NASA、生成AIで誘導される火星探査機をテスト

La NASAは火星探査の転換点を迎えた 人工知能モデルに初めて別の惑星における探査機のルートを提案させることで、この研究は成功した。主人公は、地球を旅する探査機「パーセベランス」である。 火星のジェゼロクレーター, そして、登場したAIは クロードアントロピックによって開発.

2025年12月8日から10日の間に、 パーセベランスは合計400メートルを超える2回の走行を完了した。 AIが最初に生成したルートを辿る。実験室での実験やシミュレーションではなく、 岩だらけの地形での実際の動き地球から数億キロ離れた場所で自動車サイズの探査車を操縦するには、あらゆるリスクが伴う。

画期的な出来事：AIが提案した最初の火星ルート

提供された詳細によると ジェット推進研究所 (JPL) NASAの南カリフォルニア施設から、2025年12月8日と10日にジェゼロクレーター内で2回の飛行が実施されました。これはミッションの1.707ソルと1.709ソルに相当します。最初のデモンストレーションでは、 パーサヴィアランスは約210メートル前進した2回目では約246メートルを移動し、合計約456メートルに到達しました。

重要なのは、比較的短い距離ではなく、方法です。 ルートはAIによって定義された一連のウェイポイントから構築された。この作業はこれまで、短い区間の安全なルートを地図に描くために画像や地形データを確認するのに何時間も費やした人間のチームに完全に委ねられていました。

このキャンペーンでは、NASAは 視覚機能を備えた生成AIモデル地図を解釈し、最終的な走行計画のベースとなる中間地点を提案する機能を備えています。このシステムは大量の情報を分析した上で、岩、急斜面、危険な砂地を回避するためにローバーが移動すべき場所を提案します。

同庁の管理者であるジャレッド・アイザックマン氏は、テストの範囲を強調した。 これらの自律技術により、ミッションをより効率的に運用できるようになります。地球からの距離が増すにつれて、困難な地形にうまく対応し、科学的成果を絞り出すことができるようになります。

AIが探査車の進路を計画する方法

ルートを設計するために、NASAはクロードに パーセベランス環境の長年にわたるデータと膨大な画像コレクションそして、 アテナスーパーコンピュータAIは段階的に動作し、約10メートル間隔で一連のウェイポイントを生成し、シーケンスを確認して、連続したルートが得られるまでそれを改良しました。

情報源は主に 火星探査機「マーズ・リコネッサンス・オービター」に搭載されたHiRISEカメラ火星の地図を長年作成してきた衛星です。これらは高解像度の軌道画像と デジタル標高モデルつまり、地形の傾斜、相対的な高さ、起伏の形状を捉えた 3D マップです。

そのマッピングに基づいて、AIは 火星の景観の重要な要素: 岩石の種類、固められた層、露頭、潜在的に危険な岩場、砂の波紋、および車輪のスリップやスタックを引き起こす可能性のあるその他の不規則性。

システムは地形の「スナップショット」を用いて、障害物を回避し、危険な操作を減らしながら、安全性と効率性を最大限に高めるルートを生成しました。つまり、 クロードは長期の道路計画者として活動した高価な科学機器を積んだ車両を危険にさらすことなくメーターを進める方法を最適化します。

言語モデルに加えて、 NASAがテストした型ツールクロード・コードは、複雑な問題を管理可能なステップに分解するように設計されています。この場合、一般的な科学的目標を、ローバーの検証可能なチェックポイントのチェーンに変換します。

人間の監督とデジタルツイン：安全綱

当初のルートはAIによるものでしたが、 絶対的な制御はJPLのエンジニアの手に残っていた火星に何かを送る前に、チームは探査機とその周囲の環境の仮想レプリカであるパー​​セベランスのいわゆる「デジタルツイン」を使用して、コマンドを徹底的な検証プロセスにかけた。

そのシミュレーションでは、次のことが検証されました。 500.000万以上のテレメトリ変数 提案された指示が、飛行ソフトウェアの制限、機体の機械的性能、そしてミッションのために設定された安全マージンをすべて満たしていることを確認するため。この検証を経て初めて、計画はローバーへの具体的な指示へと変換されました。

技術者も利用した パーセベランスのカメラで撮影された地表画像軌道図では必ずしも表示されない地表の詳細が示されています。この追加情報により、 彼らはAIが提案したルートに若干の調整を加えました。実際の地形によって罠が隠れる可能性がある部分を修正しました。

実際のワークフローは次のようになります。 AIが提案し、人間が確認して修正し、デジタルツインが検証し、最終的にディープスペースネットワーク経由で注文が火星に送信されます。リアルタイムの運転や、地球に関する完全な自律的な決定は行われていませんでした。

JPLの宇宙ロボット専門家であるヴァンディ・ヴェルマ氏は、 生成AIは、自律的な惑星外航行の柱を最適化する上で驚くべき可能性を示している: 知覚 (環境を理解する)、位置特定 (ローバーがどこにいるかを正確に知る)、計画と制御 (最も安全なルートを決定して実行する)。

数分遅れて運転するという課題

この実験の重要性の一部は、克服するのが難しい物理的な制限にあります。 火星は平均約2億2500万キロメートルの距離にある 地球から。光速で移動したとしても、無線信号が惑星から惑星へ到達するには、軌道の位置に応じて4分から20分かかります。

つまり ラジコンカーのようにローバーを「運転」することはできません。それぞれの指示は事前に送信され、遅延して実行され、さらに遅れて確認されます。予期せぬ障害物が現れたり、車両が横滑りし始めたりしても、即座に反応する時間はありません。

伝統的に、NASA チームは非常に手作業の多い方式で作業を行ってきました。画像が分析され、短いセグメントでルートが設計され、コマンドがパッケージ化されて送信されます。 これは安全なプロセスですが、時間がかかり、人的時間の面で非常に要求が厳しいものです。特に、2009 年にスピリット探査機に起こったように、ミスをすると閉じ込められてしまう可能性のある複雑な地域を探査機が移動しているときには、この傾向が顕著になります。

パーセベランスの運用者たちによれば、火星のそれぞれの太陽は 限られた作業時間エンジニアがルートの計画に多くの時間を費やすと、どの岩石を研究するか、どのサンプルを収集するか、どの実験を優先するかを決める時間が少なくなってしまいます。

したがって、その作業の一部をインテリジェント システムに委託するという誘惑にかられます。 AIは膨大な量のデータを確認し、より迅速にルートを提案できる微調整や高度な意思決定は人間に任せる。目標はチームを置き換えることではなく、チームが科学研究に集中できるよう、キャパシティを解放することだ。

戦略的なテストとしては控えめな数字

純粋な数字で言えば、証明は控えめに思えるかもしれません。 初日は約210メートル、2日目は約246メートル合計で 400 メートルをわずかに超える距離は、火星探査車の距離記録を示すものではなく、またそのように意図されたものでもありません。

実際にテストされていたのは 計画におけるパラダイムシフトエンジニアたちは、ポイントツーポイントのルートを手作業で構築する代わりに、AIが生成したルート案を基にローバーにコマンドを送信しました。ローバーは、ミスが許されない地形を横断しながら、その計画を実行しました。

忍耐はゆっくりと進み、 わずか数百メートルを数時間かけて進むペースでこれはエネルギーを節約し、構造的なストレスを最小限に抑え、横転や挟み込みのリスクを軽減するために行われます。これは、地球上で私たちが理解している「急速航続距離」とは全く異なる運転スタイルです。

NASAにとって成功はメートル数で測られるのではなく、 AIが生成したルートはわずかな調整だけで済んだ 人間によるレビューと内部シミュレーションを経て、この技術は現実世界の運用に慎重に統合できるほど成熟していることが示唆されました。

プロジェクトマネージャーは、 このアプローチにより計画時間を大幅に短縮できるこれにより、探査車はより少ない太陽の期間でより多くの旅を行うことが可能となり、結果としてリスクを増大させることなくより多くの科学的データを収集することができるようになる。

クロードと宇宙に応用されたAIの新しい波

クロードの選択は偶然ではありません。 Anthropic のモデルは、プログラミング、高度な分析、技術サポートのタスクで注目を集めています。開発者コミュニティ内の他の人気ソリューションと競合するほどです。

大手テクノロジー企業はこれらのツールを自社のワークフローに統合し始めており、 AppleはXcodeでの使用を検討している そして？ Metaは内部デバッグユーティリティでこれを使用しますこれは、複雑なコードやデータを扱う際の汎用性を示しています。

Perseverance テストの新しい点は設定です。 AIはもはや単なるデジタルアシスタントではない テキストの作成やプログラムの修正、物理的な影響を伴う決定や「元に戻す」ボタンがない場合の介入などに専念します。ルートの誤りは単なるバグではなく、ローバー全体を失う可能性があります。

NASAはそう主張している より自律的な探査形態への第一歩これは、制御を自動化システムに完全に移行させるものではありません。現時点では、AIは提案と支援を行うのみであり、何をどのように実行するかという最終的な責任は運用チームにあります。

実験自体は開発された JPLとアントロピックの直接協力これにより、火星の地図を解釈し、地形の不確実性を管理し、既存の飛行ソフトウェアの制約内で提案を適合させるなど、AI モデルをミッションの特定のニーズに適応させることができました。

自律走行車とミッションの進化に向けて

パーセベランスのケース以外にも、NASAはすでに長期的な計画を練っている。JPLの探査システムオフィスの職員は、 AI技術は、安定した人間の存在を支えるインフラを構築する鍵となる可能性がある 月、火星、そして太陽系の他の目的地へ。

宇宙飛行士が火星の表面に到達したり、月面基地が設立されるシナリオでは、 より自立的に移動できる車両地球から送られるあらゆる決定に依存せずに、資材を輸送し、地形を調査し、機器を展開し、不測の事態に対応することができます。

その文脈において、ジェゼロのような実験は 自律航法システム用テストベンチAIは科学探査ローバーと将来の物流ロボットの両方に活用できる可能性があります。複数の関心地点間のルート最適化や、新たな地形データに基づく計画更新といった、面倒で計算負荷の高いタスクを処理できる可能性があります。

NASAは自身の報告書で次のように述べている。 こうしたアプローチは、より遠隔地へのミッションにも拡大されると予想されます。 太陽系の他の惑星では通信の遅延がさらに大きくなり、地球からの直接監視は現実的ではありません。

同時に、ヨーロッパや世界の他の地域でもこれらの動向が注目されている。 ESAなどの機関も自律探査のコンセプトに取り組んでいる。 パーセベランスで得られた教訓は、月、火星、小惑星への将来のミッションに特に役立つことが期待されます。

2025年12月のジェゼロクレーターでの経験から、 人工知能は宇宙探査の日常業務において現実的な位置を占め始めています。今のところは、人間による厳格な監視のもとでの「短い鎖」が維持されているが、火星探査車が当初生成AIによって設計されたルートをたどったという事実は、宇宙におけるデジタルと物理の境界がかなりの速さで曖昧になってきていること、そして地球を越えた次の大きな一歩が、少なくとも部分的にはアルゴリズムの助けを借りて計画される可能性が高いことを示している。