各地域で大規模なITS（高度道路交通システム）プロジェクトが立ち上げられ、交通効率や安全性の向上を目指した取り組みが行われました。

ヨーロッパ：Eureka PROMETHEUS Project(ユーレカ・プロメテウス計画)

1986年、欧州先端技術共同体構想(EUREKA)にて大規模なITSプロジェクト「PROMETHEUS（プロメテウス」が発足しました。

このプロジェクトは交通効率と安全性の向上を目的とした大規模な無人自動車の研究開発プロジェクトで、複数の大学や研究機関、ヨーロッパの主要自動車メーカーを中心とした600社もの企業などが参加、EUREKA加盟国からは7億4,900万ユーロの資金提供を受けたという大規模な研究開発プロジェクトでした。

プロジェクトを策定するにあたり、40以上の研究機関と協力して、7つのサブプロジェクトからなるプログラムが作成され、運営委員会の下には以下の産業研究に関する3つのプロジェクトと基礎研究に関する4つのプロジェクトが出来ました。

【産業研究】

• PRO-CAR：コンピュータシステムによる運転支援
• PRO-NET: 車車間通信
• PRO-ROAD: 車両と環境間のコミュニケーション

【基礎研究】

• PRO-ART : 人工知能の方法とシステム
• PRO-CHIP: 車両内のインテリジェント処理のためのカスタムハードウェア
• PRO-COM: コミュニケーションの方法と標準
• PRO-GEN: 新しい評価と新しいシステムの導入のための交通シナリオ

プロメテウス計画で特筆すべき車は、”VaMP “と”VITA II”の2台ですね。

この車は3代目のメルセデス・ベンツ・Sクラスをベースに、ミュンヘン連邦国防大学とダイムラー・ベンツ(現メルセデス・ベンツ)が共同で開発しました。

搭載されていたシステムは、ミュンヘン連邦国防大学が開発した”VaMoRs”をベースに小型化・改良されたマシンビジョンシステムです。

1994年にはVaMPとVITA Ⅱがパリにある複線の高速道路を最高で130 km/h以上の速度で走行、交通量が多い状況でありながらも、1,000km以上走行することに成功。

また、他車両が通行していない道路での自立走行、隊列走行、他車両への自動追従、他車両の自立的追い越し運転において車線変更を行うなどの実地検証を行いました。

1995年にはVaMPがバイエルン州ミュンヘンからデンマークのオーデンセまでの往復1000マイルを走破。ドイツのアウトバーン上で175 km/h以上の速度を出すことが出来ました。

プロメテウス計画は後に以下のテーマを一般公開し、数多くの自動運転に関する業績の基礎となりました。

• CED 1: 視力強化
• CED 2-1 : 摩擦モニタリングと車両ダイナミクス
• CED 2-2 : 車線維持サポート
• CED 2-3: 視程範囲の監視
• CED 2-4: ドライバーステータスモニタリング
• CED 3: 衝突回避
• CED 4: 協調運転
• CED 5: 自律型インテリジェントクルーズコントロール
• CED 6 : 自動緊急通報
• CED 7: フリート管理
• CED 9: デュアルモードルートガイダンス
• CED 10: トリップおよび交通情報システム

…ちなみに8番目のCED 8 (テスト フィールド) が抜けている理理由は、資金調達の構造とスケジュールに合わないことが判明したため、中止されたみたいです。

…ちなみに8番目のCED 8 (テスト フィールド) が抜けている理理由は、資金調達の構造とスケジュールに合わないことが判明したため、中止されたみたいです。

アメリカ：AHS（自動道路システム）計画

1980年代後半、アメリカでは交通事故と深刻な渋滞が社会問題となっていました。

そこで、自動運転技術をITSに取り込み、解決を図ろうという動きが出てきます。

1991年、米国議会はISTEA（Intermodal Surface Transportation Efficiency Act：総合陸上交通効率化法）が制定、連邦政府からの助成金予算は総額1533億ドルで、そのうち6.6憶ドルがITS技術分野に出資されました。

1994年、政府と民間企業の連携によってNAHSC（National Automated Highway System Consortium：米国自動走行道路コンソーシアム）が結成、

そして1997年には技術的に自動運転が実現可能なのかを示すことを目的に、カリフォルニア州サンディエゴ近郊ののインターステートハイウェイ15号線にあるHOVレーン内で大規模な実証実験「Demo ’97」が実施されました。

Demo ’97では8月7日から11日にかけて、以下7つのチームが自動運転のデモンストレーションを行いました。

• カリフォルニアPATH：磁気マーカーによる路車協調方式を採用。8台の車両が車間距離6.3m、時速96kmで隊列走行を実施。目的は車間距離を短くすることで渋滞を防ぐこと。
• カーネギーメロン大学：乗用車2台、ミニバン1台、バス2台をマシンビジョンによる自動運転で走行。目的は混在交通下での自動運転の実現。
• オハイオ州立大学：マシンビジョンと道路に貼り付けたレーダー反射テープを組み合わせ、2台の乗用車が追い越しを含むシナリオで自動運転を実施。衝突防止用のレーダーを自動運転用のセンサーとして利用していて、これが路車協調方式の”鶏と卵”問題に対する１つの答えになりました。
• トヨタ自動車：運転支援技術「アダプティブ・クルーズ・コントロール（ACC）」を搭載した車両を走行。これを発展させていくことで自動運転を実現させていく方針を示しました。
• 本田技研工業：マシンビジョンによる方式と、PATHが設置した磁気マーカー方式の両方を採用。前者は道路側設備が貧弱な僻地向け、後者は道路側設備が整備されてる都市部などへの対応を意識しています。
• イートン・ボラド社：大型トラック向けACCのデモ走行を実施。先頭車両にはレーダーの反射を抑えるFRP製ボディを採用したスポーツカーを使用していました。
• カリフォルニア運輸省：磁気マーカーのメンテナンス用にマシンビジョンによる自動運転を走行。

日本：AHS（自動道路システム）

日本でも同様のITSプロジェクトが始まります。

1995年3月20日、地下鉄サリン事件のあったその日、建設省（現・国土交通省）は自動車メーカー各社を集め、こんな感じの事を言いました。

• 10月に道路に打ち込んだ”磁気釘”を読み取る路車協調方式の自動運転システムの実験やるから車作って
• 磁気センサーはトヨタさんから買ってね
• 実験車は2台以上作ってね
• 実験車の製作費は自腹でお願い
• 実験には海外の要人を招待して車に乗ってもらうからそのつもりでがんばってね

要するに、すでに予算や人員配置等の計画が決まった後に、1年くらいかかるところを半年以内で事故を起こさない自動運転システムを開発しろってことですね。

それも自腹を切ってです。

ですが、日本の自動車メーカーは見事にこれを実現します。

1995年10月にはつくば市の土木研究所のテストコースで、1996年には上信越自動車道・小諸IC付近でのデモ走行が行われました。

この開発スピードの速さには、アメリカの来客が驚いたと言われています。

自分たちが5年以上かけてやろうとしてた事を、1年くらいでやられたらびっくりしますよね。

ちなみに、このプロジェクトが始まったきっかけはアメリカのAHS計画がきっかけとなり始まったみたいです。

1995年、当時の建設大臣が訪米したとき、2年後にAHS計画のデモンストレーションを行う予定があるという話を聞いたみたいで、帰国してから建設省官僚に…

「日本では自動走行はどうなったいるのか?」

って質問をしました。

ここまでなら別にキッカケでも何でもないのですが…質問された官僚さんがどういう訳か、

「今すぐ自動運転を開発してデモンストレーションをしなきゃ!!!」

…と拡大解釈してしまったのが、このプロジェクトを始めるきっかけとなったみたいです。

ちょっと笑えますが、自動車メーカーの人たちはたまったものじゃないですね。

成功はしたけれど…

日本、アメリカ、ヨーロッパ、それぞれで行われたITSプロジェクトは、技術的には一定の成功を収めました。

しかし、実際に社会に導入するとなると、いくつかの課題が浮き彫りになります。

• 自動運転専用インフラの整備に膨大なコストがかかる
• 一般車との混在交通では、かえって事故のリスクが高まる可能性がある

こうした懸念から、各国のプロジェクトは凍結、あるいは大幅な縮小へと舵を切ることになりました。

その結果、道路にケーブルを埋める必要のない自動運転システムが登場しました。

スタンフォード・カート

1961年、アメリカ・スタンフォード大学は、スタンフォード・カートという月面探査機のプロトタイプを作りました。

この車両は人間が遠隔操作するために作られ、テレビカメラと無線通信機のみを搭載していました。

月面探査という本来の目的は果たせなかったものの、後の研究者たちによって自動運転の研究用車両として改造され、

• 1971年には白線をカメラで読み取って走行するシステムが搭載
• 1977年には2眼式のカメラを搭載して立体視に対応
• 1979年には障害物をよける機能が搭載

と、徐々に自動運転機能を獲得していきました。

シェーキー

スタンフォード研究所（現・SRIインターナショナル）の人工知能センターでは、1966年から1972年にかけてシェーキー(Shakey)と呼ばれるロボットを開発しました。

このロボットの高さは約2メートルほどで、無線リンク用アンテナ、ソナー距離計、テレビカメラ、オンボードプロセッサ、衝突検出センサーなどを搭載しています。

そしてコンピュータビジョン、自然言語処理、論理推論などの技術を組み合わせ、移動が可能な世界初の汎用ロボットとして行動を決定できる点が大きな特徴でした。

シェーキーで開発された技術は、現在、以下のような分野に応用されています。

• Siriのような自然言語対話
• 自動車の車線逸脱防止支援システム
• A*(エースター）探索アルゴリズムによる経路探索（カーナビ等に応用）
• NASAの火星探査機ローバーの自律ナビゲーション

ちなみに名前の由来は「めっちゃ揺れるから」だそうです。

知能自動車

1977年、日本の通商産業省（現・経済産業省）機械技術研究所は、世界で初めて自律方式を採用した自動運転車「知能自動車」を開発しました。

この車両には2台のカメラが搭載され、視差を利用して障害物を検出。道路下のレールや磁気センサーに頼ることなく、周囲の環境を視覚的に捉えて走行するという、のちにマシンビジョン技術の原型となる方式が用いられていました。

ALV

1980年代、アメリカではDARPA（国防高等研究計画局）が無人偵察を目的とした自動運転車の開発計画が立ち上がり、メリーランド大学やマーチンマリエッタ社によってALV（Autonomous Land Vehicle）が開発されました。

外観は高さ約3m、全長約4.1mの白色に青いラインの入った四角い8輪の車両で、ルーフにカメラとセンサーが取り付けられ、無人で自動運転しました。

一応1987 年 11 月までに重要なマイルストーンを達成したのですが、1988年にプロジェクトは中止されました。

理由は軍関係者がイマイチ開発目的を理解してなかったからだそうです。

まぁ、デカくて遅くて目立つ上に、３つのディーゼルエンジンを轟かせてたら偵察は無理っぽいと思われて仕方ないのかもしれません。

NavLabとALVINN

ALVの成果は、カーネギーメロン大学（CMU）のNavLabプロジェクトに引き継がれました。

Navlab は、カーネギーメロン大学コンピュータサイエンス学部のロボット研究所チームによって開発された、一連の自律型および半自律型の自動運転車で、Navlab1からNavlab11まで製造されました。

1984年にコンピュータ制御車両の研究を開始し、最初の車両である Navlab1の生産は1986年に始まりました。

Navlabシリーズの車両は、「オフロード偵察」「高速道路の自動化」「オフロード衝突防止」「混雑した都市環境での操縦補助」といった幅広い目的に対応するよう設計されており、車種のラインナップも「ロボットカー、バン、SUV、バス」など多岐にわたっていました。

ほとんどの車両は半自律型ですが、中には完全自律走行を実現し、人間の介入を不要とするものも存在しました。

また、1988年にはALVINNが開発されました。

ALVINNという名前はAutonomous Land Vehicle In a Neural Networkの頭文字からつけられていて、その特徴はセンサーデータと映像をもとに、人間の運転を模倣する形でステアリング操作を学習する能力があることです。

つまり、ニューラルネットワークを使った世界初の自動運転車ということになります。

VaMoRs

ドイツでは1980年代半ばから、ミュンヘン連邦国防大学で自律走行車の研究が行われ、VaMoRsという車を開発しました。

VaMoRsはメルセデス・ベンツ製のバンをベースにマシンビジョンを活用した自動運転車で、閉鎖されたアウトバーンを約88km/hを達成しました。

この実験では安全対策としてエンジニアが運転席に座っていたものの、実際の走行操作はすべてシステムが行っていたとのことです。

<参考文献・リンク>

【書籍】

• 保坂明夫，青木啓二，津川定之：自動運転(第2版)―システム構成と要素技術―，森北出版,(2019)
• 古川 修：自動運転の技術開発　その歴史と実用化への方向性,グランプリ出版,(2019)

【ウェブサイト】

• “自動運転の歴史と現状（2023年最新版）”. 自動運転ラボ,(‘2023年3月1日閲覧)
• “自動運転車の歴史 1920年代から現在まで 前編”. AUTOCAR JAPAN. ,(‘2025年3月1日閲覧)
• 津川 定之,”自動運転システムの60年,2015 年 54 巻 11 号 p. 797-802,(‘2025年3月1日閲覧)

【Wikipedia】

• 自動運転車
• History of self-driving cars

当時の自動運転は、車両が自律的に走行するのではなく、外部からの指示を受けて走る方式でした。

具体的には、路面に埋め込まれた電磁誘導ケーブルを車両のセンサーが読み取り、それに応じてステアリングを自動制御する仕組みです。

自動運転の研究が始まったのは、1950年代のアメリカ、始まったきっかけは、吹雪で発生した重大な交通事故が起きたからだそうです。

この事故を、ウラジミール・ ツヴォルキンという方が知り、安全のために自動運転の開発しようと進めていった事から自動車の自動運転の研究が始まったみたいです。

ツヴォルキン氏はテレビに関する発明で有名な方で、当時はRCA(Radio Corporation of America)という大手エレクトロニクス企業の副社長をしていました。

そして、ニューヨーク万博でも自動運転の展示をしていたGM(ゼネラルモーターズ)と一緒に、路車協調方式の自動走行システムの研究に乗り出しました。

1953年、RCA研究所は、実験室の床に配線したワイヤーからミニチュアの車両を自動誘導・制御するシステムの開発に成功。

1957年には電子制御道路構想のもとに、RCAとネブラスカ州政府の合同事業を開始。ネブラスカにある120mの道路を用いて、実際に実験が行われました。

1960年6月5日にはニュージャージー州プリンストンのRCA研究所本部で実演が行われ、記者たちが実際にこのシステムを”運転”する体験も許可されました。
当時は、1975年までには実用化が実現するだろうと予測されていたそうです。

ここまではRCAが出した自動運転でしたが、GMも自動運転を出していました。

1956年、GMは「モトラマ」という展示会でファイアーバードIIというコンセプトカーを披露しました。

このイベントは、GMの製品や未来のビジョンを一般に紹介するために開催されました。

ファイアーバードIIはチタン製のボディとガスタービンエンジンを搭載していて、まるで羽のないジェット機の様な見た目をしていました。

この車の自動運転の仕組みは、主要な高速道路沿いに設置された交通管理塔と通信し、道路上に設置された電磁誘導ケーブルを通じて、遠隔で自動車をコントロールするといった感じです。

本当に羽のないジェット機みたいですね。

ですが、ファイアーバードIIはあくまでガスタービンエンジンやチタンボディなどの先進技術をアピールするためのコンセプトカーだったみたいで、実際には自動運転システムを搭載してなかったみたいです。

1958年、GMは前部に「ピックアップコイル」を2つ取り付けた1958年製のシボレー・インパラを用いて自動運転のデモンストレーションを行いました。

運転手が必要ない事をアピールするために、ハンドルなしで製造された車もあったみたいです。

このデモンストレーションは技術的には成功したのですが、GMの幹部はもっと…”華やかな”ものにしたいと考えたみたいです。

1959年、ファイアバードIIIを制作。前モデルと同様にガスタービンエンジンを搭載していましたが、新たに「Unicontrol(ユニコントロール)」と呼ばれる電子制御システムも備えていました。

ハンドルやブレーキ、アクセルペダルを１つのジョイスティックに統合したものですね。

あと同じ年に、GM傘下のキャデラックからサイクロンというコンセプトカーが登場しました。

こちらは電磁誘導ケーブルを使った自動運転システムを搭載していませんが、レーダーによる衝突回避システムが搭載されていました。

そんな感じで1950年から10年間…大手の自動車メーカーとエレクトロニクス企業、そして行政とも協力して自動運転の研究開発を進め、一般の人にも大々的にアピールまでしてきました。

この調子でいけば20年後には自動運転が実用化しててもおかしくない…

そんな感じに思えますが、残念ながらプロジェクトとしてはここから進むことは無く、凍結となってしまいました。

凍結した理由の１つは、すごくお金がかかるからです。

このシステムを実現する場合、まずアメリカのハイウェイすべての道路にケーブルを埋め込む必要があります。

そして、埋め込んだ後はちゃんと電流が流れるように運用して、故障したらメンテナンスをする必要があります。

参考までに、国土交通省から出している「自動運転サービスの採算性の検討事例」という資料によると、往復6km、合計12kmの電磁誘導ケーブルは4,800万円かかるみたいです。

という事は1kmあたり400万円かかることになります。

Wikipediaによると、アメリカの”州間高速道路”は1991年時点で総距離6万8500kmになります。これを無理やり当てはめると、2740億円くらいかかることになっちゃいます…

さらに、その全線が片側2車線以上あります。全線を自動運転できるようにするという事は、すべての車線にケーブルを埋めなければいけません。

仮に全線片側2車線だとしても、単純に4倍の1兆960億円かかります。

これはアメリカのハイウェイの建設費用の1割近くに相当します。
(アメリカのハイウェイの建設には12兆5千億円(≒1140億ドル)掛かっています。)

ここから、さらにケーブルを埋め込む工事費とか、電気代、運用、管理、補修にかかるお金とかもかかってきます。

なので、いくら安全のためとはいえ、手間とコストがかかりすぎるから現実的ではないと判断されてしまいました。

あと、当時の電子部品の信頼性が低かったのもあるでしょうね。

なにせ、核地雷の制御部品を保温するために生きた鶏を入れようとしたくらいですし…

そして、排ガス規制や燃費規制が強化されたことも理由の1つです。
また、1960年代後半から1970年代初頭にかけて、アメリカでは一連の自動車安全基準や排ガス・燃費規制が強化されました。

自動車メーカーは、これらの規制に対応するためにリソースを集中せざるを得ず、自動運転開発への投資は後回しになってしまったのです。

また、GMとRCA以外にも、1960年代から70年代にかけて同様の方式が研究をしていた団体がいました。

アメリカのオハイオ州立大学、イギリスの道路交通研究所、ドイツのシーメンス、そして日本の通産省が研究してました。

そしてこれらのプロジェクトも、似たような理由で一般の公道向けに動いていたプロジェクトは凍結となりました。

【補足】

津川定之氏の論文や本にはドイツのジーメンスもやってたとありますが、これだけ具体的に何をしていたのかが良く分からなかったのですよね…

引用先のタイトルを見てみると1969年にシーメンスが出した「ヨーロッパ初の自動運転車」って資料に書いてるみたいです。

P. Drebinger, et al.: Europas Erster Fahrerloser Pkw, Siemens-Zeitschrift, 43-3, 194/198 (1969)

残念ながらこの資料を見つけられなかったのですが、代わりにコンチネンタルが1968年に自動運転を開発していたってありました。

これはタイヤのテストを行う為に開発したもので、シーメンス、ウェスティングハウス、ミュンヘン工科大学、ダルムシュタット工科大学が関わっています。

なので、多分これの事じゃないかなぁ…って思います。

<参考文献・リンク>

【書籍】

• 保坂明夫，青木啓二，津川定之：自動運転(第2版)―システム構成と要素技術―，森北出版,(2019)
• 古川 修：自動運転の技術開発　その歴史と実用化への方向性,グランプリ出版,(2019)

【ウェブサイト】

• “自動運転の歴史と現状（2023年最新版）”. 自動運転ラボ,(‘2023年3月1日閲覧)
• “自動運転車の歴史 1920年代から現在まで 前編”. AUTOCAR JAPAN. ,(‘2025年3月1日閲覧)
• 津川 定之,”自動運転システムの60年,2015 年 54 巻 11 号 p. 797-802,(‘2025年3月1日閲覧)
• “Driving the Dream” (PDF). Archived from the original (PDF) on 2009-11-22. Retrieved 11 April 2023.(リンク切れ)
• “Elektronisch gesteuert: Vor 50 Jahren brachte Continental sein erstes fahrerloses Auto an den Start“.Continental AG,(2025年3月9日閲覧)

【Wikipedia】

• 自動運転車
• History of self-driving cars
• General Motors Firebird

【YOUTUBE】

• GM Motorama Exhibit 1956

2010年代以降、自動運転技術の開発は、世界中の国や企業によって本格的に進められてきました。

ですが自動運転技術がには、まだ多くの課題が残されています。

技術面では、環境認識の精度向上やリアルタイム処理の負荷軽減、通信インフラとの連携などが求められます。

一方、法律や社会的受容性、ビジネスモデルの確立など、技術以外の側面でも解決すべき課題が存在します。

ここでは、自動運転の実現に向けた課題を「技術的課題」と「非技術的課題」に分けて取り上げていきます。

技術的課題

人間が運転を行う際には、「認知」「判断・計画」「操作」の3つの要素に分けられます。

自動運転システムをこれらの要素に当てはめると、

• 認知　　　：センサーを用いて周囲の環境を正確に把握する
• 判断・計画：コントローラーを用いてシステムを制御する
• 操作：アクチュエーターを用いて車両を動かす

で構成されています。

自動運転システムが安全に運転するには、それぞれの要素が適切に機能する必要がありますが、多くの技術的課題を解決する必要があります。

ここでは、主な技術的課題について詳しく見ていきます。

2.1 アーキテクチャの課題

自動運転システムのアーキテクチャとは、車両がどのように情報を処理し、判断し、制御するかを決めるシステムの構造を指します。

アーキテクチャの設計によって、処理速度、安全性、拡張性、冗長性が大きく変わります。

特に自動運転では、多数のセンサーで得た大量のデータをリアルタイムで処理し、交通状況に合わせた適切な判断を行う必要があり、そのためのシステム設計が重要な課題となっています。

自動運転のアーキテクチャは、「集中制御型」と「分散制御型」の2つの考え方があります。

それぞれの特徴と課題を表すと、次の通りになります。

(1) 集中制御型アーキテクチャ

[特徴]

• センサーのデータを１つのECUが一括処理し、システム全体を統括的に制御する方式

[メリット]

• データ統合が容易：すべての情報を１つのECUで処理するため、データの一貫性を確保しやすい
• 全体最適化が可能：車両全体の挙動を、統一したソフトウェアで管理できる
• 一貫した安全制御：１つのコンピューターで安全判断を統括することで、より精密な制御が可能

[デメリット]

• 計算負荷が集中するため、ECUに高い処理能力が求められる
• 車両内のネットワークの負荷が増えて、通信遅延が発生する可能性がある
• ECU故障時に全システムが停止する可能性がある

(2) 分散制御型アーキテクチャ

[特徴]

• 各センサーやECUがそれぞれ独立して処理を行い、一部の判断をローカルで実施
• 中央に頼らず、各ユニットが協調しながら動作する設計

[メリット]

• システムの冗長性が高い：中央コンピュータに依存しないため、一部のECUが故障しても他のシステムが動作可能
• リアルタイム処理に強い：各ECUが個別に処理を行うため、情報処理の遅延が少ない
• 故障時のリスクが分散：一部のコンポーネントに障害が発生しても、システム全体が停止しにくい

[デメリット]

• データの統合が難しい：各ECUが独立して処理を行うため、情報の整合性を維持する仕組みが必要
• 通信負荷が増加：各ECUがデータをやり取りするため、車両内ネットワーク）の負担が増大
• 一貫性の確保が困難：個々のユニットが独立して動作するため、システム全体の調整が複雑

(3) 例：ADASをグレード別で開発した場合

自動運転やADAS（先進運転支援システム）の開発では、車両のグレード（松・竹・梅）に応じて機能を差別化することが一般的です。
しかし、その際のアーキテクチャ設計には課題が生じます。

例えば、コストやユーザー層に応じてADASの機能を以下のように分けられることがあります。

グレード搭載機能例

• 上級グレード：LiDAR・カメラ、レベル2.5～3相当のADAS（ハンズオフ機能、渋滞時アシスト）
• 中間グレード：ミリ波レーダー・カメラ、レベル2相当のADAS（ACC、車線維持支援、衝突回避）
• 廉価グレード：カメラのみ、レベル1相当のADAS（自動ブレーキ、車線逸脱警報）

このようにADASのグレードを分けた場合、アーキテクチャの設計を集中制御型か分散制御型のどちらかを選択した場合、それぞれ課題が発生します。

集中制御型で開発した場合の課題

全てのADAS機能を中央ECU（高性能AIチップ）に統合し、必要な機能のみをアクティベートする形でグレードを分ける方法。

[メリット]

• 開発がシンプル（すべての機能を統合的に管理できる）
• OTA（Over-the-Air）でアップグレードが可能（上位グレードへの機能拡張が容易）
• データ統合が容易（センサーフュージョンによる高精度な認識が可能）

[デメリット]

• 低グレードでも高性能ECUが必要 → コスト増大（梅グレードでも松グレードと同じECUを搭載する必要がある）
• グレード間のソフトウェア制御が複雑化（機能ごとに異なるライセンス管理や制御ロジックが必要）
• 一部の機能を無効化するだけでは、最適な性能・消費電力を得られない

分散制御型で開発した場合の課題

各ADAS機能ごとに専用ECUを設け、グレードごとに必要なユニットのみを搭載する方法。

[メリット]

• 低グレード車両でコスト最適化（不要なECUを省略できる）
• グレードごとの仕様変更が容易（ソフトウェアの開発・検証が個別にできる）
• ECUごとに最適な処理能力を確保可能（必要な機能だけ処理させるため、全体の負荷が分散）

[デメリット]

• ECU間の通信負荷が増大（機能を分散させることでデータ共有の遅延が発生）
• ソフトウェアアップデートが複雑化（OTA対応のためにはECUごとに個別に更新が必要）
• グレードごとに異なる開発・検証が必要（松・竹・梅で別々のECU構成になるため、検証工数が増加）

(4) 実際のADASでは？

ここまで「集中制御型」と「分散制御型」の紹介をしましたが、実際の自動運転車ではこの両方を組み合わせています。

乗用車で言えば、トヨタをはじめとした昔から自動車を開発しているメーカーは「分散制御型」よりの「集中制御型」。

テスラやBYDといった新興企業(といっても20年近くたちますが…)が「集中制御型」。特にADAS機能関連は１つのECUに集約されています。ですが、自動車としての機能をすべて１つのECUにまとめているわけでは無く、ADAS以外の機能を別にまとめたECUを数個採用していたりします。

2.2 センシングの課題

自動運転車の安全な走行には、正確な環境認識が不可欠です。

そのために、カメラ、LiDAR（ライダー）、ミリ波レーダー、超音波センサーなどの各種センサーが用いられます。

しかし、これらのセンサーにはそれぞれ特有の弱点があり、環境や状況によって認識精度が低下する可能性があります。

(1) 検出性能の課題

自動運転車は、車両、歩行者、信号、道路標識など、さまざまな対象を正確に検出する必要があります。

しかし、特定の状況下では検出が難しくなるケースがあります。

① 形状が変化する対象の認識

• 歩行者：向きや動作によって形が変化するため、検出が不安定になる。
• 自転車：前後と側面で形状が大きく異なり、角度によって検出しづらい。

② 小さな対象や障害物の認識

• 小さな子供や動物：検出そのものが難しく、距離推定が困難な場合がある。
• 路上の落下物など、通常の道路環境にない障害物の認識が困難。
• 工事現場の仮設標識やカラーコーンを一時的なものと判断できず、誤った処理を行う可能性。

③ 死角の影響

• 建物や駐車車両の陰：物体の検出が遅れ、飛び出しなどの危険な状況を捉えにくい。
• 高架下やトンネル：センサーの視界が制限され、周囲環境の把握が困難になる。

④ 交通標識の認識

• 看板と標識の誤検出：道路標識と広告看板を誤認識し、誤った判断をする可能性がある。

(2) 悪天候・環境要因による認識精度の低下

センサーの多くは、天候や周囲環境の影響を受けやすく、以下のような状況では認識精度が低下する可能性があります。

① 雨・雪・霧による影響

• カメラ：視界が悪化し、物体検出や車線認識が困難になる。
• LiDAR：レーザーが雨粒や雪に反射し、ノイズや誤検出を引き起こす。
• ミリ波レーダー：降雪や濃霧では、ノイズが増加し精度が低下する。

② 逆光や強い日差しの影響

• カメラ：白飛び（オーバーエクスポージャー）が発生し、信号や標識の認識が困難になる。
• 影の影響：車両の影が長く伸びたり、急に変化したりすると、物体検出の精度が低下する。

③ 夜間や暗所での影響

• カメラ：視認性が低下し、歩行者や障害物の検出が困難になる。
• 街灯の影響：街灯の強い光がカメラのホワイトバランスを崩し、誤検出を引き起こす可能性がある。

(3) センサーの統合とデータフュージョンの課題

自動運転車は複数のセンサーを組み合わせ、環境認識の精度を向上させています。

しかし、それぞれのセンサーの特性の違いを適切に統合することが重要です。

① センサーごとの認識特性の違い

• カメラ：視覚情報を取得できるが、悪天候や逆光に弱い。
• LiDAR：3Dマップを作成できるが、コストが高く、雨や雪に影響を受けやすい。
• ミリ波レーダー：物体の距離や速度を測定できるが、形状認識は不得意。

② データフュージョン（センサー統合）の課題

• 各センサーの情報をリアルタイムで統合するため、高度なデータ処理が必要。
• 矛盾したデータの処理：例えば、カメラは歩行者を認識しているが、LiDARは検出していない場合、どのデータを優先するか判断する必要がある。

(4) 自己位置推定の課題

自動運転車は、正確な自己位置を把握するためにGPSや高精度地図（HDマップ）を活用しますが、以下のような課題があります。

① GPSの精度と受信環境の制約

• 高層ビル街やトンネル、地下駐車場ではGPS信号が届かない、または精度が大幅に低下する。
• 天候や電波干渉によってGPSの精度が変動することがある。

② 高精度地図（HDマップ）の維持・更新

• HDマップには車線の形状や信号機の位置などの詳細情報が含まれるが、頻繁な更新が必要。
• 道路工事や新設道路にリアルタイムで対応することは困難で、情報が古くなるリスクがある。

③ 自己位置推定技術の高度化

• LiDARとHDマップの照合：高精度だが計算負荷が大きい。
• V2X（車車間・車インフラ間通信）による補正：信号機や周囲の車両と連携し、GPSの精度を補完する技術が求められる。

(5) センサーの安全性・信頼性の確保

センサーは自動運転車の「目」として機能するため、信頼性の確保が不可欠です。

① 故障時のバックアップシステム

• 1つのセンサーが故障しても、他のセンサーで補完できる冗長性設計が必要。

② ハードウェアの耐久性

• 高温・低温・振動など、厳しい環境下でも正常に動作する耐久性が求められる。
• 長時間の使用に耐える高耐久センサーの開発が必要。

③ 誤検知・誤作動の低減

• 例：雨粒を歩行者と誤認識する、道路の影を障害物と誤検知する。
• **ファントムブレーキ（誤作動による急ブレーキ）**への対策が必要。
• **アルファエラー（誤検知）・ベータエラー（見逃し）**のバランスを取る技術が求められる。

2.3 判断・計画の課題

自動運転では、センサーが取得した情報をもとに、どのように走行するかを決定する 必要があります。
安全性を確保しながらスムーズな運転を実現するためには、状況に応じた適切な判断と計画 が欠かせません。

しかし、現実の道路環境にはさまざまな不確定要素があり、すべてのケースに対応するのは容易ではありません。

(1) 曖昧な状況への対応

道路上では、明確なルールが適用できない状況 が多く発生します。
人間のドライバーであれば経験や直感で判断できますが、自動運転車はプログラムされたルールに従う ため、対応が難しくなることがあります。

• 白線が消えかけている場合、車線の境界をどのように判断するか。
• 道路工事などで一時的な迂回路が設置されている場合、適切なルートを見極めるのが難しい。
• 交通整理員の手信号や、歩行者のアイコンタクトを認識し、正しく解釈する技術が求められる。
• 周囲の車両の意図を予測する必要がある。

(2) 予測と予防的判断

周囲の車両や歩行者の動きを事前に予測し、危険を回避するための予防的な判断が求められます。

• 飛び出しの可能性がある歩行者や自転車をどのように予測するか？
• 前方の車両が急ブレーキを踏んだ場合、どのように回避行動を取るべきか？
• 信号の変化を事前に予測し、加減速の最適化を行う技術が必要。

(3) 経路計画の最適化

最適なルート選択や、スムーズな車線変更を実現するには、リアルタイムの状況に応じた計画の修正が必要 です。

• 渋滞を回避しながら、最短ルートを選択する必要がある。
• 車線変更のタイミングを最適化し、スムーズな走行を実現する必要がある。
• 急加速・急ブレーキを避け、乗り心地を向上させる制御が求められる。

(4) 緊急時の判断とフェールセーフ

事故を回避できない状況でも、被害を最小限に抑える判断が求められます。

• 衝突を避けられない状況で、どのようにダメージを最小化するか？
• 他の車両や障害物との距離が急激に縮まった場合、急ブレーキをかけるべきか、それとも回避行動を取るべきか？
• システムが故障した場合、安全に停止する手段を確保する必要がある。

判断・計画フェーズでは、不確実な状況への対応、リスクの予測、最適なルートの選択、緊急時の判断が求められます。

今後、自動運転技術が進化する中で、より高度な判断能力を持つAIの開発と、緊急時に確実に作動する安全システムの確立 が重要なテーマとなるでしょう。

2.4 行動・制御の課題

従来の車両では、ドライバーがアクセルペダル、ブレーキペダル、ハンドルを操作することで、「走る」「曲がる」「止まる」という動作を行います。しかし、自動運転車では、人の代わりに電子制御システムとアクチュエーターがこれらの動作を担うことになります。

このため、どれだけ高度なAIを搭載して認知・判断を行えたとしても、アクチュエーターの動作が不正確だったり、応答遅れが発生したりすると、安全な走行は実現できません。

ここでは、加減速（走る）、ステアリング（曲がる）、ブレーキ（止まる）の各動作におけるアクチュエーターに分けて書いてみます。

(1) 「走る」：駆動系アクチュエーターの課題

自動運転車の加速・巡航には、電動モーターやエンジンのスロットル制御が用いられます。特に電動車（EV）の場合、モーターによるトルク制御の精度が安全性や快適性に大きく影響します。

① 駆動力の精密制御

加減速時に、駆動力を適切に調整することが求められます。

[課題]

• スムーズな発進・加速の実現：低速域でのギクシャクした動きを抑える必要がある。
• タイヤの空転制御：滑りやすい路面（雨・雪・氷）での駆動力最適化が必要。
• パワートレインの応答遅れ：加減速の指令に対するアクチュエーターの反応時間が課題。

[対応策]

• トルクベクタリング制御 → 各車輪ごとの駆動力を最適化し、スムーズな加減速を実現
• トラクションコントロール（TCS）との統合 → 空転を抑え、安定した駆動力を確保
• 高精度モーター制御 → 応答遅れを最小化し、指令通りの加速を実現

② エネルギー効率と熱管理

自動運転では、長時間の運転が想定されるため、アクチュエーターの消費電力や熱管理が重要になります。

[課題]

• モーターの発熱対策：長時間の走行で発熱し、性能低下や故障のリスクがある。
• バッテリー管理：電動車では、エネルギー消費を最適化しなければ航続距離が短くなる。
• 回生ブレーキとの連携：減速時に効率的にエネルギーを回収する必要がある。

[対応策]

• 液冷システムの採用 → モーターやパワーエレクトロニクスの発熱を抑える
• エネルギーマネジメントの最適化 → 走行条件に応じて消費電力をコントロール
• 回生ブレーキと駆動制御の統合 → 効率よくエネルギーを回収し、航続距離を伸ばす

(2) 「曲がる」：ステアリングアクチュエーターの課題

ステアリングの制御は、自動運転車が適切な方向へ進むために不可欠です。近年では、電動パワーステアリング（EPS）の採用が進んでおり、AIによる操舵制御と組み合わせることで精密なコントロールが可能になっています。

① ステアリング応答の精度向上

カーブや車線変更の際、適切なステアリング操作を行う必要があります。

[課題]

• 応答遅れ：指令を出してからアクチュエーターが動作するまでの時間差が安全性に影響する。
• 過剰操舵・不足操舵：適切な角度でハンドルを切れないと、カーブでの安定性が低下する。
• 低速・高速での特性差：低速時の小回りと、高速時の安定性の両立が求められる。

[対応策]

• バイワイヤステアリングの採用 → 機械的なリンクを減らし、より精密な制御を実現
• 車速連動型のステアリング補正 → 低速時はクイックに、高速時は安定方向に制御
• AIによる学習制御 → ドライバーのクセや走行環境に応じたステアリング特性を調整

(3) 「止まる」：ブレーキアクチュエーターの課題

ブレーキは、車両の安全を確保する上で最も重要な制御システムのひとつです。
特に自動運転では、電子制御ブレーキ（ECB）や電動パーキングブレーキ（EPB）が活用され、精密な減速制御が求められます。

① 緊急時の制動力確保

障害物を検知した際、適切な制動力を発揮する必要があります。

[課題]

• 制動距離の変動：路面状況（雨・雪・氷）によってブレーキ性能が変わる。
• ドライバーの介入と自動制御のバランス：自動ブレーキと手動ブレーキの適切な統合が必要。
• 電動パーキングブレーキ（EPB）との連携：駐車時や異常停止時の安全確保が課題。

[対応策]

• ABS・ESCとの連携強化 → 緊急時でも車両の安定性を維持しながら制動
• ブレーキ・バイ・ワイヤの導入 → 油圧に頼らず、電子制御で瞬時にブレーキを適用
• センサー融合による制動補正 → 路面状態をリアルタイムで分析し、制動力を最適化

2.5 ソフトウェアの課題

自動運転システムは、複雑なソフトウェアによって動作しています。センシング、認識、判断、制御といった各機能が正確に連携するためには、ソフトウェアの品質や開発手法が重要になります。

しかし、高度な機能を実現するために、開発や運用の面で多くの課題が発生しています。本章では、ソフトウェアに関する主要な課題について解説します。

(1) ソフトウェアの品質管理とバグの課題

[課題]

• 複雑なコードによるバグの増加: 自動運転のソフトウェアは数百万行のコードで構成されており、バグの発生リスクが高い。
• リアルタイム処理の安定性: ソフトウェアの不具合によって処理が遅延すると、事故につながる可能性がある。
• 異常な動作の検知と対応: センサーの誤検知や計算ミスによって、誤った制御が行われるリスクがある。
• ソフトウェアのバージョン管理: 車両ごとに異なるハードウェア構成があるため、適切なバージョン管理が求められる。

[対応策]

• 自動テストの強化 → シミュレーションや実機テストを活用し、バグを早期に発見
• フォールトトレランス設計 → バグが発生しても安全に動作を継続できる仕組みを導入
• バグトラッキングシステムの活用 → ソフトウェアの変更履歴を管理し、問題の追跡を容易にする
• 異常検知機能の組み込み → AIによる自己診断機能を活用し、不正な動作を検知

(2) ソフトウェア更新とメンテナンスの課題

[課題]

• OTA（Over-the-Air）アップデートの信頼性: 更新中にエラーが発生すると、車両の動作に影響を与える可能性がある。
• 機能追加時の互換性の確保: 既存の機能と新しい機能が正しく動作するように管理する必要がある。
• 更新の頻度と管理: 自動運転の安全性向上のために頻繁なソフトウェア更新が必要だが、その管理が複雑になる。

[対応策]

• 段階的なアップデート（ロールバック機能付き） → 不具合が発生した場合、前のバージョンに戻せる仕組みを導入
• コンテナ技術の活用 → 各機能を独立したモジュールとして管理し、一部のソフトウェアのみ更新できるようにする
• OTAアップデートの事前検証 → 仮想環境でのシミュレーションテストを行い、問題がないことを確認したうえで配信

(3) ソフトウェアの統合と開発の複雑化

[課題]

• 複数の機能の統合による開発の複雑化: 自動運転システムは、認知、判断、制御など複数の機能を統合する必要があり、それぞれの開発チームが独立して作業すると統合時に問題が発生しやすい。
• 異なるシステム間の連携: 例えば、ADAS（先進運転支援システム）と完全自動運転システムの統合が難しい。
• 開発のスピードと安全性の両立: 高速で開発を進めると、十分な検証が行われないままソフトウェアがリリースされるリスクがある。

[対応策]

• ソフトウェアアーキテクチャの標準化 → AUTOSAR Adaptiveなどの業界標準を採用し、システム間の統合を容易にする
• CI/CD（継続的インテグレーション/継続的デリバリー） → 自動テストとデプロイを活用し、統合の問題を早期に発見・解決
• シミュレーション環境の拡充 → 実際の車両を使う前に、統合テストを仮想環境で行う

2.6 サイバーセキュリティの課題

自動運転車は、車両内部のECU（電子制御ユニット）やAIシステム、クラウド、他の車両、交通インフラと連携しながら動作するため、多くの通信が発生します。

このような複雑なシステムでは、サイバー攻撃のリスクが高まり、ハッキング、不正アクセス、データ改ざんなどの脅威が現実的な課題となっています。

自動運転の安全性を確保するためには、システム全体のサイバーセキュリティ対策が不可欠です。

(1) 車両のハッキングリスク

自動運転車はインターネットや車両間通信（V2V）、インフラ通信（V2I）を利用するため、外部からの攻撃を受ける可能性があります。

[主な脅威]

• リモート操作攻撃：攻撃者が遠隔からブレーキ、アクセル、ハンドルを操作
• ECUの不正書き換え：車両制御ソフトウェアにマルウェアを仕込み、動作を妨害
• 車両ネットワークの侵入：内部の車載ネットワーク（CAN、Ethernet）に不正アクセスし、制御を乗っ取る

(2) V2X通信のセキュリティリスク

自動運転車は、V2X（Vehicle-to-Everything）通信を活用して他の車両や信号機、交通インフラと連携します。

しかし、この通信が悪意のある攻撃者に利用されると、安全に走行できなくなる可能性があります。

[主な脅威]

• 偽の交通情報を送信：攻撃者が「渋滞発生」「事故あり」といった誤情報を流し、車両を誤った経路に誘導
• 信号機のハッキング：青信号を強制的に赤信号に変えるなどの不正操作
• 車両間通信の妨害：V2V通信を傍受・改ざんし、衝突回避機能を無効化

[対応策]

• デジタル証明書を活用した認証：正規の通信相手かどうかを確認する仕組みを導入
• 異常検知システムの搭載：通信データを監視し、不審な動作を検出
• 5G・C-V2X（セルラーV2X）技術の活用：セキュリティ強化された次世代通信を導入

(3) ソフトウェアの改ざん・マルウェア攻撃

自動運転車のソフトウェアは定期的にOTA（Over-the-Air）アップデートで更新されますが、このアップデートが攻撃の対象になることがあります。

[主な脅威]

• 不正なOTAアップデート：攻撃者が偽のソフトウェアを配信し、システムを乗っ取る
• アップデート時の中断・改ざん：更新途中で通信を妨害し、システムを不安定化
• リバースエンジニアリングによる脆弱性発見：攻撃者がソースコードを解析し、脆弱性を悪用

[対応策]

• OTAアップデートのデジタル署名と暗号化：正規のアップデートであることを検証
• アップデートのテスト環境での事前検証：バグや脆弱性がないか確認
• ロールバック機能の実装：不具合が発生した場合、以前のバージョンに戻せる仕組みを用意

(4) センサーとデータのセキュリティリスク

自動運転車は、カメラ、LiDAR、レーダーなどのセンサーで周囲の状況を把握します。しかし、これらのセンサーに対する攻撃やデータ改ざんのリスクもあります。

[主な脅威]

• カメラへの攻撃（物理・デジタル）：ステッカーやペイントを利用して標識を誤認識させる
• LiDARへの妨害（レーザー攻撃）：強いレーザーを照射し、障害物の認識を妨害
• GPSジャミング・スプーフィング：GPS信号を妨害し、位置情報を狂わせる

[対応策]

• センサーフュージョンの活用：カメラ・LiDAR・レーダーの情報を組み合わせ、誤検出を防ぐ
• 異常検知AIの導入：通常のデータと異なる異常値を検知し、自動で警告
• 多様な位置測定技術の活用（GNSS + HDマップ）：GPSが使えない場所でも位置を正確に把握

(5) データプライバシーと個人情報保護

自動運転車は、車両の走行データ、乗員の行動データ、カメラ映像、音声データなど、大量の情報を収集します。

このデータが適切に管理されないと、プライバシー侵害や個人情報の流出につながる可能性があります。

[主な脅威]

• 運転履歴の追跡：自動運転車の移動履歴が第三者に流出し、監視社会化するリスク
• 顔認識データの悪用：車内カメラで撮影された乗員の映像が不正利用される可能性
• クラウドデータのハッキング：サーバー上の走行データが攻撃者に盗まれる

[対応策]

• データの匿名化：個人を特定できない形でデータを処理
• 利用者によるデータ管理権限の強化：ユーザーが自分のデータを管理できる仕組みを導入
• エッジコンピューティングの活用：データをクラウドに送らず、車内で処理することで流出リスクを低減

2.7 交通インフラとの連携の課題

自動運転車が安全かつ効率的に運行するためには、交通インフラとの高度な連携が不可欠です。

自動運転車単体での認識能力には限界があるため、信号機・標識・道路状況・他の車両の動きなどの情報を、インフラ側から提供することで補完することが求められます。

しかし、現在の交通インフラは手動運転を前提に設計されており、自動運転車とスムーズに連携するためには多くの課題が残っています。

(1) インフラのデジタル化の遅れ

自動運転車は、V2I（Vehicle-to-Infrastructure）通信を通じて信号機や標識、道路情報を取得することが理想ですが、多くの国や地域では、これらのインフラのデジタル化が進んでいません。

[主な課題]

• 信号機や標識のデジタル対応：現在の信号機や標識は、人間が視認することを前提に設計されており、自動運転車が機械的に読み取るには限界がある。
• リアルタイム情報の提供不足：渋滞・事故・工事情報を即時に共有するインフラが未整備。
• 都市部と地方の格差：都市部ではデジタル化が進んでいるが、地方ではインフラ整備が遅れている。

[対応策]

• スマート信号機の導入：V2I通信に対応した信号機を設置し、自動運転車にリアルタイムで信号情報を送信。
• 電子標識の活用：デジタル標識を設置し、標識情報を自動運転車と共有。
• 交通データのオープン化：渋滞・事故情報をクラウド経由で共有し、最適なルートをリアルタイムで提供。

(2) HDマップ（高精度地図）の更新と管理

自動運転車は、GPSやカメラ、LiDARを活用して道路状況を把握しますが、より正確な走行のためには、HDマップ（高精度3D地図）と組み合わせる必要があります。

しかし、HDマップの運用には以下のような課題があります。

[主な課題]

• 道路の変化に対応できない：工事や交通規制などで道路環境が変わると、HDマップが更新されるまで自動運転車は適切に対応できない。
• データの取得・更新コストが高い：HDマップの維持には膨大なデータ処理が必要で、頻繁な更新が求められる。
• 異なるマップフォーマットの問題：メーカーごとに異なるHDマップを使用しており、標準化が進んでいない。

[対応策]

• クラウド型HDマップの導入：リアルタイムで更新されるクラウド型HDマップを活用。
• 車両からのフィードバックを活用：自動運転車が収集したデータを基に、地図の自動更新を行う。
• マップフォーマットの標準化：異なるメーカー間でも互換性のあるフォーマットを採用。

(3) V2X（車車間・車インフラ間通信）の普及

V2X（Vehicle-to-Everything）は、自動運転車が他の車両や交通インフラと通信することで、安全性や効率性を向上させる技術です。これには、V2V（車車間通信）、V2I（車両とインフラの通信）、V2N（ネットワーク通信）、V2P（歩行者との通信）が含まれます。

しかし、V2Xの普及には以下の課題があります。

[主な課題]

• 通信インフラの整備不足：5GやC-V2X（セルラーV2X）などの次世代通信技術が必須だが、まだ十分に整備されていない。
• 標準規格の統一が進んでいない：メーカーごとに通信方式が異なるため、相互運用性が確保されていない。
• データの安全性とプライバシーの懸念：車両同士で通信するデータが悪用されるリスクがある。

[対応策]

• 5G・C-V2X通信の普及：低遅延・高信頼性の通信環境を整備。
• V2X通信の標準化：各メーカーが共通のプロトコルを採用し、相互運用性を確保。
• 通信データの暗号化と認証強化：不正アクセスを防ぐセキュリティ対策を導入。

(4) 自動運転専用レーンの必要性

混在交通環境（自動運転車と手動運転車が同じ道路を走る状況）では、安全性やスムーズな走行が難しくなる可能性があります。そのため、一部の都市では自動運転専用レーンの導入が検討されています。

[主な課題]

• インフラ整備のコストが高い：専用レーンの設置には多額の投資が必要。
• 既存の道路との共存が難しい：一般車両と自動運転車の接続部分の設計が複雑。
• 道路利用の公平性：特定の車両だけが利用できるレーンを設けることへの社会的反発がある。

[対応策]

• 都市部・高速道路から段階的に導入：まずは限定的な地域でテスト運用を行う。
• ダイナミックレーンの活用：交通量に応じて手動運転車と自動運転車の走行レーンを変更できるシステムを導入。
• 社会的合意形成：自動運転の利便性と安全性を訴え、受け入れやすい環境を整える。

2.8 研究開発と実験評価の課題

自動運転技術の実用化には、研究開発と大規模な実験評価が不可欠です。

自動運転車は多様な環境下での安全性・信頼性を確保する必要があり、開発段階からシミュレーション、実走行試験、大規模データ解析を通じた検証が求められます。

しかし、現在の研究開発と実験評価にはいくつかの課題があり、それらを解決することが自動運転の早期実用化に向けた重要なステップとなります。

(1) シミュレーションと実環境のギャップ

自動運転の開発では、シミュレーション環境でのテストが広く行われています。
仮想空間を用いたシミュレーションは低コストで短時間に膨大なテストを実施可能なため、開発の初期段階では非常に有効です。

しかし、シミュレーション環境では現実の道路環境や予測不能な事象を完全に再現することが難しく、実環境でのテストが不可欠になります。

[課題]

• シミュレーションでは再現できない現実の環境要因（天候、道路状態、歩行者の不規則な動き）
• シミュレーションの精度向上には膨大なデータが必要（現実に即したデータを収集・反映するのが難しい）
• 実際の道路とシミュレーション環境の違いにより、シミュレーション上で学習したAIが実環境で同じ精度を発揮できるとは限らない

[対応策]

• 現実のデータを活用したシミュレーション：実走行データを収集し、AIの学習に組み込む
• シミュレーション環境の多様化：都市部、郊外、高速道路、悪天候など、実際の状況に近い環境を構築
• デジタルツイン技術の活用：実際の道路環境をデジタル空間上に再現し、より現実的なシミュレーションを可能にする

(2) 実走行テストのコストと安全性

自動運転車の開発では、実際の道路での走行試験（公道試験）が不可欠です。
しかし、実走行テストには高いコストと安全面の課題が伴います。

[課題]

• 走行試験には許認可が必要（国や地域ごとに異なる規制があり、自由にテストできない）
• 実環境での試験には高コストがかかる（車両の準備、センサーのキャリブレーション、保険など）
• 事故リスクの管理が難しい（未成熟なシステムで公道を走行するリスク）
• 実験には長期間の走行が必要（システムの信頼性を証明するために、数百万km単位の走行データが求められる）
• 試験には広範囲の地域でのテストが不可欠（都市部・地方・高速道路・山間部など、多様な環境での評価が必要）

[対応策]

• 限定エリアでの走行テスト：特定の公道やテストコースで安全を確保しながら試験を行う
• シミュレーションとのハイブリッド運用：シミュレーションと実走行を組み合わせ、実験回数を最適化
• 安全対策の徹底：テスト時には人間の監視を強化し、緊急時の対応策を明確にする

(3) データ収集と学習の課題

自動運転の精度を向上させるには、膨大なデータの収集と解析が必要です。
特に、AIによる認識・判断の性能向上には多様な環境・シナリオでの走行データが求められます。

[課題]

• データの多様性が不足（特定の地域や気象条件に偏ったデータでは、汎用性が低くなる）
• ラベリング作業の負担が大きい（AI学習のために、大量の画像・動画データに正しいラベルを付与する必要がある）
• プライバシー問題（車両が撮影した映像データの管理・活用に関するルールが未整備）

[対応策]

• クラウドを活用したデータ収集・解析：複数の自動運転車が走行し、クラウドにデータを蓄積
• 自動ラベリング技術の導入：AIが自動で画像認識し、ラベル付けの負担を軽減
• プライバシー保護技術の採用：個人情報が含まれるデータは匿名化・暗号化して管理

(4) 研究開発の標準化と協調

自動運転技術の開発は、各企業や研究機関が独自に進めています。
しかし、標準化が進んでいないため、異なるシステム間での相互運用性が低いという問題があります。
また、安全性を検証するための基準や試験方法も統一されておらず、研究開発の効率化が求められています。

[課題]

• 開発の標準化が進んでいない（メーカーごとに異なる開発アプローチを採用）
• 研究データの共有が限定的（企業の競争が激しく、技術情報の共有が難しい）
• 安全性評価の基準が未整備（自動運転車の安全性をどのように評価すべきか明確な基準がない）

[対応策]

• 業界全体での標準化推進：ISOやSAEなどの国際基準に基づいた開発を促進
• オープンデータの活用：非競争領域のデータは共有し、技術の発展を加速
• 統一された安全性評価試験の確立：自動運転の安全基準を国際的に統一

(5) 実験評価における安全性の確保

自動運転車のテスト中に事故が発生すると、技術への信頼が低下し、社会的な受容性が損なわれる可能性があります。
そのため、研究開発の過程でも、安全性を最優先にした試験環境を整備することが重要です。

[課題]

• 実験車両の安全対策が十分でない（テスト中のシステム異常や誤作動への対応が不十分）
• 社会受容性の低下リスク（テスト中の事故が報道されると、自動運転への不信感が高まる）
• 責任の所在が曖昧（実験中の事故発生時、責任はメーカー・開発者・運転手のどこにあるのか）

[対応策]

• フェールセーフ機能の徹底：異常検知時に安全に停止する仕組みを強化
• 試験時のリスクマネジメント：安全な環境でのテスト実施と、緊急時の対応策の整備
• 社会への情報開示：実験の目的や安全対策を積極的に説明し、理解を促進

3. 非技術的課題

3.1 法規制と責任の明確化の課題

自動運転技術の発展により、車両の運転操作をAIやシステムが担う場面が増えています。
これに伴い、従来の「ドライバーが運転責任を負う」という前提が変化しつつあります。

しかし、法規制や責任の明確化が進んでいないため、以下のような問題が発生しています。

(1) 事故発生時の責任の所在が不明確

自動運転車が事故を起こした場合、「誰が責任を負うのか？」が明確でないことが大きな課題です。

[従来の責任の考え方]

• 人間が運転する場合　→ 運転者が責任を負う
• 機械（自動運転）が運転する場合　→ 責任の所在が不明確

[事故が起きた際の責任の可能性]

• ドライバーの責任：レベル3以下の自動運転では、ドライバーが関与するため、事故時の責任を問われる可能性が高い。
• 車両メーカーの責任：システムの誤作動が原因の場合、メーカーが責任を負うべきかどうかが争点となる。
• ソフトウェア開発企業の責任：AIの判断ミスが事故の原因となった場合、ソフトウェア開発企業に責任が問われる可能性がある。
• インフラ管理者の責任：道路標識の欠落や信号機の誤作動など、インフラ側の問題が事故につながる場合、道路管理者の責任も考えられる。

例えば、自動運転中にシステムが誤った判断をして歩行者と接触した場合、

• 運転手が責任を負うのか？
• 車両メーカーの設計ミスか？
• AI開発会社のアルゴリズムに問題があったのか？

といった責任の判断が難しくなります。

従来の法律では、人間が運転することを前提としているため、そのままでは自動運転車に適用できません。

(2) 国や地域ごとに異なる法規制

自動運転に限らず、自動車の法規制は国ごとに異なり、統一されていません。

各国で基準が異なるため、メーカーは各国の規制に合わせた開発を行う必要があり、コストや開発負担が増大します。

また、ある国では合法な自動運転車が、別の国では走行できないという問題も発生します。

そのため、国際的な基準の統一が求められています。

現在の法規制の動向

現在、各国では自動運転に関する法整備が進められています。

[アメリカ]

• 連邦レベルでは統一基準がなく、州ごとに異なる規制
• カリフォルニア州などでは、自動運転車の公道試験を許可

[ヨーロッパ（EU）]

• UNECE（国連欧州経済委員会）が、自動運転技術に関する国際基準を策定
• 2021年、時速60km以下の「ALKS（Automated Lane Keeping System）」を承認

[日本]

• 2020年に世界初のレベル3自動運転の公道走行を法的に許可
• ただし、限定条件付き（高速道路のみ、特定の車種のみ）

3.2 社会受容性と信頼の構築の課題

自動運転技術が進化し、実用化が進んでいるにもかかわらず、一般消費者や社会全体に広く受け入れられるためには、多くの課題が残されています。

このような疑問を解決し、社会的な信頼を得ることが、自動運転の普及には不可欠です。

(1) 自動運転技術に対する不安と誤解

多くの人々が、自動運転技術に対して「本当に安全なのか？」「事故が起きたときに適切に対応できるのか？」といった不安を抱えています。

特に、過去に発生した自動運転車の事故が大きく報道されることで、消費者の不安を増大させる要因となっています。

[具体例]

• テスラのオートパイロットによる死亡事故（誤ったセンサー認識が原因）
• ウーバーの自動運転テスト車両による歩行者死亡事故（安全ドライバーが監視していなかった）

これらの事故が「自動運転は危険だ」という印象を与え、消費者の信頼を損なう要因になっています。

(2) 人間の運転との比較による評価の難しさ

自動運転の安全性は、人間の運転と比べてどうなのか？
理論的には、自動運転は疲れない・注意を切らさない・速度超過をしないなどのメリットがありますが、一般のドライバーは「自分の運転の方が信頼できる」と考える傾向があります。

[課題]

• 自動運転車が慎重すぎて、交通の流れを乱すことがある（例：合流や右折のタイミング）
• 人間のドライバーと自動運転車の動作に違いがあり、予測が難しい（例：ブレーキのタイミング）
• 「運転を任せる」ことに心理的な抵抗がある（特に高齢者層や運転経験の長い人々）

(3) 事故時の対応と責任の明確化

たとえ自動運転の事故率が低かったとしても、1件の事故が大きく報道されることで、社会の信頼を失う可能性があります。

特に、事故後の対応として以下のような課題があります。

• 事故の原因を透明に説明できるのか？
• 事故が発生した場合、誰が責任を負うのか？
• 被害者への補償はどのように行われるのか？

現在の車両では、ドライバーが事故時に対応しますが、自動運転ではAIがどのような判断をしたのか？が明確でない場合、消費者の信頼を失う要因となります。

(4) 自動運転技術の透明性と説明責任

自動運転車がどのような原理で動作し、どのようなデータを基に判断しているのかを、一般の消費者に理解してもらうことも重要です。

しかし、現在の自動運転技術はブラックボックス化している部分が多く、消費者が「なぜその判断をしたのか？」を理解するのが難しい状況です。

[課題]

• AIがどのように障害物を認識し、どのような判断をするのかが不透明
• 事故発生時に、どのようなデータを基に判断したのかが説明しにくい
• 消費者に対して「信頼できる技術であること」を説明する方法が確立されていない

(5) 社会全体の受け入れ準備

自動運転車が普及するためには、ドライバー・歩行者・交通管理者など、社会全体の理解が必要です。

• 歩行者や他の車両が、自動運転車の動きを予測しにくい問題
• 人間が関与する交通環境の中で、自動運転車がスムーズに動作できるのか？
• 自動運転の運用ルールを、社会全体で共有できるか？

このように、自動運転技術だけでなく、社会全体の受容性を高めるための施策が求められています。

3.3 産業への影響とビジネスモデルの変化の課題

自動運転技術の発展は、自動車業界だけでなく、運輸、物流、保険、都市開発、エネルギー産業など、幅広い分野に影響を与えます。

• 自動車メーカーのビジネスモデルはどう変わるのか？
• 新しいビジネスモデルはどのように確立されるのか？
• 既存の業界はどのように適応すべきか？

これらの課題を解決することが、自動運転の普及と持続可能な産業成長には不可欠です。

今後、自動運転技術が本格的に普及するにつれて、従来の業界構造が大きく変化し、新たなビジネスモデルの確立が求められます。

(1) 自動車メーカーのビジネスモデルの変化と課題

従来の自動車メーカーは、「車を販売して利益を得るビジネスモデル」を中心に成り立っていました。

しかし、自動運転技術が発展することで、以下のような変化が起こる可能性があります。

• 「所有」から「利用」へのシフト
• ハードウェア（車両）販売から、ソフトウェア・サービス提供への移行
• 収益構造の変化

[課題]

• 従来の自動車メーカーがソフトウェア開発のノウハウを持っていない場合、競争力を失う可能性がある
• 車両販売だけでは利益が出にくくなり、新たな収益モデルを確立する必要がある
• 自動車メーカーは、ソフトウェア・サービス提供企業への転換を進める必要がある
• 保険会社は、自動運転車向けの新しい保険商品（ソフトウェア保証など）を開発する

(2) 物流・運輸業界への影響と課題

自動運転技術は、物流業界や公共交通機関 に大きな変革をもたらします。
トラックやバスの自動運転化が進むことで、以下のようなメリットが期待されています。

• トラックやバスの自動運転化による人手不足の解消
• 長距離輸送の効率化（夜間・長時間運転が可能）
• コスト削減（ドライバーの人件費削減）

しかし、これに伴い、新たな課題も発生します。

[課題]

①自動運転の導入に伴う課題

• 初期投資の負担が大きい
  → 自動運転車両の導入、専用インフラの整備、維持管理には高額なコストがかかる
• 雇用への影響
  → トラックやタクシーの運転手の仕事が減少し、失業問題が発生する可能性 がある
• 道路インフラ・法整備の遅れ
  → 自動運転に最適化された物流専用レーンや、事故時の責任を明確にする法整備が求められる

②産業全体のエコシステムの再構築

• MaaS（Mobility as a Service）への移行
  → 自動運転を活用した新しい交通システム の導入が進む
• 整備業界の変化
  → 従来の自動車整備に加え、センサーやAIのメンテナンスを担う新たな業態への転換が必要

(3) 新規参入企業と競争の激化

自動運転技術は、従来の自動車メーカーだけでなく、IT企業やスタートアップも参入する分野です。

[ 課題]

• 既存の自動車メーカーがIT企業と競争できるのか？
• 新規参入企業が法規制やインフラ整備の遅れに対応できるか？
• 自動車メーカーとIT企業の協業モデルが確立できるか？

(4) 自動車保険・メンテナンス業界への影響と課題

自動運転技術の発展により、交通事故の発生率が低下すると、自動車保険業界のビジネスモデルが変化する可能性があります。

• 事故の減少により、保険料の算定方法が変わる
• 責任の所在が変化（ドライバーではなくメーカー・ソフトウェア開発者に？）
• 自動運転車専用の新たな保険商品の開発が必要

また、自動運転車はソフトウェア更新やセンサーの保守が重要になるため、従来の整備工場やディーラーの役割も変化する可能性があります。

[課題]

• 事故が減ることで保険業界の利益が減少し、新たな収益モデルの構築が必要
• 車両整備が「ソフトウェア更新中心」になることで、整備業界の再編が必要

3.4 倫理的課題

自動運転技術が進化するにつれて、「事故が避けられない状況でどのように判断すべきか？」という倫理的な課題が浮上しています。

人間のドライバーは、瞬時の直感や経験をもとに判断を下しますが、自動運転システムの場合、その判断はあらかじめプログラムされたルールやAIの学習結果に基づくことになります。

特に、「トロッコ問題」 のような「誰かが犠牲になる選択」を迫られるケースでは、倫理的にどのような判断が正しいのか、社会的な合意形成が求められます。

自動運転の倫理的課題は、単に技術開発の問題ではなく、社会全体で議論し、ルールを作る必要があるテーマです。今後、自動運転の普及を進めるには、技術・法律・社会の三位一体の取り組みが求められます。

(1) 事故不可避の状況での判断基準の問題

「トロッコ問題」は、倫理学における有名な思考実験です。

「ブレーキの効かないトロッコが線路を進んでおり、このままでは5人を轢いてしまう。分岐点のレバーを切り替えると1人を轢くが、5人は助かる。

この場合、レバーを切り替えるべきか？」

自動運転における類似の状況としては次のようなものがあります。

• 直進すると複数の歩行者に衝突するが、ハンドルを切ると1人の歩行者に衝突してしまう。
• 乗員の安全を優先すると歩行者を危険にさらす可能性があるが、歩行者を守るために急ハンドルを切ると車内の乗員に危険が及ぶ。
• 自転車と歩行者が飛び出した場合、どちらを優先すべきか？

[課題]

• 「最大多数の幸福」を優先するのか？（功利主義的アプローチ）
• 「すべての命は平等」と考え、ランダムに判断すべきか？
• 事故が避けられない場合、乗員と歩行者のどちらを優先するべきか？

[解決すべきポイント]

• 社会全体での合意形成：メーカーや法律だけでなく、市民の意見も取り入れたルール作りが必要。
• 透明性の確保：自動運転車がどのような基準で判断するのかを明確にする。
• 選択可能な設定の導入：「安全第一」「人道的判断」など、利用者が選択できる仕組みの検討。

(2) AIの判断基準と説明責任の問題

AIが自動運転車の意思決定を行う場合、その基準はどのように決定されるのかが問題となります。

[課題]

• AIの判断基準がブラックボックス化し、なぜその選択をしたのか説明できない（説明責任の欠如）。
• メーカーや開発者によって判断基準が異なると、社会的な公平性が失われる可能性。
• 学習データによってAIの判断が偏る可能性（例えば、特定の環境でのみ最適化される）。

[解決すべきポイント]

• 説明可能なAI（XAI：Explainable AI）の導入：判断の理由をユーザーや規制当局に説明できるシステムの開発。
• 統一された倫理基準の策定：メーカーごとに異なるルールを適用しないよう、政府や国際機関が主導して基準を決める。

(3）事故時の責任問題

自動運転車が事故を起こした場合、その責任は誰にあるのかが明確でないと、被害者の救済が遅れる可能性があります。

[想定される責任分担]

• 自動運転車のハードウェア故障：自動車メーカー
• AIの判断ミス（アルゴリズムの欠陥）：ソフトウェア開発会社
• OTAアップデート後の不具合 ：システム提供者（メーカー・ソフトウェア会社）
• インフラとの通信エラー；インフラ管理者（国や自治体）

[課題]

• 事故の原因がどこにあるのか特定しにくい（ハードウェアかソフトウェアか？）。
• 責任の明確化ができないと、保険制度が成立しにくい。
• 被害者救済のスピードが遅れる可能性がある。

[解決すべきポイント]

• 事故データの記録義務化（ブラックボックスの搭載）
• 保険制度の整備（自動運転向けの特別な保険の導入）
• 自動運転車の責任分担を明確化する法整備

(4)プライバシーと監視社会の問題

自動運転車は、カメラ、LiDAR、GPS、V2X通信など、多くのデータを処理します。これにより、安全性が向上する一方で、プライバシー侵害や監視社会の問題が指摘されています。

• 車両の走行データ（移動履歴、位置情報、運転パターン）が記録され、悪用される可能性。
• 車内カメラ による乗員の監視（プライバシー侵害の懸念）。
• 企業や政府によるデータの商業利用・監視強化（個人の行動追跡のリスク）。

[課題]

• 収集されたデータはどのように管理されるのか？
• データを誰が所有し、どのように利用されるのか？
• 監視社会につながるリスクはないのか？

[解決すべきポイント]

• データの匿名化・暗号化を義務化
• 個人がデータ利用を選択できる仕組み（オプトイン/オプトアウト制度）
• 厳格なプライバシー保護法の整備（GDPRのような規制の強化）

3.5 標準化と基準の策定の課題

自動運転技術の発展に伴い、異なるメーカーや国ごとに仕様が異なると、安全性や互換性に問題が生じる可能性があります。

そのため、車両やソフトウェア、通信インフラなどに関する標準化と基準の策定が不可欠です。

しかし、標準化の遅れや基準の統一の難しさが自動運転の普及を妨げる要因の一つとなっています。

標準化と基準の統一は、自動運転技術の普及を促進する上で不可欠な要素です。国際機関、各国の規制当局、メーカーが連携し、相互運用性の確保と安全基準の策定を進めることが今後の課題となります。

(1)国際的な標準の策定が進まない

各国で異なる法規制と技術基準

[現在の状況]

• 欧州、米国、日本、中国など、それぞれ異なる法規制や試験基準を適用している。
• 走行環境（右側通行・左側通行など）や道路インフラの違いによって、各国独自のシステム開発が進められている。
• ISO（国際標準化機構）やUNECE（国連欧州経済委員会）が標準化を進めているが、統一には時間がかかる。

[課題]

• 国によって法規制が異なるため、統一的な基準の策定が難しい。
• メーカーごとに異なるシステムを開発すると、互換性が失われる。
• 自動運転車の国際的な移動（例：国境を越えた走行）が困難になる。

[解決すべきポイント]

• 国際機関（ISO、UNECE）を中心に、統一基準の策定を加速する。
• 各国の法規制を調整し、共通のルールを適用する枠組みを構築する。
• 「最低限の共通基準」を設定し、国ごとに追加規制を設ける形を検討する。

(2)V2X（車車間・車インフラ間通信）の標準化の遅れ

V2X技術の規格が統一されていない

[現在の状況]

• V2X（Vehicle-to-Everything）は、車両同士（V2V）、車両とインフラ（V2I）などの通信を可能にする技術。
• 現在、V2XにはDSRC（Dedicated Short-Range Communications）とC-V2X（Cellular V2X）の2つの方式があり、統一が進んでいない。
• 地域によって採用される規格が異なり、互換性の問題が生じる可能性がある。

[課題]

• 異なる通信規格が乱立し、相互接続性が確保されていない。
• インフラ側（信号機、道路管理システムなど）の対応が遅れている。
• 通信規格の違いが、メーカーごとの開発コスト増加につながる。

[解決すべきポイント]

• DSRCとC-V2Xの統合または相互運用を可能にする標準策定。
• 通信プロトコルを統一し、車両・インフラ間の相互接続を保証する仕組みを整備。
• 5Gの普及を見据えた次世代V2X通信のルール策定。

(3)自動運転の安全基準の統一が進まない

各メーカーで異なる安全設計
[現在の状況]
・自動運転車の「安全」とは何か？の定義が明確ではない。
・メーカーごとに異なる設計思想でシステムが開発されている。
・「緊急停止」「回避動作」など、事故回避アルゴリズムに差がある。

[課題]

• 「安全性」の定義が統一されていないため、異なる基準で開発が進んでいる。
• 事故回避の判断基準（倫理的課題も含む）が統一されていない。
• 国やメーカーごとにテスト方法が異なり、公平な比較が困難。

[解決すべきポイント]

• 「安全性評価基準」を統一し、試験方法の国際基準を策定する。
• AIの判断基準についても、業界全体でルールを作る（例：事故回避の優先順位）。
• 事故データの共有を進め、より高度な安全設計を共通基準として採用する。

(4)自動運転の試験・認証制度の統一が困難

メーカーごとに異なる試験方法

[現在の状況]

• 各国で異なる認証制度が存在し、メーカーが市場ごとに異なるテストを受ける必要がある。
• 例えば、米国はNHTSA（国家道路交通安全局）、欧州はUNECE、日本は国土交通省が規制を策定しており、それぞれ基準が異なる。
• シミュレーションと実地試験のバランス、テスト条件の違いなども統一されていない。

[課題]

• 自動運転システムの認証を国ごとに受け直さなければならず、開発コストが増大。
• 同じ車両でも、国によって安全基準が異なるため、ソフトウェアの調整が必要になる。
• テスト環境（シミュレーション vs 実走行）に関する基準が統一されていない。

[解決すべきポイント]

• 国際的な試験基準を策定し、共通の認証制度を確立する。
• シミュレーションと実地試験のバランスを考慮し、統一されたテスト環境を整備する。
• 自動車メーカーやソフトウェア開発企業が協力し、ベンチマークテストを標準化する。

3.6 投資規模とコストの課題

自動運転技術の開発には、ハードウェア・ソフトウェア・インフラ整備・法規対応など、膨大なコストがかかります。

• ハードウェア → 高性能センサー（LiDAR、カメラ、ミリ波レーダー）、高性能コンピュータの開発
• ソフトウェア → AI・機械学習アルゴリズム、リアルタイムデータ処理技術の研究開発
• インフラ → 高精度地図、V2X（車車間・車インフラ間通信）の整備
• 法規対応 → 自動運転車の認証試験、国ごとの規制への適応

これらの開発・整備には莫大な資金と時間が必要であり、技術の発展を妨げる要因の一つとなっています。

自動運転の普及には、「開発費の回収」と「価格の適正化」のバランスが重要な課題となるでしょう。

(1) 研究開発コストの増大

自動運転車は、一般的な自動車と比べて 多数のセンサー（LiDAR・カメラ・レーダーなど） や、強力な AIチップ・ECU（電子制御ユニット） を搭載する必要があります。

量産化が進めばコスト低減が期待されるものの、現時点では価格が高く、一般市場への普及を妨げる要因 となっています。

[課題]

• 高性能センサーやAIチップのコスト削減が進まなければ、市販価格が高くなり普及が進まない
• 自動運転技術の開発には、巨額の投資が必要であり、資金調達が難しい企業は参入が困難

(2) 実証実験・テストのコストが膨大

安全性を確認するために、長期間・広範囲のテストが必要
自動運転車の安全性を証明するためには、膨大な走行データの収集とシミュレーションが不可欠 です。

しかし、公道試験を実施するには、多額の費用と規制対応が求められる ため、中小企業や新規参入企業にとって大きな障壁となっています。

[課題]

• 実験コストが高額で、継続的な投資が必要
• 公道実験の許可を得るための法規制対応が煩雑

(3) インフラ整備のコスト負担

自動運転には、道路インフラのアップデートが必要
完全な自動運転（レベル4・5）を実現するためには、高精度地図（HDマップ）やV2X通信インフラの整備が必要不可欠です。

これらのインフラ整備には、国や自治体、道路管理者などの協力が必要 ですが、投資負担が大きく、整備が進まない地域もあります。

[課題]

• 公道を走るためのインフラ整備に巨額の投資が必要
• インフラ整備の負担を「国・自治体・企業」のどこが負担するのかが不透明

(4) 消費者向けのコスト負担と市場競争

現在、自動運転技術を搭載した車両は高額であり、一般消費者が手を出しにくい価格帯になっています。

[課題]

• 価格が高すぎると、一般市場での普及が進まない
• 価格競争が激化すると、開発費を回収できず、企業の利益が減少

(5) 新規参入企業にとっての資金調達の難しさ

従来の自動車産業は、大手メーカーが強い市場でしたが、自動運転技術では新規参入企業（IT企業・スタートアップなど）も多く存在します。

しかし、研究開発・テスト・認証・インフラ整備に多額の資金が必要 なため、スタートアップ企業にとって大きな負担となります。

[課題]

• 新規参入企業は、資金調達が難しく、開発を継続できない可能性がある
• 市場競争が激化し、利益を出せる企業が限られる

特に個人が所有する自家用車は現代人にとって生活必需品とも言える存在で、1908年にフォード・モデルTが量産を開始してからはその台数は爆発的に増え、20世紀後半には自動車を見ない日はまったく無いほど普及し、とても身近な存在となりました。

日本自動車工業会の発表によると、全世界の四輪車の保有台数は2020年に15億3,526万台。
人口1,000人当たり197台、5.1人に1台所有していることになります。

JAMA 一般社団法人　日本自動車工業会

JAMA 一般社団法人　日本自動車工業会

www.jama.or.jp

ですが、自動車が普及してくることによって様々な課題が出てきました。

交通事故の問題

交通事故は深刻な社会問題となっています。

WHOによると、世界では交通事故によって毎年約130万人死亡しているとのことです。これは1分あたりに2人以上が死亡していることになります。

国連、2030年までに交通事故死傷者半減を宣言 | 公益社団法人 日本ＷＨＯ協会

japan-who.or.jp

日本では交通違反や整備不良などの厳罰化、交通安全教育の実施、道路の工事や改修、整備などにより、交通事故の発生件数は減少傾向にありますが、いまだに年間数十万件もの事故がおいています。

警察庁の統計によると、日本で2021年中に発生した交通事故は30万5425件,死者数は2636人、負傷者数36万1768人となっています。

警察庁:統計表

統計表｜警察庁Webサイト

www.npa.go.jp

交通事故の大半はドライバーが原因です。

原付以上運転者が第1次当事者(過失が一番重い人の事)とされる事故の件数は28万4264件で事故の原因の93%を占め、安全運転義務の件数は20万4528件と事故の原因の67%を占めています。

安全運転義務の内訳として、”安全不確認”や”わき見運転”などの認知のミス、”動静不注意”や”漫然運転”などの判断ミス、”運転操作不適”などの操作ミス、そして”安全速度”があります。

そして、認知と判断のミスを足し合わせると17万9598件と事故の原因の58％を占めていて、やっぱり交通事故の大半はドライバーが原因となっています。

道路の交通に関する統計 交通事故の発生状況 年次 2021年 | ファイル | 統計データを探す | 政府統計の総合窓口

道路の交通に関する統計は、道路交通法第２条第１項第１号に規定する道路上において、車両、路面電車及び列車の交通によって起こされた人の死亡又は負傷を伴う事故を対象とし、全国の都道府県警察から報告された資料により作成した公的統計です。　本統計では...

www.e-stat.go.jp

認知、判断、操作ミス以外にも、体調の悪化によって引き起こされる事故も問題です。

トイレを我慢してたり、風邪をひいて意識がもうろうとして運転に集中できない状態になったりすることもあれば、心筋梗塞や脳梗塞が起きて運転が出来なくなってしまう事があります。

正常に運転が出来ない状態が続けば事故につながりますが、普通の車はドライバーが運転不能状態に陥っても安全に停車する術を持ちません。

自動運転は、人間が運転を行わないので、ドライバーの認知・判断・操作ミスによる事故を抑えることが出来ると期待されています。

また、一般の車でも衝突被害軽減ブレーキの様に、自動運転技術を活用することで事故を防止することが期待されています。

交通渋滞による問題

交通渋滞も大きな社会問題とされています。

交通渋滞の原因は大きく2つあります。

1つは交通容量が不足してしまう事です。

大型連休などで車が急増する場合や工事や事故で車線が規制された場合などの理由で、走行車両が道路の交通容量を超えてしまった場合に渋滞が起きます。

もう1つはドライバーの行動が原因で起きる事です。

トンネルの入り口や上り坂・サグ部でドライバーが無意識に速度を落とし、後続車にもそれが伝わっていくことで渋滞が起きます。

また、道路が混んでくると追い越し車線のほうが速く走ることができると思い込み、追い越し車線側に車の数が偏ることで渋滞が起きます。

他にも、道路上に車を駐車する事で車線をふさいでしまい渋滞する事もあります。

このように道路の交通容量は足りているものの、ドライバーの行動によって交通容量が低下して渋滞が起きます。

自動運転の場合、車の速度を一定に保てるのでドライバーが無意識に減速してしまう事はありません。

その上、複数の車が車間距離をつめて”群”となって走行する隊列走行が可能になるので、車間距離を詰めた分、交通容量が増えます。

また、自動運転では人が下りた後、自ら離れた駐車スペースに移動することが出来るので、路上駐車も無くなりますので、これも渋滞解消につながります。

エネルギー消費の問題

これまで普及してきた自動車のほとんどは、ガソリンや軽油を燃料として動く内燃機関(インターナル・コンバスチョン・エンジン)を搭載しています。

エンジンを動かしている間は止まっている最中も燃料を消費し続け、当然のことながらアクセルを踏み込むとその分燃料を消費します。

ガソリンや軽油を自動車の燃料として使うには2つの問題があります。

まず、ガソリンと軽油は石油から作られていることです。
石油は限りある資源である上に、日本は99.7%以上を輸入に頼っています。

次にガソリン車の排ガスには一酸化炭素や炭化水素(HC)、窒素化合物(NOx)、粒子状物質(PM)等の公害につながる有害な成分や、二酸化炭素が含まれます。
特に二酸化炭素は地球温室効果ガスとして扱われ、その削減は年を追うごとに厳しく求められています。

1990年代にカリフォルニア州がZEV規制を作って以来、年々その規制が厳しくなっていて、2035年以降はガソリン車の新車販売を禁止する地域がでる程になっています。

その代わりにEV(電気自動車)やFCV(燃料電池車)が注目を集めています。FCVの排ガスは水のみ、EVに至っては排ガス自体を出しません。

が、ガソリン車に比べると航続距離が短く、電気や水素の生成方法によっては石油資源を使う場合もあるので、こちらも燃費(電費)の削減が求められます。

これらの事から、ガソリンや軽油といった石油を原料とした燃料の消費削減が求められています。

自動車の燃費削減を行う上で最も効果が高いのは「燃費効率の良い自動車を作る」です。

そもそも、自動車の燃料は100%走行に使われるわけではありません。

燃料消費の内訳は主にエンジン効率と走行抵抗で決まり、いずれも自動車の性能によって変わります。

エンジンの熱効率は一般的に30～40%ほどと言われています。
つまり、燃料の半分は捨ててしまっていることになります。

そして燃料から取り出した30～40%のエネルギーも、すべてが車の走行に使われる事はありません。

車が走行する際には”走行抵抗”という走行を妨げる力が働き、燃費に影響を与えます。
走行抵抗には”加速抵抗”、”空気抵抗”、”勾配抵抗”、”転がり抵抗”の4種類あり、いずれも自動車の性能によって変わります。

燃費効率の良い自動車を作るにはエンジンやモーターの効率を良くしていく、車体や変速機、タイヤなどの改良して走行抵抗を減らす必要があります。

ですが、自動車の改良にも限界がありますので、車の走らせ方にも注目しなくてはいけません。

走行抵抗、エンジンの効率は自動車の性能で決まる部分もありますが、ドライバーの運転によって変わる部分もあります。

しかし、普通のドライバーは燃費の良い走り方を知らない場合がほとんどですし、知っていたとしても常に効率の良い走りができるわけでもありません。

自動運転には燃費削減の効果が期待できます。

自動運転技術で無駄がないエコ運転が出来れば、人間のドライバーが運転するよりも燃費削減につながりますし、渋滞が無くなり交通の流れがスムーズになれば無駄な加減速が抑えられますので、さらに燃料消費を抑えることが出来ます。

また、隊列走行が実現できれば空気抵抗減らすことが出来るので燃費削減につながります。

モータースポーツのNASCARでは、車間を詰めて一列に並んで走っている光景を頻繁に目にします。これは”スリップストリーム(ドラフティング)”という現象を利用しているからです。

スリップストリームは高速移動する物体の後ろに渦上の空気の流れができる現象で、この中に入ると気圧の低下や空気抵抗の減少によって比較的少ないパワーで走行できることが出来ます。

モータースポーツ以外にも、自転車やスピードスケートなどの競技でもこの現象は知られていて、自然界でも渡り鳥がこの現象を利用して飛んでいる光景が見られます。

少ないパワーで走行できるという事は、それだけ燃料消費量も少なくなるという事でもあります。

とはいえ、一般のドライバーがNASCARばりに車間距離を、それも公道でやるのは自殺行為以外の何物でもありません。

ですが一般のドライバーの代わりに、自動運転技術を搭載した車両がお互いに通信を行えば、隊列走行は実現可能となります。

利便性の問題

自動車の運転は集中しないといけません。
短時間でも集中が切れると事故につながる可能性が高くなるので、注意力を連続的に維持する必要があります。

ですが、長時間の運転で集中力を維持することは困難です。

混雑した道や狭い道の運転はドライバーにとってストレスを与え、集中力を維持するのは難しいです。
逆に空いている高速道路のような単調な道でも集中力を維持することが難しくなります。

さらに休憩の為に駐車する時ですら、ぶつけない様にまわりに注意を払う必要があります。

また、様々な理由で自動車を運転できない人がいます。

自動車の運転には視覚、判断力、操作力などがあり、一定の能力が無いと運転できませんが、身体、特に視覚に障害を持っている人は運転したくても出来ません。

また、これまで運転出来ていた人でも、高齢化により判断力や操作力は衰え、自分で運転するのが難しくなっていきます。

しかし、普通の自動車は運転に必要な能力が不十分な方にとって、その能力を補いきれる程の機能がありません。

自動運転はドライバーが運転をしなくて済むので利便性・快適性が向上します。

普通のドライバーは運転のストレスから解放されることになり、運転出来ない人も自動車で自由に移動することが出来るようになります。

また、車の駐車も自動で行うことが出来れば、周りの車にぶつけないか心配する必要もなくなります。

さらに、車自身が駐車場へ移動する「自動バレーパーキング」が実現すれば、人が駐車場に向かうことも無くなり、さらに利便性が高くなります。

ソラ

1 自動運転とは？なぜ自動運転が必要なのか？

1.1 自動車の普及してきたことによる問題と自動運転が必要な理由

1.2 自動運転の「レベル」とは？

1.3 自動運転を実現するまでの課題

2 これまでの自動運転の歴史

2.1

2.2

2.3

2.4

2.5

3 自動運転に使われる技術とは？

3.1 自動運転システムの構成

自動運転システムの機器構成
認知に使われる技術(センシング)
走行環境の認知に使われる技術
航法の認知に使われる技術
インフラセンサ
路車間通信と車車間通信
判断に使われる技術
走行環境の判断に使われる技術
航法の判断に使われる技術
走行制御技術
ラテラル制御
ロンジチュージナル制御
経路計画
操作に使われる技術
“走る”に使われる技術
“曲がる”に使われる技術
“止まる”に使われる技術
車に使われる制御工学
ヒューマンマシンインターフェース

4 自動運転システムの実用化例

ACC/CACC

AEB

LDW/FCW

LKAS

車線変更支援

サラウンドビューモニター

駐車支援システム/自動駐車システム

BSM

道路標識認識システム

ドライバーモニタリングシステム

自動運転の技術開発 その歴史と実用化への方向性 [ 古川修 ] 価格:2,200円 (2023/1/19 18:00時点) 感想(0件)

自動運転技術入門 AI×ロボティクスによる自動車の進化 [ 日本ロボット学会 ] 価格:4,180円 (2022/12/26 20:13時点) 感想(0件)

自動運転とは？

自動運転とは、人間が運転操作をしなくても、自律的に走行する機能のことで、センサーやカメラで周囲の環境を認識して、行き先を指示するだけで自律的に走行するものです。

2009年、Googleが自動運転乗用車を開発し、公道での実験を開始するようになってから自動運転技術に注目が集まり始め、いろんなメーカーが自動運転システムの商品化を発表しています。

ですが、各メーカーが発表された自動運転の技術レベルは人間が全く操作する必要のないものから、運転操作のみ自動化されたものまで様々なものがありました。

そのため自動運転といっても聞く人によっては、テスラのオートパイロットのような、アクセル操作やハンドル操作をアシストする運転支援システムの事を思い浮かべるかもしれませんし、ナイト財団のK.I.I.Tに搭載されているような完全自動運転を想像するかもしれません。

そのため、どの段階まで運転機能が自動化できているのか表す定義を作ろうという動きがおこりました。 この動きは2012年頃から本格的に始まり、世界各国の機関が定義を作成していました。

ですが、各団体が作る自動運転のレベルには若干の差がありました。
これを統一していく形で、2016年にSAE (米国自動車技術会)が作ったSAE J3016に書かれている”運転自動化レベル”に統一していく流れになりました。

この運転自動化レベルのことを自動運転レベルと呼ばれています。

日本ではJSAE(日本自動車技術会)が翻訳してJASO TP 18004”自動車用運転自動化システムのレベル分類及び定義”というタイトルで出しています。

自動運転レベルとは？

運転自動化レベルは0から5までの6段階あります。
簡単に言うと、次の通りになります。

・レベル0：何もなし
・レベル1：ハンドル操作か加速減速が自動
・レベル2：ハンドル操作と加速減速が自動
・レベル3：緊急時には人が運転しないといけない自動運転
・レベル4：特定の場所のみ自動運転
・レベル5：完全自動運転

レベル0:運転自動化なし

自動運転や運転支援のシステムがない、いわゆる普通の車です。
カメラやセンサーを使って警報を鳴らすシステムがついている場合もこのレベルになります。

レベル1:運転車支援

運転の一部を自動化することで、ドライバーの運転を支援します。
具体的には車のハンドル操作か加速・減速のどちらかをシステムが制御します。
システムが機能できない、あるいは作動が困難な場合はシステムを停止させて、すべての運転をドライバーが行います。

車線に沿ってハンドル操作を補助するレーンキープアシスト、速度と車間距離を制御するアダプティブクルーズコントロールがあり、2000年代はじめには、これらの機能を搭載した車はすでに登場していました。

レベル2:部分的運転自動化

複数の運転支援システムを搭載することで、車のハンドル操作と加速・減速両方をシステムが制御しています。

ハンドルとアクセル、ブレーキを自動制御する駐車支援システムや、同様に高速道路上で自動制御するシステムが実現しています。

ただし、レベル1と同じく、ドライバーはいつでも運転に介入できるようにしないといけません。

日産のプロパイロット、スバルのアイサイト、テスラのオートパイロットをはじめ、いろんな自動車メーカーが販売してます。

中には日産のプロパイロット2.0やスバルのアイサイトXの様なハンドルから手を離すことが可能なシステムも存在しています。
ハンドルから手を離せないシステムに比べて求められる技術力が高く、先進性が高いと評価されることから、これらを”レベル2.5″と呼ぶメディアも存在しますが、SAE上では「レベル2」となります。

レベル2まではどちらも運転機能の操作のみシステムが制御していて、認知、判断についてはドライバーが責任を負います。

レベル3:条件付き運転自動化

レベル2までは運転機能の”操作”のみ自動化されていましたですが、レベル3からは作動できる領域が限られるものの、運転機能の認知、判断、操作すべて自動になります。

なので、ドライバーは操作はもちろん、周囲の環境やシステムの動作の監視をする必要はありません。

ただし、システムが運転の継続が不可能と判断した場合、ドライバーに運転を代わってもらう必要があります。

この領域というのは場所、天気、時間帯、速度、道路状況などのことを指します。

・晴れの昼間の高速道路上だけ作動する
・天気は問わないけれど決められたルートしか作動しない
・ショッピングモールの出入り口から駐車場の間だけ作動する

この様に、一部のシーンに限って自動運転が出来るという事を示しています。

レベル4:高度運転自動化

レベル3との大きな違いはシステムが運転の継続が不可能と判断した場合、事故のリスクを最小限にするよう働くところです。

なので、車に乗っている人は運転する必要がなくなります。

ただし、レベル3と同様に作動できる領域は限られています。

2023年1月現在では、自動駐車システムや自動運転公共交通システムの実用化にむけて開発されていて、世界各国でタクシーや配送業みたいなサービスカー向けの実証実験が行われ、その枠組みの中で商用化をしている企業もいます。

レベル5:完全自動化

これまで人間が行ってきた運転操作は、すべての領域で制御できることが求められます。

みんながイメージするような自動運転がこれになると思います。

とはいえ、道路が冠水していたり、橋が崩壊していたりするような、”普通の車”ではまともに走行できない状況までは制御し続けることまでは求められません。

2023年1月現在、このレベルについて取り扱っている団体はほぼ存在しません。

求められる技術力が高いのも理由ですが、法律、社会受容性、倫理上の問題といった課題があり、レベル4ですら十分に議論しきれていない段階にあるためです。

なぜADASが自動運転レベルにあるの？

運転支援システムがレベルに入っている理由は、乗用車向けの自動車は運転支援システムを進化させて自動運転を開発していく流れになっているからです。

1990年代、日本、アメリカ、ヨーロッパで、ITS(高度道路交通システム)に自動運転技術を取り入れて交通事故や渋滞を無くそうとする計画が立ち上がり、高速道路を使った大規模な実験まで行いわれました。

実験自体はうまくいったのですが、いろいろ課題があってすぐに実現できないと判断されてしまい、2000年頃にはいずれの計画も凍結または縮小されてしまいました。

その一方、自動運転技術をドライバーの運転をサポートする機能としてなら使えるんじゃない？

となり、”先進的な”運転支援システム＝ADAS(先進運転支援システム）として登場。
運転支援システムを発展させて自動運転を開発しようという流れになっていきました。

自動運転レベルの問題点

ただ、自動運転レベルにも問題点があります。

SAEの定義と法律で責任が異なる事です。

具体的には以下の２点が挙げられます。

• レベル3でも運転手が責任を問われる可能性がある
• レベル2でも製造元や販売店が責任を問われる可能性がある

レベル3でも運転手が責任を問われる可能性がある】

自動運転レベル3の場合、SAEの定義上ではシステム側に責任があるのに対し、2025年1月時点ではドライバーにあります。

先ほど、私は自動運転レベル3の説明について、こう書きました。

“レベル3からは作動できる領域が限られるものの、運転機能の認知、判断、操作すべて自動になります。

なので、ドライバーは操作はもちろん、周囲の環境やシステムの動作の監視をする必要はありません。”

これだけ見ると、”自動運転中に事故を起こしてもドライバーは一切の責任を取らなくても良い”と誤解する人がいると思います。

ですが日本の法律上、特に事故が起きた時の責任は安全運転義務が運転手にあるので、「必ず無罪になる」とは限りません。

これは、日本の道路交通法の上位にあたるジュネーブ道路交通条約が

「運転者は、つねに車両を適正に操縦しなければならない」

とされており、自動運転に対しても、このルールを守らないといけないからです。

このルールを守った上で自動運転を公道で走行することを法的に認めるにはどうすれば良いか考えた結果…

「自動運転システム(法律上の名称は”自動運行装置”)を使う＝運転手が運転する」

となりました。

つまり、「自動運転システムを使う」と言うことは法律上、ハンドルやアクセル、ブレーキを使うのと同じってことになります。

では、なにをもって法律上「自動運転が認められる」と言っているのかというと…

「自動運転中にカーナビやスマホを注視しても”””違反にならない”””」

…です。

“違反にならない”というのは”事故を起こして良い”って意味ではありません…

つまり、法律上「自動運転中にカーナビやスマホを注視して事故を起こして良い」とは書かれていないので、事故の内容によってはドライバーに責任がいく可能性があります。

例えば、

• 前を走行している車が急ブレーキをかけ、こちらのブレーキが間に合わずにぶつかってしまった時
• 車線変更してくる車に対して、ブレーキを踏めば接触を回避できたのに、踏まずにぶつかってしまった時　(イメージ的には以下の動画の23:37で、ブレーキを踏まずに接触した感じです。)

こんな感じの事故を起こしてしまった時、自動運転中だったからと言っても、ドライバーに対して責任が問われる可能性があります。

【レベル2でも製造元や販売店が責任を問われる可能性がある】

SAEの定義上はもちろん、各国の法律上でも運転手が責任を持ちます。

その為、ADASを作動中に事故を起こした場合は運転手の責任になります。

ですが、場合によっては企業側が責任を問われる可能性もあります。

2025年1月時点では企業側が書類送検されたり、

自動運転、過信は危険　追突事故受け国が注意促す - 日本経済新聞

自動運転機能の過信が原因とみられる交通事故が昨年11月に千葉県内で起きたことを受け、国土交通省と警察庁は14日、自動車販売店などでつくる「日本自動車販売協会連合会」（東京・港）などに対し、自動車ユーザーらへの注意喚起を求める通達を出した。国...

www.nikkei.com

裁判で和解するケースが確認できます。

Tesla settles lawsuit over Autopilot crash that killed Apple engineer

Tesla has settled a wrongful death lawsuit brought by the family of Apple engineer Walter Huang who died in a Model X cr...

www.cnbc.com

また、自動運転HMIが実施した模擬裁判ではドライバーと企業の過失割合が6:4と重めの割合になっています。

https://www.jsae.or.jp/files_publish/page/1014/%E3%80%8C%E8%87%AA%E5%8B%95%E9%81%8B%E8%BB%A2HMI%20%E5%A7%94%E5%93%A1%E4%BC%9A%E3%80%8D%E3%80%80%E3%83%AC%E3%83%99%E3%83%AB2%20%E9%81%8B%E8%BB%A2%E8%87%AA%E5%8B%95%E5%8C%96%E3%82%B7%E3%82%B9%E3%83%86%E3%83%A0%E3%81%AE%E4%BB%AE%E6%83%B3%E4%BA%8B%E6%95%85%E3%81%AB%E5%AF%BE%E3%81%99%E3%82%8B%E6%A8%A1%E6%93%AC%E8%A3%81%E5%88%A4%E3%81%AE%E5%AE%9F%E6%96%BD%E5%A0%B1%E5%91%8A.pdf

仮に裁判となった場合、主に争点となるのは次の通りです。

1.設計上の欠陥
2.適切な説明がなされていたか
3.運転手の過失との兼ね合い

特に2番目の適切な説明がなされていたかについては、

・レベル2の運転支援システムは機能や性能が多様であり、ドライバーが全てを理解するのは困難
・システムがトラブルを起こした時に対応するのはなおさら困難
・しかし、代表的な事例をあらかじめドライバーに注意・説明・体験させるなどすることは可能

とされる可能性があります。

なので、取扱説明書を渡しただけでは説明は不十分とされ、メーカーは製造物責任法上の欠陥、販売店は説明義務違反を問われる可能性があります。

詳しくはこちらの記事にまとめました。

自動運転レベル2でも企業が責任を取る可能性がある？

こんにちは、ソラです。SAE (米国自動車技術会)の運転自動化レベルは0~5までの6段階あり、このうちレベル2まではドライバーによる監視が必要とされ、自動運転ではないとされています。そして、当然のことながら、各国の法律上でも事故時の責任は運...

sora-autonomous-blog.com

2025.06.01

このように、SAEの定義と法律上での取り扱いが一致しておらず、混乱を招く可能性があります。