軌道上で動作する宇宙機は、数百から数千チャンネルに及ぶテレメトリを毎秒送り続けています。電源電圧、温度、姿勢センサの出力、通信リンク品質——これらの値が正常範囲を外れると、ミッションの喪失につながりかねません。問題は、どこで異常が起きているかを人間が手動で監視するには規模が大きすぎることです。
宇宙機テレメトリに対する異常検知は、この根本的な困難に向き合う研究分野です。ところが宇宙機データには地上の工業データにはない制約が重なります。通信ウィンドウは限られ、ラベル付き異常事例は少なく、オンボードの計算資源は貧弱で、ダウンリンク帯域も有限です。本記事は Farouk et al. “A review of anomaly detection in spacecraft telemetry data”（Applied Sciences 2025, 15, 5653）を軸に、この分野の手法分類体系・主要データセット・SOTA性能・残された課題・将来の研究方向を、関連する各手法記事へのリンクとともに整理します。
本記事を通じて得られること:
- 閾値法・ML・DL・ハイブリッドの分類体系と、それぞれの長所・限界
- NASA SMAP/MSL、ESA OPS-SAT/Sentinel-1/XMM-Newton、JAXA SDS-4 など主要データセットの特性
- GCN・TCN・TranAD など SOTA 手法の性能数値（精度 94.86%、再現率 99.59%）
- 分野全体の未解決課題（複合異常・ラベル不足・オンボード制約）と将来の研究方向
前提知識
この記事は俯瞰サーベイなので、各手法の詳細は対応する記事を参照してください。
- 時系列異常検知サーベイ（分野全体）
- Anomaly Transformer（関連乖離ベース異常検知）
- DCdetector（対照学習ベース異常検知）
- SARAD（空間的関連ベース異常検知）
- VUS — 異常検知評価指標
宇宙機テレメトリ異常検知とは何か
まず「なぜこの問題は難しいのか」を確認しておきましょう。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Fig. 1
宇宙機は軌道上でテレメトリデータを収集し、地上の電磁波通信を通じて地上局へ送信します。地上局側では信号変調・データ処理が行われ、専門家がパターン探索や異常検知分析を担当します。しかしこの図が示すように、宇宙機が生成するデータ量は膨大であり、専門家による手動監視には本質的な限界があります。
宇宙機特有のデータの難しさ
Farouk et al.（2025）は、宇宙機テレメトリ異常検知に固有の難しさとして以下を挙げています。
大量の多次元データ: 最新の宇宙機は1日に数テラバイトにのぼるテレメトリを生成します。チャンネル数も数百〜数千に達し、チャンネル間の複雑な相関関係を考慮しながら異常を探す必要があります。
不規則なサンプリング: 地上からの可視時間は限られており、テレメトリのダウンリンクは断続的です。データに欠損が生じると、連続時系列を前提としたモデルはそのまま適用できません。
ラベル付き異常の不足: 実際の軌道上での異常事例は少なく、再現も困難です。NASA SMAP/MSL データセットでさえ、異常サンプルは全体の約16.12%しかなく、教師あり学習のための十分な訓練データを得るのは容易ではありません。
専門ドメイン知識の必要性: 「これは異常か正常か」を判断するには、衛星の設計や運用に関する深い知識が不可欠です。ラベリング自体が専門家の時間を大量に消費します。
リアルタイム処理の要求: 軌道上での不具合は迅速な対処が必要です。異常を検知してからコマンドを送るまでに数時間から数日かかる深宇宙ミッションでは、早期検知の価値がとりわけ高くなります。
オンボード計算資源の制約: 地上での事後解析ではなく、宇宙機上でリアルタイムに異常検知を行いたい場合、搭載コンピュータの処理能力・消費電力・放射線耐性という制約が立ちはだかります。
これらの制約が重なることで、宇宙機テレメトリ異常検知は「高次元・不規則・ラベル希少・リアルタイム」という最も困難な時系列異常検知問題の一つになっています。これを解決するために、どのようなアプローチが提案されてきたのかを次に見ていきます。
手法の全体分類体系
Farouk et al.（2025）は、宇宙機テレメトリ異常検知手法を大きく閾値法（Thresholding Methods）とAI手法（AI Methods）に分類し、後者をさらに機械学習（ML）・深層学習（DL）・ハイブリッドに細分しています。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Fig. 2
タクソノミーツリーの全体像が一目でわかります。左から右に向かって、手法の複雑度と表現力が増していきます。閾値法は最もシンプルで解釈可能、ハイブリッドDLが最も高精度ですが計算コストも高くなっています。CNN/RNN/Transformer の3ファミリーがDL手法の中核を担い、それらを組み合わせたハイブリッドが最前線の研究テーマになっていることがわかります。
各カテゴリを詳しく見ていきましょう。
閾値法（Thresholding Methods）
閾値法、またはOut-Of-Limits（OOL）アラームとも呼ばれるこのアプローチは、最も古く、現在も広く運用されている手法です。
動作原理
考え方は単純です。テレメトリの各パラメータに対して「正常範囲」を設定し、その範囲を外れた値が観測されるとアラームを発報します。平均・標準偏差・最大値・最小値などの統計量を用いて閾値を計算します。
長所: – 実装がシンプルで解釈しやすい – ドメイン専門家が閾値を直接コントロールできる – 計算コストが低く、オンボード実装に適する
短所: – 閾値の設定に多大な専門知識と時間が必要 – 複雑なテレメトリパラメータ間の相互作用を無視する – 高い誤検知率（テレメトリノイズに敏感） – 文脈的異常や集合的異常を検知できない
具体的な取り組み
ESAのXMM-Newtonミッション（X線天文衛星）では、約2000のハウスキーピングパラメータに対する自動テレメトリ監視プロトタイプが開発されました。軍事通信衛星向けに提案されたDCDSPOT（Double-Criteria Drift Streaming Peaks Over Threshold）は、高い偽陰性率の問題に取り組み、再現率91%・精度85%を達成しています。
もう一つの改善として、ELMER（Envelope Learning and Monitoring using Error Relaxation）があります。ニューラルネットワークを使って動的に閾値の上下限を周期的に更新し、固定閾値より高速かつ低偽検知率での検出を実現しています。
閾値法はシンプルさゆえに今もなお多くの実運用で使われています。しかし、複雑な異常を見逃す構造的な限界から、AI手法との組み合わせや後継手法の研究が進んでいます。ML/DL手法の台頭の背景には、この限界を克服する必要性があります。
機械学習（ML）手法
MLアプローチは、テレメトリデータからパターンを自動的に学習する能力を持ちます。教師あり・教師なし・半教師ありの多様な設定で使えることが、宇宙機テレメトリへの適用を容易にしています。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 1（前半: ML手法）
この表は、各ML手法がどのデータセットで評価され、どの異常タイプに対応し、何が強みと限界かを整理しています。SVM系が ESA OPS-SAT や NASA SMAP/MSL で点異常・文脈異常・集合異常の全タイプに対応し、KNN や clustering が特定ミッションのデータに適用されていることが読み取れます。
Support Vector Machine（SVM）系
SVMは、正常データと異常データを分離する超平面を学習する教師あり手法です。宇宙機テレメトリに対しては、通常のSVMに加えて以下の派生系が使われています:
- OCSVM（One-Class SVM）: 正常データだけで訓練し、新しいサンプルが正常領域に属するかを判定する教師なし版。ラベルがない場合に有効
- LS-SVM（Least Squares SVM）: 標準的なSVMの二次計画問題を線形方程式に置き換え、計算を高速化した変形版
- ILS-SVM（Integrated Least Squares SVM）: LS-SVMをさらに改良し、統合型の最小二乗アプローチを採用
代表的な実験結果として、ESA OPS-SATデータセットに対してSVMは精度86.62%、再現率66.37%を達成しています。NASA SMAP/MSLに適用した研究では精度84.1%、再現率85.7%という結果が報告されています。
K近傍法（KNN）
近傍法アプローチは「正常データは密な近傍クラスタを形成し、異常は近傍から遠く離れる」という直感に基づきます。ESA OPS-SATデータセットでの実験では、KNNが再現率61.54%を達成しており、SVM（66.37%）をやや下回りますが、実装の単純さから選ばれる場面があります。
改良KNN（Improved KNN）はADAPT-Lite EPS（電気電源システム）データセットでニューラルネットワークより高い精度を達成しましたが、大規模・不均衡データでは計算コストが高くなるという制約があります。
クラスタリング手法
クラスタリングアプローチは、正常パターンのクラスタを学習し、どのクラスタにも属さないサンプルを異常と見なします。事前ラベルが不要な教師なし設定で使えることが大きな利点です。
JAXA SDS-4衛星のデータに対しては、確率的クラスタリングと次元削減を組み合わせた手法が、電源サブシステムの故障検知に成功しています。合成データと実テレメトリを組み合わせた Tianping-2B 衛星への適用では、異常検知スコアを3〜10%向上させました。
次元削減（DR）手法
次元削減アプローチの核心的なアイデアは再構成誤差による異常検知です。高次元のテレメトリを少数の潜在変数で表現し、もとに戻したときの誤差が大きいサンプルを異常と判断します。
- PCA（主成分分析）: 最も基本的なDR手法。線形変換で主成分方向に射影
- KPCA（カーネルPCA）: カーネルトリックでPCAを非線形に拡張
- MPPCA（混合確率的PCA）: 複数のPCAを混合モデルで組み合わせる
- LELVM（Laplacian Eigenmaps Latent Variable Model）: 多様体構造を保存しながら低次元に写す
JAXA EPS衛星データに対する比較実験では、MPPCAが検知精度と計算時間の両面で最優秀でした。匿名化された軌道上衛星の姿勢制御系データ（5000サンプル、14パラメータ）への適用でもPCAは実用的な結果を示しています。
ニューラルネットワーク（NN）
古典的なフィードフォワードNNも宇宙機テレメトリ異常検知に応用されています。ELMs（Extreme Learning Machines）はNASA SMAP/MSLデータセットで最先端手法と同等の性能を達成しつつ、訓練時間とデータ量を大幅に削減できることを示しました。
CubeSat（小型衛星）向けには、2層ANNとExtra Tee Classifierを組み合わせたADTM（Anomaly Detection via Topological-feature Map）が開発されています。実験室に設置したCubeSat（LabSat）から取得したテレメトリで、既知・未知両方の異常を検知できることが確認されています。
MLアプローチはデータ規模が比較的小さい場合には競争力がありますが、多変量テレメトリの複雑な時間的依存性やチャンネル間相関を十分にモデル化するには限界があります。この限界を克服するために、DLへのシフトが起きています。
深層学習（DL）手法
DLは多層構造による特徴抽出の力によって、大規模・高次元テレメトリデータの複雑なパターンを捉えることができます。現在の宇宙機テレメトリ異常検知の最前線はDLが担っています。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 1（後半: DL手法）
CNNが高精度かつ多次元処理に優れ、RNNが短系列の時間的異常に有効で、Transformerが長距離依存性の捕捉と計算効率に秀でていることがわかります。
CNN系: TCN・GCN・ResNet・FCN
TCN（Temporal Convolution Network）: 時間軸方向の畳み込みで局所的なパターンを効率よく学習します。動的グラフ注意（Dynamic Graph Attention）を組み合わせた変形版は、SMAP/MSLデータセットで精度94.74%・再現率94.17%を達成しました。固体電力増幅器の実テレメトリに適用した別の研究では、短時間ステップで平均精度96%、長時間ステップで96.45%を記録しています。
GCN（Graph Convolutional Network）: テレメトリチャンネル間の相関をグラフ構造としてモデル化します。チャンネルをノードとし、相関の強さをエッジ重みで表現することで、変量間の複雑な依存関係を扱えます。SMAP/MSLデータセットでの実験では、精度94.86%・再現率99.59%というサーベイ中最高のスコアを達成しています。
SARADはGCNと類似した「変量間の関連を直接モデル化する」発想を持つ手法です。グラフ構造を明示的に学習するGCNと、変量間の空間的関連の崩れを検知するSARADは、異なるアプローチから同じ根本的課題に取り組んでいます。
ResNet・FCN: 残差接続を持つResNetは計算効率と精度のバランスが良く、FCN（Fully Convolutional Network）は空間的パターンの捕捉に優れています。Lakey et al.（2024）がSMAP/MSLでの比較実験を行い、ResNetが精度80.76%・再現率58.87%、FCNが精度69.31%・再現率58.09%を記録しています。GCN/TCNには及びませんが、計算コストが低い点で実用価値があります。
RNN系: LSTM・GRU
LSTM（Long Short-Term Memory）: 宇宙機テレメトリ異常検知においてLSTMは最も広く使われているRNNアーキテクチャです。Hundman et al.（2018）による元論文はNASA SMAP/MSLデータセットで精度87.5%・再現率80.0%を達成し、この分野のベースラインとして頻繁に引用されます。
LSTMの後継として、CF-LSTM（Causality Features LSTM）が提案されています。テレメトリパラメータ間の因果的相関を特徴量として取り込むことで、予測精度と異常感度を向上させます。実軌道上衛星の20パラメータデータセットで、標準的なLSTMを上回るF1スコアを達成しています。
LSTMと転移学習の組み合わせ: 異なる衛星チャンネルから事前学習したモデルを新しいチャンネルに転用する転移学習アプローチは、訓練時間を71.45秒まで短縮しながら実用的な精度（再現率83.5%）を維持できることが示されています。これは少数チャンネルしか持たない小型衛星への適用で特に有用です。
GRU（Gated Recurrent Unit）: LSTMより単純な構造を持つGRUは、短い系列では LSTMと同等かそれ以上の性能を、より少ない計算コストで達成できます。EVT（Extreme Value Theory、極値理論）と組み合わせた GRU変形版は、複数チャンネルの検知性能を最大化しつつ推論時間0.013345秒という実時間性を実現しています。
GRU-VAE（GRUとVariational Auto-Encoderのハイブリッド）は、SMAP/MSLデータセットでは他の手法をやや下回る結果になっています。これは合成潜在空間の表現が実テレメトリの複雑な分布には必ずしも適していないことを示唆しています。
GRU時系列異常検知の詳細についてはTime-CADの記事も参照してください。
Transformer系: TranADほか
TranAD: Tuli et al.（2022）が提案したTransformerベースのエンコーダ-デコーダモデルです。8種類の宇宙機データセットに適用した実験で、限られた訓練データでもF1スコアを11%改善し、再現率が99.99%という驚異的な値を達成しています。訓練時間はわずか0.66秒と、他の手法を大幅に下回る計算効率も強みです。
TransformerがLSTMに比べて80%の訓練時間を削減できる理由は、LSTMが系列を逐次処理するのに対し、Transformerがポジショナルエンコーディングで全系列を並列処理できるためです。長距離の時間的依存性をグローバルな自己注意で捉えられる点も、長系列を扱う宇宙機テレメトリに有利です。
Anomaly Transformerは、通常の自己注意と学習可能なガウス事前分布（prior）の間の「関連乖離（Association Discrepancy）」を異常スコアとして使用します。DCdetectorはパッチ単位の二重注意対照学習で同様のアプローチに取り組んでいます。両者とも宇宙機テレメトリへの適用可能性が高い最先端手法です。
ハイブリッドモデル
異なるアーキテクチャの長所を組み合わせることで、単体モデルを超える性能を狙うハイブリッドアプローチが近年活発に研究されています。
LSTM + MPPCA: LSTM の単チャンネルに限定される弱点を、MPPCAによる多変量モデリングで補います。KOMPSAT-2（韓国多目的衛星2号）データで精度90%超を達成しています。
CNN + Transformer: CNNの局所的な空間特徴抽出とTransformerのグローバルな時系列依存性モデリングを結合します。多変量時系列から空間・時間的相関を同時に学習でき、従来手法を上回る性能を示しています。
LSTM + GAN（生成的敵対ネットワーク）: GAN を使って正常テレメトリと異常テレメトリの両方を生成し、LSTMの識別器を訓練します。推論時間が0.01085秒と非常に高速で、リアルタイム検知に適しています。Bi-Transformer（精度85.0%、再現率72.4%）もこの系統に属します。
SOTA性能比較
サーベイの最重要データの一つが、標準ベンチマークにおける手法間の精度比較です。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 2 & Table 3
この性能表から重要な洞察が読み取れます。まずGCNが精度94.86%・再現率99.59%で最高スコアを記録しており、チャンネル間のグラフ構造をモデル化することの有効性を示しています。TranADの再現率99.99%は驚異的ですが、精度85.40%という点に注意が必要です（高再現率の手法は一般に誤検知も多くなりやすい）。LSTMの基本実装（87.5% / 80.0%）が2018年の論文にもかかわらず今も競争力を持っている点は、この問題の難しさを物語っています。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 2 & Table 3
計算時間の観点では、TranADの0.66秒（Huawei G5500 / Tesla V100）が際立っています。FCNの555秒、ResNetの135秒と比べると100〜800倍の高速化であり、リアルタイム処理の実現可能性が大幅に高まります。ただし、性能比較は評価環境が異なるため直接比較には注意が必要です。
宇宙機テレメトリデータセットの全体像
どんな優れた手法も、適切なデータで評価されなければ実用性がわかりません。Farouk et al.（2025）は宇宙機テレメトリ異常検知に使われてきた主要なデータセットを体系的にまとめています。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 4（前半）
合成データ・シミュレーションデータ・実データの3種が混在し、データソース・形式・サンプル数・チャンネル数・パラメータ数・異常数・適用手法が網羅されています。ESA Sentinel-1（10チャンネル、146,887サンプル）と ESA OPS-SAT（9チャンネル、303,493サンプル）が実データとして使われていることが確認できます。
出典: Farouk et al., Applied Sciences 2025, 15, 5653, Table 4（後半）
後半の表では、JAXAの複数ミッション（SDS-4、MDS-1、DRTS、EPS）、中国航天科技集団（CASC）の Tianping-2B、韓国航空宇宙研究院のKOMPSAT-2、軍事通信衛星のデータなど、多国・多機関のデータが利用されていることがわかります。多くのデータセットはサンプル数や異常数が非公開（ダッシュ表記）であり、再現研究の妨げになっています。
主要なデータセットを解説しておきましょう。
NASA SMAP/MSL（最多使用ベンチマーク）
SMAP（Soil Moisture Active Passive）はNASAの土壌水分観測衛星、MSL（Mars Science Laboratory）は火星探査ローバー「キュリオシティ」です。これほど異なるミッションのデータが一つのベンチマークとしてまとめられているのは珍しいですが、どちらもNASA JPLが公開したことで異常検知研究の標準ベンチマークになりました。
主な仕様: – 多変量時系列、496,444サンプル – 81チャンネル – 80パラメータ – 105個の異常シーケンス（全体の約16.12%が異常）
異常の約59%が点異常、41%が文脈的異常と報告されています。Telemanom（Hundman et al., 2018）はこのデータセットで開発されたLSTMベースの手法で、同分野の礎となっています。詳細はTelemanom（宇宙機テレメトリ専用LSTM）を参照してください。
ESA OPS-SAT
OPS-SATはESAが打ち上げた軌道上実験プラットフォームで、新技術の実証に特化した小型衛星です。サンプル数303,493、9チャンネルという比較的小規模なデータセットですが、ESA自身が研究に公開していることでアクセスしやすく、SVM・KNN・OCSVM などの比較実験に広く使われています。
ESA XMM-Newton
XMM-Newtonは1999年に打ち上げられたESAのX線天文衛星で、約2000のハウスキーピングパラメータを持ちます。閾値法（OOL）による自動テレメトリ監視の実用例として本サーベイで言及されており、ESA自身がこのデータを使って空間運用のモニタリングシステムを開発しています。
ESA Sentinel-1
Copernicus プログラムの地球観測衛星です。10チャンネル・146,887サンプルという構成で、PCA・KNN・OCSVM・LSTMなど多様な手法の評価に使われています。
JAXAデータセット群
JAXAは複数のミッションのデータを研究に提供しています。SDS-4はクラスタリングとOCSVMの評価に、MDS-1とDRTSはDR（次元削減）手法の比較に使われています。EPS（電気電源サブシステム）のデータは多くの研究で採用されており、電源系の異常検知に特化したベンチマークとなっています。JAXA SDS-4は特に、445パラメータ（姿勢制御・電源・熱制御・コマンドデータ処理・無線送受信の各サブシステム）という高次元データを持ち、次元削減手法の有効性を評価する場として重要です。
コマンド情報の取り込み: CF-LSTMとESA-ADB
通常のテレメトリ異常検知は「観測された値のみ」を使いますが、現実の宇宙機ではコマンド（地上から送られる制御指令）が観測値に大きな影響を与えます。姿勢制御コマンドを送った直後にジャイロの値が急変するのは「異常」ではなく「コマンドへの正常応答」です。コマンド情報を無視すると、このような正常変動を誤検知してしまいます。
この問題に取り組む手法として、サーベイでは以下が紹介されています。
CF-LSTM（Causality Features LSTM）: テレメトリパラメータ間の因果的相関を特徴量として明示的に取り込むLSTM拡張です。20パラメータの実軌道上衛星データセットで、標準LSTMを上回るF1スコアと精度を達成しています。
ESA-ADB（ESA Anomaly Detection Benchmark）: コマンドを外生入力（exogenous input）として扱い、テレメトリとコマンドの両方を入力とすることで、コマンド起因の変動と真の異常を区別するフレームワークです。ESA-ADBの詳細解説も参照してください。
コマンドを考慮した異常検知の発想は、コマンド条件付き異常検知やコマンド・関係ベース異常検知の研究に発展しています。
評価指標: 精度・再現率・AUCの使い分け
異常検知の評価は一筋縄ではいきません。特に宇宙機テレメトリは「正常が圧倒的多数、異常は稀」という不均衡なデータであり、評価指標の選択が重要です。
Farouk et al.（2025）が調査した手法の多くは精度（Precision）・再現率（Recall）・F1スコア・TPR・FPR・AUCを使っています。
- 精度（Precision）: 「異常と検知したもののうち、本当に異常の割合」。誤検知率に対応
- 再現率（Recall）: 「本当の異常のうち、検知できた割合」。見逃し率に対応
- F1スコア: 精度と再現率の調和平均。両者のバランスを評価
- F0.5スコア: 再現率より精度を重視する場合（誤検知コストが高い場合）
- AUC（ROC/PR曲線下面積）: 閾値に依存しない総合評価指標
注意すべき点は、このサーベイが主に使っているpoint-adjust評価の問題です。point-adjustは「異常区間内に1点でも検知できれば区間全体を正解とみなす」ルールで、スコアが水増しされやすいことが指摘されています。ランダムな検知器でも高いF1スコアを出せてしまう場合があります。
この問題についてはVUS（異常検知評価指標）の記事で詳しく解説しています。またpoint-adjust・affiliation・VUSの比較も参照してください。公平なベンチマークのためには、AUCやVUSのような閾値非依存かつwater-mark効果のない指標を使うことが重要です。
分野の課題
優れた手法の登場によって性能は向上していますが、未解決の課題も明確になっています。
1. 複合異常・文脈的異常の検知困難
点異常は「その時刻の値が外れている」という単純な問題です。しかし実際の宇宙機障害はより複雑です。コンテキスト異常は「その値は通常なら正常だが、前後の文脈では異常」、集合的異常は「個々の値は正常だが、連続するパターンが異常」です。
SMAP/MSLデータセットでの低スコアに見られるように、現在のモデルは文脈的異常に対して弱さを示しています。Time-CAD（文脈考慮型異常検知）やTICC（Toeplitz逆共分散クラスタリング）のような文脈を明示的に扱う手法がこの問題へのアプローチを示しています。
2. 公開ラベル付きデータセットの不足
多くの研究が非公開データセットを使っているため、手法間の公平な比較が困難です。「機密性への懸念」が主な理由ですが、これが分野全体の進歩を阻む構造的問題になっています。NASA SMAP/MSLが唯一の共通ベンチマークとして使われすぎている現状も、過学習のリスクを高めています。
3. リアルタイム処理の実現
異常を検知してから対処コマンドを送るまでに、通信遅延（地球近傍でも往復数百ミリ秒、深宇宙では数十分）があります。このため、地上局到達時点ではなくテレメトリ生成時点での異常検知が重要です。現在の研究ではTranADのような高速モデルが登場していますが、実運用環境での実証は限定的です。
4. オンボード計算制約
理想的には、異常を軌道上でリアルタイムに検知して自律的に対処することが望まれます。しかし宇宙機の搭載コンピュータは地上のサーバと比べて計算能力が大幅に制限されており、GCNやTransformerのような計算集約的なモデルは動かせません。CNN系は並列化効率が高く、オンボード実装の有力候補として研究が進んでいます。
5. ダウンリンク制限によるデータ損失
すべてのテレメトリを地上にダウンリンクできるわけではありません。リンクバジェット（通信容量）の制約から、一部のデータは失われます。その結果、地上での異常検知システムは不完全なデータを扱わざるを得ません。この問題を回避するには、オンボード処理またはデータ圧縮・優先送信の仕組みが必要です。
6. 説明可能性（XAI）の欠如
「なぜこれが異常なのか」を説明できるモデルは現状では少ないです。実際のミッション運用では、地上チームが異常の原因を迅速に理解し、適切な対処を判断する必要があります。ブラックボックスモデルが「異常」と出力しても、その根拠がわからなければ信頼できません。OracleAD（因果構造異常検知）のような根本原因変量の特定機能を持つ手法が、説明可能性の向上に貢献できます。
将来の研究方向
Farouk et al.（2025）が指摘する将来の研究方向と、対応する既存研究を照合してまとめます。
GAN による異常データ合成
ラベル付き異常事例の不足を補う最も有望な方向の一つが、GANによる合成データ生成です。正常データから条件付きGANを使って「現実的な異常」を合成し、訓練データを拡張します。現在の LSTMベース実装（LSTM+GAN）は推論速度で優位性を示しており、データ拡張への応用も研究されています。
半教師あり・自己教師あり学習
ラベルなしデータを最大限活用する半教師あり・自己教師ありアプローチは、宇宙機テレメトリの「正常データは大量、異常ラベルは希少」という状況に理想的に合致します。
USADやOmniAnomalyはいずれも教師なし・半教師ありで機能する手法です。対照学習（contrastive learning）の応用も活発な研究テーマです。
転移学習によるクロスミッション適用
ある衛星で学習したモデルを別の衛星に転用できれば、ミッションごとの再学習コストを大幅に削減できます。特に「衛星系統は同じだが軌道や環境が違う」ケースでは転移学習が有効と期待されます。本サーベイでも、LSTM+転移学習が訓練時間71.45秒を達成しながら実用的な精度を維持した結果が報告されています。
XAI（説明可能AI）
異常の「なぜ」を説明できるモデルへの要求は、ミッションクリティカルな宇宙機運用で特に高まります。Shapley値ベースの説明、注意重みの可視化、因果グラフによる異常経路のトレースなど、XAIと異常検知の融合が進んでいます。OracleADの変量別逸脱スコアも説明可能性の一形態です。
ストリーム処理・ビッグデータ基盤
Apache SparkやApache Flinkのようなビッグデータエンジンを用いたリアルタイムストリーム処理は、「大量テレメトリをリアルタイムで処理する」という要求に対する基盤技術として注目されています。
デジタルツイン
宇宙機の数値シミュレーションモデル（デジタルツイン）を使えば、現実では得られない異常事例を仮想的に生成し、検知器の事前検証や訓練データの拡張に使えます。飛行前の地上試験フェーズで異常検知システムを徹底的に評価できることも大きな利点です。
この分野との連携: 関連手法記事マップ
本記事が俯瞰サーベイとして取り上げた各手法は、本ブログの個別記事で詳しく解説しています。
| カテゴリ | 手法・トピック | 対応記事 |
|---|---|---|
| RNN | LSTM異常検知（Telemanom） | telemanom-spacecraft-anomaly-detection |
| VAE系 | DC-VAE（マルチスケール分解VAE） | dc-vae-anomaly-detection |
| Transformer | Anomaly Transformer（関連乖離） | anomaly-transformer |
| Transformer | DCdetector（対照学習双注意） | dcdetector |
| グラフ関係 | SARAD（空間的関連ベース） | sarad-spatial-association-anomaly-detection |
| 因果構造 | OracleAD（安定潜在構造） | oracle-ad-stable-latent-structure-anomaly-detection |
| 文脈考慮 | Time-CAD（外部文脈条件付き） | time-cad-context-aware-anomaly-detection |
| 文脈考慮 | TICC（Toeplitz逆共分散クラスタリング） | ticc-toeplitz-inverse-covariance-clustering |
| コマンド条件 | コマンド・関係ベース | command-and-relation-anomaly-detection |
| 評価指標 | point-adjust問題とVUS | vus-anomaly-detection-metric |
| 分野全体 | 時系列異常検知サーベイ | time-series-anomaly-detection-survey |
まとめ
本記事ではFarouk et al.（Applied Sciences 2025）をベースに、宇宙機テレメトリ異常検知の全体像を整理しました。
手法の大きな流れ: 1. 閾値法（OOL）が現在も現場の主流だが、複合異常や高次元データへの対応に限界がある 2. ML（SVM/KNN/クラスタ/DR/NN）が小規模データで競争力を持ち、教師なし運用が可能 3. DL（CNN/RNN/Transformer）が大規模・高次元データで最高性能を達成しており、特にGCNとTranADが精度・速度の両面で優位 4. ハイブリッドモデルが複数手法の長所を組み合わせて更なる改善を狙う
ベンチマークの現状: – NASA SMAP/MSLが事実上の標準ベンチマークだが、評価指標にpoint-adjustが使われることが多く、スコアの過大評価に注意が必要 – ESA・JAXAのデータも活用されているが、多くは非公開のため再現研究が困難
未解決課題と将来方向: – 複合異常のモデリング改善（文脈・集合的異常） – ラベル付きデータの不足解消（GAN合成・半教師ありの活用） – オンボードリアルタイム検知（CNN系の省メモリ実装） – 説明可能性の向上（XAI・因果グラフ・変量別寄与スコア） – 転移学習によるクロスミッション適用
宇宙機テレメトリ異常検知は、時系列異常検知の最も難しい部類に属する問題です。しかし、GCN・TranAD・ハイブリッドモデルなどの登場により、精度と計算効率の両立が着実に進んでいます。この分野の最新動向を深掘りするには、以下の記事も参考にしてください。
関連記事
