ADAS と自動運転: センシングの基礎

利益:

• 検出チェーンおよびSAE自動化レベルにおけるカメラ、レーダー、LiDAR、センサーフュージョンの役割を説明する能力
• データのラベル付け、シナリオ定義、オブジェクトの検出、分類、追跡のための評価メトリクスを作成する機能
• 検出モデルの出力におけるエッジケース、偽陽性/陰性のバランス、安全マージンを批判的に評価する機能

現在のほとんどの車両には、車線逸脱警報、自動緊急ブレーキ、アダプティブクルーズコントロールなどの機能が搭載されています。これらはすべてADAS（先進運転支援システム）の傘下にあります。これらのシステムとさらなる自動運転の中心となるのは知覚です。つまり、車両がセンサーで周囲の世界を「見て」、人工知能でそれを「理解」する方法です。この単元では、検出チェーン、センサー、自動化レベル、そして最も重要な問題であるセキュリティ境界について説明します。

最初からの警告: この領域はセキュリティ上重要です。検出モデルが歩行者を検出しない場合、致命的な結果が生じる可能性があります。そのため、ここでのすべての AI 出力はセキュリティ エンジニアリング プロセス (次の単元の ISO 26262 と SOTIF) に囲まれている必要があります。

センサー: 目、耳、レーダー

自動運転スタックは、それぞれに長所と短所があるため、さまざまなセンサーを組み合わせます。

• カメラ: カメラは、色、テキスト (交通標識)、車線の境界線、およびオブジェクトの種類を最もよく「認識」します。ただし、夜間、霧、強い日差し、距離推定では機能しません。
• レーダー (無線探知および測距): 電波で距離と速度を測定します。雨や霧の影響が少なく、速度を直接測定します (ドップラー効果を使用)。しかし解像度が低く、「これは歩行者なのか箱なのか」の区別がつきにくい。
• LiDAR (光検出および測距): レーザーを発射し、周囲の正確な 3 次元の「点群」を生成します。飛距離も形状もとても良く出ます。ただし、費用が高く、濃霧や雨の影響を受ける可能性があります。
• 超音波: パーキングセンサーなどの短距離。

どちらも単独では十分ではないため、センサー フュージョンが実行されます。異なるセンサーのデータを組み合わせることで、それぞれの弱点がもう一方の強みによって補われます。たとえば、カメラには「歩行者」と表示され、レーダーには「高度 12 メートル、時速 5 km に近づいています」と表示されます。 Fusion は 2 つを組み合わせて信頼性の高いトラックを作成します。

ヒント: 検出の主張を評価するときは、「どのセンサーがそれをどの程度認識できるか?」聞く。夜間のカメラの距離推定値が低い場合、1 台のカメラに基づいた距離の決定には疑問が生じます。

検出チェーン

生のセンサー データから意思決定までの一般的なチェーンは次のとおりです。

1. 検出: 画像/点群内のオブジェクトを検索します (「ここにツールがあります」)。
2. 分類: オブジェクトの種類 (歩行者、自転車、車両、標識) を決定します。
3. 追跡: フレーム間でオブジェクトを追跡し、その速度と方向を推定します。
4. フュージョン: センサーを組み合わせて一貫した世界モデルを作成します。
5. 予測: 「この歩行者は道路を横断しますか?」
6. 計画と制御: 意思決定とステアリング/ブレーキ/アクセルのコマンド。

人工知能（特にディープラーニング） 1-3．ステップでは非常に強いです。 5-6.ステップはますますエンジニアリング ルールとセキュリティ ロジックに囲まれるようになります。

SAE自動化レベル

自律性は「はい/いいえ」で決まるものではなく、徐々に進んでいきます。 SAE J3016 規格では、次の 6 つのレベルが定義されています。

レベル

名前

誰が運転していますか?

例

0

自動化なし

全員がドライブする

警告のみ（死角警告）

1

ドライバーサポート

ドライバー+シングルサポート

アダプティブクルーズまたは車線維持

2

部分的な自動化

ドライバー（常時監視）

速度と車線の組み合わせ、ドライバーの責任

3

条件付き自動化

システム（一定条件下）

特定の条件下ではシステムが駆動し、ドライバーが引き継ぐ準備ができています

4

高度な自動化

システム（特定エリア）

定められたエリアでは無人運転

5

完全自動化

システム (あらゆる条件下)

どこでも無人運転 (まだ)

注意: 最も危険な誤解はレベル 2 です。レベル 2 では、車両はステアリングと速度をサポートしますが、ドライバーは継続的な監視と責任を負います。このシステムを「自動操縦」と誤解し、注意を怠ったために死亡事故が発生したこともあります。レベル2は「ドライバーレス」を意味するものではありません。

評価指標: 偽陽性と偽陰性

検出モデルを評価する場合、次の 2 種類のエラーが重要です。

• 誤検知: 存在しないものがあると考えること。たとえば、橋の影を「障害物」と考えて不必要にブレーキをかけるなど。迷惑であり、場合によっては危険です（追突事故）。
• 偽陰性（偽陰性/見逃し）：存在するものが見えなくなること。たとえば、実際の歩行者が見えないなどです。これは自動運転における最も致命的な間違いです。

これらを要約したメトリクスは次のとおりです。

• 精度: マークした内容が実際にどの程度正しいか。
• 想起（感度）：実際に存在するものをどれだけ捉えているか。
• mAP (平均平均精度): 物体検出のための一般的な複合メトリック。

リコール（歩行者を見逃さないこと）は、自動運転における歩行者検出などにおいて重要です。これを増やすと、誤検知が増加する場合があります。このトレードオフは、純粋なモデルの精度ではなく、セキュリティ エンジニアリングの決定です。

エッジケースとロングテール

自動運転の最も難しい部分は、一般的な状況ではなく、まれで奇妙な状況です。雪の下で半分見えている標識、逆さまのトラック、仮装した歩行者、道路に落ちた家具などです。このようなまれではあるが危険な状況はロングテールと呼ばれます。モデルは何百万マイルもの「通常の」マイルでは完璧かもしれませんが、これまでに見たことのない極端な状況では故障する可能性があります。だからこそ、シナリオベースのテスト、シミュレーション、現実世界での検証に終わりはありません。

ミニケーススタディ

ケース 1 - 融合の価値。 ADAS チームは、自動緊急ブレーキをテストしているときに、明るい太陽の中でカメラだけで前方の暗い色の車両を発見するのが遅いことに気づきました。レーダー データが追加されると (レーダーはグレアの影響を受けません)、システムは 0.4 秒早く車両を検出します。これは、90 km/h での制動距離が約 10 メートルであることを意味します。結果: Fusion は単一センサーの死角を埋めました。

ケース 2 - リコールと精度のバランス。歩行者検知モデルの閾値を下げると再現率は96%から99%に増加しますが、誤検知（影、藪）が増加し、不必要なブレーキにつながります。セキュリティ チームは、歩行者を避けることが最優先ですが、フュージョンおよび追跡ロジックで誤検知を排除することで快適性を維持するという決定を下します。結論: メトリクスの選択はエンジニアリング/セキュリティ上の決定であり、単一の「正しい数値」はありません。

ケース 3 - エッジケースのサプライズ。モデルは検証セットで 99.8% 成功しましたが、現場でスタッドレスタイヤの広告を積んだトラックの後ろにある巨大な歩行者の写真を「本物の歩行者」と間違え、急ブレーキをかけました。チームはこのエッジ ケースをシナリオ ライブラリに追加し、モデルを再トレーニングします。結論: ロングテールは決して「終わる」ことはありません。継続的なシナリオ収集が必要です。

プロンプトテンプレート

テンプレート 1 - シナリオ リストの生成:

役割: あなたは ADAS テスト ケース エンジニアです。タスク: 自動緊急ブレーキのための困難な (エッジケース) テスト シナリオを作成します。状況: 都市部、時速 30 ～ 50 km、歩行者と自転車が混在。制約: 頻繁に発生するシナリオではなく、まれな/危険なシナリオを優先します。各シナリオで予想される正しい動作を記述します。出力: シナリオ |状態 |予想される動作 |リスクレベル。

テンプレート 2 - ラベル付けガイドの概要:

役割: データ ラベリング品質リーダー。タスク: 歩行者ラベリングの一貫性ルールの草案を作成します。コンテキスト: 部分的に見える歩行者、座っている歩行者、車椅子に乗っている歩行者、およびグループで歩行者がいます。出力: ルール |例 |限界状態グレード表。

テンプレート 3 - メトリクスの解釈:

役割: コンピュータ ビジョン評価の専門家。タスク: 歩行者の検出結果を解釈します。状況: 精度 0.93、再現率 0.90、ほとんどのミスは夜間または雨の中で行われます。制約: セキュリティのためのリコールの重要性を強調します。追加の検証が必要な条件を教えてください。出力: コメントと改善の優先領域。

テンプレート 4 - フュージョン ロジックの概要:

役割: あなたはセンサー フュージョン エンジニアです。タスク: カメラとレーダーが競合する場合の決定ロジックの草案を提案します。状況: レーダーは 15 メートル離れた小さな移動物体を捉えていますが、カメラは「歩行者禁止」と表示しています。制約: 安全性 (安全側) を優先して仮定原則を適用します。出力: デシジョンテーブル + 正当化。

弱いプロンプト / 強いプロンプト

弱いプロンプト:

私の自動運転車モデルは安全ですか?

文脈なし。 「安全」は未定義です。 AI は一般的な言葉でしか話さないため、誤解を招く自信を与える可能性があります。

強力なプロンプト:

役割: あなたは ADAS セキュリティ評価コンサルタントです。タスク: 歩行者検出モデルの脆弱性を質問するためのチェックリストを作成します。コンテキスト: 都市レベル 2 システム。思い出は夜と雨の中に降る。カメラ+レーダーのみでLiDARはありません。制約: 「安全」と宣言しないでください。どのような条件下でシステムが限界に達するのか、またどのような追加テストが必要なのかを指定します。出力: リスク領域 |なぜ |推奨テスト |重要度テーブル。

よくある間違い

• レベル2を「無人運転」と間違える。責任はドライバーにあります。この誤解は致命的です。
• 単一のセンサーに依存します。どのセンサーにも死角があります。融合が不可欠です。
• 平均的な精度を見てみます。 99% 成功、1% の歩行者が見逃されると致命傷になる可能性があります。リコールとエッジケースは重要です。
• 極端なケースは無視します。ロングテールは決して終わることがありません。シナリオ収集は継続です。
• セキュリティの決定はモデルに任せます。しきい値とバランスの決定は、セキュリティ エンジニアリングの責任です。

要約すると

• ADAS と自動運転センシングの中心となるのは、カメラ、レーダー、LiDAR、センサー フュージョンです。各センサーには異なる長所/短所があります。
• 検出チェーンは、検出、分類、監視、融合、予測、制御で構成されます。 AIは最初の一歩に強い。
• SAE レベルの範囲は 0 ～ 5 です。レベル 2 では、責任はドライバーにあります。
• 偽陰性（歩行者誘拐）は最も致命的なエラーです。リコールとエッジケースが優先されます。
• セキュリティに関する決定はエンジニアリング上の責任です。モデルの精度だけが基準ではありません。

アプリケーションタスク

ADAS 機能 (車線維持アシストなど) を選択します。 (1) どのセンサーがこの機能をどの程度サポートしているかを表に書きます。 (2) テンプレート 1 を使用して 5 つのエッジ ケース シナリオを生成し、それぞれに予想される安全な動作を指定します。 (3) この関数の偽陽性と偽陰性の結果を比較します。 (4) モデルが「安全」であると主張する前に、どのような独立したテストが必要かを列挙します。

チェックリスト

• [ ] センサーの長所・短所を機能別に評価してみました。
• [ ] エンドケース (ロングテール) シナリオもリストしました。
• [ ] 安全性を考慮して、偽陽性/陰性の結果を比較しました。
• [ ] Recall のセキュリティ上の重要性を考慮しました。
• [ ] SAEレベルと責任者を明確にしました。
• [ ] 「安全」と主張する前に、独立したテスト計画を作成しました。