Helm.aiがVidGen-2を発表：自動運転シミュレーション用のマルチカメラ動画を生成

自動運転システムの開発において、路上での実走テストはコストがかかるうえ、危険なエッジケースを意図的に収集するのは困難です。

自動運転ソフトウェアを手がける米Helm.aiは10月1日、自動運転の知覚システム開発・検証向けにリアルな走行動画を生成するAIモデル「VidGen-2」を発表しました。

7月に登場した初代「VidGen-1」からわずか数か月でのアップデートとなります。

解像度が2倍に向上、3視点のマルチカメラにも対応

VidGen-2は、NVIDIA H100 GPUを用いて数千時間におよぶ走行映像を学習し、同社独自の教師なし学習手法「Deep Teaching」を採用しています。

生成される動画の解像度は前世代比2倍となる696×696に引き上げられ、フレームレートは5〜30fpsに対応。30fps時の滑らかさとディテール表現が向上しました。

プロンプトなしでの生成に加え、1枚の静止画や入力動画を起点とした走行シーンの生成も可能です。

注目すべきはマルチカメラへの対応です。解像度640×384で3台のカメラ視点映像を同時に生成でき、視点間の整合性を保ちながらシミュレーションを行えます。

高速道路や市街地、交差点、歩行者、天候変化などをカバーし、自車および周囲の車両が交通ルールに従った人間らしい運転挙動を再現します。

なぜ重要か

従来の3DシミュレーターではCGアセットの作成に膨大な工数がかかり、実走テストだけでは危険なシチュエーションを網羅できません。

VidGen-2のような生成AIモデルは、「シミュレーションと現実のギャップ」を埋める有力な手段となります。自動車メーカーやロボット開発企業にとっては、開発期間とコストを大幅に削減できる可能性があります。

単一の美麗な映像ではなく、3台のカメラ間での物理的な整合性や走行挙動のリアリズムに焦点を当てた点は、実用面で非常に賢いアプローチだと評価できます。

一方で、解像度が向上したとはいえ696×696にとどまり、車載カメラで主流となりつつある高解像度センサーと比べると物足りなさが残ります。遠方の障害物認識など精密な検証にどこまで耐えうるかは、今後の課題となりそうです。