こんにちは、ソフトウェア技術部のK.M.です。
自動運転AIの開発において、現実世界をどれだけ正確にデジタル空間に再現できるかということは極めて重要なテーマです。2026年6月、私たちは単なるセンサデータの詰め合わせではなく、高精度3次元データの整備で培ってきた測量・図化技術をベースに構築した「AIネイティブデータセット」をHugging Faceにて公開しました。
（参考リリース：ダイナミックマッププラットフォーム、フィジカルAI向けデータセット事業を始動 高精度3次元データを統合したAIネイティブデータのサンプルを公開）
公開から約1か月が経過し、AI開発者の皆さまを中心にダウンロードやお問い合わせを多数いただいています。そこで今回は、本データセットを構成する4つのデータレイヤーの特徴と活用方法について、自動運転やロボティクス分野の開発者向けに解説します。
・・・
本データセットの核となるLiDARデータ（点群データ）は、後方斜め下固定のプロファイラで取得されたスライス群を高精度な走行軌跡（Trajectory）を用いて3次元接合した高密度点群として提供されます。この接合済高密度LiDAR点群を基盤として構成される各データレイヤーを順番にご紹介します。
1. RAWデータ（LiDAR点群・画像・Trajectory）
- データの概要：
特徴的な「後方斜め下固定」のLiDARが捉えた路面や構造物のデータを、測量グレードのTrajectoryを用いて3次元空間へ精密に編み上げた、接合済みのバルク点群データ。各時刻のデータに分解された生点群ではなく、一つの高精度な3D空間データとして利用できる状態になっています。ここに、同期された「カメラ画像」と「走行軌跡（Trajectory）」が同梱されています。 - 自動運転における意義：
一般的な360度回転LiDARの生データにありがちな、車両の振動や移動による点群の位置ずれや幾何ひずみ（いわゆるローリングシャッター歪み）が、測量テクノロジーによって徹底的に補正されています。 高密度なLiDAR点群は時刻情報が削ぎ落とされ、「現実世界の形状がセンチメートル級の精度で表現された3Dグラウンドトゥルース（形状の正解値）」として提供されるため、あらゆるアルゴリズム検証における高信頼な基準データとして活用できます。 - 活用方法例：
✓ Map-based Localization（地図基準の位置推定）のベンチマーク:
「マップマッチング（地図基準の位置推定）」の性能を測定する上で、高品質なベンチマーク環境。
✓ 路面プロファイリング・アセットマネジメント: 道路方向に特化して高密度に敷き詰められた点群を活用し、路面の摩耗、轍（わだち）、段差などをセンチメートル単位で解析する認識AIのバックボーンデータ。
2. 高精度3次元地図データ（構造化された地物情報）
- データの概要：
歪みのない「接合済3D点群」であるLiDARデータをベースに、熟練の図化処理によって制作された3次元地図。車線（レーンリンク）、信号機、道路標識、縁石などが、高い幾何精度でベクトル化（構造化）されています。
※本データの図化作業や工夫については以下コラムもご参照ください。
【テックブログ/マップエンジニアの仕事録 #1】道路は「単なる線」ではない― 特殊な道路と高精度3次元地図データの使命 - 自動運転における意義：
土台となる点群の幾何精度が保証されているため、高精度3次元地図データもまた、近年トレンドとなっている「生成型ワールドモデル（World Model）」を構築する上で、その骨組みとして高い信頼度を誇る「静的レイヤー」となります。 - 活用方法例：
✓Behavior Prediction（行動予測） / Path Planning（経路計画）: レーンの接続関係（トポロジー）をベースにした、自動運転車の意思決定アルゴリズムのシミュレーション。
✓各種認証試験の仮想検証（Euro NCAP 2026等）: 例えば規制シナリオに沿った正確な道路レイアウトをシミュレータ上に構築するための基準データ。
3. Semantic融合データ（Semantic点群・Semantic画像）
- データの概要：
歪みなく接合された3D点群（＝高密度LiDAR点群）および画像に対し、高精度3次元地図データの持つ属性情報（車線、標識など）を3次元的に逆投影（バックプロジェクション）し、アノテーションを施したデータ。 - 自動運転における意義：
スライスデータを繋ぎ合わせて作った3D点群だからこそ、高精度3次元地図のベクトルデータとの「位置合わせ（アライメント）」が極めて正確に行えます。人間が手動で行うアノテーションのような「ラベルのズレや揺らぎ」を排除した、高品質な教師データです。 - 活用方法例：
3D Semantic Segmentation: 点群の1点1点、あるいは画像の1ピクセルごとに「これはレーン」「これは縁石」と識別するAIモデルの高度な学習。
4. 高幾何精度3D Gaussian Splattingデータ（3DGS）
- データの概要：
同梱の画像データと、ベースである「接合済3D点群」、そして高精度3次元地図データの幾何制約を掛け合わせることで、形状の破綻（フローターや壁の歪み）を限りなく抑えた3D Gaussian Splattingデータ。 - 自動運転における意義：
一般的な3DGSは、写真としての見栄え（フォトリアリスティック）を重視するあまり、空間的な寸法や奥行きが歪んでしまうことが多々あります。しかし当社の3DGSは3Dグラウンドトゥルースたる「接合済3D点群（高密度LiDAR点群）」を強固な骨組み（幾何学的制約）として利用しているため、空間のスケールの整合性を確保しやすいという特長があります。 - 活用方法例：
✓センサシミュレーション用のデジタルツイン: 歪みのない3D空間だからこそ、カメラの視点を自由に変えても、現実とカメラモデルの幾何学的な整合性を維持。End-to-End（E2E）な自動運転AIを検証するためのシミュレーション環境の背景アセットとして有効。
✓エッジケース（危険シナリオ）のデータ拡張: 交通参加者が取り除かれているクリーンな3Dモデルの為、正確な3D空間構造を維持したまま、仮想的な割り込み車両や天候変化（雨・霧）を合成する背景アセットとして有効。
データレイヤーが織りなすシナジー
本データセットの最大の特長は、すべてのデータが測量技術によってあらかじめ歪みを排した「接合済3D点群」を絶対的な基準として、同一空間上で整合された状態で利用できる点にあります。
開発者はSemantic点群・画像を使って「何がどこにあるか」を捉える車載認識AI（Perception）を学習させつつ、そのAIが実際の走行中に「自分の位置を見失わないか」を同じ空間の接合済3D点群とTrajectoryを用いた「Map-based Localizationベンチマーク」などで即座に検証できます。共通の空間基準上でデータが整合されているため、データの座標変換や位置合わせに伴う負荷の軽減にもつながります。
ワールドモデル構築を支える信頼性の高い「静的レイヤー（Static Layer）」にもなります。近年トレンドとなっている、世界のダイナミクスを予測する「ワールドモデル（World Model）」を構築する際、最大の難所となるのが背景（道路構造や静的地物）の3次元的な歪みです。本データセットでは、高精度3次元地図データと形状の破綻がない3DGS（フォトリアリスティックな表現）がセットで提供されるため、ワールドモデルの「動かない土台（静的レイヤー）」に適した高品質な教師データとして活用できます。
また、すべてのデータが「すでにセンチメートル級で正解の形に固められた点群」をバックボーンにしているため、アルゴリズムの弱点を浮き彫りにする「冷徹な基準」にもなります。シミュレーションや位置推定でズレが発生した場合、その原因が「地図やデータの歪み」なのか「アルゴリズムのバグ」なのかを効率的に分析することができます。開発のデバッグスピードを加速させる「リファレンス（基準）」として機能します。
おわりに
今回Hugging Faceに公開したデータは、単なる生データの寄せ集めではありません。測量テクノロジーによって「幾何学的な正解」が担保された接合済高密度LiDAR点群をもとに、そこから高精度3次元地図データ、Semantic融合データ、3DGSへとAIニーズに呼応した高付加価値なものへと昇華させた「AIネイティブ」なデータエコシステムです。
この一気通貫したデータが、皆様の自動運転、ロボティクス、デジタルツインの研究開発を大きく加速させることを願っています。
ぜひダウンロードいただき、自動運転やロボティクス分野における研究開発にご活用いただければ幸いです。
