サービス概要
エッジAI
FPT AutomotiveのエッジAI（edge-ai）サービスは、自動車プラットフォーム上で直接、低遅延かつプライバシーが守られたインテリジェンスを提供します。Qualcomm SA8255P上でのドライバー感情検知（20以上のCAN信号融合と100ms未満推論）、Telechips Dolphin-5上でのハイブリッド音声アシスタント（NPU上ASR、CPU上埋め込み・TTS）、およびインライン工場検査用のエッジコンピュータビジョン（ネジ検査2秒、精度99.7%）を統合。Arm NNとONNX Runtimeを介して多様なハードウェアを抽象化します。
100ms未満
Qualcomm感情推論遅延
1,241ms
Telechips音声エッジ処理
2秒
エッジ視覚ネジ自動検査
18.7倍
INT8最適化高速化
99.7%
工場内外観検査精度
機能
主な機能
100ms以下の推論
Qualcomm SA8255P SoC上で厳格な自動車レイテンシ要件を満たす継続的リアルタイム推論。
INT8量子化
INT8量子化によるモデル最適化で18.7倍の速度向上と116%のスループット向上を実現。
ドライバー感情AI
20以上のCAN信号を融合してドライバーの感情状態とコンテキストを把握し、車内パーソナライゼーションに活用。
クラウド独立動作
すべての推論をオンデバイスで実行 — クラウド依存なし、レイテンシペナルティなし、データ送信なし。
自動車SoC専門知識
ネイティブハードウェアアクセラレーションを含むQualcomm自動車プラットフォームへの深い統合。
技術
技術スタック
| Component | Technology | Purpose |
|---|---|---|
| ハードウェア | Qualcomm Snapdragon, NVIDIA Orin | エッジコンピューティングプラットフォーム |
| フレームワーク | ROS2, TensorFlow Lite | AIモデル展開 |
| センサー | LiDAR, Camera, Radar | 環境認識 |
| 通信 | CAN-bus, Ethernet | 車両ネットワーク統合 |
| 開発 | C++, Python | 実装言語 |
ユースケース
実際の活用事例
実際の導入から記録された成果。
エッジデバイス向けAIモデル最適化
PyTorch → ONNX → QNNへのAIモデル変換時にQualcomm SA8255P HTPバックエンドで発生した変換パイプラインの劣化を解消。根本原因はQNN変換時のデータレイアウトのミスマッチ。
Before
QNN変換でトランスポーズ処理のミスマッチにより推論精度が劣化
After
グラフ修正後、SA8255P HTPバックエンドで完全な機能同等性を回復
エッジAIドア検査 — 99.7%精度で2秒
製造工場でのドアパネルネジのリアルタイム検査を行うエッジコンピュータビジョンシステム。推論はすべてオンデバイスで実行し、クラウドラウンドトリップなしに即座の合否判定を返す。
Before
1ドアあたり3分の手動検査。生産量増加でボトルネックが持続不可能に
After
エッジAI検査が99.7%の精度で2秒。生産ラインを滞りなく稼働
進め方
実装アプローチ
Phase 1: アセスメント・計画
- 現在の車両アーキテクチャとセンサー構成を分析
- AIユースケースとパフォーマンス要件を特定
- レイテンシ、精度、信頼性目標を定義
Phase 2: モデル開発・トレーニング
- 特定ユースケース向けカスタムAIモデルを開発
- 自動車固有データセットでトレーニング
- エッジハードウェアの制約に合わせてモデルを最適化
Phase 3: 統合・テスト
- 車両システムとモデルを統合
- ハードウェア・イン・ザ・ループ（HIL）テストを実施
- 実世界条件でパフォーマンスを検証
Phase 4: デプロイ・モニタリング
- 車両フリートへ展開
- パフォーマンス指標とシステム健全性を監視
- 実世界データに基づいて反復・改善
関連サービス