テクノブレーン AIセミナーレポート

人間を超えるセンシング能力をクルマに！　デンソーが取り組むAIプロジェクト（2/3 ページ）

公開 2017年07月21日 09時01分

更新 2018年07月09日 10時58分

著者

八木沢篤

[TechFactory]

印刷する連載新着通知を受け取る

「アルゴリズム」「半導体」「品質基盤」を柱にAIの実用化を目指す

　AI R&Dプロジェクトの体制は東京、シリコンバレーの2拠点あり、東京ではアルゴリズム、半導体、品質基盤を、シリコンバレーでは現地のベンチャーや大学との共同開発（オープンイノベーション）に関する取り組みを行っている。講演で、岩崎氏は東京での取り組み事例の概要について順番に紹介した。

デンソー「AI R&Dプロジェクト」の体制　※講演スライドより

　まず、1つ目の柱がアルゴリズムだ。「AIに限らず最先端の技術をクルマに適用しようとすると、車載ならではの制約が付きまとう。熱や消費電力などの問題から、PCやサーバで使われているようなコンピュータリソース（CPUやメモリ）をそのまま搭載することができない。そのため、車載には高速化や省メモリ化といったアプローチが必要になる。また、大量の学習データをどうするか、計算機環境をどうするかといった課題もある」と岩崎氏は述べる。

　画像認識については、車載機器への搭載を前提に高速化、省メモリ化を実現した汎用物体認識ソフトウェア「SPADE（Scalar Product Accelerator by integer DEcomposition）」およびディープラーニング（深層学習）を用いた歩行者認識の研究開発に取り組んでいる。「通常、単眼カメラを用いた物体認識をするような場合、特別な半導体（演算用ハードウェア）が必要となるが、SPADEではこれをCPUリソースのみで動かせる。パターンを学習することでさまざまな対象を検出できるようになる」と岩崎氏は説明する。

高速化、省メモリ化を実現した汎用物体認識ソフトウェア「SPADE」　※講演スライドより

　SPADEの肝となるのが「バイナリコード化技術」で、従来のHOG（Histograms of Oriented Gradients）特徴量とSVM（Support Vector Machine）を使った手法の約10倍高速化できるという。これは実数の特徴量の代わりに、バイナリコード（2値）の特徴量を用いることで、高速な省メモリ処理を実現する技術で、「実数で表していたある意味冗長な情報を、バイナリで究極まで圧縮することで演算量を減らしている」と岩崎氏は解説する。

「バイナリコード化技術」とは？　※講演スライドより

　また、3年ほど前に発表したディープラーニングを用いた歩行者認識と分散学習の取り組みについても紹介。単眼カメラの画像から、1つのニューラルネットワークを用いて、歩行者の有無を検知し、身長、距離、体の向きを推定する手法を開発した。「今でこそ当たり前だが、その当時データの数が勝負を分けることを痛感した。そうなると、大規模データの学習時間をいかに短縮するかがポイントになってくる。1台の計算機で数カ月、あるいは1年もの時間を要するようでは、いつまでたっても実用化できない。学習時間を短縮するためにはアルゴリズムとハードウェアが必要だ」（岩崎氏）。そこで、用いられたのが学習処理の分散化手法「SPRINT（SuPeRcomputation In Neural Training）」である。そして学習高速化の研究については、東京工業大学のGPUスパコン「TSUBAME」が用いられたという。