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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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. 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 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. 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. 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. 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. 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