AI自動運転車が交差点で正しく認識・判断する方法　NVIDIAがブログで公開

自動運転にはAI技術がどのように使われているのか、AIはどのように学習しているのか、困難な課題は何かなど、自動運転にまつわるさまざまなAIの情報をNVIDIAがブログで公開している。NVIDIA DRIVE AVソフトウェア・チームがエンジニアの観点から迫る「NVIDIA DRIVE ラボ」シリーズだ。ブログの最新の記事ではAIが交差点の構造を複数のクラスに分類してアプローチする手法が紹介されている。その記事の内容を紹介しよう。

重大事故の50%は交差点やその付近で起こる

一時停止のある十字路、混み合った複数車線の大通りにある信号機だらけの往来など、交差点はどこでもある。FHWA(米国連邦道路庁)によると米国の重大事故(死亡・傷害事故)の50%以上が、交差点またはその付近で起こり、その頻度、種類、リスクを考えると、当然のことだが自動運転車両が交差点を正確に通行できることはとても重要なポイントになる。

自動運転車両が交差点を自律的に扱うには、複雑な課題がいくつも出てくる。例えば交差点の停止線や横断歩道で正確に止まったり、さまざまなシナリオで交通規則の優先通行権を正しく解釈したり、交差点を直進して通り抜けたり、信号のない交差点で右左折したり。正しい進路を判断して、さまざまな操作を実行する必要がある。

高精細な3Dセマンティック マップが頼りだった

以前の手法では交差点の構造を理解し、安全に走行できる進路を作成するために交差点とその周辺一帯の高精細3Dセマンティック マップに頼っていた。このようなマップの作成では、交差点の進入線/脱出線や分割線の位置、信号機や標識の配置、各方向の車線数など、潜在的に関連する交差点構造の特徴を手動でエンコードするため、人手によるラベリング(ラベル付け作業)が大量に行われる。また、交差点のシナリオが複雑になればなるほど、手動によるマップのアノテーション(データのタグ付け)がますます大量に必要になる。

このアプローチの実用上の重大な限界は、拡張性に欠ける点。自動運転で通れるように、世界中のあらゆる交差点を手動でラベリングする必要があるとしたら、そのためのデータ収集やラベリングはきわめて非現実的であり、費用的にも難しい。また、このようなシナリオは一時的なものであることから、工事現場のような一時的な変化があることも課題となる。それをマップに書き入れたり消したりするのはきわめて複雑な作業となりかねない。

これに対して、NEDA CVIJETICチームは、地図を頼るのではなく、人間が運転するようにその場でライブ認識を行う手法でアプローチを行う。

交差点の構造を複数のクラスに分類してアプローチ

上の画像は、DNNベースの手法を使って交差点構造の予測をしている。それぞれの色のついた線は自車両や他車両における交差点への進入点と退出点、横断歩道の始点と終点など、交差点構造の特徴を検出し、複数のクラスに分類。

緑の線は、自車両が最も左の車線から交差点に進入した際に、交差点を退出できるすべての道を示している。自車両は直進を続けるか、左折するか、Uターンすることができる。

このアプローチの利点は画像の輪郭をセグメント化する代わりに、別の車線の交差点進入点および退出点を見分けることができる点。また、オクルージョン(遮蔽)や部分的なオクルージョンに対して堅牢であり、交差点構造の塗装された線も推定される線も両方予測できる。さらに、画像の交差点の主な点を、交差点の走行のための進路につなげることもできるという。例えば、交差点の進入点と脱出点をつなげることによって、エゴカーの動きを表す進路や軌道の予測が可能になる。

このライブ認識アプローチは、各交差点を個別に手動でラベリングするという負担なしに、さまざまな種類の交差点を扱えるという拡張性を実現する。さらに、高品質のマップデータと組み合わせることによって、複雑な交差点に対処するための多様性と冗長性を実現できるとする。



このアルゴリズムは、WaitNet DNNの機能を拡張して、交差点構造を点の集まりとして予測できるようにしたもの。これらの点は人体の関節に似ているため、NEDA CVIJETICチームは「関節」(joint)と呼んでいる。

このDNNベースの交差点構造予測機能は、WaitNet DNNの追加項目として今後のDRIVE ソフトウェアのリリースで開発者に提供される予定。DNN モデルについての詳細は、DRIVE Perceptionのページで確認できる。

この記事を読んだ人におすすめ

関連する記事はまだありません