インテリジェントなモノのインターネット - 自動運転のコア技術

中国の自動運転市場には大きな可能性がある。マッキンゼーは、中国の乗用車市場では、2040年までに自動運転が全乗客走行距離の約66%を占め、自動運転車の売上高は0.9兆米ドルに達し、自動運転関連のモビリティの市場収益は1.1兆米ドルに達すると予測しています*1。スマートカーとスマート交通の発展の一貫した方向性として、自動運転は我が国の重要な開発分野として挙げられています。 「新世代人工知能発展計画」では、自動車産業における自動運転技術の開発に重点を置き、インテリジェント交通の構築と自律無人運転技術プラットフォームの突破口を開くことを提案している。このプロセスの進歩は、クラウド コンピューティング プラットフォームと、クラウド上のビッグ データ分析、モノのインターネット、人工知能のサポートと切り離せません。

• 自動運転の価値

自動運転は、スマート旅行サービスの新たな産業エコシステムを構築する中核要素として、道路の利用率を向上させるだけでなく、消費のアップグレードの新たな原動力にもなります。自動運転がさらに進化するにつれ、自動車産業チェーンの価値の中心はポストサービスへとさらにシフトし、道路や交通などのデジタルサービスに基づくビジネス成長スペースが拡大します。

消費のアップグレード：自動運転技術の適用により、ドライバーは注意を払う必要がある環境から抜け出し、常に車の運転状態を調整できるようになります。人工知能により、オフィス、エンターテイメント、生活が自動車旅行のドライバーと乗客にとって新たな選択肢になります。人々は伝統的な消費からスマートな消費へと移行し、消費体験の総合的な向上を実現しました。

道路利用率の向上: 都市交通では、車両の増加率が道路の増加率よりもはるかに速く、信号無視、割り込み、違法駐車などの悪い運転習慣と相まって、道路渋滞が都市交通管理における大きな問題となっています。自動運転とインテリジェント交通管理を連携して使用することで、道路状況の変化を感知して車両の運転状態を自動的に調整し、交通の流れをより適切に管理できるため、道路資源を効果的に解放し、道路容量を高め、渋滞を緩和し、道路利用率を向上させることができます。

二酸化炭素排出量の削減: 自動運転技術が成熟すると、シェアリング旅行が都市交通の主な手段になります。その時までに、既存の旅行ニーズを満たすために利用できる車の数は大幅に減少するでしょう。ミシガン大学の推定によると、シェアリング自動運転車 1 台で従来の自動車 9.34 台を置き換えることができます*2。これは、車両利用率の向上を意味するだけでなく、車両総数の削減によって炭素排出量が大幅に削減され、低炭素社会の発展が達成されることを意味します。

• 私の国における自動運転の開発の3つの段階

我が国の自動運転の開発は3つの段階に分けられます*3:

出典：マッキンゼー、中国が自動運転車の進化にどのように貢献するか

フェーズ 1、2023 年まで: このフェーズでは、自動運転技術は準備ができていますが、非常に複雑な標識、まだ完全に標準化されていない信号や道路標識、ドライバーの悪い運転習慣など、我が国の複雑な交通環境によって制限されています。その結果、自動運転の初期導入は、交通量が少なく運転要件が簡単な郊外地域で行われる可能性が高く、走行速度は時速60km未満の低速でしか維持できない。

フェーズ 2、2027 年まで: 2027 年までに、自動運転技術は発展を続け、市街地や郊外での運転に必要な条件のほとんどを解決し、商業的に大規模に導入され始めます。しかし、自動運転では、悪天候による信号不良、地方特有の交通の複雑さ、一貫性のない道路標識などの問題を依然として解決する必要があります。

フェーズ3、2032年頃: 中国市場における「モビリティ・アズ・ア・サービス」(MaaS)の急速な成長により、自動運転による移動に対する強い需要が生まれます。この段階では、自動運転技術が成熟し、コストが徐々に低下するにつれて、都市部、郊外、農村部で自動運転が本格的に導入されるようになるでしょう。

技術的な観点から見ると、自動運転のプロセスには多くの技術が関わってきますが、その中でも特に重要なのは、認識、インテリジェント エンジン、機械学習です。

認識: 産業用インターネットでは、センサー、通信機器、接続デバイスなどのデジタル技術を使用して、複数のモデルやシナリオからの車両データを認識します。センサーのマルチデータ相互作用とエッジでのリアルタイム処理により、リアルタイムで信頼性の高いシステム応答と認識を実現できます。

インテリジェント エンジン: クラウド上でビッグデータと人工知能を組み合わせて、収集された膨大な量の車両データをリアルタイムで処理し、インテリジェントな意思決定を行うことが、自動運転を実現するための鍵となります。そのためには、自動運転システムが高速かつ信頼性の高いコンピューティング能力を備え、インテリジェントなビッグデータ分析を通じて車両運転に関する適切な決定を下せることが必要です。

ディープラーニング：自動運転のプロセスでは、車の運転データと性能評価に基づいたインテリジェントな判断、診断、メンテナンスが必要です。これにより、ディープラーニングの要件が提示され、機械学習モデリングを通じてデータに基づいてトレーニングおよび改善するための高度なディープラーニング フレームワークが必要になります。

• AWSが自動運転を加速

ロールスロイス、BMW、ボルボ、トヨタ、ルモー、フォード、ドイツのアウディなど世界を代表する伝統的な自動車メーカーや、Lyft などの新興旅行サービスプロバイダーはすべて、クラウド上の IoT、ビッグデータ、人工知能に加えて AWS を基盤として、車両のインターネットと自動運転の開発と展開のニーズに応えています。 AWS 自動運転システムは、クラウド プラットフォームの柔軟で豊富なコンピューティング リソースを基盤とし、ビッグ データ技術と高度な人工知能アルゴリズムを適用した上で、車両とクラウド (プラットフォーム) の 2 つの層に分かれています。車両とクラウドの連携により、AWS の包括的なサービスセットは自動運転の開発と導入を支援できます。

AWS にはユーザーが必要とするストレージがあり、大規模なデータストレージをサポートします。 AWS Snowball Edge Storage Optimized は、ローカルストレージと大容量データ転送のニーズを満たすために 100 TB の容量と 24 個の vCPU を提供します。

Amazon Elastic Compute Cloud (Amazon EC2) P3 インスタンスは、柔軟で強力な高性能コンピューティング能力を提供し、最大 1 ペタフロップスの混合精度パフォーマンスを実現し、機械学習および高性能コンピューティング アプリケーションを大幅に加速します。 Amazon EC2 P3 インスタンスは、Apache MXNet、TensorFlow、PyTorch など、すべての主流の機械学習フレームワークをサポートしています。

Amazon SageMaker 機械学習ホスティングサービスにより、自動運転開発者は機械学習モデルを迅速に構築、トレーニング、デプロイできるため、研究開発の作業負荷が軽減され、コストが削減され、製品の市場投入までの時間が短縮されます。

AWS IoT Greengrass は、エッジコンピューティングと機械学習推論機能を提供し、クラウドへのデータ転送コストを最小限に抑えながら、車両内のローカルルールとイベントをリアルタイムで処理します。

次に、AWS が自動運転をどのようにサポートしているかを実際の 2 つの事例で見ていきます。

• トヨタ・リサーチ・インスティテュート、AWS ディープラーニングを活用して自動運転を加速

自動運転システムの開発と導入には、大量のデータを収集、保存、管理する能力、高性能コンピューティング機能、高度なディープラーニング技術、そして車両データをリアルタイムで処理する能力を備えた IT が必要です。トヨタ・リサーチ・インスティテュート（TRI）の最重要課題の 1 つは、人工知能を活用して、トヨタがより安全で使いやすく、環境に優しい自動車を生産できるようにすることです。この目的のために、同社は Amazon EC2 P3 インスタンス、Amazon Simple Storage Service (Amazon S3)、Amazon Simple Queue Service (Amazon SQS)、AWS ネットワーク サービスを使用した AWS クラウド サービスに基づくスケーラブルで高性能なソリューションを構築しました。 Amazon EC2 P3 インスタンスは、機械学習モデルのトレーニングに必要なコアコンピューティングパワーを提供し、モデルの迅速な最適化と再トレーニングに基づいてモデルのトレーニング時間を 75% 短縮し、TRI の自動運転の研究開発を大幅に加速します。 Amazon S3 を使用すると、TRI はどこからでも任意の量のデータをすばやく保存および取得し、このデータを機械学習モデルとシミュレーションの分析と再トレーニングに使用できます。 TRI は、Amazon SQS を使用して、リモート データ収集サイト間のデータ転送を調整し、需要に応じてコンピューティング リソースとストレージ リソースを調整します。このソリューションを導入することで、TRI のデータ サイエンティストと機械学習エンジニアは、反復処理を高速化し、より多くのモデルをトレーニングし、アプリケーションで競争上の優位性を構築できるため、自動運転の研究開発サイクルが短縮され、将来トヨタがより安全な自動車を生産できるようにするという目標に向かって前進することができます。

• AWS が TuSimple の自動運転トラックシステムの開発を支援

TuSimple（以下、「TuSimple」）は、2015年9月に設立され、市販可能なL4レベル（SAE規格）の無人トラックソリューションの研究開発に注力してきました。このソリューションは、カメラをメインセンサーとして使用し、LIDAR とミリ波レーダーを統合して、認識、位置決め、意思決定、制御などの無人運転のコア機能を実現します。これにより、幹線物流シナリオや半閉鎖型ハブシナリオにおいて、貨物トラックの完全無人運転が可能になります。 AWS クラウドサービスの助けにより、TuSimple はこのソリューションの開発効率と速度を加速し、開発コストを削減しました。 AWS には、ユーザーが必要とするコンピューティングとストレージが備わっています。 AWS Snowball Edge を使用すると、ツーソンは大量のデータを AWS クラウドに高速転送して処理できるため、非常に大規模なシミュレーション運転テストを実施できます。 AWS のエラスティッククラウドサービスを通じて、Tucson はディープラーニングモデルを作成およびトレーニングできるため、トレーニング時間を数日から数時間に短縮できます。 TuSimple は AWS を利用して、トラックの操縦に使用するあらゆるアルゴリズムで数百万マイルのシミュレーションを実行できる自動運転シミュレーション プラットフォームを構築し、安全で信頼性の高い自動運転車を実現しました。

自動運転の実現には、センサーによる周囲環境の認識だけでなく、データを通じてインテリジェントな判断や制御を行うためのより強力なデータ分析機能も必要です。自動運転向けに開発されたAWSクラウドサービスは、クラウドコンピューティング、ビッグデータ、モノのインターネット、人工知能の力を借りて、自動車メーカーや研究開発機関による自動運転システムの研究開発プロセスを加速させてきました。 TRI と TuSimple は、AWS クラウド サービスの支援を受けて自動運転の開発を加速し、信頼性と安全性に優れた自動運転に向けて前進しています。

* 1 出典：マッキンゼー、中国における自動運転

*2 出典：ミシガン大学交通研究所「自動運転車が家庭の自動車需要と使用に及ぼす潜在的な影響」

* 2 出典：マッキンゼー、中国が自動運転車の進化にどのように貢献するか、https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/how-china-will-help-fuel-the-revolution-in-autonomous-vehicles