ログデータ活用ハンドブックシリーズの第2弾は、ログ探索の中でも特に興味深い事象を浮上させ、レビューすることに重点を置いてご紹介しています。

ログデータは、自律システム開発において最も重要な構成要素の1つです。当社のログ管理ハンドブックでは、ログファイルの作成から保存までの流れを説明し、業界を超えた自動運転プログラムの共通プラクティスを示しています。

自律走行システムを安全に開発し、配備することは困難な作業です。Applied IntuitionのV&Vハンドブックは、システムを安全に開発し、テストし、実用化に向けて展開するためのアクティブなリソースを、自律走行プログラムに提供することを目的としています。

アプライドのツールはCARLAのような他のシミュレータと統合し、その機能を補完することで、AVチームはAV開発のスケールアップと検証を効率的かつ成功裏に行うことができます。

オフロード車は不整地を走ることが多いため、サスペンションモデルはオフロードシミュレーションに欠かせません。車両のサスペンションを考慮しないシミュレーションでは、現実世界を十分に反映していない結果になる可能性があります。

Applied Intuition のパーセプションチームは、合成データを利用して、実世界のデータセットに存在しないクラスに対するパーセプションアルゴリズムの物体検出性能を向上させるケーススタディを実施しました。

研究者や開発チームは、nuScenesデータセットから特定のシーンやイベント、異常をクエリして、キュレーションされたトレーニングデータセットを作成したり、オンロードでの問題を検証したりすることができます。

このブログ記事では、オープンループのログ再生と再シミュレーションによって、認識・ローカライゼーションシステムとモーションプランニング・制御システムの性能をそれぞれ評価し、自動運転解除に対して自動運転システム全体を包括的に検証・確認する方法について説明します。

抽象的、論理的、具体的なシナリオは、自動運転システムの安全性をテストし、検証し、認証する上で重要な役割を果たします。OpenSCENARIO V2.0では、抽象的なシナリオの作成やツール間の移行が容易になります。

ログ再シミュレーションツール Logstream は、AV および ADASのエンジニアリングチームが、運転介入イベントの分析やシステム性能の評価を行い、安全な自動運転システムをより早く市場に展開することを可能にします。

公道走行データを用いて要件を検証することは、これまで困難でした。 Applied Intuitionの「シナリオサーチ」は、既存のアプローチではエラーが発生しやすく、時間のかかる作業を自動化します。

Verification and validation (検証・妥当性確認) マネジメントプラットフォーム「Basis」とドライブデータ探査ツール「Strada」は、ロングテールのイベントに備え、安全な自動運転システム、及び ADAS (先進運転支援システム) を一般に展開することを可能にします。

大きなパラメータ空間で失敗シナリオを特定するには、計算効率の高いアプローチが必要です。既存の検証ワークフローを補完する、マシーンラーニングに基づいた手法をご紹介します。

自動運転型マルチロボットシステムの商用アプリケーションはますます増えています。このブログでは、システムアルゴリズムの安全性と進歩を確かなものにするためのユースケースとテスト、および検証での考慮事項について説明します。

Applied チームは、Vulkan レンダリングの機能を構築しています。レイトレーシングが自動運転システムのテストと検証のためのセンサーデータをどのように改善できるかを学びましょう。

このブログポストでは、5つの主要要件に対する認識シミュレーションアプローチのトレードオフを紹介します。シミュレーションのLIDARデータは、詳細なセンサー検証の結果、実データとほとんど差がありませんでした。

認識シミュレーションにはいくつかの方法があります。 実用でデプロイするためのトレーニングと検証に最適なアプローチは？

当社はシミュレーションのオープンスタンダードのサポーターであり、ASAM スタンダードと緊密に連携しています。現状のスタンダードにはいくつかの制約がありますが、当社のシミュレーションツールがスタンダードとどのように連携しているかを見てみましょう。

自動運転開発ライフサイクルにおいて、ますます複雑になる要件管理へのアプローチについて、従来の会社とML（機械学習）を利用している会社の違いを説明します。

自動運転ソフトウェアの開発では、走行テストやシミュレーションによる大量のデータが生成されます。そして、これらを有効活用することは大きな課題です。Appliedチームは、データを使用して既知の要件に対する進捗状況を追跡し、性能のギャップを明らかにする方法について説明します。

現実世界の走行データをアノテーションしてキュレーションすることは、自動運転アルゴリズムをトレーニングするための一般的なアプローチですが、コストが高く、エラーが発生して、またスケーラビリティが限られています。これらの課題を解決できる合成データの使用方法について紹介します。

自動運転システムのセンサーシミュレーションは複雑であり、リアルタイムで処理できる高忠実度のシミュレーションが必要です。認識システムを正確にテストするための様々なテクニックについて紹介します。

自動運転ロードマップの進捗状況を評価するために、「要件カバレッジ」や「シナリオカバレッジ」などの指標がありますが、それぞれ限界があります。このブログでは、実用的なアプローチ、「ドメインカバレッジ」を紹介します。

シミュレーションが安全な自動運転システムを構築するためのフレームワークにどのように適合するか、また、シミュレーション技術に関する最近の標準化の取り組みやユースケースをサポートするためのシミュレーションツールの要件について紹介します。