EN | JP | Last sync: 2026-01

第2章: プランニング・制御・主要プレイヤー

意思決定アルゴリズム、車両制御システム、自動運転業界の全体像

読了時間: 90〜100分 難易度: 中級

本章では、古典的な経路計画アルゴリズムから現代的なEnd-to-Endニューラルアーキテクチャに至るまで、自動運転スタックのプランニング層と制御層を扱います。続いて、2026年初頭時点で自動運転の全体像を形作っている主要な業界プレイヤーを、その技術・展開状況・戦略的方向性とともに概観します。

学習目標

本章を修了すると、次のことができるようになります。

4. プランニング技術

プランニングは自動運転車の「頭脳」であり、どこへ行くか、そしてどのように安全かつ効率的にそこへ到達するかを決定する役割を担います。本節では、プランニングの3つの中核的なサブ問題である経路計画・行動予測・意思決定と、モジュラー手法とEnd-to-End手法の間で交わされる重要なアーキテクチャ論争を扱います。

4.1 経路計画

経路計画は、障害物・道路形状・交通ルール・動的制約を考慮しながら、車両の現在位置から目的地までの実現可能な軌道を計算します。アプローチは大きく3つのカテゴリに分かれます。すなわち、伝統的（アルゴリズム的）手法、機械学習ベースの手法、ハイブリッド手法です。

伝統的手法

グラフベース手法は、環境をノードとエッジからなるグラフに離散化し、最適な経路を探索します。

サンプリングベース手法は、ランダムサンプリングによって構成空間を探索するため、高次元または複雑な環境で有効です。

最適化ベース手法は、経路計画を連続的な最適化問題として定式化し、車両の運動学的・動力学的制約のもとでコスト関数（経路長・曲率・ジャークなど）を最小化します。

補間曲線は、ウェイポイントから滑らかで走行可能な経路を生成します。

機械学習ベースの手法

機械学習ベースの経路計画（近年の研究の約25%）は、学習された表現を次のように活用します。

ハイブリッド手法

ハイブリッドアプローチ（近年の研究の約27%であり、最新のトレンド）は、複数の手法系統の強みを組み合わせます。

経路計画アプローチの比較

観点 伝統的（グラフ/サンプリング/最適化） 機械学習ベース ハイブリッド
研究に占める割合 約48% 約25% 約27%（増加中）
最適性 証明可能（A*, RRT*） 形式的な保証なし 部分的な保証
適応性 手作業で設計したルールに限定 データから学習 両者の良いとこ取り
リアルタイム性能 まちまち（最適化は遅くなりうる） 高速な推論 中程度〜高速
解釈可能性 高い 低い（ブラックボックス） 中程度
安全性の保証 形式的検証が可能 検証が困難 部分的な検証
データ要件 なし 大規模な走行データ 中程度
動的障害物への対応 D*（再計画）、中程度 強い（学習したパターン） 強い
代表的な手法 A*, RRT*, スプライン, ベジェ NNプランナー, RLプランナー NNコストマップ+A*, 学習+最適化

4.2 行動予測

行動予測は、周囲の交通参加者（車両・歩行者・自転車）の将来の軌道と意図を予測します。自車は衝突を回避し滑らかに走行するために他者の動きを先読みする必要があるため、正確な予測は安全なプランニングに不可欠です。

物理モデルベースの予測

確率分布ベースの予測

深層学習ベースの予測

強化学習ベースの予測

4.3 意思決定アルゴリズム

意思決定は、いつ車線を変更するか、交差点をどう通過するか、いつ譲るか、予期しない状況にどう対応するかといった、高レベルの運転戦略を決定します。

知識駆動型アプローチ

データ駆動型アプローチ

ハイブリッドアプローチ: 2025年の主流

知識駆動型手法とデータ駆動型手法の統合は、2025年の主流アプローチを代表するものです。ハイブリッドシステムは、安全性が重要な意思決定（例: 急ブレーキ、緊急操作）にはルールベースのコンポーネントを用い、微妙な意思決定（例: 快適な車線変更のタイミング、社会的なナビゲーション）には学習コンポーネントを活用します。このアーキテクチャは、明示的なルールの信頼性と、学習された行動の適応性の両方を提供します。

4.4 End-to-End vs モジュラーアーキテクチャ

自動運転における根本的なアーキテクチャの選択は、モジュラー（パイプライン）手法とEnd-to-End（E2E）手法の間にあります。この論争は深層学習の能力が高まるにつれて激化してきました。

アーキテクチャの比較

観点 モジュラー（パイプライン） End-to-End（E2E）
構造 知覚・予測・プランニング・制御が独立に設計され、直列に接続されたモジュール 単一のニューラルネットワークがセンサー入力を制御出力（操舵、アクセル、ブレーキ）に直接マッピングする
利点 高い解釈可能性。各モジュールを独立して開発・テスト・デバッグでき、故障の切り分けが明確。ドメイン専門知識を活用できる ステージ間の情報損失が最小化される。運転タスクに対して大域的に最適化される。モジュール間に手作業で設計したインターフェースが不要
欠点 誤差がパイプラインを通じて累積・伝播する。モジュール間インターフェースでの情報損失。統合が複雑。大域的性能が準最適 ブラックボックス問題。故障のデバッグが困難。膨大な訓練データを要する。安全性の検証が難しい

2025〜2026年の最前線: 二者択一を超えて

最新の研究は、単純なモジュラー vs E2Eの二分法を超越し、両者の利点を組み合わせるアーキテクチャを導入しています。

Vision-Language-Action（VLA）モデル

LLMベースの意思決定

拡散モデルによるプランニング

スパース表現アプローチ

5. 制御技術

制御は自動運転スタックの最終層であり、計画された軌道を実際の車両指令（操舵角、アクセル、ブレーキ圧）へ変換します。制御システムは、車両の安定性と乗員の快適性を維持しながら、計画された経路を正確に実行しなければなりません。

5.1 PID制御

PID（比例・積分・微分, Proportional-Integral-Derivative）制御は、最も基本的で広く用いられているフィードバック制御手法です。追従誤差 $e(t)$ から導かれる3つの項に基づいて制御信号を計算します。

PID制御則は次のように表されます。

$$u(t) = K_p e(t) + K_i \int_0^t e(\tau) \, d\tau + K_d \frac{de(t)}{dt}$$

ここで、

graph LR R["目標値
r(t)"] --> SUM(("+−")) SUM --> E["e(t)"] E --> P["K_p · e(t)
比例"] E --> I["K_i · ∫e dτ
積分"] E --> D["K_d · de/dt
微分"] P --> ADD(("+")) I --> ADD D --> ADD ADD --> U["u(t)
制御出力"] U --> PLANT["車両
プラント"] PLANT --> Y["y(t)
出力"] Y --> |フィードバック| SUM

利点

欠点

5.2 MPC（モデル予測制御）

モデル予測制御（MPC）は、各時刻において有限の予測ホライズンにわたる最適化問題を解くことで最適な制御入力を計算する高度な制御戦略です。車両の数学モデルを用いて将来の状態を予測し、制約のもとでコスト関数を最適化します。

中核原理: 後退ホライズン

各時刻において、MPCは次を行います。

  1. 車両ダイナミクスモデルを用いて、$N$ ステップのホライズンにわたる車両の将来状態を予測する。
  2. コスト関数（追従誤差、制御努力、快適性）を最小化する制御系列を見つける最適化問題を解く。
  3. 最適系列のうち最初の制御入力だけを適用する。
  4. 1時刻進め、新しい状態計測を受け取り、この過程を繰り返す。

この「後退ホライズン」アプローチは、新しい情報が利用可能になるたびに継続的に再最適化を行い、モデルの不正確さや外乱に対する頑健性を提供します。

MPC最適化の定式化

一般的なMPC最適化問題は次のように表せます。

$$\min_{u_0, \ldots, u_{N-1}} \sum_{k=0}^{N-1} \left[ \| x_k - x_k^{\text{ref}} \|_Q^2 + \| u_k \|_R^2 \right] + \| x_N - x_N^{\text{ref}} \|_P^2$$

制約条件は次の通りです。

$$x_{k+1} = f(x_k, u_k) \quad \text{(車両ダイナミクスモデル)}$$ $$x_k \in \mathcal{X} \quad \text{(状態制約: 速度制限、車線境界)}$$ $$u_k \in \mathcal{U} \quad \text{(入力制約: 操舵限界、加速度限界)}$$

ここで、

利点

欠点

5.3 2025〜2026年の最新制御技術

自動運転車の制御における近年の進展は、安全性と適応性の両立を目指して古典的手法と学習ベースの手法を組み合わせることに焦点を当てています。

MPS（MPC + Stanley統合）

DDMPC（データ駆動型MPC）

適応型MPC + PSO最適化

可変予測ホライズンMPC

DRL + MPC-PIDハイブリッド制御

6. 主要企業とプレイヤー

自動運転業界は、テクノロジー企業・自動車メーカー・スタートアップからなる多様なエコシステムを特徴とし、それぞれが異なる戦略と自律レベルを追求しています。本節では、2026年初頭時点の14の主要プレイヤーを紹介します。

6.1 Waymo（Alphabet）

Alphabetの自動運転子会社であるWaymoは、世界で最も先進的なレベル4ロボタクシーサービスを運営しています。その技術スタックはLiDAR + カメラ + レーダーのセンサーフュージョンに依拠し、頑健な冗長知覚を提供します。

現在の展開状況（2025年）

2026年の拡大計画

第6世代（Gen 6）ハードウェア

6.2 Tesla

Teslaはビジョンオンリーのアプローチを一貫して追求し、LiDARやレーダーを用いずカメラのみに依拠し、膨大なフリートデータの優位性を活用しています。

FSD（Full Self-Driving）Supervised

ロボタクシープログラム

2026年の計画

6.3 Cruise（GM）

かつてGeneral Motorsの旗艦的自動運転事業であったCruiseは、深刻な安全事故を受けて劇的な戦略転換を経験しました。

主要な経緯

6.4 Baidu Apollo Go（中国）

BaiduのApollo Goは、中国最大かつ最も先進的なロボタクシープラットフォームであり、同国の自動運転展開を牽引しています。

展開規模

経済性

国際展開

6.5 Mobileye（Intel）

Intelの子会社であるMobileyeは、先進運転支援システム（ADAS）向けチップとソフトウェアの支配的サプライヤーであり、その技術は大半の主要自動車メーカーの車両に組み込まれています。

技術と市場ポジション

ロボタクシープログラム

課題

6.6 NVIDIA

NVIDIAは、訓練インフラ・シミュレーション・車載処理にまたがる、自動運転の基盤的計算プラットフォームを提供しています。

DRIVEプラットフォーム

Alpamayo（CES 2026）

パートナーシップと収益

6.7 中国のスタートアップ

Pony.ai

WeRide

AutoX

6.8 Argo AI（閉鎖）

Argo AIは、レベル4自動運転の商用化の難しさに関する教訓的な事例です。

6.9 Zoox（Amazon）

2020年にAmazonに買収されたZooxは、既存車両を改造するのではなく、ゼロから設計した専用自動運転車という独自のアプローチを取っています。

車両設計

展開状況

2026年の計画

6.10 Motional（Hyundai / Aptiv）

Motionalは、Hyundai Motor GroupとAptivの合弁会社で、レベル4ロボタクシー技術の開発に注力しています。

6.11 トヨタ（Woven by Toyota）

トヨタは子会社のWoven by Toyotaを通じて自動運転を追求し、ソフトウェアプラットフォーム戦略と独自の物理的テスト環境を組み合わせています。

Areneソフトウェアプラットフォーム

Woven City

戦略的パートナーシップ

ロボタクシー計画

6.12 ホンダ

ホンダは量産車の自律化のパイオニアであり、レベル3の展開で歴史的な世界初を達成しました。

SENSING Elite（レベル3）

SENSING 360+（2025年）

6.13 日産 ProPILOT

日産のProPILOTシステムは、同社の先進運転支援プラットフォームであり、AIの統合を通じてより高い自律性へと進化しています。

ProPILOT Assist 2.1

次世代ProPILOT

6.14 ソニー・ホンダモビリティ AFEELA

AFEELAは、ソニーとホンダの合弁会社による製品で、ソニーのセンサーおよびエンターテインメントの専門知識と、ホンダの自動車製造能力を組み合わせています。

AFEELA 1 セダン

自律化ロードマップ

ローンチのタイムライン

章のまとめ

本章では、自動運転のプランニング・制御・業界の全体像を扱いました。

← 前の章: 自動運転の基礎 次の章: 商用展開とAI/ML →

免責事項