1 自動運転の基礎
1.1 定義と目的
自動運転とは、人間の運転操作を完全または部分的に代替する技術であり、センサー、人工知能（AI）、制御システムを統合して車両を自律的に走行させるシステムを指す。主な目的は、交通事故の低減、移動の効率化、運転負担の軽減、高齢者や障がい者を含む交通弱者の移動手段確保など多岐にわたる。自動運転技術は、道路交通の安全性向上と持続可能なモビリティ社会の実現に寄与すると期待されている。
1.2 自動運転レベル（SAE J3016）
国際的な技術規格であるSAE J3016は、自動運転の機能を6段階（レベル0～5）に分類する。この分類は、運転操作の主体とシステムの関与範囲に基づいて定義され、業界全体での共通認識として広く採用されている。
1.2.1 レベル0（運転自動化なし）
レベル0は、運転自動化機能を一切持たない状態を指す。自動緊急ブレーキや車線逸脱警報などの警告・一時的な介入機能は含まれ得るが、継続的な運転操作の自動化は行われない。人間のドライバーが全ての運転タスクを常時実行する。
1.2.2 レベル1～2（運転支援）
レベル1（運転支援）は、ステアリングまたは加減速のいずれか一方をシステムが部分的に支援する。アダプティブクルーズコントロール（ACC）や車線維持支援システム（LKA）が代表例である。レベル2（部分運転自動化）は、ステアリングと加減速の両方をシステムが同時に制御するが、ドライバーは常時周囲を監視し、いつでも介入できる状態を維持する必要がある。TeslaのAutopilotや日産のプロパイロットが該当する。
1.2.3 レベル3～5（条件付き～完全自動運転）
レベル3（条件付き運転自動化）は、高速道路など特定の条件下でシステムが全ての運転操作を実行する。ただし、システムから介入要請があった場合、ドライバーは即座に運転を引き継がなければならない。レベル4（高度運転自動化）は、特定の領域（限定エリア）内でシステムが完全に運転を実行し、ドライバーの介入を原則必要としない。レベル5（完全運転自動化）は、あらゆる道路環境と条件下で人間と同等以上の運転能力をシステムが有する究極の段階である。
2 技術システム
2.1 センサー技術
自動運転車両は、周囲環境を認識するために複数のセンサーを組み合わせて使用する。それぞれのセンサーは異なる特性を持ち、相互補完的に機能することで高精度な環境認識を実現する。
2.1.1 カメラ
カメラは、人間の視覚に最も近い情報を取得するセンサーである。可視光を捉え、道路標識、信号機、車線境界線、歩行者、他の車両の形状や色を認識する。高解像度画像から深層学習を用いた物体認識が可能であり、比較的低コストで実装できる。一方、夜間や逆光、悪天候時には性能が低下するという課題がある。
2.1.2 LiDAR
LiDAR（Light Detection and Ranging）は、レーザー光を照射し、その反射時間から対象物までの距離を計測するアクティブセンサーである。3次元の点群データを生成し、周囲の障害物の形状や位置を高精度に把握できる。Waymoなど多くの自動運転開発企業が採用するが、コストが高く、雨天や霧などの悪天候に弱いという欠点がある。近年はソリッドステートLiDARの開発により低コスト化が進んでいる。
2.1.3 レーダー
レーダー（Radio Detection and Ranging）は、電波を用いて対象物の距離と速度を測定する。電波は悪天候の影響を受けにくく、長距離検知に優れる。主に前方車両との車間距離維持や衝突回避に使用される。ただし、物体の形状識別能力はカメラやLiDARに劣るため、他のセンサーと組み合わせて使用される。
2.1.4 超音波センサー
超音波センサーは、音波の反射を利用して近距離の障害物を検知する。主に駐車支援や低速時の周辺監視に用いられ、数メートル以内の物体検出に適する。コストが低く、全天候で動作するが、距離分解能が低く、高速走行時の用途には不向きである。
2.2 認識と判断
センサーから得られたデータを処理し、車両周辺の状況を理解した上で、適切な行動を決定するソフトウェアモジュールが自動運転の中核を成す。
2.2.1 物体検出と追跡
物体検出は、カメラ画像やLiDAR点群データから歩行者、車両、自転車、障害物などを識別する技術である。深層学習ベースの畳み込みニューラルネットワーク（CNN）が主流で、高精度なリアルタイム検出が可能となった。検出された物体は、時間経過に伴う位置変化を追跡（トラッキング）することで、速度や進行方向を推定し、衝突リスクを予測する。
2.2.2 道路標識・信号認識
カメラ画像から道路標識や信号機の表示内容を読み取る技術であり、交通ルールの遵守に不可欠である。標識の形状や色、文字情報を画像認識アルゴリズムで解析する。信号認識では、赤・黄・青の点灯状態を検出するだけでなく、矢印信号や歩行者用信号なども判別する。
2.2.3 経路計画と行動決定
経路計画は、現在位置から目的地までの走行経路を生成する。大域的な道路ネットワーク上の経路（グローバルパス）と、周囲の動的な障害物を回避する局所的な経路（ローカルパス）に分けられる。行動決定では、車線変更、追い越し、交差点通過、一時停止などの判断を、周辺車両の動きや交通ルールを考慮して行う。確率的モデルや強化学習を用いた意思決定手法が研究されている。
2.3 制御システム
2.3.1 ステアリング・加減速制御
認識・判断モジュールが決定した経路に沿って車両を物理的に制御する。ステアリング制御は、目標とする進行方向への操舵角を計算し、電動パワーステアリングシステムに指令を送る。加減速制御は、目標速度や車間距離に応じてアクセルとブレーキを調節する。PID制御やモデル予測制御（MPC）が一般的に用いられ、滑らかで安全な加減速を実現する。
2.3.2 車両間通信（V2V）と路車間通信（V2I）
V2X（Vehicle-to-Everything）通信は、車両同士や道路インフラとの情報交換を可能にする。V2V（車車間通信）は、周辺車両の位置、速度、ブレーキ操作などを共有し、衝突回避やスムーズな合流を支援する。V2I（路車間通信）は、信号機の切り替わりタイミングや工事情報、渋滞情報を道路側から受信し、より効率的な走行計画を立案する。Dedicated Short-Range Communications（DSRC）やCellular-V2X（C-V2X）が主要な通信規格である。
3 実用化と事例
3.1 主要企業と開発動向
3.1.1 Waymo
Googleの自動運転プロジェクトとして2009年に開始されたWaymoは、現在自動運転技術の最先端を走る企業の一つである。LiDAR、カメラ、レーダーを組み合わせた独自のセンサーパッケージを搭載し、レベル4の自動運転システムを開発。米国アリゾナ州フェニックスでは、2020年より完全無人でのロボタクシーサービス「Waymo One」を商用展開している。累計の自動運転走行距離は2000万マイル（約3200万キロメートル）を超える。
3.1.2 Tesla（AutopilotとFSD）
Teslaは、カメラ主体のビジョンベースアプローチを採用し、LiDARを使用しない独自の戦略で自動運転を推進する。標準搭載の「Autopilot」はレベル2相当の運転支援機能を提供し、「Full Self-Driving（FSD）」は市街地での自動運転を目標とする。FSDはベータ版として提供され、継続的なソフトウェアアップデートにより機能を拡張している。ただし、完全なレベル4・5の達成はまだ実現しておらず、規制当局からも過度な自動運転性能への誇張表示が指摘されている。
3.1.3 日本の自動車メーカー（トヨタ、ホンダ、日産）
日本の自動車メーカーも自動運転開発に積極的に取り組む。トヨタは、高度運転支援技術「Toyota Safety Sense」を全車種に搭載するとともに、レベル4自動運転の実用化を目指し、米国子会社Woven Planet（現Woven by Toyota）で開発を進める。ホンダは、2021年に世界初のレベル3認可を取得した「Honda SENSING Elite」をレジェンドに搭載し、高速道路での条件付き自動運転を実用化した。日産は「ProPILOT」ブランドでレベル2～2+の運転支援を提供し、2020年代後半のレベル4実用化を目標とする。
3.2 実証実験と商用サービス
3.2.1 ロボタクシー
自動運転タクシー（ロボタクシー）は、無人運転で乗客を目的地まで輸送するサービスである。Waymo Oneの他、中国の百度（Baidu）が「Apollo Go」を北京や武漢などで展開し、米国のCruise（ゼネラルモーターズ傘下）がサンフランシスコで営業許可を取得した。日本でも、2024年から東京・お台場エリアで日本交通や東京大学発ベンチャーなどが実証実験を開始している。料金は通常のタクシーと同等以下に設定されるケースが多い。
3.2.2 自動運転バス
自動運転バスは、決められた路線を低速で運行し、ラストマイル交通や過疎地域の公共交通手段として注目される。日本では、経済産業省のプロジェクト「スマートモビリティチャレンジ」の一環として、茨城県境町や福井県永平寺町などで自動運転バスの実証運行が行われている。海外では、シンガポールやフランスで公共バス路線への導入が進められている。
3.2.3 限定エリア（高速道路・駐車場）での実用化
レベル3以上の自動運転は、最初に限定エリアでの実用化が進んでいる。高速道路では、ホンダのレベル3システムが渋滞時に運転を代行する。駐車場では、自動駐車システムが広く実用化されており、ドライバーが降車した後にシステムが車両を駐車スペースに誘導する「リモートパーキング」機能も登場している。閉鎖された構内や特定の商業施設での低速自動運転サービスも複数展開されている。
4 課題と展望
4.1 技術的課題
4.1.1 悪天候・特殊環境への対応
現状の自動運転システムは、晴天時の整備された道路では高い性能を発揮するが、雨天、降雪、濃霧、逆光などの悪天候ではセンサー性能が著しく低下する。路面の摩擦係数変化や標識の視認性低下も課題である。また、工事現場やパレードなど非定型の交通状況への対応も困難であり、これらの環境下ではシステムの信頼性が不十分である。マルチモーダルセンサーフュージョンや気象データの活用など、堅牢性向上の研究が続けられている。
4.1.2 サイバーセキュリティ
自動運転車両は外部との通信機能を多数持つため、サイバー攻撃の標的となるリスクがある。センサーデータの改ざん、通信経路への不正介入、遠隔操作による制御乗っ取りなど、様々な攻撃ベクトルが想定される。自動運転システムの誤作動は人命に関わるため、セキュリティは極めて重要な要件である。暗号化技術の強化、侵入検知システムの実装、ソフトウェアの定期的なセキュリティアップデートなどが対策として求められる。
4.2 法制度と規制
4.2.1 各国の法整備状況
自動運転の実用化には、道路交通法や車両安全基準の改正が必要である。日本では、2020年に道路運送車両法が改正され、レベル3自動運転車の型式認証制度が整備された。2023年にはレベル4自動運転の公道走行を認める改正道路交通法が施行され、特定自動運行の許可制度が開始された。米国では連邦政府がガイドラインを策定する一方、州ごとに異なる規制が存在する。欧州連合（EU）は2022年にレベル3自動運転車の認可基準を統一化した。中国は2023年に全国的な自動運転道路テスト管理規定を制定し、実証エリアを拡大している。
4.2.2 事故時の責任所在
自動運転車が交通事故を起こした場合の責任の所在は、複雑な法的課題である。完全にシステムが運転する場合でも、メーカー、ソフトウェア開発者、車両所有者、ドライバー（同乗者）の間で責任が分散される可能性がある。日本では、自動運転車の事故に関する賠償責任について、現行の自動車損害賠償保障法をベースに、システム欠陥による事故は製造物責任法が適用される可能性が示されている。海外では、メーカーが責任を負う「製造物責任」と、ドライバーが責任を負う「運転者責任」のバランスをどう取るかが議論されている。
4.3 社会・倫理的問題
4.3.1 雇用への影響
自動運転の普及は、タクシー・バス・トラックの運転手、配送ドライバーなど、運転業務に従事する数百万人の雇用に影響を与える可能性がある。一方で、自動運転システムの開発・保守・監視といった新たな雇用が創出される。完全自動運転への移行が段階的に進むと予想されるが、雇用の再編や職業訓練の必要性が指摘されている。政府や企業による労働者支援策の整備が重要な課題である。
4.3.2 トロッコ問題と倫理アルゴリズム
自動運転車が衝突回避の際に、やむを得ず人命に関する選択を迫られる状況を想定し、倫理的な判断アルゴリズムの設計が議論されている。有名なトロッコ問題（暴走する車両が複数の歩行者を轢くか、一人の歩行者を轢くか）を自動運転に適用する議論では、功利主義的な「最大多数の生命を救う」判断と、個人の権利を優先する判断の対立が課題となる。また、メーカーごとに異なる倫理設定が社会的合意を得られるかも問題である。ドイツでは世界初の自動運転倫理ガイドラインが策定され、人命の優先順位付けを禁止するなど具体的な指針を示している。
4.4 今後の展望
4.4.1 完全自動運転実現へのロードマップ
レベル5の完全自動運転実現には、技術的課題の解決に加え、法制度、社会受容性、インフラ整備が不可欠である。業界の予測では、2020年代後半から2030年代にかけて、レベル4の限定エリアでの自動運転が都市部から拡大し、2040年以降にレベル5が一部地域で実用化されるというシナリオが一般的である。ただし、技術の進歩速度や規制環境によりタイムラインは変動する。自動運転の普及は、段階的かつ地域限定で進む可能性が高い。
4.4.2 交通システム全体への影響
自動運転が普及した未来の交通システムでは、交通事故の大幅な減少、交通渋滞の緩和、駐車場需要の減少、移動時間の有効活用（車内での作業や娯楽）、高齢者や障がい者の移動自由度向上などの恩恵が期待される。また、自動運転車の共有利用（カーシェアリング）が進めば、個人所有車の減少や都市空間の再設計につながる可能性がある。一方で、自動運転車の増加による総走行距離の増加や、エネルギー消費の増加が懸念される。持続可能な交通システムの構築には、自動運転と公共交通機関やMaaS（Mobility as a Service）との連携が重要となる。