ADASによりヒューマンエラーが最小化され、交通環境がより安全になります。例えば、レーン変更を行う際、死角に他車両がいるシーンなど危険なシナリオを事前にドライバーに警告することで、より安全な運転を行うようにドライバーを支援できます。また、衝突を回避するために自動緊急ブレーキを備えた車両もあり、交通事故低減を目的としてドライバーの振る舞いを自動化し、負担を軽減するようなシステムが数多く登場しています。

実際、ボストンコンサルティンググループの調査によると、米国ではADASによって交通事故数が28%現象しており、年間9,900人の命が救われているという結果が出ています。

ADASのレベル分け

自動運転には5段階のレベルがあり、SAE(Society of Automotive Engineers)によって定義されています。今日現在、私たちの周りを走行している殆どの車両はレベル0からレベル3までの範囲で定義されているADAS機能を有しています。自動運転の最先端で研究開発を重ねている企業はレベル4もしくはレベル5で定義される自動運転機能の実現を目指しています。

ADASテクノロジーの進化に伴い、システムの安全性やサイバーセキュリティ、ポリシーに関する問題等、多くの問題を解決する必要がありますが、将来的に完全自動運転車は現実のものとなっていくでしょう。

どのようにADASの機能が設計されるのかを理解するために、アダプティブクルーズコントロールを例にとって説明します。ご存知の方も多いと思いますが、このADAS機能を利用すると先行車両との車間距離が適切に保たれるように車速が制御されます。先行車両との距離が接近している場合には減速され、距離が十分空いている場合には車両を加速させて航行速度を上げます。

アダプティブクルーズコントロール(ACC)設計の最初のステップは車両に搭載されたセンサーからのデータを収集することです。アダプティブクルーズコントロールを実現するために、一般的にはカメラやレーダーといったセンサーが必要となります。カメラによって周辺の物体(他車両、歩行者、樹木等の障害物)が認識され、レーダーによってそれらの物体までの正確な距離が算出されます。

センサーからのデータを収集した後、関連するADASアルゴリズム開発を進めることになります。アダプティブクルーズコントロールに関連するアルゴリズムは以下の3つに大別することができます:

1. 先行車両を検出するための認識アルゴリズム
2. 自車両と先行車両の間の距離を算出するためのレーダーアルゴリズム
3. 算出された距離の情報を基に、車速を調整するための制御アルゴリズム

ここまでADASの例としてACCについてお話ししてきましたが、適切なセンサーを利用してアルゴリズムを開発する、という一般的な方法論は他の全てのADAS機能開発にも適用されています。

センサーの重要性

ADAS機能を実現するために利用されているセンサーとしては、カメラ、レーダー、Lidarの3つタイプが挙げられます。

カメラ

カメラはADASの認識に関連するタスクのために用いられます。車両側方に設置されたカメラによって死角の情報を得ることができますし、車両前方に設置されたカメラではレーンや車両、標識、歩行者や自転車等を検出することが出来ます。ADASの認識系のアルゴリズムは一般的に従来の画像処理やコンピュータービジョン、ディープラーニングの技術により実現されます。カメラが持っている利点は以下の通りです:

• 物体検出のための優れたデータ
• 比較的安価 –多くのコストを掛けることなく、様々なタイプのカメラをテストできる
• 様々なオプション – 魚眼、単眼、ピンホールやステレオ等、様々な選択肢
• 広範な研究成果 – 3つのセンサーの中でも歴史が古く、最も多く研究されている

カメラは非常に優れたセンサーである一方、物体までの距離計測においてはほかのセンサータイプに比べて研究が少ないという面があります。このため、ADAS開発用途の場合、カメラはレーダーと組み合わせて利用されることが多くなっています。

レーダー

レーダーセンサーは高周波を周辺環境に向けて放射し、環境における物体からの反射波を記録します。このデータは物体までの距離算出に利用することができます。ADASでは、通常車両の前方にレーダーが搭載されることになります。

レーダーは他のセンサーに比べて天候の変化に強く、自動緊急ブレーキやアダプティブクルーズコントロールといった機能において非常に実用性の高いセンサーです。

レーダーセンサーは物体検出に用いることもできますが、物体の分類精度はそれほど高くありません。このため、ADAS用途の場合、レーダーはカメラと組み合わせて利用されることが多くなっています。

Lidar

Lidar (light detection and ranging) センサーはレーザー光を周辺環境に向けて照射し、反射した光を記録します。このデータはLidarが配置された周辺環境を表現する3次元点群データとして再構成されます。Lidarのデータはセンサー周辺にある物体までの距離算出に用いることができます。

ADASに使用されるLidarには主に2つのタイプがあります:

1. 機械式(回転式) Lidar - 機械式のLidarは車両天井に配置され、周辺環境の3次元点群データを作成するために回転して反射光を観測します。
2. ソリッドステート式 Lidar – 新しいタイプのLidarで、機械的に駆動する部品を持ちません。長期的には、ソリッドステート式のLidarは機械式に比べてより高速、安価かつ正確な計測が可能であると言われています。一方、量産に利用するためには解決しなければならない課題も残っており、安全性や測距距離等に関する技術的課題が挙げられています。

Lidarのデータを利用することでADASにおける測距および物体認識の両方を実現することができますが、Lidarのデータ処理にはカメラやレーダーのデータに比べてより多くの計算コストが必要となるため、ADASアルゴリズムの開発者はいくつかの課題に直面しています。

シミュレーションを活用したADASアルゴリズムの開発

現実世界のハードウェアを利用したテストはコストが掛かるため、エンジニアはまず仮想環境を利用してADASソリューションをテストします。シミュレーション環境は2次元の場合、3次元の場合とありますが、目的によって使い分けられます。

2次元のシミュレーション環境はカメラやレーダー向けADASアルゴリズム開発・テストに活用することができます。この場合、道路や歩行者、自転車、車両等の交通参加者を含む仮想のシーンを作成するところから開始します。その後、自車両を仮想シーンに配置し、さらに仮想のカメラ・レーダーセンサを自車両に設定します。自車両の動きをプログラムして仮想シーンを走らせることで、ADASのアルゴリズム開発やテストに活用できる合成センサーデータを生成することが出来ます。

3次元のシミュレーション環境は2次元のシミュレーション環境をベースに構築できます。3次元環境の場合、カメラやレーダーに加えてLidarのテストも可能となります。3次元環境は2次元環境に比べて相対的に複雑になるため、実行するためにはより計算コストが掛かります。

シミュレーション環境でADASアルゴリズムを開発したら、次の開発ステージはハードウェアインザループ(HIL)テストです。これには実際のハードウェアを利用したADASアルゴリズムのテストが含まれ、シミュレーション環境を実際のハードウェア - ブレーキシステム等実車両 - と接続してアルゴリズムのテストを実施します。HILテストは車両に搭載されたADASコンポーネントが実世界でどのように振舞うかについて感触を得るのに役立ちます。

ドライバーインザループのような他のADASテストもあります。このようなテストは全てのモジュールが統合された際に車両がどのように機能するかを理解するための車載テストへと繋がっていきます。ドライバーインザループは最もコストを要するタイプのADASテストではありますが、振る舞いは実車両に最も近く、量産へ移行する前に要求されるテストの一つです。

関連製品: Automated Driving Toolbox, Computer Vision Toolbox, Lidar Toolbox, Radar Toolbox, RoadRunner, RoadRunner Asset Library, RoadRunner Scene Builder