インテリジェント運転ビッグデータの最先端の研究の進歩と典型的な応用

1. はじめに

インテリジェント運転とは、一般的には、自動運転や車両のインターネット（IoV）などの技術を適用して、輸送ツール（特に自動車）をインテリジェントに変革することを指します。これにより、従来は人間が全面的に制御していた自動車に、インテリジェントなデータ収集、インテリジェントな分析、インテリジェントな意思決定など、インテリジェントな処理能力が備わります。この一連のインテリジェント技術の実現は、車両自体、外部環境、インタラクティブな制御などの膨大な多次元データの効率的な処理と分析と切り離せません。

スマート運転ビッグデータが従来の自動車業界、新興インターネット企業、先進製造業、その他の機関から大いに期待されている理由は、以下のとおりです (ただし、これらに限定されません)。

1. セキュリティ

一方で、人によって車両の制御能力や運転ルールの理解能力は異なります。また、状況が異なれば、人の反応時間や意思決定の正確さは多くの要因によってさまざまな程度に影響を受けます。このため、人々の自動車の運転行動は極めて主観的なものとなり、道路交通の安全を完全に保証することが困難になります。

インテリジェント運転技術については、低レベルの支援運転（クルーズコントロール、自動追従、車線維持、自動駐車など）であれ、高レベルの自動運転（運転システムがほぼ完全に制御）であれ、人間の主観的な判断と制御をさまざまな程度に置き換えることができ、気分や病気などの要因が運転者に与える影響を軽減し、運転の信頼性を向上させることができます。

同時に、データ処理システムの超低遅延性能により、インテリジェント運転技術は一般人の反応時間よりも遅い速度で意思決定を行うことができます。緊急事態（衝突の危険など）では、事故を回避したり、事故による被害を軽減したりするための最善の戦略を即座に採用できるため、運転の安全性がさらに向上します。

2. 効率性

車両のインターネット技術の典型的な応用は、正確なナビゲーションです。従来のドライバーの場合、旅行ルートの計画は、通常、自分の位置記憶、交通の流れを判断する経験、一般的な測位およびナビゲーション技術 (GPS や Beidou など) に依存していました。車両のインターネットとエッジ コンピューティング プラットフォームを組み合わせることで、次のような地域的な正確なナビゲーションが可能になります。

• 高精度の地図。従来の衛星ベースのリモートセンシングマップとは異なり、エッジノードは、カメラシステムに基づくビデオ取得、レーダーおよびソナーシステムに基づく空間距離認識など、LAN上で多次元データを取得して、狭い範囲内で正確な空間情報と現実の画像を取得し、運転システムに正確な地理的位置情報のサポートを提供します。
• 地図をリアルタイムで更新します。エッジプラットフォームのコンピューティングパワーに基づき、一定範囲内の高精度地図をリアルタイムで更新し、道路整備、車線調整、交通ルール調整などの一連の高適時性データを記録し、このエリアを通過する可能性のある運転システムに即時配信することで、より正確な意思決定を可能にします。極めて高い更新頻度によってもたらされる適時性は、従来の地図情報システムでは実現が困難です。
• 動的情報監視：基地局、車載コンピューティング、路側ユニットなどのエッジノードを通じて、交通の流れや突発的な事故などの動的情報を監視・収集し、集約・処理した後に車両インターネットに報告します。これにより、交通状況は従来の現場発見と手動ブロードキャストからリアルタイム取得とネットワーク伝送へと徐々に変化し、車両交通効率が大幅に向上します。

3. 利便性

交通システムのユーザーとしての自動運転車両であれ、サービスプロバイダーとしての車両ネットワークシステムであれ、インテリジェント処理システムが本来の人間の作業を引き継ぐため、24時間365日中断なく稼働する能力を備え、公共交通機関の運行時間の制限やドライバーの疲労運転などの問題を効果的に補うことができます。

これにより、移動が必要なユーザーは、高度にインテリジェントかつ自動化された交通手段をいつでも利用できるようになり、運転手のコストが削減され、交通の利便性が向上します。

II. 問題と課題

自動運転技術が最終的に実現できるかどうかは、主にデータ処理システムの以下の 3 つの側面にかかっています。

1. 計算性能

研究によると、人間の反応時間は通常100〜150ミリ秒であり、自動運転技術が安全性を最大限に確保するための応答時間は100ミリ秒未満である必要があります[68]。自動運転システムが継続的に入力されるデータの量も非常に大きい。NVIDIAの研究によると、車体に搭載された高解像度カメラは1秒間に2GBのピクセルを生成し、意思決定推論に使用されるディープニューラルネットワークに入力され、物体や歩行者の追跡、交通信号の検出と認識、車線検出などのインテリジェントなシナリオを実現するための250兆回の演算を生成します。

同時に、このような大量のコンピューティングでは、データ処理システムはハードウェアの加熱を厳密に制御し、パフォーマンスの低下、バッテリー寿命の短縮、エネルギーの浪費、さらには過度の温度による車体の自然発火などの深刻な問題を回避する必要があります。したがって、いかにして極めて短時間で、かつ高いエネルギー効率で大規模なコンピューティングを実現するかが、車両データ処理システムにとって大きな課題となるでしょう。

2. ストレージパフォーマンス

研究によると、車体全体に分散されたセンサーのデータ伝送帯域幅は3～40Gbit/sに達する可能性がある[69]。Nvidiaの自動運転技術テストでは、車両学習データ収集システムが数時間以内にテラバイトレベルのソリッドステートストレージハードドライブ（SSD）をいっぱいにできることも示されている。

自動運転技術では、短期間に大量のデータが生成されますので、車載ストレージシステムのパフォーマンスを継続的に向上させる必要があります。一方では、ネットワーク通信条件の制限により、車両はセンサーによって収集されたリアルタイムのネイティブデータをコンピューティングプラットフォームに直接アップロードすることができません。一方、センサーの数やデータ収集の品質が減少すると、データの価値に直接影響し、認識エラー、意思決定の精度の低下などの問題が発生します。

3. ネットワーク通信パフォーマンス

自動運転や車両のインターネットなどのインテリジェント運転技術では、ネットワーク通信がほぼすべての機能の基盤サポートを提供します。

• 車両間の相互接続: 車両のポイントツーポイント ネットワークを通じて、車両はドライバーの助けを借りずにインテリジェントな通信を実現し、事故警報、衝突予測、協調走行などのアプリケーションを実行できます。
• 車両とコンピューティング プラットフォームの相互接続: 車載処理システムはコンピューティング リソースが限られているため、複雑なタスクの計算をすべて直接委託することはできません。特定のタスクを上位レベルのコンピューティング プラットフォームに基づいてオフロードすることで完了する必要があります。 V2I（Vehicle-to-Infrastructure）テクノロジーにより、スマート車両は路側ユニット、基地局、その他のコンピューティング サービス施設に接続し、データのやり取り、コンピューティングのオフロードなどのプロセスを実現できます。
• 車両とユーザー デバイスの相互接続: 運転の安全性などの問題を評価するために、ドライバーと乗客の両方が車両の状態をさまざまな程度で理解する必要があります。

しかし、データ処理時間のオーバーヘッドを考慮しないと、従来のネットワーク通信技術では、無線チャネルの状態、通信帯域幅の制限、ネットワークトラフィックの輻輳などの問題により、データ転送のオーバーヘッドが通常 100 ミリ秒の制限をはるかに超えてしまい、車両データ処理システムに深刻なパフォーマンスのボトルネックが発生します。しかし、既存のクラウドベースの長距離ネットワーク伝送技術では応答時間制限を達成することが難しく、それを達成するにはローカルエリア内の短距離ネットワーク通信を試行する必要があります。

たとえば、エッジ プラットフォームを介して複雑で計算負荷の高いタスクを路側ユニットなどのエッジ ノードにオフロードするソリューションは大きな可能性を秘めていますが、いくつかの問題も抱えています。

• スマートカー内のコンピューティング システムは、路上のエッジ コンピューティング ノードと通信して連携する必要があります。
• 車が移動し続けると、異なるエッジノードに順番にアクセスする必要があり、隣接するノードはサービス移行技術に基づいて「リレー」する必要があります。
• ノードによって負荷条件や計算能力は大きく異なります。遅延の影響を受けやすい車両インターネットのタスクを効率的に処理するにはどうすればよいでしょうか。
• このような動的なシナリオでは、合理的な課金とセキュリティが同様に重要です。

したがって、これは上位レベルのデータ処理システムにも課題をもたらします。

1) 環境とシーンの認識によるデータ収集

地理的に一定の位置にある基地局や路側機などのエッジノードや、機動性や不安定性が高い車両の場合、従来のデータ収集方法をそのまま適用することはできないため、高精度の地理的位置による空間情報取得や実シーン画像取得など、周囲の環境を認識し、リアルタイムのシーン情報を提供できる新しいデータ収集技術を模索する必要があります。このような高次元データを基に、インテリジェント運転システムはさらなる性能向上を実現できます。

2) データの集約と処理

入力ソースの数が多く、異種であり、パフォーマンスが均一ではない複雑な状況では、次のステップは、多様なデータを効果的に集約して処理することです。このデータを使用することで、車両のインターネットはデータを効率的に分析およびマイニングし、地域内で高精度の地図、測位、ナビゲーションなどの機能をサポートできるようになります。

3) インテリジェントな意思決定

伝統的な交通機関と比較して、新しい交通機関における最大の変化は、機械のインテリジェント化の進展です。ドライバーは視覚的に周囲の情報を収集し、脳で分析して次の操作を決定します。インテリジェントな運転を実現するには、運転制御システムもこのプロセスを実現する必要があります。機械に「分析」や「推論」などの能力を持たせるために、機械学習やディープラーニングの技術が急速に発展しています。

現在、関係する研究者らは強化学習やディープニューラルネットワークなどの技術を用いてインテリジェント運転制御の初期成果を達成し、レベル1、レベル2、さらにはレベル3の自動運転機能を実現しており、今後10年以内にレベル4、レベル5の高度自動運転レベルを達成すると予想されている。

3. 最先端の研究

上記の問題に直面して、クラウド・エッジ・エンドの共同処理モデルは大きな可能性を示しています。研究者たちは、クラウド プラットフォーム、エッジ プラットフォーム、車両プラットフォームを組み合わせたソリューションを提案しようとしました。

• 車両オンプラットフォーム: 車体に直接組み込まれているため、重要な意思決定の推論など、遅延に非常に敏感なタスクを実行でき、タスクのオフロードに使用するデータを前処理してデータ量を削減し、帯域幅の占有と送信時間のオーバーヘッドを削減できます。
• エッジ プラットフォーム: 正確な測位、ローカル エリアでの高精度ナビゲーション、複数のデータ ソースの情報集約と保存など、コンピューティング集約型で遅延に中程度の敏感性が必要なタスクに適しています。リソースが極めて限られている車両プラットフォームに、特定のコンピューティング、ストレージ、およびその他のサービスを提供できます。同時に、路側ユニットに代表されるエッジ ノードは、車両に近いものの (通常は) 移動性がないため、固定エリアを通過する車両にリアルタイムで豊富な情報を提供でき、単一の車載プラットフォームの限られた視野を補うことができます。
• クラウドプラットフォーム：ネットワークの中心に位置し、グローバルなサービス範囲を持ち、ほぼ無制限のコンピューティング、ストレージ、およびその他のリソースを保有しているため、複雑で大規模なコンピューティングタスク（リアルタイム推論用のDNNモデルのトレーニングなど）、非リアルタイムの広域情報集約および処理タスク（事前設定されたルート計画など）、将来の統計、分析、予測タスクのための貴重な大規模交通データの処理と保存などを実行できます。

次に、関連技術に関する具体的な研究をいくつか紹介します。

1. リソース管理とタスクのオフロード

エッジノードは、一定の範囲内の複数のユーザー（車両）に同時にサービスを提供できるため、リソースの割り当てとユーザータスクの競合がパフォーマンスに影響を与える主な要因となります。文献[70]は、車両タスクオフロードプロセスにおける競争衝突問題をマルチユーザーゲーム問題に変換し、問題のナッシュ均衡の存在を証明し、分散計算オフロードアルゴリズムを実装している。

文献[71]はさらに一歩進んで、通信速度、信頼性、タスクオフロードプロセスの遅延を最適化しています。サービス品質の認識をサポートする無線ネットワークリソース管理フレームワークを提案し、リソース割り当て問題を車両クラスターのセグメンテーション、クラスター間のリソースブロックプールの割り当て、クラスター内のリソース割り当ての3つのサブ問題に分割しています。また、グラフ理論に基づく最適化手法も実装しています。

• まず、車両パーティションをクラスターパーティション問題に変換することで、車両間の協調制御により隠れ端末問題や半二重通信による通信制限を回避できます。
• グループのリソース ブロック プール割り当て問題は、重み付けされたリソース競合グラフに基づく最大最小公平性問題に変換され、スペクトル使用率の向上 (効率的なクラスター間通信リソースの再利用による) とクラスター間競合の制限との間のトレードオフを解決します。

車両の高移動性によって引き起こされるエッジノードの頻繁な切り替えの問題に対応して、文献[72]は、車両とノード間の接続が短時間で失われ、処理時間とエネルギー消費が増加すると考えています。タスク継続アルゴリズムが提案されています。計算された継続時間に応じて、処理タスクは元のノードから次の実行可能なターゲットノードにアンロードされ、タスクが継続されます。

同時に、研究者は単一の完全なタスクのオフロードに限定されず、一連のタスクの部分的なオフロード戦略を実装しました。

荷降ろしプロセス全体にわたって、車両側とエッジ サービス ノード側の両方のパフォーマンスを真剣に考慮する必要があります。 DDORVアルゴリズム[73]は、車両側とノード側で、現在のシステム条件（チャネル品質や交通負荷など）に応じて大量の状態情報と制御変数を含む2つの相互に結合された確率的最適化問題を同時に考慮することができます。

具体的には、このアルゴリズムは、リアプノフアルゴリズムに基づいて、双方向確率最適化問題を 2 つの独立したフレームごとの最適化問題に分離します。車両の場合、ローカル処理コストとタスクのオフロードコストを比較してオフロード戦略が選択され、提案された目的関数によって CPU 調整頻度が計算されます。エッジノードの場合、最初に軽量リソースプロビジョニングアルゴリズムが提案され、次に、ワイヤレスリソースとエネルギー消費の共同最適化のための反復アルゴリズムに基づいて、連続緩和法とラグランジュ二重分離アルゴリズムが提案されます。

同時に、研究者は車両とエッジノード間の無線データ伝送にテレビのホワイトスペースを選択し、従来の携帯電話、Wi-Fiなどの技術の欠点を補い、通信効率を向上させました。

同時に、特定のエリアに複数のユーザーが存在する場合、通常、選択肢を提供するノードが複数存在します。 JSCOアルゴリズム[74]は、マルチノード、マルチユーザーのコンテキストにおける負荷分散とタスクオフロードの決定問題を混合整数非線形計画問題に変換します。ノード選択、コンピューティングリソースの最適化、オフロードスキームの決定という3つの問題を低い複雑度で計算し、遅延制限を確保しながらシステムの使用率を最大化できます。

2. 代表的な用途

スマート車両をベースにしたアプリケーション シナリオは多数あります。

1) 交通流評価

文献[75]によると、従来の交通流評価方法は、通常、大規模で粗粒度であり、固定された場所にある交通カメラに依存していることがわかりました。カメラシステムのない道路区間では、判断を行うために衛星測位システムの接続状況が必要になりますが、結果は正確ではありません。

本研究では、車両をエッジコンピューティングノードとみなし、車載カメラ（ダッシュカムなど）からのリアルタイムビデオストリームを通じて交通評価を行います。YOLOモデルに基づく物体検出モジュールは、対象車両の範囲フレームをリアルタイムで生成し、物体追跡モジュールは、範囲フレーム内の車体のSIFT特徴記述子を抽出して連続するフレーム間で比較し、交通評価モジュールは、同一車線と反対車線を抽出してハフと仮想車線に基づいて車線を分離し、車両の交通状況を分析します。

2) セキュリティ分析

OpenVDAPフレームワークをベースに実装されたAutoVAPS[76]フレームワークには、データ層（データの収集と管理を担当）、モデル層（インテリジェントな画像分析のためのモデルの提供を担当）、アクセス層（プライバシー保護されたデータの共有とアクセスを提供）が含まれており、車載カメラのビデオストリームを通じてリアルタイムのセキュリティ分析を実行できます。

新しいビッグデータ アプリケーションの開発には、一方では、クラウド、エッジ、エンドの利点を十分に活用して、従来の単一クラウド モデルで直面する問題を解決する、クラウド エッジ コラボレーションの階層型アーキテクチャが必要です。他方では、特定のアプリケーションに対して、クラウド エッジ コラボレーションのデータ処理システムの実装ソリューションを継続的に最適化し、システムがさまざまな特定のシナリオにさらに適応し、特定のシナリオの利点を十分に発揮できるようにする必要があります。

著者について: 北京理工大学の特別研究員および博士課程指導者、Han Rui。 2010年に清華大学を優秀な成績で修士号を取得、2014年にインペリアル・カレッジ・ロンドンで博士号を取得。2014年3月から2018年6月まで中国科学院コンピューティング技術研究所に勤務。典型的な負荷（機械学習、ディープラーニング、インターネットサービス）に対するクラウドコンピューティングシステムの最適化の研究に重点を置き、TPDS、TC、TKDE、TSC の分野のトップ（重要）ジャーナルや、INFOCOM、ICDCS、ICPP、RTSS などの会議で 40 本以上の論文を発表し、Google Scholar で 1,000 件以上引用されています。

Liu Chi 氏は、北京理工大学コンピュータサイエンス学部の副学部長、教授、博士課程の指導者です。北京智能情報技術重点実験室所長、国家優秀若手科学者基金受賞者、国家重点研究開発計画主任科学者、中国電子学会会員、工学技術学会会員、英国コンピューター学会会員。彼は清華大学とロンドン大学インペリアル・カレッジでそれぞれ学士号と博士号を取得しました。その後、ドイツテレコム研究所で博士研究員として、また米国のIBM TJワトソン研究所とIBM中国研究所で研究ディレクターとして勤務しました。主な研究方向は、インテリジェントな IoT テクノロジーです。

この記事は「Cloud-Edge Collaborative Big Data Technology and Applications」（ISBN: 978-7-111-70100-2）から抜粋したもので、出版社の許可を受けています。