自動運転と空飛ぶクルマの現在地。制度が動き始めた領域で、エンジニアに何が求められるか

自動運転も空飛ぶクルマも、長く「いつか実現する」と語られてきました。しかしこの1〜2年で状況が変わり、制度の承認や実証プロジェクトが具体的に動き出しています。この記事では、両分野の現在地を確認したうえで、この領域の開発が他のソフトウェア開発と何が違うのか、どんなスキルが求められるのかを整理します。

自動運転はどこまで来たか

自動運転は、フィジカルAIと呼ばれる領域のなかで最も社会実装が進んでいる分野です。理由は環境にあります。道路には車線があり、標識があり、進行方向が決まっています。工場や家庭に比べて、構造化されているぶん予測しやすいのです。

実績の面でも差は明確です。完全自動走行の累積距離は膨大な規模に達しており、ヒューマノイドロボットの実稼働時間とは桁が違います。同じ「AIが物理世界で動く」話でも、成熟度はまったく別だと理解しておく必要があります。

とはいえ、どこでも走れるわけではありません。運行できる区域や条件が定められており、その範囲内で慎重に拡大が進んでいます。技術ができることと、社会が許容することのあいだに距離があるのがこの領域の特徴です。

空飛ぶクルマは制度の段階へ

空飛ぶクルマ（eVTOL、電動垂直離着陸機）は、より初期の段階にあります。ただし、この1年で節目となる動きがありました。

ひとつは大阪・関西万博2025でのデモフライトです。2025年8月16日から会場で一般公開のデモ飛行が実施され、実機が飛ぶ様子が広く示されました。

もうひとつが制度面です。2026年4月20日、国土交通省による型式設計承認が行われました。これは機体の設計が航空機の安全基準を満たすことを公的に認めるもので、欧州航空安全庁の設計組織承認や米国連邦航空局の組織指定認可に相当します。日本のeVTOL産業にとって転換点と評価されています。

実用化に向けた動きも続いています。東京都が主導する「空飛ぶクルマ実装プロジェクト」では複数の機体が採用され、複数のユースケースで実証が進んでいます。高速道路のサービスエリアなどを活用した離着陸場のネットワーク構築に向けた協業も発表されています。

日本で進む実装プロジェクト

両分野に共通するのは、技術開発と制度整備と社会実証が並行して進むという進み方です。

ドローンの例が参考になります。2022年12月の改正航空法施行により、日本は世界に先駆けてレベル4（有人地帯での目視外飛行）を解禁しました。規制面では大きな前進でしたが、実際の運用は慎重に進んでいます。

「制度が整えば一気に普及する」とはなりません。安全の確認、運用体制の整備、周辺住民の理解、事故が起きたときの責任の所在。技術以外の要素が実装の速度を決めるのが、この領域の現実です。

裏を返せば、制度や運用まで含めて設計できる人材が必要とされるということでもあります。

この領域の開発は何が違うのか

Webサービスやエンタープライズシステムの開発と比べたとき、決定的に違う点が4つあります。

• 失敗が人命に関わる／不具合が事故に直結します。「動くものを速く作る」という進め方は通用しません
• 安全基準への適合が前提／機能を作る前に、基準を満たす設計であることの証明が求められます
• リアルタイム性の制約／数百ミリ秒の遅延が許されない処理があります。クラウドに投げて待つ、という設計が成り立ちません
• 実機での検証が必要／シミュレーションだけでは確認しきれず、実際に動かす工程が必ず入ります

とくに2つ目は、進め方そのものを変えます。後から安全性を追加することはできず、最初から基準を前提に設計する必要があります。 ドキュメントの作成量も、一般的なソフトウェア開発とは比較になりません。

求められるスキル

• C／C++、Rustなど、機器上で動くソフトウェアの実装
• リアルタイム処理と、遅延を考慮した設計
• センサーからのデータ処理（カメラ、LiDAR、レーダーなど）
• 機械学習モデルの実装と、機器上で動かすための最適化
• シミュレーション環境の構築と、そこでの検証
• 安全設計の考え方と、関連する基準への理解
• 大量のログデータを収集・分析する基盤の構築
• クラウドとの連携、モデル更新の仕組み

すべてを備えている必要はありません。後半の項目は、一般的なクラウド・データ領域の経験がそのまま活きます。 センサーから上がってくるデータの量は膨大で、その収集・蓄積・分析の仕組みは通常のデータ基盤と共通する部分が多くあります。

関わり方の選択肢

車載・機体側から入るのは、組込み開発の経験がある人にとって自然な流れです。制御、センサー処理、リアルタイム性が求められる領域で、専門性が明確に評価されます。

データ・クラウド側から入る道もあります。走行データの収集基盤、モデルの学習パイプライン、運用中の監視。データ基盤やMLOpsの経験は、この領域でそのまま通用します。

シミュレーション側から入る選択肢もあります。実機で試せる回数には限りがあるため、仮想環境での検証がますます重要になっています。3D、物理演算、大規模な並列実行といった技術が求められます。

いずれにせよ、この領域は立ち上がりの途中にあります。 案件数はまだ多くありませんが、制度が整うにつれて増えていく方向にあります。既存のスキルを活かせる入口を見つけておくと、動きが出たときに関わりやすくなります。