自動運転の実現に欠かすことのできないAI（人工知能）技術。深層学習（ディープラーニング）や強化学習（Reinforcement Learning／RL）などさまざまな学習方法のもと研究開発が進められている。
中には、「教師なし学習」に注目する企業も現れたようだ。この手法を活用することにより、学習にかかるコストや時間を大幅に削減することが可能という。AI開発におけるイノベーションはまだまだ続いているようだ。
今回は、AIにおけるさまざまな学習方法を整理しつつ、自動運転分野における教師なし学習の可能性を探ってみよう。
記事の目次
■そもそもAIとは？
AIは「Artificial Intelligence」の略で、明確な定義はないものの、一般的に人間の脳が行っている判断や推測、学習などをコンピュータがおこない、再現するソフトウェアやシステムを指す。コンピュータそのものが学習能力を持つイメージだ。
自動運転関連では、カメラなどのセンサーが取得した画像データの分析や、乗員とシステムがコミュニケーションを図るHMI（ヒューマンマシンインタフェース）分野における音声認識などさまざまな分野で活用されている。
特に、画像の認識・解析分野に研究開発が盛んだ。走行中の自動運転車が取得し続ける膨大な画像データに対し、そこに映っているものは何か、そしてどのような挙動を行うかなどをリアルタイムで解析するコア技術で、自動運転における「目」の役割を担う最重要分野に挙げられる。
【参考】AIについては「自動運転にAI（人工知能）は必要？倫理観問う「トロッコ問題」って何？」も参照。
自動運転にAI（人工知能）は必要？倫理観問う「トロッコ問題」って何？ https://t.co/aJ6vzlzTI7 @jidountenlabさんから
— 自動運転ラボ (@jidountenlab) June 13, 2018
■AIのトレーニング方法とは？
現在AI開発の多くは、機械学習（マシンラーニング）をベースにしている。機械学習は、与えられた大量のデータからルールやパターンなどを見つけ出す技術で、データから見出された特徴や法則などを新しいデータに適用することで、新しいデータの予測や分析などが可能になる仕組みだ。
強化学習や教師あり学習、教師なし学習はそれぞれ機械学習における一手法に位置付けられている。つまり、これらはすべて機械学習に含まれる技術だ。
強化学習は、AIが何かを判断する際、各選択肢にあらかじめ付与されたリワード（報酬）を最大化する行動を試行錯誤しながら学習していく手法だ。
一方、深層学習は、数理モデルに人間の脳神経回路を模した多層のニューラルネットワークを適用した手法で、アルゴリズムを多層構造化させることで学習能力を飛躍的に高めている。強化学習や教師あり学習、教師なし学習と組み合わせて活用することができる手法だ。
強化学習などの詳細・具体例は、ケンブリッジ大学発スタートアップのWayveの記事を参考してもらいたい。
【参考】深層強化学習などについては「ケンブリッジ大学Wayve、強化学習でAI自動運転車が20分で走行技能習得」「自動運転実現で｢深層学習｣が鍵を握るワケ 基礎知識や活用シーンを解説」も参照。
人間の努力無意味に？ AI自動運転車、20分で技能習得 「強化学習」の凄さ https://t.co/C61Ehdq4O6 @jidountenlabさんから
— 自動運転ラボ (@jidountenlab) July 13, 2018
■教師なし学習とは？
では、教師あり学習・教師なし学習とは何か。教師あり学習は、AIにデータを付与する際、あらかじめ正解となるラベル付きのデータを与えて学ばせ、特徴などを学習させてから未知のデータを付与し、各データを分析する手法となる。
例えるなら、幼児にさまざまな自動車が網羅された自動車図鑑を与えると、外へ散歩に出かけたときに道路を走行する自動車を「自動車」として認識し、図鑑に載っていないタイプの自動車もそのうち「自動車」と認識するようになるイメージだ。
一方、教師なし学習はAIに正解となる判断基準を与えずにデータのみを付与する手法で、AIは各データの特徴などを自ら判断し、類似するデータをグループ化＝クラスタリングしていくイメージとなる。
同様に例えるならば、幼児にさまざまな種類の自動車や自転車、オートバイなどが描かれたカードを渡し、思いのままに分類してもらうイメージだ。
■自動運転開発における導入方法とメリットは？
自動運転の開発において、AIを画像分析に用いるのは、その画像に映ったもの、例えば自動車や人、自転車、信号などを正確に判別するためである。
自動車を判別するケースを想定すると、教師あり学習の場合、まず自動車とはどのようなものかをAIに学ばせるため、あらゆる種類、色、大きさの自動車がさまざまな角度から映った画像データを大量に集め、自動車の部分をラベリングしてAIに付与する。
自動車がどのようなものかを学んだAIは以後、ラベリングされていない画像に映った自動車を自動で検出することが可能になる。
ラべルを与えず画像データを付与
一方、教師なし学習では、自動車や人などのラべルを与えずに画像データをAIに付与する。AIは、独自に共通点などを見つけて画像データを仕分け、グループに分類していく。グループ化が終わった後、各グループに「自動車」「人」など後付けでラベルを付けていく流れだ。
画像分析には、教師あり学習が用いられることが多いようだ。教師なし学習では、必ずしも「自動車」「人」など望んだ形で仕分けするとは限らないからだ。例えば、「色」で分類されると自動車と自転車が混在する可能性がある。
最大のデメリットを克服可能
では、教師なし学習を活用するメリットは何か？という話になるが、それは教師あり学習が抱える最大のデメリットを克服可能な点にある。
教師あり学習は、AIに自動車を学習させる際に膨大な量のデータを要するが、より正確に自動車を認識させるためには、この膨大な量のデータに逐一自動車をラベリングしないとならないのだ。5枚10枚で済む話であれば問題ないが、それが数百万枚以上に及ぶとなると、作業量も時間も膨大なものになることは想像に難くないだろう。
自動運転開発各社が公道実証を重ね続けている理由の一つは、この膨大なデータ収集にあるのだ。
しかし、教師なし学習であればこの作業を省くことができるため、コストや時間を大幅に削減することが可能になる。グループ化の精度を高めるなど欠点を補うことができれば、教師なし学習は自動運転開発に有効な手段として急浮上することになる。
■教師なし学習の開発に挑むスタートアップ
自動運転分野において、教師なし学習に特化したソフトウェア開発を手掛ける企業が米国で注目を集めているようだ。
数学者のVlad Voroninski氏が2016年に設立した米スタートアップのHelm.aiは、深層学習をベースに独自の数理モデルを適用した教師なし学習を活用することで、あらかじめラベリングした大量のデータセットを必要としない効率的な自動運転向けソフトウェアの開発を進めている。このソフトウェアを活用することで、自動運転に関わる開発コストや時間を大幅に短縮することができるとしている。
同社のこの技術・プロジェクトは、自動運転開発に取り組む企業向けのイベント「Tech.AD」において、「第2回Tech.AD USAアワード2019」の「AIと機械学習の最も革新的な使用」部門で高く評価され、米NVIDIAの「NVIDIA DRIVE Constellation」を抑えて1位に輝いたようだ。
■【まとめ】革新が革新を呼び、自動運転開発はさらなる進化を遂げる
Helm.aiが具体的にどのような技術で教師なし学習にイノベーションを起こそうとしているのかはわからない。仮にわかったとしたら、筆者はこの記事を書くことなく筆を置き、AI分野への進出を図っているだろう。
冗談はさておき、こうした要素技術のイノベーションは、自動運転開発にさらなるイノベーションを巻き起こす。自動運転レベル4の実用化も一部で始まり、ある程度開発手法は固定化されたイメージがあったが、まだまだ技術革新の余地は多く残されているようだ。
【参考】関連記事としては「自動運転、ゼロから分かる4万字まとめ」も参照。
