2026年8月31日
マッピング技術は、この10年間でデータ収集の精度を飛躍的に高めてきました。現在では、たった1日の現地調査で、数億個の点からなる点群データ、通路全体をカバーする方位情報付き画像セット、そして数センチメートルの精度を持つ位置情報記録を取得することが可能になっています。データ収集という課題は、ほぼ解決されたと言えます。 しかし、その後に続く一連の作業――どのポイントが地面で、どのポイントが植生であるかを判別すること、縁石の位置を特定すること、測量結果が許容誤差内に収まっているかを確認すること、そしてそれらすべてを設計者や資産管理者が活用できる形に変換すること――は、その進歩に追いついていない。このギャップこそが、地理空間AIが活用されている領域であり、それは実務におけるマッピング技術の在り方を静かに変えつつある。
地理空間AIは広範な用語であり、その定義を明確にしておく価値がある。測量やマッピングの文脈では、通常、空間データ内のパターンを認識するように学習された機械学習モデルを指す。具体的には、点群の分類、画像からの特徴抽出、不自然に見える測定値のフラグ付けなどである。これは測定そのものに代わるものではない。 モデルには依然として、位置・スケール・時刻が正確に指定されたデータが必要であり、データに含まれるあらゆる誤りをそのまま引き継いでしまいます。AIが役立つ部分と、依然としてセンサーから精度を確保しなければならない部分を理解することが、重要な区別となります。
これまでのところ、最も顕著な成果が見られるのは、分類と抽出の分野であり、これらはかつて作業日数で測定されていたワークフローの一部です。 点群の分類はその典型的な例です。地面と植生、建物、電柱、電線を区別する作業は、かつては測量士が区画ごとに手作業または半自動で行っていたものでした。大量の分類済みデータを用いて学習されたモデルにより、現在ではその作業の大部分が自動的に処理されるようになり、オペレーターはゼロから作業を始めるのではなく、結果の確認と修正に専念できるようになりました。
特徴抽出も同様のパターンに従います。道路標示、縁石、標識、マンホール、建物のファサードラインなどは、画像や点群から識別され、一つひとつを手作業でデジタル化する必要なくベクトルデータに変換できます。同じ種類の特徴が何キロメートルにもわたって繰り返される回廊マッピングにおいて、これこそがかつてオフィス作業の大部分を占めていた部分でした。
品質管理は3つ目の領域であり、そのプロセスが逆方向に進むという点で、測量士にとって最も興味深い領域だと言えるでしょう。出力をより迅速に生成するのではなく、データを精査し、不備と思われる箇所を指摘します。例えば、カバレッジが薄いスキャン領域、測位精度が低下した軌跡区間、近隣点との誤差が作業許容範囲を超えている点などが挙げられます。 作業班がまだ現場にいる間にこうした問題を発見することは、1週間後に発見するよりもはるかに価値があります。
体積計算もまた実用的な応用例であり、特に測量や土工の分野で重要です。AIを活用した処理により、点群データからストックパイルの表面を識別・モデリングすることができ、手作業による介入を大幅に減らして体積を算出することが可能になります。
こうした変化は、いずれも突如として起こったものではありません。これは、測量データの収集方法の変化に起因するものです。「リアリティキャプチャ」――つまり、特定の点群ではなくシーン全体を記録する手法――は、もはや専門的なサービスではなく、日常的な作業となっています。 トンネル内を歩きながらスキャンするハンドヘルドスキャナー、走行速度で道路を記録する車載ユニット、廊下を飛行するドローン――これらすべてが、選定された測定値ではなく、シーン全体を記録しているのです。
この変化こそが、事務所をボトルネックにした要因です。測量対象が意図的に選ばれた数百点のみに過ぎなかった頃は、処理は単純明快でした。しかし、測定範囲内のすべてを網羅した記録となると、そのすべてが何を表しているのかを誰かが判断しなければなりません。膨大なデータ量に対する自然な対応策として自動解釈が求められ、それがマッピング技術に関する議論の焦点がセンサーからソフトウェアへと移った理由です。
CHC Navigationは、データ面からこの方向に向けて取り組みを進めてきました。GNSS、IMU、ビジョン、LiDARを横断する統合されたハードウェアおよびソフトウェアのワークフローは、位置情報、画像、点群がすでに位置合わせされ、タイムスタンプが付けられた状態で出力されるように設計されています。これは、あらゆる自動解釈が依存する前提条件です。 これらの要素がCHC Navigationにおいてどのように組み合わされているか、また地理空間技術の次の段階については、こちらをご覧ください。
AIの進歩を、その基礎となる測定の重要性が低下している兆候と解釈するのは簡単だ。 しかし、地理空間分野においては、その逆の方が真実に近い。分類モデルは、ある点群が縁石であることを教えてくれるかもしれない。しかし、その縁石がどこにあるかは教えてくれない。位置情報は、GNSSや慣性計測、そしてそれらを融合して軌跡を算出する方法から得られるものであり、そこに生じた誤差は、その後モデルが生成するあらゆる結果に波及していく。
だからこそ、精度に関する疑問は依然として残っているのです。都市部のキャニオンにおけるマルチパス、橋の下での短時間のGNSS信号中断、30秒間途切れる補正サービス――これらはいずれも軌跡にわずかな歪みをもたらし、歪んだ軌跡は、明らかに破損した点群ではなく、自信満々に誤ってラベル付けされた点群を生み出してしまうのです。 自動解釈により、出力結果が依然として整然としているため、位置特定の問題が見えにくくなることがあります。信頼性の高いGNSS、堅実な慣性融合、そして誠実な品質報告は、自動化されたワークフローにおいて、重要性が低下するどころか、むしろさらに重要になるのです。
測量士にとって、実務上の影響は業務の重点がどこにあるかという点の変化です。現場での作業は、ますます「網羅性」と「信頼性」が重視されるようになってきています。つまり、現場の状況を完全に把握し、その場にいるうちにデータが妥当かどうかを判断することです。一方、事務所での作業は、成果物の作成から、そのレビューや修正へと移行しています。 価値が高まっているスキルは、データ品質に関する判断力です。なぜなら、自動化された結果が正しいかどうかを最終的に判断しなければならないのは、依然として人間だからです。
また、機器に求められる要件も変化します。解釈が自動化されるのであれば、システムに投入されるデータは適切に整備されていなければなりません。つまり、一貫した点密度、センサー間の信頼性の高い時刻同期、精度記録が文書化された軌跡、そして変換による損失なく標準的なソフトウェアに取り込めるフォーマットなどが求められます。 美しい点群を生成するものの、その位置決め方法に関する信頼できる記録がないシステムは、自動化を容易にするどころか、かえって自動化を困難にします。
注目すべき点が2つあります。1つ目は透明性です。信頼度指標が付随し、モデルがどの領域について確信を持てなかったかを明確に把握できる自動分類は、単に答えを返すだけのものよりも、専門的な業務においてはるかに有用です。測量には法的責任が伴うため、検証できない結果については承認することが困難です。
2つ目は、処理が行われる場所です。現場での処理に適したタスクもあり、作業員は現場を離れる前に、調査範囲や品質を即座に確認できます。一方で、十分な処理能力が利用できるオフィスやクラウドでの処理に適したタスクもあります。持続可能なワークフローは、すべてを一か所に集中させるのではなく、意図的にこれら2つを分ける傾向があります。
地理空間AIは、測量技術を置き換えるものではありません。それは、もともと価値のある部分ではなかった反復的な解釈作業というカテゴリーを取り除き、そうすることで、依然として困難な2つの要素――完全なシーンの捕捉と、その精度の把握――の価値を高めているのです。 長年にわたりより優れたセンサーの開発に取り組んできた業界にとって、これは次の段階を始めるのにふさわしい出発点である。
CHC Navigationが、測量、建設、農業、自律走行の各分野において、測位、リアリティキャプチャ、マッピングのワークフローにどのように取り組んでいるかについては、当社の地理空間技術ページをご覧ください。
CHC Navigation（CHCNAV）は、生産性と効率の向上を目的とした、高度なマッピング、ナビゲーション、測位ソリューションを開発しています。 地理空間、農業、機械制御、自律走行などの業界にサービスを提供するCHCNAVは、専門家を支援し、業界の発展を牽引する革新的な技術を提供しています。140カ国以上に拠点を展開し、2,200名以上の専門家からなるチームを擁するCHC Navigationは、地理空間業界をはじめとする幅広い分野において、リーダーとして認められています。 CHC Navigation [300627.SZ] に関する詳細については、https://www.chcnav.com/about/overviewをご覧ください。
当社のソリューションやディーラー加盟の機会についてご質問はございますか？
.png)
