2024年問題に「コードで」挑む ― SUMO + Pythonで自動運転トラック隊列走行シミュレーターを作る

はじめに

2024年問題（トラックドライバーの時間外労働規制）の本質は、構造的な人手不足 です。規制緩和では解決せず、最終的な答えの一つが AIと自動運転による完全無人・隊列走行（Platooning） と言われています。

「でも自動運転やV2Xの世界は、Pythonエンジニアの手元では触れない」――実はそんなことはありません。交通シミュレータ SUMO（Simulation of Urban MObility） とそのPython APIである TraCI を使えば、自動運転トラック隊列走行のコア要素（車間制御・V2X的な情報共有・燃費効果）を 手元のPCで丸ごと再現 できます。

本記事では、note記事のテーマを開発者目線で落とし込み、SUMO × Python で隊列走行シミュレーターを構築する具体的な手順 を解説します。

参考にした解説記事：2024年問題の「本当の解決策」はここにある——高速道路を走る完全無人トラックが物流を再定義する | AI Robotics Quantum Lab

この記事のゴールは以下のとおりです。

• SUMOで 直線の高速道路シナリオ を構築する
• TraCI経由で Pythonから隊列（Platoon）制御ロジック を実装する
• 先頭車ブレーキ時の反応を V2X通信 vs 人間反応（反応時間あり） で比較する
• 燃費（FCOオプション）・車間距離・衝突発生有無を 定量評価 する
• CARLA/Autoware連携など、本物の自動運転開発への橋渡し を示す

対象読者は、Pythonに触れたことがあり、自動運転やMaaSに興味のあるエンジニアです。

---

1. 全体像 ― 何を作るのか

以下のパイプラインを作ります。

[SUMOネットワーク(高速道路)] → [TraCIでPython制御]
     ├─ 先頭車: 定速巡航 + 計画ブレーキイベント
     └─ 後続車: V2Xで先頭情報を受信 → 車間ギャップ制御（ACC/CACC）
          ↓
    出力: 速度/車間/燃費のCSV, GUIアニメーション

• 先頭車がブレーキした瞬間、V2Xで後続車に即時伝達 する実装と、人間反応時間（0.8秒遅延） を挟む実装の2モードを比較
• 「短車間でも追突が起きない」という隊列走行の利点を、数値で示すのがゴール

---

2. 環境構築

2.1 SUMOのインストール

SUMOはオープンソースの交通シミュレータです。

• macOS: brew install --cask sumo-gui もしくは brew install sumo
• Ubuntu: sudo add-apt-repository ppa:sumo/stable && sudo apt install sumo sumo-tools sumo-doc
• Windows: 公式サイト からインストーラ

インストール後、SUMO_HOME 環境変数を設定します。

# macOS/Linux 例
export SUMO_HOME=/opt/homebrew/opt/sumo/share/sumo   # 環境に応じて変更
export PATH=$SUMO_HOME/bin:$PATH

動作確認：

sumo --version
netconvert --version

2.2 Pythonとライブラリ

mkdir platoon-sim && cd platoon-sim
python3 -m venv .venv
source .venv/bin/activate

pip install --upgrade pip
pip install traci sumolib
pip install pandas matplotlib

2.3 プロジェクト構成

platoon-sim/
├── network/
│   ├── highway.nod.xml
│   ├── highway.edg.xml
│   ├── highway.net.xml       # netconvertで生成
│   └── platoon.rou.xml
├── scenarios/
│   └── platoon.sumocfg
├── src/
│   ├── run.py                # TraCIエントリポイント
│   ├── platoon.py            # 隊列制御ロジック
│   └── analyze.py            # ログ解析
└── logs/

---

3. 高速道路ネットワークを作る

3.1 ノード・エッジ定義

まず2kmの直線道路（3車線）を作ります。

<!-- network/highway.nod.xml -->
<nodes>
  <node id="A" x="0"    y="0"/>
  <node id="B" x="2000" y="0"/>
</nodes>

<!-- network/highway.edg.xml -->
<edges>
  <edge id="AB" from="A" to="B" numLanes="3" speed="27.78"/>  <!-- 約100km/h -->
</edges>

3.2 netconvertでコンパイル

cd network
netconvert --node-files=highway.nod.xml --edge-files=highway.edg.xml \
           --output-file=highway.net.xml
cd ..

3.3 車両タイプとルート

トラック型の車両タイプを定義し、5台の隊列を投入します。

<!-- network/platoon.rou.xml -->
<routes>
  <vType id="truck" vClass="truck" length="12.0" maxSpeed="25.0"
         accel="1.2" decel="5.0" sigma="0.0" minGap="2.0" tau="0.5"/>

  <route id="r0" edges="AB"/>

  <!-- 隊列の先頭 t0 と後続 t1-t4 -->
  <vehicle id="t0" type="truck" route="r0" depart="0"   departLane="1" departSpeed="22"/>
  <vehicle id="t1" type="truck" route="r0" depart="0.5" departLane="1" departSpeed="22"/>
  <vehicle id="t2" type="truck" route="r0" depart="1.0" departLane="1" departSpeed="22"/>
  <vehicle id="t3" type="truck" route="r0" depart="1.5" departLane="1" departSpeed="22"/>
  <vehicle id="t4" type="truck" route="r0" depart="2.0" departLane="1" departSpeed="22"/>
</routes>

tau（時間ギャップ）を小さくすることで、隊列走行らしい短車間を表現します。

3.4 SUMOコンフィグ

<!-- scenarios/platoon.sumocfg -->
<configuration>
  <input>
    <net-file value="../network/highway.net.xml"/>
    <route-files value="../network/platoon.rou.xml"/>
  </input>
  <time>
    <begin value="0"/>
    <end value="180"/>
    <step-length value="0.1"/>
  </time>
  <output>
    <fcd-output value="../logs/fcd.xml"/>
  </output>
</configuration>

---

4. Pythonで隊列制御を実装する

4.1 隊列ロジックの考え方

• ACC（Adaptive Cruise Control）：自車のセンサーのみで前車との距離を測り、距離に応じて加減速
• CACC（Cooperative ACC）：V2X経由で前車（または先頭車）の加速度情報を受け取り、ACCより早く反応

本記事では、CACC相当の先読み制御 を自前で実装します。

4.2 制御ロジック

# src/platoon.py
from dataclasses import dataclass


@dataclass
class PlatoonConfig:
    target_gap: float = 6.0      # m 目標車間
    kp_gap: float = 0.6          # 車間誤差ゲイン
    kv: float = 0.8              # 速度誤差ゲイン
    ka_feedforward: float = 0.9  # 先頭加速度のフィードフォワード
    max_accel: float = 1.2
    max_decel: float = 5.0


def compute_accel(
    own_speed: float,
    leader_speed: float,
    gap: float,
    leader_accel: float,
    cfg: PlatoonConfig,
) -> float:
    """CACC相当の加速度指令を計算"""
    gap_error = gap - cfg.target_gap
    speed_error = leader_speed - own_speed

    accel = (
        cfg.kp_gap * gap_error
        + cfg.kv * speed_error
        + cfg.ka_feedforward * leader_accel
    )
    return max(-cfg.max_decel, min(cfg.max_accel, accel))

4.3 TraCIで走らせる

# src/run.py
import os
import sys
import csv
from pathlib import Path

import traci

from src.platoon import PlatoonConfig, compute_accel


PLATOON = ["t0", "t1", "t2", "t3", "t4"]
CFG = PlatoonConfig()
REACTION_TIME = 0.0  # V2Xモード: 0.0秒, 人間反応モード: 0.8秒


def run(use_v2x: bool = True, log_path: str = "logs/run.csv") -> None:
    os.makedirs("logs", exist_ok=True)
    reaction = 0.0 if use_v2x else 0.8
    sumo_cmd = [
        "sumo",  # GUIで見たければ "sumo-gui"
        "-c", "scenarios/platoon.sumocfg",
        "--no-step-log", "true",
    ]
    traci.start(sumo_cmd)

    # 先頭車のブレーキ計画（t=60sに急減速）
    leader_plan = {60.0: -4.0, 62.0: 0.0}
    # V2X遅延バッファ: {時刻: (leader_speed, leader_accel)}
    history: dict[float, tuple[float, float]] = {}

    with open(log_path, "w", newline="") as f:
        writer = csv.writer(f)
        writer.writerow(["t", "vid", "speed", "gap", "accel_cmd"])

        step = 0.0
        while traci.simulation.getMinExpectedNumber() > 0:
            step = traci.simulation.getTime()

            # 先頭車の制御
            if "t0" in traci.vehicle.getIDList():
                if step in leader_plan:
                    traci.vehicle.setAcceleration("t0", leader_plan[step], duration=2.0)
                leader_speed = traci.vehicle.getSpeed("t0")
                leader_accel = traci.vehicle.getAcceleration("t0")
                history[step] = (leader_speed, leader_accel)

            # 後続車の制御
            for i in range(1, len(PLATOON)):
                follower = PLATOON[i]
                if follower not in traci.vehicle.getIDList():
                    continue
                leader = PLATOON[i - 1]
                if leader not in traci.vehicle.getIDList():
                    continue

                own_speed = traci.vehicle.getSpeed(follower)
                lead_pos = traci.vehicle.getPosition(leader)[0]
                own_pos = traci.vehicle.getPosition(follower)[0]
                gap = lead_pos - own_pos - 12.0  # 車長分を引く

                # V2Xなら最新の先頭情報、人間モードなら0.8秒前の情報
                ref_time = round(step - reaction, 1)
                ls, la = history.get(ref_time, (own_speed, 0.0))

                cmd = compute_accel(own_speed, ls, gap, la, CFG)
                traci.vehicle.setAcceleration(follower, cmd, duration=0.1)

                writer.writerow([step, follower, own_speed, gap, cmd])

            traci.simulationStep()

    traci.close()


if __name__ == "__main__":
    mode = sys.argv[1] if len(sys.argv) > 1 else "v2x"
    run(use_v2x=(mode == "v2x"), log_path=f"logs/run_{mode}.csv")

実行例：

# V2Xあり（理想的な隊列走行）
python -m src.run v2x

# 人間反応時間ありモード（比較用）
python -m src.run human

sumo-gui に切り替えれば、GUI上でトラックが隊列を組む様子を目視できます。

---

5. 結果を可視化・評価する

5.1 可視化スクリプト

# src/analyze.py
import pandas as pd
import matplotlib.pyplot as plt


def plot(csv_v2x: str = "logs/run_v2x.csv", csv_human: str = "logs/run_human.csv"):
    v2x = pd.read_csv(csv_v2x)
    human = pd.read_csv(csv_human)

    fig, axes = plt.subplots(2, 1, figsize=(9, 6), sharex=True)

    for df, label in [(v2x, "V2X"), (human, "Human reaction 0.8s")]:
        follower = df[df["vid"] == "t1"]
        axes[0].plot(follower["t"], follower["speed"], label=f"t1 speed ({label})")
        axes[1].plot(follower["t"], follower["gap"], label=f"t1 gap ({label})")

    axes[0].set_ylabel("speed [m/s]")
    axes[1].set_ylabel("gap [m]")
    axes[1].set_xlabel("time [s]")
    for ax in axes:
        ax.legend()
        ax.grid(True)

    plt.tight_layout()
    plt.savefig("logs/comparison.png", dpi=150)
    print("Saved logs/comparison.png")


if __name__ == "__main__":
    plot()

python -m src.analyze

典型的には、V2XモードではギャップがほぼCfg.target_gap付近を維持 する一方、人間反応モードでは急ブレーキ時にギャップが急減し、場合によっては衝突（gap<0） が発生します。これが「短車間でも隊列走行が安全である理由」の定量的な裏付けになります。

5.2 燃費効果を見る（発展）

SUMOは --emission-output や --summary-output で燃料消費量を出せます。sumocfg に追加してみましょう。

<output>
  <fcd-output value="../logs/fcd.xml"/>
  <emission-output value="../logs/emissions.xml"/>
</output>

vType に emissionClass="HDV_D_EU5" を指定すると、トラックらしい排出モデルで評価できます。先頭車と後続車で minGap や tau を変えながら、後続車の燃料消費が減る傾向を観測できます。

---

6. 本物の自動運転開発につなげる

SUMOは 交通流レベル のシミュレータです。次のステップとして、センサーフュージョン・知覚AI まで扱いたければ以下が定番ルートです。

• CARLA：フォトリアルな3D都市と車両物理、Python API。カメラ/LiDARデータが手に入る
• LGSVL / AWSIM：Autoware連携が容易なシミュレータ
• Autoware：オープンソースの自動運転ソフトスタック（ROS 2ベース）
• co-simulation：SUMO（交通流） ↔ CARLA（車両1台の詳細）を結合するコ・シミュレーション例も公開されています

現実のV2Xでは、DSRC／C-V2X（LTE-V2X、5G NR V2X）をモデル化する必要があり、ns-3 や Veins（SUMO + OMNeT++）を用いた評価が研究分野では一般的です。

---

7. 運用・法制度に関する注意

• 日本ではレベル3（条件付き自動運転）が2023年に解禁、高速道路におけるレベル4の公道運用は限定的です。実車を用いる場合、国交省の認可プロセスが不可欠です。
• 隊列走行は 安全保障・プライバシー・サイバーセキュリティ の観点で、V2X通信のなりすまし対策（PKI・認証）が必須です。シミュレーションでも通信遅延・パケロスを加味するのが本筋です。
• 社会受容性を高めるため、ヒヤリハット共有・説明責任（説明可能AI） の仕組みを設計に組み込むのが望ましいです。

---

8. 拡張アイデア

• 隊列への 割り込み車 を追加し、CACCの振る舞いを観察する
• 先頭車のブレーキを確率的イベントに変え、多数回試行で 統計的な衝突確率 を評価
• ACC vs CACCの比較実験（先頭加速度のフィードフォワード有無）
• TraCI 経由で 強化学習エージェント（例: Stable-Baselines3）を差し込み、燃費最適な隊列運用ポリシーを学習

---

まとめ

• 2024年問題の技術的な解は「人を増やす」ではなく「コードで運ぶ」方向にある
• SUMOとPython（TraCI）を使えば、隊列走行のコア要素（車間制御・V2X的情報共有）を手元で再現し、数値で評価 できる
• 手元のシミュレーションで検証した制御ロジックは、CARLAやAutowareと接続することで実車寄りのR&Dに地続きで展開できる
• 「無人で運ぶ」未来を作るのは、巨大自動車メーカーだけの仕事ではない。Pythonエンジニアが交通や物流の課題を動くコードで解ける時代 が、すでに始まっている

まずは本記事のひな形を動かし、自分なりの隊列制御アルゴリズム を差し込んで遊んでみてください。物流を変えるアイデアは、多くの場合、小さなシミュレーションから生まれます。