Closed-Loop で実現するデータ中心の自動運転モデル

Closed-Loop で実現するデータ中心の自動運転モデル

01序文と本書の読み方 021.1 モデル中心からデータ中心へ：自動運転開発パラダイムの転換 031.2 自動運転スタックの全体像と ML タスクの位置づけ 041.3 データ中心自動運転モデルのグローバルトレンド 051.4 自動運転 DataOps / MLOps アーキテクチャの俯瞰 061.5 Closed-Loop データエンジンの 7 段階 071.6 本書で扱わない領域・対象外とした技術 082.1 ODD（運用設計領域）とユースケースの定義 092.2 フリート計測戦略と車両ロール 102.3 センサー構成の設計（Camera / LiDAR / Radar / GNSS / IMU 他）112.4 キャリブレーションと品質管理 122.5 車載データ収集ソフトウェアスタックとログフォーマット 132.6 エッジトリガー構成・記録開始条件・サンプリング設計 142.7 オンボードでのデータ品質・健全性モニタリング 152.8 プライバシー・法規制への配慮（収集段階）162.9 セキュリティとデータ保護 173.1 アップロード経路設計（専用線／SIM／オフラインデバイス）183.2 インジェストパイプライン 193.3 センサー間の時刻同期とタイムスタンプ整合 203.4 データ正規化とフォーマット設計 213.5 ストレージ階層設計（ホット／ウォーム／コールド）223.6 データレイク／データベース設計 233.7 メタデータ管理とカタログ 243.8 ガバナンスとアクセス制御 253.9 データブラウザ・可視化ツール 264.1 タスクと指標からのデータ要件定義 274.2 データクレンジングと品質ゲート 284.3 サンプリング・ダウンサンプリング戦略 294.4 匿名化（顔・ナンバー消し等）304.5 フォーマット変換／リサンプリング／特徴量抽出 314.6 データセットスキーマ・スプリット設計 324.7 シーン検索 UI と自然言語・ラベル検索 334.8 アクティブラーニングとカバレッジギャップ把握 344.9 合成データと生成モデルの位置づけ 354.10 データガバナンスとデータセット承認プロセス 365.1 ラベリングポリシーと定義書の作り方 375.2 アノテーションツールとワークフロー設計 385.3 VLM / Foundation Model を用いた環境タクソノミ・シナリオマイニング 395.4 半自動ラベリング・AI アシストツール 405.5 自己教師あり・擬似ラベル・弱教師あり 415.6 品質管理（ダブルアノテーション、レビュー、メトリクス）425.7 オンラインでの継続ラベル付け・再ラベル 435.8 セキュリティ・プライバシーの観点 446.1 実験管理：データセット／ハイパラ／結果のメタデータ管理 456.2 トレーニングデータパイプライン設計 466.3 モデルアーキテクチャの設計 476.4 学習戦略とトレーニングテクニック 486.5 分散学習の効率化と GPU Cluster 設計 496.6 モデル軽量化・省電力化・専用チップ向け最適化 506.7 トレーニングパイプラインのオーケストレーション 516.8 オフライン評価とリグレッションテスト（データセットレベル）527.1 評価・シミュレーション・実車テストの関係 537.2 シナリオベーステストの考え方とシナリオ DB 547.3 走行シーン生成と生成モデルの活用 557.4 Closed-Loop SiL アーキテクチャ 567.5 世界モデル評価・シーン再現性 577.6 テストシナリオ管理とカバレッジ設計 587.7 クラウド上の仮想 ECU を用いた HiL・コンパイル後評価 597.8 レポート自動生成と可視化 607.9 セーフティケース管理と ISO 26262 / SOTIF 準拠の証跡 618.1 モデル管理とアーティファクト管理 628.2 リグレッションテストとリリースゲート 638.3 実車向け CI/CD パイプライン 648.4 OTA での配信と VIN ベースのリリース管理 658.5 実運用モニタリングと異常検知 668.6 フィールドからのインシデント・ヒヤリハット収集 678.7 DataOps へのフィードバックサイクル 688.8 モデルロールバック・フェイルセーフ戦略 698.9 組織・プロセスとコンプライアンス

Chapter 48

6.5 分散学習の効率化と GPU Cluster 設計

2025.11.20に更新