ランキングに参加しています！クリックで応援をお願いします！
マップレスで複雑な市街地走行に対応
Helm.ai Driverは、独自の「Factored Embodied AI」アーキテクチャに基づいており、高精度（HD）マップやライダーセンサーに依存することなく、複雑な都市の交通状況下で人間のようなスムーズな運転を実現します。コアとなる基盤モデルは自動運転レベルに依存しない設計のため、自動車メーカーはまず高度なレベル2+システムを導入し、将来的にハードウェアや規制の進展に合わせて、同じソフトウェアアーキテクチャを用いてレベル3やレベル4の機能を解放することが可能です。
今回の発表に際し、Helm.aiはカリフォルニア州レッドウッドシティの市街地をナビゲートするHelm.ai Driverのデモンストレーション動画を公開しました。この動画では、交差点での右左折、複雑な信号機の遵守、他の道路利用者とのダイナミックな相互作用を自律的に処理する様子が紹介されています。これらはすべて、量産を目的とした自動運転システムの標準的なテストおよび検証プロトコルに従い、セーフティドライバーの監視下で安全に実施されました。
「データの壁」を打破する「Factored Embodied AI」
自動車業界は現在、自動運転システムがエッジケース（例外的な状況）での性能向上を目指す際に、希少で高価な実世界のデータを指数関数的に必要とする「データの壁」に直面しています。また、従来の「ピクセルから制御まで」を繋ぐエンド・ツー・エンドモデルは、厳格な安全性認証に必要な解釈可能性を欠く「ブラックボックス」として機能してしまうという課題もあります。
これに対し、Helm.ai Driverは「Factored Embodied AI」アーキテクチャを採用することで、データの希少性と解釈可能性の問題を同時に解決しています。このアプローチでは、自動運転の課題を「パーセプション（認識）」と「ポリシー（行動計画）」という2つの明確で解釈可能なレイヤーに分割します。認識を個別に解決することで、生のセンサーデータを情報豊かなセマンティック・セグメンテーションや3D情報に変換します。Helm.aiのエンド・ツー・エンドのポリシーモデルは、生のピクセルではなく、この解釈可能な「セマンティック・ジオメトリ」を入力として受け取り、道路構造や交通ルールを「推論」します。
この要素分解されたアプローチにより、インターネット規模のデータセットを活用した大規模な学習が可能になり、ポリシーモデルのデータ効率を劇的に高め、「データの壁」の打破を支援します。さらに、この構造は自動車メーカーにとって不可欠な透明性を提供し、監視付きレベル2+から、ISO 26262認証可能なレベル3およびレベル4の展開へと拡張できる、明確で監査可能なソフトウェア基盤を実現します。
効率的な開発と「ゼロショット」汎用性
従来の開発手法では、市街地走行能力を実現するために多大な資本支出と数百万マイルの走行データが必要とされるのが一般的ですが、Helm.ai Driverのプランナーは、わずか1,000時間の実走行データでこの成熟度に達しています。
この効率性を支えるのが、Helm.ai独自の教師なし学習技術である「Deep Teaching™」です。これにより、ニューラルネットワークは容易に入手可能な膨大な非走行データから直接学習でき、インターネット規模の画像データセットに対する高コストな人間によるアノテーション（ラベル付け）を回避できます。これをセマンティック・シミュレーションと組み合わせることで、フォトリアルなピクセルを描画する計算負荷をかけずに、事実上無限の幾何学的シナリオで学習を行うことができます。生のピクセルではなく世界の「セマンティック・ジオメトリ」でシステムを訓練することで、自動運転開発における従来のコストと時間の障壁をバイパスすることが可能です。
量産車向け自動運転システムの真の試金石は、手動の調整やHDマップなしで「未経験」の環境に対応できる能力です。これを検証するため、Helm.aiは最近、カリフォルニア州トーランス（ロサンゼルス近郊）にソフトウェアを導入し、システムの汎用性を実証しました。その地域の特定の道路に関する事前の学習を一切行わず、Helm.ai Driverは「ゼロショット」での自律走行を実現しています。この地域を越えた汎用能力により、OEMパートナーは、都市ごとの膨大なデータ収集やジオフェンス（走行エリア制限）による多大なコストをかけることなく、レベル2+からレベル4の機能をグローバルに展開することが可能になるでしょう。
Helm.aiの詳細については、以下のリンクをご覧ください。
