タグ: 人工知能

トヨタ自動車がシリコンバレーに置いた研究開発部門Toyota Research Institute(TRI)がミシガン大学に、当初は向こう4年間で計2200万ドルの研究助成金を提供する。これより前の今年の4月には、TRIの三つめの研究施設が同大学内にオープンしている。

資金の用途は人工知能の研究とされ、すでに同様の投資がTRIのパロアルト本部に近いスタンフォード大学と、ケンブリッジのマサチューセッツ工科大学（MIT）に対しても行われており、それぞれ研究に関する合意が形成されている。

ミシガン大学に関しては、すでに同大の近くにToyota Technical Centerが二つもあり、彼らは同大の学部と共同で、自動車のインターネット利用や先進的な安全対策について研究を進めている。トヨタは同大のMobility Transformation Centerの創立メンバーでもあり、ここでは複数の学部の協力により、自動運転車の共有ネットワークをベースとする未来の交通システムの構築について研究している。

今回の投資によりトヨタが、ロボット工学、機械学習、および人工知能の分野における研究開発を、これらの分野でもっとも進んでいる大学との、密接な関係のもとに進めようとしていることが、あらためて明らかになった。ミシガン大学はAIの研究ではアメリカのトップクラスの大学院のひとつであり、また自動車工学に関しては北米地区のもっとも重要な研究センターだ。

ただし、お金は全額が自動車の研究へ直行するわけではない。同大によると資金は、“パートナーロボット”や“屋内移動”、“学生の学習支援とダイバーシティ”、などにも向けられる。

自動車メーカーが大学と協働してイノベーションを加速しようとする動きは、最近数多く見られる。ミシガン大学のご近所さんであるFordも、その一つだ。研究開発のペースは、GoogleやAppleなど新顔の参入にも刺激されて、このところ急ピッチだ。これからの数年間は、このような新しい研究パートナーシップや、既存の協働関係の拡張が、さらに多く見られるだろう。

[原文へ]
（翻訳：iwatani(a.k.a. hiwa））

George Hotz（Geohotz）が創立したスタートアップ、comma.aiは既存の自動車に既存のパーツを組み合わせることによって比較的低価格で自動運転車を製作できることを実証した。そのcomma.aiが7時間25分にわたる高速道路での自動運転で収集した全データをオープンソースで公開した。

地味なニュースに思えるかもしれないがそうではない。すくなくとも現在までに公開された高速道路の自動運転のデータと比べれば画期的だ。

comma.aiは最初の走行デモを成功させたときにBloombergで大きな記事になった。公開されたのは記事で紹介された自動走行システムを作るために機械学習システムを訓練したデータそのものだという。

Hotzはインタビューに答えて「このプロジェクトを始めたときは自動運転車は考えていなかった。単に機械学習をいろいろ試そうとしただけだった。ところがあたりを見回しても機械学習の実験に適した手頃なデータがなかった」と説明している。

HotzはKITTIのデータセットや最近発表されたさらに詳細なOxford RobotCarデータセットなどいくつかのデータを調べた。しかしこうしたデータ・セットは都市部の交通の実験で、Hotzが必要としていたのは高速道路での自動運転のデータだった。

「現在BloombergやNvidiaの実験を再現するのに適したデータは公開されていない。そこでそういうデータが世界に公開されてもいい時期だと考えた」とHotzは説明する。

もちろんcomma.aiのデータが利用できるからといって、誰でも1998年モデルのFord Tempoを自動運転車に変えることができるわけではない。しかしこのデータは有力なスタート地点を提供する。comma.aiが公開したのは現在取り組んでいる自動運転車のデータではなく、約半年前に行ったテストに関する全データだ。comma.aiのテクノロジーがその後さらに進歩しているのは間違いない。

Hotzは私の取材に対して「公開主のビジネスを危険にさらさずにオープンソース化はできるはずだと信じている。オープンソースでさらに情報を公開するためにも会社が生き延びることが重要だ。こうしたデータが得られるまでには数多くの失敗がある。誰もそういう失敗を繰り返す必要はない」とcomma.aiのデータ公開に関するアプローチを説明した。

Hotzによれば、comma.aiがデータをオープンソース化するのは、ホビイストのコミュニティーがさらに多くの貢献をできるようにするためだという。しかし機械学習システムの訓練に必要な基礎的な運転データの収集に膨大なは時間と資源を必要とする。Hotzはオープンソース・データの例としてDeepDriveを挙げた。これはGrand Theft Auto Vのプラットフォームを用いてリアルな自動運転シミュレーションを行うためのニューラルネットワーク・システムだ。

ホビイストを助けるというのは、才能ある人材を獲得するためのパイプラインを築くことでもある。comma.aiはオープンソース化したデータを用いて誰がどのようにさらなるオープンソース化をしているかモニターできる。comma.aiはもっとも輝かしい人材が誰なのかいち早く知ることができる。

Hotzによればcomma.aiのビジョンはシンプルだ。「われわれは今何をしているのかできるかぎり正確な情報を公開する。それでもスタートアップは〔大組織よりも〕速く、スマートかつ安価に機能できるということを確信している」のだという。

〔日本版〕ジョージ・ホッツは17歳で個人として初めてiPhoneのジェイルブレイクに成功するなど著名なハッカー。オープンソース化された自動運転データは圧縮で40GB（解凍後80GB）のサイズで、Anaconda、TensorFlowなどを必要とするという。

[原文へ]

（翻訳：滑川海彦@Facebook Google+）

スマートフォンで撮影した写真を絵画調のアート作品へと加工するアプリ「Prisma」を愛用している人は多いだろう。しかしその逆のプロセス、つまりアート作品を写真へと変換させることも同様に面白い。そして、そんな逆発想のテクノロジーの実現はそう遠くないと、オランダの研究者たちは断言する。

オランダ、ラドバウド大学の4名の神経科学者は、ディープ・ニューラル・ネットワーク（深層神経回路網）を利用し、似顔絵を写真のようにリアルな顔の画像に転換するモデルに取り組んでいる。この研究（Convolutional Sketch Inversion）の結果は、最初にオンラインアーカイブ「arXiv」にて公表された。10月にアムステルダムで開催予定の「European Conference on Computer Vision」にも先日受理されている。

科学者達によると、このモデルは様々な形で応用が期待できるという。例えば、芸術分野で似顔絵を写真に近い形に変えたり、あるいは科学捜査で、目撃者の情報をもとに書いた犯人の似顔絵を、画像認識ソフトで検知可能なデータにするといったことなどだ。

「最近発表された、ニューラルスタイル変換（neural style transfer）という、写真をアート作品へと変換するアルゴリズムの研究に触発されました」と、29歳のYağmur Güçlütürkと30歳のUmut GüçlüはTechCrunchへのメールに書いた。認知神経科学の博士課程学生である二人は、Marcel van GervenとRob van Lierと共に今回の研究を行った。

GüçlütürkとGüçlüが参考にした論文には、ドイツの街テュービンゲンを、フィンセント・ヴァン・ゴッホの名作「星月夜」の絵画スタイルで再現するテクニックが記されていた。「これを読んだ時、逆の場合はどうなのかと考え始めました。つまり、このフィンセント・ヴァン・ゴッホの作品を写真にするとどうなるか、ということです」とGüçlütürkとGüçlüは書く。

GüçlütürkとGüçlüによると、人工神経回路網を利用した独自のソフトウェアは以下のように機能する：

「例えば、科学者である私が、人工神経回路網であるあなたに、スケッチ（インプット）を写真（アウトプット）に変換する方法を教えたいとしましょう。まず、スケッチと写真のペアを取り込んだ膨大なデータセットを構築します。そしてあなたにスケッチのみを渡し、写真に変換するよう依頼します。あなたは適当に1つ戦略を考え、写真を再現します。初めのうちは、作成した写真とデータセットの写真はかけ離れています。私は、あなたが描いた写真とデータセットの写真を比べ、間違いを指摘します。そのフィードバックをもとに、あなたは戦略を変え、改めて写真を作り直します。すると徐々に、写真のクオリティが高まっていくのです」。

LFWデータセットから合成した似顔絵の例。最初の列が本物、2番目が生成されたスケッチ、そして3番目の列がスケッチから合成した顔写真。（論文「Convolutuonal Sketch Inversion」より）

今回、スケッチと写真を一致させるモデルの習得プロセスにおいて、反復学習がとても重要な役割を果たした（これは神経回路網を訓練させるスタンダードな方法でもある）。

「この最後の2つのステップを何度も繰り返します」とGüçlütürkとGüçlüは書く。「最終的に、合成した写真はデータセットの写真と似てきます。上手くいけば、習得した新たなスキルを使って、すでに見たことのあるスケッチだけでなく、まだ見たことがないスケッチでも素早く高画質な写真へと変換することが可能になるのです」。

このアルゴリズムの訓練とテストを実施するため、研究者達はまずウェブ上で公開されているデータをもとに似顔絵をコンピューターで生成した。使用したのは、CelebAにある20万枚以上の芸能人の写真が保管されたデータセットと1万3000枚の顔写真が保管されているLFWデータセットだ。さらに、手描きのスケッチをCUFSデータセットから入手した。

2人の博士課程の学生がまず始めに試したのは、Güçlütürkが描いた彼ら自身の似顔絵を変換することだった。さらに、このアルゴリズムを使うことで、2人は有名なオランダ人アーティスト3人（レンブラント、ヴァン・ゴッホ、エッシャー）の自画像をもとに、写真のようにリアルな顔の画像を構築することを試みた。

左の列から有名オランダ人アーティストの自画像、スケッチから合成した顔写真、参考写真又は絵。レムブラント（上）、フィンセント・ヴァン・ゴッホ（真ん中）、M. C. エッシャー（下）（論文「Convolutional Sketch Inversion」より）

彼らは現在、この成果を市場に投入する方法を探している。芸術や科学捜査などの領域での収益化を目指している。

「今回の研究からスピンオフして設立した会社Neurantは、そういったアプリケーションの開発をすでに行っています。近いうちに市場に参入したい考えです」とGüçlütürkとGüçlüは締めくくった。

[原文へ]

（翻訳：Tomoya Mori）

Fordは現在マサチューセッツ工科大学（MIT）と共同で、マサチューセッツ州ケンブリッジにあるMITのキャンパスにて、学生がキャンパス上そして街中でクラス間の移動に使える、オンデマンドの電気シャトルバスを配置するという研究プロジェクトに取り組んでいる。3台準備予定のシャトルバスを学生がスマートフォン上のアプリで呼び寄せることで、ドライバーがすぐにピックアップに向かう。この研究プロジェクトは、歩行者の移動パターンを明らかにすることを目的としており、気象情報や授業のスケジュールといったデータとLiDARやその他のセンサーを利用しながら、オンデマンドサービスの最適化が行われる予定だ。

Fordにとって今回のMITとのコラボレーションは、ミシガン州にあるFordのディアボーンキャンパスで、現在従業員の移動に使われているシャトルバスの運営を行っているDynamic Shuttleプロジェクトの進展のためだけではなく、Ford Smart Mobilityの下で行われている、様々な種類の未来の移動手段を模索する動きにも役に立つと考えられている。具体的には、Fordはプロジェクトの現在のフェーズで、今公道を走っている車に取り付けられたLiDARよりも低画質の画像を利用したLiDARシステムで、歩行者を検知する機能を向上できないかという検証を行うつもりだ。

「現在利用されている自動運転車にはLiDARが使われており、将来的にも引き続きLiDARが使われる可能性が高いです」とFordの自動運転車分析部門のマネージャー兼テクニカルリーダーであり、今回のMITが参加するプロジェクトのリーダーでもあるBryan Goodmanはインタビューの中で説明した。「このプログラムでは、様々な方法を用いて既存のLiDARユニットよりも低画質の画像を使ったLiDARで歩行者を検知する実験を行いながら、十分な情報収集を行おうとしています」

低画質のLiDARシステムが上手く機能すれば、たくさんの可能性が開けてくる。例えば、ハイブリッド自動運転技術におけるカメラからの情報への依存度が低下することで、自動運転車の生産コストが下がる可能性が高く、結果的に自動車メーカーが大量生産を行えるようになるだけでなく、車の所有者やシェアリングサービスの利用者にとってのコストも下がることになる。この研究プロジェクトでは、車両にドライバーが常駐する他、街中よりも管理された環境の下で実験が行われるため、現実に即した実験場としての利点を利用しつつも、低画質のハードウェアを使用した実験を安全に行うことができる。

また、本プロジェクトでは、実際にシャトルサービスを利用する学生に対して良質なカーシェアリングサービスを提供できるよう、利用可能なリソースを最大限活用しようとしている。例えば、研究チームが移動に関するデータを収集後に分析し、その結果が乗り降り地点や移動ルートの最適化に利用される。

Goodmanは、データ分析を通して移動に関する需要予測が行われ、さらにアルゴリズムが、予測内容を処理することでカスタマーサービスを最大化するためのシャトルバスの位置を割り出すことができるようになっていると言う。そして、この情報がドライバーへと送り返されることで彼らの運転パターンが決まる。このプロセスが繰り返されることで、時間や天気などの条件に関係なく、可能な限り最高のサービスを提供することができるのだ。

Goodmanによれば、プロジェクトの今のフェーズが今年の終わりまで続く予定で、MITとFordは既にそれ以降のフェーズについても考え始めている。さらに彼は、次のステップのひとつとしては、ドライバーのいる電気シャトルバス（Ford用語でmobility-on-demandまたはMOD車と呼ばれている）を、完全な自動運転車に切り替えるということが挙げられ、現在のフェーズでの学びや収集されたデータが、そのゴールを達成するにあたって重要になってくるだろうと語る。

［原文へ］

（翻訳：Atsushi Yukutake/ Twitter）