【Physical AI 入門シリーズ】第5回：空間データのモデル化——ゾーン・導線・状態の定義

なぜ「モデル化」が必要なのか

LiDARやカメラで取得したデータは、そのままでは単なる「数値の集合」です。点群座標が並んでいても、それが「手荷物検査レーンの前で5分以上立ち止まっている旅客が増えている」という意味をAIが理解するには、空間の意味構造を与える必要があります。

この「意味付け」の作業が空間状態モデルの構築です。施設の物理空間をゾーン（機能エリア）・導線（移動経路）・状態パラメータ（計測指標）の3層構造で定義することで、AIはセンサーデータを文脈付きで解釈し、現場改善につながる推論を行えるようになります。

ゾーン定義は、施設の図面やフロアプランを基に、目的に応じてエリアを分割する作業です。重要なのは「ビジネス上の意味」を持つ単位でゾーンを区切ることです。

機能単位のゾーニング：「チェックインカウンター前」「保安検査待機エリア」「ゲートラウンジ」のように、業務プロセスと対応したゾーンを定義します。これにより、混雑がどの業務フェーズで発生しているかを直接把握できます。
センサーカバレッジとの整合：定義したゾーンがLiDARやカメラの検出範囲内に収まるよう、ゾーン境界とセンサー設置位置を調整します。死角ゾーンが生じる場合は追加センサーの設置または別の計測手法で補完します。
粒度の設計：ゾーンが細かすぎると管理が煩雑になり、粗すぎると分析精度が落ちます。施設規模と運用目的に合わせて「メインゾーン→サブゾーン」の階層構造を設計します。

導線は、ゾーン間の移動経路と転換ポイントを定義したものです。人や物がどのように施設内を移動するかの「地図」と「フロー」を規定します。

入口から出口への主動線：来館者が施設に入ってから退場するまでの標準的な移動経路を定義します。
転換ポイントの特定：「入口→インフォメーション」「インフォメーション→エレベーター」のような遷移ポイントを記録し、そこでの滞留時間と通過人数を計測します。転換ポイントのボトルネックが全体の混雑につながるケースが多いためです。
逆流・交差の監視：主動線の逆方向に移動する人や、動線が交差するポイントは混雑の原因になりやすいため、特別な計測項目として設定します。

各ゾーンで取得する計測指標（KPI）を定義します。過度に多くの指標を設定すると分析が複雑になるため、「意思決定に必要な最小限の指標」を選ぶことが重要です。

センサーデータだけでは「何が起きているか」は分かっても「なぜ起きているか」は分かりません。現場の運用情報と統合することで、因果関係の推定が可能になります。

空港手荷物検査エリア：検査レーンをゾーン分割し、レーンごとの通過速度・滞留時間・列の長さを計測。検査スタッフの配置データと統合することで、処理能力不足と誘導導線の複合的な問題を特定し、列の形成方式を変更しました。改善後、ピーク時の平均待機時間が23%短縮されました。

商業施設フードコート：席・店舗・通路・入口をゾーン分割し、時間帯別の来客数・座席滞在時間・回転率を分析。混雑時に座席が長時間占有される傾向が判明し、メニュー提供速度の改善と混雑表示サイネージの設置により回転率を改善しました。