自動運転車、スマートロボット、自律マシン、無人ドローンの共通点は何でしょうか?これらはすべて、 エッジコンピューティング技術。エッジ コンピューターは、データ ソースの近くで動作するように特別に構築されたコンピューターです。つまり、リモートの処理能力に依存しません。
この概念は些細なことのように思えるかもしれませんが、多くのエンジニアはエッジをコンピューティングの最新のフロンティアと見なしています。技術が進歩するにつれて、多くの産業に革命が起こるかもしれません。もちろん、どんなに強力なコンピュータでもデータがなければ役に立たず、これはエッジ コンピューティングにも当てはまります。
ここではトップを探ります センサー 自律走行車のエッジコンピューティング アプリケーションで使用されます。また、企業が反復的な機械学習を継続的に使用してエッジ コンピューティング デバイスをトレーニングする方法についても説明します。
エッジコンピューティングとは何ですか?
コンピューティングの世界には、広範囲にわたる処理機能と方法論が存在します。一般的な目安として、コンピューターとデータ センターの処理能力は、処理できる1秒あたりの浮動小数点演算 (FLOPS) の量によって測定されます。
2022年、地球上で最も強力なコンピューターは、442ペタフロップス、つまり442,000TOPS（テラフロップス - 1秒あたり1兆回の演算）で動作する日本のスーパーコンピューター「富岳」です。一般的に、 機械学習、人工知能、並列コンピューティングに特化したコンピューターは、TOPS測定を使用してベンチマークされます。時間の経過とともに、スーパーコンピュータの速度容量は着実に増加し、エクサフロップス（(1000000 TOPS）の速度範囲に向かっています。
実際の参考として、iPhone 13はAppleのA15 Bionicチップで動作し、15.8 TOPSを達成できます。今日の携帯電話は、わずか20年前の世界最速のスーパーコンピューターよりも強力であることに留意してください。
データ センターは、その驚異的な処理能力と、機械学習やニューラル ネットワーク トレーニング アプリケーションでの継続的な使用の両方で有名です 。ただし、処理速度を活用するには、直接または仮想的にデータ センターに接続する必要があります。
エッジ コンピューティング テクノロジーは、データ センターへの接続が不可能または望ましくないアプリケーションで多用されます。たとえば、移動中の車両で大量のリアルタイムビデオデータが収集されるとします。その場合、AI画像認識はデータセンターではなくローカルでのみ実行できます。
これは、ワイヤレス インターネット接続速度が、標準のクラウド コンピューティング データ モデルを使用した必要なリアルタイム データ転送をサポートできないためです。
エッジの優位性
自転車の例を考えてみましょう。自転車を適切にAIで識別できるかどうかが、車が自転車を回避できるか衝突するかの違いとなるのであれば、障害物回避アルゴリズムができるだけ早く識別して対応できるように、あらゆる安全対策を講じる必要があります。
理論的には、データ センターは「エッジ」に配備されたコンピューターよりも効果的に自転車利用者を識別できる可能性がありますが、エッジ コンピューターでは、自動運転車、そのセンサー、およびその制御システム内での通信遅延はゼロです。
したがって、「エッジ コンピューティング」という用語は、データ センター、ワークステーション、または別の固定された場所にあるコンピューターではなく、ソース (エッジ) でデータを処理できるあらゆるコンピューティング デバイスに適用されます。
エッジ コンピューティングでは、複雑なアルゴリズムを使用してデータをリアルタイムで処理するため、リアルタイムのデータ処理が可能になります。そのため、リアルタイムのデータ解釈が必要な場合や、外部処理サーバーへの接続が実現不可能または安全でない場合、エッジ コンピューティングが適しています。
ただし、エッジ コンピュータには、データ センターに一般的に備わっている処理能力がなく、標準的なデータ センターほど多くのエネルギーを消費することもできません。代わりに、最新のエッジ コンピューターは、1 TOPS未満から数百TOPSの処理速度を維持できます。
Arrow.comのパートナーであり、エッジ コンピューティングの業界リーダーであるNVIDIA は、0.472 TOPSで動作する JETSON Nano から、最大320 TOPSで動作するJetson DRIVE AGX Pegasusまで、幅広いエッジ コンピューティング ソリューションを提供しています。詳細については、 NVIDIA JETSON Nanoの設定方法 に関する記事をご覧ください。
自動運転車のセンサー
リアルタイムのデータ処理機能により、エッジ コンピューティングは自然に自動運転車技術の柱としての地位を確立しました。しかし、このデータはコンピューターによって生成されるのではなく、自律走行車の周辺の「目」と「耳」を構成する多数のセンサーによって生成されます。
センサーのトポロジーは、同じセクター内であっても、自動運転車ごとに大きく異なる場合があります。たとえば、テスラ、クルーズ、オーロラ・イノベーションズなど、自律型パーソナル車両分野の大手競合他社は、さまざまなセンサースイートを提供していますが、いずれもレベル5の自律性自動運転機能を実現できていません。
自動運転AIのさまざまなレベルについて詳しくは、「自動運転車テクノロジーの5つのレベル」をご覧ください。
一方、Nuroの車両などの自律型配達ロボットや、Google Waymoのストリートビューカーなど人間を乗せない他の車両は、完全な自動運転機能の実現にかなり近づいている。
ほとんどの自動運転センサーは基本的に同じで、車両の操縦を助けるために周囲の世界に関するデータを収集します。たとえば、第3世代のNuro車両には、カメラ、 レーダー、 Lidar、 サーマル カメラ が搭載されており、車両の周囲の完全な多層ビューを提供します。
現在、テスラは8台のカメラ12と前方レーダー システムを使用していますが、Nuro車両よりもカメラの映像に大きく依存しています。GoogleのWaymo Driverは主にLiDARに依存しており、カメラとレーダー センサーを使用して周囲の世界をマッピングします。
機械学習が自動運転車のAIをトレーニングする方法
すべての自動運転車および車両で収集されるセンサー データの価値は、センサー自体の下流の計算方法によって決まります。多くの点で、Tesla、Waymo、Aurora Innovations、Nuroなどの企業にとって最も価値のある知的財産は、センサー データを処理して実行するために構築されたソフトウェアとデータ インフラストラクチャです。
完全自律化への競争の勝者は、最高のセンサー ハードウェアを持つ企業ではなく、センサー データを最も正確、効果的、安全に活用できる企業によって決まります。
現在、路上を走るすべての自動運転車はエッジ コンピューティングAIプログラムを利用しており、多くの場合、データ センターの機械学習モデルを使用してトレーニングされています。自動運転車の機械学習モデルは、数百ペタフロップスの能力を持つ最新のデータセンターの驚異的な計算能力によってのみ実現可能です。
これらの膨大な機械学習モデルの計算要件は、エッジ コンピューターの計算能力をはるかに超えています。この情報を考慮すると、エッジに展開されるアルゴリズムを形成するためにデータ センターがよく使用されます。
比喩的に言えば、高度な代数学を習得するには何年もかかりますが、いったん代数学を理解すれば、代数学の問題を迅速かつ正確に解くことができます。
AIのトレーニング アルゴリズムは同様ですが、高出力データセンターでは数百時間の計算時間がかかります。しかし、一度そのアルゴリズムを学習すれば、はるかに少ない計算能力でそのアルゴリズムを迅速かつ正確に利用できるようになります。
自動運転車がAIを実装し、活用する方法
自動運転技術は、 人工知能、車両センサーの精度、強力な機械学習データセンター。
自動運転車アプリケーション用の機械学習モデルを処理するには、数百または数千ペタフロップスの計算能力が必要になる場合がありますが、これらの非常に複雑なアルゴリズムは、わずか数百TOPSのハードウェアを使用してエッジで処理できます。現代のエッジ コンピューターが実現する膨大な計算能力により、完全自律走行車の実現が間近に迫っていることは間違いありません。
