BEV 開発をより速く

BEV や SDV の開発競争では、遅延が発生するたびに勢いが削がれ、市場シェアや技術的優位性が低下します。しかし、従来型のテスト手法ではそのスピードに対応できません。プロセスの分断、手作業による準備、停滞したリリースなどが全体の進捗を阻害します。さらにソフトウェア要件の重要性が高まるなか、それらを実行可能なテストケースへ変換する作業が大きなボトルネックとなっています。機能テストが従来のキャリブレーション手法に代わって中心となり、1 回のリリースで数千件規模のテストケースが発生しますが、これを手作業で対応するとエラーが発生しやすく、18 か月規模の開発プロジェクトでは最大 60% の工数を消費する可能性があります。この状況は非効率であり、現在の開発速度には相応しくありません。
AVL のアプローチでは、すべてのテストベッドを対象にソフトウェアをシームレスに統合することで、重要な作業の自動化を可能にします。テストケースの読み込み、実行トリガー、実施、結果報告がライフサイクル管理ツールに自動で反映され、重複作業や再作業を排除しつつ、完全なトレーサビリティと拡張性のある処理速度を確保できます。
対処的な対応に追われるのではなく、将来の開発形態を見据えた検証体制へ移行することが可能になります。

開発時間は常に不足しています。キャリブレーションに利用できる試験枠が限られ、納期が厳しくなる一方、e-Drive の性能最適化に対する要求は一層高まっています。チームは短期間でマップ全体をキャリブレーションすることを求められ、誤りを許容できる余地はありません。しかし従来手法ではリソース負荷が大きく、マイルストーン達成に支障をきたす可能性があります。
ここで、先を見据えたキャリブレーション戦略を想定すると状況は変わります。特許取得済みの Active DoE（Design-of-Experiments）手法は、ボタン操作で最も価値の高いデータポイントだけを抽出することができます。変動点の配置を最適化しながら重要領域を識別し、必要な繰り返し測定を追加することで不要な領域をスキップします。AI ベースのアルゴリズムは各測定結果から学習することで、逐次適応しながら次に測定すべき最適点を判断します。
その結果、試験ベンチに要する時間は最大50％削減され、手動作業の負担も大幅に軽減されます。複雑なシステムに対しても、効率的な最適化が可能となります。さらに、再現性が高く再利用可能な結果を得ることで、試験サイクルは短縮され、エンジニアの負荷は低減されます。これにより、検証結果に対する信頼性も向上します。

時間が制約となる状況においてこそ、プロセスは開発の進行を妨げるものではなく、前進を確実に支える存在となる必要があります。

テストベンチの非効率は、試験が始まる前から発生しています。重複した試験、異常検知の遅れ、UUTや試験装置の損傷などが代表的な要因です。妥当でない挙動が検知されずに進行すると、コストは急増し、スケジュールは崩れます。しかし、従来の上限監視手法（リミット監視）だけでは対応が追いつきません。
より有効な方法は、計測データから生成される自己学習型の予測モデル（ランタイムモデル）を用いて、実機の挙動を仮想的に再現（デジタルツイン）します。これにより、異常は早期に識別され、不正な試験は即時に停止でき、ダウンタイムは最小化されます。モデル作成の専門スキルも複雑なセットアップも不要で、組み込みの機械学習が継続的に効率を最大化します。
さらにラボレベルでは、規制の厳格化、認証要件の増加、システムの分断、トレーサビリティ不足、管理負荷増大といった複雑性が課題となります。AVL のシームレスなツールチェーンは、標準化されたプロセス、リソースの自動スケジューリング、要求の完全なトレーサビリティ（Chain of Custody）を実現し、全体の OEE（設備総合効率）を最大 35 % 向上させます。混乱を抑え、制御性を高めることが可能です。

追跡できないものを改善することはできません。また、製品の成熟度が初期段階から求められる状況では、手作業による進捗把握は機能しません。BEV や SDV の開発では、初期段階から全体を対象としたバリデーション（機能の妥当性確認）が必要になりますが、データの不整合やフォーマットの非互換、ツール間の分断により車両全体の実際の完成度を正確に把握できなくなります。
信頼できる単一情報源が存在せず、手作業でのデータ収集が不確実である場合、KPI は曖昧になり、分析の精度が落ち、コンプライアンス上のリスクが高まります。これを解決するためには、すべての試験環境を対象としたデータ自動取込み、整合化、および評価が不可欠です。生の信号データから整備済みデータセット、さらに意思決定に利用できる知見へと自動変換することで、開発ワークフロー全体が透明化され、追跡可能となり、高い拡張性を備えることになります。
手作業でデータを集約し、レポートをつなぎ合わせる必要はなくなり、成熟度の自動追跡、最小限のデータロス、そして全フェーズで信頼できる KPI が確保されます。分散した情報を整理し、仮定ではなく確信をもって開発を進めることが可能になります。