| Project/Area Number |
24K00842
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 20020:Robotics and intelligent system-related
|
|---|
| Research Institution | University of Tsukuba |
|---|
Principal Investigator |
齊藤 裕一 筑波大学, システム情報系, 助教 (90770470)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
伊藤 太久磨 東京大学, 大学院工学系研究科(工学部), 講師 (10847106)
ポンサトーン ラクシンチャラーンサク 東京農工大学, 工学(系)研究科(研究院), 教授 (30397012)
井上 秀雄 神奈川工科大学, 研究推進機構, 特任教授 (60565133)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥18,070,000 (Direct Cost: ¥13,900,000、Indirect Cost: ¥4,170,000)
Fiscal Year 2026: ¥5,070,000 (Direct Cost: ¥3,900,000、Indirect Cost: ¥1,170,000)
Fiscal Year 2025: ¥5,460,000 (Direct Cost: ¥4,200,000、Indirect Cost: ¥1,260,000)
Fiscal Year 2024: ¥7,540,000 (Direct Cost: ¥5,800,000、Indirect Cost: ¥1,740,000)
|
|---|
| Keywords | 安全 / 潜在危険 / データ活用 / リスク予測 / 運転知能 / 運転データ / AI / 機械学習 / 潜在リスク / 運転知能化 / データ駆動 |
|---|
| Outline of Research at the Start |
本研究では，課題領域を (1)センシング死角領域，(2)センシング弱点領域，(3)Cloud 地図領域と定め，従来モデル駆動で実現できなかった先読み運転をデータ駆動で実現する運転知能化の基盤研究を行う．本研究は，ドラレコDB，センシングDB，運転行動DBを活用して，(1)センシング死角を克服するヒヤリハット駆動危険予知 AI, (2)センシング弱点を克服するセンシング Weakness AI，また(3)その他の隠れたリスク源を克服する Risk Map AI を構築する．また，課題領域を仮想環境に再現し，システム作動と性能限界を効率的に模擬することでデータ駆動運転知能の設計論の確立を目指す．
|
| Outline of Annual Research Achievements |
2024年度は，ドラレコDB，センシングDB，運転行動DBを活用して，(1)センシング死角を克服するヒヤリハット駆動危険予知 AI, (2)センシング弱点を克服するセンシング Weakness AI，また(3)その他の隠れたリスク源を克服する Risk Map AI のコンセプトモデルを構築した．
筑波大学では，交通ヒヤリハットDBを用いて，走行環境の文脈情報（静的，動的，その他の要素）に基づいて4秒後の推奨速度分布を算出する機械学習モデルを構築した．このモデルは，ベイズ統計モデリングにより，4秒先の自車両の推奨速度に対する不確実性を定量化することができ，不確実性の高いシーンを特定した．
東京農工大学では，交通ヒヤリハットDBを用いて，死角から飛び出す対象（歩行者，自転車）の速度特性を合理的に予測する機械学習モデルを構築した．ベイジアンネットワークにより，画像データ等から取得可能な交通環境コンテキストと飛び出し対象の特性との関係を記述し，飛び出し対象の速度特性を推定できる可能性を示した．
東京大学では，LIDARやRTK-GNSS等を装備した実験車両を整備し，大学の構内道路や学外の生活道路での走行データを収集した．収集したデータを活用して，３秒後の規範速度を推定する速度決定機械学習モデルの構築に取り組んだ．さらに機械学習モデルの出力と注意深い運転データの速度比較から，生活道路での潜在危険地点を抽出するアルゴリズムを構築した．
神奈川工科大学では，カメラセンサを対象としてセンシング弱点領域を抽出するAIを開発した．学習用教師データには，JAMAの自動運転の安全性評価フレームワークのカメラセンサ不調要因に基づき，実走行データから該当シーンを人手で抽出したものを用いた．評価用実走行データでAIを評価したところ，逆光等による白飛び（露出オーバー）によって認識不良に繋がるシーンを検出できた．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究では，課題領域を (1)センシング死角領域，(2)センシング弱点領域，(3)Cloud 地図領域と定め，従来モデル駆動で実現できなかった先読み運転をデータ駆動で実現する運転知能化の基盤研究を行うことを目的としている．
そのもとで，2024年度は，ドラレコDB，センシングDB，運転行動DBを活用して，(1)センシング死角を克服するヒヤリハット駆動危険予知 AI, (2)センシング弱点を克服するセンシング Weakness AI，また(3)その他の隠れたリスク源を克服する Risk Map AI のコンセプトモデルを構築することが目標である．
これに対して，2024年度は，各機関（筑波大学，東京農工大学，東京大学，神奈川工科大学）において，1) 交通ヒヤリハットDBを用いた自車両の推奨速度分布の推定モデル，また自転車や歩行者の飛び出し速度特性の推定モデル，2) 生活道路での潜在危険地点を抽出するアルゴリズム，3) 逆光等による白飛び（露出オーバー）による認識不良箇所に推定モデルを構築しており，当初目標をおおむね順調に進展していると判断している．
|
| Strategy for Future Research Activity |
第一に，引き続き，2025年度において，ドラレコDB，センシングDB，運転行動DBを活用して，(1)センシング死角を克服するヒヤリハット駆動危険予知 AI, (2)センシング弱点を克服するセンシング Weakness AI，また(3)その他の隠れたリスク源を克服する Risk Map AI の構築に取り組む．
上記に加えて，本課題を推進する上で，データ駆動システムの安全評価には，デジタルツイン技術を駆使して，解くべき課題領域を仮想環境に再現するとともに，システム作動と性能限界を効率的に模擬し，データ駆動運転知能の価値検証を仮想環境で完遂させる枠組みを整備する必要がある．
そこで，2025年度は，第二に，各機関連携の下で，仮想環境で不確実シナリオを効率的に再現できるシナリオDBを構築する．ここでは，ドラレコDBを活用して，飛び出し対象の行動モデル化とその記述方法を検討する．第三に，データ駆動システムの安全評価を行うべく，仮想環境を整備する．ここでは，交通シミュレータとして，Vissimを使用する予定である．
|
