高度な車両機能やゼロエミッション車への需要が高まる中、自動車エンジニアリング チームはこれまで以上に迅速に新しい技術を取り込む必要に迫られています。この需要に対応するため、AI を導入するチームが増えています。

過去 10 年間での AI の台頭により、エンジニアリング ワークフローの各段階で使用できる技術が生み出されています。たとえば機械学習モデルは、過去のフリートデータをマイニングし、設計の段階での重要な意志決定の参考にするために使用できます。また、先進運転者支援システム (ADAS) の一部として車両に展開することも可能です。

最近の技術革新の多くは AI 技術なしには実現できないものでした。しかし、すべての AI 技術が自動車エンジニアにとって新しい技術とは限りません。たとえば、高度な統計モデル (現在の機械学習モデル) はキャリブレーション ワークフローでテストセルのデータを特徴づけるために長年使用されてきました。

このホワイトペーパーでは、自動車企業のチームが AI を使用して以下を行う方法をご紹介します。

• 革新的な機能の構築
• 既存製品の性能強化
• 開発ワークフローの改善
• 実データの解釈
• プロセス改善とサービス強化の実施

ケーススタディでは、エンジニアリング組織が自動運転、パワートレインおよび制御、故障診断および故障予測、製造において AI を実際にどのように使用しているかをご紹介します。

革新的な機能の構築

Mahindra のトラックとバス: 機械学習を路面状況の推定に使用

Mahindra のトラックおよびバス部門は車両のセンサーのデータを使用し、信号フィルタリングとセンサーフュージョンを適用してセンサーのデータから特徴量を生成したうえで、機械学習モデルを適用して路面状況を予測するツールを開発しました。この予測は、他のアルゴリズムに組み込まれ、車両の燃費の改善に使用されます。

自動運転

AI 技術が最も大きな影響を与えたのは、自動運転の分野かもしれません。機械学習およびディープ ラーニング モデルは、周囲の環境を知覚できる機能を持つことから、さらに高度な自律性を目指すうえで欠かせないツールとなりました。これらのモデルはカメラ、Lidar、レーダー、その他の車両センサーのデータを意味のある環境の表現へと変換するために使用されます。このようなモデルの構築には、モデルの学習に使用できるラベル付きのグラウンドトゥルース データ、モデルをデータに当てはめるためのアルゴリズム、モデルの性能を検証するためのフレームワークなど、いくつかの基本的な要素が必要です。また、モデルの構築では実際のデータが重要な役割を果たすため、大半の作業はデータの取得および整理・要約に関係したものとなります。

Caterpillar: グラウンドトゥルース データの管理

Caterpillar は、MathWorks とのコラボレーションにより、外部のラベラーを活用するための Web フロントエンド、ラベル付きのグラウンドトゥルースを検索および取得するためのデータベース、そして関数開発者がラベル付きグラウンドトゥルースを分類器の学習、検証、展開に使用できるようにするインターフェイスを備えたビッグデータのインフラストラクチャを開発しました。

Continental: カメラデータからの交通標識認識

AI 技術をカメラデータに適用するには、データキュレーションからモデル開発および展開までの完全なワークフローが必要です。また、モデルの性能を可視化し、強みと弱みを理解できるようにするツールも必要です。Continental のエンジニアは、交通標識認識のために、グラウンドトゥルース データのラベル付け、録画されたシーンの検査、および機械学習アルゴリズムの開発と検証を行うためのツールチェーンを開発しました。

PathPartner: レーダー点群内のオブジェクトの分類

PathPartner のエンジニアは、夜間、悪天候、離れた場所などカメラだけでは不十分な条件下で歩行者やその他の交通弱者を検出できるアプリケーションにおいて、機械学習をレーダーデータに適用しました。また、分類学習器アプリを使用して、迅速に複数の機械学習アルゴリズムを評価し、予測精度を確認できるようにしました。

Autoliv: Lidar 点群からのオブジェクト検出

Autoliv のエンジニアはディープラーニングを使用して、Lidar 点群内のオブジェクトを検出し、他のセンサーでは検出できない場所にあるオブジェクトを特定できるようにしました。ディープラーニングにより、Lidar データ の手動によるラベル付けと解析に費やしていた時間が大幅に短縮されました。

既存製品の性能強化

BMW: オーバーステアの検出

BMW は、オーバーステアを検出するための機械学習モデルを開発しました。オーバーステアとは、旋回中に車両の後輪のグリップ力が低下する状況です。チームはコースを走行するドライバーから収集したデータを使用して、車両のさまざまなセンサーのデータを解析し、オーバーステアの検出に最も役立つデータを特定しました。そのうえで、新しいデータでこの検出を行えるように機械学習モデルを学習させ、それを ECU に展開して車載テストを行いました。車載テストにより、この機械学習ワークフローの実用性が証明されたほか、トラクション制御システムの性能を評価し、以前の設計からの改善を理解することができました。

Cummins: 制御設計のためのシステム同定モデルの開発

Cummins (15:53) は機械学習の使用による古典制御設計の機能強化について調査しています。調査の内容には、機械学習の使用によるモデル予測制御のためのシステム同定モデルの改善、ディープラーニングや強化学習などデータ駆動型の手法と PID ベースの制御の統合、などが含まれています。

Vitesco: 排出ガス削減のための強化学習

Vitesco は強化学習を排出ガス削減の用途に適用しました。同社はプラントの詳細なモデル (エンジンと排出ガスシステムを含む) の作成後に、強化学習エージェントのプロトタイピング、生成、最適化を行い、排出ガスの後処理システムの制御戦略を改善しました。

開発ワークフローの改善

マツダ: モデルベース キャリブレーションをテストの削減とモデル精度の向上に使用

モデルベース キャリブレーションは、従来の統計手法を用いたテスト計画の定義、実験またはシミュレーション環境からのデータの取得、データに基づいたモデルへのデータの適合、データに基づいたモデルを実システムの代わりに使用することによるシステム性能の最適化、で構成されます。マツダのエンジニアは、モデルベース キャリブレーション技術を使用することで、テストの作業量の最小化、エンジンモデルの複雑さの軽減、排気管から出るスモークを予測するモデルの精度の向上を実現しました。

GM: モデルベース キャリブレーションを電気駆動システムに使用

同じモデルベース キャリブレーション技術が電気駆動システムのキャリブレーションにも使用されています。General Motors は、電気駆動システムの速度、トルク、電圧の各組み合わせに対する最適な電流指令値を特定するため、電流指令値生成テーブルをキャリブレーションしました。チームは実験計画法を使用して、最適なテスト計画を立案し、さまざまな機械学習モデルを実験データに適合させることで、電流を入力の関数としてモデル化しました。この電流モデルにより、車両ソフトウェアで使用される電流指令値テーブルの最適化が行え、迅速な設計条件の探索ができました。

AI によるテストの支援

AI 技術を使用すると、テスト中に必要な人間による監視作業を削減できる可能性があります。過去のテストデータを使用することで、テスト中のモデルの望ましい挙動や望ましくない挙動を学習でき、これらを特定できるようになります。AI モデルは画像、音声、動画などのセンサーデータを学習させることが可能なため、リアルタイムでテスト項目を評価できます。

ダイハツ: エンジンノッキングの特定

ノッキングの特定は、従来、熟練のテスターが行う作業でした。ダイハツのエンジニアは、音響解析を使用して音声信号から特徴量を抽出する手法を開発しました。そしてこの特徴量は、エンジンノッキングを分類するディープラーニング モデルに使用されます。この手法により、ノッキング音を熟練のテスターと同じ精度で判定できます。

排出ガスの削減

伝統的な自動車メーカーは、内燃エンジン (ICE) を搭載した従来の車両の開発も継続する一方で、ゼロエミッション車 (バッテリーまたは燃料電池で駆動される車両) を製造する必要にますます迫られています。厳しい排出ガス規制により、さらに複雑な ICE および触媒コンバーターをベースにしたシステムや車載式故障診断装置 (OBD) システムの開発が推進されています。それらのシステムは非線形であることが多く、開発、調整、テストには膨大なリソースが必要です。AI の手法によるデータ駆動型モデルの開発は、開発において仮想環境の使用を増やせるため、実用的な代替手段となります。

Renault: 排出ガス推定器の開発

従来の NO_X の推定は、ルックアップテーブルまたは内燃モデルから算出されます。しかし、ルックアップテーブルは精度が不十分であり、内燃モデルは計算コストがかかります。Renault のエンジニアは、ディープラーニングネットワークを使用してエンジンからの NO_X 排出をモデル化しました。チームは、一般的なドライブサイクルを持つ実際のエンジンから実験データを収集し、ディープ ニューラル ネットワークの構成作業を何度も繰り返すことで、エンジンからの NO_X 排出が適切にモデル化されたモデルを特定しました。次に、制御設計とデスクトップ シミュレーションのために、このモデルを非線形オブザーバーの一部として使用しました。

実データの解釈

ホンダ: 排出ガス後処理システムの評価

ホンダのエンジニアは、排出ガス規制の基準を満たすための開発活動に活用するため、1,000 台の車両から取得した 100 万キロメートル分の運転データを解析しました。チームは、生データの前処理とフィルタリングを行うためのパイプラインを開発したうえで、速度、走行距離、ギアの選択、AC の活用、交通状況などの特徴量を抽出しました。この解析から得られた統計的分布により、排出ガスの後処理システムが性能要件を満たしていることを確認できました。

Volkswagen Data Lab: 運転パターンの解析

Volkswagen Data Lab は、ドライバーごとのテレメトリデータの違いを解析し、車両センサーのデータに基づいて誰が運転しているかを自動的に判断できる分類器を開発しました。チームは、車両の CAN バスデータを使用し、スライディング ウィンドウを使用して時系列でさまざまな統計的特徴量を抽出しました。この手法により、ドライバーを統計的に認識することが可能になり、「Pay-As-You-Drive (実走行距離連動型自動車保険」などの潜在的なビジネスモデルの基礎が構築されました。

実際のフリートデータ

コネクテッド ヴィークルは、車両設計のさまざまな側面で使用できる実際の運転データを生成します。そのデータの量は、保存用に専用の IT システムが必要となるほど膨大です。

Ford: フリートデータの利用と解析

Ford のチームは、MATLAB を Apache Spark™ に保存されたフリートデータに接続することで、エンジニアが使い慣れたツールでデータを利用し、解析できるようにしました。このデータにより、ADAS のエンジニアは特定の機能の実際の性能を理解し、シミュレーションや妥当性確認に使用できるシナリオを生成できるようになりました。

プロセス改善とサービス強化

Mercedes-Benz: マシンサイクルのエラーの検出

Mercedes-Benz のエンジニアは、製造の生産パラメーターのエラーサイクルを検出するために、異常検出技術を適用しました。チームは時系列データ処理技術を使用してマシンサイクルの特性を特定し、統計解析により正常なサイクルと異常なサイクルを特性評価しました。

予知保全

予知保全技術は、車載アプリケーションにも使用されています。特に商用車両に関しては、想定外のダウンタイムにより装置の使用者に損失が生じることもあります。この問題に対する従来の対処方法は、故障が発生するかなり前に定期保守点検を設定することです。しかし、この手法では保守点検のために追加の作業が必要となり、耐用期間が残っている部品を破棄する結果となる場合があります。

Baker Hughes: ポンプの故障の予測

Baker Hughes は機械学習技術を使用し、石油掘削装置のポンプの故障を予測できる予知保全アルゴリズムを開発しました。これにより、同社は想定外の故障を削減し、1 年間に推定 1,000 万ドルを節約できました。