※本コラムは、Dynamic Map Platform North America, Inc. Chief Scientistの David K. Johnson による英文記事を、日本の読者向けに翻訳・編集したものです。
原文（英語）：https://www.dynamic-maps.co.jp/en/column/column-859/
AIというと、文章を書いたり質問に答えたりする技術を思い浮かべる方が多いかもしれません。しかし、AIにはもう一つ重要な役割があります。それは、現実世界を理解することです。
自動運転車やロボット、インフラ管理システムは、道路や標識、信号機、建物などを認識しながら動作しています。では、機械はどのようにして私たちが見ている世界を理解しているのでしょうか。
本コラムでは、AIがLiDARと画像データを活用して道路やインフラを認識し、生のセンサーデータを実世界で活用できる情報へと変換する仕組みを紹介します。
機械には「当たり前」がない
私たちは日常生活の中で、特別な意識を向けることなく周囲の風景を理解しています。
運転中に「これは信号機だ」「これは停止線だ」と一つひとつ考えながら走行している人は少ないでしょう。街の風景をひと目見れば、たとえ照明条件が悪かったり、普段とは異なる角度から見たりしても、縁石や一時停止標識、電柱などを自然に識別できます。
しかし、機械にはそのような直感がありません。機械にとって道路の風景は、画像であれば画素の集まりであり、LiDARであれば膨大な点群データの集まりです。その中から「信号機とは何か」「標識とは何か」を理解するためには、大量のデータから特徴を学習しなければなりません。
これは、言語AIが取り組む課題とは少し異なります。
言語の世界には単語や文法といったルールがあります。一方で、物理世界には決まったルールブックはありません。
例えば、一時停止標識の見え方は、光の当たり方や天候、観測角度、経年劣化によって大きく変化します。また、機械が参照できる固定的な「トークン一覧」が存在するわけでもありません。
機械は様々な変化に対応しながら、現実世界を理解しなければならないのです。
物理世界を理解するための4つの基本技術
AIが道路やインフラを理解する際には、主に4つの技術が活用されています。
- 分類（Classification）
対象物が何であるかを識別する技術です。例えば、ある標識が「一時停止標識」であることや、路面表示が「横断歩道」であることを認識します。
- 検出（Detection）
対象物がどこに存在するかを見つけ出す技術です。道路空間の中から信号機や標識、ガードレール、街路灯などを発見し、その位置を特定します。
- セグメンテーション（Segmentation）
さらに一歩進み、画像や点群データを意味のある領域ごとに分割する技術です。道路・歩道・植生・建物などを区別し、それぞれを独立した要素として認識できるようにします。
- 推定（Estimation）
対象物の寸法や形状、位置などを算出する技術です。例えば、車線幅や標識の高さ、構造物の形状などを求めることができます。
これら4つの技術は、自動運転やインフラ管理向けの空間データを整備する上でも重要な役割を担っています。ダイナミックマッププラットフォームでも、こうした技術を活用しながら地図データやインフラ資産情報を整備しています。
なぜ画像だけでは足りないのか
私たち人間は写真を見るだけで多くのことを理解できます。同じようにAIも、画像から標識や信号機、道路標示などを認識できます。画像には色や模様、文字などの豊富な情報が含まれているためです。
しかし、画像だけでは分からないことがあります。例えば、その標識が何メートル先にあるのか、どの高さに設置されているのか、道路からどれくらい離れているのかを正確に把握することは容易ではありません。
そこで重要になるのがLiDARです。LiDARはレーザー光の反射を利用し、周囲の形状を三次元的に計測します。そのため、対象物の位置や形状、大きさを高精度に測定できます。
ただし、LiDARにも弱点があります。
LiDARは「そこに何かがある」ことは分かっても、それが標識なのか樹木なのかまでは判断できません。一方で、画像だけでは「それが何であるか」は識別できますが、正確な計測は困難です。
つまり、
- 画像は「それが何か」を教えてくれる
- LiDARは「それがどこにあるか」を教えてくれる
という関係にあります。
現実世界を正しく理解するためには、この二つを組み合わせる必要があるのです。
画像とLiDARを結び付ける
画像とLiDARを組み合わせる上で重要なのが、「レジストレーション（位置合わせ）」 です。レジストレーションとは、画像で認識した対象物を、LiDARの三次元空間上の正確な位置と対応付ける技術です。
例えばAIが画像の中から信号機を認識したとします。しかし、それだけではその信号機が実世界のどこに存在するのかは分かりません。
そこでレジストレーションを行うことで、画像上で認識した信号機をLiDARの三次元空間上の正確な位置と結び付けることができます。
これにより、「何であるか」という認識結果と、「どこにあるか」という位置情報が一つのデータとして統合されます。
レジストレーションにより、「何であるか」と「どこにあるか」の情報が結び付けられる
ダイナミックマッププラットフォームでも、このレジストレーション技術を活用し、画像やLiDAR、位置情報などを統合しています。こうした複数の情報を結び付けることで、異なるセンサーから得られるデータを一貫した空間情報として扱えるようにしています。
認識結果を使える情報へ
これまで紹介してきた技術は、それぞれが独立して機能するわけではありません。
AIはまず画像や点群データの中から標識や道路、設備などを認識します。そして、レジストレーションによって、それらが実世界のどこに存在するのかを三次元空間上に位置付けます。
こうして得られる成果物は、もはや単なる画像や点群データではありません。
- 地図データ
- 道路やインフラの資産台帳
- 現実空間をデジタル上で再現したモデル
といった構造化された情報です。こうした情報は、検索や計測、維持管理などに活用できます。
つまりAIは、センサーが取得した膨大なデータを、「何がどこにあるのかが分かる情報」へと変換しているのです。
おわりに
AIというと、推論や判断、生成といった高度な機能に注目が集まりがちです。しかし、その前提となるのは、現実世界を正しく認識することです。
道路や標識、設備などを見つけ、それが何で、どこにあるのかを理解できなければ、その先の判断や行動にはつながりません。AIはまず世界を見て理解し、その上で考え、判断します。
自動運転やロボティクス、インフラ管理、フィジカルAIなど、現実世界と関わるAIが広がる中で、こうした空間認識技術の重要性はますます高まっていくでしょう。
また、AIが物理世界を学習するためには、画像、LiDAR、位置情報などが個別に存在するだけでは十分ではありません。それらが相互に対応付けられ、AIが利用しやすい形で整理されていることが重要です。
ダイナミックマッププラットフォームでは、こうしたマルチモーダルな空間データの整備にも取り組んでいます。画像から「何であるか」を理解し、LiDARから「どこにあるか」を理解する。その両方を結び付けたデータは、AIが現実世界を学習するための基盤になります。
私たちは、このようなデータこそがフィジカルAI時代を支える「AIネイティブな空間データ」の一つだと考えています。
