技術概要：SAE 自動化レベルおよび V2X 通知に対する高速道路の準備状況評価

問題定義

自動運転（AuD）技術の急速な進展にもかかわらず、道路管理者は、既存のインフラが特定の自動化レベル（LOA）を支援できるかどうかを評価するための実用的かつ定量的な手法を欠いている。規格は運用設計領域（ODD）と自動化レベルを定義しているが、静的な道路特性を自動運転システム（ADS）の運用要件にマッピングする再現可能な枠組みを提供していない。その結果、当局は、より高い自動化レベルを阻害する物理的または維持管理に関連する要因を体系的に特定できず、また、コネクテッドかつ自動運転車両（CAV）に対してインフラの能力を標準化された方法で伝達することもできない。既存の枠組みは、しばしばデジタル接続性に焦点を当てるか、大規模な車両テストに依存しており、ネットワーク全体の評価のためのスケーラブルでインフラ中心の指標を提供できていない。

手法

本論文は、静的および準静的なインフラ条件を、ADS の性能への影響度に基づいて重み付けされた測定可能な属性に変換する定量的な「高速道路準備状況指数（HRI）」を提案する。手法は以下の 3 つの段階に構成されている。

1. 属性の操作化と重み付け：

   • 分類体系： 著者は、静的な ODD 属性のセットを定義し、4 つの主要カテゴリに分類する：道路標示・標識、道路維持・管理、道路設計・安全機能、および事前ロードされた高解像度（HD）マップ。
   • 専門家調査： 重みを導出するため、学術界、産業界、インフラ管理の専門家 17 名を対象に調査を実施した。回答者は、属性の欠如または劣化が、2 つの LOA グループ、すなわち**SAE 1–2（支援運転）とSAE 3–4（自動運転）**に与える影響を評価した。
   • 差別化： 調査により、車線視認性と維持管理は SAE 1–2 にとって重要である一方、HD マップ、緊急車線、専用 AV 車線などの属性は SAE 3–4 において著しく重要になることが明らかになった。

2. 区間レベルの準備状況モデル：

   • 道路区間（例：100 メートル）は、国の設計基準から導出された測定可能な基準に対して評価される。
   • 各属性に対して、適切性に基づいて観測値 $v_i \in \{0, 1, 2\}$ が割り当てられる。
   • 特定の自動化レベル $\ell$ に対する準備状況スコア $S^{(\ell)}$ は、最大可能スコアで正規化された加重和を用いて計算される：
     $$S^{(\ell)} = \frac{\sum w_i^{(\ell)} \cdot v_i}{\sum w_i^{(\ell)} \cdot v_{max}} \times 100$$
   • SAE 1–2 と SAE 3–4 に対しては、インフラの質に対する感受性の違いを反映するため、異なる重み（$w_i^{(\ell)}$）が適用される。

3. インフラガイダンスおよび IVIM 統合：

   • スコアは 3 つのカテゴリに分類される：不適切である可能性が高い（0–33%）、適している可能性がある（33–66%）、および非常に適している可能性が高い（66–100%）。
   • 慎重な閾値として**66%**が設定される。この閾値を超えるスコアを持つ SAE レベルのみが車両に伝達される。
   • これらの推奨事項は、協調型インテリジェント交通システム（C-ITS）枠組み内の標準化された**インフラから車両への情報メッセージ（IVIM）**に埋め込まれ、路側装置（RSU）が区間レベルの自動化ガイダンスをブロードキャストすることを可能にする。

主要な結果

この手法は、イタリア北部の Autostrade Per l'Italian（ASPI）が管理する**ガッラレート–ガッティコ回廊（24 km）**に関するケーススタディを通じて検証された。

• ベースライン条件： 現在良好に維持されている条件下では、回廊は SAE 1–2 および SAE 3–4 を一貫して支援しており（スコア >66%）、既存の高品質な高速道路は安定した構成において高度な自動化を支援できることを示している。
• 道路工事シナリオ： 標示の劣化や幾何学的遷移を伴う一時的な道路工事（11–17 キロ地点）をシミュレートしたところ、特に SAE 3–4 において準備状況が急激に低下した。いくつかの区間は 66% の閾値を下回り、これらの区間に対する自動化推奨を保留する慎重な IVIM メッセージが正しく発令された。
• 維持管理シナリオ： 長期的な維持管理の不備（標示の劣化、舗装の劣化、安全装置の欠如）をシミュレートした結果、回廊全体で準備状況が大幅に低下し、多くの区間が両方の自動化グループに対して「不適切である可能性が高い」範囲に陥った。
• 感度分析： 理論的分析により、事前ロードされた HD マップが SAE 3–4 に対して最も高い重みを持つことが示された。劣化したインフラシナリオにおける HD マップの組み込みは、物理的な欠陥を部分的に補完し、準備状況スコアを「不適切である可能性が高い」から「適している可能性がある」へとシフトさせ、物理的インフラ alongside デジタルレイヤーの決定的な役割を浮き彫りにした。

意義と主張

本論文は、静的な道路特性を ADS の運用要件にマッピングする、初の定量的でインフラ中心かつスケーラブルな手法を提供すると主張している。主な貢献点は以下の通りである。

• 再現可能な指標： HRI は、道路管理者にインフラの準備状況を評価し、より高い自動化レベルを制限する特定のギャップ（例：標示の整合性、植生管理）を特定するための構造化されたアプローチを提供する。
• 差別化された評価： SAE 1–2 と SAE 3–4 を区別することで、この枠組みは、より高い自動化レベルが単なる視覚的手がかりではなく、安定した幾何学、バックアップエリア、およびデジタル冗長性（HD マップ）により大きく依存していることを認識している。
• 運用統合： この研究は、インフラ評価と車両運用の間のギャップを埋め、準備状況スコアを標準化された V2X メッセージ（IVIM）に直接変換する方法を定義することで、インフラと車両運用の統合を可能にする。これにより、インフラは車両を能動的に誘導し、不適切な区間に遭遇する前にドライバーやシステムに警告することで、運転解除を未然に防ぐことが可能になる。
• 戦略的計画： この枠組みは、特定の回廊の診断ツールとしてだけでなく、自動化の準備状況への影響に基づいて維持管理やデジタル化投資の優先順位を決定するための、ネットワーク全体の計画のための戦略的ツールとしても機能する。

著者らは、現在の枠組みは静的および準静的な条件に焦点を当てているが、将来的な交通や気象などの動的要因との統合、および国際的な検証の拡大の基礎を築いていると結論付けている。