AI搭載自律システムの
訓練と妥当性確認
およびデータ自動化
Foretellixの開発ツールチェーンは、データ駆動型のAI自動運転AVスタックの訓練と妥当性確認を最適化します。Foretifyは、実車走行データから交通シナリオを選別・評価し、シンセティックシナリオと仮想的に生成したシナリオを組合せることで、訓練・検証データを生成します。これにより、開発プロセス全体に渡って、AVスタックの性能と安全性を向上させ、迅速なフィードバックループを構築します。
訓練におけるチャレンジ
-
膨大な非構造化データの中に潜在する、価値ある訓練データ 収集されるペタバイト級の膨大なデータ内から、価値ある訓練データを抽出し、優先付けする作業は困難
-
計算負荷が高く非効率 モデルとデータの単純なスケール化は、コスト増大の一方で、得られる効果は限定的
-
実世界データにのみ依拠した訓練は、非効率かつ高コスト 実世界データの収集のみに依存してモデルの汎化性能を改善し、エッジケース（ロングテール）に対応するのは、収穫逓減に陥る
-
手作業による、非効率なフィードバックループ データ選別、トリアージ、およびエッジケースの訓練において、非効率かつ非効果的
妥当性確認におけるチャレンジ
-
ODDカバレッジのトレーサビリティ 走行設計領域（ODD）への網羅性の把握、測定、評価を行うのは困難
-
説明可能性とデバッグ エラーをトリアージし、特定原因まで追跡するプロセスが、手動で非効率
-
エッジケースのテスト エッジケースや未知の事象を見つけるための、現実的なテストシナリオを大規模に作成するのは困難
-
現実とシミュレーションのギャップ 実際の走行データと、シンセティックデータの相関性を確立し、自動運転（AV）システムの性能予測への要求
データ自動化による、AIの訓練と妥当性確認を効率化
迅速かつ自動化されたワークフロー
- 高度なシナリオメトリクスを用いて運転データの評価を自動化し、トリアージすることで、問題の検出から改善の検証までのデータ活用サイクルを加速
- KPIとODDカバレッジを評価し、AIモデルの訓練を加速させるためのシナリオを迅速に特定と優先順位付け
実環境走行時のバリエーション
- 実走行データを忠実に再現し、そこにアクターの振る舞いのバリエーションを挿入することで、AVの訓練と振る舞いを検証
- NVIDIA OmniverseとCosmosによる物理法則に基づき、極めて現実的な挙動や環境のバリエーションをエンドツーエンド・シミュレーション向けに生成
エッジケース・シナリオ生成
- ODDカバレッジのギャップを自動的に特定し、必要な訓練・検証データを生成しスケール化
- インテリジェントなシナリオ生成エンジンが、有用かつ現実的なシナリオのみを作成し、大規模な自動運転（AV）開発を効率化
カスタマイズ可能な分析ダッシュボード
- シナリオ実行、モデルの挙動、および網羅性の各指標に対する深い可視性
- 特定の検証プロセスに合わせた、カスタムビューおよびKPI
Foretellixのデータ自動化ツールチェーンが、AIの訓練と検証に不可欠な理由
データ管理の効率化
自動化された統合、キュレーション、およびトリアージにより、膨大な既存の実走行データとシミュレーションログの価値を最大化
構造化されたシナリオの一般化
挙動や環境のイベントを抽象化し、より汎用的に扱うことで、大規模な訓練プロセスを効率化
自動化されたシナリオ分析
複雑な交通シナリオの自動マッチング、シナリオコンテキストの理解、パフォーマンスとカバレッジの評価により、手作業を削減
計算リソースの効率的な活用
ターゲットを絞ったシンセティックデータセットを効率的に生成し、学習効果を損なうことなく計算リソースを最適化し、コストのかかる実世界データ収集への依存を削減