月面探査技術の地形相対航法・障害物回避技術の最新研究動向

月面探査において近年注目を集めている技術のひとつが「Terrain Relative Navigation（TRN）」です。これは、事前に作成した高精度な月面地図や着陸候補地の情報をもとに、宇宙機が降下しながらリアルタイムに周囲の地形を識別・照合し、安全な着陸を行うための位置推定技術です。TRNを支える関連技術としては、地形マッピング、危険検出・回避（Hazard Detection and Avoidance）、デジタル標高モデル（DEM）の高精度化などがあります。今回は、最近の研究事例や手法から、TRNまわりの最新動向をまとめてみました。

Contents

1 月探査におけるTRNの特徴
2 最新研究
3 Summary

月探査におけるTRNの特徴

月の重力下では自律的な画像航法が必須
月は小惑星に比べて重力が大きく、降下開始から着陸までの時間が短くなるため、地球からの遠隔操作だけでは時間が足りず、自律的な画像航法（オンボード処理）による精密な誘導・制御が求められる。
豊富な事前科学データを活用
月面は近年の探査機（例：かぐや、LRO）による高分解能画像や地形データが充実しており、TRNに必要となるクレータマップやオルソ画像を事前に準備できる。この点が事前データの乏しい小惑星などとは大きく異なる。

画像情報による宇宙機の航法技術に関するサーベイ，A Survey of Vision-based Navigation Technology for Spacecraft，JAXA

最新研究

Automatic Mapping of Small Lunar Impact Craters Using LRO NAC Images

概要（詳細）：
本論文では、月面には非常に多数存在する小規模な衝突クレーター（直径20m程度）を、手作業ではなく自動で検出・マッピングするための手法を提案しています。具体的には、Lunar Reconnaissance Orbiter（LRO）の高解像度NAC（Narrow Angle Camera）画像を入力とし、YOLOv3に基づいたオブジェクト検出型のクレーター検出アルゴリズムを改良して適用しています。

画像前処理: 生画像に対してジオレファレンス変換やダウンサンプリング、タイル分割などの前処理を施し、クレーター検出に最適な形式へと整えています。
モデル訓練: 既存の火星用クレーター検出モデルを再学習（リトレーニング）し、月面画像特有の条件に適応させています。
評価: 異なる照明条件（入射角が約50°～70°）や地形での評価により、平均真陽性率93%という高い検出性能を確認。また、クレーター径の推定において約15%の過大評価が認められています。

主要成果：

小規模クレーターの自動検出が可能になり、従来の手作業によるマッピングの労力を大幅に削減。
さまざまな月面環境で安定した性能を示す検出モデルの構築。

Simulation of Lunar Terrain for Hazard Detection and Relative Navigation Development and Testing

概要（詳細）：
この発表資料では、月面着陸ミッションにおける危険検出（Hazard Detection）および相対航法（Hazard Relative Navigation）のために、実際の月面画像では捉えきれない微細な地形要素を合成生成する手法が紹介されています。

DEMkitの利用: Astrobotic社のDEMkitソフトウェアを使用して、既存の低解像度月面DEMに、物理法則に基づくジオメトリ関数を適用し、岩石、クレーター、ボルダーなどの細部を追加。これにより、着陸サイトに特有の危険要素を高精細に再現できます。
LunaRayシミュレーション: LunaRayソフトウェアにより、センサー固有の特性（露出、ノイズ、LiDARスキャンのダイナミクスなど）や、さまざまな照明条件下でのシミュレーション画像を生成。
実地試験: Mojaveの月面類似試験場「Lunar Surface Proving Ground」を用いて、実際のセンサーを搭載したデータ収集と、ハザード検出アルゴリズムの実証が行われています。

主要成果：

高解像度かつ物理的にリアルな月面地形データを生成可能。
シミュレーションによって、実際のセンサー誤差や照明条件を反映したデータを作成し、ハザード検出・航法アルゴリズムの性能評価が実施された。
危険検出アルゴリズムでは、偽陽性率が約34～35%、見逃し率が1%未満という結果を得、着陸安全性向上に寄与。

Impact Story: Terrain Relative Navigation

概要（詳細）：
NASAの記事では、着陸ミッションに不可欠な高精度位置推定技術「Terrain Relative Navigation（TRN）」の開発とその実用例について解説されています。

従来の課題: Apollo時代は、乗組員が窓から地形を観察して手動で着陸地点を選定していましたが、これは誤差が大きく、危険回避には限界がありました。
TRNの仕組み: 降下中に搭載カメラが撮影した地形画像を、事前に搭載された高精度地図とリアルタイムで照合することで、 spacecraft の相対位置と高度を即座に算出します。
実績: Mars 2020ミッションでは、従来の位置推定誤差が2km近くあったものを、TRN導入により40m程度にまで大幅に縮小。また、複雑な地形の中でも安全着陸の確率を大幅に向上させることに成功しています。

主要成果：

TRN技術の導入により、着陸時の位置誤差を劇的に削減。
複雑な地形でも自律的に安全な着陸地点を選定可能となり、ミッション成功率が向上。
シンプルで低消費電力な設計により、将来的な月面や他惑星ミッションへの展開が期待される。

A Deep Learning Approach to Hazard Detection for Autonomous Lunar Landing

概要（詳細）：
本論文は、月面着陸における危険検出・回避システム（Hazard Detection and Avoidance, HDA）を向上させるためのディープラーニング手法を提案しています。

入力データ: Lunar Reconnaissance Orbiterから得られるデジタル標高モデル（DEM）を用い、月面の地形情報を詳細に捉えます。
モデル構造: UNet型の畳み込みニューラルネットワーク（CNN）を採用し、セマンティックセグメンテーションによって、各ピクセルを「安全」または「危険」と分類。
損失関数: 単純なJaccard損失に加えて、危険領域を誤って安全と判定する偽安全（False Safe）を特に重視する重み付きJaccard損失関数を採用。
データ拡張: センサーのノイズや幾何学的変換をシミュレートすることで、モデルのロバスト性を向上させ、オンボードでのリアルタイム推論に対応。

主要成果：

安全な着陸地点と危険な領域を高精度に分類できるセマンティックセグメンテーションモデルの構築。
偽安全率を1%未満に抑えることで、ミッションにおけるリスクを大幅に低減。
オフラインでの複雑な前処理により、オンボード推論時の計算負荷を低減し、リアルタイムでの危険検出が可能に。

Image‑Based Lunar Hazard Detection in Low Illumination Simulated Conditions via Vision Transformers

概要（詳細）：
この研究は、月面南極のような低照度環境下で、光学画像を用いた危険検出の精度向上を目指して、Vision Transformer（ViT）アーキテクチャに基づく手法を提案しています。

背景: 低い太陽高度や多数の影により、従来のCNNベース（例：UNet）では地形の細部が不明瞭となり、危険箇所の正確な検出が困難でした。
手法: ViTは、画像をパッチ単位で処理し、グローバルな受容野を保持できるため、低照度下でも全体の文脈を捉えやすい特性があります。Blenderなどの3Dモデリングソフトを用いて、月面南極のシミュレーションデータセットを生成し、RGB画像から安全／危険領域をセマンティックセグメンテーションにより分類。
評価: 高高度（より多くの照明情報が得られる場合）では、ViTモデルがUNetを上回るIoUや精度を示し、さらにノイズや暗黒画像を除外することでモデルのロバスト性が向上することが確認されました。

主要成果：

ViTを用いることで、低照度環境下でも高精度な危険検出が可能となることを実証。
高高度での画像では、従来手法よりも優れたIoUおよび精度を達成。
シミュレーションデータを通じて、将来的な実機搭載への応用可能性が示唆される。

Building Lunar Maps for Terrain Relative Navigation and Hazard Detection Applications

概要（詳細）：
本報告書は、月面着陸ミッションに必要な高精度な参照地図（Digital Elevation Model [DEM]および外観マップ）を作成するためのプロセスと、その検証手法について詳細に解説しています。

データ統合: LROのLOLA、LROC NAC、さらにKaguya TCなど複数の軌道データソースを統合し、それぞれのカバレッジや解像度の違いから生じる不連続性やアーティファクトを補正。
DEM改良: 特にLOLAデータに対して、軌道再構成誤差や点群のギャップによるノイズを、トラック調整法を用いて反復的に補正し、誤差を元々の数メートル規模から約10～20cmまで低減。
高解像度マッピング: Stereo画像やShape‑from‑Shading（SfS）技術を組み合わせることで、1～2.5 m/pix程度の高精度DEMを生成し、着陸時のTRNおよびHDシステムへの適用を検証。
評価基準の策定: 地図の精度、ジオロケーション誤差、光学的な再現性など、TRNシステムの性能に影響を与える各種誤差要因を定量化するための標準化された評価指標およびベンチマークデータセットの作成プロセスを提案。

主要成果：

LOLAトラック調整により、地図のジオロケーション誤差を大幅に低減（水平約10～20cm、垂直は数cmレベル）。
複数の手法を組み合わせることで、従来の月面地図よりも高解像度かつ連続性のあるDEMおよび外観マップを生成。
TRNおよびHDの性能評価に向けた標準的なプロセスと評価指標を提案し、今後の月面着陸ミッションにおける安全性向上に貢献。

Summary

近年の月面探査分野では、自動化と高精度化を両立するための技術が急速に進展しています。

自動クレーター検出は、膨大なデータの効率的な解析と、月面の進化履歴の解明に寄与し、
合成地形データの生成とセンサーシミュレーションは、着陸サイト選定や危険検出の精度向上に不可欠です。
Terrain Relative Navigation（TRN）やディープラーニングを用いた危険検出システムは、従来の手法よりも大幅な位置精度向上と安全性確保を実現し、
Vision Transformerによる低照度環境下での検出は、将来的な月面南極ミッションへの応用可能性を示しています。
また、高精度月面地図作成の取り組みは、これらすべての技術を支える基盤として、今後のミッション成功に不可欠な要素となります。

これらの最新研究動向は、月面着陸ミッションの安全性・自律性を向上させるだけでなく、将来的な惑星探査への応用や、地球外での長期滞在ミッションの基盤技術としても期待されています。各研究成果は、今後のさらなる改良や実運用への展開を通じ、宇宙探査技術の革新に大きく貢献するでしょう。