Transcription

1 平成 28 年度経済産業省委託業務 平成 28 年度 スマートモビリティシステム研究開発 実証事業 ( 高度な自動走行の実現に向けた周辺環境認識技術に関する競争力の調査 ) 成果報告書 平成 29 年 1 月 デロイトトーマツコンサルティング合同会社

2

3 目次 本編 1 周辺環境認識技術を取り巻く市場環境 先進運転システム (ADAS: Advanced Driving Assistance System) および自動運転に関する機能の全体像 ADAS および自動運転関連市場の予測 ADAS および自動運転関連市場における日本の位置づけ Tier1 サプライヤの競争状況 周辺環境認識に関する技術開発動向 認識に関わる処理プロセス 認識に関わる技術開発動向 海外プレイヤの事例 Mobileye 欧州メガサプライヤ 開発の課題と要諦 各社の課題認識 要諦 必要なデータバリエーション 課題と打ち手の方向性 課題 打ち手の方向性と要件 周辺環境認識技術の自動車以外への応用可能性 パーソナルモビリティ 電動車いす 鉄道 産機 ドローン 産業用ロボット セキュリティ まとめ... 33

4

5 調査の背景 目的 省エネルギーの一層の加速が不可欠である中 運輸部門については とくにエネルギー消費の大部分を占める自動車分野における新たな対応が必要である また 自動車の普及に伴う交通事故や交通渋滞は 世界中で甚大な社会的損失をもたらしており 今後の世界的な人口増大に伴う自動車保有の増加や高齢化 都市の過密化の進展により こうした問題も深刻さを増すものと考えられる 例えば 交通死者数は 近年減少傾向にあったが 昨年は15 年ぶりの増加となっており 事故低減に向けた更なる取組が必要である こうした中 自動車分野における新たな取り組みである自動走行への期待は大きい 本事業は 省エネルギーの推進や交通事故の低減等に資すると期待が高い高度な自動走行を実現する周辺環境認識技術に関するものである 現在 周辺環境認識技術において国際的に開発競争が加速している 本技術の開発要素としては対象物を検知する1ハードウェア ( カメラ レーザスキャナ レーダ ) 開発と2 人や障害物等を認識するアルゴリズム開発 3 開発した技術の性能を検証するために 目的の対象物や利用シーンに係る正解値を付したデータを用いて性能を定量化する評価技術の開発がある さらに41 と2を相互に組合せることで認識技術を高度化することが求められる そのため 技術開発を担う企業や研究機関の開発規模 ( 費用 時間 ) が飛躍的に増大する傾向にあり 個々の企業が世界中のあらゆる交通環境 および用途 リスクに対応できる認識技術のすべてを開発することは困難となる可能性が高い また どれだけの性能を有していれば安全 安心な自動走行システムが実現できるのか指標がないことも民間企業の過当競争を促進する原因になりうる 本事業では 将来の周辺環境認識技術の開発目標とその評価指標を調査し 協調と競争を切り分ける戦略について業界関係者で議論し より高度な自動走行システムを効率的に開発する方法や連携の在り方を模索する さらに国際的な議論の場において 海外を含む交通事情や自動走行の利用シーンを反映した認識技術の評価データを提案し国際規格化に繋げることを目的とする i

6

7 本 編

8

9 1 周辺環境認識技術を取り巻く市場環境 1-1 先進運転システム (ADAS: Advanced Driving Assistance System) および自動運転に関する 機能の全体像 自動運転のレベルごとに 種々の機能が実現あるいは構想されている 自動運転レベルと機能を紐づける厳密な定義は存在しないが レベルごとの典型的な機能例を以下の図 1 に示す なお ここでは NHTSA の定義による 5 段階 (0~4) のレベルにおける レベル 2 まで ( 運転の主体が運転者の場合 ) を ADAS と呼び レベル 3 以上 ( 運転の主体が車である場合 ) を自動運転と呼ぶこととする レベル 判断 制御の主体 完全自動運転 車 ( システム ) 自動駐車 高速 / 専用道自動運転 エリア シーンに依らず全てシステム制御に 機能 運転者 前方衝突警告 (FCW) 車線逸脱警告 (LDW) 死角検知 (BSD) 標識認識 (TSR) 等 緊急自動ブレーキ (AEB) 車間距離維持 (ACC) 車線維持支援 (LKA) 自動速度制限 (ISA) 等各種 ADAS 車線変更支援 (LCA) ACC+LKA+LCA 等 より高度 複合的な ADAS 渋滞時自動運転 エリアやシーン限定でシステム制御の範囲拡大 警告 目的毎に自動制御 より複雑な制御をシステムが実施 実現のための技術要素 自律での周辺環境認識 地図との連携 インフラ連携 出典 : 各種公開情報およびヒアリング結果を基にデロイト作成 図 1 自動運転レベルごとの典型的な機能および実現のための技術要素 自動運転レベルごとの機能 ADAS の機能については 既に一部が実現され 市販されている 具体的には 前方の車両や歩行者を検知して衝突の危険を検知した場合にる被害を軽減するためにブレーキが作動する AEB (Automatic Emergency Braking 衝突被害軽減ブレーキ) や 先行車両の位置や速度を検知して一定の車間距離を維持できるよう自車の速度を調整する ACC(Adaptive Cruise Control 車間距離維持 ) 白線を検知して車線内での走行を維持できるようステアリングを調整する LKA(Lane Keeping Assist 車線維持支援) 等である また これらの機能を組み合わせて 自動運転レベルの高い機能を実現するケースもある 1

10 自動運転の機能については レベル 3 として 運転者の監視の下ではあるが 渋滞時や駐車時等にシーンを限定し 車が主体となり動作する機能も検討されている また 高速道路や自動車専用道路等の限定された条件の中で運転者の監視なしに車が主体となってコントロールするレベル 4 の機能 さらには 全ての状況で車が主体となって運転者の監視なしに動作するレベル 5 の機能までが検討されている 各機能の実現のために必要となる技術要素 ADAS 機能の実現に当たっては 主に 車が自律で自車周辺の物体 ( 車両 歩行者 標識 建物等 ) を認識する技術が必要となる 一部機能においては 予め地図情報に対して 事故の多い交差点 といったリスク情報を保持しておき運転者に注意喚起する等 地図を用いることによる機能の補完 あるいは向上も検討されている 自動運転においては 自車に備えられたセンサ等を用いた自律での周辺認識がベースとなるが 運転者が主体となっている ADAS に比べ より高精度かつ広範囲の検知が可能であることや ロバスト ( 環境や状況のさまざまな変化に対応可能 ) であることが求められるようになる また 自己位置認識や経路計画のための情報の取得を行うために 高精度地図との連携は必須となる さらに 自車から遠く離れた地点の交通状況や 他車も考慮した経路計画情報の獲得のための クラウドとの連携や 交通システムからの管制情報を受領するためのインフラとの連携も進むと考えられる 1-2 ADAS および自動運転関連市場の予測 近年 業界で ADAS および自動運転への取り組みが急激に加速している背景には 大きく 2 つの環境変化が考えられる 第 1 に 社会からのニーズ面である 安全性への社会的要求自体は 以前から存在していたものの 先進国における高齢化 都市人口の増加といった要因が 自動運転の必要性をさらに高めている 加えて CO2 排出の削減という 国際社会からの要求にも応じていく必要があり より効率的な交通社会の実現に向けて自動運転がその一端を担うものとして期待されている 第 2 に 技術シーズ面である カメラやレーダといったセンサ類の認識精度 車載マイコン類の処理能力 データを圧縮して送信する通信技術等 ADAS および自動運転を支える技術は日々進化しており 実現のための技術手段が整ってきている ADAS および自動運転に関連する市場規模については 国内外においてさまざまな機関から予測が出されている 矢野経済研究所の予測によると 米国運輸省高速道路交通安全局 (NHTSA: National Highway Traffic Safety Administration) が採用する 5 段階 (Lv.0 4) の自動運転レベルに基づく普及台数の見通しは図 2 のとおりである 2

11 80,000 51% 53% 55% 60% 60,000 40,000 20,000 14% 20% 27% 35% 43% 138 3,600 49,848 3,619 19,890 34, ,798 31,550 40% 20% Lv4 Lv3 Lv2 Lv1 全 Lv 合計シェア 23 23,500 12, % 出典 : 矢野経済研究所 自動運転システムの可能性と将来展望を基にデロイト作成 図 2 自動運転レベル別市場規模とシェア予測 ( 千台 ) 2020 年頃までは AEB や ACC を中心としたレベル 1 が ADAS 市場を牽引し 全世界の年間新車販売の約半数まで普及すると見込まれている レベル 2 からレベル 3 への移行は 運転の責任主体がドライバー側から 自動運転中に限り車両側に移行するため とりわけ実現に向けたハードルが高いとされる中 多くの日系 OEM は 2020 年の東京オリンピックをマイルストーンとし レベル 3 を見据えた開発を進めている 一方 それ以上に意欲的な目標を掲げ 自動運転実現に取り組む動きも見られる Audi は 2017 年秋のフランクフルトモーターショウにて公開予定の同社フラッグシップセダン A8 に レベル 3 の自動運転機能を搭載すると宣言し 2017 年 1 月現在 走行テストを通じた性能評価を進めつつある Audi に続き Renault/ 日産 Daimler Tesla が追従すると見られ とくに Tesla は 2016 年 10 月に レベル 4 に対応可能なハードウェアを全車種に搭載すると公式発表し 1 既に市場投入している ソフトウェアのアップデートが配布されれば 完全自動運転が量産車で実現することになる 日米欧主要各社の開発動向を見ると 2020 年前後が ADAS および自動運転車普及の転換点であると言え 激しい開発競争が繰り広げられる 2020 年以降 レベル 3 以上の自動運転機能の搭載は ラインナップが限定的である Tesla は例外として 各社の旗艦車種から展開される計画である このように 技術的には ADAS および自動運転が発展していく一方で 潜在的な阻害要因もある それが 自動運転の普及に向けた法整備や 保険等の使用環境の整備である 一部の国や州では局地的に検討が進んでいるが 総じて技術の進化に制度面の整備が追い付いていないことを懸念する声が多く聞かれる 機能としては実装されていても 公道を走行できない という状況に陥 1 3

12 らないためには 技術面に留まらない社会的な機運醸成や阻害要因の解消に向けた取組みを要するものと考えられる 以上のとおり 普及速度については 不確定要素があるものの ADAS および自動運転関連市場の拡大傾向が継続すること自体は 業界の共通認識として確立している状況である 1-3 ADAS および自動運転関連市場における日本の位置づけ 全ての自動運転レベルを含んだ ADAS 装着率を 新車販売台数に対して日米欧の市場で比較した場合 日本市場の ADAS 装着率は 2014 年に欧州を抜いてグローバルトップの水準に達している ( 図 3) 50% 40% 44% 30% 32% 20% 15% 10% 0% 欧州装着率北米装着率日本装着率 出典 : 矢野経済研究所 ADAS 用キーデバイス / コンポーネント 図 3 市場別 ADAS 装着率 また OEM の国籍別の ADAS 装着台数は 日本の OEM が欧州 OEM に次いで第 2 位となって いる ( 図 4) ホームマーケットでの高い ADAS 普及率を梃に 日系 OEM は ADAS および自動運転 関連市場において グローバルレベルでも一定のプレゼンスを発揮していると言えよう 4

13 その他, 94 北米 OEM, 2,632 日本 OEM, 3,710, 27% 欧州 OEM, 7,159 出典 :IHS 出典 : 矢野経済研究所 ADAS 用キーデバイス / コンポーネントを基にデロイト作成 図 4 OEM 国籍別 ADAS 装着台数 (CY2015 千台 ) 1-4 Tier1 サプライヤの競争状況 Tier1 サプライヤの競争環境は システム構成の主流がセンサフュージョンに移行していく方向性 ( 詳細は後述 ) を踏まえ 認識に関する主要センサデバイスそれぞれの状況を考慮する必要がある ADAS 領域でグローバルに一定の存在感を示している日系 OEM に対し 日系 Tier1 サプライヤは いずれのデバイスにおいても高いプレゼンスを発揮できているとは言えない状況にある ( 図 5) 特筆すべきは ADAS 用カメラ ( パーキングアシストカメラのような単純なビューカメラは除外 ) における イスラエルの Mobileye のシェアである Bosch Continental を除く 大多数の外資系 Tier1 サプライヤは Mobileye のカメラシステムを採用しており Mobileye 採用の Tier1 サプライヤのシェアは全体市場の半分以上を占めている ADAS 用カメラ市場における Mobileye の強みについては で詳述する 5

14 76/77GHz ミリ波レーダ 24/25GHz ミリ波レーダ 海外 A 海外 B 日系 A 海外 C 日系 B 他 レーザーレーダ 海外 A 海外 B 海外 C 海外 D 他 超音波センサ 海外 A 日系 A 海外 A 海外 B 日系 A 日系 B 他 ADAS 用カメラ ( 緑枠は Mobileye 採用メーカーを表す ) 海外 A 海外 B 海外 C 海外 D 海外 E 日系 A 海外 F 日系 B 日系 C 他 出典 : 矢野経済研究所 ADAS 用キーデバイス / コンポーネント 図 5 主要センサデバイス別サプライヤ別シェア (CY2015 青は日系を表す ) 6

15 2 周辺環境認識に関する技術開発動向 2-1 認識に関わる処理プロセス 自動車の運転における処理プロセスは 認識 判断 制御 に大別され ADAS や自動運転はこれらの処理を機械に置き換えることで実現される また 認識 のプロセスはさらに 検出 識別 予測 に分けることができる なお 認知 検知 操作 などの用語を用いる場合もあるが 当報告書においてはこれらの用語に統一する 表 1 自動運転における処理プロセス プロセス 処理主体 概要 処理結果の例 検出 HW 対象物の有無や カメラでは 映像または画像形状を認識する レーダや LIDAR では 三次元形状 対象物の 人属性を認識する 車 認識 識別 自転車 標識 ( 規制や指示の内容を含む ) 信号 ( 青 / 黄 / 赤 ) SW 対象物の変化や 右 / 左に動く 予測意図を予測する 近づく / 遠ざかる 自車に気付いている / いない 自車のあるべき挙動 ブレーキを踏むべき 判断を判断する アクセルを踏むべき ハンドルを切るべき 制御 SW + HW 実際に自車を動かす 車両制御のための信号 HW = ハードウェア SW = ソフトウェア 検出 は カメラが入力された光を処理して対象物の画像を出力する あるいはレーダや LIDAR が電波や光を処理して対象物の形状を出力する これらはセンサが担うプロセスであり ハードウェアが主体である 一方 識別 から 判断 までのプロセスはソフトウェアが主体である センサが出力した画像や形状を基にして それが何であるか どのような意図を持ってどのように動きそうか それに対して自車はどのように安全を確保しながら走行するかをリアルタイムに計算 導出する そして最後の 制御 のフェーズでは 判断 の導出結果を基に ソフトウェアとハードウェアがシステムとして機能し実際に車両が走行する 7

16 2-2 認識に関わる技術開発動向 認識に関わるセンサ 現在の自動車で周辺環境認識を担うために搭載されるセンサには 単眼カメラ ( モノカメラ ) 複眼カメラ ( ステレオカメラ ) ミリ波レーダ レーザーレーダ(LIDAR:Light Detection and Ranging Laser Imaging Detection and Ranging) 超音波センサ等があり 目的とする走行シーンやそれぞれの特性に応じて使い分けられている センサの特徴を以下の出典 : 各種公開情報およびヒアリング結果を基にデロイト作成図 6 に示す 凡例カメラミリ波レーザー超音波 歩行者 認識 / 検知対象視野環境量産性 他車 他車ライト 標識 白線 検知距離 視野角 光 夜間 雪 雨等 コスト スペース カメラ モノ ステレオ レーダ ミリ波 レーザー 超音波 = 適用可 / 性能高 = 多少性能は劣るが適用可 / 性能やや高 = 適用不可 / 性能低 図 6 センサの特徴 出典 : 各種公開情報およびヒアリング結果を基にデロイト作成 ADAS の中でも 前方車両との衝突回避や車間距離維持といった目的を主にしている場合においては 検知可能距離が長く耐久性も良いミリ波レーダが広く使われてきた しかし よりレベルの高い ADAS さらにその先の自動運転用のセンサにおいては 認識すべき対象は他車との距離に留まらず さまざまな対象へ広がる 例えば 歩行者や自転車やバイクといったさまざまな交通参加者 あるいは道路の構造や状態 さらには意味まで含めて信号や標識を認識する必要がある このような状況にあっては 物体の色や形を検知し 歩行者や他車の識別がセンサよりも優れるカメラ ( 映像 画像 ) を用いる認識が必須であり 自動車業界プレイヤ各社にとって カメラによる認識技術の開発が非常に重要となっている 以下では カメラによる認識システムを中心に据え 現在および将来の認識技術に求められる要件や技術開発の方向性を示す 8

17 2-2-2 認識対象の拡大 現在の ADAS における認識対象は 基本的に自車の走路上にいる他車あるいは歩行者が中心 となっている このことは 以下の図 7 における各国 NCAP(New Car Assessment Programme) で の導入済みの試験内容からも読み取ることができる 凡例 導入済み 導入予定 or 検討中 運転支援 自動運転 ( 含 V2X) 基本的な認識性能評価 より高度な認識性能評価 自動運転に向けた認識性能評価 欧州 (Euro NCAP) 導入済み AEB: 先行車両 歩行者 ( 昼 ) 2018 年導入予定 AEB: 自転車 歩行者 ( 夜 ) 交差車両 2025 年導入予定詳細不明 米国 (IIHS / NCAP) 導入済み (IIHS) AEB: 先行車両 2018 予定 (NCAP) AEB( 詳細不明 ) 検討中と想定 連邦の自動運転ガイドラインで対象物認識に言及 日本 (JNCAP) 導入済み AEB: 先行車両 歩行者 ( 昼 ) 2017 年以降 検討 導入 AEB: 歩行者 ( 夜 ) アジア (ASEAN NCAP) 2017~2020 年導入予定 AEB: バイク Euro NCAP が実施するケーススタディに適合予定 南米 (LATIN NCAP) 中国 (CNCAP) 導入済み AEB: 先行車両 歩行者 ( 昼 ) 2018 年導入予定 AEB: 先行車両 歩行者 ( 昼 ) 米国では NCAP でのテスト追加とあわせて 2022 年までに AEB 標準搭載とすることを自動車メーカ 20 社で合意済み 出典 : 各種公開情報を基にデロイト作成 図 7 各国 地域の NCAP 動向 NCAP は自動車ユーザーが安全な車選びをしやすい環境を整えるとともに 自動車メーカーのより安全な自動車の開発を促進することによって 安全な自動車の普及を促進しようとする取組みである さらに 車種による性能の違いを比較するための試験を行い 結果を公表するものである 米国で始まった取組みであるが 現在では各国 各地域で同様の試験が実施されており 日本でも 独立行政法人自動車事故対策機構 (NASVA:National Agency for Automotive Safety & Victims' Aid) が JNCAP を実施している 図 7 にあるとおり 先行車両や昼間 ( 明るい状態 ) の歩行者に対する衝突回避のための衝突被害軽減ブレーキの試験は 既に多くの NCAP で導入されており 基本的な機能と見なされていることが分かる 実際に この試験で高性能と評価された衝突被害軽減ブレーキ機能を搭載した自動車を各社が販売している 次なる段階として 新たに追加が検討されている試験内容を見ると 自転車やバイクの認識がある 自転車やバイクの交通量の多い地域が存在し 自動車と接近した状態で走行する際に安全を確保するための認識技術が求められる その他 信号や標識を認識することも重要である 車が運転主体となるレベル 3 以降の自動運転においては 信号や標識の見落としや見間違いは 安全上の致命的な結果に繋がるリスクがあ 9

18 り その認識性能の高さは非常に重要である また 信号や標識は国や地域によって形状や表現 方法が異なるため グローバルな市場で販売を目指す各プレイヤにとっては それら地域差のある 対象物を網羅的に認識できるようにすることも必要である 難度の高い環境条件に対応できるロバスト性の確保 また 図 7 の動向から新たに追加予定の試験内容として読み取れるのは 夜間の歩行者に対する認識の重要性である つまり 晴天の昼間といった比較的認識しやすい環境だけでなく 夜間の背景と対象物の明るさの差が小さい環境条件では認識が難しい Euro NCAP や JNCAP で明示されているのは 夜間 という要素のみであるが 実際にはさまざまな環境条件が考えられる まず典型的なものが 天候である 曇っていて明度が落ちるだけでもカメラによる認識難易度は上がるし 雨が降っている場合や霧がかかっている場合 雪が降っている場合等も 非常に認識が難しくなる とりわけ雪に関しては積雪により白線や縁石といった認識対象物が覆い隠されてしまう 他にも認識難度の高い環境条件として 西日等の逆光がある 背景に強い光が入ってくると 対象物の形状や色を正確に認識することは 人間でも難しいのと同様にカメラにとっても難しい これ以外にも 似た色どうしの別々の物を画像から識別することも 難しい場合がある 自動運転においては こういった認識の難しい環境条件にも対応可能である ( ロバスト性が高い ) ことが必要である 一般的にこの問題に対する技術開発上のアプローチは大きく 2 つある 1 つは カメラシステム単体での認識性能を向上させることである イメージセンサやカメラといったハードウェアを中心とした改善と センサが出力した画像を入力としてそれが何であるかを処理する識別アルゴリズムの改善が考えられる もう 1 つは カメラだけでなくレーダや LIDAR といった他のセンサと組み合わせてシステム全体としての認識の性能を向上する すなわち センサフュージョン である でも述べたように 現在はカメラのみが認識できる対象物もあり ADAS あるいは自動運転においてカメラは必須である 一方で 前記の物理的な制約上 カメラでは対応できない状況 ( 性能限界 ) があることも事実であり 将来的にセンサフュージョンは必須と見られている しかし カメラを含め各種センサ単体の研究開発も依然進められている状況である とくに LIDAR は 各プレイヤが安価で高性能な製品の開発を進めており 将来的に実用段階に入ってくることも想定される そのような中で コストと性能に優れたセンサフュージョンを実現するための最適なセンサ構成は試行錯誤の段階であり ハードウェア ソフトウェアともに各社模索している段階である 難度の高いシーンや複雑なシーンの認識 より高いレベルの ADAS または自動運転を実現するにあたっては さまざまな交通参加者や対象物が何であるかという 識別 の性能向上に加え この後どのような動きをするか あるいはどのような事態に繋がりそうかという 予測 までを行い その安全上のリスク判断や自車の走行計画に活用する必要がある 10

19 代表的な例としては 下記のようなものがある 別車線の斜め前方を走行する他車がウィンカーで合図を出している場合 白線をはみ出して自車の車線に入ってくる可能性が高い 一方 他車がウィンカーで合図を出さない場合 車の動きだけから車線変更の意図を読み取らなければならないことがある 本線に合流したい場合 本線を走行している車がこちらに気付いているか 合流を許してくれそうかということを判断しなければならない 視界の悪い交差点で 非自動運転の車が飛び出して来るといった可能性がある 歩行者が歩道を歩いているが 道路の反対側に手を振っていれば 道路を渡るかも知れない 今は視界に人が見えなくても ボールが転がって来た場合 続いて子供が飛び出して来るかも知れない このように 人間であれば予兆を察知して減速等のアクションを取れるものであっても 自動運転 では車自身がそういった危険予知を行う必要があり 予測 を含むレベルの高い認識技術が必要 である 地図やインフラとの連携 以上のように までは自律での周辺環境認識について述べた 他方で 自車のセンサだ けでは認識ができない状況への対応などに向けて 地図やインフラとの連携を行うことも検討され ている ( 図 8) 11

20 地図 ( ダイナミックマップ ) 静的情報 ( 高精度 3 次元地図 ) 道路情報 車線 勾配 交差 バイパス 速度規制 標識 信号位置等 各種ランドマーク 危険エリア 事故多発 飛び出し注意等 動的情報 ( リアルタイム交通情報 ) 通行不可 臨時規制 事故 工事 がけ崩れ 倒木等 動的速度規制 渋滞状況 天気 ( 晴れ 雨 雪 濃霧 ) 路面状況 ( ウェット 凍結 ) 駐車場の空き状況等 自己位置推定 行動計画 車線変更 速度調整 速度減によるリスク対策等 認識処理の負荷軽減 地図との差分で障害物を認識 画像内で信号色のみ判断等 自律認識の結果をフィードバック 認識 判断 制御 最適なルーティング 通行止め 渋滞の回避 駐車場への誘導等 行動計画 速度調整 ステアリング制御等 より直接的な指示 制御 信号 速度制限 合流指示 管制交通指示等 交通インフラ 図 8 地図およびインフラとの連携 出典 : 各種公開情報およびヒアリング結果を基にデロイト作成 例えば 前方のバスやトラックが センサの視野を遮蔽し信号や標識などを認識できないケースや 住宅街など見通しの悪い交差点など 自車のセンサだけでは他車を認識できないケースがある こういったケースにおいては 地図や交通インフラとの連携により 必要な情報を取得することが必要である また 固定されている物については 地図を用いて 数キロ先に信号がある という情報を予め認識し カメラでその部分にフォーカスして色を認識する等 地図連携により処理負荷軽減や認識率向上するという方法も検討されている なお 地図情報を活用する際には ただ地図情報があれば良いということではなく あくまで自律での認識と地図情報が互いに補完し合うことが必要となる その最も典型的な例が 自己位置推定 である 自動運転においては 高精細の地図をベースとして いま自車が地図上のどこに位置するのかをリアルタイムに確認し それに従って次の走行計画をリアルタイムに計算する必要がある そのために 自車周辺のランドマークを自車のセンサを用いて認識し その情報と地図内のランドマーク情報の比較 照合を行うことになるため 自律での認識が確実にできることが肝要である また 道路の整備等で車線等の道路構造が変更された場合には 変更点を地図に反映する必要がある しかし これを地図プロバイダが実地で測量をして更新していくことは コストや時間もかかり経済的に困難さが伴うという意見もある よって 一般ユーザーの車両で撮影した画像やその他の形で更新情報が通信網を経由してアップロードされ サーバ上で地図情報を更新した上で 各車両に配信する方法に期待する声もある つまり 自律で認識を行った結果をフィードバックするこ 12

21 とによって コストを抑えながら地図情報自体の鮮度 精度を向上させることができるのである これは 例えば災害などで道路が破損し通行できなくなった 都市開発の一貫で新しい道路が整備された といった静的な地図情報の変更に限らず 事故による通行止めや渋滞 路面状況等の動的情報に関しても同様である 13

22 14

23 3 海外プレイヤの事例 3-1 Mobileye 会社概要 Mobileye は 1999 年 エルサレムのヘブライ大学で画像認識を研究し 技術者でもあるアムノン シャシュア教授と経営者のジィブ アヴィラム氏の共同で設立された 単眼カメラ用のアルゴリズムを搭載した EyeQ と呼ばれる SoC (System on a Chip) を供給している SoC の供給においては Mobileye は研究開発に集中し 生産は伊仏合弁企業である ST Microelectronics に完全委託している 2004 年に第 1 世代の EyeQ を発表し 以降着実に供給先を拡大してきた 2014 年にはニューヨーク証券取引所 (NYSE:New York Stock Exchange) に上場を果たし イスラエル企業としては過去最高の 8 億 9,000 万米ドルを市場から調達した 2016 年後半から第 4 世代の EyeQ4 のサンプル出荷を開始し 2018 年に量産を開始する予定である 納入実績としては Delphi TRW Magna Autoliv Gentex Kostal Mando 等の Tier1 サプライヤ経由で 幅広い OEM に搭載されており Mobileye のウェブサイトによると 2017 年までに 27 社 313 車種に上るとされている 事業規模も年々拡大しており 2012 年の 40 千米ドルから 2015 年には 241 千米ドルまで成長している ( 図 9) 売上 (k USD) 採用車種数 図 9 Mobileye 売上金額の実績と採用車種数 出典 :Mobileye ウェブサイトよりデロイト作成 Tier1 サプライヤ経由での主要な納入事例として 日系 OEM の現行モデルでは 日産の プロパイロット マツダの i-activesense への採用がある 2016 年 12 月 1 日に 国土交通省の 平成 28 年度前期自動車アセスメント 評価結果が発表されたが i-activesense を搭載した マツダのアクセラは 対歩行者の衝突被害軽減ブレーキの評価で 1 位となり その性能を裏付ける結果となった 15

24 3-1-2 Mobileye の競争力の背景 この Mobileye の躍進を支える競争力の背景にあるものは 納入先 OEM から収集している走行映像データの圧倒的な規模である Mobileye は 自社製品を搭載した車両の走行映像データを蓄積しており その量は 43 か国 6 千万 km 2 万 5 千時間にも及ぶと言われている データ量が増大すると 必然的に多くのシーンのバリエーションが集まることになり Mobileye は そのデータをアルゴリズムの認識性能の改善に活用するサイクルを作り上げている 上記のサイクルは Mobileye と Mobileye のシステムを採用する Tier1 サプライヤおよび OEM の双方にメリットのある好循環を作り出し 市場における Mobileye の競争力を継続的に高めている Mobileye は ヘブライ大学での研究成果である 優れた認識性能を持つ商品をもって 2000 年代に戦略的に競争力のある価格で市場参入を果たした アルゴリズムとしての性能の高さが評価され Tier1 サプライヤおよび OEM による採用を着実に増やしてきた 取引規模の拡大は すなわち Mobileye が蓄積するデータの増大につながり かつ 蓄積したデータをもとにした性能検証を経ることで アルゴリズム性能の向上につながる 新たに採用する企業にとっては 先行で Mobileye を採用していた OEM が提供したデータによって鍛えられたアルゴリズムを容易に手に入れることが出来るため 採用企業はさらに増加する 結果 Mobileye 製品のシェアは拡大し 同時にスケールメリットによるコストダウンも達成することが出来 サイクルを繰り返すことが可能となる ( 図 10) このエコシステムの形成によって Mobileye は急速な成長を実現してきた 高性能を売りに参入 製品投入 採用企業増 OEM/Tier1 による採用が増加 豊富なデータによりさらに認識性能が向上 性能向上 データ増 採用企業数に比例してデータ増加 図 10 Mobileye のエコシステム概念図 出典 : 各種公開情報およびヒアリング結果を基にデロイト作成 一方で 寡占状態の進展に対する懸念 リスクを指摘する声も聞かれる 16

25 第 1 に 技術のブラックボックス化である 高度に垂直統合が進んだ日本の自動車業界では OEM と Tier1 サプライヤ Tier1 サプライヤと Tier2 サプライヤが共同で製品仕様 技術をすりあわせていくことはごく一般的である その際 製品仕様 技術は開発プロセスの中で 詳細に至るまで双方に把握されている場合が多い それに対して Mobileye はアルゴリズムを一切他社に開示しておらず 開発プロセスにおいて Tier1 サプライヤは Mobileye 搭載のカメラシステムの完成車への適合を行うのみである 例えば 認識性能に不具合があり OEM から Mobileye に改善要望があった場合でも プログラムがどのように修正されたかについて 採用側への情報開示は行われない また 自社以外の会社が提供したデータや 仕様変更要望の影響で 自社が意図していない仕様変更が加えられる可能性もある こうした技術のブラックボックス化は とくに完成車としての品質保証が義務である OEM にとっては 万一の際のリスクを懸念する要因となる 第 2 に 差別化の困難さである Mobileye の開発姿勢として 個社向けカスタマイズの余地は少ないとされ Tier1 および OEM としては仕様上の差別化が図りにくいものと考えられる 第 3 に 交渉力の低下である 単純に 一社だけの競争力が突出している場合 OEM はサプライヤ同士を競合させて原価低減を図ることが困難であり OEM の交渉力低下を招くため OEM の観点では好ましくない 第 4 に Tier1 領域の侵食である Tier2 サプライヤとしての立ち位置をとる Mobileye であるが 技術開発のトレンドとしてはセンサフュージョンも視野に入れており OEM と直接コンタクトをしながら フュージョン可能な SoC の提供を見据えた動きを見せている このことは Tier1 サプライヤが担ってきた 判断 の領域への侵食を Tier1 サプライヤに警戒させている 3-2 欧州メガサプライヤ 本節では 単眼カメラ市場で圧倒的な強みを持つ Mobileye に対し 競合はどのような戦い方をし ているか 欧州のメガサプライヤ 2 社の事例を紹介したい Bosch Bosch は 76/77GHzミリ波レーダで第 1 位 ADAS 用カメラ市場において第 2 位のマーケットシェアを持っており VW グループを中心に採用されている 周辺環境認識技術のトレンドがセンサフュージョンであり ステレオカメラに比べてより多くの学習が必要な単眼カメラよりも ステレオカメラを軸に据えたフュージョンを深化させていくことを 幹部が明言している 2 その上で 将来的には地図との融合を図っていくというロードマップを描いている ( 図 11) 2 Gerhardt Steiger シャシーシステムコントロール部長 (2013 年 6 月 オートモーティブプレスブリーフィング ) 17

26 自動化レベル フュージョン + マップフュージョンシングルセンサ Auto Pilot Highway Pilot Stop&Go Highway Assist ACC/LKS Integrated Cruise Assist 図 11 BOSCH の ADAS および自動運転技術の技術ロードマップ 出典 : 各種公開資料を基にデロイト作成 Bosch では 2016 年 4 月時点で約 2,500 人 ( 前年比 500 人増 ) のエンジニアが自動運転および自動駐車の技術開発に従事している 3 また 2015 年 10 月にシュトゥットガルト近郊のレニンゲンに開所したリサーチキャンパスにも専用のテストコースを設ける等 ADAS および自動運転においては 自前開発を基本路線としている Continental Continental は レーザーレーダで圧倒的なマーケットシェアを持っている Continental のレーザーレーダは Mercedes の S クラス E クラス や トヨタセーフティセンス C トヨタセーフティセンス P( の一部 ) にも搭載されている Continental は カメラセンサの認識性能には物理的限界があり レーダをキーデバイス カメラは補完的なセンサとして位置付けており 将来的にはレーダとモノカメラによるフュージョンが主流になると予測している 4 事業戦略としては 全社的レベルでトレンドの変化に機敏に対応するため 積極的な M&A による事業領域の拡大を主軸としており ADAS および自動運転の分野でも同様の方針を採っている ( 表 2) 3 Dirk Hoheisel 取締役 (2016 年 4 月 リリース資料 ) 年 9 月 リリース資料 18

27 表 2 ADAS および自動運転関連の主な事業買収動向 年 M&A 先 商品 / 技術 11 Magna Electronics レーダ ( 加マグナ子会社 ) 13 ASL Vision( 英 ) サラウンドビュー 15 Elektrobit Automotiv ( 独 ) ADAS/ 向けソフトウェア制御技術 16 Advanced Scientific Concepts ( 米 ) 高解像度 3D フラッシュ LiDAR 出典 : 各種公開資料を基にデロイト作成 19

28 20

29 4 開発の課題と要諦 4-1 各社の課題認識 本章では ADAS および自動運転に関連した企業および団体へのヒアリング調査を通じて抽出した 開発における課題と要諦を整理する 本調査においては 自動車産業全体の発展への寄与 中立性確保の観点から バリューチェーンの全体 かつ産官学をカバーする各プレイヤの役員 部長クラスへのヒアリング調査を対面形式で行った ( 表 3) なお 機密保持のため ヒアリング調査に協力頂いた企業 団体名は全て匿名扱いとする 表 3 ヒアリング調査実施内容 ( 実施期間 :2016 年 11 月 10 日 ~2017 年 1 月 26 日 ) 属性会社 団体数ヒアリング回数 OEM 3 7 Tier1 4 7 Tier2 5 6 ベンチャー関連 3 3 大学 研究機関 3 4 その他有識者 3 4 合計 ヒアリング調査を経て 見えてきた各社の課題認識は 総じてハードウェア関連についてよりも ソフトウェア関連 とくに 識別 予測 判断 のアルゴリズムについての課題が多数であった 前述したように カメラシステムにおいては Mobileye 製を採用した商品が過半数のマーケットシェアを持っている この背景として Mobileye のエコシステムより優れた アルゴリズム性能を継続改善するための仕組みの構築が遅れているという現状が見えてきた アルゴリズム性能に関する課題を分解すると データに関連するもの 人材 組織に関連するもの 2 点が挙げられる データ Mobileye の例からもわかるように 高性能なアルゴリズムを開発するためには 学習用のデータ が不可欠である 下記は ヒアリング調査から明らかになった 高性能なアルゴリズムを開発するに 足るデータ環境を整えるための課題である (1) 収集量の確保 データを収集するにあたり まず直面する課題が 量の確保である 21

30 第 1 に データを収集する車両を仕立てるコストである つまり 車両 車載機器 加工工賃 維持管理費がかかるため 仕立てられる車両数は企業 団体の体力に大きく左右される 加えて 海外を含めた遠方でデータ収集を行う場合の輸送費用も関連するコストとして挙げられる 第 2 に データ収集についてのノウハウである 必要なデータを収集するため および 必要な開発を実現するための 車載機器の構成の決定や走行コースの選定等については 技術的蓄積が必要である これは サプライチェーン上の上流に位置する Tier2 サプライヤや 完成車の開発ノウハウに乏しいスタートアップにとっては障壁となり得る (2) 収集内容の偏り次に 収集データに偏りができるという課題がある これにも 2 つのケースがある 第 1 に 地理的な偏りである 各社の本拠近くの場所のデータを取ることは比較的容易である一方で 距離が離れれば離れるほどデータ量が少なくなる傾向にある 日系企業が欧米のデータに不足感を感じているのと同様に 外資系企業がアジアのデータに不足感を感じている 第 2 に 各社間での偏りである 例えば 高速道路での走行は一般道よりも 各社が早い段階での自動運転の実現を目指しており データ収集は高速道路の優先度が必然的に高くなる さらに その中でも首都高のような 多くのユーザーが走行すると予測される道路にデータ収集のニーズが集中する 結果 業界全体で見るとデータの重複が発生し 非効率を生み出している (3) 生データの加工データを収集しても 生データのままでは開発に資するデータにはならない 認識タグを付け タグに正解値を与えるマンパワーやツールが必要になる タグ付けはツールによる効率化が可能だが いずれにせよ意図どおりのタグが付加できているか否かは人力での確認が必要であり 労働集約的な作業である しかしながら タグ付けの作業は恒常的に発生するものではなく 一時的な工数増になる また 人 程度の単純なレベルのタグから 横断しようとしている歩行者 といった 開発意図が反映されるレベルの複雑なタグになると その難易度は上がる 機械学習のための正解値情報やデータに対する正解値の付加にはさまざまな表現があるが 以 降 当レポートではそれぞれ タグ タグ付け と表現することとする (4) 維持収集したデータは テラバイト ペタバイトレベルの膨大な量になる それらを保管しておくサーバ代は必然的に高価になり ランニングコストが嵩む 将来 センサの高精度化 センサフュージョンの普及が進むことを考慮すると それに伴って維持すべきデータ量も増加していくはずである また 収集したデータが維持するに値する価値を持つか評価し 要不要の取捨選択を決定することは容易ではない したがって 維持すべきデータ量は時間とともに増加すると考えるのが現実的である 22

31 (5) 活用収集したデータにタグを付け 維持しているとしても データの量が増えていくにしたがって 目指す開発に適したデータを抽出する手間も増えていく 開発者がデータを容易に検索し 適宜必要なデータにアクセス出来る環境を整えることが非常に重要である 例えば 逆光 のシーンが必要だとすると 該当するデータを データベースの中からすぐに特定出来なければいけない また 開発プロセスにおける作りこみ 性能確認 評価といった段階では 高速演算が必要になる よって 高いパフォーマンスのコンピュータ環境を整備することが開発の効率化に寄与するが 例えば スーパーコンピューターは個社で購入するには高額である さらに 処理能力の高いコンピュータ環境を整えたとしても 前述したように開発工数の増加は一時的なものである可能性が高く 投資対効果には疑問が残る 本節で分かることは データの確保という課題にはデータそれ自体にとどまらず その量と質を担 保するためのリソースコストという課題が須らく存在することである 人材 組織関連 高度な IT 人材の確保は日本の自動車業界に限らず 他業界 海外においても課題として挙げられることが多い IoT や AI といった IT の技術進化トレンドを背景に IT 人材を確保するための競争はさらに激化すると考えられる しかも 人材 組織についての課題は 下記のように業界内のプレイヤごとに異なっている (1) OEM Tier1 サプライヤとりわけ自動車を専業としている OEM と Tier1 サプライヤには 機械工学系の高度人材は集まりやすい 一方で IT 人材は OEM や Tier1 をそもそも活躍の場と見做さない傾向があり 高度人材が集まりにくいという声がヒアリング調査では多く聞かれた (2) Tier2 サプライヤ IT 系 電機系の Tier2 サプライヤにおいては IT 人材の不足について OEM や Tier1 サプライヤと比較して悩みは小さい アルゴリズム開発を志向している Tier2 サプライヤにおいて IT 技術者は既存の延長線上にある開発に従事し 組織の中からは革新的な技術が生まれにくいという声があった これは アルゴリズム開発を志向せず ハードウェアの開発に専念している Tier2 サプライヤには該当しない (3) 学術 研究機関学術 研究機関も 多くの課題を抱えている現状が明らかとなった 欧米と比較した日本の産学連携の遅れは しばしば指摘されるが 人材領域においても 産学連携の推進は芳しくない 学術 研究機関における人材 組織面の課題をまとめると 下記のような状況である 23

32 産 官からの一件当たりの研究費は 学が安定的に人材を確保するのに十分でないという見解が学としてある 学が人材を確保するために より広く共同研究に参画し 不足感がある研究費を補うことで 本来の研究内容の質が犠牲になる場合もある 産学間の人材交流が活発でなく 相互理解が深まらない 自動運転を専門に扱う学会や団体はなく 産の研究者が学に移る もしくはその逆のケースが起きるような組織を跨いだ人材の流動性も乏しい これまで ADAS および自動運転 とくに高性能なアルゴリズムの開発において ヒアリング調査より見えてきた課題について データと人材 組織の 2 つの側面から論じてきた とりわけデータにおいては リソースの問題も含め ほぼ全社共通で何らかの課題を抱えていると言っても過言ではなく 産学横断 業界跨ぎの取組みが有効と想定されることから 本事業ではとくにデータ面での課題に着目し 解決策を探っていく 一方 人材 組織面においては 業界内のプレイヤの立ち位置によって課題は大きく異なっており それぞれの現状 特性に応じたきめ細やかな課題解決の取り組みが 今後詳細に検討されていくことが必要と考えられる 4-2 要諦 ユースケースのバリエーションの重要性 ここまで述べてきたように ADAS および自動運転のレベルが上がるごとに これまで人間の運 転者が担ってきた多くの役割を 車が担うことになる 例えば 下のようなシーンが挙げられる 信号の色を認識し 赤信号であれば止まるという判断をしてブレーキを踏む 雪が降って車線が見えなくなっている場合には スピードを落としつつ 周りの構造物等を手掛かりに進む 合流時に本線を走っている車やその運転者の様子から スピードを上げて前に入るのか スピードを落として後ろに入るのかの判断をする 全てが自律ではなく 車車間や路車間などの連携が必要になる可能性もあるが 自動運転の世界ではこれらの役割は 基本的に車が担う また ADAS は 一定の条件下でのみ人間の運転を補助するという位置付けであったが 自動運転は 条件を限定せずにさまざまな環境 シーンにおいて 車が主体となることが求められる そもそも運転者が主体であれば 雨の日は動作しない といったことも許容される上 レベルの低い自動運転の段階でも 対応不可能な難易度の高い状況になれば 警告の上で操作を運転者に任せることも可能である しかし 自動運転のレベルが上がるに連れ こういったある種の責任放棄はできなくなる この結果 周辺環境としてあり得る状態が無数にある中で 車が認識できなければならない対象物は膨大になる また リスク判断やアクションの決定をしていくために 予測を含めたより複雑で 24

33 難度の高い認識を行う必要性が生じる つまり 従来の自動車開発においてカバーすべきと考えら れてきたユースケースに比べて 圧倒的に幅広い範囲をカバーすることが必要になる データの重要性 上のようにさまざまなユースケースに対応可能な機能を実現するためには 認識性能の向上 とくにソフトウェアの性能を飛躍的に向上させることが必要である 従来の自動車のソフトウェアの多くは ルールベースでのプログラミングにより開発されてきた つまり 予め当該ソフトウェアが担うべき責任の範囲が定められる その中でどのような環境下の どのようなシーンで どのような振る舞いをすべきか という仕様が定義される そして 仕様を満たすプログラムコードが記述されてきた しかし 自動運転に向けた認識技術の開発においては 機械学習のアプローチが主になると見られている これまでにも カメラ画像から車や人を認識する パターン認識 を実現するための開発手法として SVM(Support Vector Machine) 等の機械学習のアプローチが用いられている さらに 近年では人間の脳の構造にヒントを得た Neural Network を用いた機械学習 とくに Deep Learning のアプローチが重要性を増している 機械学習のアプローチでソフトウェアを開発する場合には 学習アルゴリズムもさることながら 学習に使用するインプットデータが非常に重要である アルゴリズムにどのようなデータを与えて学習させたかによって どのようなケースで高い認識精度を達成できるかということが 決まってくるのである 当然 インプットデータには 学習結果として認識できるようにしたいユースケースが十分に含まれている必要がある 4-3 必要なデータバリエーション 難易度の高い環境条件 難易度の高い環境条件は 前述の運転に関わる処理プロセスの中でも 検出 識別 の部分で の性能に深く関わる 例を以下に示す 夜間 明け方 夕暮れ ( 暗い ) 曇り 雨 雪 霧 ( 暗い 先が見通せない ) 逆光 ( 明るい ) 陰 ( 暗い ) 雨天時の路面反射 積雪による横断歩道や道路表示の遮蔽 トンネルの入り口や出口などでの明度の急激な変化 25

34 このように 主に自然現象によって カメラにとって ( 多くの場合には人間にとっても ) 認識が難しくなるケースは多くある これらのようなケースをカバーするためのデータは さまざまな場所 地理的なバリエーションに加えて 同じ場所でも時間帯や天候のバリエーションも網羅する必要がある よって データを収集するためには 莫大な時間と労力 コストがかかる また こういった認識困難性をセンサフュージョンにより解決する可能性を考慮した場合には データとしては当然カメラだけでなく ミリ波レーダ LIDAR 赤外線カメラといった他のセンサのデータも同期させた形で収集する必要がある しかも 技術的にも先端領域であり センサの組み合わせ方や 複数センサからの情報を融合させるアルゴリズムについて 明確な方向性が確立されていない現段階では 可能な限り多くのセンサで高精細 高密度に情報を取得しておくことが望まれる なぜなら 現時点で採用が難しい高性能で高価なセンサが 将来的に量産になった段階で製品化されることまで見込んで研究開発をすることになるからである つまり 収集したデータの中から 一部センサのデータを除いたり 精度を落としたりすることはできるが その逆は不可能であるから ある程度は高精度のセンサを多く使用してデータ収集すべきだということである 難易度の高いシーン 前述のように 検出 や 識別 は 何らかの認識対象物があるということが分かり それが何であるかが分かる というところを目指すものである しかし その後続の 予測 や 判断 といったプロセスは 識別した対象物がこの後どのような動きをするか予測し それが自車にとって何を意味するか リスクの程度はどうか といったことを判断するという 実際の制御に直接的に紐づくプロセスである このようなプロセスでの性能を向上させるためには 実際に緊急の制御が必要となるようなシーンにフォーカスする必要がある 例えば 以下のようなバリエーションが考えられる 見通しの悪い交差点で横から車が出てくる 公園からボールを追いかけて子供が走り出てくる 前方を走行中の車が不意に急ブレーキをかける いわゆる ヒヤリハット や その先の事故のシーンである 交通環境全体で見ればこういったシーンが一定程度のボリュームで発生しているとはいえ あるデータ収集用車両がヒヤリハットシーンに遭遇する確率は決して高いとは言えず そのようなシーンを狙って収集することは困難である さりとて 大量にデータを収集し その膨大なデータの中から僅かに含まれる可能性のある所望のシーンを抽出するとしても その抽出作業は非常に大きな労力やコストがかかるものとなる また 交通参加者 とくに歩行者の動きについては 歩行者モデル等の研究がなされているものの その解明は未だ非常に大きな技術課題となっている つまり そもそもどのようなバリエーションがあれば網羅的と言えるかということ自体が 明確ではない 26

35 このように 車の制御に繋がる 予測 や 判断 の性能向上に資する 難易度の高いシーンのデ ータを収集することは 非常に困難である 27

36 28

37 5 課題と打ち手の方向性 5 章では 4 章までに整理してきた課題を踏まえ 課題に対する打ち手の方向性を示していく 5-1 課題 業界として 周辺環境認識技術の開発のために大量かつ質が高いデータを安価で活用したいというニーズは明確に存在する しかし 各企業 団体ではデータの不足感 偏りという課題を感じながらも それを解決するリソースの強化にはなかなか踏み切れないという状態にある これを打開していくための打ち手として 協調領域と競争領域の線引きを試み 業界内での協調を促す何らかの仕組みを構築していくことを 本事業での検討内容とした 5-2 打ち手の方向性と要件 打ち手の方向性としては データの収集加工支援とリソースコストの削減があるが 実現にあたり 留意すべき要件が存在する データの収集加工支援 大量かつ質の高いデータを確保するための 最も簡捷な手法は業界横断でデータを共有化することである 例えば 業界共有のデータベースを構築 運用すれば 認識アルゴリズムの学習や性能評価などに幅広く活用することが出来る 各企業 団体の手持ちのデータを集約し かつ協調して収集することにより 周辺環境認識技術のレベルアップに貢献できる さらに データまわりの効率化が図れれば 各プレイヤはその先の開発に投資を集中することが可能になる リソースコストの削減 データの収集 加工 維持 活用のために必要になるリソースについては 業界内で協調し 共同 利用することで コストダウンを図る手法が考えられる 共有可能と想定されるリソースの例として は 下記のような領域が考えられる マンパワー : データ収集車のドライバー タグ付け要員 ハード : データ収集車 データサーバ スパコン テストベッド ソフト : タグ付けツール データ検索ツール 映像中のプライバシー保護ツール 等 これらを共有 つまり 使用する側が単純に折半するような形になれば 個社あたりの負担は大 きく軽減される 29

38 5-2-3 協調を実現するための要件 (1) 開発ノウハウの保護業界内の各プレイヤの持つデータを集約し 協調して収集することが最も簡捷であり 共有データベースの構築が有力であることは先述のとおりである しかし 共有データベースの構築にあたり 各社の開発ノウハウの保護という要件が指摘された 認識 判断 制御 の開発者にとって 以下の要素は全て開発上のノウハウであり 機密事項である これらが データの出元が推測可能な状況で他社に開示されることは 開発意図の漏洩に直結するリスクとなる どこを走行したか ( 高速道路 市街地 郊外 国内 海外 ) いつ走行したか ( 朝 昼 夜 晴れ 曇り 雨 雪 霧 ) どのような状況下で走行したか ( 渋滞 工事 ヒヤリハット ) どのようなセンサ構成か ( カメラ レーダ LiDAR ) 同様に ツールを各社で共有することも ノウハウ漏洩リスクとなる 例えば タグ付けの内容に より 何を学習させたいかが容易に推測可能となる (2) 協調シナジーの発揮持続可能な協調を実現するために 協調の仕組みに与する企業間での不公平感は排除しなければならない データ収集やリソースの整備において 先行集団が後続集団に対する便益の提供を迫られ 結果として協調の仕組みが護送船団方式になるということのないよう 工夫が必須である ただし 複数のプレイヤが協調する以上 開発進度に相対的な差は生じざるを得ない これを解決するには 先行集団に 何らかの貢献を促すインセンティブを働かせることが必要である 30

39 6 周辺環境認識技術の自動車以外への応用可能性 周辺環境認識技術は 自動車以外にもさまざまな分野に応用可能であり 自動車業界で当該技 術を成熟させることは他業界の発展に貢献する 応用先として 検討価値がある分野について 下 に列記する 6-1 パーソナルモビリティ 将来的に 高齢化や都市化といった社会環境の変化を背景に パーソナルモビリティの普及が期待されている とくにラストワンマイル走行に利用されるような小型モビリティは 所有のみならず シェアリングの形態も一般的になると想定されており 誰にでも利用できる自動運転機能は重要である 自動車業界各社は パーソナルモビリティの自動運転についても 自動車と同様 技術を世界に発信する場として 2020 年のオリンピックを目途に 開発を進めている 6-2 電動車いす 直近 5 年間において 電動車いすの国内出荷台数は年間 2 万台前後で推移している 5 一方で 電動車いすが関わる交通事故件数も年間約 180 件発生している 6 事故の内容は 道路横断時の自動車との接触や 道路外への転落等である 運転者に高齢者が多いこともあり 運転支援機能の充実は 安全性向上に有効である 6-3 鉄道 同じモビリティという領域において 周辺環境認識技術は鉄道にも応用可能である 第 1 に 運転者の視点からの支援がある 線路上には 自動車と同様に信号 標識があり 歩行者と同様にホーム上の乗客が存在する これらの認識や 危険予知に応用可能である 第 2 に 線路上の安全確保である 踏切においては 各種センサデバイスの設置による遠隔監視が進んでいるが 技術の成熟によって 踏切事故を減らしていくことが可能である 6-4 産機 産機もまた 自動運転支援機能の搭載によって事故が防止できる分野である 農機や建機 また除雪機といった産機の事故原因は 作業部への接触や 走路からの逸脱が多い 要因としては 大型機械になるほどアイポイントが高くなり障害物の目視が困難になること 作業者の高齢化 運転技術の未熟さ 作業路の見通しの悪さ ( 作物が生い茂っている 雪が積もっている 等 ) といった 5 電動車いす安全普及協会ウェブサイト ( 6 警察庁ウェブサイト ( 31

40 さまざまなものである また 単純に労働人口の減少を補てんする手段としても 自動運転に期待が集まっており 各社取り組みを進めている とくに農機分野では 2016 年 3 月 4 日 首相官邸で第 4 回 未来投資に向けた官民対話 が開催された このなかで 安倍首相は 2018 年までに圃場内での農機の自動走行システムを市販化し 20 年までに遠隔監視で無人システムを実現できるよう制度整備などを行う方針を明らかにした 6-5 ドローン 近年 急速に普及拡大しているドローンも 周辺環境認識技術と親和性がある ドローンの飛行時は GPS を用いた自己位置推定が基本である しかし 室内や物陰等の GPS の受信状況が物理的に弱い場所 ノイズが入る環境 もしくはジャイロの精度が落ちている状況において 画像認識や測距によって自律的に障害物を避け 安定飛行が実現できる 6-6 産業用ロボット モビリティからは少し離れた分野であるが 昨今 インダストリー 4.0 に代表される IoT 技術を活用したより高度な生産自動化への取り組みが活発化している 生産ラインにおいて 部品のピッキング 搬送 組み立て 検査といった工程の自動化に画像認識技術は必須となっており 周辺環境認識技術の進化は 生産の効率化 省人化に貢献する 倉庫業や物流業においても 画像処理技術を活用した自動化が進んでいる 6-7 セキュリティ 画像認識の技術はセキュリティ分野においてもその機能を発揮する 例えば 不審な人間の特徴を検出し 街頭の固定式監視カメラから不審な行動をとる歩行者を認識したり その他イベント会場といった人が集まる場所において異常監視をしたりすることによって 安全の確保が可能である また 火災 洪水 崩落といった災害の遠隔監視にも有効である 32

41 7 まとめ 本事業では周辺環境認識技術を取り巻く市場環境 技術開発動向 海外の事例について明らかにし それを踏まえ 業界としての競争力を強化に向け 技術開発に資する協調の可能性と在り方について検討した 各工程においては 2016 年 11 月 ~2017 年 1 月に実行した 有識者へのヒアリング調査およびデスクトップ調査を通じ 事実認識の正確性と 施策の妥当性 実現性を担保した 今後 自動運転の本格普及に向け 技術開発を進める中で 大量かつ質が高いデータは必須である 業界内の大半のプレイヤは 開発に活用できるデータの量 質の確保の必要性を認識し 課題と捉えている一方で 実現のためのリソースコストをどのように削減するかという課題にも向き合っている 加えて プレイヤによって課題の深さは異なっているものの IT 人材の不足感という課題も多く指摘された 本事業においては 上記のデータにおける課題に対し 収集加工支援とリソースコストの両面において 課題解決に向けた施策の提案を行った つまり 収集加工支援については データを集約し かつ協調して収集するものである また リソースコストについては マンパワー ハードウェア ソフトウェアを共同利用するものである なぜなら 高度な認識技術の開発のために必要となる データに求められるバリエーションについては 業界内の各プレイヤで重複するニーズも多く またリソースについても 競争力に直結しないため各プレイヤで共有できる部分はあるからである ただし いずれの提案も 開発ノウハウの保護が最重要である もし開発ノウハウが流出するリ スクが大きいとすれば 競争力にインパクトがあるレベルの協調を実現することは難しい 周辺環境認識技術の進化は 自動車業界を越えて活用が期待される分野であるだけに 業界を 横断しての協調を実現するためには 今後 業界内外の関係者による詳細な議論が必要である 33

42 ( 様式 2) 二次利用未承諾リスト 報告書の題名平成 28 年度スマートモビリティシステム研究開発 実証事業 ( 高度な自動走行の実現に向けた周辺環境認識技術に関する競争力の調査 ) 成果報告書委託事業名平成 28 年度スマートモビリティシステム研究開発 実証事業 ( 高度な自動走行の実現に向けた周辺環境認識技術に関する競争力の調査 ) 受注事業者名デロイトトーマツコンサルティング合同会社 頁 図表番号 タイトル 3 図 2 自動運転レベル別市場規模とシェア予測 4 図 3 市場別 ADAS 装着率 5 図 4 OEM 国籍別 ADAS 装着台数 6 図 5 主要センサデバイス別サプライヤ別シェア 34