End-to-Endモデルは自動運転をどう変えているのか?

車が自分で運転していると想像したとき、何を思い浮かべますか? おそらく、道路に設置された何十ものセンサー、巨大な地図、そしてあらゆる状況をあらかじめルールとして書き込んだエンジニアたち、ではないでしょうか? ところがTeslaは、FSDバージョン12でこの常識を覆しました: もう何千もの手書きのルールは存在しません. カメラの生映像が入力され、ハンドル・ブレーキ・アクセルの操作コマンドが出力されるのです. では、ニューラルネットワークに「運転を学べ」と言うことは、実際には何を意味するのでしょうか? この転換は、自動運転の世界をどのように変え、どこでつまずいているのでしょうか?
従来のモジュール型アーキテクチャ: 運転支援システム内部の工場生産ライン
エンドツーエンドの話の前に、従来の仕組みを理解することが重要です.なぜなら、今日走っているシステムのほとんどが、まだこの論理で動いているからです. モジュール型アーキテクチャは、自動運転ソフトウェアを工場の生産ラインのように構成します: 各段階がそれぞれの仕事を行い、その出力を次の段階に引き渡します. DARPA Grand Challengeの初期の優勝車両から、Cruise、Mobileye、そしてオープンソースのAutowareに至るまで、このアプローチには長い歴史があります.
- 知覚 (Perception): LiDAR、カメラ、レーダーのデータを処理して物体を検出します. YOLOやVoxelNetなどのアルゴリズムが、この層で役割を果たします.
- 予測 (Prediction): 歩行者や他の車両を、短期的・長期的な軌道に基づいてモデル化します.
- 計画 (Planning): 経路はA*やDijkstraといった古典的アルゴリズムで、局所的な操縦動作はRRTなどの手法で計算されます.
- 制御 (Control): 通常はModel Predictive Controller (MPC) が作動し、車両を物理的に操縦します.
この構造の最大の利点は透明性です: 各モジュールを個別にテストでき、どの段階で何を誤ったのかを特定できます. しかし、最大の弱点もまさにここに潜んでいます — エラーの伝播です. 知覚モジュールが歩行者を誤分類すると、そのエラーは連鎖の最後まで引き継がれ、計画モジュールはすでに劣化したデータに基づいて判断を下すことになります. さらに、各モジュールを個別に訓練するには高度な専門知識と計算能力が必要です. 段階的な処理は、それ自体が非効率の原因にもなります.
注目ポイント
- Tesla FSDはバージョン12で(2024年初頭に顧客へ提供開始)、完全にエンドツーエンドのニューラルネットワークアーキテクチャへ移行しました. 現在はバージョン14に至っています.
- モジュール型アーキテクチャでは、知覚・予測・計画・制御は別々のモジュールですが、 エンドツーエンドでは、すべてが1つのニューラルネットワークに統合されます.
- FSDの正式名称は今もFSD (Supervised)です: 完全な自動運転車ではなく、常に注意深いドライバーを必要とする支援システムです.
- エンドツーエンドの最大の問題は説明可能性です: ニューラルネットワークの形式的検証は、依然として未解決の工学課題です.
エンドツーエンドのアプローチ: 何千ものルールに代わる何百万もの事例

エンドツーエンド運転の発想は、驚くほどシンプルです: カメラ、LiDAR、レーダー、GPSといった生のセンサーデータを1つの巨大なニューラルネットワークに入力し、ネットワークから運転コマンド、あるいは運転プランを直接受け取ります. 知覚、予測、計画は独立したソフトウェアであることをやめ、1つのプログラムの中に溶け込んでいくのです. TeslaはFSD v12でこの道を進み、2024年のはじめにドライバーがハンドルを握って体験した初のエンドツーエンド版が登場しました. 今日ではシステムはv14まで進化しています.
その違いを例え話で説明しましょう. モジュール型システムは、交通ルールを暗記した学生です. あらゆる状況に対応するルールを用意しています. エンドツーエンドシステムは、隣に座って何千時間も見学したベテランドライバーです. 何をなぜ行ったのかを一つひとつ説明できないかもしれませんが、正しい判断を「感覚」で行います. ニューラルネットワークは、物体が何であるかだけでなく、人間のドライバーがそれらにどう反応したかも学習しています.
では、ネットワークはどう訓練されるのか?
主な方法は2つあります. 1つ目は模倣学習 (ビヘイビアクローニング)です. ネットワークは、人間のドライバーの何百万キロにもわたる運転行動をコピーすることを学びます. 優れた手法ですが、2つの弱点があります.共変量シフトと因果の交絡です. つまり、ネットワークが何が本当に重要なのかを誤って学習してしまう可能性があるのです. 2つ目は強化学習です. シミュレーション内での試行錯誤を通じて、報酬を与えながらネットワークを訓練します. NVIDIAはこの分野で、2016年のDAVE-2から、今日では1,000 TOPSのチップ性能を提供するDRIVE Thorに至る実績を持っています. WayveとComma.aiも同じ哲学に沿う他のプレイヤーです.
モジュール型か、エンドツーエンドか? 具体的な比較
2つのアプローチを並べると、状況が明確になります. エンドツーエンドアーキテクチャの、研究者が挙げる利点は次のとおりです. 誤差伝播の低減、計算効率、訓練の比較的容易さ、そして興味深いことに攻撃への耐性です.システムの運転挙動をどの特定の入力が引き起こしたのか外部から分からないため、悪意ある操作も難しくなります.
| 項目 | モジュール型アーキテクチャ | エンドツーエンドアーキテクチャ |
|---|---|---|
| 構造 | 知覚 → 予測 → 計画 → 制御の独立したモジュール | 生のセンサーデータから制御まで単一のニューラルネットワーク |
| 開発手法 | 手書きのルール + 個別に訓練されたモジュール | データからの学習(模倣学習/強化学習) |
| 透明性 | 高い. 各モジュールを個別にテスト可能 | 低い. 判断メカニズムはブラックボックス |
| 誤差伝播 | あり. 知覚の誤りが連鎖全体に伝わる | 低減されている |
| データ要件 | モジュールごとの専門知識 | 非常に大規模なデータセットが必須 |
一方の陣営の重い武器は透明性です. モジュール型システムは部分ごとに検証できますが、 ニューラルネットワークの頭の中で何が起きているかは、部分的にしか見ることができません. 研究界では、この批判に対して注意マップや解釈可能な出力による部分的な回答が開発されていますが、安全認証が絡むと話は深みを増します.これについては後ほど触れます.
TeslaとWaymo: 同じ目標、正反対の哲学
センサーをめぐる対立は、アーキテクチャ論争の最も目に見える側面です. Teslaのアプローチはカメラ + ニューラルネットワーク、LiDARなし.グローバル規模で走行できるシステムにはこの道が必要だと主張しています. Waymoは正反対です. 最新車両には13台のカメラと4つのLiDARユニットを備え、センサーを重ね積みするマルチセンサー型アーキテクチャを採用しています. Waymoの共同CEOであるDmitri Dolgovは、カメラ単独のアプローチが完全な自動運転に到達する前に頭打ちになると、2026年にはっきりと語った人物です. Tesla陣営は、FSDによって何十億マイルもの証拠が生み出されたと主張しています.
実際、裏側から見ると状況はもう少しグレーです. TeslaやWaymoを含む多くのプレイヤーが事実上ハイブリッドなアーキテクチャを使用しており、つまり決定論的な経路計画とニューラルネットワークベースの認識が組み合わされているとされています. MomentaとAuroraもこのリストに名を連ねています. つまり、「すべてを単一のネットワークで行うのか、すべてを別々のモジュールで行うのか」という問いへの答えは、現場の実践ではたいてい「両者の組み合わせ」になっているのです. センサーの比較では、LiDARは低照度や夜間の条件下で優れています. 一方、カメラ単一のシステムはエネルギー効率が良く、事前の地図作成を必要としません.
ブラックボックス問題: 説明可能性と検証可能性
技術的に最も重要な部分はここです. 自動車業界の安全基準 - ASIL、ASPICE、AUTOSAR、MISRA - は、システムが何をするのかを要件ベースで定義し、証明することを求めます. エンドツーエンドのニューラルネットワークにおいて「この状況で車はこの判断を下す」という要件を定義すること自体がすでに困難です. さらにニューラルネットワークの形式検証は、いまだに解決されていない工学上の問題です. つまり、ネットワークがどれだけ上手に運転しても、エンジニアがすべての安全要件を証明しなければならない場合、手元に十分な手段がないことがあり得るのです.
その具体的な現れは、責任の面で見て取れます. Mercedes-Benzは、世界で初めて認証されたレベル3システムであるDRIVE PILOTについて法的責任を負うことを表明し、ドイツ当局から高速道路での時速95 kmまでの承認を取得しました - SAE J3016のレベル分類によれば、レベル3では責任がドライバーからメーカーに移るのです. その理由の一端はアーキテクチャにあります. モジュール化され境界が明確に定義されたシステムなら、「この条件下ではシステムが運転する」と明言し、署名することができます. ブラックボックスであるネットワークに同じ署名をするのは、はるかに困難です. 新しい研究のトレンドは、ニューラルネットワークにシーン理解と推論の層を追加する大規模言語モデルや視覚言語モデル - 説明可能性の問題への回答の試みとしてです.
約束と現実: 現在の状況はどうなっているのか?
ここまでの話はすべてワクワクさせるものでした. さて、ここで冷水を浴びせましょう. Tesla FSDの正式名称を見てみましょう: FSD (Supervised). つまり、「完全自動運転」の名を冠したこのシステムは、正式な定義では注意深いドライバーとともに使用されるよう設計された先進的なドライバー支援システムであり、Teslaを完全自動運転車に変えるものではありません. ドライバーは常に介入できる状態でなければなりません - SAEの分類では、これは依然としてレベル2の領域です. FSD v13では、駐車中の車両からシステムを起動でき、バック走行も含まれています. 能力は拡大していますが、分類は変わりません.
一方のWaymoは、アメリカの14都市に拡大したロボタクシーサービスにより、事実上レベル4の運用を実現しています. SAEの最新改訂では、レベル0~2は「ドライバー支援システム」、レベル3~5は「自動システム」と名称変更されており、完全自動運行つまりレベル5は依然として遠いことを強調しています. 業界全体として、誇大宣伝の波から現実世界への展開への移行期を反映しています: レベル2+システムは普及しており、ロボタクシーは特定の都市に限られ、レベル5はすべての人にとって依然として目標です.
まとめると: ルールを書くことから学ぶことへの移行は何を変えたのか?
直接的な答えはこうです: エンドツーエンドアーキテクチャは、自動運転で意思決定を行うソフトウェアを、手作業で書かれたルールからデータから学習する単一のニューラルネットワークへと移行させました.これにより、より自然な運転挙動とエラーの波及の減少がもたらされましたが、説明可能性、検証可能性、認証の側面で新しくまだ解決されていない課題を生み出しました. Teslaはこの賭けに最も積極的に参加しているプレイヤーであり、FSD v12以降のシステムは確かに別のものになりました - しかし監督なしの完全自動運転はまだ実現していません. モジュール型アプローチも舞台から降りたわけではありません; Waymoのセンサーマッピングを利用し、責任を負うレベル3~4システムがこの哲学で認証を取得しています. おそらく未来の勝利アーキテクチャは、両方の世界の最良部分を組み合わせたハイブリッド構造になるでしょう - そしてその競争はまさに今行われています.