※本記事は弊社HQのCEO、Stefan Heckからのメッセージです。 新型コロナウィルスの流行等で先行きが不透明ななか、刻々と変化する状況に対応するため、各企業は様々なビジネスプロセスの適応を進めています。2020年はじめに世界中にて出された外出自粛命令・要請は世界各国でドライバーの安全な運転をサポートしてきたナウトにとっても他人事ではありません。そこで今回は、弊社のビジョンと最重要テーマ である「命を守ること、そしてすべての人々をご家族の待つご自宅まで毎晩安全に送り届けること」を振り返り、お伝えしたいと思います。 2020年現在、運転には騒音や渋滞、複雑性、さらに時として危険性が伴います。そしてそれはコロナ禍においても変わりはありません。 新型コロナウイルスの影響で一人当たりの道路移動距離は 米国を例に取ると、米国全土で50%以上減少しているものの、トラック輸送については、変動こそありますが移動距離に大きな変化はありません。トラック等の運輸業界を取り巻く環境の変化や必要物資の輸送という業務によって増すプレッシャーは、わき見運転等のながら運転増加の要因となっています。つまり、コロナ禍においても、ドライバーのながら運転等の危険運転は他の車両や被害者となりやすい歩行者などの脅威であることに変わりはないのです。 ナウトは、このながら運転等のリスクに焦点を当てることが、ひとりでも多くの命を守り、各企業の事故にまつわる経費節約につながることを理解しています。弊社のドラレコを介して収集した運行中のデータは、匿名化され、弊社の経験豊富なAIエンジニアとデータサイエンティスト からなるチームによって、より多くのドライバーを事故から未然に防ぐためのAIアルゴリズムへと活用されます。 弊社は高い目標を掲げ、すべてのお客様に命を守る技術を提供できるよう努力しています。既存の危険挙動アラートとエッジツークラウドAI機能をベースに、リスクアセスメントの対象を拡げ、他の車両や自転車、歩行者など、分散したデータポイントを相関付けています。弊社の目標はナウトのAIを進化させることで、モビリティの未来を予測することにあります。 現時点でのドライバーの行動を基に、例えば5秒後に事故が起こる可能性が高いと予測が出来れば、そのリスクの高い運転挙動を認知し、事故を未然に防ぐことができます。そして数時間後に事故が起こる可能性が高い交通事象が予測できるのであれば、その情報を有意義に活用することで、職場へ向かうドライバー、駐車スペースを探す買い物客、路上をキックボードで駆け回る子どもたち、歩道を歩く家族連れなど、すべての人々の安全や利便性、生活の質の向上につなげることができます。ナウトが追求するものは今もこれからも変わることなく、AIによって道路を利用する人々の命を守ることです。すべてのドライバー、道路を利用するすべての人々が等しく安全運行管理プラットフォーム を活用していただけるよう支援すると同時に、安全で容易かつ、より速く効率的な、そして公正で利便性の高い移動を実現することが弊社の努めであると考えています。 道のりは決して楽ではありませんが、第一人者としてナウトは、弊社の製品が車両の安全性に新時代をもたらすことを待ち遠しく思っています。 詳しい情報についてはこちらからお問い合わせください。 ‍

全米安全評議会(NSC)の推計によると、コロナ禍による外出自粛の影響があったにもかかわらず、 2020年上半期、米国での自動車事故による死亡率は20％上昇しており、半年ベースの実績としては1999年以来、最大の上げ幅となっています。 この指標には車社会の実情が投影されているため、多くの車両運行管理者や安全運転指導者にとって自社ドライバーや路上の第三者の安全確保が、ますます重要かつコストのかかる課題となっていることが読み取れます。 全米安全評議会(NSC)による2020年度の死亡事故率の推定値：上半期は20％増加 これまで、車両保有者である法人のニーズを満たす市販ソリューションは多くありませんでした。しかし、人工知能(AI)を搭載した新技術を活用することで、ドライバーのプライバシーを守りつつ、運転状況をリアルタイムで把握し、指導できるようになります。この革新的な AI搭載型の安全運行管理ソリューションを活用することで、より安全でスマートな運行管理を実現し、ドライバーや周辺車両の安全を守ると共に、損害賠償責任を最小限に抑えることができます。 車両の安全運行管理を支援するナウトのAI搭載型ソリューションで、ドライバーに安全運転を促す4つの方法をご紹介します。 1.衝突事故の芽を摘む わき見運転は、メール、通話、食事、眠気、さらには書類に目をやるなど様々な形で発生します。商用車のドライバーによるわき見運転の撲滅は、路上の安全に不可欠な要素です。すべての車両に同乗してドライバーを監視できない車両運行管理者に代わり、完全リアルタイム対応の安全運行管理プラットフォームがわき見運転を瞬時に検知し、運転に集中するようドライバーを指導します。 2. 高リスクドライバーを特定し、指導 車両運行管理者が有リスクイベントの全体像を理解することができれば、運転指導の質は格段に改善されます。安全運転の推進に活用できるリソースは複数あり、運転に集中するよう自動警告するリアルタイムアラートのほか、車両運行管理者はクラウド上にアップロードされた映像や関連イベントデータ（速度、位置情報、イベントの重篤度、ドライバー情報）も利用することができます。わき見運転行動、安全スコア、実際に起こった高リスクイベントのデータを積極活用し、危険な瞬間を「指導の機会」に変えることで、ドライバーの再発防止意識を高めることができます。 3. ドライバーを褒め、インセンティブを与える 車両運行管理実績のさらなる底上げを図るには、インセンティブプログラムも効果的です。ドライバーが切磋琢磨してランキングを競い合い、日々の運転習慣を振り返ることで、意識を高めることができます。車両運行管理者は、個人やチームごとの成績、類似車種グループごとの成績を比較できるため、週次、月次、年次レポートでの分析に役立てることもできます。 4. 安全運転企業としてのブランドを確立する 安全運転の輝かしい記録を樹立し、ドライバーの安全を自社の中核理念に掲げることで、ドライバーの採用・人材維持、お客様からのリピート増につながるブランド力を得られます。修理回数や損害賠償の件数を減らし、より多くの車両を走行させることが、車両運行管理の理想形です。「安全第一」を標ぼうする企業としてその記録を公表し、長期にわたる信頼とロイヤルティにもとづく関係性を顧客と構築することが、競合他社との差別化につながります。 適切な情報と車載のテクノロジーがあれば、わき見運転や無謀運転の防止という目標を達成できます。ナウトの安全運行管理プラットフォームは、マルチタスク型の畳み込みニューラルネットワーク(CNN)モデルを活用した唯一の車載のテクノロジーです。ドライバーの運転行動、交通状況、車両の挙動、その他の重要コンテキストデータにもとづくリスクを同時に、完全かつリアルタイムに評価し、リスクの高い運転イベントを予測、予防します。その結果、商用車にかかる経費を削減し、ドライバーの命を守ります。 ドライバーの安全強化に関する詳しい情報は弊社までお問い合わせください。 ‍

自動運転の完全な実現までにはまだ数十年かかるかもしれませんが、安全運転のテクノロジー企業ではすでにAIの導入が始まっています。AIの実装例は、エッジ（この場合は自動車）やクラウド、またエッジとクラウドの双方向など、多岐にわたります。このようなドライバーと車両の安全を守るAIソフトウェアを正しく評価するにはどうすればよいか、順を追って見ていきましょう。 ドライバーの行動を確実に改善し、衝突事故による損失を減らすには、適切なソリューションの選択が重要です。代表的な評価基準を以下にご紹介します。 そのAIモデルは熟練ドライバー並に衝突事故のリスクを識別できるか？課題 車両の増加やドライバーの入れ替わりが激しさを増す中、同乗研修や個別研修をこれまで通り実施するのは難しくなってきています。そんな中でも、車両運行管理者/安全管理者が、ドライバーを指導し、熟練ドライバー並の安全な運転をできるようにするにはどうすればいいでしょうか？ 求められる技術: マルチタスク型畳み込みニューラルネットワーク（CNN）と複数のセンサーのよる複合的なデータ分析 AIによるドライバーサポートには、人間の指導者と同じようにドライバーの行動を識別し、介入できることが必要です。 そのAIモデルは現実世界ででうまく機能するか？課題 AIが人間のコーチと同じように、ドライバーの行動、周囲の情報、車両の挙動におけるリスクを認識できるようになったら、次はさまざまな運転状況の中で同じ行動を認識できるように学習させる必要があります。ドライバーの外見、服装、車内の広さ、照明条件、道路状況、交通パターンなどの要素がこれに含まれます。 求められる技術: CNNモデルの継続的な学習 人間の目や脳と同様に、AIも常に新しい実際の運転データを使った訓練を継続しなければ、このような多様な状況で活用できるようにはならないでしょう。 ドライバーの行動に最も効果的に影響を与えるには、AIモデルをどのように展開すればよいか？課題 最終的にAIの理解力がドライバーの行動、周囲の情報、車両の挙動や運転状況全体における重大なコンテキストデータに対して、信頼できるレベルに達したとしても、最も必要な場面でドライバーをサポートできるように車両へ展開されていないと、うまく機能しません。 求められる技術: エッジツークラウドのソフトウェアアーキテクチャ エッジコンピューティングや高速モバイルネットワーク通信によるIoT技術が発達したおかげで、車両へAIを展開して、高リスクのイベントが検出されるとすぐにドライバーにアラートを発報し、衝突事故を予防・回避することができるようになりました。 ディープラーニングによるニューラルネットワーク構築 ドライバーや車両の安全を守る適切で強力なAIソフトウェアを作るには、まずディープラーニングを用いたニューラルネットワークを開発する必要があります。これは、人間の脳のような正確性と計算速度を備えたパターン認識を、効率的かつ自動的に行うアルゴリズムです。 ディープラーニングシステムに多くの時間や資金を投資したうえで、高品質の映像と専門知識を活用しなければ、複雑な運転状況の中でパターンと傾向を認識することはできません。 ナウトは創業以来ニューラルネットワーク科学をその技術に取り入れ、以下のようなさまざまな交通情報のインプットを用いてパターン認識を行っています。 ドライバーの行動: わき見運転、眠気、疲労、携帯電話の使用、食事などのリスクの高い行動（照明条件、車種、ドライバーの外見・服装にかかわらず認識可能） 周囲の情報: 先行車の位置や速度、停止標識の有無や信号機の状態、歩行者、自転車などの車両や交通の状況 車両の挙動: 急加速、急ブレーキ、急ハンドル、スピード違反などの危険な運転を含む挙動 コンテキストデータ: ドライバーの反応速度、天候、交通パターン、衝突事故履歴など、日々蓄積される実際の交通データからの継続的な学習 マルチタスク型畳み込みニューラルネットワーク （CNN） 多くのAIソリューションがディープラーニングを用いたニューラルネットワークの使用を謳っていますが、より高度に進化したのがマルチタスク型畳み込みニューラルネットワーク （CNN）です。ドライバーの行動や交通パターンの分析を行うアルゴリズムができたら、マルチタスク型の畳み込みを実現するために、ニューラルネットワークで作成した既存のモデルをより進化させる必要があります。 CNNはニューラルネットワーク科学の中でも専門的な分野ですが、簡単に言えば、これを利用すると映像を解析して、車内や前方の道路、そして車両自体に何が起きているのかを、車内にいるドライバーそして、クラウド上の車両安全管理ソフトウェアに伝達することが可能になります。 車内のイメージセンサーを例にとると、CNNモデルでは映像を解析して、以下のようなドライバーのわき見行動を判別・特定することができます。 わき見運転、眠気 携帯電話の使用 喫煙 シートベルトの着用不備 その他多数の行動 CNNモデルでは、ディープラーニングによるニューラルネットワークのパターン認識に基づいて映像を解析して、リスクレベルを推測します。 マルチセンサーデータフュージョンを活用したCNN ひとつの映像に対してパターン認識に基づいた解釈を行い、判定結果が導き出せるようになったら、CNNモデルの層を増やし複数のセンサーのインプットを同時に処理できるようにするのが自然な流れです。CNNモデルには、ドライバーの行動、周囲の情報、車両の挙動などの複数の映像を融合させ、リスクをより包括的に理解できる高度な知能が求められています。この技術を利用すれば、人間の頭脳よりも的確かつ迅速なリスクの推測が可能です。 現在ナウトでは、ドライバーの行動、交通状況、車両の挙動、重要なコンテキストデータをCNNモデルの下に融合させ、隠れた衝突の危険回避を目的とした衝突事故予測アラート（ニアミスアラート）と、リアルタイムに車内でのコーチングを行うリアルタイムアラートにおいて、状況の重大度を判定するためにCNNを利用しています。 例えば、わき見運転を防止するナウトのドライバー行動アラートは革新的な音声アラートですが、わき見の時間（ドライバーの行動評価）と車速（車両の挙動評価）に基づいて発報されます。また、安全運転管理者や運行管理者向けに完全なコンテキストデータを提供し、ドライバーのセルフコーチングや管理者による個別研修に役立てることができます。 CNNモデルのトレーニング 高精度で強力なパターン認識能力を備えたAIベースのソリューションを開発するには、多様性に富んだ実際のデータと、特別なクラス分類を用いてCNNモデルをトレーニングし継続的な学習と改善を可能にすることが不可欠です。 ラベル付けされた学習データを基にするだけのCNNモデルは、数学を学ぶ生徒と同じで、教師よりも優秀になることはありません。CNNモデルに高リスクイベントの識別と予測を効果的に学習させるために、ナウトでは独自の分析ワークフローを採用し、以下のような複雑な実際のシチュエーションの分析や、高リスクな運転イベントの予測因子の特定を行っています。 ドライバーのさまざまな外見と服装（顔の形、サングラス、マスク、帽子など） 車内の広さ（乗用車から大型トラックまで） 時刻（朝、夜、その他の照明条件など） 天候条件（雨、曇りなど） 道路の種類 その他 CNNモデルの開発において、このような大きくばらついた要素を考慮しながらも高い精度が得られているのは、世界中のナウトのお客様車両から得られた多様で高品質な大量のドライバー行動データに支えられているからです。 […]