2020 Fiscal Year Research-status Report
人工知能を活用した農用車両の事故リスクアラートシステムの開発
| Project/Area Number |
20K22579
|
|---|
| Research Institution | Shinshu University |
|---|
Principal Investigator |
青柳 悠也 信州大学, 先鋭領域融合研究群社会基盤研究所, 助教(特定雇用) (20882195)
|
|---|
| Project Period (FY) |
2020-09-11 – 2022-03-31
|
| Keywords | 農用車両 / 事故防止 / 人工知能 / リスク評価 / アラートシステム / トラクタ事故 / コンバイン事故 |
|---|
| Outline of Annual Research Achievements |
本研究では，農用車両のオペレータが，多様な条件下において事故防止のための適切な走行条件の選択を支援するA.I.の構築を目指している。本A.I.は，事故に係る機械・環境・人の情報から，総合的に事故のリスクを判断し，事故の危険性が高い場合のアラートや，事故回避条件の提示に応用可能な仕様を目指す。
2020年度の実績としては，トラクタ事故とコンバイン事故の発生要因を整理して，事故発生のリスクを定量化し，比較・分析することで危険度の高い事故要因と事故事例のリスクが明らかになった。これらの結果から，学習データにおける要因の選定と，教師データ（事例のリスク値）の作成が可能となった。また，走行シミュレーションにより機体の姿勢角や走行速度等の指標を用いた事故リスクを明らかにするため，トラクタおよびコンバインの挙動モデルの改良および立案を行った。コンバインモデルでは，旋回時に発生する遠心力を考慮した挙動を評価でき，トラクタモデルでは事故の危険性が高い15°を超える急傾斜地において，転倒リスクをより正確に評価できることが示された。これらのモデルを用いて，傾斜角，路面粗さ，機体重心位置，走行速度などを変更した100万通り以上の走行シミュレーションを実施し，機体の挙動に基づくリスク評価のための学習データを作成した。A.I.モデルの構築では，分類型と回帰型のモデルについて検討し，モデル型によっては中間層数による予測精度への影響がみられたので，今後，精度評価と合わせて設計・検証を進めていく。
これらの成果について，和文学術雑誌に2報の研究論文が掲載され，英文誌に1報の研究論文を投稿予定である。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
本研究は大きく分けて，a）A.I.モデルの構築，b）学習用データの構築，c）A.I.の精度評価，d）事故リスクアラートシステム構築（総括），の4項目の達成により，最終的な目的の達成を目指している。
a）A.I.モデルの構築では，複数パターンのモデルにおける予測の傾向を把握し，これらの傾向を基に設計指針ができた。モデル構築していく上で，精度検証の結果からのフィードバックが必要となり，A.I.の精度検証を行いながら，リスク評価に適したモデルを特定していく。b）学習用データの構築では，トラクタ事故とコンバイン事故の発生要因を整理して，事故発生のリスクを定量化し，比較・分析することで危険度の高い事故要因と事故事例のリスクが明らかになった。これらの結果から，学習データにおける要因の選定と，教師データ（事例のリスク値）の作成が可能となった。また，走行シミュレーションにより機体の姿勢角や走行速度等の指標を用いた事故リスクを明らかにするため，トラクタおよびコンバインの挙動モデルの改良および立案を行った。コンバインモデルでは，旋回時に発生する遠心力を考慮した挙動を評価でき，トラクタモデルでは事故の危険性が高い15°を超える急傾斜地において，転倒リスクをより正確に評価できることが示された。これらのモデルを用いて，傾斜角，路面粗さ，機体重心位置，走行速度などを変更した100万通り以上の走行シミュレーションを実施し，機体挙動に基づくリスク評価のための学習データを作成した。
これらの進捗状況から，学習データの構築ができており，今後，深層学習を用いた人工知能の精度検証を実施する予定である。このことから，本研究進捗状況はおおむね順調である。
|
| Strategy for Future Research Activity |
今後は，A.I.の精度評価を中心として，作成した学習データを用いてハイパーパラメータを調整しながら深層学習を行う。また，検証用データ（実際を模した学習用データと異なるデータ）を作成し，検証用データを入力した場合のA.I.の応答をみて，A.I.による事故リスク評価の精度を確認する。その後，事故リスクアラートシステムの構築（総括）では，本研究成果について総括し，事故発生の特徴抽出による本システムの実現場への適用可能性について明らかにする。ここでは，PCやスマートデバイス等におけるアウトプットをみて，実用化に向けた技術提案を行う。これらにより得られた各年度の成果は，学会や論文誌にて公表予定である。
|
| Causes of Carryover |
計画時点では，年度末には新型コロナウイルスの終息がみられ，現地調査が実施できると考えていたが，新型コロナウイルスは終息することなく，年始から年度末にかけて1都3県においては緊急事態宣言が発令されていた。このような状況下において，調査対象者からの了承を得るのが難しく，調整も難航したため，延期を余儀なくされた。次年度には，十分な感染防止対策を講じた上で現地調査を行うことで，次年度使用額分の研究費を適切に執行する。
|
Research Products
(2 results)
