4．IoT時代のセンサデータ

センサ信号をマイコンとつなぐインターフェイス規格として図10に示すようにSPI（Serial Peripheral Interface）やI2C（Inter-Integrated Circuit）などがあり、図中に示すプログラム命令（Python言語）を使いセンサデータの取得を簡便にしている。

次世代センサ協議会では、「IoTセンサ技術実習セミナー」を行っているが、これはワンボードコンピュータのラズベリーパイ３（Raspberry Pi 3）を使い各種センサを用いた計測とそのデータのクラウドへの収集を経験するものである。

図11はラズベリーパイ３の全体写真とその外部端子である。名刺大の大きさで通信端末として有線LAN、WiFi、Bluetoothを内蔵しており、外部インターフェイスとして上記のSPI（Serial Peripheral Interface）とI2C（Inter-Integrated Circuit）を備えている。

ラズベリーパイ3は、最近のマイコンではよく内蔵されるA/D変換回路を持たないので、外部にA/D変換回路を設けてセンサからのアナログ信号を取り込む必要がある。マイクロチップ社のMCP3002（SPIインターフェイスを持つ10ビット2チャンネルA/D変換回路）を使用した場合の測定例を図12に示す。

ラズベリーパイでは、プログラミング言語としてGuido van Rossum氏が開発したPythonが良く使われる。Pythonは人が理解し易い高水準言語で、機械語に翻訳するコンパイルが不要なスクリプト言語であり、AI（Artificial Intelligence）のディープラーニングのプログラムでも良く使用されている。

図12の回路に対するデータ取得プログラムを参考のため図13に示す。最初のimport という命令はPythonに組み込まれている共通の機能がまとめられているモジュールを読み込みもので、import spidevはspidev モジュールをインポートする命令、spi = spidev.SpiDev()はSpidev オブジェクトのインスタンス（あらかじめ定義されたプログラムやデータなどを 、メインメモリ上に展開して処理・実行できる状態にしたもの）作成の命令である。このプログラムにより、２種類のアナログ信号のデータを読むことができる。

IoT（Internet of Things）においては、センサにより集められた大量のデータ（ビッグデータ）をどう活用するかが大きな課題になっており、図14に示すようにＡＩの利用、中でもＡＩの一分野である『機械学習』の一つである『深層学習（Deep learning）』に期待がかかっている。機械学習とは「ロボットやコンピュータなどの機械が、与えられたデータから自動的に学習し最適なパラメータを取得する手法」で、深層学習（Deep learning）は神経細胞の回路網に相当するニューラルネットワークが多層（Deep）に構成されたものである。囲碁で「AlphaGo」がプロ棋士に勝利した事や、自動車の自動運転などにより、第３次ＡＩブームが実感されるようになっている。

深層学習（Deep learning）は、脳を手本としたもので、脳と似た構造、機能をもっている。脳の神経細胞（ニューロン）回路における、神経細胞の興奮（活動電位）の生化学的なメカニズム、シナプス結合による他細胞への信号伝達、学習によるシナプスの伝達効率の変化（シナプスの可塑性）は図15のように人工のニューラルネットワークに対応される。また、脳は６層の神経回路網からなり高度な情報処理が行われている。

1980年代の第２次ＡＩブームにおいて、機械学習の一つとしてバックプロパゲーション（Backpropagation、誤差逆伝播法）がDavid E. Rumelhartにより提唱された。３層のニューラルネットワーク（入力層、中間層、出力層）において中間層の活性化関数として非線形関数が用いられ、出力層の誤差からニューラルネットワークの結合度が調整される。そのため、ニューラルネットワークを多層化すれば脳のような情報処理が実現できると期待された。しかし、多層化による高度な学習実現の試みは、しばらく頓挫することになる。これは、ニューラルネットワークの層を増やしてゆくと、当時のバックプロパゲーションの手法では出力誤差から十分な学習ができなかったためである。
『深層学習（Deep learning）』は、ニューラルネットワークの層を多層に深くしても学習できるように工夫されたもので、画像や音声の解析に効力を発揮している。2012年に画像認識の世界的なコンテストであるILSVRC（ImageNet Large Scale Visual Recognition Challenge）で「AlexNet」³⁾ が多層のCNN（Convolutional Neural Network、畳み込みニューラルネットワーク）を使用して抜群の認識率を達成した。それ以降、CNNにおいて層をより深くしたニューラルネットワークによる認識率の向上が競われている。
『深層学習（Deep learning）』に関して、次世代センサ協議会ではディープラーニングセミナー（実習付き）が行われており、このセミナーにおいてはディープラーニングライブラリを用いた、多層ニューラルネットワークでの画像認識、再帰ニューラルネットワークでの時系列データ予測、上記のCNNによるMNISTの手書き文字認識の実習が自分のパソコン上で実施することができる。また、モーターの動作異常の検出を、加速度センサで測定した信号をディープラーニングで解析することにより行っている。自分でプログラムや装置を動かすことにより、ディープラーニングの性能を実感できるものとなっている。

5．IoT時代のセンサ情報セキュリティ

IoTの普及とともに重要性を増しているのがセンサ情報のセキュリティである。図5に示したように、IoTが現実の物理空間とサイバー空間をつなぐものであるため、IoT機器へのサイバー攻撃は人の生命や社会の安全に対する大きな脅威になる可能性がある。

「IoTセキュリティガイドライン」⁴⁾ は、これらの脅威に対処するために経済産業省と総務省が示したもので、センサに関するものとしては（１）外部インターフェイスからのリスク、内包リスク、物理的接触リスクの3つについて個々の機器で対策を検討、（２）個々のIoT機器やシステムで対応しきれない場合、それを含む上位の機器やシステムで対策を検討、（３）IoT機器・システムの異常を検知できる設計、などが示されている。

6．おわりに

IoT時代のセンサ技術について、これまでの進歩や現状、将来について解説を行った。IoTにおいてはデータが中心的な役割を果たすが、それを生み出すセンサの重要性が改めて注目されている。
IoTセンサ技術研究会は、次世代センサ協議会の目指す「センサを高機能・高付加価値化させる革新的センサ技術」＝「SENSPIRE (=Sensor inspire)」創出の一端を担う活動を行っている。

4.光ファイバ干渉計と応用センサー

4.1 光干渉計と干渉条件

光は波なので干渉する。二つの波源からでたヤングの干渉実験は有名である。図4.1に３つのタイプの光ファイバ干渉計を示す。光ファイバ干渉計は一つの光源から出射された光を分岐して分岐光の光路差(位相差)を光の干渉で検出する。(a)のマイケルソン干渉計は身近なところでは医療用ＯＣＴに使われている。また数年前のアインシュタインが１００年前に存在を予言した重力波の観測にもこのマイケル干渉計が使われている。(b)のマッハツエンダ干渉計はL.MachとL.Zehnderによって1891年にほぼ同時に考案された。筆者も光ファイバをカンチレバーの上下に張り付けた歪センサーを試作し干渉縞を観測した経験がある。(c)はリング干渉計でリングを左右両方向に伝搬する光の位相差を測定する。光ファイバジャイロはリング干渉計の光路を光ファイバで構成したものであり、次章で詳しく述べる。

図4.2はマッハツエンダ干渉計で干渉縞の観測をしている様子を示している。我々は経験上Ａ端とＢ端から出射される偏波面が一致し、干渉性のある（コヒーレントな）光源の時に干渉縞が生じることを知っている。すなわち光が干渉する条件は光源から出射された二つの光の偏波面の整合と光源からの距離の差(光路差)がコヒーレント長以下であることである。光の干渉は重要な現象なのでこの命題の理由を考えてみたい。レーザの国際会議で常に”What is light?”、 “The nature of light.” 等のテーマのチュートリアルがあるように光の正体はいまだ神秘的である。ここではハイゼンベルクの不確定性原理を考える。
同原理によると光のエネルギーと時間の観測誤差は以下の関係がある。ここでｈはプランク定数である。

ΔT・ΔE　≥　h・・・（１）
これを変形すると

ΔX　≥（λ２/Δλ）・・・・（２）

となる。（２）式の右辺はいわゆる光源のコヒーレント長である。つまり光源が決まると二つの光の光源からの距離の差がコヒーレント長まで広がっても干渉する。次に偏波面の整合が干渉に必要な理由について考える。図4.2で同一偏波の場合A端、B端のどちらから出射したかが識別できない、すなわち位置誤差ΔＸがあるのでエネルギーが観測できる。すなわち干渉縞が見える。Ａ端とＢ端から直交した偏波が出射された場合は干渉する光子が偏波状態で区別されておりどちらの端子から出射したかの位置誤差（あいまいさ）はない(ΔＸ＝０)のでエネルギーの観測誤差は無限大になり干渉縞が見えない。これは筆者の考察であるので物理学のご専門の先生にご批判をいただければ幸いである。

４．２　光ファイバジャイロ

リング干渉計が回転するとリングを両方向に伝搬した光の干渉光が回転の速さに比例して変化するので角速度が計測できる。この現象は１９１３年にフランス人のＳａｇｎａｃによって発見され、発見者に因んでＳａｇｎａｃ効果と呼ばれる。リングを光ファイバで構成した光ファイバジャイロ（FOG:Fiber Optic Gyroscope）は１９７６年にＶａｌｉによって発表された。ＦＯＧにはオープンループ型とクローズドループ型の２タイプある。ここでは図4．3に示すオープンループ型について説明する。

ＦＯＧは光干渉センサーなので光ファイバには偏波面保存ファイバ（PMF:Polarization Maintaining Fiber）が適している。オープンループFOGは光ファイバのみならず分岐器や偏光子などの光部品がすべて光ファイバ型で構成できる。筆者は１９７０年半ばから日立電線（現日立金属）で通信用光ファイバ・ケーブルの開発に従事した。１９７０年後半からは日立製作所中央研究所の指導のもとＰＭＦの開発に従事した。当時ＰＭＦは将来のコヒーレント光通信用に使われる可能性があり、またジャイロスコープなどの計測用への適用の可能性も指摘されていた。当時の会社のトップから新製品開発はメーカ存続の鍵であるのでPMFのみならずＦＯＧを開発するような指示が降りた。

このような背景のもと図4.4に示すＰＭＦを世界で初めて商用化に成功し１９８３年に日刊工業新聞の１０大新製品賞を受賞した。一方ＦＯＧを開発するために１９８０年代後半に関連の光部品も開発し１９９０年はじめに産業用のＦＯＧの商品化に成功した。その後１９９０年代初めにトヨタ自動車マークＩＩなどの高級車のカーナビ用にオープンループＦＯＧを約1万台納入し、「カーナビ用光ファイバジャイロ」で１９９３年度のＩＲ１００を受賞した。当時はＧＰＳも普及しておらずＦＯＧで自立航法ができた。その後ＧＰＳ用衛星が打ち上げられ、道路地図も高精度化され、マップマッチングソフトも登場したためジャイロは安価な振動式に置き換えられた。しかしＦＯＧはその他の用途で今日まで２０数年間にわたりロングセラーとなっている。ＦＯＧは光ファイバが囲む面積に感度が依存する。光ファイバ長を１ｋｍ、ファイバコイル直径が１０ｃｍの場合、０．１度／時オーダーの回転角速度が検出できる。弊社にある手のひらサイズのサンプルＦＯＧは地球の自転角速度（24時間で１回転、１５度／時）を容易に計測できるわけである。一般にＦＯＧは筋の良いセンサーだと言われている。Ｓａｇｎａｃ効果は相対性理論によって証明できる。また最小角速度分解能は不確定性原理によって導かれる。ＦＯＧは今日の物理学を支える２つの理論に支えられている。そのほかＦＯＧには前述した光ファイバのメリットがある。現在まで実用化されているＦＯＧのもう一つの応用としてフェンス（侵入）センサーがある。