15：10～16：00 自動運転や高度運転支援を実現する ICTの最新動向と今後の課題 ～クルマが人工知能を載せて走り更にヒトの運転能力を超える、 そして日本の産業構造の変革～ August 18, 2015 インテル株式会社 戦略企画室 ダイレクター 兼) 名古屋大学 客員准教授 野辺 継男 Intel Confidential — Do Not Forward Agenda 1. ICTの劇的変化が引き起こした産業構造の変化 2. テクノロジー・シンギュラリティに向かうICTの指 数関数的成長と人工知能 3. 人工知能が何故自動運転の実現に必要なのか 4. それの実装方法と今後の課題 1 ICTの劇的変化が引き起こした産業構造の変化 ICTの構造的変化 - 5年前(2010年)と5年後(2020年) - クラウドとビッグデータが定着 2001-2010 流通 Google Service Server 製造 交通 医療 2011以降 Amazon Sales force 農業 Facebook Cloud (+ Big Data/IoT) クラウド企業の協調・競争領域 IP-Network Webアプリケーション機能を 補完的に相互に利用 Application HTML5 Middleware OS Driver Windows OS-X H/W Intel Networked PC Linux PCとnon-PCの共存 (Tizen, Android ) Windows (端末のマルチデバイス化) iOS, Windows OS-X コンテンツ・サービスの製作はPC 閲覧・サービス利用はnon-PCでOK Intel Intel/ARM Fully Networked PC Non-PC Devices Smart Phone、TV-STB NAVI 2 ICTの劇的変化が引き起こした産業構造の変化 スマイル・カーブの先 (モノのスマート化) Acer Stan Shih`s Smile Curve / Frown Curve CPU/GPU・センサー の機能拡大 PCとnon-PC の共存 (端末の マルチデバイス化) Thingsの知能化 (スマート化) (Smart Things) (Cyber Physical System) (Industie 4.0) 中抜き 人工知能ソフトウエア の機能拡大 クラウド企業の 協調・競争領域 3 Agenda 1. ICTの劇的変化が引き起こした産業構造の変化 2. テクノロジー・シンギュラリティに向かうICTの指 数関数的成長と人工知能 3. 人工知能が何故自動運転の実現に必要なのか 4. それの実装方法と今後の課題 4 ICTの指数関数的成長と人工知能 情報処理能力の指数関数的拡大と人工知能への接近 Ray Kurzweil, http://content.time.com/time/interactive/0,31813,2048601,00.html 5 ICTの指数関数的成長と人工知能 データセンターの巨大化がもたらしたもの 音声認識の現在 (Deep Learningの適用) これまでの開発 (例: 京都大学) 国会答弁 (音声) 現在の方向性 (例: Google) 書き起こし 議事録 (テキスト) 言語 モデル 音響 モデル Cloud Server Deep Learning アルゴリズムの 開発 正誤チェック ユーザの 反応 ユーザ の発話 • • • • • 一般ユーザ 自然発話 多様な各国言語 大量なサンプル グローバル展開 各国の蔵書 スキャンから 自動翻訳へ 発展 ICTの指数関数的成長と人工知能 大規模サーバ群による画像認識 (2012) • コンピュータに例えば、クルマとバイク を見分けさせるには、これまで数多の 写真を見せて教え込んで実現した。 • これは途方もない作業量を要す。 • 代わりに我々は、16000個のCPUと 10億以上のコネクションを持つ人工 的神経ネットワークシステムを構築し、 YouTubeからとったいろいろなものが 映っている静止画をコンピュータに見 せ、自己学習とDeep Learningのアル ゴリズムを走らせた。 • すると、 1週間後、システムは猫の顔 に強く反応するようになった。 7 ICTの指数関数的成長と人工知能 Deep Learningによる画像認識の発展 (2012→14) ImageNet large-scale visual recognition challenge 2012年 2014年 8 ICTの指数関数的成長と人工知能 9 ICTの指数関数的成長と人工知能 デープラーニングのイメージ ICTの指数関数的成長と人工知能 デープラーニングのイメージ テスト画像と学習によりニューロンが反応した画像パターン ICTの指数関数的成長と人工知能 脳の構造と機能分化の明確化 (2001以降) Spaun: Semantic Pointer Architecture United Network Identify neurons responsible for categorizing objects “Seeking Categories in the Brain, ”Simon J. Thorpe and Michèle Fabre-Thorpe, 2001 January 脳はモノを見た時、形、色、場所、距 離等を別々の部分(機能)に振り分 けて認識 サルの場合80-100msecでモノを 認識 手を動かすといった行為までで 合計180-260msec 12 ICTの指数関数的成長と人工知能 人工知能が生まれる時期 コンピュータがハードウエア構造的に脳に近づく 十層 1024 の入力 X1 1つの 出力 W1 Σ X2 Y ニューロン W2 ヒトの脳でニューロン1000億個 一つのニューロンに1000個のシナプスが結合 13 ICTの指数関数的成長と人工知能 今ICTと人間の間に起こっている事 2020年、世の中はこれに近づく 脳の支援 生活支援 ビッグ 3rd Party データ API サービス センター 供給者 遠隔医療 自動運転 14 ICTの指数関数的成長と人工知能 Uberの例 GoogleがUberに$258M投資 2014年3月3日東京でハイヤー配車サービスを開始 GPSを利用して現在値や指定の場所にハイヤー呼 び、登録済みのクレジットカードで決済。現金不要 でスマートに降車できる。呼んで、乗って、支払いま でが、すべてアプリ上で完結。ハイヤーを手配する と、クルマの現在位置や所要時間をリアルタイムに 表示。ドライバーの顔写真や名前、車種やナンバー もわかります。 ICTの指数関数的成長と人工知能 ICTの指数関数的成長と人工知能 Amazon: 「予測出荷」の特許を取得 ― 注文される前に商品を出荷 ・個々のカスタマーの購入確率の分析(過 去の経緯やマウスの動き)をエリア毎に計 算し、カスタマーが発注する前に集配セン ター(ハブ)まで発送してしまう。 ・アマゾンからの出荷時点ではStreet Addressかzip codeまで印字して、配達中 に最終宛先の記入を完了する。 ・人気商品等、流量の多いものであれば、 更に各トラックの配達領域規模まで細分 化して発注前の商品を載せておいても大 丈夫。人気のある本や商品を出荷開始日 に欲しい人が多い様な場合に特に効果が ある。 ・「推測を間違って配達した場合、戻すより も値引きして売った方がコストを抑えられ る為、ディスカウントするか、時に要らない ものであればギフトにする事も検討。それ によってカスタマの好感度を上げる。」 http://jp.techcrunch.com/2014/01/20/20140118amazon-pre-ships/ 日ごろからAmazonを使って、ロイヤルカスタマになり自分の好みが理解されると、ある日ほしい物を画面上に映して、 いろいろマウスをクリックして画面に滞留していると、その内、買ってなくてもそれが家に届く事があるかも。 Agenda 1. ICTの劇的変化が引き起こした産業構造の変化 2. テクノロジー・シンギュラリティに向かうICTの指 数関数的成長と人工知能 3. 人工知能が何故自動運転の実現に必要なのか 4. それの実装方法と今後の課題 18 人工知能が何故自動運転の実現に必要なのか 欧米では自動運転の実現時期が 早まっている Google Self-Driving Car Project June 25, 2015 19 人工知能が何故自動運転の実現に必要なのか 自動運転の技術的イメージ 専用レーンを走るのでも、軌道上を走るのでもない 一般のクルマに混ざって走る その中、ドライバはハンドルやアクセル・ブレーキから手足を離し、周りも見ない コンピュータがヒトと全く同じ様に周囲を認識・判断・決定し、クルマを運転する [ 自動運転 ] GPS 正確な位置情報 Actuator/ Motor HMI/ECU/ Controller Switch System 20 人工知能が何故自動運転の実現に必要なのか 人間はどの様に環境認識をしているのか？ 21 人工知能が何故自動運転の実現に必要なのか 自動運転の世界観 衝突回避と計画的自動運転 Camera, Lader, Rader + LTE V2X ? Collision Edge Computing Collision Collision may unavoidable occur 条件反射、衝突回避行動 小脳 4G/5G Risk has appeared Cloud RiskComputing has not yet appeared 計画的自動運転 大脳 22 人工知能が何故自動運転の実現に必要なのか 衝突回避: センサーで周囲を360度、全天候、昼夜認識 Short Range Radar Systems - Blind Spot Warning - Pedestrian Detection LiDAR - 3D Cloud Points Stereo Camera - Lane Departure Warning - Lane Keeping Assist - Auto High Beam - Traffic Sign Recognition - Speed advisory Lear Camera - Lane Change Assist 90 degrees 130 m 18 degrees 200 m Ultra Sonic - Low speed collision avoidance - Parking assist Side Camera - Surround View - Parking Assist Driver Monitor - Drowsiness - Distraction detect Long Range Radar Systems - Adaptive Cruise Control - Forward Collision Warning - Autonomous Emergency Braking - Distance Alert 23 人工知能が何故自動運転の実現に必要なのか 計画的自動運転: 車載装着したセンサーで正確に認識できるのは高々100～200m 余裕をもって運転をドライバに戻すには２分は必要 (Level 3) 200 m 例えばこの先に 200m走るのに • • • • 時速36Kmで20秒 時速72Kmで10秒 時速108Kmで6.67秒 ： 時速200Kmで1.8秒 • • 白線の劣化 工事等による車線減少 などが有った場合 200m 2Km 2分走ると • • • • 時速36Kmで1.2Km 時速72Kmで2.4Km 時速108Kmで3.6Km ： 時速200Kmで6.6Km 24 人工知能が何故自動運転の実現に必要なのか 計画的自動運転の実現策 今後走る場所の情報 (走行開始前にＤＬ可) 3次元マップ データベース (逐次更新) 統計処理・予測 ビッグデータ デープラーニング 通信: 携帯網、DSRC等 プローブデータ (1分、1時間、1日、1週間、1ヶ月前。。。。) 過去 200m以上先の地点 25 人工知能が何故自動運転の実現に必要なのか 自動運転の分類と想定実現時期 クルマの自動化を拘束条件と速度で分類 Vehicle IoT クラウド上の ３次元マップデータベース センサーネットワーク化した クルマのプローブ情報を用い構築 生活道路 周囲拘束条件の予測困難性 多様な障害物把握 高度画像認識 Probes Services (動体・不動体) 歩行者・自転車・ バイク 通行可能性 Daimlerの発表 (2014.4.14) ２０２５ 以降 主要幹線道路 信号・道路標識 交通流把握 左折制御・タイミング 歩行者飛び出し ２０１５頃 既に出来ている 自動 駐車 交通渋滞内 自動運転 低速 ２０２０頃 高速道路 車間距離追従 車線キーピング 速度・加速度・横G制御 前車追従・コンボイ走行 中速 高速 速度 ヒューマンファクタ 人工知能 法整備 人工知能が何故自動運転の実現に必要なのか デープラーニングのクルマへの適用 ぶつからない進路の学習 27 人工知能が何故自動運転の実現に必要なのか 自動運転ソフトウェア：Autoware ユーザーインタフェース ネットワーク インタフェース 高性能計算・ 並列処理 10TFlops~ センサー 組込み技術 ~100MFlops アクチュエータ 環境認識 運転 モデル 行動 計画 振舞い モデル システム 監視 モデル生成に 要100TB~ 高性能計算・並列処理 10TFlops~ 経路 計画 高性能計算・並列処理 10TFlops~ (バイワイヤ制御) データロガー（クラウド連携で100TB~） コンピュータプラットフォーム 28 人工知能が何故自動運転の実現に必要なのか 自動運転ソフトウェア：Autoware Autoware レーザレーダ、カメラ、GNSSなどの環境センサを利用して、自車位置や周囲物体を 認識しながら、カーナビから与えられたルート上を自律走行できる 自動運転システム用オープンソースソフトウェア、LinuxとROSをベース 名古屋大学、長崎大学、産総研による共同成果の一部 基本機能 3次元自己位置推定、3次元地図生成、ナビアプリ、経路生成、経路追従（0～ 60km/h）、交差点右左折／一旦停止、自動停止、車両認識、歩行者認識、レー ン認識、標識認識、路上サイン認識、信号認識 構成・特徴 以下の環境で利用可能 – – – – – – – – – ZMP社のロボカー製品を車両として アイサンテクノロジー社の高精度3次元地図 測位衛星技術社、Javad社のGNSS測位機 北陽電機社、Velodyne社の3次元スキャナ インクリメントP社のAndroid端末用ナビアプリ インテルCPU，Linuxが稼働する環境 NVIDIA社のGPGPU技術（GeForce, Tegra） イーソル社の車載向け組込みシステム インターネット上のデータベース接続 29 人工知能が何故自動運転の実現に必要なのか SLAMとCloud Points Map 30 Agenda 1. ICTの劇的変化が引き起こした産業構造の変化 2. テクノロジー・シンギュラリティに向かうICTの指 数関数的成長と人工知能 3. 人工知能が何故自動運転の実現に必要なのか 4. 実装方法と今後の課題 31 実装方法と今後の課題 高度安全支援/自動運転向けICT 外部環境把握 ADASマップ ナビゲーション Android Auto CarPlay Side Cameras ｺﾝﾋﾟｭｰﾀﾋﾞｼﾞｮﾝ IVI端末 Sonar 第三者 ソリューション サーバ 人工知能 クルマ会社 データセンター (オプション) ブレイン コンピュータ I/O 現在は自動運転用に ECU/ ここをPCで処理している センサー データ処理 Get クルマの状態把握 低速 CAN ECU ECU ECU 高速 CAN 3次元マップ データベース Internet (旧ナビゲーション) セントラルゲートウエイ センサーゲートウエイ フュージョン Get Milliwave Radar ビッグデータ 人工知能 或いは内蔵通信機 Front/Rear Cameras LIDAR 3次元 ADASマップ スマートフォン ネットワーク コントローラ ﾃﾞｨｽﾌﾟﾚｲ Set ﾃﾞｨｽﾌﾟﾚｲ ﾃﾞｨｽﾌﾟﾚｲ BCM TCM EBCM ECM SDM 安全及びADAS情報 注意警告や運転支援情報 交通標識 センターライン、停止線 危険予知/ 事故防止 危険カーブ/スリップ予測 車線減少/増加 横断歩道/停止線 工事区間 ダイナミック情報 白線劣化予測 ゲリラ豪雨/非常時情報 32 実装方法と今後の課題 自動運転実現に向けた課題 (Level3以降) 課題 概要 自動運転に必要な三 次元HAD MAP構築 欧米で利用可能となる自動運転用地図（3次元HAD MAP）と互換性 のある地図が国内でも必要。また、自動運転車が認識した差分をク + 中国の話 ラウド経由でアップデートするシステムが必要。 DSRCの国際互換性の 周波数帯のズレ(5.8GHz v.s.5.9GHz)以上に、国内DSRCの仕様は欧米 と同様にWiFiと互換性を持たせ、市場性を高める事が必要。 実現 79GHz ミリ波レーダ ミリ波レーダの利用帯域の国際標準化が必要。(可視光/赤外/レー のグローバルな周波 ザー等の光ベースのセンサーよりも波長が長く、雨・雪・霧等を透 過し悪天候の影響を受けにくく、汚れにも強く堅牢。中・近距離で 数割り当て確保 の自動車や歩行者検知に有効。距離のみならずドップラー効果で相 対速度の検出も可能。日本では2012年12月に規格化済み。) 4G/5Gの利用拡大と 760MHz帯域の有効 活用 海外に先行している国内テレマティクスとナビの知見を活かし 4G/5Gに対するITS要件定義(車車間、路車間、歩車間通信)を3GPP等 へ提案要。国内760MHz ITS端末の有効利用も平行して議論要。 ネットワークセキュ リティに関する国際 的異業種協力体制 ICT領域と車載制御系領域間のネットワークセキュリティの定義・ 研究・実証に関し、各国間の協力のみならず、クルマ業界とICT業 NAVTEQ 界間の協力体制の早期構築が必要。 33 まとめ： ICTの指数関数的発達により、既にクラウド上に人工知能が 宿り始めておりシンギュラリティが始まっている 自動運転は脳の代わりに人工知能がセンサーデータを分析し 認知・判断・決定することで実現される 自動運転をIoTの代表例として、今後ウェアラブル端末等から 収集されたセンサーデータをクラウド上で分析しAPI化される クラウド上でAPIを結び付けプログラミングする事で新しい産業 の付加価値は容易に生み出され、今後国際競争はアイデア 勝負となる データは産業のコメ、データを持ちそれを国際的に分析できる 企業が市場を獲得する (クルマ会社も然り) 34 ご清聴 大変ありがとうございました 35
© Copyright 2024 ExpyDoc
