人工知能 (AI) と センサー技術 の大幅な改善により、次世代の自動運転車や自律走行車が現実のものとなりつつあります。自動運転の進化を通じて、人工知能アルゴリズムを運転用に訓練するための多くの方法が開発されてきました。
配達ロボットや倉庫内AVなど、ディープラーニング技術を活用した自律走行車は、すでに専用環境でのナビゲーションを習得しています。しかし、路上で見かける自動運転車は、すべての運転条件を完全にマスターしているわけではありません。
今日の自動運転車市場では、非公式の「完全自律走行への競争」が繰り広げられています。世界中の企業が、完全自動運転が可能な最初の一般販売可能な車となることを目指して競争しています 。そのため、これらの企業は、完全な自律性を実現するために、さまざまな センサー スイート、AIアルゴリズム、トレーニング方法を車両に活用しています。これらのトレーニング方法論は、各企業にとって最も基礎的な知的財産とみなされています。
この記事では、自動運転車のディープラーニング手法の最も人気のある側面のいくつかを取り上げ、自動運転車のエンドツーエンドの学習が最新の自動運転車のトレーニングにどのように使用されているかを説明します。
エンドツーエンド学習による個別システムトレーニング
自動運転車は、従来の非AIコンピューティング手法を使用して実現できる可能性があります。ただし、この方法では、ソフトウェアがシステム内のあらゆる可能性のある条件に対応できる必要があります。
たとえば、特定のセンサーが値を読み取る場合、ソフトウェアはその条件を明示的に処理する方法を知っている必要があります。しかし、無限のセンサー値、環境条件、未知の複雑さを考慮すると、サブシステムのトレーニングは自動運転車に対するかなり弱いアプローチであることが証明されています。
これは、自動車メーカーが単純なシステムを自動化しようとしていることにも表れています。たとえば、ドライブ中にクルーズコントロールを使用するとき、多くの車は、人間のように効率的かつ安全に加速を管理するのではなく、急な坂を上るときに速度を維持することだけに焦点を当てます。確かに効果的なAIベースのクルーズ コントロール モデルは存在しますが、ステアリングやブレーキなどの車両内の他のサブシステム モデルと組み合わせると失敗することがよくあります。そのため、自動運転車の研究者やメーカーは、一度に単一のサブシステムではなく、車全体のトレーニングに重点を置いた、エンドツーエンド学習と呼ばれる代替トレーニング方法をほぼ満場一致で採用しました。
自動運転車向けエンドツーエンドのディープラーニングとは何ですか?
多くの点で、現代の自動運転車は最先端の技術の集合的な集大成です。これらには、 LIDARシステム、高度な カメラ、 レーダー、AI向けコンピューターなどの搭載センサーが含まれます。そのため、ほぼすべての自動運転車は、これらのセンサーを利用して自らの位置をローカルに制御するため、「自己中心的」であると見なされています。自己中心的な自動運転車の別の例としては、車に搭載されているのではなく、街中に配置されたセンサーから収集された情報に基づいて街中を移動する車が挙げられます。
そのため、自己中心的な自動運転車は、周囲のセンサーデータをネイティブに収集し、そのデータを理解し、その理解に基づいて車両を操縦します。このエンドツーエンドのデータ処理は、当然ながら 自動運転車のトレーニング方法に影響を及ぼします。エンドツーエンドの学習方法論では、同じ自己中心的モデルを採用して、車両が「ピクセルから舗装まで」データを活用できるようにするアルゴリズムとニューラル ネットワークを構築します。エンドツーエンドのトレーニングでは、自動運転車のサブシステムを個別にトレーニングするのではなく、システム全体を集合的にトレーニングします。
例えば、 テスラのデータエンジン 自律走行車のトレーニング インフラストラクチャは、車両に搭載されたさまざまなセンサーからデータを収集し、そのデータを処理して、環境の状況、障害物、主要なコンポーネントを理解します。テスラの自動運転ニューラル ネットワーク モデルは、環境に関するこの理解に基づいて、車両内のすべてのサブシステムを理解どおりに瞬時に制御できます。このエンドツーエンドのモデルにより、人間からの入力を必要とせずに、自動運転車のあらゆる側面が連携して動作できるようになります。
エンドツーエンドのディープラーニングのサブ方法論
エンドツーエンドのディープラーニングには、自動運転車のトレーニングに使用できる戦略が数多くあります。ここでは、さまざまな企業でよく使用される方法をいくつか紹介します。多くの場合、これらのサブ方法論の複数を冗長なトレーニングと反復的な改善に使用できます。
車両挙動のクローン
行動クローニングトレーニング法では、他の車がシナリオをどのようにナビゲートするかを条件付きで模倣します。たとえば、AIモデルは、道路上の他の車が工事現場や雨天時の運転状況、さらには高速道路を走行する方法を模倣するようにトレーニングできます。動作クローニング手法では、車両は、たとえ自動運転車でなくても、周囲のすべての車両の入力を利用してナビゲーションを学習します。ただし、周囲に先導してくれる車がいない状態で車を操縦する必要がある場合、この方法は信頼できない可能性があります。
人間の運転を模倣
同様のシナリオに置かれた他の車の動作を複製するのではなく、人間の運転を模倣することで、自動車を自律的に運転できるようにトレーニングするための、はるかに自己中心的なアプローチが可能になります。たとえば、テスラの自動運転モデルは常時稼働しています。車の運転手がモデルが行うであろうことと反対のことをすると、テスラは人間の運転データを収集し、将来のモデルを教育します。
鳥瞰図モデル
鳥瞰図 (BEV) モデルは、さまざまなセンサーからのデータを使用して作成でき、最終的には2Dまたは3Dモデルになります。これにより、車両はさまざまな運転シナリオにわたって共通の運転ポリシーを理解できるようになります。たとえば、ラウンドアバウトに進入する車両は、BEVモデルを使用してトレーニングされた場合にのみ、最適な自律ナビゲーション手段を解釈できる可能性があります。地図ベースのナビゲーション手段はすべてのナビゲーション課題に適用されるわけではありませんが、BEVモデルを使用してトレーニングされた車両は、標準的な運転ポリシーをよりよく理解し、五叉路、ラウンドアバウト、工事区域などの微妙な運転状況に適用することができます。
さらに、BEVモデルは、エンドツーエンド以外の学習モデルでのAVトレーニングにも使用できます。メーカーは、直接のセンサーデータを使用していなくても、特定のマップされた条件で動作するように車をトレーニングできます。たとえば、Googleマップなどの膨大なデータセットは、ダラスのハイファイブ インターチェンジのような複雑で静的な交差点を車両が走行できるようにトレーニングするのに役立ちます。
独自の方法
膨大で適切にラベル付けされたデータセットを使用したエンドツーエンドの学習により、おそらく初の完全自律走行車が誕生するでしょう。もちろん、自動運転車向けの機械学習には、独自仕様でパブリックドメインには知られていないサブ方法論も存在します。しかし、過去20年間の自動運転車の進歩は目覚ましいものであることは間違いありません。既知の自動運転トレーニング方法論は、近い将来、完全に自律的な世界に貢献するでしょう。