移動充電：スマートロボットがEV駐車場の電力問題を解決
古びた都心の駐車場を想像してみてほしい。低い天井、狭い通路、色あせた壁、充電ポートはどこにも見当たらない。そんな場所で電気自動車（EV）のバッテリー残量が危険水域に達していることに気づく。助けを求める人影もない。コンクリートと静寂、そして立ち往生するかもしれないという不安だけが広がる。かつてEV初期ユーザーの間で笑い話になったこの光景は、今や過去のものになりつつある。なぜなら、新しい種類のサービスロボットが静かに登場し、整備士や技術者を置き換えるのではなく、はるかに根本的な任務——車の方へ移動するのではなく、電力を車のある場所へ届ける——を遂べているからだ。
これらは派手なヒューマノイドロボットやSF的な配送ドローンではない。コンパクトで箱型、タイヤ式の機械で、大きなスーツケースほどのサイズ。バッテリーパック、ナビゲーションセンサー、シンプルな伸縮アームを備えている。その使命は、充電を必要とするEVを見つけ、駐車車両や狭い通路を縫って移動し、車両の充電ポートに正確に接続し、ドライバーを自宅へ、あるいは少なくとも最寄りの急速充電器までたどり着けるだけの電力を供給すること。電子の時代のために再構想された移動式給油ポンプと考えればいい。テスラやフォルクスワーゲンなどの自動車メーカーがコンセプト動画でこのアイデアを披露してきたが、真の工学的ブレークスルーはハードウェアそのものではなく、それを導く「頭脳」、特に混沌とした環境の中でどう考え抜くかという点にある。
駐車場、特に古いものは、自律システムにとって悪夢のような環境だ。雑然としており、動的で、容赦がない。車は奇妙な角度で進入してくる。買い物カートが通路を塞ぐ。仮設のコーンが警告なしに現れる。ロボットはGPSや月次更新の高精細地図に頼ることはできない。環境は刻一刻と変化する。真の課題は単にA地点からB地点へ「到達する」ことではなく、突然の障害物を回避「しながら」継続的に計画を再構築し、しかもすべてを人的監督なしで、ユーザーが5分の充電に10分待たされることなく、十分な速さで行うことなのである。
ここで、中国の石油・エネルギー研究セクターからもたらされた最近の進展が、ロボット工学の設計ではなく計算戦略において、驚くべきひねりを加えている。中国石油大学（北京）の劉書海教授率いるチームは、もともと灰色オオカミの狩猟行動に基づいてモデル化された自然界にヒントを得た最適化アルゴリズムを改良し、まさにこのナビゲーションの難題に取り組んでいる。彼らの研究は『Modern Manufacturing Engineering』に掲載され、単にアルゴリズムを調整するだけでなく、そのようなアルゴリズムが成功をどう「評価」し、時間の経過とともに挙動をどう「調整」し、探索プロセスにおいて複数の「リーダー」からの指示をどう「組み合わせる」かを再考している。
少し立ち戻ろう。Grey Wolf Optimizer（GWO）は2014年、粒子群最適化や蟻コロニー最適化といったより確立された生物発想型手法に代わる新たな選択肢として導入された。これはオオカミの群れの社会的階層を模倣している：アルファ（α）が最終決定を下し、ベータ（β）が助言し執行し、デルタ（δ）が偵察し実行し、残り——オメガ——は従う。アルゴリズム的には、α、β、δはこれまでに見つかった最良の候補解3つを表す。残りの「群れ」——何百、何千ものシミュレートされたオオカミ——は反復的に更新され、これらのトップパフォーマーに向けて少しずつ動かされ、最適な経路に徐々に収束していく。
理論上は優雅で、調整パラメータが少なく、初期の進展が速い。しかし実践では、特に駐車場のような密集し障害物の多いグリッド内での重大な経路探索において、つまずく。従来のGWOは有望な経路に早くも固定されがちで——エンジニアが「早期収束」と呼ぶもの——ある。局所最適解に行き詰まる：確かに悪くない経路だが、「最短」でも「最安全」でもない。さらに悪いことに、オオカミが移動を平均化する背後にある数学は、特定の幾何学的条件下では、駐車した車の「内側」へと導かれる新しい「最良」の一歩を生み出す可能性さえある——現実世界での展開には絶対にあり得ないことだ。
北京のチームのブレークスルーは、これらの欠点を brute-force 的な計算能力ではなく、「適応度評価」、「収束のペーシング」、「位置更新」という3つの核心コンポーネントへの外科的な調整によって解決した。
第一に、適応度関数——与えられた経路に対するアルゴリズムの「採点表」。従来、経路は固定された区分（例えば20のウェイポイント）に分割され、総距離はそれら間の直線距離の単純な合計だった。しかし、これは人為的な迂回を助長する：ウェイポイントが多ければ多いほどジグザグが増え、総距離を水増ししてしまう。さらに悪いことに、ユークリッド幾何学の基本的な真実を無視している：何かが遮らない限り、2つの明確な点間の最短距離は直線である、ということを。研究者らは動的補間ステップを導入した：実行可能な大まかな経路が見つかると、アルゴリズムは冗長なウェイポイントを削除し、必要に応じて——障害物を避けたり安全な間隔を維持したりするためにのみ——新しいウェイポイントを「再挿入」し、滑らかさを保ちながら実際の移動距離を最小化する。彼らのシミュレーションでは、この変更だけで平均経路から1メートル以上短縮された——バッテリー残量が厳しい状況では小さくない成果である。
第二に、収束制御。従来のGWOは、群れがリーダーにどれだけ積極的に接近するかを支配する主要パラメータαに対して線形減衰を使用する。初期段階ではαが高く、大胆で探索的な動きを促す。後半になると低下し、細かな調整を優先する。しかし、線形減衰は雑然とした環境には硬直的すぎる。しばしば「速すぎる」ペースで減衰し、ロボットが2台のSUVの間の狭いスペースを再確認する必要があるまさにその時に探索を打ち切ってしまう。チームは6つの代替減衰曲線——対数的、三角函数的、指数的——をテストし、探索的圧力を長く維持した後、最終反復で急激に低下する1つに落ち着いた。その結果？実行可能な解を見つけるのに必要な平均反復回数が34%減少し、計画時間を60サイクル以上から40サイクル未満に短縮した——秒単位がユーザー満足度に直結する場合に極めて重要である。
第三に、おそらく最も巧妙な、位置更新規則。標準的なGWOでは、すべての「オメガ」のオオカミは、アルファ、ベータ、デルタが示す方向の平均を取ることで次の一歩を更新する。同じ障害物の周りを——左、右、後ろから——指さす3人の偵察員を想像してみてほしい。彼らの平均ベクトルは障害物の「中」を指すかもしれない。これは単に最適ではないだけでなく、物理的に不可能である。チームは単純な平均化を「適応度加重」ブレンディングに置き換えた：リーダーの現在の経路が良ければ良いほど（つまり、短く安全であればあるほど）、その指示の重みが大きくなる。アルファは依然として支配的だが、ベータがより良い迂回路を見つけていれば、その影響力は増す。これにより、集団的知能は適応的——突然の環境変化に応答する——でありながら、安定性を犠牲にしない。この調整により一部の実行では反復回数がわずかに増加したが、一貫して「より短く、衝突の少ない」経路を生成した——安全性を重視するエンジニアなら誰でも是認するトレードオフである。
証明は、いつものように、運転——というより、走行——にある。典型的な複数区画の駐車場（49台分、中央通路、ロボット基地は北西隅）を表す標準化された20×30のグリッド上でMATLABシミュレーションを使用し、強化版GWOは従来版および他の2つの主要な変種の両方を凌駕した。ベースラインと比較して、平均反復回数を39.4%、経路長を4.7%削減した。決定的に、占有率（30%（使用率低）から90%（満車）まで）でストレステストを行った場合、アルゴリズムが経路を見つけられなかったことは一度もなかった。ほぼ満車の状態でも、収束は15反復未満で起こった。この堅牢性こそ、実世界でのパイロット運用の準備が整ったソリューションの特徴である。
この話を特に興味深くしているのは、その文脈である。これはシリコンバレーのAI研究所やデトロイトのOEMの秘密プロジェクトから出てきたものではない。石油大学から生まれた——エネルギー転換は単なる燃料源の交換ではなく、インフラ「エコシステム」の再考であることを思い起こさせる。充電は高速道路沿いにもっとLevel 3ステーションを設置することだけではない。アパートに住み、家を借り、旧来の都市構造の駐車場を利用する何百万人もの人々にとって、最初の——そして多くの場合唯一の——実用的な一歩は「アクセス」そのものだ。モバイル充電器がそのギャップを埋める。
いくつかのスタートアップや自動車メーカーはすでに初期バージョンを展開している。上海では、パイロットプログラムが、固定充電器の改修に1台あたり6桁のコストがかかる地下駐車場のEV向けに、車輪型ボットを使用している。ドイツでは、物流ハブが20時間シフトで稼働する配送バン向けの充電ロボットのフリートをテストしている——充電のためのダウンタイムはなく、ルート間の自律的なピットストップだけだ。ハードウェアは急速に進歩している：固体電池がロボットの航続距離を延ばし、LiDARと視覚の融合が障害物分類を改善し、モジュラー設計により充電デポでの迅速なバッテリー交換が可能になる。
しかし、ナビゲーションが失敗すれば、これらすべては意味をなさない。躊躇し、後退し、最悪の場合、フェンダーに接触するようなロボットは、数日で使用禁止になるだろう。だからこそ、アルゴリズムの信頼性は静かな要なのである。北京チームの仕事は、より広範な趨勢を例示している：「最大」のパフォーマンスから「十分に堅牢な」パフォーマンスへの転換。自律システムにおいては、優雅さと効率性は、フォールトトレランスと予測可能性とバランスが取れていなければならない。5%短い経路は素晴らしい——しかし、99.99%の衝突-free記録は絶対条件である。
将来を見据えると、統合の可能性はわくわくするものだ。「今すぐ充電」をタップすると、90秒以内にボットが派遣され——あなたの車を見つけるだけでなく、他のボットと「連携」して混雑を避け、明確な通路を「確保」し、現在のバッテリー消費量と電力網負荷に基づいて推定充電時間をリアルタイムで「更新」する——そんな未来の駐車場アプリを想像してみてほしい。このレベルのオーケストレーションには、センサーとモーター以上のもの、つまり、インテリジェントでスケーラブルな意思決定エンジンが必要である——まさに改良版GWOのような洗練されたメタヒューリスティックが提供を目指すものだ。
批評家が指摘するハードルはもっともである：サイバーセキュリティ（侵害されたボットがフリートを無力化する可能性）、メンテナンス物流（埃っぽい冬の後、誰がセンサーを掃除するのか？）、そして費用償却（ハードウェアが陳腐化する前に投資を回収できるか？）。しかし、これらは工学的およびビジネス上の課題——根本的な障害ではない。核心的な能力——半構造化された混沌の中での自律的、信頼性が高く、適応的なナビゲーション——は今、明らかに手の届くところにある。
結局のところ、この研究の意義は単に技術的なものではない。文化的なものなのである。何十年もの間、自動車の体験は「ドライバー」の主体性を中心としてきた：あなたがルートを選び、給油所を見つけ、プラグを差し込む。モバイル充電ロボットはそれを逆転させる。それらはサービスの層、つまり「予測」の層を導入する——応答性が高く、気配りの行き届いたインフラのノードとしての車両への、微妙だが深遠な転換を。ロボットはあなたが依頼するのを待たない。必要性を認識し、計画し、移動し、支援する。
おそらく、それが真のブレークスルー——駐車車両の間を通るよりスマートな経路だけでなく、人、機械、そして私たちが共有する空間とのよりスマートな関係——なのである。灰色オオカミは、どうやら狩りをするだけではない。奉仕もするのだ。
劉尚俊楠、劉書海、肖華平 中国石油大学（北京） 機械・交通輸送工学部 Modern Manufacturing Engineering, DOI: 10.16731/j.cnki.1671-3133.2024.04.007