AIと機械学習の研究者は、自動運転車の開発に注力しており、これは新しいトレンドです。自動運転タクシー会社であるWaymoは、2020年に消費者にWaymo Oneというサービスを提供する予定です。アリババグループの子会社であるAutoXは、中国の深センで無人完全自動運転車の運用を開始しました。センサーを使用して周囲の環境に関するデータを収集する自動運転車は、自動車の人工知能の結果として、急速に人間の運転手に取って代わりつつあります。一方、自動運転車はデータをさまざまな方法で解釈します。これが自動車業界における人工知能の最も重要な用途です。
無人運転の未来に関心のある方は、自動運転のための最も有名な機械学習アルゴリズムとその重要性について学んでください。
機械学習アルゴリズムの役割
人工知能には、機械学習を含むさまざまな分野が含まれます。人工知能により、機械が特定の作業を行う方法を向上させることができます。しかし、ここで重要なことは、学習とは、コンピューターが最初のトレーニング データから学習した情報を超えることを意味します。誘導を効果的に行うには、コンピューターに機械学習アルゴリズムが必要です。言い換えれば、機械学習と人工知能に基づく特注のソフトウェア開発は、従来のプログラミングでは実現できない分野で成功する可能性があるということです。
教師あり学習と教師なし学習
自動運転車では、教師ありまたは教師なしの機械学習が使用されています。この 2 つの方法を比較すると、最大の違いは学習に必要な人間の入力の量です。コンピューターは教師あり学習を使用してデータを分析し、入力に基づいて予測を生成し、それらの予測を適切な出力データと比較して将来の予測を改善します。教師なし学習では、データにラベルが付けられません。その結果、コンピューターは入力から基礎構造を識別することだけを学習します。
機械学習は、現在最も流行している自動運転技術の 1 つです。自動運転車では特にディープラーニングの使用が増えています。ディープラーニングは機械学習の 1 分野であり、大量の実世界のデータを分析してコンピューターに学習方法を教えることに重点が置かれています。ディープラーニングにより、自動運転車は大量の生データを有用な知識に変換できます。
機械学習分野における自動運転車開発の歴史
自動運転車が機械学習アプリケーションに登場したことで、自動車業界とテクノロジー業界の両方が恩恵を受けています。機械学習向けの自動運転車のアプリケーションには、次のものがあります。
宇宙での位置特定とマッピングのためのセンサー融合とシーン理解
運転者の状態を評価し、ナビゲーションおよび移動計画中の行動の傾向を特定する
自動運転車が選択を行うプロセス
物体検出と物体分類アルゴリズムにより、自動運転車は物体を認識し、状況を理解し、結論に達することができます。物体を識別して分類することでこれを実現します。道路ナビゲーションに関しては、Mindy Support の機械学習アルゴリズムがトレーニングを支援する完全なデータ注釈サービスを提供します。
多様性と冗長性
機械学習を実現するために、さまざまなアルゴリズムを組み合わせて重ね合わせることで、障害を減らし、セキュリティを確保しています。道路標識はこれらのアルゴリズムによって解釈され、車線や交差点を識別します。
自動運転車はどのように機能するのでしょうか?
自動運転車の 3 つの主要なセンサーは、人間の目と脳のように連携して動作します。カメラ、レーダー、LIDAR はセンサーの例です。これらはユニットとして機能し、車両に周囲の包括的な画像を提供します。これらのセンサーを使用して、車両は近くの物体の距離、速度、3D 形状を判断できます。自動運転車の慣性測定ユニットは、現在、加速度と位置を検出して制御します。
信頼性の高いカメラ
自動運転車は周囲の鮮明な画像を得るために、さまざまな角度に配置された複数のカメラを使用します。長距離視界用に、視野が狭いカメラもあれば、120 度の視野を持つカメラもあります。駐車時には、広角魚眼カメラで広い視野を提供します。
対レーダーシステム
夜間や視界が悪いときには、レーダー探知機がカメラセンサーの働きをさらに助けます。レーダー探知機は電波を使ってパルスを発信し、探している物体の速度と位置に関する情報を受信します。
レーザーフォーカス
LiDAR センサーはパルスレーザーを使用して距離を計算し、自律走行車に周囲の 3D ビューを提供します。これにより、カメラのみの場合よりも形状や奥行きなどのより詳細な情報が得られます。
自動運転車で使用される機械学習アルゴリズム
方向勾配ヒストグラム (HOG)
自動運転やコンピューター ビジョンの基本的な機械学習手法は、方向勾配ヒストグラム (HOG) です。これは、セルと呼ばれる画像の小さな領域で画像の強度がどのようにどの方向に変化するかを調べます。HOG を使用すると、各セルからの勾配を接続することで、各方向が何回出現するかを確認できます。その後、サポート ベクター マシン (SVM) が、発見された新しい特性に基づいてデータを分類します。
画像分布は、HOG が画像を説明するときに参照するものです。単なるピクセルの集合ではなく、画像のデコードと圧縮に役立つ画像勾配を生成します。さらに、システム リソースをほとんど使用しません。HOG は、自動運転車の画像認識プロセスの効果的な最初の段階となる可能性があります。
YOLO
YOLO (You Only Look Once) 機械学習アルゴリズムのおかげで、車両、人、木などの分類がこれまでになく簡単になりました。これは、HOG のヒューリスティック ベースの検索方法の代替手段です。YOLO は、画像全体を分析した後、画像をセグメントに分割します。YOLO は、すべてのクラスに共通する特性に基づいてオブジェクトにラベルを割り当てます。
このアルゴリズムは、画像セグメントごとに境界ボックスと予測を生成します。ネットワーク評価は 1 回だけ使用し、画像全体のコンテキストで各予測を考慮します。一方、他のアルゴリズムでは、画像内のさまざまな場所や領域で検出器と分類器を使用してオブジェクトを識別します。その結果、YOLO は HOG よりも正確で高速です。YOLO アルゴリズムを使用すると、自動運転車のオブジェクト認識が容易になります。その結果、現実世界の問題が迅速に処理され、車両も迅速に応答します。
自動運転車と機械学習の未来
機械学習は、自動運転車に使用した場合、強力な技術となります。交通の未来は、機械学習を使用する自動運転車によって決まります。そして、その互換性は否定できません。自動運転車の認識と意思決定は、多くの場合、機械学習アルゴリズムによって処理されます。ただし、機械学習には、自動運転車に革命をもたらす可能性のある他の方法とアプリケーションが多数あります。たとえば、機械学習は、自動運転ナビゲーションやドライバーの感情状態の検出にも使用される可能性があります。
現在、機械学習の進歩により、自動運転車はすでに多くのタスクを実行できるようになっています。その能力は今後もさらに向上するでしょう。つまり、車が自動運転すると、何がそのきっかけになったのか正確にわかるようになるのです。
注目の画像: UnsplashのHannes Eglerによる写真