何が起きたか
2026年8月28日にarXivで公開された論文で、火星表面探査向けの多タスク適応型認識フレームワーク「MANTLE」が提案された。MANTLEは、共有のDINOv2バックボーンとタスク特化ヘッド（地形分類ヘッドとボルダーセグメンテーションヘッド）で構成され、地形分類で7クラスに対し92.56%のテスト精度、ボルダーセグメンテーションで検証IoU 0.753を達成した。
詳細
MANTLEは、HiRISE軌道画像とMSL地表画像から構築されたキュレートデータセットで訓練された。分類ヘッドは7つの火星地形クラスで92.56%のテスト精度を達成し、セグメンテーションヘッドは検証IoU 0.753を達成、未見のローバー走行からのホールドアウトテストセットで強いクロスソル汎化を示した。フレームワークの中心は「Modular Uplink Principle」で、共有の凍結バックボーンのみをオンボードに維持し、後続の認識機能は地球で軽量タスク特化ヘッドとして訓練され、モデル全体を再訓練することなくアップロードされる。
Key Facts
| MANTLEは、共有のDINOv2バックボーンとタスク特化ヘッド（分類ヘッドとセグメンテーションヘッド）で構成される。 | [1] |
| 分類ヘッドは7つの火星地形クラスで92.56%のテスト精度を達成した。 | [1] |
| セグメンテーションヘッドは検証IoU 0.753を達成し、未見のローバー走行からのホールドアウトテストセットで強いクロスソル汎化を示した。 | [1] |
| MANTLEは「Modular Uplink Principle」を提唱し、共有の凍結バックボーンのみをオンボードに維持し、後続の認識機能は地球で軽量タスク特化ヘッドとして訓練され、アップロードされる。 | [1] |
| データセットはHiRISE軌道画像とMSL地表画像から構築された。 | [1] |
本紙の見方
MANTLEの提案は、火星探査における認識システムの設計思想を転換する可能性がある。従来の探査機は、打ち上げ前にすべての認識機能を搭載し、固定されたモデルで運用されるのが一般的だった。MANTLEは、共有の凍結バックボーンのみをオンボードに維持し、タスク特化ヘッドを地球で訓練してアップロードする「Modular Uplink Principle」を提唱する。これにより、ミッション中に新しい認識機能を追加できるため、探査機が「完全な状態で火星に到着する必要はなく、アップロードごとに学習し、適応し、能力を高める」ことが可能になる。 このフレームワークの新規性は、モデル全体を再訓練せずに機能を追加できる点にある。DINOv2バックボーンは凍結されているため、オンボードの計算資源を最小限に抑えつつ、地球側で訓練された軽量ヘッドをアップロードするだけで、地形分類やボルダー検出などの認識能力を拡張できる。これは、火星探査のように通信帯域が限られ、計算資源が制約される環境において、効率的な運用を可能にする。 業界構造への含意として、このアプローチは探査ミッションの運用コストを削減する可能性がある。従来は、新しい認識機能を追加するために、探査機全体のソフトウェアを更新する必要があったが、MANTLEでは軽量ヘッドのアップロードだけで済む。また、地球側で訓練されたヘッドを共有することで、複数のミッション間で知識を再利用できる可能性もある。 未確定の論点として、MANTLEの実運用における性能が挙げられる。論文では、地形分類とボルダーセグメンテーションの2つの機能が実証されているが、他の認識機能（例えば、岩石の種類分類やクレーター検出など）への拡張性は未検証である。また、アップロードされたヘッドが実際の火星環境でどの程度の性能を発揮するかは、シミュレーションや地上試験での検証が必要である。さらに、通信遅延や帯域制限を考慮したアップロードの実用性も、今後の課題となる。
なぜ重要か
MANTLEは、火星探査における認識システムの柔軟性を高める画期的なフレームワークである。探査機がミッション中に学習し適応することを可能にし、将来の探査ミッションの効率と科学的成果を向上させる可能性がある。