自動運転車（AV）はセンサーによって成り立っています。カメラ、LiDAR、レーダーは車両の“目と耳”として機能し、環境理解のために必要なデータを認識システムへ提供します。もしセンサーが誤作動したり、車載ソフトウェアがそれを誤解したりすれば、安全性が危険にさらされます。センサー性能やセンサーデータの（機能）安全性を現実世界のテストだけで保証するのはコストが非常に高くつきます。だからこそ、高忠実度なセンサーシミュレーションはもはや“オプション”ではありません。AV／ADAS システムを検証するための業界標準となっています。

センサーシミュレーションが不可欠な理由

長年、自動車業界は実走行テストにほぼ全面的に依存してきました。多様な天候、光、交通状況を収集するために、冬のテストにはドイツからフィンランド、またはデトロイトからカナダへ、暑い天候のてすとにはスペインやアリゾナへと何台もの車両が走行を行いました。この方法は、時間がかかり、費用が高く、不完全です。重要なシナリオの多くは発生頻度が低く、テスト車両では十分に収集できないこともあります。

この問題は、Tesla や Wayve が取り組むようなエンドツーエンド AI モデルの普及に伴いさらに大きくなっています。こうしたモデルはコンポーネントごとに検証することができず、センサーを含むフルスタックでのトレーニングとテストが必要になります。コストと開発期間を現実的に保つには、トレーニングとテストの大部分をシミュレーションに移行する必要があります。

従来のトレーニング／テストデータの限界

現実の走行データには多くの隠れた非効率性が伴います。

• センサーの種類や取付位置が変わると、それまでのデータが無効になる
• “LiDAR をルーフに載せる？” “バンパーに隠す？” といった議論が根拠不足で停滞
• 変更のたびに同様の高コストの走行距離を再収集する必要がある

一方、シミュレーションであれば 同じシナリオを新しい条件で即座に再実行 できます。これは開発スピードを加速させ、設計上のトレードオフを迅速に解決するために極めて重要です。

センサーシミュレーションの優位性

高忠実度センサーシミュレーションは実走行では不可能な優位性を提供します：

• 早期検証：フロントエンド設計が固まる前に仮想センサー配置を検証
• テスト再利用：センサー構成が変わっても同じシナリオで再テスト可能
• 設計の柔軟性：取付位置をバーチャルに比較して技術・デザイン要件の両立を支援
• スケーラビリティ：低コストで圧倒的なテスト量を実現し、開発期間を短縮

最も重要なのは、センサーシミュレーションは単なる代替手段ではなく、現代の開発に必要なスピードと規模を唯一実現できる方法だということです。

センサー毎の相違（シミュレーションを困難にする要因）

各センサーは全く異なる動作特性を持ち、それがシミュレーションの難しさにつながります。

カメラ

• 比較的シミュレーションしやすいが、リアリズムと計算性能が鍵
• 眩光、霧、雨、反射などを“自然に”表現しなければ CV モデルは騙せない

LiDAR

• 時間 flight / FMCW により高密度点群を生成
• ノイズ・雨雪・波長依存の挙動の忠実再現が必要

レーダー

• 最も複雑
• ガードレール、濡れた路面、壁による多重反射が“ゴーストターゲット”を生成
• これが追跡アルゴリズムを混乱させる
• 高忠実度レーダーシミュレーションには極めて深いセンサーモデルが必要

Foretellix + NVIDIA：完全なツールチェーン

Foretellix の Foretify プラットフォームは、AI 駆動 AV スタックのトレーニング・検証・安全性評価のための Physical AI ツールチェーン です。

• Foretify Generate：ODD をまたぐエッジケースを含む大規模な合成データ生成
• Foretify Evaluate：現実世界の走行データとシミュレーション結果を統合し、カバレッジギャップを特定

さらに：

• NVIDIA Omniverse、NuRec、Cosmos と統合
  → カメラ、LiDAR、レーダーの高忠実度センサーモデル
  → ログ走行データの“神経再構成（neural reconstruction）”により
  編集・再利用可能な仮想シーンへ変換
  → 天候、周囲車両、センサー配置などを変化させて再シミュレーション可能

これらを組み合わせることで、AV 開発者は トレーニングとテストを統合したデータ駆動型開発 を実現できます。

今後の展望

センサーシミュレーションはまだ普及初期ですが、
5 年以内にすべての自動車メーカーが日常的に利用するようになる と予測されます。

忠実度も急速に向上しており、多くのエッジケースが既にシミュレーション可能です。物理走行が完全になくなることはありませんが、訓練と検証の大部分は仮想空間へ移行するでしょう。

コスト圧力の増大、開発期間の短縮、エンドツーエンド AI への移行を背景に、
高忠実度センサーシミュレーションは不可欠な技術 となりました。

著者について

Sebastian Klaas – Foretellix プロダクトマネジメントディレクター
 Audi、Luminar、Samsung Semiconductor にて上級技術職を歴任。
KIT（カールスルーエ工科大学）でコンピュータサイエンスを専攻。

 

 

自動運転業界では、高精度地図（HDマップ）からリアルタイムの知覚ベース・ナビゲーションへの移行が進んでいます。しかし、この変化は開発チームにとって重要な課題をもたらしています。というのも、現在使用されているシミュレーションやバリデーションのツールは依然として詳細なマップを必要とする一方で、それらのマップは維持コストが高く、実用性を失いつつあるからです。

 

本記事では、車両認識データからのマップを自動生成する技術が、この課題をどのように解決できるのかを探ります。この技術により、AV チームは従来の HD マッピング運用の負荷をかけずに、走行ログから高品質なマップを直接生成できます。マップレス走行を可能にするのと同じ認識データを活用することで、実際の自動運転と開発環境のインフラ要件とのギャップを埋めることが可能になります。

 

HD マップからの移行

 

これまで、自動運転アプリケーションは高精度地図（HDマップ）に大きく依存していました。HD マップは AV 車両のフリート間で共有され、走行中に取得したデータによって更新されることもありました。

 

現在、AV 業界では HD マップからの脱却を進めています。代わりに、AV のセンサーと知覚パイプラインが車両周辺を詳細に表現する一時的な“ローカルマップ”を生成します。これには、走行可能領域、レーンライン、車線標示、交通標識などが含まれます。このマップは車両が走行するたびに繰り返し生成されます。そして重要な点として、この方式はリアルタイムネットワーク、フリート、リモートサーバーの存在を前提としません。

 

この傾向には複数の要因があります：

 

・AV センサーと認識アルゴリズムの精度が向上し、一時的なローカルマップを十分に生成できるようになった

 

・HD マップの作成・維持・共有はコストが高く、展開地域の拡大とともに経済的に持続困難となった

 

・HD マップ情報と認識データの融合は特に end-to-end ML スタックでは困難

 

AV は HD マップなしでも走行できるようになったが、開発環境では依然としてマップが必要

 

シミュレーター、監視ツール、検索・評価ツールはマップを必要とします。そのため AV 開発チームは、テスト走行が行われる地域のマップを作り続けていますが、これはコストと時間がかかり、縮小しつつあります。

 

高精度地図が不足するという問題

 

マップが必要である以上、自動で“十分に詳細なマップ”を生成できないだろうか？

自動運転に使用される認識データが十分高品質なら、そのデータから AV のルートの詳細マップを生成できるはずです。

 

Foretellix はまさにそのための技術を開発しました。

 

私たちのマッピングパイプラインへの入力は 記録された走行ログ です。ただし、すべてのセンサーデータや AV スタックの信号を完全に記録するのではなく、知覚パイプラインが生成した抽象化された情報を使用します。これには以下が含まれます：

 

・AV のグローバル位置

 

・走行可能領域の境界、道路線形、レーン標示

 

・道路標識、信号機、停止線や矢印などの路面標示

 

・その他の道路属性（例）

 

‐レーン用途：自転車レーン、一般車レーン、歩道など

 

‐路面素材：アスファルト、コンクリート、砂利など

 

‐アクセス制限：有料道路、私道など

 

これらの情報は AV スタックの各サイクル（通常 20〜100 ミリ秒ごと）で取得されます。

理論上、この情報を時間方向に統合すれば AV の走行ルートの詳細マップが生成できるはずです。

 

しかし、実際にはマップとして利用する前に解決すべき課題が多数あります。

 

入力データの品質課題

 

入力データは常に正確とは限らず、利用できない場合もあります。品質を左右する要因には以下があります：

 

センサーノイズ、誤差、干渉（例：光の反射）

 

遮蔽によりシーンの一部が欠落

 

不十分または存在しない道路標示

 

認識誤り（例：路面の影を停止線と誤認）

 

時系列での不整合（例：あるフレームで認識された標識が他のフレームで消える）

 

データ品質を補正する技術

 

マッピングパイプラインは複数の戦略を用いてこれらの問題を克服します。

 

1. 時間統合による補完

 

データは時間方向に積み重なるため、シーン内の多くの要素は何度も観測されます。

レーン境界線はほとんどのフレームに存在するため、欠落部分があっても補間により埋めることができます。

 

2. 不完全な知覚データへの補正アルゴリズム

 

システムは構造的不変量や文脈的推論を利用して欠損を補います。

 

例：

 

車線標示が欠落した区間では、隣接区間を分析して車線数や車線幅を推測し、欠落部分を補間

 

大型車両が長時間視界を遮る場合でも、

→「その車が走行しているという事実」から車線の存在を推論

 

図 1：走行ログから詳細マップへの構築パイプライン

 

（※原文に図あり）

 

走行範囲の拡張と地図統合

 

走行ログは AV が実際に走行した範囲のみをカバーします。しかし、シミュレーションにおいては、交差点に他車両を追加するなど、ログの周辺領域が必要になる場合があります。

 

Foretellix の Smart Replay はシーンのバリエーションを生成でき、そのためには交差道路などより広いマップが必要です。

 

幸い、多くの AV テストは複数車両で同一地域を複数回走行します。マッピングパイプラインは以下の利点を持つ マップ統合（フュージョン） を行います：

 

1. マップ品質の向上

 

複数の走行が重なることで情報が強化され、1 回の走行の欠陥が他の走行データで補われます。

結果として、より完全で信頼性の高いマップが得られます。

 

2. 広域マップの生成

 

複数の走行マップを縫い合わせることで広範囲の統合マップが生成され、

必要に応じて ROI（関心領域）に切り出して利用できます。

 

図 2：ドライブログの融合によりマップ範囲と精度を向上させるマップサービス

 

（※原文に図あり）

 

まとめ

 

AV 開発ツールが詳細なマップを必要とする一方、そのマップはもはや AV の走行には使われていません。また ODD（運行設計領域）は地図が存在しない領域へと拡大しています。

 

このギャップを埋めるためには、不完全な走行ログから高品質マップを生成する技術が不可欠 です。このアプローチにより、評価・検証・バリデーションのすべてで利用可能な高品質マップを得ることができます。

 

もし AV チームの開発プロセスがマップ不足により問題に直面している場合、

ぜひお問い合わせいただき、情報交換を続けてください。

 

著者について

 

Yaron Kashai – Foretellix フェロー

先端研究、技術革新、全社的なエンジニアリング活動を主導。

Cadence、Verisity、National Semiconductor で上級エンジニア／研究職を歴任。

10 件以上の特許を保有し、Technion とテルアビブ大学でコンピュータ工学・電気工学を専攻。

今日、多くの先進的な車両は 5 つ星の NCAP 安全評価を誇らしげに表示しています。これには、もっともな理由があります。これらの標準化されたテストは、業界全体の安全性向上を大きく推進し、AEB（自動緊急ブレーキ）や衝突回避などの機能に対して信頼できる基準を提供してきました。

 

しかし、NCAP に合格したからといって、必ずしもそのシステムが現実世界に対応できるとは限りません。歩行者の外見、道路形状、車速などのわずかな違いが、5 つ星システムであっても検知漏れ、遅延、または応答の失敗という結果を招くリスクがあります。

 

このギャップは、ADAS 機能が制御された条件だけでなく、現実の道路の多様性や予測不可能性においても確実に機能する必要性が高まっていることを示しています。このギャップを埋めるには、シナリオテストの定義、実行、拡張方法を見直す必要があります。

 

NCAP の具体シナリオの限界

 

NCAP（新車アセスメントプログラム）のプロトコルは、非常に厳密に定義された安全クリティカルなシナリオにおける車両性能を評価するためのものです。これらのテストは極めて具体的で、固定されたレイアウト、正確な車速（例：10、15、20 kph）、限られたターゲット（成人歩行者、自転車、オートバイ）、あらかじめ決められた軌道となります。この標準化により再現性とスコアリングが可能になりますが、現実世界の多様性を反映しているとは言えません。

 

CMFtap シナリオにおける VUT と EMT の軌跡

 

ISO 34505 は次のように述べています：「数学的観点から見ると、具体的なシナリオ（連続パラメータの特定の値）の確率はゼロである」。つまり、NCAP のシナリオが仕様どおりに完全に発生する確率は実質的にゼロです。交差点の角度は一定ではなく、歩行者は必ずしも直線では歩きません。車両は異なる速度や横位置で接近します。わずかな違いでも結果は大きく変わり、システムが完全に機能しなくなることもあります。

 

このことは、Luminar Technologies が 2022 年および 2023 年のラスベガス CES で実施したテストでも確認されています。Tesla、BMW、Audi、Mercedes、Lexus を含む複数の Euro NCAP 5 つ星車両が、NCAP 仕様からわずかに逸脱したシナリオでテストされました。歩行者が大人ではなく子どもだったり、直角ではなく斜めに横断したりといった状況です。多くの場合、車両はまったくブレーキをかけなかったり、ブレーキが遅れて重大な衝突を防げない結果になりました。

 

それにもかかわらず、多くの OEM は依然として ADAS システムをこれらのテストに合格するように最適化しています。ここでのリスクは 過剰適合 です。NCAP では良い成績を収めても、プロトコルで明示されていないほぼ同一の状況では、失敗する可能性があります。

 

Foretellix が抽象シナリオでチームをより前進させる

 

現実世界での ADAS の安全性を実現するには、単なる規格準拠を超え、NCAP の制約されたテスト空間の外側まで広げる必要があります。Foretellix のシナリオベース手法は、公式 NCAP テストケースの実行と KPI・カバレッジ収集、さらに大規模な抽象テストによる現実世界の変動性の捕捉を両立させます。

 

例えば、NCAP が規定する 3 つの自車速度と 3 つの対向車速度で左折横断（LTAP）シナリオをテストする代わりに、Foretellix では速度、角度、アクターの種類、到達タイミングなどをランダム化した数百のテストを自動生成して実行できます。これらの抽象シナリオ空間において一貫した性能が確認できれば、NCAP に合格するだけでなく、現実世界にも対応できるという高い信頼性を得ることができます。

 

このアプローチは、低頻度条件にのみ現れる見落としや誤検知を回避するのにも役立ちます。

 

例：対向車ありの車線維持支援システム（LSS）

 

実践的な具体例として、対向車を伴う車線維持支援システム（LSS）テストのシナリオを見てみましょう。

 

NCAP が定義する緊急車線逸脱防止（ELK）対向車シナリオのパラメータ例：

 

・道路曲率：0（直線）

 

・対向車（GVT）のレーンオフセット：1.5 m

 

・衝突オーバーラップ：自車前部の 10%

 

・回避方向：左側（運転者側）

 

・横方向速度：0.2、0.3、0.4、0.5、0.6 m/s

 

これらは非常に特定の条件下でのシステム反応を評価するためのパラメータですが、現実の道路はもっと複雑です。

 

Foretellix の抽象テストではより広範で現実的なパラメータ設定が可能です：

 

・自車速度：50〜130 kph

 

・対向車速度：50〜130 kph

 

・対向車オフセット：0〜3 m

 

・回避開始タイミング：衝突の 5〜20 秒前

 

・回避量：1〜1.5 m

 

・シミュレーションの実行：多様な道路曲率や地図の形状にわたって実行

 

このようなカバレッジ駆動型で、洞察に富んだワークフローにより、チームは初期段階で問題を発見し、パフォーマンスのロバスト性を向上させ、データに基づいた安全性の主張を自信をもって行うことが可能になります。

 

・何百もの抽象シナリオを自動生成し実行

 

・結果に基づく自動フィルタリング（例：最大レーン逸脱量）

 

・以下のような集計されたメトリクスの分析

 

• 横加速度
• 目標物との最小距離
• 重要タイミングでの横偏位

 

・NCAP では見えない脆弱な挙動や回帰を早期に検出

 

1 つのプラットフォームで複数の検証モードに対応

 

Foretellix のツールチェーンは、抽象・具体・実世界のすべてのテストタイプをサポートします。

 

Foretify Evaluate は、開発とテストの進捗状況を可視化し、抽象・具体シナリオのカバレッジ分析、トリアージ、KPI 追跡を実施します。テスト入力がシンセティック、実走行ログ、NCAP の再現のいずれであっても同じ指標を適用し、テスト済み領域と未カバー領域を明確化します。

 

Smart Replay（Foretify Generate の一部）は、NCAP テストを正確に再現したり、バリエーションを与えたりできます。例えば、自車がセンターラインから 10 cm ずれていたり、2 kph 速かったりと、現実では普通に起こりうる状況を再現できます。これにより脆弱な挙動を早期に把握し、性能の堅牢性を高められます。

 

さらに、Foretellix の抽象シナリオ技術により、NCAP 初期設定周辺のパラメータ空間を系統的にカバーする数千の具体テストが自動生成可能となり、同一のインフラで法令順守と堅牢性を検証できます。

 

規制動向との整合

 

Euro NCAP 2026 では、より広範な安全性検証に向けてシフトしています。新プロトコルでは、速度やオフセットのわずかな変化を許容する「ロバストネス層」が導入され、物理テストが難しい場合にシミュレーションで検証することも正式に認められています。

 

UN DCAS 提案などその他の標準も同じ方向に進んでいます。規制当局は、現実世界の安全性が厳格な試験場テストだけでは保証できないことを認識し、スケーラブルで説明可能なシナリオベースの検証を求めています。

 

Foretellix は、現在の要件を満たしながら将来の期待にも備えられる柔軟性とカバレッジを提供します。

 

法令へのチェックボックス的な適合から、現実の信頼性へ

 

現在、多くの OEM が「適合性のためのテスト」を行い、その先の一般化を「期待」しています。しかし、「期待」は安全戦略ではありません。シミュレーションの信頼性が向上し、規制の期待が変わる中、業界は大規模なカバレッジベースの検証へ向かいつつあります。

 

Foretellix は、ADAS チームが余分な作業なく、透明性を失うことなく、広範に検証し、有意義に測定し、自信を持って行動できるよう支援します。NCAP の具体テスト、具体・抽象シナリオを用いたシミュレーションテストとがよく融合されます。このハイブリッドアプローチにより、開発コストの低減と加速が可能で、NCAP 適合と現実世界の安全性向上を両立させます。

 

NCAP の準備中でも、現実世界検証を拡大していても、あるいはその両方を同時に進めていても、Foretellix はよりスマートで拡張性のあるテストワークフローで支援します。詳細についてはぜひお問い合わせください。

 

著者について

 

Sebastian Klaas – Foretellix プロダクトマネジメントディレクター

Foretify プラットフォームの戦略的開発を主導。Audi、Luminar、Samsung Semiconductor でシニア技術職を歴任。

ドイツ・カールスルーエ工科大学（KIT）にてコンピュータサイエンスの学位取得。

序論：自動運転システムにおけるデータ駆動評価の重要性

高度なADASが運転の多くを担い、完全自動運転車がセーフティドライバーなしで公道を走るようになるにつれ（例：Waymoのロボタクシー、Auroraの自動運転トラック etc）、問われるのは「作れるか？」ではなく「信頼できるか？」です。AIの飛躍的進歩によりADS開発は加速しましたが、そのブラックボックス性により、人間が解釈可能な形での性能・安全性評価の必要性がこれまで以上に高まっています。

シミュレーションや走行ログから得られる膨大なデータを前に、安全性を確保するには高度に自動化され、スケーラブルな評価パイプラインが不可欠です。さらに、フリートオペレーターや物流企業が自動運転システム活用によるビジネス最適化を検討する中、彼らは透明性のあるメトリクスとKPIを強く求めています。WaymoのSafety Impactダッシュボードや「Determining Absence of Unreasonable Risk: Approval Guidelines for an Automated Driving System Deployment」といった発表は、スケーラブルでデータ駆動かつ透明性のある安全性・性能評価がADSプロジェクトの成否を分ける鍵であることを示しています。

ADS評価における主要な問題（テストプラットフォーム横断）

評価パイプラインは従来からADS開発を支えてきましたが、自社開発の「内製」ソリューションはSAE L3やL4といった高レベル自動化に対応する際に限界に直面します。主な問題は次の通りです：

• テストデータの量と多様性
  SIL/HIL/VILシミュレーション、テストコース、公道走行ログなど、多様なプラットフォームから得られる膨大なデータを集約・評価・分析し、安全性と性能のメトリクスやKPIと照合する必要があります。しかしデータ形式は多岐にわたり、統一的処理は困難です。
• エンジニアリング効率とスケーラビリティ
  数百万マイル分の走行ログから興味深いシナリオやイベントを抽出・整理し、問題をトリアージし、シナリオの発生確率や重大度を分析するには膨大な工数が必要です。さらに実走ログとシミュレーションなど、異なるプラットフォームを使用するチーム間では評価メトリクスやKPIを共有できず、再利用性が低下し、作業の重複や解釈の不一致が生じます。
• 必要な評価コンテンツの開発
  ADSの評価器（Evaluator：KPI、チェック、カバレッジメトリクス）を再利用可能かつ拡張可能な形で作成するには大きな工数がかかります。また、十分に抽象度の高い形式で定義されなければ、人間がその意図を解釈することが困難になります。

ODD内でのテスト完了度の測定
ODD（運行設計領域）の要求事項やリスクに基づいたカバレッジメトリクスが欠如しているため、すべてのプラットフォーム横断でテスト結果を集約・評価・報告し、テストが「十分に完了した」と判断する基準を設けるのは困難です。

 

新しいアプローチの可能性 ― Foretify Evaluate

Foretellixはこれらの問題を、プラットフォーム非依存で自動化され、スケーラブルかつ説明可能な評価フレームワーク「Foretify Evaluate」で解決します。これは技術チームとマネジメント双方に実用的なインサイトを提供します。

Foretify Evaluateが際立つ理由

自動運転技術の世界では、走行1マイルごとに新しい学びとリスクが伴います。Foretify Evaluateはそれらを抽出するために設計されています。

• 実走行ログからのシナリオ抽出
  AIとルールベース自動化を組み合わせ、膨大な実走行ログからシナリオを抽出・タグ付・評価します。これにより性能や安全性メトリクスを重要なシナリオの文脈で分析でき、テストに単なる理論モデルではなく現実の複雑性を反映します。
• 豊富な評価ライブラリ
  「Evaluation V-Suite」に含まれる拡張し続けるライブラリから、すぐに使える評価ライブラリを活用可能です。幅広いAVの挙動、メトリクス、KPIを評価でき、インサイト取得とデプロイの準備を加速します。
• 現実と仮想を網羅した包括的分析
  都市部の公道でもシンセティックシミュレーションでも、Foretify Evaluateは評価結果を構造化された、意味のある分析情報として提供します。同一の分析ツールで詳細なシナリオ分析から集約されたメトリクスダッシュボードに至るまで、実世界データとシミュレーションデータの両方に使用できます。これにより見落とされがちな性能・安全性のギャップ、および重要な問題を可視化します。
• 統一されたODDカバレッジメトリクス
  OpenSCENARIO DSLカバレッジメトリクスを活用し、ターゲットODDにおけるテスト進捗度を客観的に確認できます。実車走行・シミュレーション双方のテスト結果を横断的に集約し追跡可能です。
• 重要箇所への集中
  高度な検索とトリアージ機能により、最もリスクの高い状況やクリティカルな問題に優先付を行い、エンジニアリングリソースを最も効果のある部分に集中可能です。

Foretify Evaluateで安全性や性能のギャップ、ODDテストカバレッジの不足を明らかにした後、Foretify Generateを用いてターゲットシナリオを自動生成し、検証を閉ループ化し、インサイトからアクションへと移行することができます。これらすべてが、一つのプラットフォーム上で完結します。

今後のブログシリーズ予定

このシリーズでは、Foretify Evaluateソリューションの各側面を掘り下げ、スケーラブルでデータ駆動かつ透明性のある安全性・性能評価をどのように実現するかを紹介していきます。

参考文献

1. AIベースの自動運転システム評価における形式的抽象化の必要性については、Foretellix CTO Yoav Hollanderによる最近のブログ投稿をご覧ください。

ニューラルリコンストラクションとは

ニューラルリコンストラクションは有望な技術として注目されており、実走行データから現実的な3Dシミュレーションを生成し、希少なエッジケースを含む膨大なシナリオにわたり、開発スケジュールを守りながら安全性を損なうことなく、複雑化するシステムの検証を可能にします。

本ブログでは、Foretellixが提供する強力なソリューションを紹介します。Foretifyのオープンアーキテクチャプラットフォームを活用し、NVIDIA NuRecやParallel Domain Replicaといったニューラルリコンストラクション技術をAV開発者が統合できるように設計されています。さらに、Foretellixのシナリオベース検証・自動化ツールチェーン、特にSmart Replay技術と組み合わせることで、開発者は再構築されたシーンを大規模に生成・再生・変化させることができます。

ニューラルリコンストラクションが不可欠になる理由

AV開発において、エンド・ツー・エンドモデルやAIを活用した自律走行がこれまで以上に多様で豊富なデータを要求する時代に突入しました。しかし、実車走行テストだけではこのニーズを満たせません。希少な状況や危険なケースを検証するには、時間がかかりすぎ、費用も高すぎます。

ニューラルリコンストラクションは、生のセンサーログを完全にレンダリングされたシミュレーション対応環境に変換し、高リアリティ、条件変更の柔軟性、そして開発・テストパイプライン全体での再利用性を提供します。

ニューラルリコンストラクションにおける一般的な問題

多くのAVチームが直面している典型的な問題は以下の通りです：

• スニペット探索：膨大なログデータから特定のイベント（例：時速30～40マイルで対向車が接近してくる状況で自車が左折する）を探す作業は依然として時間のかかる手作業
• テストケースの定義と保守：再構築されたシーンを基に堅牢なテストを定義・検証・保守するのは困難
• 動的なシナリオ変更：再構築されたシーンでアクターの挙動や環境パラメータを変更する作業は、手間がかかり、エラーの温床
• ハイブリッドシナリオの作成：実世界のスニペットに合成されたアクター（例：割り込み車両）を追加するには精緻な制御が必要

カバレッジの可視化：再構築シナリオがカバレッジ目標を満たしているのか、あるいは安全性の欠落を残しているのか、チームが把握困難

Foretifyによる統合ワークフロー 　ログからセーフティドリブン・シミュレーション

こうした問題に対応するため、Foretellixのデータ自動化プラットフォームForetifyは、イベント検出からシナリオ変更・シミュレーションまでを一貫して行えるクローズドループの統合ワークフローを提供します。

ワークフローの概要

スニペット探索と選択
Foretify Evaluateを用いて、大規模シナリオデータからシナリオの意図（例：右側から一定速度で出現する歩行者横断）に基づいて関連する実走行イベントを検索し、再構築・修正・リプレイ用のスニペットを抽出

シーン再構築
抽出したスニペットをNVIDIA NuRecやParallel Domain Replicaに渡し、センサーレベルの精度を持つ3Dデジタルツインを生成し、修正や新しいシーンのレンダリングが可能

A reconstructed scene with Parallel Domain

シーン変更とシナリオ作成
Foretellixツールチェーンを用いて、再構築シーンを変更し、タイミング、アクター挙動、環境条件を調整

 

• Smart Replayにより、各アクターを以下のように制御可能：
  • 実走イベントの軌跡・挙動をそのまま再現
  • 軌跡をわずかに修正し、バリエーションを探る
  • リアクティブな行動モデルを使用し、シナリオ内で動的に応答
  • 特定アクターを削除して、相互作用を単純化

さらに、V-Suiteライブラリを活用して：

• 新しいアクターを挿入（他シーンから抽出したものや合成アクター）
• 挿入アクターを用いた新規シナリオ作成
• オリジナルから大きく逸脱した挙動を試し、仮定条件やエッジケースを検証

検証とカバレッジフィードバック
Foretify Evaluateは再構築シナリオと既存ログを取り込み、安全性KPIとODDカバレッジメトリクスに統合し、ダッシュボードを通じてギャップを可視化し、検証の完了度を保証

ユースケースと応用例

この統合ワークフローにより、以下の活用が可能になります：

• AIモデル学習：MLエンジニアは、希少なシナリオを再構築し、安全なバリエーションを生成して多様な学習データセットを構築
• クローズドループシミュレーション：V&Vチームが実走のエッジケースを再生し、新しいアクター挙動を追加して安全性応答を評価
• ハイブリッドシナリオ作成：既存シーンに新しいエージェントを追加し、複雑な相互作用下での堅牢性を検証
• 安全性証拠の生成：各テストをシナリオカバレッジダッシュボードやKPIにリンクし、自動で安全証拠を確立

AVチームが得られるメリット

ForetellixとNVIDIA、Parallel Domainの統合ソリューションにより、以下が可能になります：

• 実走ログからのシナリオ生成を劇的に高速化
• 再構築データの再利用性向上で物理テスト依存を削減
• エッジケースの大規模変化により堅牢なAI学習と安全性検証を実現
• カバレッジ追跡を改善し、希少シナリオから日常的ケースまで信頼性を確保

より安全なAI自動運転の基盤へ

AVスタックがAI駆動型へ移行する中、開発のペースと複雑性に合致するシミュレーションワークフローが求められています。Foretellixのデータ自動化プラットフォームと、NVIDIAおよびParallel Domainのニューラルリコンストラクション技術を組み合わせることで、実走行ログから検証済みシナリオまでをかつてないスピードと制御で実現できます。

これは、安全で効率的なAI自動運転開発への大きな一歩です。

???? この統合を実際にご覧になりたい方は、ぜひお問い合わせください。

自動運転車（AV）スタックを現実世界で安全に走行できるように開発するには、膨大で現実的なシナリオに対する厳格なトレーニング、テスト、バリデーションが必要です。各シナリオは多数のバリエーションで表現され、AVスタックの安全性と性能を包括的に評価・保証する必要があります。この複雑性が、AV開発プロセスにおける体系的なシナリオバリエーションとその管理の重要性を浮き彫りにしています。

効果的なシナリオバリエーションは、天候の小さな変化といった単純な調整をはるかに超えるものです。現実の走行を忠実にリプレイする場合や、危険なレアケースを完全に合成してシミュレーション環境で再現する場合でも、開発者は行動ダイナミクスと環境条件の両方を含む、多様で現実的なバリエーションを生成しなければなりません。このレベルの多様性を達成するには、インテリジェントな自動化と高度なシミュレーション技術が不可欠であり、特に人間の介入なしに動作する必要があるハイレベル自動化や都市型ODD（運行設計領域）においては必須です。

以下では、シナリオバリエーションにおいて不可欠な10のカテゴリーを例示し、AV開発者が堅牢な安全性と性能バリデーションを実現するための要点を示します。

1. 他車両の数と種類

AVスタックを徹底的に検証するには、多様な車両が様々な方向に移動するシナリオが必要です。

• AVと並走する車両や対向車両の追加
• バイク、乗用車、トラック、SUV、自転車、さらにはトラクターや馬車などの非典型的な車両も含む

2. 操縦・車両ダイナミクスのバリエーション

現実的な車両挙動のバリエーションは重要です。

• 割り込み、追い越し、合流、右左折、交差、車線変更
• 速度や車間距離の多様化
• 非現実的なイベントを排除（例：大型トレーラーが時速300マイルでAVの直前に割り込むなど）

3. 他車両の運転行動

人間ドライバーの行動は多様で、AVの挙動に大きく影響します。

• 慎重すぎる、攻撃的、注意散漫、酩酊など
• 飲酒運転、ながら運転、突発的で不安定な操作を含む

4. 歩行者数と多様性

歩行者（VRU：Vulnerable Road Users）は複雑で多様な相互作用を伴います。

• 単独歩行者から集団、ペット連れ、子供、老人同行者など
• 年齢、性別、体格、人種、服装（暗色・反射材付き・伝統衣装など）、バッグやフード付き衣服の有無

5. 歩行者行動のバリエーション

歩行者の行動はAVの意思決定に大きな影響を与えます。

• 走る、立ち止まる、急停止、突然の横断
• 駐車車両の間から飛び出す子供など、予測困難な行動

6. 動物との遭遇

動物はさらなる予測不能性をもたらします。

• 犬・猫などのペット、馬・牛などの家畜、シカ・クマ・ゾウなど野生動物
• 大きさ、速度、行動の違いを反映
• 見落とされがちな例：「鳥の群れ」—都市で鳩の群れが一斉に飛び立つ場合、AVは文字通りの“shit-storm”に直面します????

7. 道路上の静止物

静止障害物は認識上の問題をもたらします。

• 駐車車両、工事機材、標識、広告板、ゲートやバリケード
• ビニール袋、岩、トラックから落下したソファなど、形状・大きさ・色・反射特性が異なる物体

8. 車線構成

道路設計はAV性能に大きく影響します。

• 1車線の田舎道、多車線高速道路、複雑な都市交差点、動的に変化する車線
• ODDマップ内の複数地点での右折バリエーション
• 不完全または欠如した道路標示

9. 天候と視界条件

環境条件はセンサーと意思決定に直接影響します。

• 晴天から大雨、雪、霧、砂塵、まぶしさ、薄明かり、夜間まで
• センサー性能と物体認識の堅牢性を検証

10. 環境多様性

環境文脈の違いも不可欠です。

• 都市部、郊外、農村、工業地域
• 樹木、建物、フェンス、商業看板などのランドスケープ要素
• 陰影や光源の違いによるセンサー検証

まとめ

この複雑性から明らかなように、既存走行ログから意味のあるシナリオバリエーションを生成するのは容易ではありません。手作業での作成や表面的な変更では、先進的なAVスタックを適切に検証するには全く不十分です。特にAI駆動のAVスタックに現実的な学習データが必要な場合、この問題は指数的に増大します。

これに対応するには、クローズドループのツールチェーンが不可欠です。ForetellixのForetifyツールチェーンは、ODDカバレッジプランを定義し、既存ログを評価して現状のODDカバレッジの充足率を測定、安全性ギャップを明らかにします。その上で、高度なシナリオ生成技術を適用しギャップを埋めます。インテリジェントな制約付ソルバーを組み込むことで、実世界の走行ログや完全シンセティックシミュレーションから、多様かつ現実的で物理的に妥当なシナリオバリエーションを体系的に生成できます。

こうして生成されたシナリオは、AVスタックの検証やAI駆動スタックの学習データとして活用され、開発期間を大幅に短縮し、ODDを包括的にカバーします。ForetellixのForetifyを活用することで、AV開発者やメーカーはトレーニング・テスト・バリデーションを包括的に行い、安全で信頼できる自動運転の実現に自信を持って取り組むことができます。

???? デモをご希望の方は、ぜひお問い合わせください。

エンドツーエンドの計画モデルを備えたAI駆動AVスタックを学習させるには、現実的で信頼性の高い走行データが不可欠です。しかし、実世界データには多様性と規模の面で限界があります。解決策は、スケーラブルかつ制御可能な合成データの生成です。

本ブログでは、ForetellixのForetify開発ツールチェーンをCARLAおよびNVIDIA Cosmosと統合し、合成センサーデータ生成を目的として高品質な「優先通行違反」シナリオを作成・選定・レンダリングしたプロセスを概説します。このデータはエンドツーエンドAVスタック向けの模倣学習パイプラインへ投入され、多様性・意図の保持・スケーラビリティを兼ね備えた学習シナリオにより、性能と安全性の向上に寄与します。

動機：重要なデータギャップへの対応

この取り組みは、バリデーション中にAVスタックの性能ギャップが特定されたことに端を発します。システムが苦手としていたのは、**「交差点での優先通行違反」**という特定の交通シナリオでした。

分析の結果：

• 実走行ログにはこのシナリオの十分な事例が存在せず、特にEGO（被試験自動運転車）が適切に応答しているケースが不足
• とりわけ安全クリティカルなシナリオにおけるデータ不足により、記録されたフリートデータだけでは学習・評価が不可能

そこで、こうした相互作用を表す合成センサーデータを生成するプロセスを実行。もっともらしいが稀な違反を系統的にシミュレーションし、高品質・多様・意図整合な合成データで模倣学習させることを目標としました。

 

1. 要求分析

まず自然言語の要求ドキュメントで「優先通行違反」シナリオクラスを記述します。

内容は：

• シナリオの機能目的
• EGOの期待挙動（減速、停止、回避操作など）
• 違反アクターの行動（停止／譲れの無視・違反 など）

ここからシナリオの意図、アクターの役割・挙動、期待される結果を抽出します。人が読める要求を形式シナリオ化の土台にしました。

2. Foretify Developer と V-Suite ライブラリによる抽象シナリオの形式化と実装

OpenSCENARIO DSLを用い、英語要求を地図非依存の形式シナリオへ翻訳：

• 宣言的なアクター役割（例：「違反者」「被害者」「その他アクター」）
• 時間関係・制約（例：「違反者がEGOより0.5秒早く進入」）
• 望ましいEGOの反応（例：「TTCが閾値未満なら減速度 X で制動」）

Foretify V-Suites（再利用可能なシナリオライブラリ）を活用：

• 交差点系シナリオを出発点に
• それらを優先通行違反へ合わせて改変・合成
• 検証済みパターンの再利用で、開発を加速し一貫性を確保

ドメインモデルに基づく制約で正しさ・物理的妥当性を保証：

• 交通規則、幾何制約、アクター能力などの基礎制約を適用
• 様々なマップでも生成バリエーションが有効で現実的となるよう担保

抽象表現により、ロジックと地理レイアウトを分離し、柔軟でスケーラブルな再利用を可能にしました。

実装にはForetify Developerツールを使用します。キーとなったのは制御可能なドライバーモデルです。EGOには衝突回避の適切な行動（減速・譲る等）を行う構成を、違反アクターには交差点ルール無視（停止／譲れ標識を無視）を設定します。二重ドライバー構成で、機能的忠実度と表現力を両立しました。

（動画参照リンク：省略）

Click here to watch the entire video

3. CARLA＋Foretify によるランタイム実行

ランタイムでは、CARLA（オープンソースAVシミュレータ）と統合し、車両ダイナミクスをコシミュレーションに追加しました。構成は：

• Foretifyがランタイム中のシナリオ実行をオーケストレーション
• CARLAが車両物理、路面摩擦、慣性、微細な運動をシミュレート

このハイブリッド実行により、意図を保持しつつ、現実的なダイナミクスと物理制約を付与し、指定シナリオロジックの下で、合成センサーデータが実世界の走行挙動に整合するようにしました。

4. 制約充足と大規模生成

Foretellixの制約ソルバーを用い、意図を保持した6,000件超の有効インスタンスを生成：

• 違反アクターは常に優先通行権へ挑戦
• EGOは常に時間的プレッシャーの下で評価・行動を強いられる
• 他交通条件・マップ要素（交差点形状差）・タイミングは定義境界内でランダム化

これにより、意味的一貫性を損なわずに多様性を確保しました。

（動画参照リンク：省略）

Click here to watch the entire video

5. 多様性分析と実行選定

ビッグデータ分析基盤で生成群を詳細分析：

• 主要メトリクスの分布（違反者速度、EGO反応時間、衝突率 など）を検証
• コーナーケースやエッジ条件への広範なカバレッジを確認
• シナリオ意図を最適に満たし、かつ代表的で・多様性の高い実行を模倣学習のベースとして選定

このデータ駆動アプローチにより、過学習を避けつつ、下流モデルの汎化性能を最大化しました。

6. NVIDIA Cosmos によるセンサーシミュレーション

選択された実行は、 ” Cosmos Transfer（multicontrol WFM）” を通じて処理され、物理ベースで超写実的なセンサーシミュレーションシナリオを生成します。プロンプト・アップサンプリング技術を用いて、下記の要素にわたってデータセットを拡張：

• 天候（霧、雨、グレア など）
• 地理（都市グリッド状道路、郊外道路、高速道路のランプ）
• 照明（薄明、夜間、黎明 など）

（動画参照リンク：省略）

Click here to watch the entire video

（動画参照リンク：省略）