道路を「AIが検索・比較・分析できる条件空間」へ変換する技術が開発中

　自動運転の共通データ基盤として国内外の高精度3次元地図データ（HDマップ）の整備を進めるダイナミックマッププラットフォーム株式会社（DMP）は11月5日、同社のこれまでの取り組みと今後の方針に関する記者説明会を都内にて開催した。この説明会では、同社代表取締役社長CEOの吉村修一氏が2016年の創業時に描いていた自動運転の未来像と、これまでの10年間の市場変化、同社が保有するデータ基盤について説明するとともに、ソフトウェア技術部長の間下健介氏が同社のデータ資産や知見をAI事業に生かすための取り組み「Data for AI」について紹介した。

AIの進化によりデータの役割が拡大

　吉村氏は冒頭で、DMPが設立してから現在に至るまでの取り組みを振り返った。同社は2016年、自動運転の社会実装を支える共通のデータ基盤を、業界横断で利用できる協調領域として整備することを目的として設立。MMS（モービルマッピングシステム）と呼ばれる計測車両を使って国内外の道路を走行してデータを収集し、取得した点群データをもとに高精度3次元データを整備してきた。2019年には北米企業を買収してグローバル展開を開始し、2021年には世界初の自動運転レベル3を実現した車に同社のデータが採用された。その後、2022年には欧州・韓国に、2023年には中東に進出を果たし、現在では約180万km・26カ国にまでデータのカバレッジを広げており、車両だけでなくインフラ管理やシミュレーションなどさまざまな用途に活用されている。

ダイナミックマッププラットフォーム株式会社代表取締役社長CEOの吉村修一氏

設立から今までの経緯

　自動運転技術は、創業当時の想定通り2020年代初頭に実現し、高度な自動運転技術が搭載されたオーナーカー（自家用車）が登場するとともに、限定地域において無人の自動運転サービスが開始された。しかし、コロナ禍や、EV（電気自動車）への投資シフトが起こったことにより、その普及スピードはDMPの想定よりも緩やかになった。DMPは創業当時、2025年には自動運転車が普及して高速道路から一般道路へと拡大し、物流トラックの自動運転が開始することを想定していたが、現実にはそこまでに至っていない。そしてこれから2030年に向けては、自動運転の社会実装が今後も着実に進展すると考えており、AI／フィジカルAIの進展が今後の自動運転の普及を後押しするとみている。

設立当時の想定と実際との違い

　吉村氏は、自動運転は1つのかたちではなく、オーナーカーとサービスカーという複数の経路で社会実装が進むとみている。オーナーカーは現在のADAS（先進運転支援システム）が段階的に高度化されていく見込みで、レベル2（部分運転自動化）に渋滞時の自動停止・再発進やカーブでの車速調整、高速道路など一部環境下でのハンズオフなどの追加機能が加わったレベル2＋、さらに車線変更の自動化や自動合流・分岐などを追加したレベル2＋＋などが普及していく。一方、サービスカーについては複数都市・地域でレベル4（高度運転自動化）による商用サービスが拡大していく見込みで、自動運転バスやロボタクシー、物流車両・トラックなどが運行実績を重ねながら対象領域を拡大するとみている。

複数の経路で進む自動運転の社会実装

　自動運転の社会実装の道筋は地域によっても異なり、北米は民間主導による商用化が進み、欧州は規制や安全性を重視しながら社会実装が進むとみており、それに対して日本は地域交通や物流課題を起点として段階的に導入が進むと考えている。なお、2026年6月には自動車基準調和世界フォーラム（WP.29）においてODD（運行設計領域）や安全性評価・シミュレーション、市場投入後の運用後モニタリングなどについて国際基準が合意となり、日本でもこのルールに基づいて運用されていくものとみられている。

社会実装の地域ごとの違い

　自動運転が普及するために重要な要素となるAIの進化については、今後AIが扱う領域はLLM（言語の理解）からVLM（言語＋視覚の理解）、VLA（言語＋視覚＋行動の理解）と、現実世界での判断・行動へと拡大していくとみており、AIが現実世界へと広がるほど実世界を正確に表現するデータの役割も拡大するとDMPは考えている。

AIの評価を支援する新たな技術を開発中

　吉村氏の発表を受けて、次にソフトウェア技術部長の間下氏が、今後の「実世界データ」に求められているものと、実世界の地理空間データを起点としてAIの開発・評価を支える基盤を提供するという同社の「Data for AI」の取り組みについて説明した。

ダイナミックマッププラットフォーム株式会社ソフトウェア技術部長の間下健介氏

　間下氏は自動運転やフィジカルAIを支えるデータフライホイールとして、以下の6つの工程を挙げた。

1. 実世界の地理空間データを取得
2. 地図データの構造化および検索・フィルタリング、学習・評価用データの選定
3. 実在環境を評価するための3D環境の再現やシナリオ生成
4. AIモデルの学習・改善
5. AIの評価（Validation）
6. 評価結果の分析、不足条件の特定、次のデータ取得・選定に反映

　この6項目を循環させることでAIの改善・最適化が進むことになるが、各項目にはそれぞれ課題がある。例えば地理空間データについては全ての実世界条件を走行・収集するのは難しいため、必要な場所のデータが用意できない場合がある。評価すべき条件に合致した場所を検索・選定するのも難しく、環境再現においても期待するシナリオ条件のデータが存在しない場合があるし、AIの評価において何をどのような条件で評価すべきか決めるのは難しい。さらに、評価結果が出たとしても、それで十分なのかどうかを判断するのも難しい。

自動運転とフィジカルAIを支えるデータフライホイール

　評価の偏りやデータセットの不足を把握するためには、単にデータを収集した距離に着目するのではなく、「評価済みの条件」と「未評価の条件」「希少な条件」を正しく把握する必要がある。そのために同社が開発中の技術が「Road Intelligence」だ。これは実測した道路データをもとに、曲率や勾配、車線幅、道路同士の接続関係など人が理解できる道路条件を割り出したうえで、複雑な道路の特徴をAIで数値化することにより、条件や構造が似た道路を検索・比較・分析する技術である。

　AIを評価するうえで、全ての道路・条件を実車走行のデータを使って評価するのは難しいため、限られた時間・コスト・データを必要な評価に配分するべきである。そのためには全体の傾向を代表する条件を選定して評価するとともに、代表的な条件だけでは拾えない希少な条件を追加したうえで評価するという2つの方法で評価を行う必要がある。さらに評価すべき場所が分かったとしても、その場所を評価するためのデータがあるとは限らないため、適切なデータが無い場合は新たに実車でデータを収集したり、3Dで再構成したりする必要がある。

「Road Intelligence」の概要

　実在道路を再構成するための技術として同社は「3D Gaussian Splatting（3DGS）」を活用している。3DGSとは、カメラ画像や点群データ、位置情報、高精度3次元地図データなどをもとに、3D空間をガウス分布（正規分布）と呼ばれる多数の小さな楕円体の集合で表現する技術で、点群データのように途切れることのない連続的な画像を生成できる。単に見た目がリアルな3D映像が生成できるだけでなく、車両や歩行者を追加するなど仮想の交通状況を追加したり、異なる車両やセンサーの始点から同じ3D空間を再現したりすることも可能だ。

「3D Gaussian Splatting（3DGS）」のデモ画像

　DMPはこれまで整備してきた実世界データに加えて、今後はRoad Intelligenceおよび3DGSという新たな技術を組み合わせることにより、実世界データの整備から評価対象の選定、環境再現、AI評価、評価結果に至るまで、フィジカルAIの開発・評価を支える基盤を整備し、顧客のAIや評価環境につなぐことを目指している。このData for AIの取り組みを自動運転だけでなく物流・配送ロボットや空港の自動化、建設機械、インフラ点検などさまざまな分野に展開していく方針だ。

実世界データからAI評価までカバーする基盤を整備

自動運転以外の分野にも展開