生成AIによる現実データの拡張するDriveMatrix

昨今の画像認識アルゴリズムは、CNNなどの教師あり学習を用いた深層学習のアルゴリズムが一般的です。レベル3以降で必要となる雨や雪、夜間などの気象条件に対するロバスト性を確保するには、教師データにも多様な気象条件を含んだデータが含まれていることが望ましいです。
一方で学習に必要となる教師データは、対象地域で実施するフリート走行の結果などから取得することが多いのではないでしょうか。しかしながら、フリート走行でデータを得る場合は、深夜帯は割増料金になる、LiDARで3次元点群を得るため晴天日が好まれるなど、実際にユーザーが走行する気象環境とは異なることが考えられます。
以下のグラフは、Cognata社の顧客が実際にAI学習向けに取得した現実データ画像の分布です。トレーニングデータの晴天日（CLEAR AND SUNNY）の割合が65％と大きく偏っていることが示されています。特に、夜間については日常走行する割合と比較しても低いと感じられる方も少なくないと思います。

スタイルトランスファーの技術によって、現実データの元の構造を維持したままスタイル変換します。カバレッジを増加させながらドメインギャップを最小化し、元の現実データのアノテーションがそのまま利用できるため、開発効率を最大化させることができます。

先進のシミュレーション技術を活用し、正確に3Dオブジェクトを認識・判別します。判別されたデータは深度カメラによる位置と速度を解析します。車両含む構造物は構造セグメンテーションを行い、タイヤ、ライト等を認識します。これらの情報を基にスタイルトランスファーすることで、元データの構造を維持したままハルシネーションの無い変換が可能となります。

DriveMatrix POC

Cognataをご導入いただく前のPOCを承ります。30～60秒のビデオ（2本）をご提供いただければ、以下の4種のデータからご指定の3種のデータに変換して納品いたします。

• 変換してお渡しするデータ
  1. 日中 > 西日
  2. 日中 > 雨天 (ワイパーブレードあり/なし)
  3. 日中 > 霧
  4. 日中(明瞭な白線） >日中(白線の除去）
• 変換納期：21日間
• コスト：ご相談ください。