Autonomous Vehicles

自動運転車（AV）は、自動運転車とも呼ばれ、センサーと人工知能（AI）を使って周囲を認識し、ほかの道路利用者の行動を予測し、経路を計画して、人間の運転者なしで操舵、加速、ブレーキを行います。この用語は、運転者が監視しながら高速道路で車線を維持する車から、運転席に誰もいないロボタクシーまで、幅広い自動化レベルを指します。無人運転サービスはすでに商用化されています。2020年にフェニックスで一般向けの完全無人運転サービスを開始したWaymoは、米国の少なくとも10の大都市圏で有料の乗客を運んでいます。BaiduのApollo Goも、武漢など中国の都市で無人ロボタクシーを運行しています。一般向けの自動車の大半が提供するのは、常時人間の監視を必要とする運転支援機能で、これは現在最も一般的な自動車分野のAIです。

自動運転車の仕組み#

自動運転システムは、1秒間に何度も同じ処理パイプラインを繰り返します。

• センシング：カメラで車線標示、標識、信号を読み取ります。LiDARはレーザーパルスで正確な3D距離を測定し、レーダーは距離と速度を測定して霧や雨の中でも動作します。GNSS、慣性センサー、車輪オドメトリーで車両自体の動きを追跡します。
• 認識：ニューラルネットワークがすべての車、自転車、歩行者を検出、分類、追跡し、車線と走行可能領域を特定して距離を推定します。
• 予測：システムは、今後数秒間に各道路利用者が進む可能性のある位置を予測します。多くの場合、確率を付与した複数の軌跡として予測します。
• 計画：プランナーは、前進を続け、交通ルールを守り、予測された各軌跡から安全な距離を保てる経路と速度を選択します。
• 制御：低レベルコントローラーが計画を操舵、アクセル、ブレーキの指令に変換します。

すべての条件で機能するセンサーはないため、センサーフュージョンで複数のセンサーを組み合わせます。認識では、物体検出、道路、歩道、植生のセマンティックセグメンテーション、LiDAR点群を用いた3D物体検出、複数物体追跡を行います。カメラのみを使うシステムでは、深度推定とステレオビジョンで距離を求めます。経路追従コントローラーでは、操舵と加速の制限内で計画された軌跡を追うために、モデル予測制御がよく使われます。KITTIやArgoverseなどの公開データセットは、これらのモデルの学習とベンチマークに使うラベル付き走行データを提供します。

コードで道路利用者を追跡する#

予測には各道路利用者の動きが必要なため、認識システムは安定したIDを維持しながら、フレーム間で各オブジェクトを追跡する必要があります。Ultralytics YOLO26のtrackingモードでは、検出した各BBoxに永続的なIDを付与できます。この例では、歩行者が歩く動画を追跡します。

from ultralytics import YOLO

model = YOLO("yolo26n.pt")

# Track pedestrians (COCO class 0) across video frames, keeping one ID per person
video = "https://github.com/ultralytics/assets/releases/download/v0.0.0/decelera_portrait_min.mov"
results = model.track(source=video, classes=[0], stream=True)

ids_seen = set()
for result in results:
    if result.boxes.is_track:
        ids_seen.update(result.boxes.id.int().tolist())

print(f"Unique pedestrians tracked: {len(ids_seen)}")

このコードは、動画内でIDが付与された異なる人物の数を出力します。各IDは、フレーム間で同じ人物のBBoxを対応付けます。フレームごとのBBoxの位置の変化が動きの履歴となり、予測モジュールはその履歴を外挿します。

モジュール型とエンドツーエンド型の運転システム#

従来のAVソフトウェアはモジュール型で、認識、予測、計画、制御の各コンポーネントを個別にテストし、追跡対象のリストなど、人手で設計したインターフェースを介して接続します。エンドツーエンド型システムは、パイプラインの大部分を、センサーデータから軌跡を出力する単一のニューラルネットワークに置き換えます。このネットワークは、大量の人間の運転データを用いた行動クローニングで学習します。Teslaは2024年、バージョン12でFSD（Supervised）の運転支援ソフトウェアをエンドツーエンドネットワークに移行しました。また、認識、予測、計画を1つのネットワークで連携させ、計画に向けて最適化した研究モデルUniADは、CVPR 2023の最優秀論文賞を受賞しました。本番環境の多くのスタックは両者の中間に位置し、学習済みモジュールを共同で学習させつつ、エンジニアがテストできる解釈可能な出力も提供します。

まれなイベントは必要なときに収集できないため、検証の多くをシミュレーションで行います。Waymoが2026年2月に発表したWaymo World Modelのように、車両群のデータで学習したワールドモデルは、実際の車両群が記録したことのないシナリオについて、現実的なカメラデータとLiDARデータを生成します。また、シミュレーションでの強化学習により、人間の運転データではほとんど扱われない状況にプランナーが対応できるようになります。

運転自動化のレベル#

2021年にISOと共同で改訂されたSAE J3016規格では、運転自動化を6段階に定義しています。レベル0から2は運転者支援機能です。足をペダルから離し、手をハンドルから離している場合でも、人間が運転し、常に監視する必要があります。レベル3から5は、少なくとも運行設計領域（設計の対象となる道路、速度、条件）の範囲内で、システム自体が運転する自動運転システムです。

GMのSuper Cruiseなど、ハンドルから手を離して使う高速道路システムは、運転者が道路を監視し続ける必要があるため、レベル2です。Mercedes-Benz Drive Pilotはレベル3のシステムで、ドイツ、カリフォルニア州、ネバダ州の一部の高速道路で承認されています。運転者は前方から目を離せますが、要求があれば運転を引き継ぐ必要があります。Waymoのロボタクシーは、マッピング済みのサービスエリア内で無人運転を行うレベル4です。人間が運転できる場所ならどこでも走行できるレベル5の車両は、現在存在しません。

実際のアプリケーション#

• ロボタクシー：Waymo、Baidu Apollo Goなどは、定められたサービスエリア内で車内に安全運転要員を乗せずに乗客を運びます。車両からの問い合わせに対応できる遠隔スタッフが支援します。
• トラック輸送：Auroraは2025年、長距離で予測しやすい運転が自動化に適した高速道路ルートで、ダラスとヒューストン間の無人トラックによる顧客貨物の輸送を開始しました。
• 運転支援：アダプティブクルーズコントロール、車線維持支援、自動緊急ブレーキは、数百万台の一般向け自動車で同種の認識モデルを使用します。多くの場合、運転者の注意力を確認するドライバーモニタリングカメラも併用されます。
• 産業用車両：鉱山の自律走行ダンプトラック、ヤードトラクター、倉庫のフォークリフトは、ルートや交通が管理された専用施設内で稼働します。

自動運転車と関連用語の違い#

• 先進運転支援システム（ADAS）：レベル0から2までの機能で、人間の運転者を支援しますが、運転の責任は引き続き運転者にあります。厳密な意味でのAVは、運転タスク全体を自動で実行します。
• コネクテッドカー（V2X）：交通信号など、ほかの車両やインフラとデータを交換する車両です。自動運転でなくても車両を接続でき、通信によってAVは自車のセンサー範囲を超えた情報を得られます。
• 遠隔支援と遠隔運転：SAEの2021年改訂版では、この2つを区別しています。遠隔支援者は、立ち往生したトラックを追い越してよいか確認するなど、無人車両に助言しますが、車両は自動運転を続けます。遠隔運転者は、離れた場所から車両を直接操作します。
• フィジカルAIとロボティクス：AVは公道に特化した移動ロボットであり、フィジカルAIの商用導入として最大規模です。AVの認識と計画の手法は、倉庫ロボット、ドローン、ヒューマノイドにも共通して使われています。