下水道、共同溝、地下通路、排水路、トンネルといった地下インフラは、都市の生活と産業を支える重要な基盤です。しかし、その多くは地上から見えません。道路や橋梁のように目視で状態を確認しにくく、異常が進行しても発見が遅れやすいという特徴があります。
地下インフラの点検には、人が入りにくいという大きな課題があります。狭い、暗い、滑りやすい、酸欠や有毒ガスのリスクがある、水位が変化する、通信が届きにくい、長距離移動が必要になる――こうした環境では、作業員が現地に入って確認する方法だけでは、安全面・効率面の限界があります。
さらに、日本の下水道インフラは老朽化が進んでいます。国土交通省によると、令和5年度末時点で全国の下水道管路の総延長は約50万kmであり、標準耐用年数50年を経過した管路は約4万km、10年後には約10万km、20年後には約21万kmへ急増するとされています。下水道の維持管理では、老朽化の進展を踏まえた計画的な点検・調査・修繕が重要になっています。詳しくは国土交通省の下水道の維持管理に関するページで確認できます。
こうした背景から注目されているのが、AI、ロボット、ドローン、LiDAR、センサーを組み合わせた地下インフラの自律点検です。
ドイツのIKT – Institute for Underground Infrastructureが開催した国際会議「AI, Drones, Sensors and Robots for Smart Sewers and Urban Drainage 2026」では、AI、ドローン、センサー、ロボットが下水道運用をどう変えるかがテーマになりました。IKTは、事業者に対して、技術の可能性を理解し、データを体系的に収集し、運用プロセスを早期に見直す必要があると整理しています。
地下インフラ点検は、「人が入って確認する」段階から、「ロボットがデータを取り、AIが異常候補を抽出し、人が判断する」段階へ移りつつあります。
下水道・地下インフラのAIロボット点検とは何か
下水道・地下インフラのAIロボット点検とは、人が入りにくい管路、共同溝、地下空間、排水路、トンネルなどに、ロボットやドローン、センサー機器を投入し、映像、点群、音、振動、水質、水位、温湿度などのデータを取得し、AIで異常候補を抽出する点検方法です。
従来の下水道点検では、テレビカメラ車、管内カメラ、潜行目視、作業員による確認が中心でした。これらは今後も必要ですが、対象延長が膨大になるほど、すべてを人の目で確認し、手作業で報告書を作るには限界があります。
AIロボット点検では、以下のような役割分担が可能になります。
| 技術 | 主な役割 | 点検対象 |
|---|---|---|
| 管内走行ロボット | 管路内を走行し、映像やレーザー計測データを取得 | 下水管、排水管、暗渠、ボックスカルバート |
| 飛行式ドローン | 人が入りにくい大断面管や地下空間を飛行して撮影・計測 | 大口径管、共同溝、地下通路、雨水幹線 |
| 水中・浮流式ドローン | 水がある管路や排水路で映像・センサーデータを取得 | 満管・半満管の管路、排水路、地下水路 |
| LiDAR | 管内形状や断面変化を3D点群として取得 | 変形、断面縮小、蛇行、堆積量の把握 |
| AI画像解析 | 映像からひび割れ、腐食、破損、浸入水、堆積を抽出 | 管内映像、点検動画、静止画 |
| センサー | 水質、水位、温度、pH、導電率、硫化水素などを測定 | 浸入水、腐食環境、異常流入、維持管理 |
| BIM/CIM・GIS | 点検結果を地図・3Dモデル・台帳に統合 | 維持管理、修繕計画、更新優先順位 |
重要なのは、ロボットが点検員を完全に置き換えるわけではないことです。ロボットは危険な場所に入り、データを取得し、AIは大量の映像や点群から異常候補を抽出します。最終判断、優先順位付け、修繕方針の決定は、人間の技術者が担います。
なぜ今、地下インフラ点検にAIロボットが必要なのか
地下インフラ点検にAIロボットが必要になっている理由は、老朽化、人手不足、危険作業、データ量の増大が同時に進んでいるからです。
下水道は、点検すべき延長が非常に長いインフラです。全国で約50万kmの管路があり、今後は耐用年数を超える管路が急速に増えます。限られた人員と予算で、どの管路を優先して調査し、どこを補修・更生すべきかを判断するには、点検データを効率よく集め、状態を定量的に評価する必要があります。
日本下水道新技術機構も、耐用年数を超える管路や処理場・ポンプ場が増えることを背景に、AI、ICT/IoT、ロボット等を活用した効率的な維持管理技術の調査研究を進める必要があると説明しています。
また、地下インフラ点検は危険作業になりやすい領域です。下水道管内では、酸欠、有毒ガス、流下水、滑落、閉所作業、感染症リスクなどが考えられます。ロボットやドローンで事前に状態を確認できれば、人が入る回数や滞在時間を減らし、安全性を高めることができます。
国土交通省も、下水道管路メンテナンス技術の高度化・実用化に向けた会議で、AI画像診断技術の普及推進や、下水管用飛行式ドローンの普及方策を検討しています。詳しくは国土交通省の下水道管路メンテナンス技術の高度化・実用化推進会議で確認できます。
地下インフラ点検は、単なる「点検機器の更新」ではありません。危険作業を減らし、点検データを標準化し、AIで異常候補を抽出し、修繕優先順位を決めるための維持管理DXです。
点検対象は下水管だけではない
AIロボット点検の対象は、下水道管路だけではありません。都市の地下には、多くのインフラが存在します。
| 対象 | 主な課題 | AIロボット点検で取得したい情報 |
|---|---|---|
| 下水管 | ひび割れ、腐食、浸入水、堆積、木根侵入、変形 | 管内映像、断面形状、堆積量、損傷位置 |
| 雨水幹線 | 土砂堆積、断面縮小、流下能力低下 | LiDAR点群、堆積厚、水位、異常流入 |
| 共同溝 | 設備劣化、漏水、ケーブル・配管の異常 | 映像、熱画像、点群、設備位置 |
| 地下通路 | 漏水、ひび割れ、天井・壁面劣化、設備異常 | 画像、点群、照明・換気設備状態 |
| 排水路・暗渠 | 土砂堆積、閉塞、護岸劣化、流路変化 | 映像、水位、水質、3D形状 |
| トンネル | 覆工ひび割れ、漏水、剥落、変形 | 高解像度画像、点群、打音・振動データ |
| 地下調整池 | 堆積、劣化、流入口・吐出口の閉塞 | 水位、堆積量、構造物状態 |
このような地下インフラは、地上から状態を確認しにくい一方で、異常が起きると道路陥没、浸水、交通障害、設備停止につながる可能性があります。点検ロボットやAI解析は、見えないインフラを「見える化」するための基盤になります。
ロボットが取得するデータ
AIロボット点検では、単に動画を撮るだけではありません。複数のデータを組み合わせることで、地下インフラの状態をより正確に把握できます。
| データ種類 | 取得方法 | 分かること |
|---|---|---|
| 高解像度映像 | 管内カメラ、ロボット、ドローン | ひび割れ、腐食、破損、浸入水、木根、堆積 |
| 360度画像 | 全周カメラ、パノラマカメラ | 管内全体の状態、見落とし防止、報告書作成 |
| LiDAR点群 | 走行ロボット、飛行式ドローン、SLAM | 断面変化、管路変形、堆積量、3D形状 |
| 水位・流速 | 水位計、流速計、センサー | 流下能力、異常流入、雨天時浸入水 |
| 水質データ | pH、導電率、酸化還元電位、温度 | 浸入水、腐食環境、異常排水の兆候 |
| ガス・環境データ | 硫化水素、酸素濃度、温湿度 | 作業安全、腐食リスク、換気判断 |
| 位置情報 | オドメトリ、SLAM、管路台帳連携 | 異常箇所の正確な位置特定 |
| 音・振動 | マイク、加速度センサー | 漏水、異常振動、構造異常の兆候 |
IKTの会議では、LiDAR搭載ドローンが下水ルートの高精度3D点群を作成し、断面縮小や難しい形状の検出に役立つことが紹介されています。IKTは、LiDARによる正確な3D管路測定、断面狭窄やルート偏差の検出、ライナー製作に使える信頼性の高い幾何情報を利点として整理しています。
点検データは、映像だけではなく、3D形状、センサー値、位置情報まで含めて管理することで、修繕計画や更生工法の検討に使いやすくなります。
AIが検知できる主な異常
AI画像解析や点群解析を使うと、点検動画や3Dデータから異常候補を自動抽出できます。特に、長時間の映像確認や大量の点検延長を扱う場合、AIによるスクリーニングは点検員の負担を減らします。
| 異常候補 | AIで見たい特徴 | 維持管理上の意味 |
|---|---|---|
| ひび割れ | 線状の損傷、幅、方向、連続性 | 構造劣化、浸入水、破損リスク |
| 腐食 | 表面の荒れ、変色、断面欠損 | 硫化水素腐食、耐久性低下 |
| 破損・欠損 | 管壁の穴、剥落、欠け | 土砂流入、道路陥没リスク |
| 継手ずれ | 管同士の段差、隙間、変形 | 浸入水、木根侵入、構造不安定 |
| 浸入水 | 水の流入、濡れ跡、噴出 | 雨天時浸入水、処理負荷増加 |
| 木根侵入 | 根の侵入、閉塞 | 流下能力低下、清掃・補修対象 |
| 堆積 | 土砂、油脂、異物、汚泥 | 断面縮小、閉塞、悪臭 |
| 変形 | 円形断面のゆがみ、沈下 | 構造耐力低下、更生工法検討 |
| 断面縮小 | LiDARによる断面比較 | 流下能力、清掃優先順位 |
| 異常流入 | 水位・水質・温度の変化 | 不明水、誤接続、浸入水 |
Fraunhofer IFFは、自動下水道点検に関する取り組みで、サービスロボットによる点検、センサーデータの可視化・評価、画像処理による自動ひび割れ検出、継手検出・測定などを紹介しています。
AIは、異常の最終判定をすべて自動化するものではありません。AIが異常候補を抽出し、人間の技術者が確認・判定・優先順位付けを行う「human-in-the-loop」が重要です。IKTも、AIは支援システムであり、出力への責任は人間が持つべきだと整理しています。
自律点検で変わる点検フロー
地下インフラ点検にAIロボットを導入すると、点検フローは大きく変わります。
| 従来の点検フロー | AIロボット点検のフロー |
|---|---|
| 点検対象を人が選定 | 台帳・リスク・過去データから優先区間を抽出 |
| 人が現地に入り確認 | ロボット・ドローンが映像・点群・センサーを取得 |
| 点検動画を人が長時間確認 | AIが異常候補を抽出し、技術者が確認 |
| 報告書を手作業で作成 | 異常位置、画像、ランクを自動整理 |
| 点検結果がPDFに残る | GIS、BIM/CIM、管路台帳にデータ連携 |
| 修繕計画と点検データが分断 | 劣化傾向と優先順位をデータで管理 |
この変化により、点検は「現場作業中心」から「データ活用中心」へ移ります。もちろん現地確認は必要ですが、人が入る前にロボットで広く把握し、危険箇所や優先箇所を絞り込むことで、点検全体の安全性と効率が上がります。
KPIで見るAIロボット点検の効果
AIロボット点検の導入効果は、「ロボットを使ったかどうか」ではなく、点検延長、安全性、異常検出、報告書作成、再点検削減といったKPIで評価する必要があります。
| KPI項目 | 内容 | 改善に使えるポイント |
|---|---|---|
| 点検延長 | 一日または一案件で点検できた管路延長 | 点検効率、計画進捗の把握 |
| 危険作業削減率 | 人が管内や危険空間に入る回数・時間の削減率 | 労災リスク、閉所作業リスクの低減 |
| 異常候補検出率 | AIが抽出した異常候補のうち技術者が確認した割合 | AIモデルの実用性確認 |
| 見逃し率 | 人間確認で後から見つかった異常の割合 | AI・撮影条件・点検品質の改善 |
| 誤検知率 | AIが異常と判定したが実際は異常でない割合 | 報告書確認負荷の削減 |
| 点検報告書作成時間 | 点検後に報告書を作るまでの時間 | 事務作業の効率化 |
| 再点検箇所の削減 | 映像不良や位置不明で再点検になった箇所数 | 撮影品質、位置記録、データ標準化 |
| 点群取得率 | 対象区間のうち3Dデータ化できた割合 | 断面変化、堆積量、変形管理 |
| 台帳連携率 | 点検結果を管路台帳・GISへ反映できた割合 | ストックマネジメントへの接続 |
| 修繕優先順位付け時間 | 点検後に補修・更生候補を決めるまでの時間 | 維持管理計画の高速化 |
従来の点検では、「何km調査したか」が主な指標になりがちでした。これからは、「危険作業をどれだけ減らしたか」「AIがどれだけ有効な異常候補を出したか」「報告書作成時間をどれだけ短縮したか」「修繕優先順位をどれだけ早く決められたか」が重要になります。
APEX視点：SLAM・点群・BIM/CIMと地下点検をつなぐ
APEXのように、SLAM、点群データ、BIM/CIM、ドローン、AI活用に強みを持つ企業にとって、地下インフラ点検は非常に相性の良い領域です。
地下インフラは、GNSSが届きにくく、狭く、暗く、形状が複雑です。そのため、SLAMやLiDARによる3D計測が有効です。さらに、取得した点群をBIM/CIMやGIS、管路台帳と連携させることで、地下空間の維持管理を高度化できます。
| APEXの技術領域 | 地下インフラ点検での活用 |
|---|---|
| SLAM計測 | GNSSが届かない共同溝、地下通路、トンネル、管路内の3D化 |
| LiDAR点群 | 断面変化、堆積量、変形、空間寸法の把握 |
| ドローン・ロボット連携 | 人が入りにくい大断面管や地下空間の撮影・計測 |
| AI画像解析 | ひび割れ、腐食、浸入水、堆積、破損候補の抽出 |
| BIM/CIM連携 | 地下構造物の3D台帳化、補修計画、維持管理に活用 |
| GIS連携 | 異常箇所を地図上に記録し、道路・施設台帳と接続 |
| 点検レポート自動化 | 異常画像、位置、ランク、点群断面を報告書へ整理 |
APEX向けには、地下インフラ点検を以下のようなサービスとして設計できます。
| サービス | 内容 |
|---|---|
| 地下空間3Dスキャン | 共同溝、地下通路、トンネル、排水路をSLAMで点群化 |
| 下水管AIスクリーニング | 点検映像から異常候補をAI抽出し、技術者が確認 |
| LiDAR断面比較 | 管路断面や堆積量を点群から比較・可視化 |
| BIM/CIM地下台帳化 | 点検結果を3Dモデルや台帳に紐づけて管理 |
| 維持管理KPIレポート | 点検延長、異常件数、優先順位、報告書時間を可視化 |
| 補修・更生計画支援 | 異常位置、管径、断面、劣化度をもとに対策候補を整理 |
特に、点群データを使うことで、単なる映像確認では分かりにくい断面変化や堆積量を数値化できます。これは、管路更生、清掃、補修計画の判断材料になります。
導入時に注意すべきポイント
AIだけで判定を完結させない
AI画像診断は有効ですが、点検結果の責任をAIに任せることはできません。撮影条件、汚れ、水滴、反射、暗所、管材の違いによって、誤検知や見逃しが発生します。
AIは異常候補を抽出する支援ツールとして使い、最終判定は人間の専門技術者が行う体制が必要です。
撮影品質とデータ品質を標準化する
AIの精度は、入力データの品質に左右されます。映像が暗い、ピントが合っていない、速度が速すぎる、管内位置が不明、カメラ角度が一定でないと、AI解析の信頼性が下がります。
撮影条件、照明、移動速度、解像度、位置記録、異常コードを標準化することが重要です。
ロボットが入れない場所を想定する
ロボットやドローンも万能ではありません。水位が高すぎる、堆積物が多い、管径が小さい、段差がある、通信が切れる、バッテリーが足りない場合があります。
現場では、管路条件ごとに、走行ロボット、飛行式ドローン、浮流式カメラ、水中ドローン、人による確認を使い分ける必要があります。
台帳・GIS・BIM/CIMとつなげる
点検データがPDF報告書だけで終わると、次回点検や修繕計画に使いにくくなります。異常位置、写真、動画、点群、評価ランクを、管路台帳、GIS、BIM/CIMに紐づけることが重要です。
データを蓄積して劣化傾向を見る
一回の点検だけでは、劣化の進行速度は分かりません。過去点検データと比較し、ひび割れの進行、腐食範囲の拡大、堆積量の増加、変形の進行を追跡することで、予防保全に近づきます。
IKTも、AIそのものよりもデータ品質が大きな課題であり、検証済みの損傷コード、きれいな時系列データ、構造化された台帳データが重要だと整理しています。
現場で使えるAIロボット点検チェックリスト
AIロボット点検を導入する際は、以下の項目を整理すると実務に落とし込みやすくなります。
- 対象は下水管、共同溝、地下通路、排水路、トンネルのどれか
- 管径、水位、堆積、流速、ガス環境を事前に把握しているか
- 走行ロボット、飛行式ドローン、水中ドローン、SLAMのどれが適しているか
- 映像だけでなくLiDAR点群も必要か
- ひび割れ、腐食、堆積、浸入水、変形のどれをAIで抽出したいか
- 撮影条件、照明、移動速度、解像度を標準化しているか
- 異常箇所の位置を管路台帳やGISに紐づけられるか
- AIの判定結果を人間の技術者が確認する体制があるか
- 点検報告書の自動化範囲を決めているか
- 危険作業削減率をKPIとして管理するか
- 点検延長、異常候補検出率、報告書作成時間を記録するか
- 過去点検データと比較できるデータベースを作るか
- 補修・更生計画に点検結果を反映する流れがあるか
このチェックリストの目的は、ロボットを導入すること自体ではありません。地下インフラの状態を安全に、効率よく、継続的に把握し、修繕・更新の優先順位をデータで決めることです。
まとめ
下水道や地下インフラは、都市を支える重要な基盤でありながら、地上から見えにくく、人が入りにくいインフラです。老朽化が進み、点検対象が増えるなかで、従来の人手中心の点検だけでは、安全性、効率性、データ活用の面で限界が出てきます。
AIロボット点検は、地下インフラ点検を大きく変える可能性があります。ロボットやドローンが映像、LiDAR点群、センサーデータを取得し、AIがひび割れ、腐食、堆積、浸入水、変形などの異常候補を抽出し、人間の技術者が確認・判断する。この流れにより、危険作業を減らし、点検延長を増やし、報告書作成を効率化し、修繕優先順位を決めやすくなります。
KPIとしては、点検延長、危険作業削減率、異常候補検出率、点検報告書作成時間、再点検箇所の削減、台帳連携率を管理することが重要です。
APEXが持つSLAM、点群、BIM/CIM、AI解析、ドローン活用の技術は、下水道・共同溝・地下通路・排水路・トンネルの点検DXと相性があります。見えない地下インフラを、ロボットとAIでデータ化し、3D台帳として管理することで、地下インフラ点検は「人が入る」から「ロボットが診る」時代へ進んでいくでしょう。
