路面からのノイズの中でも、センサーはライダーが片手サイクリングに合わせる体の動きを区別できる前提に基づいています。このシステムは、ハンドルバーに取り付けられたスマートフォンに内蔵された慣性計測ユニット（IMU）からのモーション信号を使用して、さまざまな道路状況でのハンドルバーの握り方を検出できます。システムを実現した後、評価実験に10名の参加者を招きました。実験の結果、DoubleCheckは片手サイクリングを検出することで0.94のF1スコアを達成しており、道路の安全性を向上させるための実際の実装に対するその有効性を証明しています。

共有マイクロモビリティは、環境に優しい移動モードであり、脱炭素化を図る交通の重要な一環として広く認識されています。しかし、実際の移動データを使用して環境への影響を定量的に評価することは、未解決で困難な課題です。故に、この問題に対処するために、この研究は機械学習アルゴリズムとモンテカルロシミュレーションを組み合わせたシステムを提案しました。まず、いくつかの機械学習アルゴリズム（Random Forest、XGBoost、LightGBM）を使って、市民の移動モードの選択の好みを特定し、各マイクロモビリティトリップの代替移動モードを推定しました。次に、最終的な環境影響評価の信頼性を確保するために、モンテカルロシミュレーションを使って各トリップの代替モードをシミュレートしました。最後に、環境への影響は、ライフサイクルの温室効果ガス排出量に基づいて計算しました。

交通やインフラ，スマートフォンなどから得られる様々なデータを統合的に利活用し，都市計画の継続的な改善に役立てるという都市コンピューティングが注目されている．都市コンピューティングは少子高齢化と過疎化が進行する日本においても公共インフラを有効活用し都市を維持するためにも有効である．限られた公共インフラを活用するためには人々の移動目的を推定し，交通リソースを最適化する必要があるが，既存のICカードなどの交通データでは推定粒度に限界があった．こうした状況の中，特定の返却場所を持たないドックレス型のマイクロモビリティが急速に普及している．ドックレス型マイクロモビリティは平均移動距離が500m程度と短く，直接目的地に向かうため，より詳細な移動行動が検出可能である．本研究では，マイクロモビリティが都市空間で離散的に分布する点に着目した．そして，細かく単発的な移動行動を大域的に分析することで潜在的な移動パターンがあることを，Non-Negative Tensor Factrizationと呼ばれる教師なし学習を用いることで明らかにした．

都市を移動するタクシーを一つのセンシングモジュールとして捉え、車両内外の情報をセンシングし環境情報や都市運営へのフィードバックを行う。具体的には、不特定多数のユーザが極めて狭い公共空間を共有するというタクシー内部における車室内環境のセンシングを行う。CO2濃度と換気手法の検討を行いWithコロナ時代の安全安心な公共交通運営に貢献する。また、タクシーの空きリソースを最適化し、PM2.5などの気体センサや温度湿度、ドライブレコーダー画像等の都市データの収集なども行っている。

近年の都市構造の変容と急激なライフスタイルの変化に伴い，人間が屋内で過ごす時間は長時間化し，逆に屋外で直射日光を浴びる時間は年々短くなっている．過度な紫外線の被曝は皮膚癌やシワ，シミの発生可能性を高めるが，一方で適度な紫外線被曝は体内でのビタミンD の生成に必要不可欠である．また，基本的に野菜に含まれていないビタミンD の不足は，カルシウム不足や低カルシウム血症，骨の軟化やうつ病などに繋がる危険性があり，長期的な

People nowadays are getting used to using mobile phones for daily photography, and sharing these precious moments online or in-situ with their friends. However, there is a potential risk of privacy leakage during the in-situ photo sharing process. To address this risk, we propose OASIS, a cOntext Aware photo protection for in-SItu sharing behavior: using the front camera to tell different viewer, OASIS customize viewer’s photo gallery seamlessly between different viewers according to the context of the photo. In this way, we can provide viewers with a good sharing experience while protecting the privacy of the owner.

車両間の情報共有を実現するために，P2P（peer to peer）通信やV2V（Vehicle to vehicle）通信を利用した様々な手法が提案されている．しかし，P2Pを用いた場合には，トラフィックの増加により送信元車両のネットワーク負荷が増大する．一方，V2Vの場合には，車両が離れていると通信ができない．そこで，V2V通信とP2P通信に基づく車両間の情報共有方法を提案する。