技術

ScF ネットワーク

FPGA

PLKは、統合的な自動運転ソリューションを非メモリー半導体の
FPGA(Field-Programmable Gate Arrays)の形で提供できます。
FPGAは汎用プロセッサーの性能限界を補い、
オンデマンド半導体の特徴を合わせて最近注目されており、
PLKはFPGAを用いてお客様に高い価額競争力を提供はもちろん、
技術処理を早いスピードで提供します。

マシンラーニングに必要な膨大なデータをシステム的な混乱又はボトルネッ
ク現象が無い様に高スピードで処理できますのでアキュラシーが高い人
工知能システムを適用したソリューションを提供できます。

GPU

PLKは大量のデータを高速で演算処理するGPUを用いてディープラーニングアルゴリズム
の開発に取り組んでいます。同時多発的な演算と並列コンピューティングに有利なGPUを通じて
数多のイメージ認識訓練を行って認識速度と正確度を向上させています。
特に、これによる歩行者認識においては目覚しい性能向上を果たしています。
リアルタイムに近い速度で近距離・遠距離の人を認識し、
身体の一部のみを認識しても歩行者のことを判断、認識する能力を発揮します。
また、車両、車線、道路標識、歩行者などの道路上の対象を同時多発的に認識して、
さまざまな危険に備えます。


アルゴリズム

CNN 畳み込みニューラルネットワーク

PLKは、統合自律型モビリティシステムを現場でプログラミングできるFPGA(Field-Programmable Gate Arrays)の形で提供できます。FPGAは汎用プロセッサー性能の限界を補い、特定用途向け集積回路の特性を持ち合わせることで、最近脚光を浴びており、このFPGAを用いてお客様に高い価格競争力と技術の高速処理速度を提供します。マシンラーニングの具現に必要な膨大なデータをシステム混乱やボトルネックの現象を起こさずに、高スピードで処理できるので、高正確度の人工知能システムを適用したソリューションを提供できます。

RNN 再帰型ニューラルネットワーク

「再帰型ニューラルネットワーク」は反復的かつ順番的なデータ学習に特化されたディープラーニングアルゴリズムの一つです。 内部に再帰的構造がある特徴が持って、順次的な情報を持っているデータを取り扱いことに適合します。 繰り返す規則的なデータの流れを認識して抽象化された情報を取り出すことが出来、この情報で動画、音声、言語など連続入力データの分析に活用できます。「再帰型ニューラルネットワーク」は以前に学習した情報を覚えるための記憶力を持っているので、連続的な要素ごとに同じ作業を行わせることができます。最近、さまざまな産業で動的データの増加により活用できる分野が多くなり、PLKでも車両内外部の映像、音声認識にこのような技術を積極的に活用する予定です。

RL 強化学習

「強化学習」は自身と環境の相互の関係によって自身の行動を改善して行く学習方法です。 褒められる行動は増やし、罰が受けられる行動は減らして適応性を育てて学習を強化していくことを意味します。ロボットや人工知能分野で多く使われている方法で、正しい行動を選択すると環境から補償が得られ、間違うと罰を受ける、試行錯誤を通じて学習させていくので、 「再帰型ニューラルネットワーク」及び「強化学習」のように入力と出力に明確な関係がなく、一連の行動プロセスを通じて補償が最も多く得られるような方策を学習します。

GAN 敵対的生成ネットワーク

GANは未来のディープラーニングを牽引する方式で注目されている学習方法です。 「再帰型ニューラルネットワーク」又は「強化学習」のように多量のデータを通じて学習するのではなく、教師なし学習で使用される人工知能アルゴリズムです。データセットの学習方法とは違って、 レーベルがないデータから知識を得て、自ら物体の特性を把握している能動的な学習方法を取っています。この方法で認識や及び区分することから逃れて、自から創造する能力を養えるので、イメージ生成、編集、変換、復元などさまざまな効用を発揮します。