ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016

ディープラーニングと自動運転、コネクティッドカー @ TU-Automotive 2016

1. 1. ディープラーニングが ⾃自動運転、コネクティッドカー にもたらす変⾰革 岡野原 ⼤大輔 hillbig@preferred.jp Preferred  Networks,  Inc. 2016/10/18 TU-Automotive Japan 2016
2. 2. l Preferred  Networksの事業領領域は⼤大きく三つ – IoT +  ⼈人⼯工知能が⼤大きくインパクトを与える領領域にまずフォーカス l 交通 – ⾃自動運転とそれがもたらす⼈人流流と物流流の⼤大きな変⾰革 – 事故の無い世界、好きな時に好きな場所へ l 製造業 – 知能化ロボットによる製造の⼤大きな変⾰革 – ⽌止まらない⼯工場、変わり続ける⼯工場 l バイオヘルスケア – ⽣生体センサ、ゲノムデータ、診療療データによる 診察、診断の個⼈人化、⾼高度度化 – 病気にならない、治せなかった病気を直す 2
3. 3. 機械学習とは l 経験（データ）によって賢くなるアルゴリズムの研究 – データから知識識・ルールを⾃自動獲得する – データの適切切な表現⽅方法も獲得する – ⼈人⼯工知能の中で、⼈人が知識識やルールを 明⽰示的に与える⽅方法の限界から⽣生まれてきた 3 学習データ 分類モデル
4. 4. ディープラーニング（深層学習）とは l 層が深く、幅も広いニューラルネットワークを利利⽤用した 機械学習⼿手法 l 2012年年の⼤大ブレーク以来、研究コミュニティのみならず 産業界に多く使われてきた – 2014〜～2015年年中に出された関連論論⽂文数は1500を超える* l 画像認識識、⾳音声認識識、⾃自然⾔言語処理理、機械制御などで 劇的な精度度向上を果たし、多くが既に実⽤用化されている 4 2014年の一般画像認識コンテストで優勝した 22層からなるNNの例 [Google] *http://memkite.com/deep-‐‑‒learning-‐‑‒bibliography/ ⾯面⽩白い論論⽂文は私のtwitter @hillbigで紹介しています 2015年の一般画像認識コンテストで優勝した 152層からなるNNの例 [MSRA] 岡野原 他 著
5. 5. なぜ機械学習が実世界で使えるようになったのか l Internet  of  Thingsの到来 – センサとコンピューターとアクチュエーターがつながる l モバイル機器の性能向上 – モバイルでもTflops級の計算リソースが利利⽤用可能に – デバイス上で深層学習の⼤大部分が実現可能 l 低価格ハイスループットセンサの登場 – 映像カメラ ⾼高解像度度，⾼高FPS – LIDAR l 機械学習の研究⾃自体の進化 5 NVIDIA Xavier 20Tops, 20W Velodyne LiDAR Puck Hi-Res １秒間で周囲百mの 30万点の測距
6. 6. 機械学習による開発⼿手法の⼤大きな変⾰革 l ハードウェアで実現 – 綿密な要求定義・設計・テスト – 市場に出てからの機能修正・変更更は困難 – 試⾏行行錯誤のコストは⼤大きい l ソフトウェアで実現 – アジャイルに開発可能 – 市場にでてからの機能修正・変更更は容易易 – （優秀な）プログラマがボトルネック l 機械学習/深層学習で実現 – 実現したい機能は機械が獲得する – データさえ集められれば瞬時に実現 – 市場に出た後も勝⼿手に進化し続ける 6 試⾏行行時間 1〜～3ケ⽉月 1〜～3⽇日 1〜～3年年
7. 7. 事例例紹介 • 分散深層強化学習 Interop  2015 • 「ぶつからない⾞車車」 CES  2016（トヨタ⾃自動⾞車車と共同展⽰示） • CNNによる⾞車車両,  ⼈人物検出*1 • CNNによるセグメンテーション*1 *1  データセットはCityScape Dataset https://www.cityscapes-‐‑‒dataset.com
8. 8. 分散協調型の強化学習 分散協調型 強化学習 学習結果は リアルタイムで反映
9. 9. セグメンテーションによる空間認識識 9 Result by Preferred Networks Dataset: CityScape Dataset https://www.cityscapes-dataset.com/citation/
10. 10. 障害物に強い認識識 l 柱で分かれていても⼀一つの物体だと認識識する 10
11. 11. 映像認識識の精度度が⾶飛躍的に向上している l 深層学習の進化が⾮非常に速いため – 精度度，速度度が急速に向上し続けており、あと数年年続く l 遠距離離の障害物の検出、多様な障害物の認識識が可能に – カメラの場合、LIDARとは違って遠距離離でも密な情報が得られる l 次の⼆二つが⽰示唆される 1. ADAS,  ⾃自動運転におけるカメラの重要性が増す 2. 地図が担う多くの機能をカメラによる認識識結果で実現できる – ⾛走⾏行行可能領領域の検出など 11
12. 12. Deep  Learning+コネクティッドカーは 認識識・制御以外にも利利⽤用できる l 異異常検知・異異常予測 l 予測・最適化 12
13. 13. 異異常検知・異異常予測 センサからの異異常検知 13 異異常な部分を抽出する ディープラーニング技術 異異常は発⾒見見されない 異異常を検出 正常時の波形 異異常時の波形 実際のロボットの減速機から 得られたセンサデータ
14. 14. 14 既存⼿手法で検出が遅かった異異常を事前に検出 提案⼿手法 経過時間 異異常スコア 故障の約40⽇日前に アラームで通知 判定閾値 既存⼿手法 経過時間 故障直前で通知 ロボット 故障 ロボット 故障 15⽇日前
15. 15. 予測・最適化 電⼒力力の需要予測例例（パートナーとの実証実験） l 実際の需要量量に応じた発電を⾏行行いコストを最⼩小化 l 未来の電⼒力力需要量量を予測 – 気象データ、家庭の位置情報を活⽤用 – ディープラーニングの利利⽤用で⾼高精度度な予測を実現 l 需要予測において、従来⼿手法と⽐比較しエラー率率率半減 15 気温 湿度度 位置 電⼒力力需要量量 時系列列
16. 16. なぜ⾞車車同⼠士がつながる必要があるのか l レアイベントの情報を集められる – 1台の⾞車車での経験は限定的 – ヒヤリハット・事故の情報を反映できる – 初めて場所、状況に対応できる l センサ能⼒力力を拡張できる – ⾃自分がまだ到達していない場所の情報を集められる – 必ずしもリアルタイムじゃなくてもよい l 協調できる – ⾃自分の状態、意図を知らせる、他者の状態、意図を知る 16
17. 17. クラウドコンピューティングから新しいコンピューティングへ クラウドコンピューティング エッジヘビーコンピューティング
18. 18. DIMo（ダイモ）:  Deep  Intelligence  in-‐‑‒Motion Cloud Portal Fog Agent Edge Agent クラウドからフォグ/エッジで 動作する深層学習を制御。 クラウドで高速に研究開発した 成果を即エッジで運用可能に。 フォグ/エッジのIoTプラットフォーム と連携して動作。ネットワークの レイヤーを横断した協調動作を 実現する。 提供する深層学習のアルゴリズム: • コンピュータビジョン • 異常検知 • 電力需要予測(2017年前半) • 強化学習(2017年後半) • その他開発中 Collaboration  through  layers フォグやエッジで深層学習を使う意義 • 高頻度・低レイテンシなデータ分析を実現: シビアな制御に深層学習を利用可能 • ネットワーク帯域を節約: 今まで集められなかったデータの分析を実現
19. 19. Copyright  ©  2014-‐‑‒ Preferred  Networks  All  Right  Reserved.