SpaceDelta

自律ランデブー・ドッキングとビジョンGNC最前線

執筆者:

spacedeltakun

カテゴリ:

自律ランデブー・ドッキングとは

自律ランデブー・ドッキング（ARD）は、軌道上サービシング・デブリ除去・有人宇宙ステーション補給の基盤技術だ。AIとコンピュータビジョンの融合により、制御不能な衛星やデブリ（非協力ターゲット）への自律的アプローチが現実のものとなりつつある。Stanford SLABのVISORSミッション、ESA ClearSpace-1、Astroscale ELSA-dなど、民間・機関が競って軌道上実証を進める中、深層学習によるポーズ推定（6DoF推定）が技術の核心として急速に成熟している。

技術の概要と産業的重要性

用途と重要性

ランデブー（Rendezvous）とは、2つの宇宙機が同一軌道上で接近すること。ドッキング（Docking）はその後に物理的に結合することだ。これらの操作を人間の遠隔操作なしに実現するのが自律ARDだ。

産業的な重要性は3つの領域に集約される。

応用領域 具体例 重要性
軌道上サービシング（OOS） 燃料補給、部品交換 衛星寿命の大幅延長
能動的デブリ除去（ADR） 不法投棄物体の捕獲・デオービット ケスラー症候群の予防
有人宇宙インフラ ISS補給・月軌道ステーション 月・火星探査の持続性

地球との通信遅延（ISSでも光速で数百ms〜数秒の往復）を考えると、近接操作の最終段階を人間がリアルタイムで操作することはリスクが高い。自律性は安全性の観点からも不可欠だ。

協力ターゲット vs 非協力ターゲット

ARDの難度を大きく左右するのが「ターゲットが協力的か否か」だ。

  • 協力ターゲット: 能動的に通信し、反射マーカー（ARマーカー等）を持つ。ISS補給船（HTV、Cygnus）などが該当。比較的実証が進んでいる。
  • 非協力ターゲット: 無通信、制御不能でテンブリング（自転）している可能性がある。廃棄衛星やスペースデブリが該当。これが現在の最難関課題だ。

ビジョンベースGNCの技術原理

センサ構成：カメラ・LiDAR・レーダー

近傍接近フェーズのセンサには以下が用いられる。

センサ 有効距離 特徴 課題
単眼カメラ 100 m〜1 km 軽量・安価 距離推定が困難
ステレオカメラ 10〜100 m 3D情報取得 基線長による精度限界
LiDAR（ToF） 1〜50 m 高精度3D点群 重量・消費電力大
レーダー 100 m〜10 km 遠距離・照明依存なし 分解能低い

実際のミッションでは遠距離（km〜数百m）でレーダー、中距離（〜100 m）で光学カメラ、近距離（〜10 m）でLiDARやステレオビジョンというマルチセンサ構成が一般的だ。

ポーズ推定（6DoF推定）の概念

ポーズ推定（Pose Estimation）とは、ターゲット物体の位置（X, Y, Z）と姿勢（Roll, Pitch, Yaw）を合わせた6自由度（6DoF）を画像から推定することだ。ランデブー・ドッキングでは、チェイサー（追跡機）がターゲットに対して正確に位置・姿勢を把握することが必須だ。

Stanford SLAB：最先端の研究

VISORSミッション

スタンフォード大学のSpace Rendezvous Laboratory（SLAB）は、自律ARD研究の世界的な中心地だ。2021年に打ち上げられたVISORSミッション（Visible and Infrared Telescope and Spectrograph）は、2機の小型衛星がフォーメーションフライングしながら協調観測を行うデモンストレーションだ。SLABが開発した自律フォーメーション制御アルゴリズムが実証された。

SWARM-EX

SWARM-EXミッションは、複数のCubeSatが自律的に軌道を調整しながら協調動作する技術を実証するプロジェクトだ。相対航法、フォーメーション保持、自律マヌーバ計画などの技術が検証された。

深層学習によるポーズ推定

SPEEDデータセット：業界標準のベンチマーク

2019年にスタンフォード大学SLABと欧州宇宙機関（ESA）が共同で公開したSPEED（Spacecraft Pose Estimation Dataset）は、宇宙機のポーズ推定研究の標準ベンチマークとなった。

“We present the Spacecraft Pose Estimation Dataset (SPEED), a new dataset for spacecraft pose estimation from monocular images, which includes synthetically rendered as well as hardware-in-the-loop images.”

― Kisantal, M. et al., “Satellite Pose Estimation Challenge: Dataset, Competition Design, and Results,” IEEE TAES (2020)

SPEEDにはESAのPrisma衛星の合成レンダリング画像と実際の宇宙環境（光・影）でのハードウェア画像が含まれ、深層学習モデルの学習・評価に広く使われている。

SPEED+データセット

2021年に改良版のSPEED+が公開された。宇宙特有の過酷な照明条件（強烈な日照・深い影）を忠実に再現し、より難易度の高いポーズ推定を提供している。

データセット 画像数 特徴
SPEED (2019) 15,000枚 合成 + 実機（Prisma衛星）
SPEED+ (2021) 60,000枚 合成 + より正確な宇宙照明
SHIRT (2023) 高解像度 ハードウェア実験環境

主要なDLアーキテクチャ

CNNベース（2019〜2021年） – UrsoNet (Urso et al., 2019): VGGベースのポーズ推定ネットワーク。SPEED Challengeで最上位 – SPN (Spacecraft Pose Network): 位置と姿勢を同時推定するDual-Branchアーキテクチャ

Transformerベース（2022年〜） – SPNv2: Self-Attentionを活用した改良版。長距離の空間関係を捉え、遮蔽に強い – ViT-based approaches: Vision Transformerをポーズ推定に適用した研究が急増

典型的な性能指標（SPEED+での報告）:

手法 位置誤差（m） 角度誤差（度） 推論時間
CNNベース（2020年） 0.3〜1.0 5〜15 50〜200 ms
Transformerベース（2023年） 0.1〜0.3 2〜8 100〜300 ms

非協力ターゲットへのアプローチの難しさ

テンブリング（自転）問題

廃棄衛星やデブリは制御不能で、任意の速度でテンブリング（複数軸回転）していることが多い。動的なポーズ変化の予測とリアルタイムトラッキングが要求される。

ESAのRemoveDEBRISミッションでは、デブリを模擬したCubeSatに対して光学カメラとLiDARを使ったビジョンベース接近を実証した。テンブリング物体の追跡には、カルマンフィルタや粒子フィルタとDNN推定の組み合わせが効果的だ。

照明変化と反射

宇宙環境の照明は地上とは根本的に異なる。太陽光の直射と宇宙の暗闇が同時に存在し、金属・太陽電池パネルの強烈な鏡面反射が発生する。

この問題への対処として： – ドメインランダム化（Domain Randomization）: 学習時に照明条件をランダムに変化させ、汎化性を向上 – シミュレータ改善: オプティックスベースの高精度レンダリング（PhysicallyBased Rendering）で合成データを現実に近づける – マルチスペクトル・赤外センサ: 可視光に依存しない観測

実証ミッション

Astroscale ELSA-d（2021年）

日本のAstroscaleは、ELSA-d（End-of-Life Service by Astroscale-demonstration）ミッションで、磁気ドッキング機構を用いた協力ターゲットへの接近・捕獲を軌道上で実証した。磁石を搭載したサービサーとクライアントが0 mまで接近し、ドッキングを繰り返した。

ESA ClearSpace-1（2026年予定）

ESAが契約するClearSpace社は、過去のVegaロケット部品（VESPA）を捕獲してデオービットさせるClearSpace-1を2026年に打ち上げる計画だ。非協力ターゲットへの接近・捕獲の本格的な商業実証として世界中が注目している。

ESA ClearSpace-1がデブリを捕獲するイメージ 出典: ESA, “ClearSpace-1”

技術的なポイント

基礎知識

  • 6DoF推定: 位置（3次元）＋姿勢（3次元）の6自由度を同時推定する。ドッキングには位置精度cm・角度精度0.5度以下が要求される
  • Sim-to-Real Gap: シミュレータで学習したモデルが実宇宙環境で性能低下する問題。ドメインランダム化や現実的なレンダリングで軽減
  • LIDAR点群: 3D距離データを直接処理するPointNetなどの手法が、宇宙ランデブーの最終フェーズで有効

応用例

  • NASA DART: 2022年に小惑星ディモルフォスへの衝突実験を実施。自律航法でターゲットへ誘導
  • JAXA HTV（こうのとり）: ISS近傍での協力ランデブーをSLAP（Standard LiDAR Approach Profile）で実施
  • SpaceX Dragon: 自律ランデブー後、宇宙飛行士がドッキングを手動確認するセミ自律方式

まとめ

自律ランデブー・ドッキングは、軌道上サービシングとデブリ除去という21世紀の宇宙産業の核心を支える技術だ。SPEEDデータセットとKINET Challengeを通じて深層学習によるポーズ推定が急速に成熟し、CNNからTransformerへと進化が続いている。非協力ターゲットのテンブリング・照明変化への対応が次の技術的壁であり、ClearSpace-1の成否が今後の宇宙デブリ追跡・除去AIの方向性を左右するだろう。深宇宙探査の自律AIと並んで、宇宙機の自律性を高める最重要技術として研究が加速している。

参考文献

コメント

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

投稿をさらに読み込む