はじめに
宇宙状況認識（SSA：Space Situational Awareness）の限界を突破するために、機械学習が不可欠な技術となっている。現在追跡されている4万個の宇宙物体のほかに、1〜10cmサイズで推定50万個・1mm以上で1億個超の未追跡デブリが低軌道を飛び交う。LeoLabsのフェーズドアレイレーダー×ML、ESAのAI統合軌道決定、深層学習を使った光学センサデブリ検出など、宇宙デブリ追跡AIは実用フェーズに突入しつつある。能動的デブリ除去（ADR）のターゲット選定にもAIが活用され始め、ケスラー症候群防止の最前線を担っている。
宇宙デブリ問題の現状
軌道上の物体分布
宇宙デブリの問題は単なる「ゴミ問題」ではない。高速（約7.8 km/s）で周回するデブリとの衝突は、衛星を完全に破壊するのに十分なエネルギーをもたらす。
| サイズ帯 | 推定個数 | 追跡可能性 | 衝突影響 |
|---|---|---|---|
| 10 cm以上 | 約40,000個 | 地上レーダーで追跡可能 | 完全破壊 |
| 1〜10 cm | 約500,000個 | ほぼ追跡不可能 | 重大損傷 |
| 1 mm〜1 cm | 約1億個以上 | 追跡不可能 | 機器損傷 |
1cm未満のデブリでも、相対速度7〜14 km/sでの衝突は太陽電池パネルや光学センサに致命的なダメージを与える。
出典: NASA, “Space Debris and Human Spacecraft”
歴史的な衝突・爆発事例
宇宙デブリ増加の主要因となった出来事:
- 2007年 中国衛星迎撃実験（Fengyun-1C）: 推定3,000個以上の追跡可能デブリを生成
- 2009年 Iridium 33 × Cosmos 2251衝突: 初の商業衛星衝突。2,300個超の追跡デブリ
- 2021年 ロシアASAT実験（Cosmos 1408）: 1,700個超のデブリを生成。ISSが緊急回避
これらの事象が、SSAと衝突回避の精度向上への強い需要を生み出した。
宇宙状況認識（SSA）の技術構成
地上レーダーシステム
現在のSSAの中核は地上レーダーだ。
米国 Space Fence（Kwajalein環礁）: 最新鋭のSバンドフェーズドアレイレーダー。2019年運用開始。10cm以上の追跡対象数を約倍増させた。1日に数百万回の観測を自動実行する。
ESA TIRA（Tracking and Imaging Radar、ドイツ）: 高解像度イメージングレーダーで、既知デブリの詳細形状取得や姿勢推定に使われる。
商業フェーズドアレイレーダー：LeoLabs
LeoLabs（2016年設立、米国）は商業SSAの革新者だ。小型のフェーズドアレイレーダーを米国・ニュージーランド・コスタリカなどに設置し、グローバルな観測ネットワークを構築している。
“LeoLabs’ commercial radar network provides frequent revisits for every tracked object in LEO, enabling unprecedented orbit determination accuracy for low Earth orbit objects.”
LeoLabsのMLを活用した機能: – 高頻度観測による高精度軌道要素: TLEより1〜2桁精度が高い独自フォーマット – 自動軌道品質スコアリング: 観測データの質をMLで自動評価 – コンジャンクション解析API: 顧客衛星へのリスク評価をリアルタイム提供 – マヌーバ検知: 衛星がマヌーバ（軌道変更）したことをMLで自動検出
光学望遠鏡ネットワーク
高軌道（GEO・MEO）の物体は地上レーダーに映りにくい。光学望遠鏡ネットワークがその補完役を担う。
ExoAnalytic Solutions: 世界中の望遠鏡を接続した商業SSAサービス。GEO衛星の精密追跡と非協力物体のキャラクタリゼーション（形状・姿勢推定）に強い。深層学習を使った自動物体検出・分類が中核にある。
機械学習によるSSAの改善
軌道決定精度向上
従来の軌道決定は最小二乗法や拡張カルマンフィルタ（EKF）ベースだったが、MLによる改善が進んでいる。
太陽活動・大気密度補正 低軌道衛星の軌道減衰は大気抵抗が支配的だが、大気密度は太陽活動（F10.7インデックス等）によって大きく変動する。MLが太陽活動データから大気密度を動的に予測し、軌道伝播の精度を向上させる。
“Machine learning models for thermospheric density prediction significantly reduce orbit propagation errors, particularly during periods of elevated solar activity.”
アウトライア検出 観測ノイズや測定誤りによるアウトライアを自動除去するMLモデル。ニューデブリ（新しく発生したデブリ）や姿勢変化した物体の検出にも有効だ。
深層学習によるデブリ検出
地上望遠鏡の画像からデブリを自動検出する深層学習モデルが研究されている。
課題: – デブリは非常に暗く（暗等級15〜20超）、ノイジーな画像から検出する – 恒星の動きと区別する必要がある（デブリは地平線に対して動く） – 複数フレームにわたる軌跡（トレイル）の追跡
解決アプローチ: CNNによる衛星/デブリ/恒星の自動分類、LSTMによる多フレーム軌跡追跡、GAN（生成的敵対ネットワーク）によるノイズ除去が使われている。
マヌーバ検知
衛星がいつ軌道変更マヌーバを実施したかをSSAの観点から自動検知することは重要だ。マヌーバ後の軌道を迅速に更新しないと、コンジャンクション解析が無効になる。
機械学習による異常検知ベースのマヌーバ検出は、TLEデータの残差パターン異常から自動でフラグを立てる。LeoLabsはこの機能をAPIで提供している。
ADR（能動的デブリ除去）へのAI活用
ターゲット選定の最適化
宇宙デブリの除去は莫大なコストがかかる。どのデブリを優先して除去するかの判断に機械学習が活用されている。
ESAが主導するADRターゲット優先度ランキングでは、以下の要素を機械学習モデルで統合評価する:
- 衝突リスク: 他の物体と衝突する確率（軌道密度、断面積から計算）
- デブリ生成ポテンシャル: 衝突した場合に生成するデブリ数（質量・形状から推定）
- 軌道寿命: 自然落下するまでの残余寿命（軌道高度・大気抵抗）
- 捕獲可能性: テンブリング速度・形状・材質（捕獲機構との適合性）
Astroscale ELSA-d と AIの連携
日本のAstroscaleは磁気ドッキング方式のデブリ除去技術を開発し、ELSA-dで軌道上実証を完了した。次世代のELSA-Mでは非協力ターゲット（磁気ドッキングタグを持たない既存デブリ）への対応が計画されており、ビジョンベースGNCとAIによるターゲット認識が鍵となる。
ClearSpace-1（2026年予定）
ESAのClearSpace-1は、1,000+ kgのVESPA（ベガロケット部品）を捕獲してデオービットさせる使命を持つ。ロボットアームでの捕獲には自律接近・ポーズ推定・把持計画のAIが必要で、宇宙AIの総合的な実証ミッションでもある。
出典: NASA, “Columbia Debris Recovery Operations”
技術的なポイント
基礎知識
- SSA（Space Situational Awareness）: 地球周辺の全宇宙物体の位置・軌道・機能状態を把握する活動
- RSO（Resident Space Object）: 宇宙に存在する物体の総称。衛星・デブリ・ロケット上段を含む
- CDM（Conjunction Data Message）: 接近イベントの標準フォーマット。Pc・最接近時刻・相対速度が含まれる
- TCA（Time of Closest Approach）: 2物体の最接近時刻
応用例
- LeoLabs Risk Assessment: 商業SSAとMLの融合。Pc推定の信頼性向上を提供
- ESA DISCOS（Database and Information System Characterising Objects in Space）: ESAの公式デブリ追跡データベース。ML統合更新が進行中
- 18th SDS（米国宇宙軍）: SpaceFenceデータとAIによる自動コンジャンクション警報を全オペレーターに提供
まとめ
宇宙デブリ追跡と宇宙状況認識は、機械学習なしでは維持できないレベルに達している。LeoLabsのフェーズドアレイ×ML、ESAのAI軌道決定、深層学習を使った光学デブリ検出など、SSAのあらゆるレイヤーでAIが実用化されている。さらに能動的デブリ除去のターゲット選定にも機械学習が活用され、ClearSpace-1のような軌道上サービシングミッションとの連携で本格的なデブリクリーンアップの時代が始まろうとしている。MLによる衝突回避技術と合わせて、AIが宇宙の持続可能性を守る最後の砦となりつつある。
参考文献
- Gondelach, D.J., et al., “Real-Time Thermospheric Density Estimation Via Two-Line Element Data Assimilation”, Space Weather, 2021. AGU Publications
- LeoLabs, “Commercial Radar Network for Space Situational Awareness”, 2024. leolabs.space
- NASA, “Space Debris and Human Spacecraft”, 2021. NASA Orbital Debris Program
- ESA, “ClearSpace-1: ESA’s first debris removal mission”, 2023. ESA Space Safety
- NASA, “Space Debris Recovery Operations”, 2003. NASA Image Library
コメントを残す