自動運転ダンプ トラックの「目」となる技術: Applied Intuition の SDS を支えるセンサー スタック

自動運転ダンプ トラックが建設現場や採石場を走行する環境は、一般的な公道とは大きく異なります。車線もなく、道路の境界を示す縁石もなく、進行方向を示す標識もありません。その代わりに、土手や絶えず変化する積み下ろしエリア、整備されていない運搬路、さらには大きさや形状、材質がさまざまな障害物が存在します。

このような環境でダンプ トラックを安全に走行させるためには、「認識」が極めて重要な役割を果たします。しかし、現場のレイアウトや運用条件、周辺環境は一つとして同じではないため、あらゆる状況に対応できる万能なセンサー構成は存在しません。そのため、多くの既存システムはこの課題に正面から取り組むのではなく、高度な車載認識を用いず、GPS ベースのウェイポイント追従に依存した運用を採用しています。

一方、人間のオペレーターはキャブから前方の走行ルートや路肩、粉じんの中でかろうじて見える運搬路の痕跡などを認識しながら運転しています。しかし、高度なセンサーを搭載した自動運転トラックは、それ以上の情報を活用しています。センチメートル単位の高精度な位置情報、雨天や夜間でも安定して取得できる 360 度の点群データ、さらに 1 秒間に数百回更新される慣性計測データなどがその一例です。

Applied Intuition のセンサー スタックは、これらの情報を組み合わせることで周囲の環境を認識し、安全な自動運転を実現しています。

単一のセンサーだけでは不十分

Applied Intuition の認識スタックは、LiDAR、カメラ、レーダーという3種類のセンサーを組み合わせて活用しています。いずれのセンサーも単独では十分とは言えませんが、それぞれの特性を組み合わせることで、互いの弱点を補完しながら高い認識性能を実現しています。

LiDAR は認識システムの中核を担うセンサーです。車両の周囲を 360 度にわたって高解像度で計測し、取得した点群データには、レーザーが照射された物体の反射特性を示す強度情報が含まれます。進路上にあるダンプ トラックや油圧ショベルなどの大型機械は、一般的に強い反射信号を返します。

一方で、すべての物体が LiDAR で確実に検知できるわけではありません。材質によってはレーザー光を反射せずに吸収してしまうため、反射信号が極めて弱くなり、障害物として十分に認識できない場合があります。

こうした LiDAR の弱点を補うのがカメラです。カメラが取得した画像データは認識スタックに入力され、LiDAR の距離情報や反射強度だけでは捉えきれない豊富な環境情報をモデルに提供します。

これは、自動運転システムにとって極めて重要な役割を果たします。なぜなら、すべての障害物が同じリスクを持つわけではないからです。例えば、人と衝突する場合と岩石に衝突する場合では、その影響や求められる対応が大きく異なります。対象物を適切に識別できないシステムは、あらゆる状況を最悪のケースとして扱わざるを得ず、結果として過度に保守的な挙動につながります。

もちろん、カメラにも課題があります。夜間や悪天候などの低照度環境では認識性能が低下する可能性があります。そのため、LiDAR とカメラを組み合わせることで、それぞれの長所を活かしながら弱点を補完し、より堅牢な環境認識を実現しています。

レーダーは、LiDAR やカメラが比較的苦手とする領域、すなわち動的な物体の検出と追跡を担います。ドップラー効果を利用することで、レーダーは対象物の相対速度を直接測定でき、システムはその情報を基に衝突の可能性や周囲の交通状況を評価することができます。

レーダーハードウェア自体は、すでに多くの鉱山用車両に搭載されています。しかし、レーダーデータを認識モデルに効果的に統合するソフトウェア技術は、LiDAR やカメラを活用した認識技術ほど成熟しているとは言えません。そのため、レーダーの本格的な統合は、複数の開発プログラムにおける今後の重要なマイルストーンの一つとなっています。

もちろん、レーダーにも固有の制約があります。レーダー反射断面積 (RCS) が小さい物体や特定の形状を持つ物体は、十分な反射信号を返さない場合があり、検出精度に影響を与えることがあります。

それでも、移動物体の速度を直接計測できる点は、レーダーならではの大きな強みです。LiDARやカメラも物体の動きを推定することはできますが、速度そのものを直接測定することはできません。この特性により、レーダーは動的な環境を理解するうえで重要な役割を果たしています。

これらの認識用センサーを支えるのが、車両の位置を把握するための位置推定センサー群です。代表的なものとして、GNSS/INS、慣性計測装置(IMU)、ホイール エンコーダーなどがあります。

これらのセンサーは周囲の障害物を検出するためのものではありません。代わりに、車両自身の位置や姿勢、移動量を高精度に測定し、認識した対象物が自車に対してどこに存在しているのかをシステムが正確に把握できるようにします。

認識システムが周囲の環境を理解するためには、「何があるのか」だけでなく、「自車がどこにいるのか」を把握することも欠かせません。位置推定センサーは、その基盤となる情報を提供する重要な役割を担っています。

最高品質のものから始め、その後最適化

Applied Intuition の開発哲学は、まず高性能なリファレンス センサーを用いることから始まります。開発初期の段階で最高精度のデータを利用することで、アルゴリズムの性能評価においてセンサーそのものが変数となることを避けられるためです。

これにより、自己位置推定、認識、経路計画、車両制御といった各分野のエンジニアは、信頼性の高いデータを基にアルゴリズム開発を進めることができます。そして、アルゴリズムの有効性が十分に検証された後、実際の導入環境に応じてハードウェア構成の最適化とコスト削減を図ります。

この考え方は、LiDAR の選定だけでなく、自己位置推定に用いるハードウェアにも同様に適用されます。まずは利用可能な最高精度のセンサーを用いてアルゴリズムを完成させ、その後、求められる性能要件を満たしながらコスト効率を高められるハードウェア構成を検討します。

目指すのは適応型の経路計画

従来の自動運転システムの多くは、不確実性に直面すると停止するという判断を下します。認識システムの信頼度が十分でない場合、安全を最優先し、停止を選択するのが一般的なアプローチです。

一方、Applied Intuition のシステムは異なる考え方に基づいて設計されています。不確実性を単純な「認識できた / できなかった」という二元的な判断で扱うのではなく、多様な実環境データで学習したモデルを活用し、考え得る行動の確率分布を推定します。

複数のセンサーから得られる情報を統合し、機械学習による推論パイプラインを通じて処理することで、プランナーは数千に及ぶ候補軌道を評価します。その際、安全性、作業効率、車両の運動性能などを総合的に考慮する学習済みのコスト関数を用いて最適な経路を選択します。結果として、障害物の前で停止するだけではなく、安全に回避しながら走行を継続することが可能になります。

こうしたアプローチによって、高い汎化性能を持つシステムが実現されます。十分な数のエッジケースを学習したモデルは、運用時に初めて遭遇する状況に対しても適切に対応でき、単純に停止するという挙動に頼る必要がありません。

最終的な目標は、実際の運用環境で発生するシナリオの 99％ を自律的に処理できるシステムを構築することです。そして残る 1% については、現在のセンサー性能やモデルの適用範囲を超えるケースとして明確に定義し、適切なリスク低減策をあらかじめ用意することで、安全な運用を実現します。