14. 物体検知
14
Multi-View 3D Object Detection Network for Autonomous Driving
LIDAR(距離計測センサー)と画像を一緒に利用することで3Dの物体検知精度を向上
Xiaozhi Chen, Huimin Ma, Ji Wan, Bo Li, Tian Xia
Multi-View 3D Object Detection Network for Autonomous Driving
arXiv:1611.07759
自動運転技術社外の取り組み
3Dで物体検知
15. 物体検知
15
Multi-View 3D Object Detection Network for Autonomous Driving
LIDAR(距離計測センサー)と画像を一緒に利用することで3Dの物体検知精度を向上
Xiaozhi Chen, Huimin Ma, Ji Wan, Bo Li, Tian Xia
Multi-View 3D Object Detection Network for Autonomous Driving
arXiv:1611.07759
自動運転技術社外の取り組み
LIDAR 上空から
LIDAR 前方
Image 前方
16. 行動制御
16
End to End Learning for Self-Driving Cars
物体検知等のタスクを挟まずにEnd-to-Endでハンドル操作を学習
Mariusz Bojarski, Davide Del Testa, Daniel Dworakowski, Bernhard Firner,
Beat Flepp, Prasoon Goyal, Lawrence D. Jackel, Mathew Monfort, Urs Muller,
Jiakai Zhang, Xin Zhang, Jake Zhao, Karol Zieba
End to End Learning for Self-Driving Cars
arXiv:1604.07316
自動運転技術社外の取り組み
ハンドル操作を出力
フロントの画像を入力
17. 行動制御
17
End to End Learning for Self-Driving Cars
物体検知等のタスクを挟まずにEnd-to-Endでハンドル操作を学習
論文では学習モデルがどのように風景を捉えているかも解析
Mariusz Bojarski, Davide Del Testa, Daniel Dworakowski, Bernhard Firner,
Beat Flepp, Prasoon Goyal, Lawrence D. Jackel, Mathew Monfort, Urs Muller,
Jiakai Zhang, Xin Zhang, Jake Zhao, Karol Zieba
End to End Learning for Self-Driving Cars
arXiv:1604.07316
車両制御がBlackBoxでよいのかという問題もあり、モデルの説明性の研究もされるようになってきている
さらに業界としても複雑に絡み合うシステムの中で安全性にどう責任を持つのかなども議論がされている最中
自動運転技術社外の取り組み
モデルがどのように
風景を捉えているか解析
19. HD Map & Live Map
• HD (High Definition) Map
- 3Dで車線幅が記録されていたり情報量が多く、精度の高い地図
• Live Map
- 渋滞などリアルタイムに交通状況が反映される地図
19
地図データ基盤社外の取り組み
Shenlong Wang, Min Bai, Gellert Mattyus, Hang Chu, Wenjie Luo,
Bin Yang, Justin Liang, Joel Cheverie, Sanja Fidler, Raquel Urtasun
TorontoCity: Seeing the World with a Million Eyes
arXiv:1612.00423
地図データセットを整備する取り組みも出てきている
21. 需要予測
21
Engineering Extreme Event Forecasting at Uber with Recurrent Neural Networks
日々の需要変動を予測。祭日の異常も精度高く予測。
Nikolay Laptev, Slawek Smyl, Santhosh Shanmugam
Engineering Extreme Event Forecasting at Uber with Recurrent Neural Networks
Retrieved from https://eng.uber.com/neural-networks/
モデル 予測結果
祭日の大きな需要の変化も精度高く予測
アルゴリズム社外の取り組み
22. 需要予測
22
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction
Computer Visionの技術を使って群衆移動予測
Junbo Zhang, Yu Zheng, Dekang Qi
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction
arXiv:1610.00081
アルゴリズム社外の取り組み
グリッド単位に分割し画像のセルのように扱えるように
短期・中期・長期トレンドを
分けて入力として利用
天気や祝日などの情報を入力
23. ディスパッチ (配車ロジック)
23
A Taxi Order Dispatch Model based On Combinatorial Optimization
ドライバーが配車を承諾するモデルを構築
配車を最も成功させるような最適化問題を解き、配車を改善
Lingyu Zhang, Tao Hu, Yue Min, Guobin Wu Junying Zhang,
Pengcheng Feng, Pinghua Gong, Jieping Ye
A Taxi Order Dispatch Model based On Combinatorial Optimization
KDD 2017
アルゴリズム社外の取り組み
ドライバーの配車承諾確率モデル 配車成功割合の上昇
・配車依頼金額
・走行距離
・走行方向
etc.
次に群衆移動予測を行っている Deep Spatio Temporal Residual Networks for Citywide Crowd Flows Predictionという論文の紹介です。
エリアをグリッド単位に分割し、それを画像のセルのように見立てて、Computer Visionで使われるようなモデルを利用することで、将来の群衆の移動を予測することに成功しています。
また、こちらは短期、中期、長期トレンドを掴むために3つのネットワークと、さらに天気などの情報をあわせた4つのネットワークを最終的にうまく組み合わせることで精度改善を行っています。
次にディスパッチと呼ばれる配車リクエストがあった場合の配車ロジックに関する論文、A Taxi Order Dispatch Model based On Combinatorial Optimizationについての紹介です。
こちらは中国の配車アプリで有名な会社DiDiの出している論文です。
ドライバーが配車依頼を受けてくれる確率モデルを作り、最終的に全体で満たせる配車依頼を最大化するような最適化問題として定式化しています。
毎回近くの車両を割り当てていると車両のエリアバランスが崩れてしまいますが、このような手法を用いることでそういった問題を軽減することが可能になります。