我々はAIを信用していいのかという大きな命題に直面している。AI Carは車載カメラの画像から特徴量を高精度で検出し、人間のドライバーよりはるかに安全に走行する。しかし、AIの中身はブラックボックスで、運転テクニックは開発者ではなくAI Carだけが知っている。我々はなぜAI Carが安全に走行できるのかが分からない。この問題を解決するため、AIのブラックボックスを開きそのロジックを解明する研究が進んでいる。

出典: Nvidia

NvidiaのAI Car

AI Carとは入力 (カメラ画像の読み込み) から出力 (ステアリング操作) まですべてAIで実行する完全自動運転車を指す。NvidiaがAI Carの開発に力を注いでおり、そのプロトタイプ「BB8」 (上の写真) を開発し市街地で走行試験を実施した。クルマはハイウェーや一般道路を完全自動で運転する。クルマは道路というコンセプトを理解でき、車線が無くても人間のように運転できる。

AIが人間の運転を見て学ぶ

BB8は人間の運転を見てドライブテクニックを学ぶ。BB8はニューラルネットワーク「PilotNet」を搭載し、車載カメラの画像とそれに対応する運転手のハンドル操作を読み込み、ネットワークが運転技術を学習する。学習したPilotNetはカメラの画像を見るだけでステアリング操作ができるようになる。エンジニアが自動運転のためのルールをプログラムする必要はなく、PilotNetが人間のように運転テクニックを短時間で学ぶ。

AIが学習した内容を出力する研究

しかし、問題はPilotNetが学習したドライブテクニックを人間が理解できないことだ。なぜBB8は車線が描かれていない道路を安全に走れるのかそのロジックが分からない。このためNvidiaはPilotNetが学習した内容を出力するシステムの研究を始めた。AIが学習したことを可視化する研究である。具体的には、PilotNetはどこに着目して運転しているのかを出力する技術を開発した。この研究成果は「Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car」として公開された。

BB8が着目している部分

研究ではBB8が運転する際に着目している部分を実際のカメラ画像にオーバーレイして表示した (下の写真、緑色で表示されている部分)。これを見るとPilotNetは他のクルマの下半分に着目していることが分かる (下の写真、上段)。更に、路面に描かれている実線(路肩)や破線(車線)にも着目している。一方、横方向に引かれている線(横断歩道)には注意を払っていない。

出典: Urs Muller et al.

AIが人間のように学習する

車線が描かれていない道路ではPilotNetは駐車しているクルマの側面に着目している (上の写真、中段)。AIはこれを道路の端と理解していることが伺える。砂利道の場合ではPilotNetは道路と草地の境界部分に着目している (上の写真、下段)。人間と同じ考え方で道路の部分を把握していることが読み取れる。これらはエンジニアが運転ルールとしてコーディングしたのではなく、PilotNetが運転の練習を通じで独自で学んだものである。

アルゴリズムを人間が視覚的に理解

PilotNetが着目している部分を見ることでブラックボックスであったアルゴリズムを人間が視覚的に理解できるようになった。PilotNetは何を規準に運転しているかが分かり、システム開発が大きく進むことになる。また、問題が発生すればその原因を表示できトラブルシューティングの効率も上がる。

研究は緒に就いたばかり

しかし、研究はこれで完成というわけではない。この研究はPilotNetの各レイヤの情報を出力したもので、ネットワークが判断基準を説明したわけではない。人間のドライバーであれば、例えば急ハンドルをきるとその理由を言葉で説明するが、PilotNetはまだその段階までには到達していない。更に、これから自動運転車の運転倫理など様々な規約が制定されることになる。AI Carは定められた運行規約にどういう方式で準拠するのかも問われる。AI Carのブラックボックスを解明する研究は緒に就いたばかりである。

Teslaは普及モデル「Model 3」の出荷を開始した。既に50万台を受注しておりTeslaは需要に応えるため生産ラインの拡充を急いでいる。Model 3の登場でEVが一気に普及することとなる。同時にModel 3の登場で自動運転車開発が加速する。出荷されるModel 3は自動運転に必要なハードウェア機器を搭載しており、ソフトウェアの更新で自動運転車となる。

出典: Tesla

Tesla Model 3の出荷を開始

Teslaは2017年7月Model 3 (上の写真) の出荷を開始した。Model 3はTeslaブランドの普及車として位置づけられる。価格は35,000ドルに設定され、富裕層だけでなく一般市民の手に届くレンジに降りてきた。Model 3は強化された運転支援機能「Enhanced Autopilot」を搭載している。更に、Model 3は自動運転に必要なハードウェア機器を搭載しており、ソフトウェアを更新するだけで完全自動運転車 (Level 5) になる。ただし、Teslaはこの機能を提供する時期については明らかにしていない。

Full Self-Driving Capability

Teslaが提供する完全自動運転機能は「Full Self-Driving Capability」と呼ばれる。最新モデルのModel SやModel 3には必要な機器が搭載されている。センサーとしてはカメラをクルマの周囲に8台搭載している。また、レーダーはフロントに1台、超音波センサーは12台搭載している。このようにTeslaはLidar (レーザーセンサー) は使わないでカメラがクルマの眼となる。センサーのデータは車載スパコン「Nvidia Drive PX2」 で処理される。

自動運転車とのインターフェイス

Teslaは自動運転できる場所は全米のほぼすべての地域と説明している。搭乗して目的地を告げるとクルマは最適なルートを算定しその場所まで自動で走行する (下の写真)。目的地を告げないで乗ると、クルマは搭乗者のカレンダーを参照し行き先を把握する。目的地に到着し降車するとクルマは駐車モードとなり自動で空きスペースを探し駐車する。乗車する時はスマホアプリでクルマを呼ぶと自動走行でその場所まで迎えに来る。

出典: Tesla

自動運転車時代のカーシェアリング

Teslaは自動運転車を繋ぐネットワーク「Tesla Network」を開発している。クルマが完全自動運転車となるとこのネットワークを介して車両を共有することができる。オーナーがクルマを使わない時はアプリでその旨を選択すると、クルマを他の利用者に貸し出すことができる。例えば、オーナーが休暇を取っている間、また、会社で働いている時間帯に、この機能を使うとクルマが他の利用者に貸し出されレンタル収入を得ることができる。クルマは自動運転で利用者のもとに走行するため貸し出しの手間はかからない。Tesla Networkは自動運転車時代のカーシェアリングのありかたを示している。

自動運転車にアップグレード

自動運転機能はEnhanced Autopilotの上に構築される。まずModel 3ベースモデルにEnhanced Autopilot機能を追加する必要があり価格は5,000ドルとなる。更に、ここから自動運転車にアップグレードする手順となり価格は3,000ドルとなる。つまり、8,000ドルの追加料金で自動運転機能を手に入れることができる。Teslaはこの機能の提供時期については明示していないが、現在、完全自動運転機能の試験を重ねていると述べている。また、政府からの認可が必要で自動運転車を運用できる地域はそれにより決まるとしている。

独自のAI技法「Tesla Vision」

Teslaは独自のAI技術を開発している。これは「Tesla Vision」と呼ばれDeep Neural Networkで構築される。Tesla Visionはクルマに搭載されたカメラの映像を入力し、これを解析することでクルマ周囲のオブジェクトを把握する。従来のComputer Visionから高度に進化した技術でTesla Visionはオブジェクトを漏れなく確実に特定する。安全性が求められるクルマでAIが視覚となり自動運転技術を支える。

自動運転車のデモ  

Tesla Visionを搭載した車両で自動運転のデモ走行が実施された (下の写真)。クルマはTesla本社をスタートしダウンタウンを通過し本社に戻ってくるルートで実施された。この間クルマが全工程を自動で走行した。Tesla Visionはカメラ画像を解析し、クルマ周囲のオブジェクト、経路上のオブジェクト、車線、信号機、道路標識などを識別する (下の写真、右側のウインドウ)。

出典: Tesla

センサーの本命はLidar  

多種類のセンサーの中で一番幅広く採用されているのがLidarである。Lidarはレーザー光でクルマ周囲のオブジェクト（歩行者や車両など）を把握する。様々な条件で安定して計測できることからLidarがセンサーの本命となっている。一方、Lidarは形状が大きく価格が高く解像度が十分でない点が問題としてあげられる。屋根の上に搭載すると緊急自動車の赤色灯をほうふつさせデザイン面で問題がある。Lidarを半導体チップに実装し小型化した製品が登場しているが解像度が十分でなく自動運転車では使われていない。

Waymoは手堅い手法を取る    

Waymoはこの問題を解決するために独自の技術でLidarを開発している。Lidarを小型化し価格を従来モデルの1/10にし、更に、解像度を上げた。これに加え、Waymoは高機能カメラ (Vision Systemと呼ばれる) も開発しておりLidarと併用する。この方式はSensor Fusionと呼ばれ自動運転での標準技法になっている。不完全なセンサーであるがこれを複数個組み合わせて使いシステム全体でクリアな視覚を得る。Sensor Fusionが一番手堅い手法でWaymo以外に多くの企業が採用している。

Teslaのアプローチは革新的

これに対してTeslaはLidarを使わないでカメラだけで自動運転技術を達成する革新的な手法と言える。カメラなどコモディティ機器を使いDeep Learningの技量で安全な自動運転技術を達成する。ハードウェアではなくソフトウェアに軸足を置くシステムでイメージ認識技術Tesla Visionの開発が製品の成否を握る。

TeslaはAI開発体制を強化      

このためTeslaはAI開発体制を強化している。2017年6月、TeslaはDeep Learning研究の第一人者Andrej Karpathyを採用しAI・Autopilot部門のトップとした。また、Teslaは市販車が走行中に撮影するビデオ画像を収集することを始めた。Autopilot稼働中にカメラが撮影したビデオ画像がTeslaクラウドに送信される。Teslaは収集した画像を使い自動運転技術を検証する。Waymoは専用車両でビデオ画像を収集するが、Teslaは販売したクルマがテスト車両となり大規模にデータを収集することができる。AIの教育や試験で活用されここがTeslaの最大の強みとなる。

出典: Tesla

Model 3のクールな機能 

Tesla Model 3は自動運転以外にもクールな機能が話題になっている。Model 3はカーキーは無く、スマホがBluetoothでドアと交信し鍵をアンロックする。スマホで搭乗できる仕組みとなる。ただし、緊急事態に備え専用カード (NFC Key Card) も提供される。コックピットには15インチディスプレイだけが備えてありここで全ての操作をする (上の写真)。必要最小限の機器を備えたデザインでクルマはどんどんシンプルになる。クルマはコンピュータに近づいている。

自動運転車時代が到来     

カメラだけで自動運転車を開発することが世界共通の目標になっているがTeslaがゴールに一番近い位置にいる。まだ達成できたわけではないが、市販車両から収集したデータでAI開発を加速させている。Lidarを使わないため価格は大幅に安くなりModel 3では43,000ドルで自動運転車を購入できる。EVの本格的な普及とともに自動運転車が一気に広がりそうな勢いを感じる。

NvidiaとAudiは2020年までに完全自動運転車を投入すると発表した。Nvidiaの自動運転技術がベースとなり、Deep Learning (深層学習) がドライブテクニックを学びクルマを運転する。Nvidiaはこれを「AI Car」と呼び人工知能がクルマのドライバーとなる。

出典: Nvidia

NvidiaとAudiは完全自動運転車を開発

Nvidia CEOのJen-Hsun Huangは、2017年1月5日、ラスベガスで開催された家電ショーCESで最新の自動運転技術を発表した。この模様はビデオで公開された。この中でNvidiaはAudiと共同で完全自動運転車を開発し、2020年までに市場に投入することを明らかにした。クルマはAI Carと呼ばれ、Deep Learningが自動運転技術を司る。AIをフルに実装した自動運転車が市販モデルとして登場する。

自動運転車開発モジュール

Nvidiaはグラフィック半導体メーカーであるが、今ではAI企業として事業を展開している。Nvidiaは自動運転車向けのプロセッサや開発環境を提供している。自動運転を司るモジュールは「AI Auto-Pilot」と呼ばれDeep Learningが実装されている。他に、Nvidiaはドライバーの運転を支援するモジュールを明らかにした。これは「AI Co-Pilot」と呼ばれ、文字通りAIが副操縦士になりドライバーの運転をチェックする。これらのモジュールは車載AIスパコン「Drive PX 」で高速に処理される。

Auto-Pilotが操縦士となる

自分で運転したことのないクルマに運転技術を教えるのは非常に難しい。しかし、Deep Learningがドライブテクニックを学ぶことで自動運転技術が大きく前進した。Auto-PilotはDeep Learningの手法でクルマの周りのオブジェクト (クルマや歩行者など) を認識する。更に、それらの意味を把握して、Auto-Pilotは周囲の車両などがどう動くかを予想する。これによりクルマは安全なルートを選択して走行することができる。Auto-Pilotが操縦士となりクルマを運転する。

自動運転のメカニズム

Auto-Pilotはクルマに搭載されているカメラやLidarの画像を読み込み、それを解析してステアリングを操作する。具体的には、クルマは走行中に目の前のイメージと高精度マップ「HD Map」を比較して、位置を確認し、その意味を把握し、次に取るべきアクションを決定する。HD MapがGround Truth (規準) となり、クルマはこれを頼りに走行する。(下の写真はHD MapでLocalization (位置決定) をしている様子。クルマはセンチメートル単位で現在地を決定し、安全に走行できる車線を把握する。)

出典: Nvidia

HD Mapが必要となる

このために高精度マップHD Mapを事前に整備しておく必要がある。HD Mapとは道路や道路標識などが高精度で表示されたマップを指す。更に、マップ上のオブジェクトにはそれが何かを示す意味情報が付加されている。作成されたHD Mapはクラウドに格納される。

Deep Learningで自動運転アルゴリズムを教育

自動運転アルゴリズムはDeep Learningで教育される。カメラで捉えた画像とドライバーのステアリング操作が手本となり、Deep Learningを構成するニューラルネットワークはこれを学習する。Auto-Pilotは運転アルゴリズムをプログラミングされているわけではなく、人間のようにドライバーの運転を見てテクニックを学んでいく。データ入力から出力までをDeep Learningで処理する構成でAI Carと呼ばれる所以である。

コンセプトカーのデモ走行

Nvidiaはこれに先立ちAuto-Pilotを搭載した自動運転車「BB8」を発表している。CESではBB8デモ走行がビデオで紹介された (下の写真)。BB8はAI Carで最新の自動運転技術を搭載している。ドライバーとクルマのインターフェイスはタブレットで音声などで操作する。緊急事態に備えてストップボタンが装備されている。

出典: Nvidia

目的地までのルートを表示

クルマに乗ると音声で行き先を告げる。例えば「take me to starbucks in san mateo」などと指示する。クルマは指示に従って目的地までのルートを算出しタブレットに表示する (下の写真)。詳しい説明はなかったが、自動運転できる箇所は緑色で示される。自動運転できない箇所もマップ上に示され、ここはドライバーがマニュアルで運転することになる。HD Mapが整備されていない道路や運転が難しい地域が対象となる。いわゆる”圏外”の道路で、自動運転車の性能は自動走行できる範囲の広さが決定的に重要な要素になる。

出典: Nvidia

道路標識に従って走行

BB8は道路標識や車両を認識し自動走行する (下の写真)。一時停止の交差点や信号機のある交差点では、交通ルールに従って運転する。BB8はカーブの大きさ応じて速度を調整する。きついカーブでは速度を落として進行する。高速道路へのアプローチでは加速し、走行車線にスムーズに合流する。高速道路では自動で車線を変更し、高速道路を自動で降りることができる。BB8は道路という概念を把握しているので、車線がペイントされていない道路や砂利道でも自律走行できる。

出典: Nvidia

無事目的地に到着

自動運転からマニュアルモードに切り替えるときは「disengage autopilot」と指示する。市街地ではBB8はマニュアル運転で走行し、無事に目的地のスターバックスに到着した。走行した場所はシリコンバレーの住宅地と高速道路で、自動運転車にとっては比較的走りやすい環境。Auto-Pilotはこのレベルの運転テクニックを習得していることが伺える。今後は市街地や悪天候など運転が難しい環境での学習に進むことになる。

CES会場でのデモ

NvidiaはCES会場でAuto-Pilotのデモ走行を実施した。会場の一角に円周コースが設けられBB8が無人で走行した。また、Audi Q7ベースの自動運転車のデモ走行も行われた (下の写真)。クルマにはAuto-Pilotが搭載され、コースを周回した。シンプルなデモであるが、Nvidiaはクルマの教育は数日で終了したと述べ、Deep Learningを使うと学習速度が早いことをアピールした。

出典: Nvidia

ドライバーの運転支援技法

この他にNvidiaはドライバーの運転を支援する技法「AI Co-Pilot」を明らかにした。クルマに搭載されているAIは自動運転だけでなく、ドライバーの安全運転を支援する。クルマに搭載したカメラの画像を解析し危険な状況をキャッチする。例えば、前方を自転車が走っているとAI Co-Pilotは「右前方45フィートに自転車あり」と音声で注意メッセージを流す (下の写真)。ここではオブジェクトの判定や、それを言葉に置き換える技術が使われているが、これらはAIの得意分野である。

ドライバーの運転状態監視

車内にもカメラが備え付けてあり、AI Co-Pilotはその画像を解析して運転を支援する。AI Co-Pilotは顔認識機能がありドライバーを認証する。クルマは搭乗したドライバーの好みの設定になり、始動のためのキーは不要となる。この他に「Head Tracking」と「Gaze Tracking」機能がありドライバーの身体状態を把握する。例えば、疲れていると判定した時はクルマを止めるようアドバイスする。Auto-PilotがあればCo-Pilotは不要とも思えるが、Nvidiaは自動運転車が市販されてもマニュアルモードでの運転が残り、ドライバー支援技術は必須との見かたを示している。

出典: Nvidia

Lip Reading技術を採用

この他にCo-Pilotは音声認識機能を備えている。ドライバーが喋った言葉ではなく、唇の動きから何が語られたかを把握する。これは「Lip Reading」と呼ばれ、唇の動きから何を話しているかを判定する。騒音が大きい車内では音声認識機能ではなくLip Readingが有効な技法となる。これはOxford Universityが開発した「Lip Net」という技術を使っている。Lip Netの認識精度は95%で人間の精度53%を大きく上回る。Lip NetはAlphabet DeepMindと共同で研究を進めており将来が期待される技術である。

自動運転を構成するモジュール

Nvidiaは自動運転車開発のための包括的なシステムを提供する。オンボードプロセッサが「Drive PX」 (下の写真) で、ここにはAIスパコンチップ「Xavier」が搭載されている (銀色のモジュール)。Xavierは8コアのARM64 CPUで、512コアのVolta GPUを搭載し、毎秒30兆回の計算ができる。ここで基本ソフト「DriveWorks」が稼働し、Auto-PilotとCo-Pilotが実行される。ドライバーの言葉を理解する技術は「NLU」というモジュールで提供される。更に、クラウド経由でAI仮想アシスタントを使うことができる。Googleの仮想アシスタント「Assistant」をクルマから使う計画を進めている。

出典: Nvidia

自動車メーカーやサプライヤーとの提携

前述の通りNvidiaはAudiと自動運転車を共同開発する。更に、Mercedes-Benzとの事業提携も発表した。また、大手サプライヤーZFと自動運転システム「ZF ProAI」の共同開発を進めることを明らかにした。そして、大手サプライヤーBoschと自動運転技術を共同開発することを発表。NvidiaのオンボードプロセッサDrive PXとBoschのレーダーやセンサーを組み合わせて自動運転技術を開発する。

HD Map開発でトップ企業と提携

NvidiaはHD Map開発でも事業提携を拡大している。マップ技術で世界のトップを走るHEREはNvidiaとHD Mapの共同開発を進める。HEREはNvidiaが提供するマップ開発モジュール「MapWorks」を使って高機能マップ「HERE HD Live Map」を開発する。また、Nvidiaはゼンリンとの提携を発表した。ゼンリンはDrive PXとDriveWorksを使い日本でHD Mapを作成する。中国においてはNvidiaはBaiduと提携しHD Mapの開発を進めている。中国が自動運転車の巨大市場になり、そのためにHD Mapの開発が欠かせない。今年のCESではNvidiaの事業提携発表が相次いだ。

AI Carの課題と期待

NvidiaのAI Auto-Pilotはコンセプト段階であったが、Audiとの提携で一気に製品化に向かうことになる。Deep Learningをフルに実装した自動運転車としてその先進性に注目が集まっている。一方、AIが人間に代わりクルマを安全に操縦するためには解決すべき課題も少なくない。Deep Learningはアルゴリズムがブラックボックスで、クルマが下した判断を人間が理解するのが難しいという課題を抱えている。アルゴリズムを可視化する技術やそれを修正する技法が必要となる。果たしてAIをフル実装した市販車の開発は可能なのか、その取り組みに注目が集まっている。

UberはAIベンチャーを買収し、人工知能研究所を設立することを発表した。研究所はSan Franciscoに設立し、次世代AI技術を開発する。研究成果を自動運転車に適用し、人間のようにスマートに運転できるクルマを開発する。更に、この成果を航空機やロボットに応用することも計画され、UberはAI研究を本格的に推進する。

出典: Uber

Uber AI Labsを設立

Uberは2016年12月5日、San FranciscoにAI研究所「Uber AI Labs」を設立することを発表した。あわせて、AIベンチャー「Geometric Intelligence」の買収を明らかにした。AI研究所はDeep Learning (深層学習) とMachine Learning (機械学習) を中心テーマとして研究開発を進める。買収したGeometric Intelligenceの研究員15名が研究所の構成メンバーとなる。所長には同社CEOのGary Marcusが就任する。

Geometric Intelligenceとは

Uberが買収したGeometric Intelligenceだが、その実態は殆ど知られていない。同社はMarcusらにより設立され、論文などは発表されておらずステルスモードで研究が進んでいる。一方、Marcusは業界の著名人で、講演などでGeometric Intelligenceの一端を紹介している。それによると、同社は少ないデータでアルゴリズムを教育できるDeep Learning技法を開発している。

少ないデータでイメージを認識

Deep Learningでオブジェクトを判定できるようになるには、大量の写真を読み込みアルゴリズムを教育する必要がある。これに対しGeometric Intelligenceは、人間が物を認識するように、少ないデータでイメージを判定できるアルゴリズムを開発している。少量データは「Sparse Data」と呼ばれ、Deep Learning研究の主要テーマになっている。

自動運転車開発の課題

MarcusはDeep Learningで自動運転車アルゴリズムを開発する際の問題点を挙げている。自動運転車開発ではクルマは遭遇するすべてのケースを学習する必要がある。このため、雨や雪の日の走行環境が必要で、天気のいいカリフォルニア州を離れ、別の地域での走行試験が必要となる。クルマやドローンやロボットを含む自律システムの開発ではアルゴリズム教育のためのデータが最大のネックとなる。Geometric Intelligenceは少量データでアルゴリズムを教育し、開発期間を大幅に短縮することを目標にしている。

ハイブリッドAIを開発する

更に、この研究所の最大の特徴はハイブリッドAIを開発することにある。Geometric IntelligenceはDeep Learningだけではなく従来型AIを開発している。具体的にはBayesian Model (階層構造での統計技法) やProbabilistic Model (確率分布の統計技法) などの研究を進めている。これらはMachine Learningの根幹技法で幅広く使われている。しかし、Deep Learningの登場で影が薄れ人気がなくなっているのも事実。

出典: Gary Marcus

ルールベースと統計手法を組み合わせる

Geometric Intelligenceはこれら従来モデルを改良し、Deep Learningと組み合わせて使う技法を開発する。これをハイブリッドAIと呼び、ルールベースの学習モデル (Machine Learning) と統計手法の学習モデル (Deep Learning) を組み合わせたアプローチを取る。多くの自動運転車ベンチャーがアルゴリズムをDeep Learningだけで実装するのに対し、Uber AI Labsは幅広い技法をミックスして使う。

Deep Learningは行き詰る

この背後にはMarcusのAIに対する際立った考え方がある。MarcusはNew York Universityの教授で心理学が専門。MarcusはDeep Learningは行き詰ると主張する。その理由はDeep Learningの教育には大量のデータが必要で、適用できる分野が限られるためである。実社会では常に大量データが揃っているわけではない。特に、言語解析と自動運転車でこの問題が顕著になるとMarcusは指摘する。(上の写真はMarcusのホームページ。Marcusは心理学、言語学、生物学の観点からヒトのインテリジェンスに迫る。)

ハイブリッドAIで構成する自動運転技術

このハイブリッドAIで自動運転アルゴリズムを構成する。ハイブリッド型の学習モデルでは、画像認識にはDeep Learningを使い、少ないデータでアルゴリズムを教育する。運転テクニックについてはルールベースの学習モデルを使う。運転テクニックは汎用的な運転ルールだけでなく、地域に特有な運転ルールなどを学習する。例えば、San FranciscoとPittsburghでは運転マナーが異なるが、ルールベースの学習モデルがこれを吸収する。Geometric IntelligenceはDeep Learningに特化するのではなく、複数の学習手法を組み合わせて使う点に特徴がある。

出典: Uber

Self-Driving Uberの試験営業を開始

Uberはこれに先立ち2015年2月、自動運転車開発センター「Uber Advanced Technologies Center」をPittsburgh設立した。Carnegie Mellon Universityと共同で、自動運転技術とマップ作製技術を開発している。Uberは同5月からPittsburgh で自動運転車の試験営業を始めた。自動走行するUberは「Self-Driving Uber」と呼ばれ、客を乗せて試験営業を展開している (上の写真)。同12月にはSan FranciscoでSelf-Driving Uberの営業試験を始めた。しかし、カリフォルニア州から運行停止命令を受け、Uberの試験営業は中止に追い込まれた。このため、Uberは試験場所をアリゾナ州に移し、2017年早々から試験営業を始めるとしている。

Self-Driving Uberを無人走行させることが最終ゴール

Self-Driving Uberは自動で走行するがドライバーが搭乗し、システムが対応できない時は運転を代わる。クルマがドライバーの支援なしで走れる距離は限られており、頻繁にドライバーの割り込みが必要となる。San FranciscoではSelf-Driving Uberは横断歩道を赤信号で横切ったことがニュースで大きく報道された。このため、Self-Driving Uberの試験営業は時期尚早ではという疑問の声も聞かれる。Self-Driving Uberの自動運転技術は完成度が低いと専門家は指摘する。Uber AI Labsの使命は自動運転技術を飛躍的に進化させることにあり、Self-Driving Uberを無人走行させることが最終ゴールとなる。

出典: Uber

ロジスティックからAI・ロボティックス企業に

UberはAI研究所の成果を自動運転技術だけでなく飛行機やロボットなどにも応用する。Uberは2016年10月、オンデマンドで利用する航空輸送サービス「Uber Elevate」を発表している。Uber Elevateはパイロットが登場しない航空機で、空飛ぶSelf-Driving Uberとして位置づけられる。(上の写真、Uber Elevate はSan FranciscoとSan Joseの間70キロを15分で結ぶ計画。価格は129ドルとUberXと同じレベル。) また、Uberはロボットについては具体的な製品を発表していないが、登場は間近とみられている。UberはロジスティックスからAI・ロボティックスに大きく舵を切り、2017年は企業形態が大きく変わろうとしている。