takano and Nakamura (2009), “Realtime Unsupervised Selftuning Segmentation of Behavioral Motion Pattern Based on Probabilistic Correlation and Its Application to Automatic Acquisition of Proto-Symbol”
多分一番新しい論文で、以下の高野先生の論文を包括している。
具体的には、分節化された運動パターンに対して、さらに新たなHMM(=運動パターンHMM)をあてがって、そのHMMに対してKullback Leibler情報量によって距離を定義する。
それを満たすような空間を多次元尺度法（次元はエラーの収束する範囲で妥当に小さいものを選択）によって構成し、その空間でのクラスタリングによっておこなう。

Inamura et al., “Keyframe extraction and decompression for time series data based on continuous Hidden Markov Models” 論文(日本語版あり)
HMMを用いてキーフレームを抽出する研究。なんでこれで「キーフレーム」という重要な情報が抽出可能なのかが理解できない。

稲邑 et al., “ミメシス理論に基づく見まね学習とシンボル創発の統合モデル” 論文
ミラーニューロンの工学的構成の研究。
HMMの状態遷移行列と混合ガウスのパラメータを原始シンボルと名づけて、見まねのダイナミクスの表現としている。
HMMなので、1000回ほど試行を繰り返してそれを平均することで強引に生成が可能。
Left to Rightモデルを使っているので循環的な、すなわち失敗に対して再試行をかけるような動作は不可能。また、複数回の調整を行うことも出来ない。
HMMの制限から行動要素集合(=HMMが出力可能な関節角)などが離散(今回は3次元で90個)なので、(1)次元を増やすと数が増えて大変、(2)生成のときにガタガタする
自由度3に限定してやっと1回の生成に1秒くらい。

Takano et al., “Capture Database through Symbolization, Recognition and Generation of Motion Patterns” 論文

Lee and Nakamura, “Mimesis Scheme using a Monocular Vision System on a Humanoid Robot” 論文
ミメシスモデルを用いて2次元の写真から3次元を再構成する。

Takano and Nakamura, “Segmentation of human behavior patterns based on the probabilistic correlation” 論文
動作の切れ目を、「過去の運動履歴から予測不可能である」ことで特徴づけて、局所的な運動特徴量をHMMを用いて定義して、その相関学習の予測誤差が連続して大きくなった部分を運動の切れ目と定義する。
データを細かく区切ってやって、それを複数個のHMMsで尤度を調べ、最尤HMMで学習させることで、下位のHMMを自己組織化させる。
最大から何個か反応したHMMを1、そうでないものを0とする、下位HMMの数の次元の特徴量を、時間方向に数個並べたものを相関学習で予測させる。