書籍番号:Z159(2017 車載カメラ 徹底解説:改定版+PDF付)

2017 車載カメラ 徹底解説(改定版)+PDFデータ付

※PDFデータは簡易CD-Rに保存して、書籍に同封発送いたします。
 内容は書籍と同じです。パスワード設定はしておらず、購入いただいた会社内のみ自由にコピーいただけます。

→「書籍のみ」をご購入される方はこちら。
※PDF(CD-R)のみをご希望のお客様はお問い合わせください。(30,000円で販売しています。)
・車載カメラを取り巻く環境の変化、自動運転に向けた自動車業界の動向とは?
・車載カメラの市場・技術動向、将来的にIoTに向かう市場の流れ、IoT時代には最適なカメラモジュールなど徹底解説!

立読みする
著者共創企画 代表 中條 博則 氏 【元・(株)東芝】
発刊日 2017年5月17日
体裁A5  288頁 (うち、カラーページは185頁)
価格(税込)
44,800円 ( S&T会員価格 44,800円 ) S&T会員登録について

定価:本体41,482円+税3,318円

会員:本体41,482円+税3,318円

内訳は、書籍:29,800円(税込み)+PDF:特別価格15,000円(税込み)

送料は当社負担 【アカデミー割引、クーリングオフ対象外】  
※本書は他社発行のため、書店様経由で当社への注文はできません。
※本書はオンデマンド出版のため、お届けまで10日前後かかります。

発行共創企画
FAX申込書FAX申込書 カートに入れる <<各種割引特典

目次

【発刊にあたって】
 登場から10年も経ないにもかかわらず、Smartphoneは世界中に浸透しています。そして、2015年には早くも成熟期にさしかかりつつあります。従来、搭載カメラは画素数も重要な差別化の一つと考えられていたため、増加基調にありました。しかし、それは今後大きな差別化にはならないと考えが改められ、画素数競走は一段落しつつあります。最近は、Rear CameraだけでなくFront CameraでもDual Cameraの搭載数が増えており、一眼レフカメラに採用されているDual PD (Photo Diode) Image Sensorまで使われ始めています。さらに一部では、Cell Sizeを縮小し多画素化を目指す従来のTrendから脱却し、Cell Sizeを大きくし画素を減らして高画質化を追求しようとする動きまで出てきました。このように、以前のスペック競争から決別し、高画質化、多機能化、使い易さを追求する方向に変化しつつあります。一方、Smartphoneの市場規模は飽和しつつありますが、カメラは差別化のための最重要機能となっており、Dual typeも増加していることから、数量市場規模は今後も拡大が続くと期待されています。
 Smartphoneが作り出したCloud Computing環境は時とともに巨大化してきました。しかし、市場の飽和は2、3年前から予測されており、その前にServer能力を有効活用すべく、2014年、Apple、Googleは車載Infotainment機器とSmartphoneを連携させるMirroring機能の提供を開始しました。それは、2011年にConnected Car実現を目指しCar Connectivity Consortium (CCC) が策定したSmartphoneと車載器の連携API「MirrorlinkTM」と類似機能でした。Apple、GoogleがCCCに参加していないのは、意識的なものか、意図的なものなのかは分かりませんが、いずれにしてもSmartphoneのOSを保有する強み、使い易さでシェアを急速に拡大しています。
 一方、交通事故件数・死者数低減は世界的な課題と認識される中、自動車の安全性向上機能に目を向けると、Volvoやスバルなどの「ぶつからない車」が世界中で評価されています。そして、それを実現するADAS (Advanced Driving Assistant System) 機能が普及拡大しています。ADAS機能の高度化により、長年、各社が実現を目指して研究してきた自動運転技術も進化しています。現在のADASは、サーバーで「ビッグデータ」を統計確率処理AI(Artificial Intelligence:人工知能)技術で作成したTemplate(画像認識など)を元に、Rule Base AIプログラムを自動車に移植する方式を採っています。しかし、このやり方では不具合・課題が発生した際、その都度プログラムを修正しなければなりません。これでは安全を完全に保障することは非常に難しいと言わざるを得ません。
 そこで、より高度なAI手法として最近脚光を浴びているのが、2006年に発表された「Deep Learning {多層ニューラルネット(Deep Neural Network)を用いた 深層学習方式}」です。Deep Learningの特長は「自己学習により“特徴量”」を独自(プログラム自体が)に見つけ出す能力であり、これは従来のAI手法では実現できませんでした。しかし、ベイズ理論による統計処理より遥かに高速な処理が要求され、ADASに応用できるものではありませんでした。ところが、ここ数年、それら膨大なデータを円滑に処理するため、Serverに従来のCPUに替わり高速CPU、GPU、FPGA、TPU(Tensor Processing Unit)が採用され始め、Deep Learningで画像認識できるようになりました。そして、Cloudで作成する「Template」の精度は格段に上がりましたが、自動車そのものは「お仕着せ」のプログラムでADAS機能を果たしていることには変わりありません。
 Teslaはこれでは自動運転技術の確立は不可能と判断し、2016年に登場したNVIDIAのReal Time Deep Learning System「Drive PX-2」を、いち早く同社のEV車に搭載開始しました。これは、自動車自体がDeep Learningで学習した画像認識データなどをサーバーにアップロードし、多数の自動車から集まった「ビッグデータ」を高速学習した結果をフィードバックすることで、自動車がより賢くなるシステムです。人間が介在するプログラムで自動運転がなされている間は、「メーカーにより自動車の賢さに差が出る」「自動車が勝手には賢くならない」など、本格的な自動運転には程遠いのが実態です。TOYOTAは、Teslaが開始したシステムと類似の仕組みを構築すべく水面下で準備を進めているようです。この方式が今後の自動運転実現のひな型になるかと思います。
 IoT全般でみても、Real Time Deep Learningは非常に重要な機能です。しかし、製品によっては、大型・高消費電力のシステムを搭載するのは困難です。それを打開する新たな技術として、DNN機能を半導体に落とし込む「Neuromorphic Chip」の研究開発が加速されています。将来は「全てのものが知性を持つ」ことになると思います。
また、自動車自体が強力・高度な画像処理技術を保有するようになると、画像を取り込むカメラの役割はより重要になり、搭載数量はさらに増加すると思われます。
 車載カメラは、全周囲の画像情報取得用、死角のSensing用、さらに死角解消・燃費向上を目的としてドアミラーを廃止しその機能を置き換える用途にまで及んでいます。それらに必要な機能としては、大きな明暗に対応したHDR(High Dynamic Range)機能、超高感度化など、以前から必要とされていたものの高度化に加え、昼夜の歩行者検出機能ができる超高感度カメラ、RGB + IR(InfraRed: 近赤外線) カメラや、暗闇でも人、動物を認識できる遠赤外線(FIR: Far InfraRed) カメラなど「赤外線」を利用する事例も増えています。現在非常に高額な遠赤外線カメラでは、Si-WLOの採用により低価格化を図る手法が開発され、先ずはSmartphoneへの採用が始まっています。
 車載カメラのImage SensorはCell Sizeが大きいものの方が高感度で好ましいとされていました。しかしCell Sizeが大きいImage Sensorでは、カメラモジュールのサイズも大きくなってしまいます。ADAS、自動運転の進化にともない自動車に多数のカメラが搭載されるようになると、現在の大きさのカメラモジュールでは「カメラばかりが目立って、気持ちが悪い」と感じるようになるかもしれません。そこで、今後の車載カメラは「小型化」が新たな重要仕様になると思われます。小型化にはWLOを使ったリフローカメラモジュールが最適です。超小型・高生産性・自動装着可能なリフローカメラモジュールは、IoT時代の本格化にも大きく貢献できるものだと確信します。
 本書では、車載カメラを取り巻く環境の変化、自動運転に向けた自動車業界の動向、車載カメラの市場・技術動向、そして将来的にIoTに向かう市場の流れ、IoT時代には最適なWLOを使用したカメラモジュールなど、多方面にわたり徹底解説しました。
2017年5月17日
著者 共創企画 代表 中條博則

【目次】
◆【第 一 章】AIが加速する自動運転技術
[ 1 ] IT企業参入がもたらしたもの

[ 1 ] - 1 :「全てのもの」の賢さを増す人工知能、自動運転はその序章
[ 1 ] - 2 : Smartphoneの源流「Apple・Newton」
[ 1 ] - 2 - 1 : iPhoneの事業的成功の根幹「Localize Free」の実現
[ 1 ] - 2 - 1 - 1 : Localize Freeを理解していない?Microsoft
[ 1 ] - 2 - 2 : Jonathan Iveが確立した「User Interaction」
[ 1 ] - 2 - 3 :「3次元Interaction」の本命に躍り出たAmazon「Alexa」
[ 1 ] - 3 : iPhoneが確立したCloud Computing環境(NOKIA復活)
[ 1 ] - 4 : 巨大Serverを背景にInfotainment市場に突如参入したIT企業
[ 1 ] - 4 - 1 : 車載器を経由してハッキングされたFCA「Cherokee」
[ 1 ] - 4 - 2 : 『邪悪』に反発、独自の仕組みを推進する自動車業界
[ 1 ] - 5 : 車載市場に参入したIT企業、その狙いとは
[ 1 ] - 6 : AI技術
[ 1 ] - 6 - 1 : 急激に進む「Deep Learning」の進化
[ 1 ] - 6 - 2 : AI技術の普及・発展を目指す「Partnership on AI」設立

[ 2 ] 高まる車載カメラの役割
[ 2 ] - 1 : ADASの進化により現実味を増す自動運転
[ 2 ] - 2 : 自動車の安全性への取組み
[ 2 ] - 3 : 国際的な交通安全目標の策定
[ 2 ] - 3 - 1 : 日本の交通事故低減への取組み
[ 2 ] - 3 - 2 : 交差点での衝突事故を減らす「ラウンドアバウト」の導入
[ 2 ] - 3 - 3 : Telematics 1st Generationで最も進んでいた日本の取組み
[ 2 ] - 3 - 4 : Galapagos化に一直線、ITS Connect
[ 2 ] - 4 : ADAS用カメラSystemで De facto化が進む「Mobileye」だが・・・
[ 2 ] - 5 : Sensor Fusionが進むADAS、Frugal Innovationが重要
[ 2 ] - 6 : 自動車安全立法、ADAS普遍化により急拡大する車載カメラ市場

[ 3 ] 現実味を増す自動運転への動き
[ 3 ] - 1 : SAE方式に統一、自動運転の分類と関連国際法の動向
[ 3 ] - 1 - 1 : Level 3、4の公道走行が可能になったウィーン道路交通条約加盟国
[ 3 ] - 1 - 1 - 1 : 日本初、「大規模」公道自動運転試験プログラム
[ 3 ] - 1 - 1 - 2 : 巨大「無人」ラジコンカー公道を走る?
[ 3 ] - 1 - 2 :『対話可能』な自動車実現、4D Interaction本命登場か
[ 3 ] - 2 : 自動運転開発の新段階に、HONDAとも提携した「Waymo」
[ 3 ] - 2 - 1 : LIDARの課題とカメラの優位性
[ 3 ] - 3 : 『走るSmartphone』を具現化するTesla
[ 3 ] - 3 - 1 : Mobileyeと決別、Real Time AI機能で新ステージに突入したTesla
[ 3 ] - 3 - 2 : 世界初Teslaが構築した「Deep Learning Recycling System」
[ 3 ] - 3 - 3 :「Deep Learning Recycling System」インフラ作りを進めるTOYOTA
[ 3 ] - 3 - 4 : Mobileyeを買収するIntelの狙いは
[ 3 ] - 4 : PHEV/ EV普及に向け大きく舵を切った欧州勢
[ 3 ] - 4 - 1 : 石橋を叩いて進む、CHAdeMOの急速充電出力Upの取組み
[ 3 ] - 4 - 2 : 疲弊するガソリンスタンドを放置して良いのか
[ 3 ] - 5 : 遅れてやってきたAppleの自動運転への取組み


◆【 第 二 章 】車載カメラ市場・技術動向 
[ 1 ] 車載カメラの市場・要求特性

[ 1 ] - 1 : カメラ機能が重要な役割をはたす製品の数々
[ 1 ] - 1 - 1 : 各種製品用Image Sensor市場動向 (数量&金額)
[ 1 ] - 2 : 車載カメラの製品分類・市場動向 (e-mirror解禁)
[ 1 ] - 2 - 1 : 主な車載カメラの搭載個所と課題
[ 1 ] - 2 - 2 : Viewingカメラの市場動向とSupply Chain
[ 1 ] - 2 - 3 : Sensingカメラの市場動向とSupply Chain
[ 1 ] - 3 : 設置個所により異なる車載カメラへの要求特性
[ 1 ] - 3 - 1 : 車載カメラ用Lensに要求される特性
[ 1 ] - 3 - 2 : ナノインプリントによる反射防止構造「SWS」
[ 1 ] - 4 : FIR (遠赤外線) カメラの概要およびコストダウン技術
[ 1 ] - 4 - 1 : FIRカメラの市場動向
[ 1 ] - 4 - 2 : FIRカメラ用Lensの種類と特徴
[ 1 ] - 4 - 3 : FIRカメラのコストダウン手法
[ 1 ] - 4 - 3 - 1 : 既存メーカーFLIRの事業戦略【世界初、Smartphoneへの搭載】         
[ 1 ] - 4 - 3 - 2 : 新規参入メーカーBAEの事業戦略 【コスト低減技術】
[ 1 ] - 5 : ToF採用、新たな昼夜兼用ADAS技術「BrightEyeTM」

[ 2 ] 車載カメラに応用可能な技術
[ 2 ] - 1 : Smartphone用カメラモジュールの最新動向
[ 2 ] - 1 - 1 : 一眼レフ並の「ボケ味」も実現可能なDual Camera
[ 2 ] - 1 - 2 : Front Cameraにも展開するDual Camera、究極の4 Camera登場
[ 2 ] - 2 : 車載カメラでも参考にできるSmartphone用カメラ技術
[ 2 ] - 2 - 1 : Image SensorのCell縮小、感度向上施策が実現する小型車載カメラ
[ 2 ] - 2 - 2 : 積層型CMOS Image SensorによるFFカメラの小型化
[ 2 ] - 2 - 3 : 小型車載カメラの放熱設計
[ 2 ] - 2 - 4 : 実装技術の工夫、薄型材料により実現する小型車載カメラ
[ 2 ] - 2 - 5 : 部品内蔵基板により実現する小型車載カメラ
[ 2 ] - 2 - 5 - 1 : 部品内蔵基板の分類と開発品事例
[ 2 ] - 2 - 6 : リフロー化により実現する小型車載カメラ
[ 2 ] - 2 - 6 - 1 : リフローカメラモジュールの重要性
[ 2 ] - 2 - 6 - 2 : リフロー実装技術の歴史
[ 2 ] - 2 - 6 - 3 : リフロー化の難易度を押し上げたRoHS指令
[ 2 ] - 2 - 6 - 4 : リフローカメラモジュールの分類
[ 2 ] - 2 - 6 - 5 : TSV技術により実現したImage SensorのCSP仕様
[ 2 ] - 2 - 6 - 6 : CSPベースリフローカメラモジュールの製造フロー
[ 2 ] - 2 - 6 - 7 : 既存製法とリフロー仕様のカメラモジュール比較
[ 2 ] - 2 - 6 - 8 : WLCMでしか実現できない0.7 x 0.7mm超小型カメラ
[ 2 ] - 2 - 6 - 9 : 複数のリフローカメラモジュールによる広角撮像システム
[ 2 ] - 2 - 6 - 10 : 複数のリフローカメラモジュールによる多機能モジュール
[ 2 ] - 2 - 6 - 11 : 量産中のリフローカメラモジュールの事例

[ 3 ] Display動向とカメラの関係
[ 3 ] - 1 : 車載カメラの「出力画素数」に影響するDisplay画素数の動向
[ 3 ] - 1 - 1 : Display解像度の適否を判定する「視力」の基礎知識
[ 3 ] - 2 : 視認距離により異なる適正解像度
[ 3 ] - 3 : 車載Displayの適正解像度
[ 3 ] - 4 : 車載カメラの画素数はFHD(2.1MP)あれば十分なのか
[ 3 ] - 5 : Smartphone市場で採用が急増するAMOLED
[ 3 ] - 5 - 1 : AMOLEDの市場動向、Keyとなる製造設備
[ 3 ] - 5 - 2 : 2018年、車載用にP-OLED採用開始見込み
[ 3 ] - 6 : 静電容量式Touch Panelの種類と車載用への展開
[ 3 ] - 6 - 1 : 車載用Touch Panelの市場動向
[ 3 ] - 7 : 窓にGorillaR Glass採用、Smartphoneに近づく?自動車

[ 4 ] Image Sensorの技術動向
[ 4 ] - 1 : CCD Image SensorとCMOS Image Sensorの差異
[ 4 ] - 2 : Image Sensorの市場動向
[ 4 ] - 2 - 1 : Smartphone用CMOS Image Sensorの市場動向
[ 4 ] - 2 - 2 : 車載用Image Sensorの市場動向
[ 4 ] - 3 : 車載用にも転用可能、高CRA Lens対応Image Sensor技術
[ 4 ] - 3 - 1 : 「色シェーディング」を抑制する高CRA対応IRCF
[ 4 ] - 3 - 2 : 車載用でも感度向上に有効なBSI Image Sensor
[ 4 ] - 3 - 3 : 車載用でさらなる感度向上に寄与する素子分離型 Image Sensor
[ 4 ] - 4 : Smartphone用カメラモジュール低背化技術
[ 4 ] - 5 : Smartphone用CMOS Image SensorのCell Size微細化Trend
[ 4 ] - 5 - 1 : あまり大きくない『Big Cell』へのTrend変化
[ 4 ] - 5 - 2 : 車載カメラにも効用があるCell縮小化
[ 4 ] - 5 - 3 : 光学サイズの定義
[ 4 ] - 5 - 4 : 光学サイズと光路長の関係から低背レベルを表すHeight Rate
[ 4 ] - 6 : 車載カメラに必要なImage Sensorの機能
[ 4 ] - 6 - 1 : Image Sensor のHDR (High Dynamic Range) 機能
[ 4 ] - 6 - 1 - 1 : 光学系のDR拡大に必須な不要反射光低減の工夫
[ 4 ] - 6 - 2 : Global Shutter
[ 4 ] - 6 - 3 : LEDフリッカ抑制
[ 4 ] - 6 - 4 : 夜間歩行者検出用「超高感度」、「RGB+NIR」Image Sensor
[ 4 ] - 6 - 4 - 1 : 夜間歩行者検出精度をより高めるFIRカメラとのFusion
[ 4 ] - 7 : FIR (遠赤外線) Image Sensor
[ 4 ] - 8 : 特殊構造のImage Sensor
[ 4 ] - 8 - 1 : シリコンフォトダイオードによる垂直色分離型Image Sensor
[ 4 ] - 8 - 2 : 研究・開発は進んでいる有機CMOS Image Sensor
[ 4 ] - 8 - 3 : 究極の超小型Lens-less Image Sensorの概要

[ 5 ] Lens設計の基礎
[ 5 ] - 1 : Lensの性能を決める収差の種類と今も生きる「基本設計」
[ 5 ] - 2 : さまざまなLens材料とその特徴
[ 5 ] - 3 : 熱可塑性樹脂Lens設計上の注意
[ 5 ] - 4 : 熱可塑性樹脂Lensの製造プロセス
[ 5 ] - 5 : 特定メーカーの強さが際立つSmartphone用Lens
[ 5 ] - 6 : Lens仕様要求上の注意点
[ 5 ] - 7 : 微細Cell SizeのImage Sensor用Lens設計のあり方
[ 5 ] - 7 - 1 : Image SensorとカメラモジュールのMTF
[ 5 ] - 8 : Lensが解像可能なCellの微細限界

[ 6 ] 各種耐熱Lensの特徴
[ 6 ] - 1 : 耐熱Lensの分類
[ 6 ] - 2 : 各種耐熱Lensの製法と特徴
[ 6 ] - 2 - 1 : 移動金型式GMOの製法と特徴
[ 6 ] - 2 - 2 : Injection Mold方式熱硬化性樹脂Lensの製法と特徴
[ 6 ] - 2 - 3 : Hybrid Lensの製法と特徴
[ 6 ] - 2 - 4 :「超々薄型化」が可能なCasting WLOの製法と特徴
[ 6 ] - 2 - 4 - 1 : Casting WLOの金型製法の特徴と他方式との比較
[ 6 ] - 3 : Hybrid WLOとCasting WLOメーカーの導入装置
[ 6 ] - 4 : WLOの非球面測定法
[ 6 ] - 5 : 複屈折が解像度に与える影響と、各種Lensの複屈折の実力
[ 6 ] - 6 : 各種Lensの材料費比較
[ 6 ] - 7 : 各種Lensの設備投資額比較
[ 6 ] - 8 : 熱可塑性樹脂Lensコストを凌駕するCasting WLO
[ 6 ] - 9 : Casting WLO用「Monolithic樹脂」の特徴
[ 6 ] - 9 - 1 : Monolithic樹脂の耐熱特性
[ 6 ] - 9 - 2 : Monolithic樹脂の光学特性
[ 6 ] - 9 - 3 : Monolithic樹脂を使用したCasting WLOの設計値との誤差
[ 6 ] - 10 : 超短Pulse Laser DicerによるWLO個片化技術
[ 6 ] - 10 - 1 : Hybrid WLO個片化技術の問題点
[ 6 ] - 10 - 2 : 非熱加工を可能にする超短Pulse Laser Dicer(旧ミシガン特許)
[ 6 ] - 10 - 3 : 薄型GorillaR Glass切断に生かされた超短Pulse Laser Dicer
[ 6 ] - 10 - 4 : Sapphire Glass切断にも応用可能な超短Pulse Laser Dicer


◆【 第 三 章 】IoT本格化に向けた業界動向
[ 1 ] 半導体市場動向

[ 1 ] - 1 : 2015~2016年に吹き荒れた半導体業界再編の嵐
[ 1 ] - 1 - 1 : 車載用主要半導体の市場動向
[ 1 ] - 1 - 1 - 1 : M&Aによる勢力図の変化
[ 1 ] - 1 - 1 - 2 : ON Semiconductorの車載半導体Business戦略
[ 1 ] - 2 : 主要車載半導体の市場動向、シェア、Supply Chain
【車載用MOSFETの市場規模推移・予測/ Market Share】
【車載用MPUの市場規模推移・予測/ Maker Share/ Supply Chain】
【車載用Power ICの市場規模推移・予測/ Maker Share/ Supply Chain】
【車載用Radarの市場規模推移・予測/ Maker Share / Supply Chain】
【車載用LIDARの市場規模推移・予測/ Maker Share/ Supply Chain】

[ 2 ] ますます高まるカメラの役割
[ 2 ] - 1 : そしてすべての『もの』がCloudにつながる
[ 2 ] - 1 - 1 : Cloud Deep Learning対応に向け加速するServerの性能向上施策
[ 2 ] - 1 - 2 : 自動運転実現に必須な「2種類のDeep Learning」の融合
[ 2 ] - 1 - 3 : すべての『もの』に知性を与える「Neuromorphic Chip」
[ 2 ] - 1 - 4 : Droneの市場動向
[ 2 ] - 1 - 4 - 1 : 「無電柱化法案」成立、どうなる日本のDrone事業の未来
[ 2 ] - 1 - 5 : 急変するIoT時代に向けた家電系IT標準化覇権争い
[ 2 ] - 2 : すべての『もの』に必須なカメラ機能 / Camera for IoT

参考文献

関連する書籍・セミナー・通信講座・カテゴリー・特集

FAX申込書FAX申込書 カートに入れる <<各種割引特典
▲このページのTOPに戻る