ディープラーニングが自動運転、コネクテッドカーにおいて どのように活かせるかについての講演資料です。 特に映像による車両, 人物検出, セグメンテーションの動画が新しい情報です。

1. ディープラーニングが
⾃自動運転、コネクティッドカー
にもたらす変⾰革
岡野原 ⼤大輔
hillbig@preferred.jp
Preferred Networks, Inc.
2016/10/18 TU-Automotive Japan 2016

2. l Preferred Networksの事業領領域は⼤大きく三つ
– IoT + ⼈人⼯工知能が⼤大きくインパクトを与える領領域にまずフォーカス
l 交通
– ⾃自動運転とそれがもたらす⼈人流流と物流流の⼤大きな変⾰革
– 事故の無い世界、好きな時に好きな場所へ
l 製造業
– 知能化ロボットによる製造の⼤大きな変⾰革
– ⽌止まらない⼯工場、変わり続ける⼯工場
l バイオヘルスケア
– ⽣生体センサ、ゲノムデータ、診療療データによる
診察、診断の個⼈人化、⾼高度度化
– 病気にならない、治せなかった病気を直す
2

3. 機械学習とは
l 経験（データ）によって賢くなるアルゴリズムの研究
– データから知識識・ルールを⾃自動獲得する
– データの適切切な表現⽅方法も獲得する
– ⼈人⼯工知能の中で、⼈人が知識識やルールを
明⽰示的に与える⽅方法の限界から⽣生まれてきた
3
学習データ
分類モデル

4. ディープラーニング（深層学習）とは
l 層が深く、幅も広いニューラルネットワークを利利⽤用した
機械学習⼿手法
l 2012年年の⼤大ブレーク以来、研究コミュニティのみならず
産業界に多く使われてきた
– 2014〜～2015年年中に出された関連論論⽂文数は1500を超える*
l 画像認識識、⾳音声認識識、⾃自然⾔言語処理理、機械制御などで
劇的な精度度向上を果たし、多くが既に実⽤用化されている
4
2014年の一般画像認識コンテストで優勝した
22層からなるNNの例 [Google]
*http://memkite.com/deep-‐‑‒learning-‐‑‒bibliography/
⾯面⽩白い論論⽂文は私のtwitter @hillbigで紹介しています
2015年の一般画像認識コンテストで優勝した
152層からなるNNの例 [MSRA]
岡野原 他 著

5. なぜ機械学習が実世界で使えるようになったのか
l Internet of Thingsの到来
– センサとコンピューターとアクチュエーターがつながる
l モバイル機器の性能向上
– モバイルでもTflops級の計算リソースが利利⽤用可能に
– デバイス上で深層学習の⼤大部分が実現可能
l 低価格ハイスループットセンサの登場
– 映像カメラ ⾼高解像度度，⾼高FPS
– LIDAR
l 機械学習の研究⾃自体の進化
5
NVIDIA Xavier
20Tops, 20W
Velodyne LiDAR Puck Hi-Res
１秒間で周囲百mの
30万点の測距

6. 機械学習による開発⼿手法の⼤大きな変⾰革
l ハードウェアで実現
– 綿密な要求定義・設計・テスト
– 市場に出てからの機能修正・変更更は困難
– 試⾏行行錯誤のコストは⼤大きい
l ソフトウェアで実現
– アジャイルに開発可能
– 市場にでてからの機能修正・変更更は容易易
– （優秀な）プログラマがボトルネック
l 機械学習/深層学習で実現
– 実現したい機能は機械が獲得する
– データさえ集められれば瞬時に実現
– 市場に出た後も勝⼿手に進化し続ける
6
試⾏行行時間
1〜～3ケ⽉月
1〜～3⽇日
1〜～3年年

7. 事例例紹介
• 分散深層強化学習 Interop 2015
• 「ぶつからない⾞車車」 CES 2016（トヨタ⾃自動⾞車車と共同展⽰示）
• CNNによる⾞車車両, ⼈人物検出*1
• CNNによるセグメンテーション*1
*1 データセットはCityScape Dataset
https://www.cityscapes-‐‑‒dataset.com

8. 分散協調型の強化学習
分散協調型
強化学習 学習結果は
リアルタイムで反映

9. セグメンテーションによる空間認識識
9
Result by Preferred Networks
Dataset: CityScape Dataset https://www.cityscapes-dataset.com/citation/

10. 障害物に強い認識識
l 柱で分かれていても⼀一つの物体だと認識識する
10

11. 映像認識識の精度度が⾶飛躍的に向上している
l 深層学習の進化が⾮非常に速いため
– 精度度，速度度が急速に向上し続けており、あと数年年続く
l 遠距離離の障害物の検出、多様な障害物の認識識が可能に
– カメラの場合、LIDARとは違って遠距離離でも密な情報が得られる
l 次の⼆二つが⽰示唆される
1. ADAS, ⾃自動運転におけるカメラの重要性が増す
2. 地図が担う多くの機能をカメラによる認識識結果で実現できる
– ⾛走⾏行行可能領領域の検出など
11

12. Deep Learning+コネクティッドカーは
認識識・制御以外にも利利⽤用できる
l 異異常検知・異異常予測
l 予測・最適化
12

13. 異異常検知・異異常予測
センサからの異異常検知
13
異異常な部分を抽出する
ディープラーニング技術
異異常は発⾒見見されない
異異常を検出
正常時の波形 異異常時の波形
実際のロボットの減速機から
得られたセンサデータ

14. 14
既存⼿手法で検出が遅かった異異常を事前に検出
提案⼿手法
経過時間
異異常スコア
故障の約40⽇日前に
アラームで通知
判定閾値
既存⼿手法
経過時間
故障直前で通知
ロボット
故障
ロボット
故障 15⽇日前

15. 予測・最適化
電⼒力力の需要予測例例（パートナーとの実証実験）
l 実際の需要量量に応じた発電を⾏行行いコストを最⼩小化
l 未来の電⼒力力需要量量を予測
– 気象データ、家庭の位置情報を活⽤用
– ディープラーニングの利利⽤用で⾼高精度度な予測を実現
l 需要予測において、従来⼿手法と⽐比較しエラー率率率半減
15
気温
湿度度
位置
電⼒力力需要量量
時系列列

16. なぜ⾞車車同⼠士がつながる必要があるのか
l レアイベントの情報を集められる
– 1台の⾞車車での経験は限定的
– ヒヤリハット・事故の情報を反映できる
– 初めて場所、状況に対応できる
l センサ能⼒力力を拡張できる
– ⾃自分がまだ到達していない場所の情報を集められる
– 必ずしもリアルタイムじゃなくてもよい
l 協調できる
– ⾃自分の状態、意図を知らせる、他者の状態、意図を知る
16

17. クラウドコンピューティングから新しいコンピューティングへ
クラウドコンピューティング エッジヘビーコンピューティング

18. DIMo（ダイモ）: Deep Intelligence in-‐‑‒Motion
Cloud
Portal
Fog
Agent
Edge
Agent
クラウドからフォグ/エッジで
動作する深層学習を制御。
クラウドで高速に研究開発した
成果を即エッジで運用可能に。
フォグ/エッジのIoTプラットフォーム
と連携して動作。ネットワークの
レイヤーを横断した協調動作を
実現する。
提供する深層学習のアルゴリズム:
• コンピュータビジョン
• 異常検知
• 電力需要予測(2017年前半)
• 強化学習(2017年後半)
• その他開発中
Collaboration through layers
フォグやエッジで深層学習を使う意義
• 高頻度・低レイテンシなデータ分析を実現: シビアな制御に深層学習を利用可能
• ネットワーク帯域を節約: 今まで集められなかったデータの分析を実現

19. Copyright © 2014-‐‑‒
Preferred Networks All Right Reserved.