【Physical AI 入門シリーズ】第6回：診断AI——混雑の「なぜ」を解き明かす

「何人いるか」から「なぜ混んでいるか」へ

人流解析の第一世代は、人数カウントと通過量の計測を主な目的としていました。しかし施設運営の現場では、「今何人いるか」という情報だけでは意思決定の質が向上しません。問われているのは「なぜ混んでいるのか」「どこがボトルネックになっているのか」という因果関係の把握です。

この要求に応えるのが、Physical AIにおける「診断AI」のアプローチです。センサーデータを単なる記述統計として集計するのではなく、空間の状態を因果モデルで解析し、混雑発生の構造的要因を特定することを目指します。

診断AIは、医療における鑑別診断の考え方を空間解析に応用したものです。症状（現象）から原因（構造的要因）を逆算するプロセスを、センサーデータと施設情報を組み合わせて実装します。

主な診断モジュールは以下の通りです。

流量-容量モデル：通路の幅・天井高・開口部の数などの物理的制約と、単位時間あたりの通過人数を照合し、「構造的に許容量を超えているのか」「行動的な停滞が原因なのか」を判別します。
滞留クラスタリング：3D点群データからグループ単位の滞留パターンを検出し、自然な立ち話なのか、案内サインが不明確で迷子になっているのか、サービスカウンターの処理待ちなのかを分類します。
イベント相関分析：施設のオペレーションログ（開場時間・イベント開始・エレベーター停止など）と人流データを時系列で突き合わせ、混雑の引き金となったイベントを特定します。
経路選択モデル：来訪者が実際に選択した経路と、設計上の想定経路を比較することで、「案内が機能していない区間」や「避けられているエリア」を可視化します。

より高度な診断AIでは、統計的因果推論の手法が活用されます。特に有効なのが「反事実分析（カウンターファクチュアル分析）」です。

例えば、「北口ゲートを10分早く開放していたら、混雑は緩和されていたか」という問いに対して、過去の同条件データをもとに仮想シナリオを構成し、統計的な効果を推定します。実際には試せない施策の「効きそうさ」を事前に評価できるため、現場担当者の意思決定を根拠ある形で支援します。

HULIXのシステムでは、空間状態モデルを基盤として以下の推論パイプラインを実装しています。

大型商業施設での実証では、フロアごとの混雑パターンを診断AIで分析したところ、「レストランフロアへの動線上にある案内サインの視認性が低い」という構造的問題が特定されました。サイン設置位置の変更と誘導経路の再設計により、ピーク時の特定エリアへの集中が約25%緩和されています。

交通ターミナルでは、乗り換え案内と人流データを統合することで、「特定の出口への誘導メッセージが遅延している時間帯に、その出口付近の滞留が増加する」という相関を検出し、リアルタイム案内のタイミング最適化に活用しています。

診断AIの精度は、入力データの質に大きく依存します。HULIXが現場で重視するデータ品質の基準を以下に示します。

次回は、診断AIが特定した原因をもとに「施策効果のシナリオシミュレーション」を行う仕組みを解説します。