アセントロボティクスの自動運転技術:「ATLAS」のシミュレーション技術と深層強化学習の活用

課題

昨今では運転支援技術や自動運転技術の研究が活発に行われています。運転支援・自動運転システムにおいて、周囲の情報を収集する手法として、GPSやインフラ等の周囲の環境との通信によって情報を収集する「協調型」と、自車に設置されたレーダーやカメラのみから情報を取得する「自律型」があります。(参考)協調型は自車の周囲の情報を広範囲にわたって獲得することができるため有力な手法ですが、インフラの整備に膨大な時間とコストがかかるのが課題です。

解決方法

アセントロボティクス(東京,渋谷)は、インフラとの協調を最小限とした自律型の自動運転システムの開発により、自動運転社会の早期実現を目指すとしています。

同社では、シミュレーション環境内での深層強化学習によって自動運転AIの教育を行っています。強化学習とは、シミュレーター環境内で試行錯誤を行い、試行の結果の良し悪しによって正/負の報酬を与える手法です。獲得する報酬を高めるように学習することで、良い結果をもたらす行動が強化され、悪い結果となる行動は弱められていきます。

この開発には、シミュレーション環境やAIアルゴリズムを統合した「ATLAS」という独自のAI開発フレームワークが用いられています。生成モデルと呼ばれる手法により、必要最小限のデータからAI学習に必要な膨大なシミュレーションシナリオを自動で生成することができ、様々なパターンの学習を効率的に行うことができるとのことです。また、リアルタイムの100倍という速度でシミュレーションを回せると説明されています。

転移学習を用いることで、シミュレーション環境から実環境への応用や、様々な車種への対応も可能となるとしています。転移学習とは、ある領域で学習させたモデルを別の領域に応用できるように学習させることです。シミュレーション環境から実環境への転移の場合、大量の学習データの生成が容易なシミュレーション環境について十分学習させたモデルを転用することで、実環境においては少ないデータを学習させるだけで済むようになると考えられます。

どうなったか

同社は、運転支援技術を段階的に高度化していくのではなく、最初から自律型の完全自動運転に焦点を当てて開発を進めていると発表しています。他社が既に開発を進めている高速道路での自動運転には注力せず、より複雑な判断が求められる市街地向けに特化し、2020年までにレベル4の自動運転(特定の条件下における完全に自動化された車両)の実現を目指しているとしています。

また、現在の同社の実験車両ではカメラ・ミリ波レーダー・LiDAR・温度センサーなどの様々なセンサーが用いられていますが、膨大なセンサーデータを全て処理するのは現実的ではないとして、今後1~2年はより少ないセンサーを基にしたアルゴリズムの研究が課題となると説明されています。人間の脳のように情報の取捨選択を行うことで演算量を抑えるといった工夫をしていくとしています。

まとめ

アセントロボティクスの深層強化学習を用いた自動運転手法について紹介しました。

自動運転研究においては膨大な学習データの準備が大きな課題となっていました。特に、複雑な環境下での判断が求められる市街地においては、高速道路とは比べ物にならないほどのデータ量が必要となります。生成モデルによるシミュレーションシナリオの生成は、この課題に対して有効な手段だと考えられます。

現在の自動運転研究はまだシミュレーション環境でのものが多いですが、今後は実環境での研究が増えていくと予想されます。それに伴い、転移学習もさらに注目されていくことになるでしょう。

参考資料

(本吉 俊之)