学生2チーム、論文2本 — PopcornSAR・HCMUT 連携 Phase 2

ホーチミン市工科大学(HCMUT)の大学院研究者が、Adaptive AUTOSAR 上で製品水準のエッジAI認識・診断システムを構築しました。ツールチェーンには Claude ベースのアシスタントが組み込まれていました。

Phase 1 から Phase 2 へ

PopcornSAR とホーチミン市工科大学(HCMUT)が2025年9月に連携を開始したとき、目的は単純でした。Advanced Computing Lab(ACLAB)の大学院生に、量産車両プログラムで実際に使われているものと同じ Adaptive AUTOSAR ツールチェーンを提供し、何を作り上げるかを見ることです。

Phase 1 が土台を築いたとすれば、2026年1月から4月までの Phase 2 は作業が成熟し、成果が出た時期です。

2つの学生チームが Software-Defined Vehicle 分野の異なる課題に取り組みました。両チームとも低価格の組込みハードウェア上で動作するシステムを完成させ、両チームとも IEEE SAS 2026 に論文が採択され、両チームとも審査を通過しました。

PopcornSAR が提供したもの

学生には PopcornSAR ツールチェーン一式のデモライセンスに加え、プライベートレジストリの構成済み Docker イメージ、PARA SDK ランタイムライブラリ、AUTOSAR Adaptive の全ドキュメント、そして学期を通じた PopcornSAR エンジニアによる直接の技術支援が提供されました。

その中心にあったのが PAIO — PopcornSAR の Claude ベース AUTOSAR オーサリングツールです。

PAIO は既存のモデリングツールにチャットボットを載せたものではありません。AUTOSAR のドメイン知識が構造化されたオントロジーとして製品に組み込まれ、LLM アシスタントがそれに合わせて調整されています。そのため ARXML、サービスインターフェース、マシントポロジを一般的なテキストではなく AUTOSAR の構成要素として扱います。アシスタントが動作する LLM ランタイムは選択可能です — Claude Code、Codex、Gemini CLI。

両チームとも Claude Code 上でアシスタントを使用し、システム設計・インターフェース設計・検証の複数段階で活用しました。標準に初めて触れる学生の傍らに、その標準を深く理解する助け手がいたということです — マシンとサービスインターフェースのモデリング時、そして出来上がった構成が妥当かを確認する際に。

学期の締切に追われるチームにとって、これは重要でした。Adaptive AUTOSAR は初期の学習曲線が急で、学生プロジェクトが止まるのは多くの場合「仕様を理解すること」と「ビルド可能な妥当なシステムモデルを作ること」の間の隔たりです。

チーム1: センサーエッジでのリアルタイム信号機認識

1つ目のチームは、信号機認識を車載エッジノード上で直接動かすことを目指しました。GPU も NPU も専用アクセラレータも使わずに。この制約は意図的なものです — 実車のセンサークラス機器はコスト・電力・発熱のすべてに制限があるからです。

チームは YOLO11 のバックボーンを MobileNetV4-ConvSmall に置き換え、量子化したモデルを完全 C++ の Google LiteRT ランタイムで配備しました。認識パイプラインは SOME/IP で通信する2つの Adaptive Application として実装しています — 取得と推論を担う ProviderSensor と、その結果を利用する ClientSensor です。サービスインターフェースと提供者・消費者の関係は PopcornSAR のオーサリングツールでモデリングし、ツールが C++ のサービススケルトンとプロキシを生成しました。生成物は PARA SDK ランタイムと統合されています。

Raspberry Pi 5 での結果です:

前処理・推論・後処理・SOME/IP メッセージ準備を含む端点間の遅延は平均約 41 ms で、24–25 FPS のリアルタイム動作に相当します。軽量化したモデルは基準比 85% 以上の検出精度を保ちました。

チームの把握する限り、YOLO11–MobileNetV4 検出器と完全 C++ の LiteRT ランタイムを組み合わせ、CPU ベースのセンサー機器でリアルタイム推論を行った端点間実装としては最初期の事例です。

チーム2: エンジン故障の予知診断

2つ目のチームは予知保全に取り組みました。故障が起きる前に、時系列センサー信号からエンジンの異常を検出する課題です。

1次元信号をそのまま分類するのではなく、2次元画像に符号化してコンピュータビジョンの手法を適用しました。開発した TridentNet は、同じ信号の3つの表現を同時に処理する三系統の残差フレームワークです — 短時間フーリエ変換(STFT)、連続ウェーブレット変換(CWT)、リカレンスプロット。これにより周波数・時間周波数・構造的特徴を並列に捉えます。

自動車データセット FordA・FordB で評価した結果、TridentNet は ResNet などの業界標準モデルと同等の精度を示しながら、計算量とメモリ使用量を大幅に削減しました — Raspberry Pi 4 で動作するほどに。

システムは Adaptive AUTOSAR プラットフォーム上にサービス指向マシンとして配備し、推論は ONNX Runtime による C++ で、広帯域のデータ転送は PARA SDK の DDS で実装しました。

成果

Phase 2 は単位以上の成果で締めくくられました。

• IEEE SAS 2026 に論文2本採択 — 各チーム1本
• 両チームとも審査を通過、審査委員会から高い評価
• 京都工芸繊維大学との合同ワークショップ発表
• Raspberry Pi 4・5 での実機デモ、CARLA シミュレーション連携を含む

両論文とも謝辞で、ツールチェーン・ライセンス・技術指導を提供した PopcornSAR に言及しています。

この結果がツールチェーンについて語ること

この種の結果には読み取るべき信号があります。彼らは自動車ソフトウェアのエンジニアではなく学生で、不慣れな標準を一学期で扱わねばなりませんでした。それでも AUTOSAR に準拠したサービス指向アプリケーションを作り、燃料一タンクより安いハードウェア上でリアルタイムに動かし、IEEE の査読を通る水準にまとめ上げました。

この成果は「AUTOSAR 仕様を理解すること」と「妥当なシステムモデルを作ること」の間の摩擦を取り除いたことに拠ります。標準をパターンとして模倣するのではなく実際に理解するアシスタントが、その隔たりを埋めます。PAIO が今の形で作られている理由がここにあります。

ACLAB の学生の皆さん、そして Dr. Nhan に、お祝いと感謝を申し上げます。実に見事な一年でした。