自動運転分野における機械学習アルゴリズムの応用に関する包括的なレビュー

機械学習は、車内外のセンサーからのデータを融合して、運転者の状態を評価し、運転シナリオを分類するために使用されます。この記事では、さまざまな自動運転アルゴリズムについて説明しました。

自動運転車の設計と製造には多くの課題があり、今日では大手企業が対応する解決策を見つけるために機械学習を広く採用しています。自動車のECU（電子制御ユニット）にはセンサーデータ処理が統合されており、新しいタスクを完了するには機械学習を最大限に活用することが重要になります。潜在的な用途としては、車内外のセンサーからのデータを融合して運転者の状態を評価し、運転シナリオを分類することなどが挙げられます。これらのセンサーには、LIDAR、レーダー、カメラ、モノのインターネットなどが含まれます。

車載インフォテインメント システム上で実行されるアプリケーションは、センサー データ フュージョン システムからデータを取得できます。例えば、システムがドライバーに危険が迫っていることを検知すると、車を病院まで運転する機能があります。機械学習ベースのアプリケーションには、ドライバーの音声およびジェスチャー認識や言語翻訳も含まれます。関連するアルゴリズムは、教師なしアルゴリズムと教師ありアルゴリズムに分類されます。両者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 データセットを使用して学習し、設定された信頼レベルに達するまで学習を続けます (エラーの可能性を最小限に抑えます)。教師あり学習アルゴリズムは、回帰、分類と異常検出、およびデータ次元削減に分けられます。
• 教師なし学習アルゴリズムは、限られたデータの価値を活用しようとします。つまり、アルゴリズムは利用可能なデータ内で関係を構築し、パターンを検出したり、データ セット間の類似性に応じてサブカテゴリに分割したりします。広い意味では、教師なしアルゴリズムは、関連ルール学習とクラスタリングに分けられます。
• 強化学習アルゴリズムは、教師なし学習と教師あり学習の中間に位置するもう 1 つの機械学習アルゴリズムです。すべてのトレーニング例において、教師あり学習ではターゲット ラベルがありますが、教師なし学習ではラベルはまったくありません。強化学習には、遅延したスパースなラベル、つまり将来の報酬があります。

これらの報酬に基づいて、エージェントは適切な動作を学習します。強化学習の目的は、アルゴリズムの限界と利点を理解し、より効率的な学習アルゴリズムを開発することです。強化学習は、AI の問題から制御エンジニアリングやオペレーションズ リサーチまで、自動運転車の開発に関連する幅広い実用的なアプリケーションを解決できます。これは間接学習と直接学習に分けられます。

自動運転車の機械学習アルゴリズムの主なタスクは、周囲の環境を継続的にレンダリングし、起こり得る変化を予測することです。これらのタスクは 4 つのサブタスクに分けられます。

• 物体検出
• ターゲットの認識または分類
• ターゲティング
• 動き予測

機械学習アルゴリズムは、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 つのカテゴリに簡単に分類できます。機械学習アルゴリズムのクラスを利用すると、2 つ以上のサブタスクを実行できます。たとえば、回帰アルゴリズムは、オブジェクトの位置特定やターゲットの認識、または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、情報セットと値の関係のパフォーマンスを体系的に分析、識別、評価します。これらのアルゴリズムは主に意思決定に使用されます。車がブレーキをかける必要があるか、左折する必要があるかは、物体の次の動作を識別、分類、予測するアルゴリズムによって与えられる信頼度レベルに基づいて決定されます。マトリックス決定アルゴリズムは、独立してトレーニングされたさまざまな決定モデルの組み合わせで構成されます。何らかの方法で、これらの予測を統合して、意思決定エラーの可能性を減らしながら全体的な予測を作成します。 AdaBoosting は最も一般的に使用されるアルゴリズムです。

アダブースティング

アダプティブ ブースティング (AdaBoost) は、複数の学習アルゴリズムを融合したものです。回帰アルゴリズムや分類アルゴリズムに使用できます。他の機械学習アルゴリズムと比較して、過剰適合を克服し、通常は外れ値やノイズの多いデータに対して敏感です。強力な複合学習者を作成するために、AdaBoost は複数の反復を使用します。そのため、「アダプティブブースティング」とも呼ばれます。 AdaBoost は弱い学習者を繰り返し追加することで、強い学習者を作成します。新しい弱学習器がエンティティに追加され、前のラウンドで誤分類された例に応じて重みベクトルが調整されます。結果は、弱学習分類器よりも精度の高い分類器になります。

AdaBoost は、弱いしきい値分類器を強い分類器に強化するのに役立ちます。上記の画像は、シンプルでわかりやすいコードを使用して 1 つのファイルに実装された AdaBoost の実行を示しています。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、1 次元データ内で最も理想的なしきい値を見つけて、データを 2 つのカテゴリに分けようとします。ブースティング コンポーネントは分類器を繰り返し呼び出し、各分類ステップの後に、誤分類された例の重みを変更します。したがって、単一の強力な分類器のように動作する弱い分類器のカスケードが作成されます。

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十分に鮮明でなく、物体の位置を特定したり検出したりすることが困難になることがあります。場合によっては、分類アルゴリズムがオブジェクトを検出できず、分類してシステムに報告できないことがあります。これらは、不連続なデータ、データ ポイントの少なさ、または画像の解像度の低さによって発生する可能性があります。クラスタリング アルゴリズムの特徴は、データ ポイント間のパターンを見つけることです。回帰分析と同様に、クラスタリング アルゴリズムは一連の方法と問題を指します。一般的なクラスタリング アルゴリズムには、階層型クラスタリング アルゴリズムと重心ベースのクラスタリング アルゴリズムがあります。これらのアルゴリズムはすべて、データの固有のパターンに焦点を当て、最も類似性の高いクラスターにデータを効率的に分割します。 K-means とマルチクラス ニューラル ネットワークが最も一般的に使用されるアルゴリズムです。

K平均法アルゴリズム

K 平均法は、クラスタリング構造を表す k 個の重心を見つけるよく知られたクラスタリング アルゴリズムです。ある点が他のどの重心よりも重心に近い場合、その点は最も近い重心によって表されるクラスターに割り当てられます。次に、現在クラスター化されているデータ ポイントを使用して新しい重心を見つけ、その重心を使用して新しいデータにクラスターを割り当てます。

K 平均アルゴリズム - 上の図では、「x」はクラスターの重心を表し、点はトレーニング サンプルを表します。 (a) 元のデータセット。 （b）クラスターの重心をランダムに初期化する。 (cf) k-means法を2回繰り返した模式図。各反復では、各トレーニング例が最も近いクラスター重心に割り当てられ、各クラスター重心は割り当てられたポイントの平均に移動されます。

パターン認識アルゴリズム（分類モデル）

先進運転支援システム (ADAS) では、センサーによって取得された画像にさまざまな環境データが含まれています。無関係なサンプルを削除し、分類のためのインスタンス データを取得するには、画像をフィルタリングする必要があります。分類の前の重要なステップは、データセットのパターン認識です。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呼ばれます。

データ削減アルゴリズムは、データ セットのエッジ、直線 (近似線分)、オブジェクトの円弧を削減するのに役立ちます。線分はエッジに一致し、直角に達した後、一致によって線分が生成されます。円弧と同様に、円弧は一連の直線セグメントと一致します。さまざまな方法で、画像の特徴 (円弧と線分) が組み合わされて、オブジェクトの判断に使用される特徴が形成されます。

ADAS では、PCA (主成分分析) と HOG (方向勾配ヒストグラム) を使用して、SVM (サポート ベクター マシン) が認識アルゴリズムとしてよく使用されます。 K近傍法（KNN）とベイズ決定ルールも使用されます。

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平面の概念に依存します。決定平面は、明らかなクラス関係を持つオブジェクトを分離できます。次の図に示すように。この画像では、オブジェクトは赤と緑の 2 つのカテゴリに分類されています。分離境界は、赤と緑のオブジェクトを分離します。線の左側にある新しいオブジェクトは赤いクラスでマークされ、右側にある新しいオブジェクトは緑のクラスでマークされます。

回帰アルゴリズム

このタイプのアルゴリズムはイベントを予測するのに適しています。回帰分析は、2 つ以上の変数間の関係と、異なるスケールでの変数の寄与を評価し、主に次の 3 つの指標の影響を受けます。

1. 回帰直線の形状

2. 従属変数の種類

3. 独立変数の数

カメラやレーダーで収集された画像は、ADAS の運転と位置決めに重要な役割を果たします。どちらのアルゴリズムでも、最大の課題は、特徴の選択と予測に画像ベースのモデルを使用することです。

環境の再現性により、回帰アルゴリズムを活用して、画像とその画像内のオブジェクトの位置との関係に関する統計モデルが構築されます。サンプリングされた画像の統計モデルを使用することで、高速なオンライン認識とオフライン学習が可能になります。このモデルは、広範囲にわたる人間モデリングを必要としない他のオブジェクトにもさらに拡張できます。アルゴリズムは、オンライン フェーズの出力としてオブジェクトの場所と、オブジェクトが出現する確率を返します。

回帰アルゴリズムは、短期予測と長期トレーニングに使用できます。このタイプの回帰アルゴリズムは、決定フォレスト回帰、ニューラル ネットワーク回帰、ベイズ回帰など、自動運転で使用されます。

ニューラルネットワーク回帰モデル

ニューラル ネットワークは、ラベルなしデータを要約したり、そのデータを分類したり、教師あり学習後に連続値を予測したりする回帰、分類、またはその他の教師なし学習に使用できます。ニューラル ネットワークでは、連続値を 1 または 0 の形式の変数 (バイナリ変数) に変換するために、最後のレイヤーでロジスティック回帰がよく使用されます。

上の図では、「x」は入力であり、前のニューロン層から伝播された特徴です。 *** 隠し層の各ニューロンには、多数の「x」が入力され、各「x」には対応する重み w が乗算されます。バイアスについては、積を合計し、バイアスに追加してから活性化関数に入力されます。一般的に使用される活性化関数は、シグモイド活性化関数のように浅い勾配を拡大しないため、ReLU（Rectified Linear Unit）です。隠れ層のReLUによって出力された活性化値aは、合計されて出力層の出力になります。これは、回帰に使用されるニューラル ネットワークには出力ノードが 1 つしかないことを意味します。このノードはアクティベーション値を合計し、それを 1 のベクトルで乗算します。結果として、ネットワークの推定値「yPa」が与えられます。 「YPa」は、すべての「x」がマッピングされる独立変数です。ニューラル ネットワークを使用して、「x」(複数の独立していないベクトル) に関連する関数を取得し、予測する「y」(独立変数) を見つけることができます。