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ソリューション

自動運転AI演算プラットフォームソリューションの中核は、知覚、融合、予測、計画制御に必要な演算を、車載グレードの電力と熱条件で維持できる筐体に収め、決定論的スケジューリングで各フレームが期限内に計算されることを保証することにある。現在の主流路線は高演算の集中型SoC、汎用GPUアクセラレーションプラットフォーム、エッジNPU異種筐体に分かれ、選定の要点はピークTOPSではなく、実効演算利用率、メモリ帯域、機能安全水準を同時に満たせるかである。

1. 自動運転AI演算プラットフォームが解決する課題

センサー入力からアクチュエータ指令出力までのリアルタイム演算の問題を解決する。L2+の車両はカメラ、ミリ波レーダー、LiDARのデータを毎秒数百MB生成し、演算プラットフォームはマルチセンサーの時刻同期、物体検出、追跡、軌道予測を100ミリ秒以内に完了し、結果を電制シャシーへ送らなければならない。難点は3つある。第1は決定性で、制動判断がキューの揺らぎで遅れてはならない。第2は帯域で、高解像度画像と点群は生の演算量以上にメモリ帯域を消費する。第3は車載制約で、マイナス40度から85度、振動、電磁両立性をすべて通過する必要があり、電力は通常数十から200ワットの範囲に抑える。

2. 主流ソリューションの分類と違い

ハードウェア形態では3つの路線に分かれる。第1はCPU、GPU、NPU、ISPを1チップに統合し、統一メモリアドレッシングでデータ移動のオーバーヘッドを減らす集中型大型SoCで、都市NOAのような並列マルチタスクを要するシナリオに適する。第2は汎用GPUアクセラレーションプラットフォームで、ソフトウェアエコシステムが成熟し演算子ライブラリが揃ってモデル反復が速いという利点があるが、電力と熱設計が難しい。主にL4の試験車両や後付けの演算ボックスに用いられる。第3はエッジNPU異種方式で、推論タスクを低消費電力NPUに割り当てCPUがスケジューリングを担い、装置全体の電力を十数ワットまで下げ、前方監視の一体型機やドライバー監視のような単一タスク装置に適する。

業界動向としては、NVIDIAがBlackwell Ultra(B300)とRubinアーキテクチャのロードマップを発表し、推論性能とHBM4メモリを重視して2026年のRubinプラットフォーム量産を計画している。AMDはCDNA 4アーキテクチャ、3nmプロセス、288GBのHBM3Eを用いたMI350シリーズを投入し、2026年の大規模AI推論向けにMI400とMI450を予告した。Intelは18AプロセスのXeonとAIアクセラレータの路線を進め、Gaudi 3はコスト効率の高い推論に注力しつつ、重点をCore UltraによるエッジAI PCへ移している。車載シナリオにとって、これらのデータセンターグレード製品の意味は、推論ソフトウェアスタックと量子化ツールチェーンが下流へ浸透してくることにあり、実際に車に載るのは依然としてAEC-Q100とISO 26262を満たす専用モデルである。

3. スマート交通のどのシナリオで実際に使われるか

港湾の水平輸送事業者が、ヤード内を低速で追従走行するコンテナトラックを運用し、経路は固定だが人が頻繁にヤードを横切るとする。演算プラットフォームはLiDARによる障害物検出と視覚による車線認識を同時に実行し、さらにV2Xでヤードクレーンのスケジューリングシステムと連携する必要がある。こうしたシナリオは演算要件は中程度だが、故障時の縮退への要求が高く、メインチップ故障後ミリ秒単位でバックアップ経路へ切り替える必要がある。

市バス会社が前方カメラとミリ波レーダーによる工場装着ADASを構築し、機能をAEBと車線維持に限定し、演算需要が数十TOPS程度であるとする。ここではNPU統合の一体型機のほうが高演算プラットフォームよりコスト効率が良く、電力とコストも制御しやすい。もう1つの分類は路側の知覚ユニットで、交差点の支柱に設置して多物体追跡を行い、高温多塵の環境で広温度域の産業設計とPoE給電を必要とする。こうした装置はすでにNPU統合の産業用カメラやエッジコントローラを用いており、産業用AIハードウェアの融合傾向と一致している。

4. 選定と導入で検討すべき厳しい指標

最初の問いは、演算性能を過大評価しない測り方である。ベンダーのTOPS値は通常INT8のピークであり、BEV知覚モデルを実際に動かすと実効演算はメモリ帯域と演算子の対応に左右されるため、紙の数値だけでなく対象モデルの実測フレームレートとエンドツーエンド遅延で評価する。

2つ目の問いは機能安全の実装方法である。AEBや車線維持のような安全関連機能では、プラットフォームはASIL-B以上の能力を必要とし、通常はデュアルコアのロックステップや異種冗長で実現し、ソフトウェアに監視と縮退のためのセーフティアイランドを置く。選定ではチップがセーフティマニュアルとFMEDAの文書を提供するかを確認する。

3つ目の問いはインターフェースと同期である。カメラはGMSL2やMIPI CSI-2、LiDARはイーサネットやCAN FDを用い、マルチセンサーの時刻同期精度はマイクロ秒級に達する必要があり、ハードウェアトリガーやPTPの対応が要る。自動車部品企業がパーキングドメインコントローラを開発するとして、4つの俯瞰カメラの同期誤差が1ミリ秒を超えると結合画像にずれが生じる。

4つ目の問いは熱と電力の予算である。空冷では100ワット級のプラットフォームでも十分な接合温度の余裕を残す必要があり、夏の渋滞で周波数低減を起こしてはならない。自動車メーカーは通常、周囲85度で定格を落とさず全負荷運転できることを求める。

5つ目の問いはソフトウェアスタックの移行コストである。モデルを学習フレームワークから車載推論エンジンへ移す際の量子化精度の劣化と演算子のカバー範囲が、配備サイクルを直接決め、通常は2~3か月のモデル適応期間を確保する必要がある。

5. このソリューションが適する場合と適さない場合

適するシナリオは、量産乗用車の工場装着ADASとパーキングドメイン制御、港湾や鉱山エリアでの低速無人輸送、路側の多物体知覚ユニット、バスや物流車隊の工場装着安全警告である。これらのシナリオに共通するのは、タスクの境界が明確で、機能安全水準を定義でき、量産の一致性が良いことである。

適さないシナリオは、モデル構造を頻繁に変え究極の演算上限を追うL4の研究試作車で、汎用GPUプラットフォームのほうが適する場合。強い反射、豪雨、濃霧下の純視覚ソリューションで、センサー融合の冗長性を別途評価する必要がある場合。単品少量生産で車載認証の必要がない研究プロジェクトで、民生用や産業用のエッジボックスのほうが低コストな場合である。さらに、演算プラットフォームは全体ソリューションの一部にすぎず、電制シャシーの応答遅延とアクチュエータの一致性も最終性能を決めるため、システム指標をすべて演算プラットフォームに帰することはできない。

分野: AIハードウェア百科