投稿

記事を共有する:

ドローン・自動運転・配送ロボは別々に進まない：地域モビリティDXの次の論点

地域のモビリティDXは、自動運転、ドローン、配送ロボット、サービスロボットを別々に導入する段階から、地域インフラとして一体的に設計する段階へ移り始めています。

これまで、自動運転は「人の移動」、ドローンは「空撮・点検・物流」、配送ロボットは「ラストワンマイル」、サービスロボットは「施設内搬送・案内・見守り」といったように、個別の技術として語られることが多くありました。しかし、地方の現場で起きている課題は、それほどきれいに分かれていません。

高齢者の移動手段が不足している。
買物や通院の足がない。
物流ドライバーが足りない。
災害時に道路や橋梁の状況をすぐ確認できない。
山間部や離島でインフラ点検に人手が足りない。
公共交通、物流、点検、防災、生活支援が同時に弱くなっている。

こうした課題に対して、デジタル庁はモビリティワーキンググループを開催し、自動運転、ドローン、サービスロボットなど地域のモビリティを支える技術の同時かつ一体的な事業化に向けた「モビリティ・ロードマップ」の策定を進めています。

つまり、これからの論点は「自動運転を入れるか」「ドローンを飛ばすか」「配送ロボットを走らせるか」ではありません。地域の移動、物流、点検、災害対応、買物支援を、ロボティクスとデータでどう支えるかです。

モビリティ・ロードマップとは何か

モビリティ・ロードマップは、自動運転やドローン、サービスロボットなどの新たなモビリティサービスを、実証実験で終わらせず、地域で事業として成立させるための方向性を示すものです。

デジタル庁のモビリティ・ロードマップ2025 概要では、地域モビリティを巡る現状と課題として、公共交通サービスに対する潜在移動需要、都市・地方格差、実証事業の広がりに対して事業化が足踏みしていることなどが整理されています。さらに、地域住民の移動の自由を確保するための「交通商社機能」の確立、共同利用すべきデジタル基盤の整備・導入、先行的事業化地域の選定、自動運転技術の実装に向けた支援策などが重点施策として示されています。

ここで重要なのは、ロードマップが単なる技術開発計画ではないことです。

従来のモビリティ政策では、車両、ドローン、ロボットといった個別技術の性能や制度整備が中心になりがちでした。しかし、地域で本当に必要なのは、技術そのものではなく、住民が移動できること、物資が届くこと、インフラを点検できること、災害時に状況を把握できることです。

そのため、モビリティ・ロードマップでは、技術を地域課題に接続する仕組みが重視されています。

なぜ「一体化」が重要なのか

自動運転、ドローン、配送ロボット、サービスロボットを別々に考えると、導入は小さな実証で止まりやすくなります。

たとえば、自動運転バスだけを導入しても、停留所まで歩けない高齢者の問題は残ります。ドローン物流だけを導入しても、荷物を受け取る場所から自宅までのラストワンマイルが残ります。配送ロボットだけを導入しても、道路環境、住民受容、保険、遠隔監視、回収体制が整っていなければ継続運用は難しくなります。

一方で、これらを組み合わせると、地域課題に対してより実用的な設計ができます。

たとえば、山間部の集落では、自動運転車両が幹線ルートを走り、ドローンが緊急物資や医薬品を運び、配送ロボットが小規模拠点から個人宅周辺まで届ける。平時は買物支援や通院支援に使い、災害時は被災状況確認や物資配送に切り替える。このように、複数のロボティクス技術を組み合わせることで、地域の生活インフラとして機能しやすくなります。

MaaS Tech Japanも、モビリティ・ロードマップ2025の重点施策について、2025年度から2026年度にかけて「交通商社機能の確立」「各種支援策の整備」「先行的事業化地域の選定」が盛り込まれていると解説しています。

つまり、モビリティDXの本質は、個別技術の導入ではなく、地域の需要と供給をつなぐ設計です。

地域モビリティDXで起きている課題

地域モビリティDXが必要とされる背景には、地方が抱える複合的な課題があります。

1. 公共交通の維持が難しい

地方では、バスやタクシーの利用者減少、運転手不足、採算悪化により、既存の公共交通を維持することが難しくなっています。路線が減ると、高齢者や学生、免許を持たない住民の移動手段が失われます。

自動運転は、この課題に対する一つの選択肢です。ただし、自動運転車両を導入するだけでは足りません。運行ルート、予約システム、遠隔監視、車両保守、運行管理、事故対応、住民説明まで含めて設計する必要があります。

2. 物流と買物支援が弱くなる

地方では、配送ドライバー不足や店舗撤退により、買物や宅配の利便性が低下しています。特に高齢者世帯、山間部、離島、交通空白地では、買物そのものが生活課題になります。

ここでは、ドローン配送、配送ロボット、移動販売車、自動運転車両を組み合わせることが有効です。幹線ルートは自動運転車両、山間部や孤立地域にはドローン、小規模拠点から自宅周辺までは配送ロボットという役割分担が考えられます。

3. インフラ点検の人手が足りない

橋梁、道路、法面、河川、送電線、上下水道、港湾などのインフラは老朽化が進んでいます。一方で、点検技術者や現場作業員は不足しています。

ドローン、ロボット、3次元点群、AI画像解析を活用すれば、人が危険な場所に入る時間を減らし、点検結果をデータとして蓄積できます。地域モビリティDXは「人の移動」だけでなく、「インフラを維持するための移動」も対象にすべきです。

4. 災害時の初動対応が遅れやすい

災害時には、道路寸断、橋梁損傷、土砂崩れ、停電、通信断、孤立集落などが同時に発生します。人が現場に行けない状況では、ドローンによる被災状況確認、自動運転車両による物資搬送、ロボットによる危険区域の確認が重要になります。

平時からモビリティDXの仕組みを整えておけば、災害時にも転用しやすくなります。逆に、平時に使っていない技術を災害時だけ使おうとしても、現場では運用できません。

「交通商社機能」が鍵になる

モビリティ・ロードマップ2025で重要なキーワードの一つが、「交通商社機能」です。

これは、地域の移動需要を可視化し、複数のモビリティサービスを組み合わせ、必要な事業者や自治体、地域団体をつなぎ、実装まで持っていく機能です。

交通商社機能が必要になる理由は、地域モビリティが複数の関係者にまたがるからです。

自治体
交通事業者
物流事業者
ドローン事業者
自動運転事業者
ロボット事業者
通信事業者
地図・データ事業者
医療・福祉事業者
小売・商業施設
建設・インフラ管理者
住民組織

これらを個別に動かすだけでは、実証実験はできても、地域全体のサービスにはなりにくいのが現実です。

交通商社機能が担うべき役割は、次のようなものです。

地域の移動需要を調査する
買物、通院、通学、観光、物流、点検、防災の需要を整理する
自動運転、ドローン、配送ロボットの役割を分ける
運行ルートや配送ルートを設計する
予約、配車、決済、運行管理を統合する
共同利用できるデータ基盤を整備する
採算性と公共性のバランスを設計する
住民説明と社会受容性を高める
事故時やトラブル時の責任分界点を整理する

このように見ると、地域モビリティDXは単なる交通施策ではなく、地域運営そのものに近いテーマです。

技術1：自動運転は“幹線移動”を支える

自動運転は、地域モビリティDXの中心技術の一つです。

地方では、バス運転手不足や路線維持の難しさが深刻化しています。自動運転車両は、鉄道駅、病院、役場、商業施設、住宅地、観光地、道の駅などを結ぶ地域内移動の手段として期待されています。

ただし、自動運転は「車両が走る」だけでは成立しません。

必要になるのは、次のような運用設計です。

走行ルートの選定
停留所や乗降ポイントの設計
予約・配車システム
遠隔監視体制
車両保守
乗客サポート
事故・トラブル対応
悪天候時の運行判断
既存バス・タクシーとの役割分担

デジタル庁のモビリティ・ロードマップ2025 概要では、自動運転技術の実装に向けて、初期導入費用の低減、合理的な分業体制の確立、路車協調技術、事故対応体制、社会的受容性の向上などが重要な支援策として示されています。

自動運転の社会実装で重要なのは、車両性能だけではありません。地域の運行サービスとして継続できる体制です。

技術2：ドローンは“空の物流・点検・災害対応”を支える

ドローンは、地域モビリティDXにおいて、物流、点検、災害対応を支える技術です。

山間部、離島、河川、港湾、送電線、法面、橋梁、森林など、人が移動しにくい場所では、ドローンがデータ取得や物資輸送の手段になります。

ドローン活用の主な領域は、次の通りです。

医薬品・日用品の配送
災害時の物資輸送
道路・橋梁・法面の被災確認
河川・砂防施設の点検
送電線・鉄塔の点検
農地・森林の監視
孤立集落の状況確認

ドローンは、地上交通が弱い場所で特に効果を発揮します。道路が狭い、遠回りが必要、災害で寸断される、橋が使えないといった地域では、空からのアクセスが地域インフラになります。

ただし、ドローン配送や点検も単体では完結しません。離着陸場所、荷物の受け渡し、飛行ルート、気象判断、運航管理、住民説明、通信環境、地上側の配送体制が必要です。

つまり、ドローンは「空を飛ぶ機体」ではなく、地域物流・点検・防災の一部として設計すべきです。

技術3：配送ロボットは“ラストワンマイル”を支える

配送ロボットやサービスロボットは、地域のラストワンマイルを支える技術です。

自動運転車両やドローンが地域拠点まで人や荷物を運んでも、最後に個人宅、施設、避難所、病院、店舗まで届ける工程が残ります。ここで配送ロボットが役割を持ちます。

配送ロボットの活用場面は、次のように考えられます。

高齢者宅への日用品配送
団地・住宅地内の買物支援
病院・福祉施設内の物品搬送
商業施設内の案内・配送
避難所内の物資搬送
工場・倉庫・建設現場内の搬送
観光地やキャンパス内の移動支援

配送ロボットは、特に短距離・低速・定型ルートの業務に向いています。ただし、公道や歩道を走る場合は、安全、住民受容、保険、遠隔監視、立ち往生時の回収手順、責任分界点が重要になります。

地域モビリティDXでは、配送ロボットを「かわいい実証機」ではなく、生活支援と物流の一部として扱う必要があります。

技術4：サービスロボットは“人手不足の現場業務”を支える

サービスロボットは、移動や物流だけでなく、施設運営や生活支援にも関わります。

たとえば、病院、介護施設、商業施設、駅、空港、ホテル、公共施設では、案内、搬送、清掃、見守り、受付、巡回などの業務があります。人手不足が進む地域では、こうした業務も維持が難しくなります。

サービスロボットを地域モビリティDXの一部として考えると、次のような使い方が見えてきます。

病院内の検体・薬剤搬送
介護施設での見守り・巡回
道の駅や観光施設での案内
商業施設内の買物支援
災害時の避難所内搬送
公共施設での警備・清掃
建設現場や倉庫内の資材搬送

これらは一見、交通とは別のテーマに見えます。しかし、地域で不足しているのは「人の移動手段」だけではなく、「人手そのもの」です。

サービスロボットは、地域の暮らしを支える労働力補完の技術として、モビリティDXと一体で考える価値があります。

データ基盤：一体化の中心は“地図・運行・需要データ”

自動運転、ドローン、配送ロボット、サービスロボットを一体化するには、共通のデータ基盤が必要です。

個別の事業者が、それぞれ別々の地図、予約システム、運行管理、点検データ、利用者データを持っているだけでは、地域全体の最適化はできません。

地域モビリティDXでは、複数の事業者が個別にシステムを持つだけではなく、共同利用できるデジタル基盤を整備し、人流、道路、3Dマップ、車両、走行、遠隔監視、AIモデルなどを連携させることが重要になります。

必要になるデータは、次のようなものです。

人流データ
交通需要データ
予約・配車データ
運行ルート
道路・歩道・空域データ
3Dマップ
車両・機体・ロボットの稼働状況
点検・補修データ
災害リスクデータ
利用者属性
施設・拠点情報
気象・通信環境データ

地域モビリティDXでは、データ基盤がなければ、複数技術を一体運用できません。

KPIで見る地域モビリティDX

地域モビリティDXを評価するには、「何台導入したか」「何回実証したか」だけでは不十分です。重要なのは、地域課題がどれだけ改善したかです。

移動支援KPI

高齢者の移動回数
通院・買物へのアクセス改善率
交通空白地域のカバー率
予約から乗車までの待ち時間
自動運転車両の稼働率
既存交通との乗継改善

物流・買物支援KPI

配送困難地域への配送件数
ラストワンマイル配送時間
ドローン・配送ロボットの配送成功率
買物支援利用者数
再配達削減率
災害時の物資配送時間

点検・維持管理KPI

ドローン点検による現地作業時間削減
危険区域への立ち入り削減
点検データの3D化率
異常検知から補修判断までの時間
インフラ点検コスト削減率

災害対応KPI

被災状況把握までの時間
孤立集落への連絡・物資配送時間
ドローンによる確認範囲
自動運転車両・ロボットの災害転用可否
避難所内搬送・物資管理の効率化

事業性KPI

運行1回あたりコスト
共同利用による初期投資削減
遠隔監視者1人あたり管理台数
複数用途での稼働率
地域事業者との連携数
住民満足度・継続利用率

モビリティDXは、導入台数ではなく、地域の生活維持にどれだけ貢献したかで評価すべきです。

建設・測量会社にも関係する理由

このテーマは、交通事業者や自治体だけの話ではありません。建設会社、測量会社、ドローン事業者、点群データ事業者にも深く関係します。

自動運転や配送ロボットの社会実装には、道路、歩道、交差点、停留所、建物出入口、段差、勾配、障害物、通信環境などの空間情報が必要です。ドローン物流には、離着陸場所、飛行ルート、障害物、地形、気象、施設位置のデータが必要です。インフラ点検には、点群、3Dモデル、画像、劣化情報、維持管理台帳が必要です。

つまり、地域モビリティDXを支える基盤には、3次元測量、点群データ、BIM/CIM、GIS、デジタルツインが欠かせません。

建設・測量会社が提供できる価値は、次の通りです。

自動運転ルートの3D計測
道路・歩道・段差・勾配の点群化
ドローン離着陸候補地の調査
橋梁・法面・河川の点検データ取得
災害時の被災状況3D記録
BIM/CIMやGISとの連携
維持管理台帳のデジタル化
地域デジタルツインの構築

これからの建設DXは、工事現場だけで完結しません。地域交通、物流、防災、インフラ維持管理を支えるデータ基盤づくりにも広がっていきます。

地域モビリティDXで最初に作るべき「ロボティクス基盤台帳」

自治体や事業者が地域モビリティDXを進める際、最初に作るべきものは機体リストや車両リストではありません。まず必要なのは、地域課題、利用シーン、技術、データ、責任体制を整理する「ロボティクス基盤台帳」です。

ロボティクス基盤台帳に入れる項目

対象地域
市街地、山間部、離島、観光地、工業団地、農村、港湾、災害リスク地域など。
地域課題
交通空白、買物困難、通院困難、物流不足、点検人材不足、災害時孤立など。
対象サービス
自動運転バス、オンデマンド交通、ドローン配送、配送ロボット、施設内ロボット、ドローン点検など。
利用者
高齢者、学生、観光客、物流事業者、自治体職員、インフラ管理者、医療・福祉関係者など。
使用データ
人流、道路、歩道、空域、3Dマップ、点群、施設、災害リスク、運行履歴、利用履歴など。
運用体制
自治体、交通事業者、物流事業者、ロボット事業者、通信事業者、保守会社、地域団体など。
安全・責任
遠隔監視、事故対応、保険、住民説明、データ管理、個人情報、緊急停止手順など。
KPI
移動回数、配送件数、点検時間削減、災害対応時間、住民満足度、収支、稼働率など。

この台帳を作ることで、モビリティDXを「単発の実証」ではなく、地域インフラとして設計できます。

用途別に見る実装パターン

買物支援モデル

自動運転車両が地域拠点や移動販売拠点まで商品を運び、配送ロボットが住宅地内や団地内でラストワンマイル配送を行うモデルです。高齢者世帯や免許返納者が多い地域で有効です。

主なKPIは、買物支援利用者数、配送件数、配送時間、住民満足度、店舗・物流事業者の負担軽減です。

通院・福祉移動モデル

自動運転車両やオンデマンド交通を使い、住宅地、診療所、病院、薬局、福祉施設を結ぶモデルです。ドローンによる医薬品配送や、施設内ロボットによる搬送と組み合わせることもできます。

主なKPIは、通院アクセス改善、予約待ち時間、介護送迎負担の削減、医薬品配送時間です。

インフラ点検モデル

ドローンで橋梁、法面、河川、送電線を点検し、点群や画像を維持管理台帳に蓄積するモデルです。必要に応じて、地上ロボットやSLAMを使って狭所・屋内も記録します。

主なKPIは、点検時間削減、危険作業削減、異常検知数、補修計画作成時間、経年比較率です。

災害対応モデル

平時に使っているドローン、自動運転車両、配送ロボットを、災害時に被災状況確認、物資搬送、避難所支援へ転用するモデルです。

主なKPIは、被災状況把握時間、孤立地域への物資配送時間、避難所内搬送効率、初動対応時間です。

観光・回遊モデル

自動運転シャトル、ドローンによる混雑確認、サービスロボットによる案内を組み合わせ、観光地内の回遊性を高めるモデルです。高齢者や外国人観光客の移動支援にも使えます。

主なKPIは、回遊時間、立寄り箇所数、観光消費、案内業務の省人化、混雑緩和です。

導入時に必ず確認すべきポイント

地域モビリティDXを導入する際は、次の点を確認する必要があります。

技術ありきで始めていないか
まず地域課題と利用者を整理し、その後に自動運転、ドローン、ロボットの役割を決めるべきです。
単独用途で採算を見ていないか
自動運転、ドローン、ロボットは、平時・災害時、物流・点検・生活支援など複数用途で使うほど事業性が高まります。
運行管理と遠隔監視を設計しているか
複数のモビリティを運用するには、遠隔監視、運行管理、緊急停止、トラブル対応の体制が必要です。
データ基盤を共同利用できるか
地図、点群、道路、空域、人流、運行履歴などを個別システムに閉じ込めず、地域で活用できる形にする必要があります。
住民説明と社会受容性を軽視していないか
ロボットや自動運転は、住民が不安を感じれば継続できません。運行エリア、速度、安全対策、問い合わせ窓口を明確にする必要があります。
事故・トラブル時の責任分界点を決めているか
車両、機体、ロボット、通信、運行管理、保守、自治体、事業者の責任範囲を事前に整理します。
建設・測量データを活用しているか
自動運転やロボット運行には、道路、歩道、段差、勾配、障害物、施設位置などの3Dデータが重要です。