自動運転車向けのディープラーニングは課題にどのように対処するのでしょうか?

[[350796]]

自動運転車でディープラーニングを使用すると、歩行者の行動を理解したり、最短ルートを見つけたり、人や物体を正確に検出したりするなど、さまざまな課題を克服するのに役立ちます。

ある報告によると、2018年の交通事故の約80％は人為的ミスが原因でした。したがって、自動運転車を主流にすることの主な目標の 1 つは、人間の運転手の必要性をなくし、道路での死亡者数を減らすことです。自動運転車を使った実験では、間違いなく道路での死傷者がいくらか減少したことが示されている。

しかし、米国アリゾナ州で歩行者が死亡したUberの自動運転車事故など、自動運転車による事故に関するニュースは今でも頻繁に目にする人が多い。事故の原因は、自動運転車が歩行者を正確に検知・識別できなかったことにあると言われている。こうした事故を最小限に抑えるためには、自動運転車が走行経路上の人やその他の物体の存在を正確に検出できるように徹底的に訓練する必要があり、ここでディープラーニングが役立ちます。自動運転車向けのディープラーニングは、道路上や周囲の環境にある人や物体を効果的に分類し、検出するのに役立ちます。

ディープラーニングは、人工ニューラルネットワークを使用して人間の脳の複雑な機能を模倣する機械学習のサブセットです。ディープラーニングは、人間の介入なしにオブジェクトをより正確に分類できます。たとえば、2 人の人が数字の 9 を書きますが、2 人とも数字の書き方が異なります (1 人は 9 を書き、もう 1 人は下部に明確な曲線がない 9 を書きます)。数字の 9 の書き方をすべて学習しない限り、ディープラーニング ネットワーク以外の AI アルゴリズムでは、形が異なっていても両方の数字が 9 を表していることを検出するのは困難です。ディープラーニングとディープニューラルネットワークの助けにより、両方の数字が 9 であることを簡単に識別できます。さまざまなオブジェクトを正確に分類できるディープラーニングの能力は、自動運転車が直面している主な課題のいくつかに対処できます。

自動運転車向けディープラーニングが課題にどう取り組むか

機械学習アルゴリズムは、自動運転車をトレーニングする際に特徴抽出の問題に直面します。特徴抽出では、決定を下すために何を探すべきかをプログラマーがアルゴリズムに指示する必要があります。したがって、機械学習アルゴリズムの意思決定能力は、プログラマーの洞察力に大きく依存します。ディープラーニングは機能が異なり、特徴抽出の問題を排除し、ディープラーニングニューラルネットワークによる検出と意思決定をより正確にします。ディープラーニングは、道路上の障害物の検出精度の向上とより適切な意思決定を可能にすることで、自動運転車が直面する多くの課題の解決に役立ちます。

複雑な交通行動を理解する

運転は、他の運転手や歩行者との複雑なやり取りを伴うプロセスです。たとえば、自転車に乗っている人が曲がろうとしている場合、近くの他のドライバーに知らせるために手信号を送ります。運転手は自転車が曲がれるように車を減速させることができます。人間はこうした社会的交流を行うために一般的な知能に頼っています。さらに、ディープラーニングを通じて、自動運転車は他のドライバーや歩行者と社会的に交流できるようになる可能性もあります。ディープラーニングニューラルネットワークは、自動運転車が他のドライバーや歩行者からのナビゲーション信号を検出し、衝突を回避するための適切な措置を講じるのに役立ちます。

極端な気象条件下での標識の点検

自動運転車が直面するもう一つの大きな課題は、極端な気象条件です。これは、いかなる技術でも完全に解決できない環境課題ですが、ディープラーニングは極端な気候の問題に対する解決策を提供することができます。たとえば、降雪時には道路上の標識が雪で覆われることがあります。また、降雪後しばらくの間は標識が部分的にしか見えない場合があります。他の AI アルゴリズムを使用すると、自動運転車が標識の半分さえ理解するのは困難になります。しかし、ニューラル ネットワークの助けを借りたディープラーニングにより、看板上の部分的に見えるロゴから完全なロゴの画像を作成できます。ニューラル ネットワークは不完全なシンボルをニューラル層に送信し、ニューラル層はそれを隠し層に渡して完全なシンボルが何であるかを判断します。ニューラル ネットワークは、出力に基づいて標識の記号に基づいて決定を下すことができます。

最短の移動ルートを見つける

人間を含む地球上のすべての動物は、周囲を移動し、柔軟に新しい領域を探索することができます。それらのナビゲーションは、神経回路の空間的動作によって可能になります。動物の脳は、周囲を正六角形のグリッドにマッピングすることで移動します。これらの六角形のパターンは、地図のグリッド線と同様に、ナビゲーションに役立ちます。神経パターンはベクトルベースのナビゲーションの仮説を支持します。ベクトルベースのナビゲーションにより、脳は目的の場所までの距離と方向を計算できます。

ディープラーニング ニューラル ネットワークは、ベクトルベースのナビゲーション関数を使用してトレーニングし、ポイント A からポイント B までの最短経路を見つけることができます。動物の脳が使用するのと同じグリッド線パターンを第 1 層に埋め込むことで、ディープラーニングは目的地までの距離と方向を計算できます。ベクトルベースのナビゲーションとディープラーニング機能を備えた自律走行車は、新たに利用可能になった近道の存在を検出して移動時間を短縮することもできます。

ディープラーニング自体には、まだ多くの課題を克服する必要がある

自動運転車には多くの利点があるにもかかわらず、自動運転車が主流の開発に向かうのを妨げる障害が数多くあるため、ディープラーニングだけでは自動運転車を高度にインテリジェントな交通手段にすることはできません。ディープラーニングでは、物体検出の精度は向上しますが、膨大な量のデータが必要になります。データ表現に基づくディープラーニング機能。データはニューラル ネットワークのさまざまなレイヤーで表現され、データのパターンに基づいて出力が導き出されます。ディープラーニングの完全な機能はデータに基づいているため、ニューラル ネットワークのトレーニングには他の AI アルゴリズムよりも多くのデータが必要となり、トレーニング用のデータセットを作成することが困難になります。また、ニューラル ネットワークをトレーニングするために必要なデータの収集にも時間がかかります。

ディープラーニング ニューラル ネットワークを使用する際のもう 1 つの課題は、ブラック ボックスの問題です。プログラムが決定を下した場合、プログラマーはその決定を取り消して、プログラムがなぜその決定を下したのかを調べることができます。ただし、ディープラーニングは追跡可能なシステムではなく、隠れた層でデータを処理します。開発者は、ニューラル ネットワークに入力されたデータとその出力のみを見つけることができます。しかし、その決定を下すために隠れ層でどのような処理が行われたかは判明しなかった。その結果、どこで障害が発生したかを誰も追跡することができないため、ディープラーニング ネットワークがなぜ障害を起こしたのかを知ることは困難です。

場合によっては、ディープラーニング ネットワークは、設計されたタスクさえ達成できないことがあります。ニューラル ネットワークでは、異なるビデオ フレーム間などの小さな画像変換を一般化することは困難です。たとえば、ある研究によると、深層畳み込みネットワークは、背景のわずかな変化に応じて、ヒヒやミーアキャットを同じホッキョクグマとして分類します。

自動運転車は実験段階であり、どのような結果になるかはまだ誰にも分からない。自動運転車向けのディープラーニングが主流の交通手段に採用されるかどうかは、この技術が今後どのように発展するかにかかっています。たとえディープラーニングの課題が克服されたとしても、自動運転車の実現には他の障害が立ちはだかります。これらの車には、データを収集するための IoT デバイス、データを処理するクラウド コンピューティング、データ伝送速度を向上させる 5G など、複数のテクノロジが統合されています。これらの技術が効果的に連携して優れた輸送エコシステムを構築できるようになれば、自動運転車が主流になる可能性があります。