ナレッジセンター
目次

自動運転向けAI演算プラットフォーム計画

自動運転向けAI演算プラットフォーム計画の核心は、知覚、融合、計画、制御といった車載のタスクを適切な異種演算ユニットに割り当て、決定論的なスケジューリングで遅延と機能安全を保証することにある。主流の路線はGPU/NPUと安全MCUによる異種アーキテクチャで、演算性能は数十TOPSから1000TOPS超まで階層化される。選定の要はピーク演算ではなく、実効演算、メモリ帯域、消費電力と冷却の三者の適合である。

1. 自動運転向けAI演算プラットフォームが実際に解決する課題

車載で動くのは一つの大きなモデルではなく、タスクの連鎖である。多カメラの歪み補正、BEV知覚、ライダー点群と画像の融合、対象の追跡と予測、経路計画と制御。これらのタスクは演算の性質がまったく異なる。知覚は行列演算を消費し、計画と制御はシングルコア性能と決定論性を消費し、融合はメモリ帯域を消費する。

演算プラットフォームがなすべきは、これらのタスクを一つの異種システムに収めることである。GPUやNPUが高スループット推論を担い、安全MCUがフェイルオペレーショナルなフォールバック制御を担い、ISPが生画像を処理し、高帯域メモリがデータを途切れさせない。業界で一般的に用いられる機能安全規格はISO 26262で、高級な方案は通常ASIL-Dレベルのセーフティアイランド設計を要求する。つまり主演算が故障しても、独立した安全コアが最小リスク停止を完結できなければならない。

2. 主流の演算方式とその違い

チップの形態で見るとおおよそ三つに分かれ、それぞれ適用範囲の境界が異なる。

第一は汎用GPUアクセラレーションプラットフォームである。NVIDIAのロードマップはBlackwell Ultra(GB300)からRubinアーキテクチャへ進む流れを示し、推論性能とHBM4メモリの強化を重視する。AMD MI350シリーズとその後のMI400ロードマップは大規模モデル推論のコストパフォーマンスを狙う。これらの方式はソフトウェアエコシステムが成熟しツールチェーンも揃っており、大規模パラメータモデルを動かす必要がある都市部NOAのようなシナリオに適するが、消費電力と冷却の要求が高く、通常は液冷か大面積の放熱が必要になる。

第二は車載グレードの専用SoCである。Qualcomm、MediaTekなどの高演算低消費電力NPUプラットフォームは、CPU、NPU、ISP、セーフティアイランドを1チップに統合し、一般にエネルギー効率が高く基板面積が小さいことが特徴で、オンデバイスでの大規模モデル実行やコックピットと運転の統合に適する。欠点は演算の上限が比較的限られ、非常に大きなモデルには量子化と枝刈りが必要になることである。

第三はエッジ演算ボックスの形態である。産業用AIハードウェアとAIセンサ融合が加速しており、イベントカメラやスマートビジョンセンサとエッジ演算ボックスは製造業やロボティクスで大規模に導入されている。これを車両に応用すると、ゾーンコントローラとエッジ推論ユニットによる分散アーキテクチャに対応し、中央の重い演算を必要としないリアルタイム性の要求が極めて高い機能、たとえばAEBの前方融合や近距離の駐車知覚に適する。

Intel Gaudi 3とXeon 6シリーズはAI推論とエッジ配備の能力を強化しており、汎用演算供給というこの方向にも属するが、車載への採用には認証サイクルの追加評価が必要である。

3. これらの方式がスマート交通で担うシナリオ

港湾で水平輸送を担う自動運転企業を例に取る。コンテナトラックはヤード内を低速で固定経路で走るが、歩行者と車両の混在が激しい。こうしたシナリオは最上位の演算を要求しないが、高い決定論性とセンサ融合を要する。ライダー点群と画像はごく短時間で位置合わせしなければならず、イベントカメラは突然飛び出す歩行者の捕捉に有効である。中程度の演算の車載SoCとエッジ推論ユニットの組み合わせが適合し、消費電力も制御可能で空冷でも放熱が足りる。

次に複雑な都市交差点を走るロボタクシーの運営事業者を例に取る。非保護右左折、自転車の割り込み、工事現場での一時的な経路変更といったロングテールのシナリオは、大規模パラメータモデルによるオンライン推論を必要とし、汎用GPUプラットフォームの利点が生きる。ツールチェーンが成熟しモデルの改善が速く、HBMの帯域で複数の高解像度映像ストリームを支えられる。代償は車両全体の電力予算に余裕が必要で、熱管理を液冷前提で設計しなければならないことである。

もう一つ見落とされやすいのは車路協調の路側機である。交差点に配備するエッジ演算ボックスは、複数の映像ストリームを処理して事象を検出し、結果を低遅延で車載器へ送る必要がある。こうした機器は広温度域で動作し高い保護等級が求められるため、選定ではピーク演算よりも産業用の広温度指標が重要になる。

4. 選定と導入で見るべき要点

よくある第一の論点は実効演算の算定方法である。ベンダーが提示するTOPSは疎な演算や理想条件の数値であることが多く、実際に使える演算はメモリ帯域とチップ間のインターコネクトに依存する。簡単な検証方法は、複数のカメラ入力を与えた状態で、知覚と融合のネットワークを目標フレームレートで同時に完結できるかを見ることであり、単一ネットワークのベンチマークだけを見てはならない。

第二は機能安全の実現方法である。ASIL-Dは1つのチップだけでは達成できず、デュアルコアのロックステップ、メモリECC、独立したセーフティアイランド、ウォッチドッグを一式として備える必要がある。導入時には安全コアと主演算の間のフェイルオーバー時間の指標を定義すべきで、この数値が車速の下で最小リスク戦略が成立するかどうかを直接左右する。

第三はセンサインターフェースと時刻同期である。車載プラットフォームは通常、GMSLやFPD-Linkといった車載映像インターフェース、ライダー用のEthernetやCAN FDに対応する必要がある。マルチセンサ融合はハードウェアレベルの時刻同期を前提とするため、PTPやgPTPへの対応を選定段階で確認しなければ、融合後の精度が時刻の揺らぎに食われる。

第四は電力と熱の境界である。空冷方式には基板あたりの消費電力の上限があり、それを超えると液冷が必要になり、液冷は車両のパッケージングと密封等級に連鎖的な変更をもたらす。熱設計の入力にはピーク電力ではなく通常条件の電力を使い、余裕を残す。

第五はツールチェーンとモデル移行のコストである。汎用GPUのエコシステムは成熟しているが消費電力が大きく、車載SoCは高効率だがオペレータライブラリの網羅性が限られるため、量子化と移行の工数を事前に見積もる必要がある。ある自動車部品会社が構内物流の自動運転を、特定のフレームワークに深くカスタマイズしたアルゴリズムスタックで構築しているとする。プラットフォームを変えるとオペレータの適応をやり直すことになり、この隠れたコストは過小評価されやすい。

5. この方案が適する範囲と適さない範囲

適するシナリオ。都市部や高速道路のNOA、港湾や鉱山エリアでの低速自動運転、車路協調の路側知覚、構内物流のAGV/AMRである。これらのシナリオは演算の上限が明確か、ピーク性能よりも決定論性を重視するため、階層化した異種アーキテクチャが強みを発揮する。

慎重に評価すべきシナリオ。強い反射や雨霧の下での純粋な画像方式は、センサの信号対雑音自体が劣化し、演算をいくら積んでも補えないため、マルチセンサ冗長の追加評価が必要である。電力予算が極めて厳しい低価格車種では、汎用GPUプラットフォームは最初から選択肢から外れる。極端な温度環境の路側機器では、民生グレードチップの熱ドリフトが推論の一貫性に影響する。

そのまま流用してはならないシナリオ。データセンターの推論カードをそのまま車両に載せることである。車載認証、振動衝撃、電磁両立性を通過できず、電力と冷却も桁が違う。逆に、低演算の車載SoCに都市部の大規模モデル一式を無理に載せる場合は、量子化と枝刈り後の精度劣化を実測で検証すべきで、公称演算だけで発注してはならない。

ERP時代から数十年にわたり事業を展開し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーの産業経験が示すのは一つである。ハードウェア方案の成否はチップそのものではなく、演算、メモリ、インターフェース、冷却、安全の間の桶の板の長さで決まる。自動運転のAI演算プラットフォームを選ぶ際は、まずタスクの輪郭を明確にし、そのうえで演算の数値を論じるべきである。

分野: AIハードウェア百科