Category: Uncategorized

近年、日本における公共交通は大きな転換点を迎えています。少子高齢化や地方の人口減少により、従来の交通モデルでは持続が難しくなりつつあります。その中で注目されているのが、自動運転技術を活用した社会実装です。 特に自治体や公共交通機関にとっては、「移動の維持」だけでなく、「地域価値の再創出」という観点からも、自動運転は重要なテーマとなっています。実装フェーズで鍵になるのは、(1) ODDを絞った運行設計、(2) 遠隔監視・異常時対応を制度要件に合わせて組み込む運用設計、(3) データ/KPIで改善と説明責任を回すガバナンス、の3点です。 本稿は、Turing Drive日本市場責任者の視点から、自治体・事業者が意思決定に必要とする「政策の読み替え」「日本の実例」「導入の勘所」を、一次情報中心に整理します。本記事では、日本の実例を交えながら、公共交通×自動運転の最前線を整理します。 公共交通機関とは何か：社会インフラとしての役割 公共交通機関とは、バス・鉄道・タクシー・オンデマンド交通など、地域の移動を「サービスとして」提供する社会インフラです。特に地方部では、通院・買い物・通学をつなぐ「地域の足」であり、観光地では「観光の足」として地域経済の基盤にもなります。国交省の補助金公募結果でも、「地域の足」「観光の足」を確保する文脈で「交通空白」解消や地域交通のリ・デザインを掲げ、その解決手段の一つとして自動運転を位置づけています。 ここで重要なのは、公共交通の課題が「車両技術だけ」で解けないことです。運行が成立するためには、運行計画（ダイヤ・ルート・停留所・接続）、収支（運賃・委託費・補助）、安全（リスクアセスメント・事故時対応）、説明責任（住民合意・監査）が同時に整う必要があります。警察庁が示す特定自動運行の枠組みでも、遠隔監視装置の作動確認、事故時の通報・現場措置、教育・計画遵守など、運行主体が担う義務が中心に据えられています。 したがって自治体の現場では、自動運転は「車両を買って終わり」ではなく、交通サービスを再設計する「事業」になります。国交省の補助制度が「車両購入・改造」だけでなく、「リスクアセスメント、ルート選定等の調査」や「自動運転システム構築」まで支援対象としているのは、まさにこの現実を示しています。 自動運転社会実装推進事業の概要と狙い まず政策の中核として押さえるべきは、「自動運転社会実装推進事業」です。国交省資料では、地方公共団体がレベル4自動運転移動サービスを実装するための初期投資を支援し、補助率は4/5、対象経費は車両購入・改造・システム構築・リスクアセスメント等とされています。 さらに2025年度は、公募の結果として67事業（重点支援13、一般支援54）を交付決定したことが公表されています。 次に、制度面の要点です。特定自動運行の許可制度は、道路交通法改正で創設され、関連規定が2023年4月に施行されたことが警察庁サイトで明示されています。許可基準の概要では、ODDを満たすこと、義務を確実に実施できること、他交通への支障がないこと、そして「地域住民の利便性又は福祉の向上に資する」こと等が整理され、遠隔監視や事故時の措置が制度設計の中心であることが読み取れます。 そして、事業化を強く意識した枠組みとして、デジタル庁の「自動運転社会実装先行的事業化地域事業」があります。2025年度公募の審査結果として、13地域が選定されたことが公表されており、類型（最新技術活用型／運行エリア拡大型／技術的課題解決型）まで明示されています。自治体にとっては、国交省の「車両・運行の初期投資支援」と、デジタル庁の「事業化の総合支援」を、計画・KPI・体制のラインで接続できるかが勝負になります。 日本における自動運転社会実装の制度構造 最後に、代表的な制度到達点として、経済産業省が発表した永平寺町のレベル4移動サービスがあります。発表では、車両法に基づく自動運行装置の認可（2023/3/30）と、道路交通法に基づく特定自動運行の許可（2023/5/11）を取得し、町から委託を受けた運行主体によりサービスが開始された、と行政手続きの順序まで含めて整理されています。 加えて、経産省の検討会資料では、遠隔監視室の運用や走行区間・交差部の情報など、運用に踏み込んだ情報が提示されており、「制度に適合する運行体制」を作ることが社会実装の本丸である点が示唆されます。 データ活用による運行最適化と安全性向上 社会実装フェーズで、データ活用は「高度なAI」の話ではありません。現場で効くのは、運行を壊す要因を早く見つけ、説明責任に耐える形で改善する「運用データの設計」です。ここでは、国内の実例を5件以上、運用モデルまで含めて整理します。 第一に、BOLDLYとマクニカが関わった境町の定常運行です。2020年11月26日から生活路線バスとして定時・定路線で運行を開始し、自治体が公道で自動運転バスを実用化する国内初の事例と位置づけられました。 運用面では、運行管理プラットフォーム（Dispatcher）を用いた管理が前提となっており、後続の発表では運行管理の一元化や、GTFS変換を通じた外部サービス連携（例：位置情報の提供）にまで踏み込んでいます。つまり、社会実装の競争軸が「走行」から「運行管理と情報連携」へ移っていることを、具体例として示しています。 BOLDLY の「Dispatcher」画面のイメージ ※出典：〈茨城県境町におけるドローンや自動運転バスを活用した新スマート物流の実用化に向けて、2022 年10 月から実証を開始〉2022 年10 月3 日：茨城県境町、株式会社エアロネクスト、セイノーホールディングス株式会社、BOLDLY 株式会社、株式会社セネック 第二に、四日市市の都市部実証です。四日市市では、まちなかの回遊性向上を目的に、自動運転EVバスのモビリティ実証と四日市版MaaS実証を同時に行う枠組みが、マクニカの公式発信で整理されています。 特徴は、単なる走行試験ではなく「予約枠と当日枠」「遠隔監視室の運用」「MaaS連携」というサービス設計を同じ実証パッケージに入れている点です。自治体が次年度の予算や運行主体を検討する際、こうした「運用のディテール」こそが判断材料になります。 近鉄四日市駅西側において自動運転EVバスの実証実験車両 ※出典：四日市市レポート 近鉄四日市駅周辺エリア 自動運転車両の実証実験。マクニカ株式会社、2025年1月30日。 マクニカ製遠隔監視システム「everfleet（エバーフリート）」 ※出典：四日市中央通りにおける魅力的なまちなかの実現を目指して本年度で5回目となる自動運転EVバスを活用したモビリティ実証実験と四日市版MaaS実証実験を同時実施。 第三に、東濃地域の広域連携（6自治体）です。マクニカのプレスでは、6自治体がコンソーシアム協定を結び、国交省の自動運転社会実装推進事業（重点支援）に採択された上で、同時期に自動運転の実証運行を行うとしています。 注目すべきは、狙いが技術実証そのものではなく、「レベル4取得に向けた審査・手続きの効率化」「コスト最適化」「需要創出と二次交通の再設計」「データの質・量の向上」「人材・体制の共助」など、事業化のボトルネックを「広域で」解消する設計になっている点です。ここは、自治体単独では到達しにくい価値であり、今後の横展開の鍵になります。 東濃地域自動運転推進コンソーシアム： L4自動運転稼働サービス実装に向けたロードマップ ※出典：東濃地域自動運転推進コンソーシアム：事業概要 第四に、都市型テストベッドの代表例として、大田区が公表した羽田イノベーションシティの実証です。定常運行と公道実証を重ね、累計乗車人数72,477人（2025年1月時点）を国内最大の実証人数として示しています。さらに、特定条件下でレベル4となる実証取組を継続していることも明記されています。 ここから読み取れるのは、「利用実績」という最も強い社会受容性の指標が、自治体の意思決定と広報の武器になるということです。安全KPIと並行して、利用KPI（乗車数、満足度、回遊効果）を設計しておく価値は大きいはずです。 株式会社ティアフォー製の自動運転バス ※出典：東京都東京ベイeSGプロジェクト 令和7年度「先行プロジェクト」に採択 羽田空港での自動運転バス（レベル４）実現を目指す。TIER IV, INC. 2025年11月27日 第五に、運用安全の設計思想として示唆が大きいのが、トヨタ自動車のe-Palette事案です。東京2020選手村での接触事案を受け、トヨタは歩行者・車両・誘導員を含む「インフラ全体」で安全を再設計し、対策後に運行を再開しました。ここから、自動運転の安全はセンサー単体ではなく、運用ルールや現場オペレーションまで含めて成立することが明確に示されています。 […]

自動運転事業者・自治体担当者の目線で見ると、MaaSの本質は「アプリ導入」ではなく、運行・需要・データを回す仕組みの設計にある。国の定義でも、MaaSは複数モードを最適に組み合わせ、検索・予約・決済等を一括で行うサービスを基本としつつ、アプリ等を通じたデータ活用が進む、と整理されている。 MaaSプラットフォームの仕組みとデータ連携構造 2022年から2026年の日本では、①広域MaaS（KANSAI MaaSなど）でデジタルチケットとイベント輸送が一気に伸び、②観光MaaS（newcalなど）で予約・決済の共通化とKPI公表が進み、③地域交通（江差・春日井・弘前など）でオンデマンド／共同配車／サブスクの「運用KPI」が見える化された。 自動運転との連携は、制度面では改正道路交通法（特定自動運行の許可制度）が整備され、レベル4の社会実装が現実段階に入った。ただし、MaaSと自動運転を「サービス」として結ぶ鍵は、予約・決済と、運行情報（位置/遅延/到着予測等）APIの接続にある。 MaaSとは何か：複数交通手段の統合モデル MaaSは「便利な移動アプリ」の言い換えではない。私はTuring Driveとして各地の実証を追う中で、MaaSが本当に効く局面は、検索・予約・決済のワンストップ化そのものよりも、運行・需要・行動データを継続的に回し、供給制約（運転手不足、車両不足、ピーク需要）に合わせてサービスを作り替えられるかにある、と確信している。国土交通省の定義も、複数交通の最適組合せと「検索・予約・決済等を一括」、さらに観光・医療等の目的地サービス連携まで射程に入れている。 地域MaaS基盤におけるサービス統合とデータ活用の構造 上の図で重要なのは「統合の深さ」を設計段階で言語化することだ。①経路・時刻の検索、②予約・配車、③決済・チケッティング、④運行情報（遅延/混雑/車両位置）、⑤データ連携と改善ループ——この5層のうち、どこまでを「地域の共通基盤」として整備するのかで、調達仕様もKPIも変わる。 特に2023年改訂の「MaaS関連データの連携に関するガイドラインVer.3.0」は、予約・決済といったチケット系のデータ、リアルタイムに変化する運行情報（動的データ）を含め、MaaSの高度化にはデータ連携が不可欠だと明確にした。さらに、MaaSプラットフォーム間の連携（相互接続）の考え方も章立てで整理されており、自治体が「ベンダーロックインを避ける調達」をする際の拠り所になる。 共創MaaSプロジェクトと自治体連携の実証 国の支援事業は、日本版MaaSが「実証から実装へ」移る背中を押してきた。日本版MaaS推進・支援事業は、2019年度19件、2020年度38件、2021年度12件、2022年度6件、2023年度6件、2024年度11件、2025年度29件（2次公募で追加10件）と、フェーズごとに採択規模を変えながら継続している。さらに2025年度からは地域交通DX（MaaS2.0）として、サービス/データ/マネジメント/ビジネスプロセスを一体で進める方針が打ち出された。 日本版MaaS推進・支援事業：採択件数推移 2022年–2026年主要MaaS事例一覧 事例   実施自治体/企業 期間 PF/アプリ 導入技術（要点） 成果指標（公表値） KANSAI MaaS 関西MaaS協議会（鉄道7社で構成） 2023/9/5提供開始、万博期に拡張 KANSAI MaaS マルチモーダル探索＋チケットストア＋在線/駅構内連携 ユーザ数：約160万人（10月時点）、シャトルバス乗車券利用：約480万人  newcal 京浜急行電鉄株式会社、ドコモ・バイクシェア 等 KPI公表：2024年度 newcal エリアマネジメント×MaaS KPI運用 予約・決済客数：190,858人（2024年度）、登録会員：242,337人 江差MaaS（交通×買い物） 江差町（運行：町＋ハイヤー）、サツドラホールディングス、未来シェア、駅探 2023/11/1〜2024/2/9 LINE/電話予約（住民向け） LINE予約＋リアルタイム配車、地域ポイント/電子決済 登録221人、利用660人（566運行）、乗合率38.5% 春日井 共同配車（タクシー） 春日井市／愛知県、名古屋大学、計量計画研究所 2025/2/3〜3/14 「move!かすがい」（Web） 当日配車（リアルタイム）＋予約配車（バッチ）、窓口一本化、シミュレーション 登録89人、リクエスト36件、成立3件／必要台数26→23の可能性（試算） ひろさきMaaS（サブスク） 弘前市、東日本電信電話、NTTカードソリューション、コンピュータービジネス 2025/11/1–2026/2/28 MaaSアプリ＋地域通貨 QR読み取りで乗降データ自動取得、決済導線改善  […]

日本の自動車産業における自動運転は、一般道路向けの乗用車開発だけでなく、工場構内・港湾・空港・製鉄所などの限定領域（一般交通と分離された運行環境）での実装が先行しています。背景にあるのは、ドライバー不足や安全対策に加え、夜間や定常搬送など「止められない業務」をどう回すかという現場課題です。 本稿では、日本国内で公開されている開発・PoC事例をもとに、主要メーカーの方向性、工場・物流での搬送自動化、サプライヤー連携の勘所、そして自動運転とDX（運行管理・遠隔監視・保全）の関係を整理します。 日本の主要メーカーにおける自動運転の取り組みは、おおむね「実証環境での技術検証」「サービスとしての運行実証」「SDV／データ基盤の整備」という三つの軸で整理できます。ここでは公開情報に基づき、代表例を比較します。 トヨタは、実証都市（Woven City）を“リアルなテストコース”として整備し、社会インフラとモビリティが連携する環境で要件を検証する方針を示しています。Phase1の建物は2024年10月末に完成し、2025年秋以降に実証開始予定とされています。またトヨタとNTTは「モビリティ×AI・通信」の共同取り組みとして「モビリティAI基盤」を共同開発・運用し、2030年までに5,000億円規模の投資、2025年以降の開発開始、2028年頃からインフラ協調による社会実装開始を掲げています。 日産は、横浜市（みなとみらい／桜木町／関内）で、オンデマンド配車型の自動運転モビリティサービス実証を実施します。2025年11月27日〜2026年1月30日に、運行台数5台、乗降地数26か所で運行し、みなとみらい地区の「PLOT48」に専用管制室を設置して遠隔監視を前提とした運用体制・サービスエコシステムを検証するとしています。 ホンダは、協調人工知能「Honda CI」を活用した技術実証として、神奈川県小田原市での実証実験を公表しています。カメラに加えてLiDARを搭載し、認識精度と冗長性を強化して、対応速度域を時速60kmまで拡大しつつレベル4に必要な安全性を確保することを目指すとしています。 小田原市の公開情報では、2026年2月2日から、西湘テクノパーク周辺で実施し、速度は20km/hから段階的に60km/hまで引き上げる旨が示されています。 ソニー・ホンダモビリティは、CES 2025で「AFEELA 1」を発表し、独自ADAS「AFEELA Intelligent Drive」について、40のセンサーと最大800 TOPSのECUを用い、AIによりPerception／Prediction／Planningを含む運転支援を提供すると説明しています。 主要日本メーカーにおける自動運転開発アプローチ比較 企業 主な実証フィールド 実証の焦点 技術的特徴 トヨタ自動車 Woven City （実証都市） 社会実装前提の統合検証 モビリティ基盤、AI×通信連携 日産自動車 都市部（横浜） サービス運行・運営体制 遠隔監視、オンデマンド運行 本田技研工業 テストコース／実証環境 レベル4技術要件 冗長設計、LiDAR追加 ソニー・ホンダモビリティ 市販車開発 SDV／計算基盤 40センサー、800 TOPS ECU これらの動きは、狙う市場や設計思想が異なる一方で、「制御可能な条件で検証し、運行（サービス）を通じて要件を固め、データ基盤と結びつける」という点で共通しています。自動運転は“車両単体の機能”から、“運用とデータを含む産業システム”へ移りつつあります。 工場や物流現場ではAGV／AMRの導入が進んでいます。日本産業車両協会の統計によれば、2023年の無人搬送車システム納入実績は800システム、納入台数は3,105台と公表されています。 一方で、現場条件によってはAGV／AMRがそのまま適合しないケースもあり、屋外・半屋外、重量物、人・既存車両の混在、レイアウト変更といった要因が運用課題になりやすい点は押さえておく必要があります。 具体例として、ヤマハ発動機グループは屋外対応の自動搬送サービス「eve auto」を展開しており、屋内外のコースで設備連携・段差走破・複数台運用時の調停機能まで確認できること、また2022年11月のサービス開始以来、全国20都府県・40以上の工場や物流拠点で活用が広がっていることを紹介しています。さらに、Autowareを活用した車両によるサブスク型サービスである点も明示されています。 この事例は「屋外搬送」や「運用のしやすさ」が実装の焦点になりやすいことを示しており、AGV／AMRの導入検討でも“環境条件と運用設計”が鍵になることが分かります。 また日産は、工場内AGVについて、磁気テープ上を走る方式では経路変更に貼り替えやプログラム変更が必要になるため、磁気テープなしで無軌道走行できるAGV開発と、工場内AGVとホストコンピューターの常時通信による統合制御の研究を進めていると紹介しています。 AGV／AMRがつまずきやすいのは、屋内外混在や路面・照度・天候の変動、フォークリフトや大型車両・人の混在、鋼材・長尺物など積載条件が厳しい搬送、導入に伴う動線・作業フロー変更などが重なる場面です。現場で最初に確認されるのは、雨天時の挙動と、保全・再設定の手間であることが多い点も実務上の重要ポイントです AGV／AMR／特殊車両を活用した自動運転導入における能力・適用領域比較 比較項目 AGV AMR 特殊車両の自動運転化 想定環境 屋内・平坦 […]

＊掲載の写真はイメージであり、実際とは異なる場合があります。 日本各地の観光地やリゾートエリアでは、近年「移動」に関する課題が急速に顕在化しています。インバウンド需要の回復や国内旅行者の増加で観光地全体の魅力は高まっていますが、その一方で人手不足・交通混雑・送迎負荷の集中といった問題が現場で深刻化しています。このような背景を受けて、いま日本の観光地・リゾートで注目されているのが、自動運転による送迎サービスです。ここでいう送迎とは、ホテル・観光施設の敷地内や、その周辺を走行するシャトルバスなど、旅行者の移動負担を軽減するサービス全般を指します。本記事では、なぜ観光地・リゾートが自動運転と相性が良いのか、リゾートホテル向け自動運転シャトルの導入効果、送迎バス・送迎車をAIで最適運行する意義、そして観光MaaSと連携した新しい旅行者体験について、現場視点で解説します。 リゾート地の交通課題と自動運転の解決策 リゾート地や観光地は、都市部とはまったく異なる交通特性を持っています。道路幅が狭く信号や標識が不十分な道が多いこと、季節や時間帯で交通量が大きく変動すること、観光客のレンタカーや業務車両など多様な車両・歩行者が混在し挙動が予測しにくいこと、さらに海岸・森林部ではGPSや通信が不安定といった、日本特有の不規則な交通環境が日常的に存在します。 ＊掲載の写真はイメージであり、実際とは異なる場合があります。 これらは一般的な都市部とは前提条件そのものが異なるため、標準的な車線標識や信号に頼らず、カメラ・LiDAR融合による環境認識や複数センサーを用いた自己位置推定・フェイルセーフ設計など、特殊環境を前提にした自動運転技術が求められます。また、リゾート施設では独自の予約管理システムや送迎運用があるため、観光MaaS連携を前提としたシステム設計も重要です。 一方、リゾート地の交通需要は特定区間・時間帯（例えば空港～ホテル間や施設間送迎）に集中するという特徴があり、ルートが限定され運行時間帯も管理しやすいなど自動運転の社会実装に適した条件も揃っています。最高速度が低く設定できる点も含め、こうした条件下では自動運転車両が安定的に運行しやすくなります。 Turing Driveでは観光地での自動運転を「完全無人化ありき」で考えるのではなく、まずは送迎・シャトルといった実用価値の高い領域から段階導入することが現実的かつ持続可能だと考えています。 観光・リゾート環境における自動運転が市街地自動運転と異なる理由 観点 観光地・リゾート型自動運転 一般的な市街地自動運転 Turing Driveの設計アプローチ 路面標示・信号が不十分な環境 景観を重視した道路が多く、白線・停止線・信号機が存在しない、または不明瞭な区間が多い。 車線・信号・標識が整備され、交通ルールが明確。 標準インフラの有無に左右されない認識設計路面標示や信号を活用しつつ、それらが不明瞭な環境でも安定して走行可能な画像・LiDAR融合の環境理解を前提に設計。 観光シーズン・時間帯による交通変動 観光シーズン、イベント、時間帯によって人流・車両数が大きく変動。 日常利用が中心で交通状況は比較的安定。 変動環境を前提とした冗長設計天候・人流変化を想定し、複数センサーによる安定した自己位置推定。 観光客・レンタカー・業務車両の混在 観光客、レンタカー、送迎車、施設管理車両などが混在し、行動パターンが非定型。 交通ルールに基づいた比較的予測可能な挙動が中心。 ルール前提では対応しきれない環境を想定した行動理解設計観光客や業務車両など、行動が多様な移動体を継続的に捉え、交通ルールの有無にかかわらず、状況に応じた判断と動きを予測。 高齢者・子供・インバウンド観光客の行動多様性 歩行者と車両が同一空間を共有し、急な横断・立ち止まりが頻発。 車道と歩道が明確に分離 人と車の混在を前提とした安全設計死角を最小化し、常に安全側に判断。 インフラ・通信が不安定な環境 海岸部、森林部、敷地内道路などでGPS・4G/5Gが不安定なケースが多い。 通信・測位インフラが安定 通信・測位不安定を前提としたフェイルセーフ設計単体機能に依存せず、システム全体で安全を担保。 任務・システム連携が必要 リゾート施設・ゴルフ場・観光施設では、独自の予約管理システムや施設専用アプリを保有しているケースが多い。 運行パターンが比較的一定で外部連携は限定的 観光MaaS・送迎運用を前提としたシステム連携設計ホテル送迎、ゴルフ場移動、施設間シャトルを想定し、予約・運行管理・外部サービスと柔軟に連携。 ※ 観光地・リゾートにおける自動運転は、市街地とは異なる前提条件のもとで設計される必要がある リゾートホテルにおいて、自動運転シャトルの導入がもたらす効果は、単なる「省人化」にとどまりません。 日本全国で深刻化しているドライバー不足は、リゾート地や観光地の送迎運行で特に顕著です。繁忙期と閑散期の差が大きく、通年で安定的に人材を確保することが難しいため、人手に頼った運行には限界があります。例えばリゾート施設の小型送迎バスでは、ドライバー1名あたり年間400～500万円程度の人件費がかかり、1路線を維持するには2～3名のシフト体制が必要です。結果として年800～1,200万円規模の人件費が継続発生し、5年も運用すれば相当なコストになります。 自動運転シャトルの導入は、こうしたコスト構造そのものを見直すための有力な選択肢です。完全な無人運転を前提とせず遠隔監視や運行管理と組み合わせれば、現地常駐スタッフの負担を最小限に抑えつつ安全を確保できます。重要なのは単に「人を減らす」ことではありません。 従来、運転業務に追われていたスタッフがゲスト対応や施設案内など、滞在価値を高めるサービスに専念できる環境を整えること――これは労働安全や人材定着の面でも今後の観光運営に極めて重要です。 また現在、多くのゴルフ場で磁気誘導線式の半自動カートが使われていますが、導入コストが数億円規模と高額で土木工事も必要、ルートの変更・増設も容易ではありません。 Turing Driveのソフトウェア型自動運転シャトルであれば物理的な誘導インフラに依存せず、カメラ・LiDAR・AIによる自律走行で既存の園路や送迎ルートを走行できます。ルート変更や季節・イベントに応じた用途拡張もソフトウェア設定で柔軟に対応可能です。リゾート内送迎やゴルフ場内移動、イベント時の臨時ルートなど、現場の運用に合わせて走らせ方を最適化できる点も強みと言えます。つまり、運行コストの最適化とは単に安くするだけでなく、人員・設備リソースとサービス品質を含めた全体最適化を実現することです。自動運転シャトルはその全体最適を可能にする、現実的で持続可能なソリューションだと私たちは考えています。 観点 従来型ゴルフカート（磁気誘導式） ソフトウェア型自動運転（Turing Drive） 導入方式 磁気ライン・誘導ケーブルに沿って走行 カメラ・LiDAR・AI […]

少子高齢化や人手不足が進む日本において、「自動運転」はもはや未来の技術ではなく、社会課題を解決するための現実的な選択肢になりつつあります。 私は台湾発の自動運転スタートアップ Turing Drive で日本市場の事業開発を担当しています。日本各地の自治体や事業者の方々とお話しする中で、「いつ実用化されるのか」よりも「どこから、どう使えるのか」という視点が強まっていると感じています。 本記事では、自動運転の基本的な仕組みから、自動運転レベル、AI（人工知能）による制御技術、そして公共交通や観光地で進む自動運転バスの実証事例、さらに社会実装と安全性への取り組みまで、現場視点で分かりやすく解説します。 自動運転レベル（L0〜L5）は、一般にSAEの考え方をベースに、日本でも国土交通省等の資料で整理されている区分です。ポイントは「車両の加減速・操舵をどこまで自動化するか」だけではなく、走行中の周囲監視と運転タスク（DDT：Dynamic Driving Task）を誰が担うか、そして ODD（運行設計領域／限定領域）を超えそうなときに誰がフォールバック（安全に停止等）を担うか、という責任分界にあります。 日本では特に、レベル1〜2は「運転支援車」、レベル3以上は「自動運転車」という整理が明確です。また、レベル3およびレベル4はODD（運行設計領域）の範囲内でのみ自動運転が可能である点が重要です。 レベル別の整理（日本で誤解されやすい点も含めて） レベル 運転タスク（DDT）の主体 周囲監視の主体 フォールバック（限界時対応） 日本の実務での理解 L0 人 人 人 自動化なし（警報・AEB等があっても「運転自動化」ではない扱いになり得る）。 L1 人（縦 or 横のどちらかを支援） 人 人 例：ACCや車線維持支援など。主体は常に運転者。 L2 人（縦＋横を同時に支援はあり得る） 人（常時監視） 人 複合支援でも「自動運転」ではなく運転支援（監視義務は運転者）。 L3 システム（ODD内のDDTを実施） システム（ODD内） 原則：運転者が引継ぎ要請に対応 「条件付自動運転」。システムが運転するが、要請時に運転者が適切対応が必要。 L4 システム（ODD内のDDT＋フォールバックも含む） システム（ODD内） システム（最小リスク状態へ） 運転者がいない状態での運行も想定され、日本では「特定自動運行」等の枠組みで整理が進む。 L5 システム（ODDなし＝全領域） システム システム すべての環境で自動運転。現時点の社会実装は非常に限定的。 ※本記事で用いる自動運転レベル（L0〜L5）は、SAE（米国自動車技術者協会）が定義した国際的な分類をベースに、日本の制度・ガイダンスに沿って説明しています。  AI（人工知能）による自動運転制御技術 日本市場で注目される E2E（End-to-End）型自動運転とは 自動運転の中核を担うのは、AI（人工知能）による判断と制御です。近年、ディープラーニングの進化によって歩行者や車両、障害物など周辺環境の認識精度が大きく向上しました。現在、日本市場ではその次のアプローチとして「E2E（End-to-End）自動運転」に高い関心が集まっています。 E2E […]