Waymo CEOが指摘した「カメラ自動運転の限界論」。テスラFSDがE2Eニューラルネットで挑む計算論的アプローチ

ロボタクシー大手Waymoの共同CEOであるテケドラ・マワカナ（Tekedra Mawakana）氏および開発陣が、「カメラのみ（Vision-Only）に依存する自動運転システムは、安全性の向上カーブが早期に頭打ちになる」との見解を表明しました。LiDARやミリ波レーダー、高精度3Dマップによる物理的冗長性を持たない限り、商業レベルの安全性を長期維持することは不可能であるという主張です。

これに対し、テスラはFSD（Full Self-Driving）においてLiDARはおろか超音波センサーすら全廃し、純粋な光学カメラとエンドツーエンド（E2E）ニューラルネットワークによる「Photon-to-Control（光子入力から車両制御出力までの一貫AI処理）」を貫いています。なぜ両社のアーキテクチャはこれほどまでに乖離しているのでしょうか。本記事では、Waymoが指摘するカメラの物理的限界、テスラがE2Eニューラルネットで幾何学制約を突破しようとする計算論的メカニズム、そして商用ロボタクシー展開におけるコストとスケーラビリティの境界線を工学的に解剖します。

Waymoが主張する「Vision-Onlyの物理的限界」とは

WaymoがLiDARとレーダーを必須とする根拠は、光学カメラが持つ物理特性と幾何学的あいまいさに起因します。

1. 悪天候・逆光時におけるフォトン（光子）情報の欠落

光学カメラは受光素子（CMOSセンサー）に入射する光情報に完全に依存します。濃霧、猛吹雪、あるいは朝夕の強烈な逆光や水たまりの乱反射が発生した際、画像データ上のコントラストが著しく低下し、エッジ検出や距離推定の信頼性が低下します。自らレーザーパルスを照射して反射時間を計測するLiDAR（アクティブセンサー）であれば、完全な暗闇や一定の悪天候下でも正確な距離情報（点群データ）を取得できます。

2. 単眼/複眼カメラにおける3D幾何学推定のあいまいさ

2D画像から3D空間の奥行き（デプス）を逆算する処理は、数学的に「不良設定問題（Ill-posed problem）」です。視差やオプティカルフローを用いて距離を計算する際、路面の模様、影、鏡面反射するトラックの車体などによって空間把握に微小な誤差（ノイズ）が生じるリスクを排除できません。

テスラFSDが採用する「Photon-to-Control」の計算論的アプローチ

Waymoの指摘に対し、テスラAIチームは「人間が2つの目（光学カメラ）と脳（ニューラルネット）だけで極めて安全に運転できている事実」を出発点としています。

1. 明示的な幾何学計算を排除したE2Eディープラーニング

従来の自動運転システム（FSD v11以前や他社システム）は、「画像から物体を検出 ➔ 3Dバウンディングボックスを作成 ➔ 軌道予測 ➔ C++コードで経路計画」というパイプライン構造を採用していました。この構造では各段階で情報の切り捨てと誤差の累積（カスケードエラー）が発生します。FSD v12以降のE2Eニューラルネットは、カメラの生ピクセル（フォトン）からステアリング角度・加減速トルクを単一の巨大モデル内で直接出力するため、中間の幾何学誤差に左右されません。

2. Occupancy Networkと時系列トランスフォーマーによる空間再構成

テスラは8台の車載カメラ映像を時系列トランスフォーマー（Spatial-Temporal Transformer）に通し、車内GPU（HW4）上で仮想的な「3D空間占有グリッド（Occupancy Network）」をミリ秒単位で動的生成しています。これにより、未知の落下物や未学習の障害物であっても「空間が占有されているか否か」を物理的に判定し、安全な回避軌道を生成します。

比較項目	Waymo方式（LiDAR＋HDマップ）	Tesla方式（Vision-Only＋E2E AI）
主要センサー	LiDAR＋レーダー＋カメラ	光学カメラ8台のみ
事前地図依存	cm精度の高精度3Dマップ必須	ナビ用地図のみ（未知環境も走行可能）
システム構造	モジュール分割＋ルールベース制御	単一巨大E2Eニューラルネットワーク
車載センサー原価	数万ドル（数百万円規模）	数百ドル（十数万円規模）
展開可能エリア	ジオフェンス（限定承認エリア内）	地球上のあらゆる道路（グローバル汎用）

ロボタクシー運用における「コスト」と「スケーラビリティ」の壁

技術的アプローチの違いは、商業化に向けたビジネスモデルと拡大スピードに決定的な差を生み出します。

1. ジオフェンス依存とエリア拡張のコスト

Waymoのシステムは極めて安全性が高い反面、運行エリア（ジオフェンス）を広げるたびに詳細な3D点群マッピングと事前シミュレーションが必要となります。道路工事や車線変更が発生した場合の地図メンテナンスコストも膨大です。

2. 一般量産車フリートによるデータ収集のスケーラビリティ

テスラは世界中を走る数百万台の一般オーナー車両から、日常的に数億マイル単位のエッジケース（珍しい道路状況、ドライバーの介入行動）を自動収集しています。AIトレーニングクラスター（Dojo / Cortex）に投入される圧倒的なデータ量が、Vision-Onlyの認識精度を指数関数的に押し上げる源泉となっています。