オランダでFSD公道テストが始動。中央線のない狭小路と複雑な信号機で露呈したE2Eモデルの「ローカル適応課題」

欧州で初となるオランダでのFSD（Supervised）走行認可に伴い、アーネム市街地や郊外道路における実走テストレビューが公開されました。これまで北米の広大な格子状道路で進化を遂げてきたテスラのエンドツーエンド（E2E）ニューラルネットワークが、欧州特有の複雑で狭小な道路環境においてどのような実力を示し、いかなる課題に直面したのでしょうか。本稿では、公開された実走ログと検証データをもとに、テスラFSDが抱える「地域交通ルール・不文律への適応」という技術的論点を分解・検証します。

オランダ特有の道路環境と実走テストの概要

今回のテスト走行は、オランダ東部の都市アーネム周辺の中規模市街地および郊外の連絡道路で実施されました。テスターは中国の最新運転支援システム（XPENG VLA 2.0等）や各種ADASの豊富な実走経験を持つドライバーであり、北米仕様から欧州向けに調整されたFSDの挙動が客観的に検証されています。

欧州の道路環境は、車線幅が広く直線主体の米国とは根本的に異なります。狭小な旧市街地、高密度に交差する自転車専用レーン、複雑なラウンドアバウト（環状交差点）、そして車線ごとに独立して配置された多段信号機など、ドライバーにとっても高度な状況判断が求められる要素が凝縮されています。

実走で浮き彫りとなった4つの具体的課題

実走テストの結果、直線路や標準的な幹線道路ではスムーズな追従とステアリング制御を見せたものの、欧州特有の交通環境に入るといくつかの挙動課題が浮き彫りとなりました。

1. 中央線のない「両側破線路」におけるすれ違い挙動

オランダの郊外道路には、中央線がなく道路の両端に破線（自転車や歩行者用の推奨スペース）が引かれた道路が数多く存在します。この道路では、通常時は車道中央付近を走行し、対向車が接近した際のみ双方が右側の破線内に車体を寄せて安全にすれ違うという「地域固有の走行ルール」が存在します。

テスト中、FSDは車道の中央やや左寄りを維持し続け、対向車や大型路線バスが接近しても右側の破線内へ十分に退避しない挙動を示しました。結果として対向車側が路肩近くまで大きく避けることを余儀なくされ、すれ違い時のポジショニングにおいてローカルな交通慣習との乖離が見られました。

2. 密集・複雑化した交差点信号機の識別遅延

米国の交差点では、交差点の向こう側や頭上高い位置に大型の信号機が設置されるのが一般的です。これに対し欧州では、停止線の直前や低い位置、さらには右折専用・直進専用・自転車専用・トラム専用といった複数の信号機が近接して並びます。

FSDは複雑な交差点において、自車線が従うべき信号機の特定に迷いを見せ、信号変化に対する反応の遅れや誤認が発生する場面が記録されました。

3. 市街地における車線選択と直前マージ

市街地の多車線交差点やラウンドアバウトへのアプローチにおいて、目的の進行方向に対する車線選択が遅れ、交差点の直前で複数車線を一気に跨いでマージしようとする挙動が確認されました。交通量の多い密集地帯では周囲の交通流を乱すリスクがあり、より早期の車線予測と滑らかな車線変更判断が求められます。

4. 速度標識の誤認と安全停止の発生

オランダ国内で頻繁に切り替わる「30km/hゾーン」や時間帯別の変動式制限速度において、標識の認識遅れによる不適切な車速設定が見られました。また、テスト後半では悪天候や過酷な路面状況ではないにもかかわらず、ソフトウェアの内部エラーによる安全停止（ドライバーへの早期引き継ぎ警告を伴うロックアウト）が発生しました。

検証項目	米国環境での挙動	オランダ（欧州）環境での挙動	主な要因
道路幅・車線維持	明確な車線内で中央維持	中央線のない道路で退避が不十分	両側破線路というローカルルールの未学習
信号機認識	頭上大型信号を正確に追従	近接・多段配置された信号の識別に遅延	欧州特有の信号配置パターンへの適応不足
車線変更・マージ	ナビ連動で計画的に車線移動	分岐直前での急な複数車線跨ぎ	複雑なロータリー・狭小交差点での経路予測
速度制御	制限標識に即座に追従	ゾーン規制・変動制限の誤認	国ごとの標識デザイン・補助標識の差異

なぜE2Eモデルは「ローカルの不文律」で迷うのか？

テスラFSDは、カメラ映像から車両の操作（ステアリング・アクセル・ブレーキ）をエンドツーエンド（E2E）のディープニューラルネットワークで直接出力するアーキテクチャを採用しています。この方式が高い汎用性を持つ一方で、欧州市場においては特有のハードルが存在します。

1. 学習データの地域的偏りと不文律の壁

テスラのAIトレーニングパイプラインは、北米を走行する数百万人規模のフリートから収集された膨大な走行映像をベースに構築されています。北米の道路環境で「自然な運転」として学習されたニューラルネットの重みは、欧州各国のローカルな道路ペイントや「暗黙の譲り合い」ルールとは必ずしも一致しません。

明文化された交通法規だけでなく、現地のドライバーが無意識に行っている「路肩への退避」「アイコンタクトや位置取りによる優先権の主張」といった不文律をモデルが獲得するには、現地での走行データと強化学習が不可欠です。

2. データプライバシー規制（GDPR）の制約

欧州市場における最大の技術的障壁の一つが、厳格なデータプライバシー保護規制（GDPR）です。米国のように車載カメラで撮影された周囲の歩行者や他車の映像を自由にテスラの中央サーバーへアップロードし、シャドウモードで大量に再学習させるプロセスには厳しい法規制が課されます。現地データの収集速度が制限されることが、適応のタイムラグを生む構造的な要因となっています。

UNECE DCAS規制クリアと日本への示唆

欧州および日本が批准する国連欧州経済委員会（UNECE）の車両規制において、先進運転支援システムは「DCAS（Driver Control Assistance Systems）」ガイドラインに準拠する必要があります。

DCASの認証プロセスでは、単に事故を起こさないという安全基準だけでなく、「周囲の交通流を妨げないこと」「現地の道路標識・交通規則に完全適合すること」が厳格に審査されます。オランダの車両規制庁（RDW）による認可は重要な前進ですが、EU全域での包括的承認を得るためには、国ごとに異なる道路インフラへの適合性を実証しなければなりません。

この課題は、日本の交通環境への導入においても極めて示唆に富んでいます。日本の生活道路もまた、中央線のない狭小路、入り組んだ交差点、電柱や歩行者との近接走行、カーブミラーによる確認など、独自のローカルルールと不文律に満ちています。テスラが高速道路などの構造化された道路から段階的に認可を目指すアプローチをとっている背景には、こうした生活道路特有の適応課題が横たわっていると言えます。