日比谷線の自動運転オーバーランの原因は？鉄道AIの安全対策とセンサー融合の限界

公開日：2026年10月19日更新日：2026年10月20日文：クリスタルメソッド編集部監修：河合継（代表取締役）

東京メトロ日比谷線オーバーランが示す鉄道自動運転AIの課題

2026年10月19日午前7時55分ごろ、東京都港区虎ノ門1の東京メトロ日比谷線・虎ノ門ヒルズ駅で、停車しようとした7両編成の車両が停止線を越えてオーバーランした。過走した距離は、東京メトロの発表で約300メートル（初報の一部は約200メートル）。東京メトロによると、車両は北千住方面行きで、神谷町駅から虎ノ門ヒルズ駅に向かっており、運転士と車掌が1人ずつ乗車して自動運転で走行していたが、所定の位置で止まらなかった。列車はその後虎ノ門ヒルズ駅に引き返し、乗客全員を降ろして運転を打ち切った（朝日新聞）。けが人はいない。日比谷線は約50分間運転を見合わせ、利用客約3万4000人に影響が出た（毎日新聞）。東京メトロは同日、原因を自動運転装置の設定不備と非常ブレーキ投入の遅れと発表した（詳しくは次の節）。

東京メトロは日比谷線に無線式列車制御システム「CBTC（Communication-Based Train Control）」の導入を計画しており、移動閉塞方式によって遅延回復や輸送安定化を目指している（ニュースイッチ by 日刊工業新聞社）。CBTCは列車の位置をリアルタイムで把握し、従来の固定閉塞方式より高精度な速度・停止制御を可能にするとされる。今回の列車はATO（自動列車運転装置）で走っていたと報じられている（朝日新聞）。ATOは、運転士が出発の操作をすると、加速・減速・駅での停止までを自動で行う装置だ。

過去にも国内では2019年6月1日、横浜の金沢シーサイドライン（無人運転）で列車が新杉田駅から逆方向に走り出して車止めに衝突し、重傷者を含む14人が負傷したと報じられた（自動運転ラボ）。無人・自動運転という運行形態は効率を高める一方、制御システムの異常が直接的な安全事故につながるリスクを内包する。

東京メトロが発表した原因——自動運転装置の設定不備と非常ブレーキの遅れ

（2026年10月20日追記）東京メトロは10月19日に出したお詫び文書で、過走の原因を「当該列車メンテナンス時の自動運転装置の設定不備」と「乗務員による非常ブレーキ投入タイミングの遅れ」の2点だと発表した。ほかの列車の安全性に問題がないことは確認済みで、第三者による不正アクセスではないとしている（東京メトロ）。

朝日新聞によると、ATO（自動列車運転装置）の設定は、虎ノ門ヒルズ駅が開業した2020年6月より前の状態になっていた。自動ブレーキはかからず、車掌が非常ブレーキをかけて止めたという。テレビ朝日系（ANN）は、鉄道ジャーナリストの枝久保達也氏による「駅がなかった時期の設定で走っていた」との見方を伝えている。詳しい経緯は東京メトロが調べている。

図2：東京メトロの発表と報道をもとにした、オーバーランが起きた流れ（上段）と、一般に設定の誤りを止められる段階（下段）。下段は東京メトロの対策を示すものではない。

日比谷線オーバーランで分かっていること・まだ分かっていないこと（10月20日時点）
項目	内容	出典
過走した距離	所定の停止位置から約300m（初報の一部は約200m）	東京メトロ
原因	メンテナンス時の自動運転装置の設定不備と、非常ブレーキ投入の遅れ	東京メトロ
設定の中身	ATOの設定が、虎ノ門ヒルズ駅開業（2020年6月）前の状態だった	朝日新聞
不正アクセス	なし	東京メトロ
運転再開	8時15分ごろ北千住〜霞ケ関で折り返し運転、8時43分ごろ全線再開	東京メトロ
まだ発表されていないこと	なぜメンテナンスで古い設定になったのか、具体的な再発防止策	—

センサーの精度だけでは防げなかった理由

発表から見えるのは、事故の起点がセンサーの測る位置や速度の誤差ではなく、「どの駅のどこで止まるか」という設定データの誤りだった点だ。位置や速度を正確に測れていても、止まるべき駅として設定されていなければ、自動運転装置は停止に向けた減速を始めないと考えられる。後の節で説明するセンサー融合は停止の精度を高める技術であり、設定データそのものが古い場合は効果が出ない。

設定の誤りを防ぐための一般的な考え方

以下は鉄道の自動運転で一般に考えられる対策の整理で、東京メトロが採る対策を示すものではない。

設定データの版の照合：駅や停止位置のデータに版の番号をつけ、メンテナンス後に車上の版が最新か確かめる。
出庫前の自動チェック：車上の設定と地上側の路線データを突き合わせ、食い違えば営業運転に出さない。
走行中の異常検知：止まるべき区間に入っても減速が始まらない状態を検知し、警報や自動の制動につなげる。後述するAIの異常検知はこの役割に使える。
乗務員による最後の歯止め：自動運転中でも、乗務員がすぐ非常ブレーキを扱える手順と訓練を保つ。今回は、この投入の遅れも原因に挙げられた。

次に読む：AIで交通事故を防ぐには？

AIで交通事故を防ぐには？事故発生時に人命を救うAI活用も解説

停止精度を左右するセンサー融合の仕組みと限界

鉄道自動運転において停止精度を決定する要素は、「位置検知」「速度検知」「ブレーキ制御」の三層に分かれる。従来の地上子・速度発電機による方式では、車輪の空転・滑走時に速度誤差が積み上がり、停止精度が低下することが知られている。センサー融合（Sensor Fusion）とは、複数の異種センサーのデータをAIで統合処理し、単一センサーの欠点を補完する手法だ。

図1：鉄道自動運転における複数センサーのデータをAI（カルマンフィルタ＋深層学習）が統合し、高精度な停止制御と異常検知の二出力を導く処理の流れ。

センサー融合の中心を担うのがカルマンフィルタだ。各センサーの誤差モデルを考慮しながら位置・速度の最良推定値を確率的に算出し、深層ニューラルネットワーク（DNN）がその推定値の異常パターンを検出する。GNSS（全球測位衛星システム）が提供する絶対位置情報と、IMU（慣性計測装置）が提供する短期加速度情報を組み合わせることで、車輪滑走時の速度発電機誤差を補正し、停止精度を高めることができる。

ただし限界は明確に存在する。トンネル内ではGNSSの受信が不安定になるため、地上側の補完設備（RFID地上子、光学マーカーなど）が不可欠だ。また、センサーが正常に機能していても地上と車上の通信遅延が大きければ、CBTCの停止命令が物理的に間に合わない場合がある。センサー融合は測位精度を高める手段であり、通信インフラや物理的なブレーキ性能の制約は別途の設計で対処しなければならない。

AIを使った異常検知が鉄道自動運転の安全対策に果たす役割

停止精度の問題とは別に、機器故障やシステム異常を事前に検知することも鉄道自動運転の安全対策における重要な軸だ。異常検知（Anomaly Detection）の分野では、センサーの時系列データを学習したモデルが「通常の挙動パターン」を習得し、そこからの逸脱をリアルタイムで検出する。

AI異常検知の主な手法と鉄道自動運転への適用場面
AI手法	検知対象の例	主な利点	主な制約
LSTM（長短期記憶）	ブレーキ圧力・速度の時系列異常	過去の連続パターンからの逸脱を検出できる	学習に数ヶ月単位の運行データが必要
オートエンコーダ	モーター電流・振動の微小変化	正常データだけで学習できる（異常事例不要）	再構成誤差の閾値設定にドメイン知識が必要
強化学習ベース制御	停止制御ポリシーの最適化	路線・車両特性に適応した制御則を自律習得できる	シミュレーター設計の品質が実環境転移に直結する
マルチモーダルAI	カメラ映像＋センサーデータの統合判断	視覚的な軌道障害と数値異常を同時に捉えられる	計算コストが高くエッジ処理の設計が複雑になる

強化学習は、停止制御ポリシーの最適化において注目されている手法だ。シミュレーター上でエージェントが無数の停止試行を繰り返し、報酬関数（停止誤差の最小化など）を最大化する制御則を自律的に習得する。実路線への適用にはシミュレーターと実環境の「ドメインギャップ」の解消が課題であり、現在も研究が続いている。

マルチモーダルAIは、カメラ映像と各種センサーの数値データを単一モデルが統合処理する枠組みで、軌道上の障害物検知と速度異常の同時判断が技術的に可能になる。

交通事業者・自治体が今取るべき実務的な優先順位

鉄道自動運転のAI安全対策は、センサー・ソフトウェア・組織の三層で段階的に整備する性質のものだ。一足飛びに完全自動化を目指すのではなく、現行システムに対してAI異常検知を「重ねる」形で導入するアプローチが現実的である。

データ基盤の整備（第1フェーズ）：既存車両のセンサーログ（ブレーキ圧力・速度・モーター電流）を統一フォーマットで蓄積する。AIモデルの学習には十分な量の正常・異常双方のデータが必要で、これが整っていなければモデルの精度は期待できない。
地上側通信インフラの評価（第1フェーズ）：CBTCのような無線式制御システムを導入・更新する際は、遅延・冗長化要件を事前に評価する。通信遅延はAIがどれほど精度よく停止点を予測しても物理的に取り返しがつかない遅れを生む。
小規模路線でのパイロット導入（第2フェーズ）：乗客密度が低く路線が短い区間でLSTMやオートエンコーダによる異常検知を試験導入し、誤検知率・見逃し率を実運行データで評価する。
規制・認証プロセスの事前確認（全フェーズ共通）：国の技術基準や、IEC 62280（鉄道の安全関連通信）・EN 50128／後継のEN 50716（鉄道ソフトウェアの安全）などの国際規格への適合は、技術設計と並行して進める。認証取得のリードタイムは一般に長く、後付け対応では設計変更コストが大きくなる。

AIで解決できないこと——コスト・物理制約・サイバーセキュリティの現実

AIセンサー融合と異常検知は、停止制御の精度向上と機器故障の早期発見に貢献する。しかしAI導入が鉄道安全のすべての課題を解決するわけではない。

第一に、コストの問題がある。高精度LiDARや車上コンピューターの導入・保守費用は相当な規模になる。中小私鉄や地方の公共交通事業者にとって、この初期投資の回収見通しを立てることが最初の壁になる。

第二に、ブレーキ系統の物理的制約はAIでは変えられない。制動距離は速度の2乗に比例するという物理則は不変だ。AIがどれほど早く停止指令を出しても、車両が持つ物理的な制動性能の限界は別の問題として残る。

第三に、誤検知（False Positive）のリスクがある。AIが異常と判定して自動緊急停止をかけた結果、実際は誤検知だったという場合、ダイヤの乱れや乗客への影響が生じる。閾値の設定は安全側に倒せば誤検知が増え、緩めれば見逃しが増えるというトレードオフがあり、ドメイン専門家との協働なしに解決できない問題だ。

第四に、サイバーセキュリティリスクがある。CBTCのような無線式制御システムは、適切に設計・運用しなければ外部からの通信干渉・なりすましのリスクに晒される。AIの判断エンジン自体が攻撃対象になりうる点は、交通インフラ特有のリスクとして認識が必要だ。

鉄道自動運転のAI安全対策は技術課題であると同時に、調達・認証・組織能力の問題でもある。導入判断は、これらすべての制約を総合的に評価した上で行うべきだ。

参考文献

毎日新聞（Yahoo!ニュース） https://news.yahoo.co.jp/articles/06d471da94f3a9bd844998ce9415d69d92968543
ニュースイッチ by 日刊工業新聞社 https://newswitch.jp/p/14743
自動運転ラボ https://jidounten-lab.com/u_seasideline-accident-kaisetsu
東京メトロ「日比谷線虎ノ門ヒルズ駅における列車過走について（お詫び）」 https://www.tokyometro.jp/info/files/a7e55be429b1651e7bb1f2165439d089.pdf
朝日新聞（Yahoo!ニュース） https://news.yahoo.co.jp/articles/366cf0d3c84f877db72d68100c6f57f6c3e2975a
テレビ朝日系（ANN）（Yahoo!ニュース） https://news.yahoo.co.jp/articles/a14525ebfe5225ef8e5b61cf6c710bfcc1812856