ナレッジセンター
目次

交通向けAI映像解析サーバーの選定

交通向けAI映像解析サーバーの選定は、3点に集約される。交差点の筐体の熱と振動に耐えられるか、数十路の映像ストリームをフレーム落ちなく処理できるか、ネットワークが落ちてもローカルで事象判定を完結できるかである。スマート交通はここ数年で「見る」から「理解する」へ移り、検問所のカメラは200万画素から900万画素へ上がり、レーダー・ビジョン融合、ホログラフィック交差点、路車間連携といった新シナリオが演算需要を一桁押し上げた。

1. 中核概念と技術原理

交通向けAI映像解析サーバーは、本質的にはGPUまたは専用AIアクセラレータカードを搭載した産業用コンピュータで、RTSPの映像ストリームを入力として、ナンバープレート、車種、軌跡、事象種別といった構造化データを出力する。一般的なデータセンターサーバーと異なるのは、リアルタイム性と環境適応性である。1080pの1フレームについて、デコードと前処理から推論、後処理までの時間は通常1フレームあたり40〜80ミリ秒しかなく、それを超えると多路映像が待ち行列を起こし始める。

推論チップは現在3つの路線に分かれる。第一は汎用GPUで、NVIDIAのRubinアーキテクチャはHBM4メモリと3nmプロセスで学習と推論をつなぎ、センターでの大規模映像解析に適する。AMDのMI400シリーズはCDNA 5アーキテクチャに基づきFP8/FP4の低精度演算を明確に改善し、映像構造化のようなINT8/FP8のワークロードで競争力がある。第二は専用推論アクセラレータカードで、IntelはGaudiとXeのアーキテクチャをJaguar Shoresなどの製品に統合してAI推論とHPCを融合しており、柔軟なプログラミングを必要とする交通アルゴリズムチームに適する。第三はエッジSoCで、QualcommやMediaTekの新世代エッジチップは10 W以内でローカル大規模モデルを動かせ、単一交差点や小範囲の軽量な解析に適する。

映像のデコード段階は見落とされやすい。64路対応と表記されたサーバーが実際にその数に届くかは、デコードをハードウェアで行うかソフトウェアで行うかにかかっている。ハードウェアデコードはNVDECや専用のデコードユニットを使いCPU負荷を低く保つ。ソフトウェアデコードはCPUに依存するため、ストリーム数が増えると破綻する。選定時には、H.264とH.265のストリームが混在した場合にデコード可能な路数がどこまで落ちるかを明確に確認すべきである。

2. 主流製品とソリューションの比較

交通向けAI映像解析サーバーは現在、おおむね4つの形態がある。

第一はセンター側のGPUサーバーで、データセンター向けGPUを2〜8基搭載し、大規模な映像解析とモデル学習を行う。省級・市級の交通ブレインに適し、1台で数百路の映像ストリームを処理できる。利点は演算の余裕が大きくアルゴリズムの反復が速いこと、欠点は消費電力が大きく機械室が必要なため交差点の筐体には収まらないことである。

第二はエッジ側の推論サーバーで、ハーフハイトのアクセラレータカード1枚またはSoC設計を用い、消費電力を100 W〜300 Wに抑えて交差点の筐体に収める。区・県級や主要区間に適し、1台で8〜32路の映像ストリームを処理する。こうした設計は耐熱と防塵の要求が高く、ファンへの塵埃堆積がよくある故障箇所である。

第三はレーダー・ビジョン一体型ユニットに組み込むAIボードで、ミリ波レーダーと映像推論を同じ装置に載せ、融合した軌跡を直接出力する。利点は時空間の整合が良いことで、欠点はアルゴリズムが閉じているため、アルゴリズムを変えるにはユニットごと交換する必要があることである。

第四はエッジAIモジュール設計で、QualcommやMediaTekのエッジチップを用い、10 W未満で軽量な検出モデルを動かす。信号配時の最適化や歩行者検出といった単一タスクに適し、複数アルゴリズムの同時実行には向かない。

比較の際は3つの指標に注目する。1路あたりの消費電力、デコード可能な路数、推論フレームレートである。TOPSの数値だけを見てはならない。TOPSはピーク演算であり、実際の映像解析はメモリ帯域とデコード能力に制約される。ある電子工場が園区内の物流車両を管理する際、32 TOPSと表記されたエッジサーバーを選んだが、1080pの16チャンネルでフレーム落ちが発生した。デコードユニットのハードウェアデコードチャンネルが2つしかなかったためである。

3. スマート交通AIハードウェアの典型的な応用シナリオ

第一のシナリオはホログラフィック交差点の知覚である。標準的な十字路は4〜8路の映像チャンネルを持ち、レーダー・ビジョン融合を行う場合は車両検出、軌跡追跡、信号状態の認識を同時に動かす必要がある。路車間連携に取り組むインテグレータが交差点の筐体にエッジサーバーを配備する場合、選定の優先順位は最高のTOPSではなく、多チャンネルのハードウェアデコード対応と低電力の推論カードであるべきだ。

第二のシナリオは高速道路の事象検知である。トンネル、橋梁、ランプ区間では、停止車両、逆走、落下物の検出が必要になる。こうしたシナリオは遅延に極めて敏感で、理想的には事象発生から3秒以内に警報を上げたい。一般的な構成はセンター側GPUサーバーとエッジ前処理の組み合わせで、エッジが一次スクリーニングを担い、センターが検証を行う。

第三のシナリオはバス優先と信号配時である。バスにエッジAIモジュールを搭載し、車両位置と乗車密度を識別して路側機経由で信号制御機へ送る。こうしたシナリオは演算量は少ないが電力とコストに敏感で、GPUサーバーよりもエッジSoC方式が適する。

第四のシナリオは過積載の取締りと検問所である。過積載検出は計量データ、映像、レーダーを同時に扱う必要があり、I/Oインターフェースの数への要求が高い。選定時には演算力だけでなく、PCIeレーンの数とネットワークポートの数に注意する。

4. 選定基準と配備の推奨

演算力を決める前に路数を決める。実際の映像チャンネル、解像度、フレームレート、動かすアルゴリズムの数を洗い出し、ベンダーにはカタログ値ではなく実測データを求める。同じシナリオ仕様でのデコード可能路数と推論遅延の実測値を提出するよう求めるべきである。

次に環境適応性を見る。交差点の筐体の内部温度は夏に55℃を超えることがあるため、少なくとも-20〜70℃の動作範囲を持つ広温度製品を選ぶ。防塵についてはIP等級を見て、ファンを交換できる設計なら保守コストを大きく削減できる。

第三にアルゴリズムの互換性を見る。交通アルゴリズムの更新は速いため、サーバーは主流の推論フレームワークに対応し、ONNXやTensorRTといった形式を動かせる必要がある。アルゴリズムチームが独自のフレームワークを使っている場合は、事前に対応を確認する。

第四にネットワークとインターフェースを見る。交差点からセンターへの帯域は通常限られているため、サーバーはローカルでの映像キャッシュとレジューム可能なアップロードに対応する必要がある。ネットワークが落ちたときは事象判定と保存をローカルで完結し、復旧後に自動でアップロードする。

配備の推奨は次のとおりである。センターには学習と検証用のGPUサーバー、エッジにはリアルタイム解析用の低電力推論サーバー、デバイス側には単一タスク用のAIモジュールを置く。3層アーキテクチャは、すべてをセンターに置くより安定し、すべてをエッジに置くより経済的である。15以上の業界で120社超の顧客との配備経験から言えば、階層化したアーキテクチャの故障率は、単一層に演算を積み上げる場合より明確に低い。

5. 技術動向と今後の展望

チップ側では、NVIDIA Rubin、AMD MI400、Intel Jaguar Shoresがいずれも1カードあたりの演算力を高めているが、交通シナリオで最も不足しているのはエネルギー効率と映像コーデック能力である。次世代の交通AIサーバーはより多くのHBMメモリとハードウェアデコードユニットを備え、1台あたり数十路から数百路へ向かう。

エッジ側では、エッジAIチップの消費電力が10 Wを下回ることで、信号機、路側機、車載機がいずれもローカルでモデルを動かせるようになる。イベントカメラとニューロモルフィックセンサーが交通検出に入り始めており、全画像ではなく変化したピクセルのみを出力するため、低遅延・低電力で、落下物や歩行者の飛び出しといったシナリオに適する。

アルゴリズム側ではマルチモーダル融合が方向性である。映像、レーダー、LiDARをサーバー内で早期または後期に融合するため、メモリ帯域と同期精度への要求が高まる。選定時にPCIeスロットとメモリの拡張余地を残すことは、TOPSを数値で数個上乗せするよりも実用的である。

最後に一言。交通向けAI映像解析サーバーは買ってすぐ使えるものではなく、アルゴリズムの調整とシナリオ適応がプロジェクト期間の半分以上を占める。ベンダーのアルゴリズム支援能力と現場での立上げ経験を評価表に入れる方が、ハードウェア仕様だけを見るより確実である。

分野: AIハードウェア百科