UTMパズルの解決：AIはいかにして低高度空域の衝突回避を可能にするか

配送ドローンが市内を定常ルートで飛行している最中、近くの屋上から点検ドローンが離陸し、公共安全任務が優先的に飛行許可を得て、さらに前方に一時的な空域制限が現れる。これらの飛行はどれも本質的に危険なものではない。問題は、それぞれの飛行計画が空間的にも時間的にも交錯する可能性があり、離陸後に状況が一変する可能性があることだ。

これは、UAS（無人航空機システム）交通管理（UTM）における実際的な難題です。多数のオペレーターが低高度空域を共有する際に、あらゆるやり取りが音声による調整問題や土壇場での回避行動に発展しないようにするにはどうすればよいのでしょうか？今日最も妥当な答えは、「AIにすべてを任せる」ことではありません。それは、相互運用可能なデータ、戦略的な衝突回避、適合性監視、戦術サービス、および機上安全機能がそれぞれ異なるリスク部分を処理する階層型システムです。人工知能はこれらの階層のいくつかを改善できますが、それでも明確な制約、検証、およびフォールバック動作が必要です。

この区別が重要なのは、UTMが研究段階から実用段階へと移行しつつあるからだ。FAAの現在のUTMプログラムは、オペレーターとサービスプロバイダーがAPIを通じてデータを交換する、分散型で高度に自動化されたエコシステムを想定しており、FAAは商用の目視外飛行（BVLOS）をサポートする戦略的衝突回避サービスに対する承認書の発行を開始したと述べている。同時に、より広範な米国規則パート108/パート146のBVLOSフレームワークは、2026年9月現在、最終規則ではなく提案規則のままである。つまり、運用能力は向上しているものの、規制の枠組みはまだ発展途上にあるということだ。

低高度における衝突回避が、別々の航路を描くよりも難しい理由

第一の原因は次元性です。衝突は単に地図上で2本の線が交差するだけではありません。各作戦は緯度、経度、高度、時間の4次元空間を占め、不確実性のための余裕も存在します。2次元で同じように見えるルートでも、航空機が異なる高度や時間帯を使用する場合は、衝突が発生しない可能性があります。

2つ目の原因は不確実性です。風、航法ミス、出発の遅延、指令管制の遅延、機体性能、天候、一時的な制限、緊急任務など、様々な要因によって航空機は当初の計画から逸脱する可能性があります。そのため、出発前に一度だけ経路を確認するシステムでは、飛行中に情報が古くなってしまう恐れがあります。

3つ目の理由は参加です。戦略的な調整は、関係する運用者が共通の意図を持ち、共通のルールに従う場合に最も効果を発揮します。FAAが後援し、同機関の2025年BVLOS規則案で引用された研究では、包括的な戦略的衝突回避を実施したシミュレーションでは、実施しなかったシミュレーションと比較して、UAS同士の空中衝突が約100分の1に減少したことが報告されています。同じ議論では、代表的なASTM分析で97.9%の減少が示されたことも指摘されています。これらはシミュレーションと安全分析の結果であり、実際の運用すべてを保証するものではありませんが、なぜ共通の参加が重要なのかを示しています。

実践的な対策：高度なAIを導入する前に、参加するすべてのシステムが、共通の時間と空間の参照で運用意図を記述し、他のサービスプロバイダーと確実に交換できることを確認する。

ステップ1：離陸前に予測可能な衝突を解決する

戦略的な衝突回避は、計画変更にまだ時間があるうちに発生するため、最も解決しやすい衝突です。NASAのUTM（無人航空機交通管理）における戦略的な衝突回避の取り組みでは、オペレーターが重複を特定し、衝突のない運用を計画できるように、発見可能な4次元運用ボリュームの使用が実証されました。ヨーロッパでは、EASA（欧州航空安全機関）のU-space規則において、UAS（無人航空機システム）の飛行許可は戦略的な衝突回避メカニズムとして規定されており、提案された飛行が、既に通知された他の許可と空間的および時間的に交差していないかを確認することが求められています。

基本的な衝突回避エンジンは決定論的であるべきです。計画された4Dボリュームを比較し、優先順位ルールを適用し、制限区域を尊重し、出発時刻、高度帯、ルートなどの代替案を提案することができます。これは、「AI駆動」が「不透明」と同義語になってはならないため重要です。安全上重要な多くの衝突は、明確なジオメトリとルールによって処理できます。

実践的な対策：まず、決定論的な競合検出を実装する。機械学習は、明確に定義された安全領域の上に構築された最適化ツールとして扱い、2つの操作が互換性があるかどうかを判断する唯一のメカニズムとして扱わない。

ステップ2：航空機が意図した範囲内に留まっているかどうかを監視する

衝突回避計画は、航空機が実際にそれに従って飛行する場合にのみ有効です。適合性監視システムは、報告された航空機の状態を許可または宣言された飛行範囲と比較し、航空機がその範囲に近づいたり超えたりした場合に警告を発します。

これは些細な追加機能ではありません。FAAが提案するBVLOS（目視外飛行）の枠組みでは、戦略的な衝突回避と適合性監視について明確に議論されており、NASAの2025年の衝突リスク研究では、シミュレーションの結果、出発前の戦略的な衝突回避と適合性監視を組み合わせることで、一部の航空機が不適合または不適合になった場合でも、戦略的な衝突回避のみの場合よりも、混在する航空機の交通をより安全に管理できることが分かりました。

AI支援システムにおいては、予測が役立つ場面がここにある。モデルは、一定の閾値を超える前に、逸脱が衝突に発展する可能性を推定できる。しかし、予測は決定論的な適合基準を補完するものであり、置き換えるものではない。

具体的な対策：「予測」と「違反」を分離する。AIに将来のリスクを推定させ、追跡可能なルールエンジンで、運用が正式に規定違反となる時期を判断する。

ステップ3：空域変更時の再計画

出発後に発生する問題もあります。例えば、気象セルが移動したり、優先すべき任務が発生したり、ドローンが予期せず減速したり、空域制限が変更されたりする場合などです。このような場合、システムには飛行前のスケジュール管理以上のものが必要になります。状況が切迫する前に、各飛行経路の次の部分を繰り返し評価し、安全な代替案を提案する、ローリングホライズン方式の再計画が必要となるのです。

EASAのガイダンスでは、新たな競合が発生しない場合に限り、有効な認可を更新することが認められており、動的な制限や交通状況によって飛行が危険にさらされる場合には、認可の警告や更新を行うよう規定されています。これは、ヨーロッパ以外でも有用なアーキテクチャパターンです。計画された意図と実際の制約を区別し、飛行中のあらゆる更新を明示的かつ関係者間で同期させることが重要です。

最適化手法は、有効な解決策が複数存在する可能性があるため、ここで役立ちます。あるルートは遅延を最小限に抑え、別のルートはエネルギー消費を最小限に抑え、別のルートは地上リスクを最小限に抑え、さらに別のルートは優先度の高い交通への影響を最小限に抑えます。ヒューリスティック探索、マルチエージェントプランニング、学習型ポリシーなどのAI技術は、人間のディスパッチャーが一つずつ評価するよりも迅速に、これらの選択肢をランク付けできます。

実践的な対策：アルゴリズムを選択する前に目的関数を定義する。衝突回避システムは、安全マージン、任務完了、遅延、バッテリー残量、公平性、あるいはこれらの重み付けされた組み合わせのどれを最適化しているのかを把握する必要がある。そうでなければ、「最適経路」という言葉は運用上の意味を持たない。

ステップ4：戦術的分離と衝突回避を区別する

よくある誤解として、戦術的衝突回避と衝突回避は同じものだと思われがちですが、そうではありません。ICAOのUTMガイダンスでは、戦略的衝突回避、戦術的分離、衝突回避をそれぞれ異なる層として扱っています。戦略的メカニズムは、そもそも航空機同士が遭遇する確率を低減します。戦術的分離は、飛行中に発生する衝突に対応します。衝突回避は、それ以前の層が機能しなくなった場合や、予期せぬ危険が生じた場合の最終的な防御手段です。

この責任分担はAIにとって重要です。潜在的な衝突の数分前に経路変更を推奨する機械学習モデルは、土壇場で回避行動を実行する機上システムとは根本的に異なります。それぞれ、遅延、信頼性、センシング、認証に関するニーズが異なるのです。

実践的な対策：各決定をどのレイヤーが担当しているかを文書化する。地上ベースの経路最適化システムが、高速な推奨を発信できるという理由だけで、いつの間にか衝突回避システムになってしまうことがないように注意する。

AIが真の価値を付加できる分野

AIが最も役立つのは、単純なルールでは対応できないほど探索空間が広大になったものの、厳格な安全要件によって解決策が制約される場合である。特に注目すべき4つの分野がある。

この方向性に関する研究は活発に行われているものの、その成熟度は様々である。NASAの2025年深層強化学習に関する技術覚書では、戦術的分離保証のためのシミュレーションフレームワークが提示され、ペアワイズ衝突シナリオにおける予備的な学習改善が報告されている。これは有望な研究ではあるが、制約のない強化学習エージェントが実運用のUTMトラフィックを制御する準備ができているという証拠ではない。

同様に、SESAR共同事業体の自律飛行計画承認サービスはAI駆動型とされていますが、現在の成熟度はV1/TRL2で開発が進行中です。SESARのBUBBLESプロジェクトでは、AI自体がもたらすリスクを考慮しながら、AIがどのようにして分離最小値を動的に管理できるかについても調査しています。

具体的な対策： AIの機能を成熟度別に分類する。研究プロトタイプ、運用上の意思決定支援、安全性評価に関わる機能を一つのカテゴリーとして扱うのではなく、それぞれ分けて示す。

難しいのは保証であり、ルート生成ではない

競合のない経路を生成することは、計算上興味深い課題である。しかし、不良データ、障害、不整合なクロック、サイバー攻撃、複数のサービスプロバイダ、非協力的なトラフィックといった状況下でも、システム全体が安全に動作することを証明する方がはるかに難しい。

FAAの現在のUTMプログラムは、相互運用可能なサービスプロバイダー、共有データ、ガバナンス、および自動テストを重視しています。これらのシステム特性は、アルゴリズムそのものと同じくらい重要です。2つのサービスプロバイダーが同じインテントを受け取り、隠れたモデルの動作のために一方が異なる結果になった場合、オペレーターはその理由を知る必要があります。モデルが古い気象データに依存している場合、システムは限定された応答を行う必要があります。ネットワーク接続が劣化した場合、即興的な対応ではなく、事前に合意された代替手段が必要です。

2026年1月に更新されたNASAの緊急時対応計画ツールキットプロジェクトは、関連する点を指摘している。将来のUTM（無人航空機交通管理）および先進的な航空モビリティのコンセプトでは、自律性、AI（人工知能）、機械学習の進歩が見込まれるが、協調的な緊急事態への対応には、依然として人間と自動化システムの意図的な連携が必要となる。

実践的な対策：正常系を最適化する前に、障害モードを設計する。テレメトリデータの遅延、サービスプロバイダへの接続不能、予測の信頼性の低下、航空機の飛行停止などの場合に何が起こるかを定義する。

簡単なものから難しいものまで網羅した実践的なアーキテクチャ

1. データを正規化する。座標、高度、時間、識別情報、および不確実性に関する共通の規則を使用する。
2. 運用意図を共有する。承認された参加者が4Dボリュームを検出できるようにする。
3. 決定論的な戦略的チェックを実行する。出発前に明らかな交差箇所を排除する。
4. 適合性を監視します。実際の飛行挙動が意図した挙動から逸脱した場合を検出します。
5. ローリングホライズン再計画機能を追加する。制約条件の変更に応じて、安全な選択肢を再計算する。
6. AIを活用してランキングと予測を行い、厳格な安全制約を撤廃することなく意思決定を迅速化します。
7. 戦術的および機上バリアを維持する。先行するバリアが不十分な場合は、戦術的な分離と衝突回避手段を利用できるようにしておく。
8. ネットワークの安全性を確保する。相互運用性、劣化モード、サイバーセキュリティ、公平性、説明可能性、および復旧手順をテストする。

この手順により、よくあるエンジニアリング上のミスを防ぐことができます。それは、システムが信頼できる意図データ、共有ルール、および安全境界を備える前に、見栄えの良いモデルから始めてしまうことです。

自己チェック：あなたの競合回避システムは本当に準備できていますか？

プラットフォームを「AI駆動型UTM」と呼ぶ前に、アーキテクチャ上の欠陥を明らかにするような質問に対してテストを行うべきです。

• 計画されたすべての操作は、不確実性マージンを含む時間制約のある4次元ボリュームとして表現できるだろうか？
• AIコンポーネントが利用できない場合、システムは機械学習なしで競合を検出できますか？
• 優先順位と公平性に関するルールは、サービスプロバイダー間で明確かつ一貫性があり、検証可能であるか？
• 適合性監視は、通常の航行誤差と真の運用上の逸脱を区別できるのか？
• 動的な制約、天候の変化、緊急任務は、同期的な計画変更の引き金となり得るか？
• 戦略的衝突回避、戦術的分離、衝突回避は、それぞれ独立した安全対策として扱われるのでしょうか？
• オペレーターは、ルートが拒否されたり、遅延したり、ルート変更されたりした理由を理解できるだろうか？
• システムは、古いデータ、接続の喪失、規格外の航空機、および矛盾するサービスプロバイダーの状態といった条件下でテストされていますか？
• AIモデルは、平均的な最適化性能だけでなく、故障時の挙動についても評価されるのでしょうか？
• ネットワーク層または予測層が信頼できない場合、明確に定義された安全な状態はありますか？

複数の質問に対する答えが「いいえ」である場合、次の投資は、より高度なAIモデルではなく、データ品質、相互運用性、適合性監視、または保証に向けるべきでしょう。

結論

UTM（無人航空機交通管理）の難題は、単一のアルゴリズムでは解決できません。高密度な低高度空域では、複数の防御策が必要です。交通状況を可視化するための共有意図、予測可能な衝突を排除するための戦略的衝突回避、逸脱を検出するための適合性監視、変化する状況に対応するための戦術的サービス、そして最終障壁としての衝突回避です。AIは、衝突を予測し、多数の代替軌道を探索することで、これらの防御策をより高速かつ適応性の高いものにすることができますが、検証可能な制約内で動作する必要があります。

今日のAIによる衝突回避について考える上で最も有用な方法は、AIが自律的な航空管制官としてその下位のすべてを置き換えるのではなく、基盤となるUTMエコシステムが相互運用可能で、監視可能で、AIが誤作動したり利用できない場合でも安全である場合にのみ価値を発揮する意思決定レイヤーとして捉えることである。