V2X向けAI認識、通信量を最大87%削減

自動運転やコネクテッドカー(V2X)システムの実用化に向けた重大な技術的障壁の一つが、車両とクラウド間の通信コストである。高解像度カメラ映像をリアルタイムでクラウドに送信しAIに処理させる方式は、膨大な帯域幅と処理遅延を生じさせ、商業展開の妨げとなってきた。

Haohua Queらの研究チームが発表した「CABLE(Cloud-Assisted Bandwidth-efficient LMM-based Encoding)」は、この問題に対し独自のフレームワークで応答する。システムの核心は、クラウド側の大規模マルチモーダルモデル(LMM)が前フレームで生成したセグメンテーションマスクを、車両のエッジ側に転送して再活用する点にある。車両は自己運動補償と残差動き推定によりマスクを更新し、注目領域(ROI)のみを抽出してクラウドへ送信する。クラウドはROI画像のみを受け取り、次フレームのマスクをフィードバックするループを形成する。

5つのデータセット(nuScenes、WOD-ZB、Waymo、KITTI、CADC)を用いた検証では、ROIのピクセル数を73〜87%削減しながら、LMM側の推論準備時間(プリフィルレイテンシ)を5〜8倍高速化することに成功した。物体検知精度の低下は限定的であり、フルフレーム推論との実用上の差は小さいとされる。

ビジネスへの影響は多岐にわたる。自動車メーカーおよびティア1サプライヤーの自動運転開発部門にとって、クラウドAI処理コストは設計段階から運用段階にわたる主要な変動費である。本技術により、通信キャリアへの帯域使用料と、GPUクラウド処理費用の双方を大幅に抑制できる。特にクラウド推論コストはトークン処理量に比例するため、入力画像サイズの削減は直接的なAPI利用料の低減につながる。

物流・運輸業界においても活用余地は大きい。トラック隊列走行や自律移動ロボット(AMR)を導入する物流企業では、車両台数の増加に伴いクラウド通信コストがスケールの障壁となるケースが多い。CABLEのようなROIベースの選択的送信技術を採用することで、車両台数あたりの通信コストKPIを改善し、大規模フリート展開の事業採算性を高める効果が期待される。

インフラ投資の観点からは、スマートシティ・インフラを整備する自治体や通信事業者も注目すべき技術である。路側ユニット(RSU)から収集した映像データをクラウドで一元処理する構成において、同等のROI選択技術を応用することで、4G/5G網の実効帯域を節約しながら交通管理AIの精度を維持できる。交通管理センターの運用部門にとって、通信コストと解析精度のトレードオフを最適化する手段となりうる。

今後の課題としては、夜間・悪天候など視認性の低い環境下での動き推定精度の維持や、複数カメラを持つ車両への拡張が挙げられる。商用化に向けては、既存の車載処理ユニット(ECU)でエッジ側処理を実装可能かどうかの検証も必要となる。研究チームは複数の公開データセットで有効性を示しており、自動車OEMや自動運転スタートアップによる実証実験への展開が今後の焦点となろう。