【Physical AI 入門シリーズ】第7回：シナリオシミュレーション——施策効果を事前に予測する

「やってみないとわからない」を変える

施設運営において、レイアウト変更・サイン設置・スタッフ再配置といった施策の効果を事前に検証することは従来困難でした。試行錯誤を繰り返すには時間・コスト・顧客体験へのリスクが伴います。Physical AIが目指すのは、デジタルツイン上で施策を先行試験し、現実の変更を最小化しながら最大効果を得ることです。

シミュレーションの基本構造

HULIXのシナリオシミュレーション機能は、3つの層から構成されます。

第1層：空間状態モデル
LiDARから取得した3D点群と施設図面を統合して、「現在の空間がどのような状態にあるか」を連続的に更新するモデルです。人物の位置・速度・密度分布・滞留クラスターが時系列で記録され、シミュレーションのベースラインとなります。

第2層：エージェントモデル
来訪者の行動を確率的に模倣するエージェントを多数配置し、施設内を移動させます。各エージェントは「目的地選択」「経路選択」「速度調整」「グループ行動」のパラメータを持ち、実測データから学習した確率分布に基づいて行動します。HULIXの強みは、人以外のオブジェクト（台車・ベビーカー・清掃機械など）もエージェントとして扱える点です。

第3層：施策介入レイヤー
シナリオとして「北口を5分早く開放する」「Cゾーンのテナント配置を入れ替える」「エスカレーター1基を逆方向運転にする」などのパラメータ変更を注入し、シミュレーションを再実行します。結果を元のベースラインと比較することで、施策の定量的効果を推定します。

シナリオの種類と使い分け

実際の運用では、目的に応じて以下のシナリオタイプを使い分けます。

• What-ifシナリオ：「もし○○したら」という仮定を検証します。レイアウト変更・サイン追加・開場時間変更など、比較的試しやすい施策の事前評価に使います。
• ストレステスト：通常の1.5〜2倍の来訪者数を想定し、現在のレイアウトや誘導計画が破綻しないかを検証します。大型イベントや繁忙期対策に有効です。
• 障害シナリオ：エレベーター停止・出入口閉鎖・火災報知器作動などの緊急事態を模擬し、避難経路や誘導計画の妥当性を確認します。
• 最適化シナリオ：目標とするKPI（最大密度・平均滞留時間・特定エリアの回遊率など）を設定し、それを満たすためのパラメータ組み合わせを自動探索します。

出力形式と意思決定支援

シミュレーション結果は、現場担当者が即座に判断できる形式で提供されます。

• ヒートマップ比較：施策前後の密度分布を並べて表示し、改善エリアと悪化エリアを直感的に把握できます。
• KPI比較表：ピーク密度・平均待機時間・最長滞留時間・経路利用率などの指標を数値で比較します。
• 自然言語サマリー：「北口早期開放により、Aゾーンのピーク密度が18%低下する見込みですが、B通路の通過量が増加するため、追加の誘導サインが推奨されます」といった説明文を自動生成します。

導入事例：空港ターミナルの混雑対策

国内の地方空港ターミナルにおける実証では、出発ピーク時の手荷物検査場前混雑を解消するために3つのシナリオをシミュレーションしました。

• シナリオA：レーン増設（コスト：約800万円）→ピーク密度35%低下
• シナリオB：乗客の時間分散（出発時刻別の案内タイミング最適化）→ピーク密度22%低下、コストほぼゼロ
• シナリオC：AとBの組み合わせ→ピーク密度48%低下

シミュレーション結果をもとに、まずシナリオBを実施し効果を測定後、追加投資の判断を行うというフェーズドアプローチが採用されました。実際にBを実施した結果、実測値はシミュレーション予測の90%以内に収まり、モデルの精度が検証されています。

シミュレーション精度の限界と補正

いかに高精度なシミュレーションも、実際の来訪者行動を完全に予測することはできません。HULIXが推奨する運用では、シミュレーション結果はあくまで「施策の相対的な比較」に使い、絶対値の予測精度への依存を避けます。定期的にシミュレーションと実測の乖離を確認し、エージェントモデルのパラメータを更新することで、精度を継続的に向上させます。