地理空間インテリジェンス：屋内測位技術を用いた現場のラボ化に基づくサービス研究事例
•
0 recomendaciones•515 vistas
最近の大学での講義資料をまとめました。
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (20)
Similar a 地理空間インテリジェンス：屋内測位技術を用いた現場のラボ化に基づくサービス研究事例
Similar a 地理空間インテリジェンス：屋内測位技術を用いた現場のラボ化に基づくサービス研究事例 (7)
Más de Kurata Takeshi
Más de Kurata Takeshi (17)
地理空間インテリジェンス：屋内測位技術を用いた現場のラボ化に基づくサービス研究事例
- 1. ⼤学院システム情報⼯学研究科 知能機能システム学位プログラム 地理空間インテリジェンス： 屋内測位技術を⽤いた 現場のラボ化に基づくサービス研究事例 蔵⽥武志12 1産業技術総合研究所 ⼈間拡張研究センター 副研究センター⻑ 2筑波⼤学 システム情報系 教授（連携⼤学院） （応⽤サービス⼯学研究室）
- 5. 時間から距離：ToF (ToA), TDoA 5 http://www.fpoir.org/OPEN/lan.pdf http://osama-talaat.blogspot.jp/2017/03/toa-tof-rtt-tdoa.html ToF: Time of Flight (ToA: Time of Arrival) TDoA: Time Difference of Arrival RTT: Round Trip Time (two-way ToA) ToA： 各ノード(3つ以上)と端末との時間同期が必要 ToDA: 各ノード（４つ以上）の時間同期 基地局が１つ多めに必要。
- 6. ⾓度：AoA (Angle of Arrival)、AoD (Angle of Departure) 6 • 信号（電波）の到来⾓度を⽤いた測位 • アンテナアレイで位相差を計測 • １組の送受信機のみで2D測位可能 • ToF等で距離が得られる場合は１組 の送受信機のみで3D測位可能 • Bluetooth 5.1で「⽅向検知」も可能に 出典︓Quuppaウェブサイト https://ednjapan.com/edn/articles/2003/31/news022.html
- 7. UWB 7 • UWB-IR (Ultra Wide Band Impulse Radio)⽅式 • １５〜３０ｃｍ程度の精度での測位が可能 • マルチパスにも強い • 直進性が強すぎるため、死⾓ができやすい • ⾼コスト • iPhoneに搭載されて普及の兆し？！ • IEEE 802.15.4z • Bluetooth 5.1との闘い？！ UbiSense社、GiT社の資料より Apple社ウェブサイトより
- 8. ミリ波レーダー 8 • 距離、⾓度、速度を計測 • ARIB STD-T48 (60GHz帯, 76GHz帯), STD- T111 (79GHz帯)で標準化 • 測定距離が⻑い(100-200m) • 照明条件にロバスト。煙, 霧, ⾬にも強い • テスラの事故でミリ波のメリットが再認識 • CMOS化による低価格化 • １次元スキャンから２次元スキャンへ 佐藤ら (2017). 特殊産業⾞両向け3次元測位ミリ波レーダ, Panasonic Technical Journal Vol. 63 No. 2 ⽔平(1D)スキャンのみ ⽔平・垂直(2D)スキャン
- 10. (超短波) (短波) (中波) (長波) 電磁波と測位 10 http://www.ushio.co.jp/jp/technology/glossary/material/attached_material_01.html ミリ波レーダー RGB-D Wi-Fi, BLE UWB 光学マーカ―, LRF/LiDAR サブギガ帯, MBS （プラチナバンド、回り込む〜） ICタグ 可視光通信, ARマーカー, RGB (VPS) https://metcom.jp/ • 要求仕様（精度、頑健さ、各現場の制約）に適した各波⻑ の物理的特徴を
- 12. 様々な測位技術を紡ぐxDR (PDR&VDR) 12 • 安価: 加速度、ジャイロ、磁気、気圧の10軸セン サを利⽤ • 低消費電⼒: 画像を⽤いた⼿法と⽐較し1/20以下 • 「柔軟な」屋内測位を実現: • 測位インフラなしでも測位を継続 • 様々な測位技術からの結果を線（形、速度、 向き）で紡ぐ 速度 向き モデルベースの速度推定 センサ姿勢の推定 センサ校正 ⾼度 (階) 推定 進⾏⽅向の推定 歩⾏者⽤速度推定モデル ⾞両⽤速度推定モデル VDR: Vibration-based Vehicle Dead Reckoning, ⾞輪型 移動体[フォークリフト, 台⾞等]⽤相対測位 [2016 年︓世界初] PDR: Pedestrian Dead Reckoning, 歩⾏者⽤相対測位 [2010年スマホデ モ︓世界初] Kourogi, M., et al. (2003). Personal positioning based on walking locomotion analysis with self‐contained sensors and a wearable camera, ISMAR 2003, pp.103‐112 興梠ら (2020). xDR技術に基づく測位・環境推定 〜 キャリブレーションフリーVDRと路⾯状態の 推定 〜, HCGシンポジウム2020
- 13. 速度 向き モデルベースの速度推定 センサ姿勢の推定 センサ校正 ⾼度 (階) 推定 進⾏⽅向の推定 xDR (PDR&VDR)の課題を克服 13 • ⾃蔵(慣性)航法ではドリフト誤差（蓄積誤差）が不可避 • パターン認識と⾃蔵航法の融合で誤差を⼤幅に軽減 パターン認識による離散化で蓄積誤差を⼤幅軽減 周波数パターンに基づく 携帯⽅法の制約緩和 [仏IFSTTAR実施の ⽐較評価で最⾼性能] 従来の⾃蔵 航法と同様 移動パターン認識に基づく動的校正 集合知に基づく 気圧センサ校正
- 14. PDR: 構成概要 14 • Tutorial: Personal Navigation with Handheld Devices by Valerie Renaudin, IPIN 2015. IFSTTAR (France) 歩⾏検出 歩幅（歩⾏速度） 推定 姿勢推定 進⾏⽅向 推定 進⾏⽅向 姿勢 (相対)位置 傾斜 （重⼒⽅向） 9軸センサー
- 15. PDR (Pedestrian Dead Reckoning) 15 • INS (Inertial Navigation System)とSHS (Steps and Heading System)とが存在 • 加速度、ジャイロ、磁気の9軸、もしくは気圧を含めて10軸センサを利⽤ • 測位インフラがなくても相対測位を続けることが可能 • 屋内測位パラドックス／ジレンマの緩和︕ • 点の集合ではなく、線（形、曲率）としての意味を持つ軌跡を取得可能。運動の種 類や⼤きさも計測可能 • UWBなどの⾼精度測位との相性がよい（統合測位） • マップ・ルート情報による⾼精度化も可能 • H/W化で省電⼒化も加速 ⾃蔵センサモジュール ・加速度センサ ・ジャイロセンサ ・磁気センサ ・気圧センサ SHSの例 INSの例 Masakatsu Kourogi and Takeshi Kurata: “Personal Positioning based on Walking Locomotion Analysis with Self-Contained Sensors and a Wearable Camera“, The Second International Symposium on Mixed and Augmented Reality (ISMAR03), pp.103-112. Masakatsu Kourogi, Takeshi Kurata and Tomoya Ishikawa: “ A Method of Pedestrian Dead Reckoning Using Action Recognition”, IEEE/ION PLANS 2010, pp.85-89.
- 16. PDR: 歩⾏検出・歩幅推定（INSの場合） 16 https://physioapproach.com/gait-matome.html http://www.openshoe.org/ ZUPT ⼆重積分 • 遊脚相: 1歩分の⼆重積分で⾜の軌跡を 計測 • ⽴脚相: ⾜が速度0になるので、ZUPT (Zero Velocity UpdaTe)により、各セ ンサーのオフセットを補正 • ⼆重積分が連続して機能するのは数秒程 度なので、ZUPTが必要 • 熱ヒステリシス等により各センサーの オフセットが変化 • SHSよりも⾼精度 • ⾜が関わらない運動は計測不可
- 17. PDR: 歩⾏検出（SHSの場合） 17 -0.4 -0.3 -0.2 -0.1 0 0.1 0.2 0.3 0.4 10000 10200 10400 10600 10800 11000 11200 11400 11600 11800 12000 時刻 [ms] 加速度 [G] 鉛直成分 進行方向成分 ピーク振幅 • 加速度を鉛直⽅向と進⾏⽅向に 分解 • 交互に現れる正負のピークを検 出して、その時間差を検証 • 連続歩⾏では周波数解析も有効
- 18. PDR: 歩⾏速度の推定（SHSの場合） 18 歩⾏速度の推定 • 加速度の鉛直⽅向成分のピーク振幅と 歩⾏速度の間に⾼い相関 0 0.25 0.5 0.75 1 1.25 1.5 1.75 2 2.25 2.5 0 0.25 0.5 0.75 1 1.25 1.5 1.75 Speed [m/s] Forward acceleration gap [G] User #1 User #5 User #4 User #3 User #2 4km/h=1.111m/s
- 19. PDR: 姿勢推定での磁場検証 19 磁場の検証 • 観測︓磁気センサの⽔平分⼒を偏⾓補正した磁気⽅位 • ⽔平⾯と磁気ベクトルの成す⾓（＝伏⾓）が、地理学的に得 られる値と⼀致するか検証 • 伏⾓が⼀致しない場合、磁気の観測は除外して、内部状態に 基づいて状態を更新 磁気ベクトル ⽔平⾯ 重⼒⽅向ベクトル 伏⾓・・・地理学的に定まる
- 21. -0.25 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 -0.25 -0.2 -0.15 -0.1 -0.05 0 0.05 0.1 0.15 0.2 0.25 Side acceleration [G] Forward acceleration [G] 進⾏⽅向 PDR: 進⾏⽅向推定 (SHS) 21 重⼒⽅向 ⽔平⾯ 進⾏⽅向 ⽔平基準⽅向 （北） • ハンドヘルド化（スマホ）には必須 • PCAの場合 • 姿勢推定（センサ座標系をスタビライズ）し⽔平⾯に加速度を投影 • 投影された加速度をPCAし進⾏⽅向を推定 Masakatsu Kourogi and Takeshi Kurata: “Personal Positioning based on Walking Locomotion Analysis with Self-Contained Sensors and a Wearable Camera“, In Proc. The Second International Symposium on Mixed and Augmented Reality (ISMAR03) pp.103-112.
- 22. PDR: 進⾏⽅向推定 (SHS) 22 • 慣性信号の周波数解析︓Frequency analysis of Inertial Signals (FIS) M. Kourogi, T. Kurata, A method of pedestrian dead reckoning for smartphones using frequency domain analysis on patterns of acceleration and angular velocity, IEEE/ION PLANS 2014, pp.164-168.
- 23. PDR: 進⾏⽅向推定 (SHS) 23 • Tutorial: Personal Navigation with Handheld Devices by Valerie Renaudin, IPIN 2015. • Long Paper: Christophe Combettes, Valerie Renaudin, Comparison of Misalignment Estimation Techniques Between Handheld Device and Walking Directions, IPIN 2015. • FIS was proposed by Kourogi and Kurata in PLANS 2014. • ただし、センサを固定できるなら進⾏⽅向推定は簡略化できる “Globally, the FIS method provides better results than the other two methods.” Frequency analysis of Inertial Signals Forward and Lateral Acc. Modeling Principal Component Analysis IFSTTAR (France)
- 24. 気圧に基づく滞在フロア判定︓ ユーザ間連携（クラウドソーシング） 24 Ryosuke Ichikari, Luis Carlos Manrique Ruiz, Masakatsu Kourogi, Takeshi Kurata, Tomoaki Kitagawa, Sota Yoshii, Indoor floor-level detection by collectively decomposing factors of atmospheric pressure, Proc. IPIN 2015, 2015. • PDRの⾼さ⽅向追跡能⼒強化（9軸PDR→10軸PDR） • 位置計測インフラを併⽤した⾼さと気圧を対応テーブル構築 • 端末依存誤差・環境気圧変化を補正した気圧からの⾼さ推定 B1 B2 B3 (ビーコン) B3U3 B3U2 U1 (ユーザ) U2 U3 PU3 B1U1 2F, 3F間のフロア間 オフセット U3の端末依存オフ セット B2U1 3F 2F 1F 端末オフセット補正前気圧 端末オフセット 補正後気圧 時刻 気圧 1Fの気圧基準値 (BXUY : X番のビーコンをユーザYが検知) 1F, 2F間のフロア間 オフセット 2Fの気圧基準値 Estimated ref. 3F B2U2 P’U3 P’U2 P’U1
- 26. xDR: VDR (Vehicle Dead Reckoning) 26 • ⾞輪型移動体に特化することで、安 価なセンサによって実現可能 • ⾞輪回転時に発⽣する振動を解析し、 安定した速度推定を実現 • 加速度・⾓速度・磁気センサ（各3 軸） • スマートフォン内蔵のもので⼗分 • 移動体に固定設置するだけで利⽤可 サイトセンシング社提供 杉原SEI社提供 興梠 正克, 一刈 良介, 蔵田 武志, 車輪型移動体向け自律航法（VDR）に基づく測 位手法とその評価 ― あらゆる移動体の屋内測位を目指して, HCGシンポジウム 2018. 興梠 正克, 一刈 良介, 三浦 貴大, 大隈 隆史, xDR技術に基づく測位・環境推定 ～ キャリブレーションフリーVDRと路面状態の推定 ～, HCGシンポジウム2020.
- 27. VDR (Vibration-based Vehicle Dead Reckoning) 27 振動解析に基づく速度推定 • ⾞輪型移動体において、特に重要な要素 技術は速度推定技術 • 振動解析に基づいて、速度との相関性が ⾼い特徴量Xを⽤いて、速度推定を実現 速度 [m/s] 特徴量Xの値 • 台⾞・カート – 移動距離に⽐例して1〜2%以下の 測位誤差 • フォークリフト・⾃動⾞ – 2〜4%以下の測位誤差 – 実⽤化レベル • 鉄道 – 3〜10%以下の測位誤差 – 開発中の段階
- 28. 産総研でのxDR研究の歴史 28
- 30. サービスの最適設計ループ (測って図る) 30 T. Kurata, et al., Making Pier Data Broader and Deeper: PDR Challenge and Virtual Mapping Party, MobiCASE 2018, pp. 3-17.
- 31. Lab‐Forming Fields (LLF) and Field‐Forming Labs (FFL) 測って図る︓現場のラボ化/ラボの現場化 31 測って図る in 現場 測って図る in ラボ 現場のラボ化 Lab-Forming Site (LFS) ラボの現場化 Site-Forming Lab (SFL) 実際にサービス計測 バーチャルに サービス計測
- 33. Big Data: Platform (ers) Deep Data: Stake (holders) ビッグデータ＋ディープデータ＝ピア（桟橋）データ 33 聞き取り 質的調査 ６Mビッグデータで 効果的に（定量的に） スクリーニング
- 34. • QoW (Quality of Working): 産業競争⼒懇談会（COCN）の2016年度の事業提⾔の１つ • QWL (Quality of Working Life): 欧⽶で1960年代後半から注⽬され、70年代に国際労働機関（ILO）、ヨーロッパ共同体（EC）、経済協⼒開発機構 （OECD）等が積極的に関与 • Decent Work: 1999年の第87回ILO総会において初めて⽤いられた概念 • EPM (Health and Productivity Management): 健康経営 • SDGs (Sustainable Development Goals): 持続可能な開発⽬標 Kurata, T. (2021). Geospatial Intelligence for Health and Productivity Management in Japanese Restaurants and Other Industries, APMS 2021, 9 pages. ⽣産性+QoW=健康経営 34
- 35. 地理空間インテリジェンス（GSI） • GSI: 位置情報を含む地理空間情報と他の情報とを連携させて課題解決 を⽀援する⼿段・技術・ツール – GEOINTは国防寄りのニュアンスが強いため、ここではGSIと記載 – ロケーションインテリジェンスと呼ばれることも（GeoAIとも関連） • IE: Industrial Engineering, OR: Operations Reserach • UI: User Interface, XR: VR, AR, MR等の総称, AR: Augmented Reality, VR: Virtual Reality, MR: Mixed Reality 35 製造業の６M GSIの概念図 Kurata T., Maehata T., Hashimoto H., Tada N., Ichikari R., Aso H., Ito Y. (2019). IoH Technologies into Indoor Manufacturing Sites, IFIP International Conference on Advances in Production Management Systems (APMS), pp.372-380.
- 36. Kurata, T. (2021). Geospatial Intelligence for Health and Productivity Management in Japanese Restaurants and Other Industries, APMS 2021, 9 pages. GSIを⽤いた事例を俯瞰：産総研関連 ⽬的 36 現状把握 改善⽀援 事前評価 （シミュレーション） ⇒改善⽀援の改善 労働⽣産性 向上 • 業務の平準化 • 業務変更・再編効果確認 • ロボット導⼊効果確認 • 対話・運動空間設置効果確認 • 新店舗⽴ち上げ⽀援 • ⾝体的・⼼理的負荷軽減 • スキル分析 • 教育⽀援 • 安全管理・健康管理の同時⽀援 • 視覚障害者就労⽀援の実現可能性の確認 QoW 向上 ⽬標
- 41. AIST/HARC/スマートワークIoH研究チーム： シミュレーションによる改善施策の検証事例 • 担当業務内容・個⼈の能⼒による業務量のばらつきを改善する ことで⽣産性＆QoWをあげられないかを検討 1. ゾーンピッキング＆リレー⽅式の検討 2. シミュレーションに基づく負担の平準化 Zone A Zone A Zone B Zone B Zone C Zone C Zone D Zone D 0 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 頻度 移動距離 移動距離分布（施策なし） ‐20 30 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 頻度 移動距離 移動距離分布（ゾーン導⼊） 0 20 40 0 500 1000 1500 2000 2500 3000 3500 4000 4500 5000 5500 6000 6500 7000 頻度 移動距離 移動距離分布（ゾーン＋平準化） 作業時間：約11⼈時/⽇改善 41 Myokan, T., et al., Pre-evaluation of Kaizen plan considering efficiency and employee satisfaction bysimulation using data assimilation-Toward constructing Kaizen support framework, ICServ 2016, 7 pages.
- 42. 第１回⽬CSQCC：おもてなしと従業員負担の分析・改善事例 現状 把握 マネージャ側の想定 より接客時間が短い 改善 策 ⼯程組換: 夜の準備を 15時前後に集中 (役割分担徹底，⼼がけも) 従業員負担(⾏動指標): 移動距離 [m] 1,000 1,500 2,000 2,500 111213141516171819202122 負担を 変えずに改善 時刻 Before After 42 おもてなし(⾏動指標): 接客エリア滞在割合 30% 35% 40% 45% 50% 55% 111213141516171819202122 時刻 ⼯程組み換えにより 夜の時間帯の準備に 注⼒したため減少 ⼤幅に増加 会計指標: 追加注⽂数 0.0 0.4 0.8 1.2 111213141516171819202122 時刻 機会損失を防ぐ 過剰なサービス削減 客室で部屋で⽚づけしつつ、 追加注⽂を受ける従業員 テーブルごとの 客数を⽰すアイコン その追加注⽂の POS履歴 お客に良い 経営に良い 従業員に良い T. Fukuhara, et al., Improving service processes based on visualization of human-behavior and POS data: A case study in a Japanese restaurant, ICServ2013, pp.1-8.
- 43. 43 改善前 n=64, M=103.7, SD=60.2, Mdn=88.8 改善後 n=90, M=61.1, SD=32.1, Mdn=56.7 第２回⽬CSQCC︓サービス提供空間デザイン 持ち場制導⼊でさらなる⽣産性（労働衛⽣）向上 T. Fukuhara, et al., Estimating skills of waiting staff of a restaurant based on behavior sensing and POS data analysis: A case study in a Japanese cuisine restaurant, Proc. AH-FE2014, pp.4287-4299, 2014. 接客時間は維持しながら、移動距離を減らすことができた。
- 44. 持ち場守備率・専念率から⾒た従業員の熟練度合 44 持ち場専念率＝⾃分が取った注⽂の内、どれくらいが⾃分の持ち場のものだったか IV. ベテラン型（余裕型） ⾃分の持ち場を守れていて， 尚且つ，他のエリアのカ バーもできている状態． II. ⼿⼀杯型 持ち場の注⽂をもれなく取 ろうと努⼒はしているが， 実際には処理オーバーに なっている状態 III. きっちり型 ⾃分の持ち場の注⽂はもれな く取るが，他のエリアの注⽂ までは積極的に取りに⾏かな い，もしくは⾏けない状態． I. ⽬的意識⽋如型 持ち場の注⽂を取れておら ず，尚且つ，持ち場以外の 注⽂ばかり取っている状態． 持ち場を守るという⽬的を 共有できていない状態 持ち場守備率＝⾚／⻘ 持ち場専念率 ＝⾚／橙 individual skill 持ち場守備率＝⾃分の持ち場の注⽂を、どれくらい⾃分で取れたか
- 45. 45 2012年1月～2月 2014年 11月号 IV. ベテラン型 （余裕型） II. ⼿⼀杯型 III. きっちり型 I. ⽬的意識⽋如型 改善前 III. きっちり型
- 46. 改善後 46 • 客席エリア滞在時間：維持（2011年のＱＣ（接客時間を増やそう）が定着） • 移動距離：減少！ • チームパフォーマンス向上（未熟練者のスキル向上、熟練者の負荷低減） 2014年 11月号 2012年1月～2月 IV. ベテラン型 （余裕型） II. ⼿⼀杯型 III. きっちり型 I. ⽬的意識⽋如型
- 47. GSIを⽤いた事例を俯瞰：産総研関連 ⽬的 47 現状把握 改善⽀援 事前評価 （シミュレーション） ⇒改善⽀援の改善 労働⽣産性 向上 • 業務の平準化 • 業務変更・再編効果確認 • ロボット導⼊効果確認 • 対話・運動空間設置効果確認 • 新店舗⽴ち上げ⽀援 • ⾝体的・⼼理的負荷軽減 • スキル分析 • 教育⽀援 • 安全管理・健康管理の同時⽀援 • 視覚障害者就労⽀援の実現可能性の確認 QoW 向上 ⽬標 第3回⽇本サービス⼤賞: 経済産業⼤⾂賞（2020） 第8回ロボット⼤賞: ⽇本機械⼯業連合会会⻑賞（2018） がんこフードサービス(株)
- 50. 搬送ロボット導⼊の初年度の結果：投⼊労働量は削減 50 • 労働投⼊量（⼈時/⽇）： 292 ⇒ 270 • 売上（円/労働投⼊量）：8,000 ⇒ 8,900 • ロボットへの投資を2年半で回収 Shinmura, T., et al., Service robot introduction to a restaurant enhances both labor productivity and service quality, CIRP ICME '19 (2019) 投⼊労働量（⼈時/⽇） 投⼊労働量（⼈時/⽇） 売上 （円/労働投⼊量） 売上 （円/労働投⼊量） 搬送ロボット導⼊前 搬送ロボット導⼊後
- 53. 改善２：継ぎ⾜し充電パタンの最適化 53 櫻井ら (2020). ⼈・ロボット協調サービスシステムに関する研究 飲⾷業におけるシミュレーションによるAGV運⽤評価, ⼈⼯知能学会第34回全国⼤会, セッションID 1F3‐OS‐2a‐03 短時間 充電場所 ⻑時間 充電場所 ⾃動充電電源 • 充電モデルを⽤いた充電ルール設計 • 充電残量80%以下 ⇒ ⻑時間充電場所で15分充電 • 短時間充電場所が空いている ⇒ 2分充電 • マルチエージェントシミュレーションによる顧客満⾜度 を優先させた最適化
- 54. 搬送ロボット⾃体の⽣産性 54 • ロボットの移動距離（m/客数）： 1.27 ⇒ 1.59 • ロボットの移動距離（m/ロボット）：511 ⇒ 1,012 Shinmura, T., et al. (2020). Human–Robot Hybrid Service System Introduction for Enhancing Labor and Robot Productivity, IFIP APMS 2020, pp 661‐669 １年⽬ Y = ‐0.0016x + 1.9328 R2 = 0.1234 移動距離（m /客数） 搬送ロボット導⼊１年⽬ ２年⽬ 客数/⽇ 客数/⽇ Y = 0.0011x + 0.9208 R2 = 0.2396 客数（⼈/⽇） 移動距離（m/客数） 搬送ロボット導⼊２年⽬ 客数（⼈/⽇）
- 55. 搬送ロボット導⼊によるスタッフのエリア滞在割合の変化 55 客室滞在割合増加： 接客業務に集中 接客係 導⼊直後 定着後 接客補助 配膳係 厨房滞在割合増加： 厨房での配膳業務に集中 客室滞在割合増加： 接客業務に集中 新村猛 (2021). ⾷サービス分野における⼈間機械協奏」, JST OPERA第3回産総研協奏効果研究会
- 56. ⼤学院システム情報⼯学研究科 知能機能システム学位プログラム ⾼層ビルメンテナンスサービス事例︓ 多能⼯化（業務再編前後）での業務効率と「ゆとり」の分析 10軸PDR, BLE, MAPを⽤いて、⾼層ビル2棟でのビルメンテ従事者の⾏動（位置）を計測 56 ⼤規模業務再編に伴う業務内容の変化 再編内容: ビルごとの独⽴管理 → 複数ビル（２棟）の群管理 変化点:２棟のビルを担当、⼈員削減（18%減）、集中遠隔監視で事務 所内業務減、メンテ作業増、ビル間移動の負荷増加の懸念 Ryosuke Ichikari, Haruka Nishida, Ching-Tzun Chang, Takashi Okuma, Takeshi Kurata, Katsuko Nakahira, Muneo Kitajima, Akio Hakurai, and Takuya Misugi, A case study of building maintenance service based on stakeholders’ perspectives in the service triangle, Proc Joint Conf. of ICSSI2018 & ICServ2018, pp.87-94, 2018.
- 57. ⼤学院システム情報⼯学研究科 知能機能システム学位プログラム 業務再編内容 57 担当ビルは固定・独⽴管理 事務所内 ・定期メンテ ・突発作業 ・ 必 要 ⼈ 員 削 減 ・ 監 視 業 務 効 率 化 事務所内 ・定期メンテ ・突発作業 ⼤規模業務再編に伴う業務内容の変化 再編内容: ビルごとの独⽴管理 → 複数ビル（２棟）の群管理 変化点:２棟のビルを担当、⼈員削減（18%減）、集中遠隔監視で事務所内業 務減、メンテ作業増、ビル間移動の負荷増加の懸念 担当ビル間を移動・群管理 事務所内 ・定期メンテ ・突発作業
- 58. ⼤学院システム情報⼯学研究科 知能機能システム学位プログラム 三⽅良し︖︕︓効率化・サービスの質・QoW 58 企業 ⽣産性の向上 サービス品質の維持 顧客 従業員 サービス品質の維持 サービス契約の適正価格 負荷増加の客観化 労働環境の質(QoW)の 定量化(時間的ゆとり) ⼤規模業務再編に伴う業務内容の変化 再編内容: ビルごとの独⽴管理 → 複数ビル（２棟）の群管理 変化点:２棟のビルを担当、⼈員削減（18%減）、集中遠隔監視で事務所内業 務減、メンテ作業増、ビル間移動の負荷増加の懸念
- 60. 業務再編効果分析の⽅法 • 従業員⾏動計測，事務業記録アプリの導⼊と現場取得データを ⽤いた作業内容の客観的把握・分析 60 事務作業⼊⼒ 測位データ 業務記録 アプリで 選択肢から 選択して⼊⼒ CAFM(Computer Aided Facility Management) データから変換 スマホで，ジャイロ，加速度， 磁気，気圧データとBLEビーコン からの信号を記録して測位 事務所内の 作業把握 事務所外の作業， 作業計画を把握 移動，滞在エリア・ 時間・距離の推定 調査1回⽬: 2017/6/24〜2017/7/2 → Before 調査2回⽬: 2017/9/30〜2017/10/9 → After 時間 作業内訳修正⇒記録矛盾の解消
- 61. ⼤学院システム情報⼯学研究科 知能機能システム学位プログラム 分析結果 事務所内作業量削減✔ 14%↓ ⼈時⽣産性向上 ✔ 22%↑ 品質維持 ✔ 業務実態透明化 ✔ 適正価格/給与算出 今後 品質維持 ✔ 適正価格⾒積 今後 CS評価 今後 移動距離 X 50%↑ 時間的ゆとり X 16%↓ 給与 → 業務実態透明化 ✔ ES評価 今後 61