自動運転における機械学習アルゴリズムの理解

機械学習アルゴリズムは、自動運転のさまざまなソリューションで広く使用されています。電子制御ユニットでのセンサーデータ処理により、機械学習の利用が大幅に向上しました。また、さまざまな外部および内部センサー（LIDAR、レーダー、カメラ、モノのインターネットなど）からのデータ融合を使用してドライバーの状態を評価したり、運転シナリオを分類したりするなどの潜在的なアプリケーションもあります。

KDnuggets ウェブサイトに最近公開された記事で、著者の Savaram Ravindra 氏は、自動運転における機械学習アルゴリズムを、決定マトリックス アルゴリズム、クラスタリング アルゴリズム、パターン認識アルゴリズム、回帰アルゴリズムの 4 つの主要なカテゴリに分類しています。

これらのアルゴリズムがどのように適用されるかを彼と一緒に見てみましょう。

[[197583]]

アルゴリズムの概要

まず、自動運転のシナリオを想像してみましょう。車のインフォテインメント システムは、センサー データ フュージョン システムから情報を受け取ります。システムがドライバーの体調が悪いと判断すると、無人車両を近くの病院に誘導します。

このアプリケーションは機械学習に基づいており、ドライバーの音声や行動を認識し、言語翻訳などを行うことができます。これらのアルゴリズムはすべて、教師あり学習と教師なし学習の 2 つのカテゴリに分類できます。この 2 つの違いは学習方法にあります。

教師あり学習アルゴリズムは、トレーニング データ セットから学習し、必要な信頼レベル (エラーの最小確率) に達するまで継続します。教師あり学習アルゴリズムは、回帰、分類、異常検出または次元削減の問題に分けられます。

教師なし学習アルゴリズムは、利用可能なデータから価値を抽出します。つまり、アルゴリズムはデータ内のつながりを見つけたり、パターンを発見したり、データの類似性に基づいてデータセットをサブセットに分割したりすることができます。教師なしアルゴリズムは、大まかに関連ルール学習とクラスタリングに分類できます。

強化学習アルゴリズムは、教師あり学習と教師なし学習の中間に位置する別のタイプの機械学習アルゴリズムです。

教師あり学習では各トレーニング例にターゲット ラベルが与えられますが、教師なし学習ではラベルは設定されません。強化学習はそれらのバランスであり、時間遅延のあるスパース ラベル (つまり、将来の報酬) を持ちます。

各エージェントは環境報酬に基づいて独自の動作を学習します。アルゴリズムの長所と限界を理解し、効率的な学習アルゴリズムを開発することが強化学習の目標です。

自動運転車の機械学習アルゴリズムの主なタスクの 1 つは、周囲の環境を継続的に感知し、起こり得る変化を予測することです。

これを 4 つのサブタスクに分割することもできます。

• 検出対象
• 物体認識と分類
• オブジェクトの配置
• 動き予測

機械学習アルゴリズムは、大まかに次の 4 つのカテゴリに分類することもできます。

• 決定マトリックスアルゴリズム
• クラスタリングアルゴリズム
• パターン認識アルゴリズム
• 回帰アルゴリズム

機械学習アルゴリズムとタスク分類は 1 対 1 で対応していません。たとえば、回帰アルゴリズムは、オブジェクトの位置特定、オブジェクトの検出、および動きの予測に使用できます。

決定マトリックスアルゴリズム

決定マトリックス アルゴリズムは、主にユーザーの決定である一連の情報セットと値間の関係のパフォーマンスを体系的に分析、識別、評価できます。車両のブレーキやステアリングは、次の移動物体を識別、分類、予測する際の信頼度に関するアルゴリズムの決定に基づいて行われます。

決定マトリックス アルゴリズムは、個別にトレーニングされたさまざまな決定モデルを組み合わせたモデルです。これらの予測は、ある程度まで組み合わせられ、決定のエラー率を減らしながら全体的な予測を形成します。 AdaBoosting は最も一般的に使用されるアルゴリズムです。

アダブースト

アダプティブ ブースティング アルゴリズムは、AdaBoost とも呼ばれます。これは複数の学習アルゴリズムを組み合わせたもので、回帰問題や分類問題に適用できます。

他の機械学習アルゴリズムと比較して、過剰適合の問題を克服し、外れ値やノイズの多いデータに対して非常に敏感です。

AdaBoost では、適応性の高い強力な学習者を作成するために多くの反復が必要です。学習者は誤分類されたサンプルに焦点を当て、最終的に弱い学習者は重み付けによって強い学習者に結合されます。

AdaBoost は、弱いしきい値分類器を強い分類器に変えるのに役立ちます。上の画像は、AdaBoost アルゴリズムがわかりやすいコードで 1 つのファイルに実装される様子を示しています。この関数には、弱い分類器とブースティング コンポーネントが含まれています。

弱い分類器は、データ次元内の理想的なしきい値を見つけ、データを 2 つのカテゴリに分類しようとします。分類器はデータを反復処理し、各分類ステップの後に、分類された例の重みを変更します。

したがって、実際には弱い分類器のカスケードが作成されますが、強力な分類器と同等のパフォーマンスを発揮します。

クラスタリングアルゴリズム

場合によっては、システムによって取得された画像が鮮明でなく、オブジェクトの特定と検出が困難になり、分類アルゴリズムがオブジェクトを見逃す可能性があります。この場合、問題をトリアージしてシステムに報告することができません。

考えられる理由としては、データが不連続である、データ ポイントが非常に少ない、画像の解像度が低いなどが挙げられます。 K-means は一般的なクラスタリング アルゴリズムです。

K平均法

K 平均法は、よく知られているクラスタリング アルゴリズムです。データ オブジェクトから任意の k 個のオブジェクトを初期クラスタ センターとして選択し、各オブジェクトと中心オブジェクト間の距離を各クラスタ オブジェクト (中心オブジェクト) の平均に従って計算し、最小距離に従ってオブジェクトを再分割し、最後に調整されたクラスタの平均を再計算します。

下の図は、K-means アルゴリズムを図式的に表したものです。で：

• (a) は元のデータセットを表します。
• (b) はランダムな初期クラスター中心を表します。
• (cf) はデモンストレーションのために 2 回の k-means 反復を実行したことを表します。

パターン認識アルゴリズム（分類）

先進運転支援システム (ADAS) のセンサーによって取得される画像は、さまざまな環境データで構成されています。画像フィルタリングを使用して、オブジェクト分類サンプルを決定し、無関係なデータ ポイントを除外できます。

パターン認識はオブジェクトを分類する前の重要なステップであり、このタイプのアルゴリズムはデータ削減アルゴリズムとして定義されます。データ削減アルゴリズムは、データ セットのエッジとポリライン (適合線分) を削減できます。

PCA (主成分分析)、HOG (方向勾配ヒストグラム)、サポート ベクター マシン (SVM) は、ADAS でよく使用される認識アルゴリズムです。

K-NearestNeighbor (KNN) 分類アルゴリズムとベイズ決定ルールもよく使用されます。

サポートベクターマシン (SVM)

SVM は、決定境界を定義する決定層の概念に依存しています。決定プレーンは、異なるクラス メンバーで構成されるオブジェクトのセットを分離します。

以下は概略図です。オブジェクトは赤クラスまたは緑クラスに属し、境界線によって互いに分離されています。左に落ちる新しいオブジェクトは赤でマークされ、右に落ちる新しいオブジェクトは緑でマークされます。

回帰アルゴリズム

このアルゴリズムはイベントの予測に優れており、回帰分析は 2 つ以上の変数間の関連性を評価し、異なるスケールで変数の効果を比較します。

回帰アルゴリズムは通常、次の 3 つの指標によって駆動されます。

• 回帰直線の形状
• 従属変数の種類
• 従属変数の数

画像は、ADAS システムにおいて、自動運転車の運転と位置決めにおいて重要な役割を果たします。あらゆるアルゴリズムにとって最大の課題は、特徴の選択と予測のための画像ベースのモデルをどのように開発するかということです。

回帰アルゴリズムは、環境の再現性を利用して、画像内の特定のオブジェクトの位置と画像自体の関係を明らかにする確率モデルを作成します。

この確率モデルは、グラフ サンプリングを通じて、高速なオンライン検出を提供するだけでなく、オフラインでも学習できます。このモデルは、大規模な人間モデリングを必要とせずに、他のオブジェクトにさらに拡張することもできます。

このアルゴリズムは、オブジェクトの場所をオンライン出力として返します。また、オブジェクトが存在するという信頼性も返します。

回帰アルゴリズムは、短期予測や長期学習にも適用できます。自動運転では、特に決定フォレスト回帰、ニューラル ネットワーク回帰、ベイズ回帰に​​使用されます。

リカレントニューラルネットワーク

ニューラル ネットワークは、回帰、分類、または教師なし学習に使用できます。ラベルのないデータをグループ化して分類したり、教師ありトレーニング後に連続値を予測したりします。

ニューラル ネットワークの最終層では、通常はロジスティック回帰によって連続値を変数 0 または 1 に変換します。

上の図では、x は入力、つまりネットワーク内の前の層から次の層に渡される特徴を表します。最後の隠し層の各ノードには多数の x が入力され、各 x には関連付けられた重み w が乗算されます。

積の合計は活性化関数に移されます。実際のアプリケーションでは、ReLu 活性化関数がよく使用されます。浅い勾配の問題を扱う場合、シグモイド関数ほど飽和しにくくなります。