第4章: シミュレーション・HDマップ・規制

セクション9: シミュレーション技術

自動運転車を公道のみでテストすることは、非現実的かつ危険です。安全性の主張を統計的に検証するには数十億マイルに及ぶ走行データが必要ですが、その走行距離を物理的に積み上げるには数十年を要し、人命の犠牲も伴います。シミュレーションは、自動運転（AD）スタックを開発・訓練・検証するための安全でスケーラブル、かつ再現可能な仮想環境を提供することで、この課題に対処します。公道テストのみに比べてはるかに効率的に開発を進められるのです。

本セクションでは、現代のAD開発パイプラインの基盤を成す主要なシミュレーションプラットフォーム、デジタルツインの手法、および合成データ生成技術を取り上げます。

9.1 CARLA: オープンソースのADシミュレータ

CARLA（Car Learning to Act）は、自動運転研究のために専用設計された、最も広く採用されているオープンソースシミュレータです。もともとIntel Labs、Toyota Research Institute、そしてComputer Vision Center（CVC）BarcelonaによってリリースされたCARLAは、ADシステムの開発・訓練・検証のための柔軟な環境を提供します。

CARLA v0.9.16（2025年）の主要機能

2025年にリリースされたCARLA v0.9.16では、本プラットフォームをプロダクショングレードのシミュレーションに近づける、いくつかの変革的な機能が導入されました。

機能	説明	意義
NVIDIA NuRec 統合	ニューラルレンダリングパイプラインNuRec 25.07の実験的サポート。学習済みの光・幾何表現を用いてCARLAのシーンをレンダリングし、フォトリアルなシミュレーションを実現します。	実世界のカメラ出力に極めて近いセンサーデータを生成することでsim-to-realギャップを縮小し、知覚ネットワークのドメイン適応のオーバーヘッドを削減します。
NVIDIA Cosmos Transfer	スタイル転移基盤モデルTransfer1の統合。デジタルツインと手続き型シミュレーションの橋渡しを行います。	手続き的に生成された環境と実世界を再構築した環境の間で、視覚的なドメイン転移をシームレスに行えるようにし、手動でのアセット作成なしにシナリオの多様性を高めます。
ネイティブROS2サポート	ROS2のFoxy、Galactic、Humbleディストリビューションに対応。センサーストリーム、自車制御、ワールド状態がネイティブなROS2ノードとして統合されています。	カスタムのブリッジミドルウェアなしに、プロダクショングレードのADソフトウェアスタック（例: Autoware、Apollo）と直接統合でき、シミュレーションから実装までのパイプラインを効率化します。
USD SimReady エクスポーター	CARLAのシーンとアセットをSimReady形式でパッケージ化し、OmniverseやIsaac Simで再利用できます。	NVIDIAのシミュレーションエコシステム全体でアセットの可搬性を実現し、シーン作成の重複作業を削減してクロスプラットフォームの検証ワークフローを支援します。

CARLAはオープンソースであることと拡張可能なPython/C++ APIを備えていることから、学術的なAD研究の事実上の標準となっており、3,000本を超える論文が本プラットフォームを参照しています。

9.2 NVIDIA DRIVE Sim

CARLAがオープンソースコミュニティに貢献する一方で、NVIDIA DRIVE SimはOmniverse Blueprintアーキテクチャ上に構築された、業界グレードのシミュレーションプラットフォームです。DRIVE Simは、レイトレーシングの忠実度でカメラ・レーダー・LiDARのレンダリングに及ぶ、物理的に正確なセンサーシミュレーションを提供します。

中核機能

DRIVE Map: Omniverse上にホストされた道路ネットワークのデジタルツインへのアクセスを提供します。これらの地図アセットは完全に走行可能なシミュレーション環境に変換でき、仮想テストのシナリオが実世界の道路形状、標識、車線区分線を正確に反映することを保証します。
Virtual Reconstruction（仮想再構築）: シーン作成に対する2つのAIベースのアプローチの1つです。実世界の走行シナリオを完全な合成3Dシーンとして再構築し、制御可能なバリエーション（天候、照明、交通密度）を伴う決定論的なリプレイを可能にします。
Neural Reconstruction（ニューラル再構築）: 2つ目のAIベースのアプローチで、実際のセンサーデータをニューラルシミュレーションによって拡張します。シーンをゼロから構築するのではなく、この手法では取得済みのデータにニューラルレンダリングを加えることで、既存の記録から新しい視点や条件を生成します。

業界での採用

主要な自動車OEMは、DRIVE Simを自社の開発ワークフローに組み込んでいます。

Jaguar Land Rover（JLR）: 2025年の全車種ラインナップを、NVIDIAと共同開発したソフトウェア定義アーキテクチャの上に構築しました。すべてのテストは公道検証の前にシミュレーションで実施され、開発サイクルを大幅に短縮しています。
Mercedes-Benz: DRIVE Simを通じて数千の仮想走行シナリオを実行し、L3システムであるDRIVE PILOTを検証しています。物理的なテストが非現実的または危険となるエッジケースをカバーしています。

9.3 デジタルツイン

ADの文脈におけるデジタルツインとは、実世界の道路環境を仮想空間内に忠実に再現したものです。手続き的に生成された、あるいはアーティストが作成したシーンを用いる一般的なシミュレーション環境とは異なり、デジタルツインは特定の物理的場所との正確な幾何学的・視覚的対応を目指します。

主要な特徴

幾何学的忠実度: 測量グレードのLiDARスキャンとフォトグラメトリから得られる、道路・交差点・建物・インフラのセンチメートル精度の3D再構築。
ニューラルレンダリング: 現代のデジタルツインは、実際のセンサーデータからの高忠実度なシーン再構築のために、ニューラル放射輝度場（NeRF）や3D Gaussian Splattingを採用しています。これらの技術はフォトリアルな新規視点を生成し、限られた実世界の取得データから新しいシナリオを作成できるようにします。
動的要素: 静的な幾何形状にとどまらず、デジタルツインは現実的な交通流モデル、歩行者の行動パターン、環境変化（時間帯、天候、季節変動）をますます取り込むようになっています。

デジタルツインは、稀で危険なシナリオ（例: 高速道路への歩行者の飛び出し、複数車両の玉突き事故、特定の道路での悪天候）を物理的なリスクなしに繰り返しテストできる環境を提供することで、安全かつ効率的なテストを可能にします。

9.4 合成データ生成

合成データ生成は、シミュレーションをテストの枠を超えて訓練データのパイプラインへと拡張します。高価で手動ラベル付けされた実世界のデータセットのみに依存するのではなく、精密にラベル付けされた合成データを大規模に生成します。

合成データ生成のためのNVIDIA DRIVE Sim

NVIDIA DRIVE Simは、新しいセンサー位置に対する深層ニューラルネットワーク（DNN）の感度を測定するために特別に設計された合成データセットを生成します。OEMが新しい車種でセンサー配置を変更する場合、DRIVE Simは物理的なデータ収集キャンペーンなしに、新しい視点を反映した訓練データを生成できます。

新規視点合成の研究

新規視点合成（novel view synthesis）における新興の研究により、既存の走行データからさまざまなカメラ構成をエミュレートできるようになっています。こうして合成的に生成された視点を訓練データに取り込むことで、知覚システムをセンサー配置の変動に対してより頑健にし、車両プラットフォーム間での汎化性能を向上させられます。

このアプローチは、従来のデータ収集手法に対する大幅なコスト削減を意味します。従来は、新しいセンサー構成ごとに数か月の物理的な走行とアノテーション作業が必要でした。

シミュレーションから実装までのパイプライン

次の図は、シミュレーションから検証を経て実世界への実装に至るまでの、エンドツーエンドのパイプラインを示しています。

graph LR subgraph Data_Sources["データソース"] A1["実世界の走行"] A2["HDマップデータ"] A3["手続き型生成"] end subgraph Simulation_Platform["シミュレーションプラットフォーム"] B1["デジタルツイン\n再構築"] B2["シナリオ\n生成"] B3["センサー\nシミュレーション"] B4["合成データ\nラベリング"] end subgraph AD_Stack["ADソフトウェアスタック"] C1["知覚\n訓練"] C2["計画\n検証"] C3["制御\nチューニング"] end subgraph Validation["検証 & 実装"] D1["SILテスト\n(Software-in-the-Loop)"] D2["HILテスト\n(Hardware-in-the-Loop)"] D3["クローズドコース\nテスト"] D4["公道\n実装"] end A1 --> B1 A2 --> B1 A3 --> B2 B1 --> B2 B2 --> B3 B3 --> B4 B4 --> C1 B2 --> C2 B3 --> C3 C1 --> D1 C2 --> D1 C3 --> D1 D1 --> D2 D2 --> D3 D3 --> D4 D4 -->|"フィードバックループ"| A1 style A1 fill:#e3f2fd,stroke:#1565c0 style A2 fill:#e3f2fd,stroke:#1565c0 style A3 fill:#e3f2fd,stroke:#1565c0 style B1 fill:#fff3e0,stroke:#e65100 style B2 fill:#fff3e0,stroke:#e65100 style B3 fill:#fff3e0,stroke:#e65100 style B4 fill:#fff3e0,stroke:#e65100 style C1 fill:#f3e5f5,stroke:#6a1b9a style C2 fill:#f3e5f5,stroke:#6a1b9a style C3 fill:#f3e5f5,stroke:#6a1b9a style D1 fill:#e8f5e9,stroke:#2e7d32 style D2 fill:#e8f5e9,stroke:#2e7d32 style D3 fill:#e8f5e9,stroke:#2e7d32 style D4 fill:#e8f5e9,stroke:#2e7d32

このパイプラインは、現代のAD開発が、主に物理テストに依拠するパラダイムから、あらゆる公道検証に先立って大部分のシナリオカバレッジを仮想的に達成する「シミュレーションファースト」のアプローチへとどのように移行してきたかを反映しています。

セクション10: HDマップ / 高精度地図

高精度地図は、従来の自動運転システムの要でした。センチメートル精度の道路形状、車線境界、交通標識の位置、そしてリアルタイムのセンサー知覚を補完する意味情報を提供してきました。しかし、HDマップの経済性と限界は、ADシステムが地図データとどう関わるべきかについての根本的な再考を促してきました。

従来のHDマップの課題

その精度にもかかわらず、HDマップにはスケーラビリティを制限するいくつかの重大な課題があります。

課題	説明	影響
作成・更新コスト	専用のマッピング車両、LiDAR処理、手動アノテーションを含め、測量グレードのHDマップ作成にはキロメートルあたり約1,000ドルかかります。	地理的なカバレッジが、経済的に成立する市場の主要な高速道路や都市中心部に限定されます。地方や発展途上の地域は未マッピングのまま残ります。
リアルタイム情報の欠如	HDマップは静的なスナップショットであり、迂回、道路閉鎖、工事区間、事故現場といった動的な状況を反映できません。	HDマップの事前情報に大きく依存するADシステムは、実世界が保存済みの地図と食い違うシナリオで機能しなくなり、安全上重大な不一致を生じさせる可能性があります。
保守負担	道路インフラは絶えず変化します。地図を最新に保つには、法外なコストで継続的なデータ収集キャンペーンが必要です。	地図は数週間から数か月で陳腐化し、継続的に更新しない限り、時間とともにシステム性能が劣化します。

2022年以前、AD業界は主にHDマップの幾何学的精度に注力しており、従来の先進運転支援システム（ADAS）は地図の特徴に紐づいた事前定義のルールに依存していました。このアプローチは十分にマッピングされた回廊では有効でしたが、グローバルにスケールさせることはできませんでした。

マップレスアプローチ

自動運転に対するマップレスアプローチは、業界における最も重要なアーキテクチャの転換の1つを表します。事前に構築された地図データベースに依存するのではなく、マップレスシステムは車載センサーのみからリアルタイムで走行環境の理解を構築します。

先駆者と採用企業

TeslaのFull Self-Driving（FSD）システムはマップレスアプローチの先駆けとなり、エンドツーエンドのニューラルネットワークがHDマップの事前情報に依存せず複雑な都市環境をナビゲートできることを実証しました。このアプローチはその後、複数の中国大手メーカーに採用されています。

Xpeng: 中国の各都市でマップレスナビゲーションを展開。
Huawei AITO: 同社のインテリジェント運転システムにマップレスADを統合。
GAC Aion: EVラインナップにマップレス機能を採用。
Li Auto: HDマップ依存から、マップレスの高速道路・市街地走行へ移行。

進化の軌跡

業界の移行は明確な段階を追っています。

地図事前知識（2022年以前）: ADシステムは自己位置推定・計画・意味理解のために、事前構築されたHDマップに大きく依存していました。
リアルタイム地図構築（2022〜2024年）: システムがセンサーデータからローカルマップをその場で構築し始め、保存済み地図への依存を（なくすには至らないものの）低減しました。
ワールドモデル（2024年〜現在）: ニューラルネットワークが内部的なワールド表現を構築する最新のパラダイムです。幾何学的なマッピングを超えて、シーンの動態・物理・エージェント行動の予測的理解を含みます。

この進化は、ADASアルゴリズム設計におけるルール駆動アプローチ（車線境界を検出したら操舵する）からデータ駆動アプローチ（数百万の走行例から最適な行動を学習する）への、より広範な移行を映し出しています。

実現技術

先進的なレンダリングと再構築の技術が、地図が表現できるものを変えつつあります。

3D Gaussian Splatting: 疎な視点からリアルタイムで高品質な3Dシーン再構築を可能にし、地図を「過去の記録」から、新しい位置からシーンがどう見えるかを予測できる「未来のプレビュー」へと進化させます。
ニューラル放射輝度場（NeRF）: 限られたカメラ入力から密でフォトリアルなシーン表現を提供し、同じ基盤技術から地図構築とシミュレーションシナリオ生成の両方を可能にします。

ハイブリッドマッピング

HDマップとマップレスアプローチのいずれか一方を排他的に選ぶのではなく、多くの企業が両パラダイムの長所を組み合わせるハイブリッド戦略を追求しています。

ハイブリッド戦略の構成要素

HDマップの精度: センチメートル精度の車線形状が測定可能な安全価値を加える、十分にマッピングされた回廊（高速道路、主要な都市幹線）向けに保持されます。
SD+マップの広範なアクセス性: 主要な意味情報を付加した標準精度地図（SD+マップ）が、完全なHDマッピングが経済的に不可能な地域に対して費用対効果の高いカバレッジを提供します。
オンライン/動的マッピング: 車載センサーからリアルタイムに生成された鳥瞰図（BEV）表現が、保存済みの地図データを補完または上書きするローカルマップを作り出します。これらのBEVマップは、複数カメラの入力を統一された俯瞰視点に融合するニューラルネットワークによって生成されます。

業界の視点

中国最大級の地図会社であるNavInfoは、「地図の時空間認知をワールドモデルへ継承する」ことを提唱しています。このビジョンは、従来の地図作成の専門知識とニューラルなワールドモデリングの融合を表しています。数十年にわたる地図学的知見を捨て去るのではなく、その理解を次世代ADシステムの訓練データとアーキテクチャに符号化しようとしているのです。

セクション11: 規制と安全基準

自動運転車を公道に展開するには、技術的な成熟だけでなく、責任、安全要件、運用境界を定義する包括的な規制枠組みも必要です。2025年時点で、規制へのアプローチは主要な市場間で大きく異なり、それぞれ異なる法的伝統、リスク許容度、産業政策上の優先事項を反映しています。

11.1 日本

日本は、先進的な法改正と政府主導の実証プログラムを通じて、自動運転規制における世界的リーダーとしての地位を確立してきました。

法的枠組み

2023年4月、日本はレベル4の「特定自動運行」を合法化する改正道路交通法を施行しました。これにより日本は、指定された区域・条件下で人間の運転者なしに動作する車両に対する包括的な法的枠組みを確立した、最初の国の1つとなりました。

政府の展開目標

時期	目標
2025年度	L4自動運転サービスを50か所で実現
2027年度	全国100か所以上
2030年	L4車両1万台の運用

RoAD to the L4 プロジェクト

日本の戦略的イノベーション創造プログラム（SIP）に関連する「RoAD to the L4」プロジェクトは、2021年9月に開始されました。本プロジェクトは、自動運転サービスに対する技術的能力と社会的受容を醸成するために、モデル地域での実証を調整しています。

これまでの主な成果には次のものがあります。

永平寺町: 日本で初めて公道でL4自動運転車を運用した場所となり、地方コミュニティでのラストマイル輸送に低速の電動カートを使用しています。
日立BRT: 専用バスレーンでの自動運転技術を用いたバス高速輸送システム（Bus Rapid Transit）の統合。
羽田空港エリア: 空港ターミナルと周辺施設を結ぶ自動運転シャトルサービス。
新東名高速道路: 日本で最も新しい高速道路でのトラック隊列走行の実証。長距離物流向けのL4トラック隊列をテストしています。

11.2 米国

米国は自動運転規制に対して分権的で州主導のアプローチを採っており、その結果、法域によって大きく異なる規則のパッチワークが生じています。

州レベルの規制

2025年時点で、38州以上が何らかのAV法制を制定しています。規制の状況は大きく異なります。

一部の州は、ロボタクシー運行を認める商用フリート許可を発行しています（例: カリフォルニア、アリゾナ、テキサス）。
他の州は、無人運転の条件として遠隔運転者の待機を義務付けています。
少数の州は、公道での完全無人車両の実質的な禁止を維持しています。

連邦規制（NHTSA）

米国運輸省道路交通安全局（NHTSA）は、連邦安全基準を自動運転車に対応させるために段階的に適応させてきました。

2022年3月: 従来の運転操作装置（ハンドル、ペダル）を持たない車両が連邦自動車安全基準（FMVSS）に適合できるよう、安全要件を改定しました。これにより、専用設計の自動運転車に対する主要な規制上の障壁が取り除かれました。
2025年6月: FMVSSの適用除外を拡大し、代替手段によって同等の安全性を実証することを条件に、従来の設計要件（例: 運転席や手動操作装置を持たない設計の車両）を満たさない安全検証済みのAVの展開を認めました。
2025年4月: L2の事故報告要件を緩和し、必須報告の対象を死亡、入院、歩行者との接触、エアバッグ展開を伴うインシデントに絞り込みました。これにより、重大なインシデントのカバレッジを維持しつつ、L2システム事業者の管理負担が軽減されました。

11.3 欧州連合

欧州連合は、加盟国のイニシアチブで補完しつつ、国際連合欧州経済委員会（UNECE）の枠組みを通じた調和的な規制アプローチを追求してきました。

国連規則第157号（UN-R157）

2023年1月から発効したUN-R157は、自動運転に関する初の国際的に拘束力のある規則です。日本とEUの両方で適用されており、以下を認めています。

時速130kmまでの高速道路でのレベル3自動運転。
自動運転モード中の車線変更操作。

UN-R157は、システムの作動/解除、運転者への移行要求、最小リスク操作、データ記録義務に関する要件を定めています。

加盟国のイニシアチブ

ドイツ: 2021年にL4自動運転を合法化し、AV規制における欧州のリーダーとなりました。2025年には、L4以上の車両に特化した賠償責任保険の義務化を導入し、商用自動運転サービスの保険枠組みを明確化しました。
フランス: 2025年に、すべての自動運転車にブラックボックス記録装置（イベントデータレコーダー）を義務付け、インシデント後の調査と責任判定のために包括的なデータが利用可能であることを保証しました。

L4/L5の無人車両に関する規則は、現在UNECEレベルで活発に策定が進められており、安全検証手法と運行設計領域（ODD）の要件の定義に焦点が当てられています。

11.4 中国

中国は、国家政策目標と都市レベルのパイロットプログラムを組み合わせた、積極的かつ中央集権的に調整された自動運転展開のアプローチを採用しています。

国家目標

中国の目標は、2025年までに新車販売の30%以上にL3+の自動運転機能を搭載することであり、中国市場における野心の規模を反映しています。

規制枠組み

2023年11月、中国はL2からL4までの自動運転の商用化経路を明確化する国家パイロットプログラムを立ち上げました。中国のアプローチの際立った特徴は、車両・インフラ・クラウドのシームレスな統合を重視している点です。中国の5Gインフラとスマートシティ投資を活用して、協調型の自動運転を支援します。

パイロットゾーン都市

北京、上海、深圳を含む20以上の都市が、自動運転のテストと展開のパイロットゾーンに指定されています。これらのゾーンは、専用のテスト道路、規制のサンドボックス、合理化された許認可プロセスを備えています。

業界の進展

BYDは2023年7月に中国で初の条件付きL3テストライセンスを取得しました。2025年6月までに、NIO、長安、GACを含む9社がL3の路上テストに向けた準備を整えており、規制の明確化を受けた業界の急速な動員を反映しています。

11.5 安全基準

各国の規制を超えて、国際的な安全基準は自動運転車を安全に運用するための技術的枠組みを提供します。3つの基準がAD安全保証の中核を成しています。

基準	焦点	説明
ISO 26262（機能安全）	E/Eシステムの故障ハザードの防止	電気・電子（E/E）システムの誤動作や故障から生じるリスクに対処します。2018年版では、乗用車からすべての道路車両へと適用範囲を拡大し、体系的なハザード分類とリスク低減のための自動車安全性水準（ASIL A〜D）を確立しました。
ISO 21448 SOTIF（意図した機能の安全性）	システムの限界（故障ではない）に起因するハザード	システムが設計どおりに機能していても、その性能限界を超える状況に遭遇したときに生じる安全リスクに対処します。センサーの誤解釈、環境的なエッジケース、予期しない運転者の行動などです。当初はISO 26262のPart 14として計画されていましたが、その独自の範囲とAD システムにおける重要性の高まりから、独立した基準へと格上げされました。
RSS（Responsibility-Sensitive Safety）	安全な運転行動の形式的モデル	Mobileye（Shalev-Shwartzら、2017年）によって提案されたRSSは、安全な自動運転行動を構成するものを定義する数学的な形式モデルを提供します。検証可能な数学的保証を用いて、危険な状況への適切な対応を規定します。ISO 21448との統合は活発な研究領域です。

補完的な安全枠組み

ISO 26262とSOTIFは、ともに包括的な安全保証の枠組みを形成します。

ISO 26262は、システム故障に起因するハザードをカバーします（例: センサーが動作しなくなる、プロセッサがクラッシュする、通信リンクが切断される）。
SOTIF（ISO 21448）は、性能限界に起因するハザードをカバーします（例: カメラが直射日光で見えなくなる、レーダーがガードレールを誤分類する、歩行者検出モデルが珍しい服装で失敗する）。

これらの基準は、ともに安全上の懸念の全域に対処します。すなわち、システムが壊れたときに何が起こるか、そしてシステムが設計どおりに機能していても実世界が検証済みの能力範囲を超えるシナリオを提示したときに何が起こるか、です。

RSSは、計画上の制約としても事後の評価指標としても使用できる、安全な行動の形式的で数学的に検証可能な定義を提供することで、両者を補完します。

章のまとめ

本章では、中核となる知覚・計画・制御のソフトウェアスタックを超えて広がる、自動運転エコシステムの3つの相互に関連する柱を取り上げました。

重要ポイント

シミュレーションは、ADシステムの主要な開発・検証手法となりました。CARLAはオープンソースのアクセス性を提供し、NVIDIA DRIVE Simはプロダクショングレードの忠実度を実現します。デジタルツインと合成データ生成はsim-to-realギャップを縮小し、データ収集コストを削減します。
HDマップは、必須の前提条件から、マッピング戦略のスペクトルにおける1つの構成要素へと移行しつつあります。Teslaが先駆けたマップレスアプローチは、業界をリアルタイムの知覚とワールドモデルへと向かわせ、一方でハイブリッド戦略は両アプローチの長所を組み合わせています。
規制は地域によって大きく異なります。日本とドイツはL4の法的枠組みで先行し、米国は州主導のアプローチを採り、EUはUNECEを通じた調和を追求し、中国は国家目標と都市レベルのパイロットゾーンを組み合わせています。ISO 26262、SOTIF、RSSがともに安全工学の枠組みを定義します。

今後の展望

第5章では、自動運転業界が直面する残された課題、市場の見通し、そしてこの変革的技術がもたらす広範な社会的影響を検討します。