はじめに

人間が行けない過酷な環境にロボットが侵入する。もはやSFの話ではなくなりました。
本稿は、瓦礫・深海・放射線・宇宙・山岳という人間の到達が難しい現場における自動運転×AIの実装状況を一次情報で横断整理します。個別事例の“できる/できない”を、運用設計領域（ODD）・知覚・意思決定・行動の観点で分解し、いま現実に使える解と次に伸ばすべき打ち手を導き出します。

1. 現場別の到達度マップ（最新実装）

1.1 瓦礫の中を進むロボット救助カー

スネークロボットが実災害に投入：CMUの蛇型ロボットが2017/09 メキシコ地震の倒壊建物で捜索に実運用。狭隘空間に入りカメラとセンサで探索を実施(cmu.edu)
地下・トンネルの総合力：DARPA SubT決勝でCERBERUSが四足ANYmal×ドローンの群協調で優勝。GPS不可・粉塵・段差環境で、自律探索・地図化・物体検出を成立させた実績(arXiv)

1.2 深海に潜る自律探査船（AUV）

6,000 m級の自律航走が常用域：WHOI AUV Sentryは6,000 mまでの自律測線・地形・化学計測に実績。粗視～高密度マッピングを自動切替しながら運用(Woods Hole Oceanographic Institution)
超深海への挑戦：WHOI Orpheusはハダル帯（6,000 m超）を狙う小型AUV。NASA JPLとの連携で地形相対航法などを磨き、無人・自律での極限域探査を目指す(Woods Hole Oceanographic Institution)
長距離自律の実証：Autosub Long Range “Boaty McBoatface”が南極域で長距離自律ミッションを達成し、深層乱流データを取得(British Antarctic Survey)

1.3 放射能環境を進む調査機

1.4 宇宙（惑星表面の自律走行）

“AutoNav”で岩場を自力走破：NASA Mars “Perseverance”はAutoNavにより岩塊帯を自己判断で回避・走破し移動効率を向上(NASA Jet Propulsion Laboratory (JPL))

1.5 山頂・火山の険地

火山調査の嚆矢：CMU “Dante II”が1994年にアラスカMt. Spurr火口へ下降しサンプリング。高温・崩落リスク領域でロボットの有効性を実証(ri.cmu.edu)
火口裂罅のロボット測量：NASA JPL “VolcanoBot”がハワイKīlaueaで溶岩チューブ内の3D測量を実施(NASA Jet Propulsion Laboratory (JPL))
不整地の自律歩行：ETH “ANYmal”は視覚×接触センサの学習制御で山岳地形の高速自律歩行を実証し、SubTでも成果(ETH Zürich)

2. 技術アーキテクチャ

ODD（運用設計領域）の明確化が出発点

例：SubTは地下（GPS不可・粉塵・崩落）、Sentryは6,000 m・潮流・通信遮断、福島は高線量・視界不良・段差。各“環境制約”がセンサ選定・経路計画・フェイルセーフを決める(arXiv)
知覚（Perception）

LiDAR/ステレオ/慣性＋学習ベース検出のハイブリッド。放射線や濁水・粉塵で視覚が劣化する局面ではレーダ・音響・多重冗長で補完(arXiv)
意思決定（Planning）

SubTや火山では局所SLAM×フロンティア探索、火星や深海では衝突確率を抑えた保守的プランが主流。AutoNavは安全駆動のしきい値管理で速度と確実性を両立(arXiv)
行動（Control）

不整地ではモデル予測制御＋学習（模倣/RL）のハイブリッドが増加。ANYmalの視覚×接触融合は実踏査での頑健性を押し上げた(ETH Zürich)

3. 限界・リスクと代替案

通信が切れる前提：地下・深海・原子炉では断続・低帯域が常態。機上要約・イベント検出を標準化し、重要データ優先送信で価値/ビットを最大化する
安全証明の難しさ：高リスク環境×学習系は説明可能性とテスト容易性が採否の核心。決定論ロジック＋学習の助言系で“差分”を監査する設計を取る
環境特異リスク：瓦礫は転倒・閉塞、深海は圧壊・浮力喪失、放射線は素子劣化、宇宙は熱・放射線・砂塵、山岳は滑落・風雪。冗長センサ/受動安全姿勢/最小リスク状態（MRS）を前提設計にする

4. 仮説→根拠→再検証→示唆・次のアクション（5 Whys含む）

4.1 仮説（結論先出し）

「人が行けない場所」では、当面は決定論×自律の骨格に軽量AI（検出・要約・補助計画）を重ねる“段階導入”が最適解です。完全自律の汎用AIは限定領域から少しずつ進歩させることで現実化します。

4.2 根拠（一次情報）

地下・瓦礫：CERBERUSの群ロボ自律探索は単一監督者で運用可能な堅牢性を示した(arXiv)
深海：Sentryが6,000 mで反復的に自律ミッションを実施し、Orpheusがハダル帯を狙う設計で裾野を拡大(Woods Hole Oceanographic Institution)
放射線：Quinceの福島運用とSpotの線量マッピングで“人の代替”が定常化(k-nagatani.org)
宇宙：Perseverance AutoNavが人手介入なしで岩場を走破し、惑星表面でも自立判断が実用域(NASA Jet Propulsion Laboratory (JPL))
山岳・火山：Dante IIとVolcanoBotが高温・崩落の高リスク域で遠隔×自律の有効性を示した(ri.cmu.edu)

4.3 再検証（反証可能性）

“学習主導”の全面置換はいつか：ANYmalのような視覚×接触の学習制御が拡張すれば、行動層の学習比率が上振れする可能性(ETH Zürich)
深海×長期×低消費：ALR/Boatyのような超長距離自律で、計画生成まで機上AIが担うシナリオが台頭(British Antarctic Survey)

4.4 示唆・次のアクション（実務）

データ運用：機上イベント検出・要約圧縮を標準化し、断続通信でも科学価値を確保
安全設計：決定論ロジックを主系に、学習系は助言・検出の役割から導入。監査・しきい値・MRSをあらかじめ定義
群運用：SubTで実証済みのマルチロボ協調（空×地×蛇）を瓦礫・山岳へ転用
現場連携：消防・海保・電力・宇宙機関と共同テスト→手順整備を反復

4.5 5 Whys（なぜ？を掘る）

なぜ “決定論×軽量AI”が主流なのか → 極限環境では説明可能性・テスト容易性が最重要で、全学習化は承認・責任設計が難しいから
なぜそれでもAIを入れるのか → 検出・要約・補助計画は価値/ビットと現場回転率を大幅に押し上げるから（例：線量マップ・AutoNav）(IEEE Spectrum)
なぜ通信前提を変えられないのか → 地下・深海・原子炉は通信遮断・低帯域が本質で、機上判断が必須だから(Woods Hole Oceanographic Institution)
なぜ群ロボが有効なのか → 冗長性×カバレッジで安全と探索効率を同時に高められる（SubTの勝利要因）(arXiv)
なぜ次のブレイクは“行動層の学習化”なのか → 視覚×接触のマルチモーダル学習が不整地の即応を改善し、人では入れない起伏域の可動域を拡張するから(ETH Zürich)

おわりに

人が行けない場所での自動運転は、現場制約を正面から設計し、決定論の骨格にAIを重ねることで実用域へ到達しています。地下・深海・放射線・宇宙・山岳の各領域で、群ロボ協調と機上の要約・検出が“現実解”と言えるでしょう。
次の一歩として、安全証明可能な学習制御の適用拡大と、運用・法規・保険を含むエコシステムの整備が望まれます。

参考リンク（一次情報中心）

SubT/CERBERUS（群ロボ自律探索）：技術総括論文・公式サイト (arXiv)
深海AUV：WHOI Sentry（6,000 m）・Orpheus（ハダル帯）・ALR/Boaty（長距離） (Woods Hole Oceanographic Institution)
放射線環境：Quince（福島）・Spot（チェルノブイリ）・燃料デブリ回収（2024） (k-nagatani.org)
宇宙：Perseverance AutoNav（自律走行） (NASA Jet Propulsion Laboratory (JPL))
山岳・火山：Dante II（Mt. Spurr）・VolcanoBot（Kīlauea）・ANYmal（学習歩行） (ri.cmu.edu)