富士通、分散IoTデータをメタデータで仮想統合する「Digital Twin Collector」、大規模なIoT利用で通信コストを抑制

富士通は2021年4月15日、広域分散データアクセス技術を活用することによって、自動車やスマートフォンなどが生成するIoTデータを仮想的に統合するクラウドサービス「FUJITSU Future Mobility Accelerator Digital Twin Collector」(Digital Twin Collector、デジタルツインコレクター)を発表した。損害保険会社や自動車メーカーなどに向けて、2021年4月22日から販売する。2021年6月には、北米や欧州地域での提供も開始する。

Digital Twin Collectorは、広域分散データアクセス技術を活用することによって、自動車やスマートフォンなどが生成するIoTデータを仮想的に統合するクラウドサービスである(図1)。デバイス上にある映像などの大容量データを、必要な時に必要な分だけクラウド基盤に複製し、分析や処理を行える。通信コストを抑えつつデータを活用できる。図1:Digital Twin Collectorの概要(出典:富士通)
拡大画像表示

 想定する用途の1つが、損害保険業務である。事故の発生を検出した際に、発生場所や時刻を指定するだけで、当該車両および周辺車両の事故発生前後にわたる映像を自動的に取得できる。

 道路管理業務では、渋滞や事故、悪天候など、道路上で発生している事象に関連する映像をリアルタイムに確認し、交通管制サービスを提供できる。車両故障分析では、車両センサーで異常値を検出した際の周辺映像を収集することで、故障発生の原因を推定できる。

 5つのサービスで構成する(表1)。基本サービスとして、自動車などのデバイスに分散して存在しているデータを仮想的に統合して管理するサービスを提供する。このほかに、ユーザーの要望に合わせて、要件定義支援サービスや、利用環境を構築するセットアップサービスなど、計5種のサービスを提供する。

サービス名販売価格(税別)必須サービス販売開始時期
Digital Twin Collector
基本サービス
月額費用:2円~/台
(10万台から契約可能)
従量費用:0.2円/1データアクセス
2021年4月22日
Digital Twin Collector
要件定義支援サービス
一括費用:個別見積り
Digital Twin Collector
セットアップサービス
一括費用:個別見積り150万円~
Digital Twin Collector
サポートサービス
月額費用:個別見積り
Digital Twin Collector
カスタマイズサービス
一括費用:個別見積り

 背景には、CAN(車載ネットワーク)データやドライブレコーダー映像などを自動車保険の査定や地図作成などに活用する需要がある一方、生成されるデータ量が膨大で、収集や蓄積にともなうコストが負担になっている状況がある。

 富士通はこれまで、こうした需要に向けて、ストリームデータ処理基盤「Digital Twin Utilizer」や、車載カメラ映像解析基盤「Digital Twin Analyzer」を提供してきた。今回、第3弾として、モビリティデバイスが保持するデータを仮想的に統合することで、データ収集や蓄積にともなうコストを削減する「Digital Twin Collector」を開発した。

Advertisements

分散データをメタデータで仮想統合し、通信コストを削減

 Digital Twin Collectorの特徴は、モビリティデバイスが保持するデータを分散管理することで、データの収集や蓄積にかかるコストを削減できる点である。モビリティデバイスで記録した映像などのデータについて、軽量なメタデータだけをクラウドで管理し、実体はモビリティデバイス上で保持する。

 分散するデータを仮想的に統合する仕組みである。データを利用したい損害保険会社や自動車メーカーなどのユーザーは、Digital Twin Collectorを介して、必要なデータのみにアクセスできる。クラウドのデータ容量や通信量を低減できる。Digital Twin Collectorを使わない場合と比べてコストを50%削減できるとしている。

 大容量データ通信の輻輳を抑制するトラフィックスケジューラ機能も備える。事故の発生などによって自車や周辺の自動車から一斉に映像データを収集する必要がある場合、データ複製要求のスケジュールを制御ることで、大量の通信が一斉に発生することがないようにする。

 類似データの複製を抑止しつつ網羅的にデータを複製できるように、データカバレッジ制御機能を備える。自動運転用の学習データを収集する際に、学習用データの偏りがないようにする。時刻、場所、画角が同一の映像データなど、類似データを複製しないように抑止しつつ、取得データの網羅性を確保する。

Leave a Reply