自動運転の未来を拓く！ビーマー社「ML-Safe」技術でデータ20-50%削減と高精度AI検知を両立する革新

2026.01.29

自動運転車の未来を拓く！ビーマー社「ML-Safe」技術でデータ20-50%削減と高精度AI検知を両立する革新

自動運転技術の進化は目覚ましく、私たちの生活を一変させる可能性を秘めています。しかし、その裏側では、膨大な量のデータが日々生成され、開発者たちを悩ませる大きな課題となっています。この課題に対し、ビーマー社が「ML-Safe」という画期的な技術を発表しました。この技術は、自動運転車のデータ量を大幅に削減しながらも、AI（人工知学習）による物体検出や位置推定の精度を維持できるというものです。今回は、この「ML-Safe」技術がなぜ重要なのか、そしてどのような成果を上げているのかを、AI初心者の方にも分かりやすいように詳しくご紹介します。

自動運転車のデータ課題とは？なぜデータ削減が必要なの？

自動運転車は、周囲の状況を把握するために、複数のカメラやセンサーから常に映像やデータを収集しています。このデータ量は、一台の車だけでも一日あたり数テラバイト（1テラバイトは1000ギガバイト）にも及ぶと言われています。開発企業全体で見ると、数十から数百ペタバイト（1ペタバイトは1000テラバイト）という、想像を絶する規模のデータが継続的に蓄積されているのです。

これほどのデータ量になると、以下のような深刻な問題が発生します。

  • ストレージのボトルネック: データを保存するための記憶装置（ストレージ）がすぐに満杯になり、追加コストがかかります。

  • ネットワークのボトルネック: 収集したデータを開発拠点やクラウドに転送する際に、ネットワークの帯域が圧迫され、時間がかかります。

  • 計算資源のボトルネック: AIモデルの学習や分析には強力なコンピューター（計算資源）が必要ですが、データ量が多いほど処理に時間がかかり、コストも増大します。

これらの問題は、「スケール（増大するデータの管理）」「忠実度（MLに必要な情報保持）」「将来互換性（モデル進化に耐える再利用性）」という3つの大きな制約として、自動運転車の開発を遅らせる要因となっています。

これまでのデータ圧縮技術では、単純にファイルサイズを小さくしようとすると、AIが物体を認識するために必要な情報まで失われてしまい、AIモデルの精度が低下するという問題がありました。逆に、精度を維持しようとすると、データ削減効果が限定的になってしまうため、両立が非常に難しいとされていました。

ビーマー社の「ML-Safe」最適化技術とは？

ビーマー社が開発した「ML-Safe」技術は、このような課題を解決するために生まれました。この技術の核となるのは、「コンテンツ適応型ビットレート（CABR：Content-Adaptive Bitrate）」という独自の技術です。

CABRは、映像データの内容をAIが解析し、どの部分がAIにとって重要なのか（例えば、道路標識、他の車、歩行者など）を判断します。そして、AIの認識に不可欠な特徴量を保護しながら、重要度の低い部分のビットレート（データ量）を動的に調整して削減します。これにより、AIの精度を損なうことなく、ファイルサイズを効率的に小さくすることが可能になります。

「ML-Safe」という名前は、「Machine Learning Safe（機械学習に安全）」という意味が込められています。つまり、データ削減を行っても、機械学習モデルの出力結果に悪影響を与えない、ということを示しています。既にエンコード（圧縮）された自動運転車データセットに対しても、この技術を使って再エンコード（再圧縮）することで、機械学習モデルの出力と高い一致を保てることを確認しています。

ML-Safeな動画最適化
ML-Safeな動画最適化技術は、自動運転車のデータ管理において、ファイルサイズを削減しつつMLモデルの精度を維持することを目指します。

驚きのベンチマーク結果：データ削減と高精度検知を両立

ビーマー社は、「ML-Safe」技術の有効性を検証するため、詳細なベンチマークテストを実施しました。このテストでは、NVIDIAが公開している自動運転車向けの物理AIデータセット（既にエンコード済みの動画）からランダムに抽出した600本の動画を使用し、トランスフォーマーベースの最先端物体検出器「RF-DETR（Medium）」というAIモデルを用いて評価が行われました。

評価タスクは、物体検出の国際標準であるCOCO評価プロトコルに準拠しており、各動画から4フレームごとに評価することで、計算効率と時間的な一貫性を両立させました。また、AIモデルの推論結果を基準（擬似GT：Pseudo-GT）として、CABR最適化後の動画から得られるAIの出力がどれだけ基準と一致するかを検証しました。

この厳密なテストにより、以下のような非常に優れた結果が確認されました。

ファイルサイズ削減率

  • 20〜50%のファイルサイズ削減: 「ML-Safe」技術を適用することで、元の動画データのファイルサイズを20%から最大50%も削減できることが示されました。これは、ストレージコストの削減やデータ転送時間の短縮に直結する大きな成果です。

検出一貫性（mAP：mean Average Precision）

  • mAP 0.96を達成: mAP（平均適合率）は、AIがどれだけ正確に物体を検出し、その種類を正しく分類できたかを示す指標です。0から1の範囲で評価され、1に近いほど高性能であることを意味します。今回の結果では、0.96という非常に高い数値が記録され、データ削減後もAIの物体検出精度がほとんど低下しないことが証明されました。これは、AIが「この物体は車だ」「あの物体は歩行者だ」と正確に認識し続けられることを示しています。

位置推定一貫性（mIoU：mean Intersection over Union）

  • mIoU ≈0.97を達成: mIoU（平均IoU）は、AIが検出した物体の「バウンディングボックス」（物体を囲む四角い枠）が、実際の物体の位置や大きさとどれだけ一致しているかを示す指標です。これも0から1の範囲で評価され、1に近いほど正確です。結果として約0.97という高い数値が示され、バウンディングボックスの差分（Δx/Δy/Δw/Δh）の分布は非常に中心に集中し、狭い範囲に収まっていました。これは、画素レベルでの偏差が極めて小さいことを意味し、AIが物体の位置や形を非常に正確に捉えていることを裏付けています。

IoUヒストグラム
IoUのヒストグラムは、ほとんどのIoU値が1.0に近い値に集中しており、高精度な結果を示しています。

信頼度一貫性

  • 信頼度スコアの高相関: AIは物体を検出する際に、その検出がどれくらい確実かを示す「信頼度スコア」を出力します。データ削減後の映像でも、この信頼度スコアが元の映像と高い相関関係を保っていることが確認されました。特に、信頼度0.8以上の「この検出は非常に確かだ」という高信頼領域では、スコアのばらつきが極めて小さく、AIの判断に体系的な劣化は観測されませんでした。差分は主にランダムな要素によるもので、AIの判断の信頼性が維持されていることを示しています。

相関密度ヒートマップ
Source Confidence ScoreとEncoded Confidence Scoreの相関密度ヒートマップは、完璧な相関を示す対角線に沿ってデータが集中しており、信頼度が維持されていることを示しています。

総合所見

約20万件の検出オブジェクトにおいて、既存のエンコード映像と最適化後の映像との間に、AIの出力結果にほとんど差異がないことが確認されました。これは、「ML-Safe」技術が、データ削減とAIの高精度検知という、これまで両立が困難とされてきた二つの目標を同時に達成できる画期的な技術であることを明確に示しています。

MLパイプラインにおける実務的インパクト

ビーマー社の「ML-Safe」技術は、自動運転車の開発プロセス（MLパイプライン）に、以下のような具体的なメリットをもたらします。

  • コスト最適化: データストレージの容量を節約できるため、ストレージにかかる費用を直接的に削減できます。また、ネットワークを介したデータ転送量が減ることで、通信費用や帯域使用料も抑えられます。さらに、AIモデルの学習や分析に必要な計算負荷が軽減されるため、クラウドサービスの利用料なども削減できるでしょう。

  • 開発スループットの向上: データ量が減ることで、データの搬送（転送）にかかる時間が短縮されます。これにより、AIモデルの学習サイクルをより迅速に回せるようになり、開発全体のスピードアップに貢献します。開発者は、より多くの実験を短時間で行えるため、効率的にAIモデルを改善していくことが可能です。

  • リスク低減: これまでの固定パラメータによる一律なデータ圧縮では、シーンの複雑さや物体ごとの重要度に関わらず同じように圧縮されるため、重要な情報が失われるリスクがありました。「ML-Safe」技術は、シーンの内容に応じて動的にビット配分を行うため、AIの知覚や構造的な手掛かりを保持し、重要な情報が失われるリスクを低減します。

  • 将来互換性: 決定論的で一貫性があり、スケーラブルなCABR最適化により、将来的にAIモデルがさらに進化しても、この技術で最適化されたデータは再利用性が高く、新しいモデルの学習にも対応できるデータ基盤を構築できます。これにより、データの寿命が延び、長期的な視点での投資対効果が高まります。

今後の展開と面談の機会

ビーマー社は、自動運転車（AV）や先進運転支援システム（ADAS）の開発におけるデータ最適化のワークフローを、PoC（概念実証）から本格的な運用まで段階的に導入できるテンプレートとして提供していく予定です。

「ML-Safe」技術の動作原理、機械学習の精度を維持するメカニズム、既存のパイプラインへの統合方法、そして再エンコード最適化の実務的な運用（対象データの選定、評価設計、モニタリング）について、ビーマー社のエンジニアと直接ディスカッションできる機会が設けられています。

面談の予約は、以下のオンラインフォームから受け付けています。

ジャパン・トゥエンティワン株式会社は、今後もビーマー社の革新的な技術が国内企業の皆様に安心して利用できるよう、サポートを継続していくとのことです。

ビーマー社とジャパン・トゥエンティワン株式会社について

ビーマー社（Beamr Imaging, LTD.）

イスラエルのヘルツェリアに本拠を置くNASDAQ上場企業で、コンテンツアダプティブビデオソリューションの分野で世界をリードしています。同社は「テクノロジー&エンジニアリング・エミー賞2021」や「Seagate Lyve Innovator of the Year 2021」を受賞しており、53件もの関連特許を取得しています。その軽量化技術は、視覚的な品質を維持しながら、最大50%のビットレート削減を実現できることで知られています。

ジャパン・トゥエンティワン株式会社

1992年9月に創業し、「世界中のイノベーション商材を通して社会課題を解決する」ことを理念としています。イスラエルを中心に世界最先端のハイテク企業とパートナーシップを結び、日本市場における技術や製品のビジネス開発と販売を行っています。主な取り扱い製品には、自動車の後付け衝突防止補助システム「モービルアイ」や、衛星画像データを活用した水道インフラ管理・更新のための「アステラ製品」などがあります。「モビリティ事業」「スマートインフラ事業」「EC・ソフトウェア事業」「ヘルスケア事業」の4つの事業領域を展開しています。

まとめ

ビーマー社の「ML-Safe」最適化技術は、自動運転車の開発におけるデータ管理の課題を根本から解決し、開発の効率化とコスト削減に大きく貢献する革新的なソリューションです。AIの精度を犠牲にすることなくデータ量を削減できるこの技術は、自動運転技術のさらなる進化を加速させ、私たちの生活に安全で快適なモビリティを提供するための重要な一歩となるでしょう。このような先進技術が、これからの自動運転社会を支えていくことに期待が高まります。

タイトルとURLをコピーしました