車路協調向けAIエッジデバイスの導入の中核は、演算をクラウドから交差点や路側へ降ろし、知覚と意思決定を数十ミリ秒以内にローカルで閉ループ化することにある。典型的な導入形態は、NPUまたは推論GPUを搭載した路側エッジ演算ユニットで、カメラ、ミリ波レーダー、LiDAR、イベントカメラに接続し、交差点のキャビネットや支柱上の筐体内でマルチセンサー融合、物体追跡、信号タイミング最適化を完了し、構造化結果を光ファイバーまたは5Gで中央プラットフォームへ返す。導入が価値を持つかどうかは、その交差点に低遅延の閉ループ需要があるか、電力と熱の条件が十分か、知覚データをローカルで洗浄・圧縮できるかで決まる。
1. 車路協調エッジデバイスが解決する課題
都市の交差点や高速道路のランプでの交通知覚では、従来はすべての動画ストリームを中央の機器室へ引き戻して解析していた。1080pの1ストリームは約4~8Mbpsで、1つの交差点に8台のカメラがあれば数十Mbpsの帯域となり、数十か所でバックホール回線が飽和し、エンドツーエンドの遅延は数百ミリ秒に達することが多く、衝突警報やグリーンウェーブの協調には遅すぎる。
エッジデバイスはこの矛盾を解消するために存在する。データが生まれる場所で推論するのである。路側機(RSU)が通信を担い、エッジ演算ユニット(MEC)が演算を担う。MECは軽量モデルを実行し、複数の動画ストリームとレーダーの点群を入力とし、車両の位置、速度、進行方向、待ち行列長といった構造化データを出力する。データ量は元のおおよそ100分の1になる。バックホールの負荷が下がり、遅延は50ミリ秒未満に抑えられ、信号制御機はエッジの出力をそのまま適応型のタイミング制御に使える。
ハードウェアの観点では、こうした装置は通常、広温度域での動作(マイナス40度から75度)、ファンレスまたは産業用ファンによる冷却、PoEまたは48V直流電源への対応、少なくともIP65の保護等級を必要とする。交差点のキャビネット内部温度は夏に60度を超えることがあり、民生用のボードでは耐えられない。
2. 主要なエッジ推論ハードウェア路線の比較
現在の路側エッジデバイスの中核となる演算源は、おおまかに3つの路線に分かれ、主に演算密度、消費電力、ソフトウェアスタックの成熟度が異なる。
1つは組み込みNPU路線で、Qualcomm、MediaTek、Intel Core Ultraなどのプラットフォームに統合されたNPUに代表され、演算性能は数十TOPS級、消費電力は10~数十ワットで、単一交差点で最大8ストリームの動画構造化に適する。利点は低消費電力、ファンレス設計のしやすさ、コストの抑制であり、限界は演算の上限でマルチセンサー融合や大規模モデル推論には力不足となる点である。
2つ目はエッジ推論GPU路線である。NVIDIAのBlackwell Ultra(B300)と後継のRubinアーキテクチャは推論性能とHBM4の広帯域メモリを重視し、AMDのMI350シリーズはCDNA 4アーキテクチャと288GBのHBM3Eを採用する。こうしたハードウェアは数百から1000TOPS超の性能を持ち、BEV知覚やマルチモーダル融合モデルを動かせる。課題は電力と冷却の要求が高く、カード1枚で数百ワットを消費するため、交差点のキャビネットには専用の熱設計が必要になることである。主要交差点や区レベルのエッジノードに適する。
3つ目は専用AIアクセラレータ路線で、Intel Gaudi 3のような製品がコスト効率の高い推論に注力し、推論ボックスとしてエッジに現れることが増えている。エコシステム面ではフレームワークの互換性に注意すべきで、ONNXやOpenVINOの対応度がモデル移行の工数を直接左右する。
選定ではピーク演算だけを見てはならない。実際の導入ではメモリ帯域が演算以上に重要になることが多い。多ストリームの動画デコードと特徴融合はメモリ集約型のワークロードであり、HBM3EとLPDDR5の差は同時ストリーム数で明確になる。コーデック能力も見るべきで、ハードウェアデコードのチャネルが不足するとCPUが動画デコードで圧迫される。
3. どの交通シナリオがエッジ導入に本当に適するか
すべての交差点にエッジ演算が必要なわけではない。ある都市が連続する十数か所の交差点でグリーンウェーブ協調を行い、各交差点が待ち行列長と車頭間隔をリアルタイムに出力する必要があるとする。ここではエッジ導入に明確な価値がある。中央での集中処理は遅延と帯域の両面で不経済だからである。
適するシナリオにはほかにも、事故多発交差点での合流衝突警報(レーダーと動画をローカルで融合し、衝突リスクを100ミリ秒未満で判断する必要がある)、トンネルやランプでの異常停車検出(トンネル内はGPS信号が弱くローカル知覚が必須)、バス優先の信号制御(交差点に接近するバスが迅速に信号変更をトリガーする必要がある)がある。
適さないシナリオも明確に述べるべきである。交通流調査や違反取締りのような非リアルタイム業務は、動画を中央へ返して解析すれば十分で、エッジ導入は演算の無駄になる。もう1つは、カメラが2~3台しかなくレーダーもなく、業務が単純な計数だけの交差点で、低消費電力のNPUボックスで足り、GPUソリューションはコスト効率が非常に悪い。
ある電子機器工場が構内道路で同様の試みを行ったことがある。工場内の交差点でフォークリフトと歩行者の混在交通の衝突を識別する必要があり、NPU搭載のエッジボックスを設置してカメラ4台とミリ波レーダー2台に接続し、ローカルで融合追跡を行い警報事象のみをアップロードした。こうした閉域キャンパスのシナリオは路側の電源とネットワーク条件が良く、開放道路より実装が容易である。
4. 導入実施で注意すべき要点
第1は電力と熱の予算化である。支柱上の交差点キャビネットは通常、商用電源の引き込みが1系統しかないため、エッジ装置とスイッチとRSUの合計電力を事前に計算する。500ワットを超える場合は専用の電源引き込みを検討すべきである。冷却については、密閉キャビネット内では100ワットあたり8~12度の温度上昇を見積もる。外気が夏に40度なら内部は65度を超える可能性があり、広温度域の部品か産業用空調が必須となる。
第2はセンサーの時刻同期である。マルチセンサー融合は時刻整合を前提とし、カメラの露光時刻とレーダー点群のフレームタイムスタンプをミリ秒単位で合わせる必要があり、通常はPTP高精度クロックプロトコルやGPS時刻で実現する。同期が不十分だと、融合後の目標位置ににじみが生じ、追跡IDが頻繁に飛ぶ。
第3はモデルの配備と反復の方法である。エッジデバイスのモデルは遠隔更新に対応する必要があるが、更新過程でサービスを中断してはならない。実用的な方法は二重パーティションのイメージとカナリアリリースで、新しいモデルを数か所の交差点で1週間動かし、検出の再現率を比較してから全体へ展開する。コンテナ化(Dockerとエッジ版K8s)はこの工程を簡素化するが、デバイスのメモリへの要求が増すため、少なくとも8GBのメモリを起点とすることが望ましい。
第4はネットワークのバックホール設計である。エッジデバイスが出力する構造化データは1交差点あたり毎秒数十KB程度で、通常の100Mbps光回線で容易に処理できる。ただし遠隔検証と学習データ収集のためにフレームサンプリング動画のバックホール用チャネルを確保する必要があり、上り帯域は1交差点あたり20Mbpsで計画する。
第5は防護と運用である。交差点設備では落雷や電圧変動がよくある故障源であり、電源入口にサージ保護モジュールを追加し、ネットワークポートに絶縁を施す必要がある。装置は遠隔再起動とウォッチドッグに対応していなければ、故障のたびに人を支柱へ上げることになり保守コストが膨らむ。
5. 適合性評価:いつ導入し、いつ待つべきか
導入に有利な条件はかなり明確である。その交差点にリアルタイムの閉ループ制御需要(信号最適化、衝突警報)があり、センサー数が4以上でレーダーやLiDARを含み、電力容量が少なくとも300ワットあり、光ファイバーまたは安定した5Gバックホールが利用でき、運用チームに遠隔管理能力があることである。こうしたシナリオではエッジ演算投資の回収が成り立つ。
先送りが望ましい状況も明確に述べるべきである。業務が動画のバックホールと保存だけでローカル判断の需要がない場合。交差点に弱電の電源しかなく増強できない場合。カメラが1~2台だけで融合の価値が低い場合。チームにモデル配備と運用の経験がなく、稼働後にパラメータ調整や保守を行う人がいない場合である。これらの条件では、中央プラットフォームとバックホール回線を先に整備するほうが現実的である。
なお、車路協調エッジデバイスのプロトコル標準はまだ進化の途上にあり、RSUとMECのインターフェースやエッジとクラウド間のメッセージ形式はベンダーごとに異なる。選定では主流のV2XメッセージセットやONVIF、GB28181といった共通プロトコルへの対応を優先し、単一エコシステムへの囲い込みを避けるべきである。ERP時代から数十年かけて築かれ、120万社の顧客に数千万台の端末を展開してきた産業経験が示すのは、エッジデバイスの長期的な保守性がピーク仕様よりも総保有コストに影響するということである。