PR

自動運転に深層学習が必要な理由

  自動車メーカー各社とNVIDIA社が評価した画像認識の例を見てみよう(図1)。

図1 自動運転に必要な深層学習を用いた画像認識の例
図1 自動運転に必要な深層学習を用いた画像認識の例
従来のアルゴリズムを使う場合に比べて短期間で認識精度を高められる。自動車メーカー各社とNVIDIAが共同で評価した。
[画像のクリックで拡大表示]

  (a)はドイツAudi社がNVIDIA社の深層学習プラットフォームを使用して道路標識データベースを学習させ、認識させたものである。わずか4時間の学習で、認識精度96%を達成した。(b)は米Ford Motor社による歩行者検知の例である。NVIDIA社の深層学習プラットフォームを使用することにより、学習効率を30倍向上させた。

  (c)はドイツDaimler社がオープンなデータセットの「シティースケープ」を使用して、画素ごとの認識を行うセグメンテーションを実行した結果である。深層学習を使うことにより、人間の認識能力に限りなく近づけることができた。(d)はNVIDIA社自身でデータセットの「KITTI」を使用して深層学習したもので、一部の隠れている車両を難なく検出できた。しかもNVIDIA社のGPU「TITAN X」1個で、リアルタイム認識もできる。

  最後の(e)はAudi社のデータベースを使用して、非常に視界の悪い道路状況で深層学習により先行車両を認識したものである。人間の眼では認識できない、はるか前方を走る車両を認識できた。これらのうち(c)以外は全て、NVIDIA社が開発したニューラルネット「DriveNet」を使用した。

  こうした例からも分かるように、高度な自動運転の実現に深層学習が必要な理由は以下の通りである。

 (1)認識対象にかかわらず、人間の眼と同じように共通のニューラルネットが使用できる

 (2)認識対象に合わせ込む個別アルゴリズムの開発、チューニングが不要のため、開発期間を短くできる

 (3)人間が思いつかないような特徴を抽出できる。人が作るアルゴリズムを凌駕する認識精度を実現できる