自動運転タクシーの「足」を動かす技術：経路追従と車両運動制御の仕組み
はじめに：自動運転における制御システムの役割
自動運転システムは、外界の状況を認識し（Perception）、将来を予測し（Prediction）、走行経路を計画する（Planning）という一連の処理パイプラインを経て、最終的に車両を物理的に操作する「制御（Control）」の段階へと進みます。制御システムは、計画された理想的な経路や速度プロファイルを、車両のステアリング、アクセル、ブレーキの操作量に変換する役割を担います。
特に自動運転タクシーのようなサービス車両では、乗客の快適性、車両の安全性、そして運行効率を同時に満たす高精度な制御が求められます。本記事では、自動運転タクシーがどのように計画された経路を正確に追従し、滑らかで安全な走行を実現しているのか、その核となる経路追従制御と車両運動制御の技術的な仕組みについて解説します。
経路追従制御の基本概念
経路計画モジュールから出力されるのは、通常、時間や距離に対する理想的な位置（x, y座標）、方位角、速度、加速度などの連続的な情報、すなわち軌道（Trajectory）です。経路追従制御の目的は、現在の車両位置と状態（速度、方位など）を基に、この計画された軌道から発生する偏差を最小化し、正確に軌道上を走行することです。
この制御を実現するためには、まず車両の現在の正確な状態を知る必要があります。これは、GNSS、IMU、車輪速センサー、ステアリング角度センサーなどのデータを統合する自己位置推定技術によって提供されます。次に、目標軌道上のどこを追従すべきか（前方注視点など）を決定し、現在の車両状態と目標点との偏差（横方向誤差、方位誤差など）を計算します。この偏差をゼロに近づけるように、制御アルゴリズムが車両の操作量を算出します。
代表的な経路追従アルゴリズム
様々な経路追従アルゴリズムが存在しますが、自動運転分野で広く用いられる代表的な手法をいくつか紹介します。
1. 純粋追跡法 (Pure Pursuit)
純粋追跡法は、比較的シンプルで直感的なアルゴリズムです。車両の前方に設定した注視点（Lookahead Point）を目標とし、現在の車両位置からその注視点へ向かうようなステアリング角度を算出します。注視点は、目標軌道上で車両からある一定距離（注視距離）離れた点として選ばれます。
アルゴリズムの考え方としては、現在の車両の旋回半径と注視点までの距離および角度の関係を利用します。計算されたステアリング角度は、車両が現在の速度で旋回した際に、注視点を通過するように導出されます。注視距離は車両速度に応じて動的に調整されることが一般的です。高速走行時は注視距離を長くして安定性を高め、低速走行時は短くして追従精度を向上させます。
2. 前方注視点法 (Stanley Method)
スタンレー法は、純粋追跡法と同様に前方注視点を使用しますが、制御量として前輪のステアリング角度を直接計算します。この手法は、特にカーネギーメロン大学の自動運転車「Stanley」で成功を収めたことから名付けられました。
スタンレー法では、目標軌道上の最も近い点に対する車両の横方向誤差と、車両の向きと軌道の接線方向との向き誤差（ヘディング誤差）の二つの誤差を考慮します。これらの誤差を線形結合することで、適切な前輪操舵角を決定します。この手法は、軌道追従中の横方向誤差を効果的にゼロに収束させる特性を持ちます。
3. モデル予測制御 (Model Predictive Control, MPC)
MPCは、現在最も高性能な経路追従制御手法の一つとして広く採用されています。この手法では、車両の運動モデルを使用して、数ステップ先の将来の車両状態を予測します。そして、目標軌道からの偏差を最小化し、かつステアリング角度や加速度などの操作量、およびその変化率に対する制約条件（例：最大ステアリング角、最大加速度、物理限界など）を満たす最適な操作量のシーケンスを、各制御周期で繰り返しオンラインで計算します。
MPCは最適化問題を解くことで制御入力を決定するため、複雑な制約条件を扱える点や、システムの状態と入力の双方を考慮して将来の挙動を見ながら制御できる点が大きな利点です。車両の非線形運動モデルを扱う場合が多く、計算負荷は前述の単純な手法よりも大きくなりますが、高性能な車載コンピューターの進化により実装が現実的になっています。
車両運動制御と車両ダイナミクスモデリング
経路追従制御アルゴリズムが算出した理想的な車両の操作量（例：目標横加速度、目標ヨーレート、目標前後加速度など）を、実際の車両のアクチュエーター（ステアリングシステム、ブレーキシステム、パワートレイン）への具体的な指令値（例：ステアリング角度、ブレーキ圧、エンジントルク/モーター出力）に変換するのが車両運動制御の役割です。
この変換プロセスにおいては、車両の物理的な挙動を記述する「車両ダイナミクスモデル」が極めて重要です。車両ダイナミクスモデルは、車両にかかる力やモーメントと、それによって生じる車両の並進運動（前後、横方向）や回転運動（ヨー、ピッチ、ロール）の関係を数学的に表現します。
代表的な車両ダイナミクスモデル
- 自転車モデル (Kinematic Bicycle Model): 車両を二輪の自転車として捉え、低速域での運動を簡易的にモデル化します。スリップ角などを考慮しないため、高速域や急操舵時には精度が低くなりますが、経路計画や基本的な経路追従制御の設計に用いられることがあります。
- カーライクモデル (Dynamic Bicycle Model): 自転車モデルにタイヤの横滑りなどのダイナミクスを導入し、より高精度なモデルです。横方向の力を考慮するため、旋回時の車両挙動を比較的正確に予測できます。
- より詳細なモデル: 四輪それぞれのタイヤモデル、サスペンションモデル、パワートレインモデルなどを含む複雑なモデルは、シミュレーションや高度な制御設計に用いられます。
車両運動制御システムは、これらのモデルや実際の車両の応答特性（センサーからのフィードバックを含む）を利用して、経路追従制御が出力した目標値を、車両の物理的な限界やアクチュエーターの特性を考慮しつつ、正確に実現するようにアクチュエーターを制御します。例えば、目標とする旋回半径やヨーレートを実現するために、ステアリング角度だけでなく、ヨーモーメント制御（左右輪の駆動力/制動力を調整）を組み合わせることもあります。また、目標速度や加速度を実現するために、エンジントルク/モーター出力とブレーキ圧を協調して制御します。
制御系の安全性とロバスト性
自動運転タクシーにおける制御システムには、高い安全性とロバスト性が求められます。
- ロバスト性: センサーノイズ、車両の質量変化（乗客数）、路面状況（濡れた路面、勾配）、風などの外乱が存在しても、計画された軌道から大きく逸脱せず、安定した制御を維持する能力です。MPCのような最適化ベースの手法は、モデルの不確かさや外乱に対するロバスト性を考慮した設計が可能です。
- 安全性: 制御システム自体の故障や異常な入力があった場合でも、危険な状態に陥ることを防ぐための設計が必要です。これには、制御システムの冗長化（例：二重系や三重系の制御プロセッサ）、異常検知とフェイルセーフ/フェイルオペレーショナルへの移行メカニズム（例：安全な停車場所への誘導）が含まれます。SOTIF (Safety Of The Intended Functionality) の概念に基づき、予期せぬ状況（例：新しいタイプの障害物、センサーの誤認識）下でのシステムの振る舞いを評価し、意図した機能の安全性（機能安全とは異なる側面）を担保する設計も重要です。
将来展望
自動運転タクシーの制御技術は今後も進化を続けるでしょう。
- 適応制御: 車両の質量変化やタイヤの摩耗、路面摩擦係数の変化など、時間と共に変動する車両や環境の特性に合わせて制御パラメータを自動的に調整する適応制御の導入が進むと考えられます。
- 強化学習の応用: 複雑で非線形な車両ダイナミクスや予測困難な環境下での最適な制御戦略を学習によって獲得する強化学習の応用研究も進んでいます。特に、人間が運転するような滑らかさや快適性を実現する上で、強化学習が貢献する可能性があります。
- 協調制御: V2X（Vehicle-to-Everything）通信を利用し、他の車両やインフラストラクチャと情報を共有することで、より協調的で効率的な制御（例：隊列走行、交差点通過制御）が可能になるでしょう。
まとめ
自動運転タクシーが計画された経路を正確かつ安全に走行するためには、高精度な経路追従制御と車両運動制御が不可欠です。純粋追跡法やスタンレー法といった比較的シンプルな手法から、複雑な制約を扱えるモデル予測制御（MPC）まで、様々なアルゴリズムが開発・利用されています。これらの制御システムは、車両ダイナミクスモデルを利用して、理想的な操作量をアクチュエーター指令値に変換し、車両の物理的な限界内で正確な運動を実現します。
高度な技術で構築された制御システムは、自動運転タクシーの安全性、快適性、そして効率的な運行を支える基盤技術と言えます。今後も、適応制御や強化学習、協調制御といった技術の発展により、自動運転タクシーの走行性能はさらに向上していくと期待されます。