自動運転の走行データを高精度な3D環境として蘇らせる「ニューラル再構築」は、物理AI開発に不可欠だが、その処理には数時間を要していた。NVIDIAは自社ツール「NVIDIA Nsight Developer Tools」を用いたプロファイリングにより、主要カーネルの実行時間を半減。エンジニアの検証サイクルを大幅に短縮し、リアルタイム再構築という長期目標への足場を固めた。

Gaussian Splattingの裏側で起きていたGPUリソースの無駄

NVIDIA Omniverse NuRecは、カメラとLiDARのデータから現実空間を再現する際に、Gaussian Splattingなどのニューラルレンダリング技術を活用する。しかし複雑なPyTorchの学習ループとCUDAカーネルがGPUに集中し、小規模なカーネルが乱立することで起動オーバーヘッドが増大していた。Nsight SystemsとNsight Computeによる解析では、不必要な同期ポイントや過剰なレジスタ使用が原因で、GPUの稼働率（オキュパンシー）が約15%に留まっているカーネルが存在した。シミュレーション用デジタルツインの高品質化の裏で、ハードウェアの演算器が十分に活かされていなかったことになる。

カーネル融合と同期除去がもたらした実行時間半減

開発チームはプロファイリング結果に基づき、細分化された小カーネルを統合して起動回数を減らすと同時に、計算の流れを妨げていた不要な同期処理を削除した。さらに、カメラデータとLiDARデータを処理する「renderBackward」カーネルを分割し、それぞれの特性に合わせて並列度を引き上げた。この一連の最適化により、レジスタと共有メモリの使用量が減少し、オキュパンシーは30～50%へ改善。最も重いカーネルの実行時間が半分になり、全体の再構築パイプラインの所要時間を大きく短縮した。単なる「ツールの紹介」ではなく、具体的な数値改善が伴っている点が、開発現場にとっての実用価値といえる。

「数時間の待機」が阻む、物理AI開発の検証ループ

自動運転やロボティクスの開発では、実車両が意図しない挙動を示したシーンを即座に3D再構築し、原因を分析したいという強い需要がある。環境をデジタル上で再現できれば、視点を変えた再観測や合成データの生成が可能になる。しかし、短い走行ログの処理に1時間以上かかる状況では、デバッグのテンポは著しく損なわれる。NVIDIAの今回の成果は、数時間の待ちが数十分へと短縮されることを意味し、エンジニアの試行錯誤の密度を高める。物理AIの品質向上は、モデルの構造だけでなく、こうした開発インフラのレスポンスにも依存していることを示している。

長期テール効果と作業負荷の不均衡──迫る次の壁

パイプライン全体の高速化には、今回最適化された主要カーネル以外の「ロングテール」部分への対処が不可欠だ。Nsightのワープアクティビティ分析では、一部のスレッド群に作業が偏り、他の演算器が遊休状態になる負荷不均衡が検出された。MIPマップ生成や前処理段階など、重くはないが多数回実行される処理が累積して遅延を生む。NVIDIAはすでにこれらの長期的課題への取り組みを表明しており、今後のアップデートによって「30秒の走行データを30秒で再構築する」というリアルタイム性能の実現が視野に入る。これは再構築ツールとしての用途を大きく拡張し、オンライン処理への応用も可能にする分水嶺となる。