［ⅱ］安全・安心を提供する自動運転技術・電動化自動運転／先進運転支援システムの進化を支えるセンシング技術

3.1　ステレオカメラを用いた三次元センシング

1. ステレオカメラの概要
   日立は，二つのカメラで三次元情報と画像情報を同時に取得するステレオカメラを2008年より運転支援向け外界検知センサーとして実用化している。ステレオカメラは人間の目と同じように，左右二つのカメラの見え方のずれ（視差）から対象物までの距離を算出することができる（図2参照）。画像の一点一点で視差（距離）を算出することで三次元情報となる視差画像（距離画像）を生成し，この三次元情報の中からある大きさの塊を立体物として検出するステレオカメラは，立体物を検出した後に，検出した物体が何であるかを画像処理で識別する特徴を持つ。現在，交差点右左折時の飛び出し歩行者が検知可能な広範囲な検出範囲と，先行車追従機能に必要な遠方車両検出をオールインワンで実現する次世代ステレオカメラを開発中である^1）。
2. ステレオカメラのメリット
   日立のステレオカメラの特長は，立体視とAIベースの物体識別処理の併用により，低処理負荷で環境変化に強いセンシングを実現している点である。立体視については，二つのカメラで測距することによって対象を三次元的に捉えており，未知の形状や未知の模様の物体でも検出でき，物体全体が見えていなくても検出と測距ができる。この立体視の特長を活用すると，例えば図2の（1）のように，道路上に寝ている人などあらかじめ形状が想定できない障害物であっても，単眼カメラで必要とされている事前学習といった過程を経ずに検出可能である。また別の例としては図2の（2）のように，自車の前方に割り込んで来る車両の全体が見えない状況でも，車両の形状と距離を把握することが可能である。これらの日立のステレオカメラの特長により，複雑な走行環境下でも安定したセンシング機能を実現できる。

図2｜ステレオカメラの計測原理 左右の二つのカメラの見え方のずれ（視差）から視差画像を生成し，視差画像から任意形状の立体物（1），（2）を検知する。

3.2　マルチセンサーフュージョン

運転判断に必要な自車周辺の状況を正確に認識するため，日立はカメラやレーダーなどの複数センサーによる検知結果を統合するマルチセンサーフュージョン機能を開発している（図3参照）。

マルチセンサーフュージョン機能により複数センサーで補い合って周辺状況を認識することで，逆光などの一部のセンサーが苦手とするシーンやセンサー故障などの困難な状況でも高信頼な運転判断が可能となる。この機能は，各センサーの検知情報の違いを吸収して共通化するセンサーアダプタ，車両や歩行者などの立体物を対象とする物標フュージョン，白線や路端などの道路を対象とする車線フュージョン，そして，センサー検知による認識結果と地図情報を合成する地図フュージョンで構成される。特長は，センサーの検知誤差モデルを用いて，各センサーが得意とする検知結果を採用・合成してセンサー単体検知より精度を高める「検知最適合成」と，センサーで検知した白線や路端の位置関係から推定した車線およびそれらの接続関係として道路構造を抽出し，センサー情報から地図相当の情報を再構築する「センシング地図」である。検知最適合成により，センサーを追加することでより高信頼にかつ正確に立体物の位置や速度を得られるようになり，また，センシング地図により地図情報に含まれない道路工事などの突発状況にも対応でき，自動運転や運転支援を継続して安全な運転に寄与する。

図3｜マルチセンサーフュージョン機能 各センサーの立体物や白線などの検知結果を用いて，立体物を物標フュージョンで，白線などの車線情報を車線フュージョンで統合し，これら統合結果と地図情報を地図フュージョンにて融合して，高信頼に精度よく自車周辺状況を出力する。物標フュージョンでは，検知最適合成技術により，各センサーの得意な部分を生かして誤差を縮小し，検知精度を高める。車線フュージョンでは，センシング地図技術により車線の接続関係や境界といった道路構造を抽出し，地図に反映されない工事などの突発状況に対応する。

3.3　AI機能の車載実装

1. AIによるセンシング技術の高度化
   カメラやLiDARで撮影したセンシングデータから物体や走行領域を検出する際，従来は検出対象の特徴をルールとして定義していた。しかし，すべての状況のルール定義は困難であり，複雑な走行環境に対応するにはAI技術の活用が期待されている。AIでは教師データを学習することで，開発者によるルール定義を不要とし，より多様な物体や複雑な走行環境であっても検出可能となるため，センシング機能の高度化に向けた要素技術として注目されている。一方でAIは，演算量が多く車載機器に使用されるデバイス上でのリアルタイム処理は一般的に困難とされる。そこで日立では，車載デバイスに搭載可能な程度にAIの演算量を削減する技術に取り組んでいる。
2. AI縮約実装技術
   AIの演算では，入力されるデータに対して，複数の層を介してデータの特徴量を抽出し，最後に物体や走行領域などの検出結果が出力される構成となっている（図4参照）。各層は複数のノードで構成されており，一つひとつのノードが入力データ中の特定の特徴に反応し，特徴量を計算する演算単位となる。
   AIの演算量を削減するには上記のノード数を減らす必要があるが，単にノードを削除するだけでは認識性能が大きく低下してしまう。そのため，各ノードが認識精度へ与える影響度（感度）をあらかじめ解析し，これを層単位で集約して，層単位での影響度（感度）を算出する。これにより認識精度への影響度が低い層では多くのノードを削減し，認識精度への影響度が高い層ではノードをあまり削減しないように調整することで，認識精度を低下させずに演算量の削減が可能となる。日立が開発した感度解析技術，縮約率決定技術^2）を用いた一例として，縮約前と比較し，1.6％の精度劣化でAIの演算量を88％削減することが可能となると確認した。

図4｜AI縮約実装技術の概要 縮約前に各ノードの認識精度への影響度を解析し，層単位で集約する。影響度が低い層はノードの削除割合を大きく，影響度が高い層はノード削除割合を小さく設定して縮約を行う。