地図もGPSも与えられず、深度カメラの濃淡だけを頼りに、初めての街を飛び抜けていく——そんな「自分で考えて飛ぶ」ドローンAIが、いま世界中の誰でも参加できるオープンな競技場で鍛えられています。その現在の頂点に立つモデル「sotapilot」が公開され、成功率95.34%という数字を引っさげて登場しました。これは単なる高スコアの話なのか、それとも空の自律性がラボの外へ飛び出す合図なのか。一緒に見ていきましょう。
swarm-subnet が公開する sotapilot は、自律ドローン航法のオープンソースモデルである。Bittensor 上の Subnet 124 で運用されるオープンベンチマーク Swarm 上で学習されており、6種の手続き生成環境で成功率95.34%を記録した。リポジトリに公式な公開日の記載はなく、2026年6月時点で公開が確認できる。収録物は学習済みエージェントを収めた submission.zip と README.md で、zip 内には DroneFlightController クラスと推論コードが入る。
モデルは128×128の深度画像と位置・速度・姿勢の状態ベクトルを入力に受け取り、3次元の速度コマンドを出力する。地図やGPS、障害物の座標は与えられない。採点は成功45%、速度45%、安全10%の合計で、1,000シードの平均で順位が決まり、首位更新には現王者を0.015上回る必要がある。学習させたモデルはオープンソース実機 Langostino で動作する。
From: 
swarm-subnet/sotapilot — Autonomous Drone Navigation
【編集部解説】
このリポジトリを最初に開いたとき、私が引っかかったのは「95.34%」という数字よりも、それが置かれている場所のほうでした。sotapilot は単体の製品ではなく、Bittensor のサブネット124「Swarm」というオープンな競技場に提出された、いわば現時点の優勝候補モデルです。つまりこれは「すごいドローンができた」という話ではなく、「誰でも挑戦できる土俵の上で、今いちばん速くて確実な飛ばし方はこれだ」と公開で示された記録なのです。
技術の核を平たく言えば、こうなります。ドローンに渡されるのは128×128という粗い深度画像と、自分の位置・速度・姿勢の数値だけ。地図もGPSも障害物の座標もありません。その生の入力から、ニューラルネットワークが直接「どの方向へどれだけの速さで進むか」という指令を出し、60秒以内に着陸点へ降ります。人間で言えば、濃い霧の中で初めての街に放り込まれ、ぼんやりした遠近の濃淡だけを頼りに出口まで走り抜けるようなものだと考えてください。
ここで一点、冷静に補助線を引いておきます。深度画像からエンドツーエンドで速度指令を学ぶという手法そのものは、決して新発明ではありません。チューリッヒ大学のロボット知覚グループをはじめ、世界の研究室がこの数年磨いてきた領域で、2026年も同種の研究が相次いで発表されています。では Swarm の何が新しいのか。それは技術の中身ではなく、「閉じたラボの成果」を「公開・再現可能・比較可能な競争」へ引きずり出した設計のほうにあります。
その設計を支えているのが、採点ルールです。成功45%・速度45%・安全10%という配分を、1,000通りの異なる地形（シード）で平均して順位を決めます。さらに王者を更新するには現王者を0.015上回る必要があり、毎回シードが入れ替わるため「たまたま運がよかった一発」では勝てません。丸暗記が効かないこの仕組みが、スコアを実力の証明書に変えているわけです。
そして見逃せないのが、報酬の出どころです。Swarm は Bittensor というブロックチェーン上にあり、良い飛行ポリシーを出したマイナーほど多くのトークン報酬を得ます。AIモデルの優劣をトークン経済が直接インセンティブ化している——ブロックチェーンとフィジカルなロボティクスが同じ盤面で噛み合っている点は、この事案をただのドローンニュースに留めない理由です。
この技術が広がると何ができるようになるのか。鍵は「シミュレーションで終わらせない」という姿勢にあります。Swarm は Langostino という自作可能なオープンソース実機（ROS2・Raspberry Pi・INAV）を用意し、学習済みモデルを現実のハードウェアへ載せる道筋まで示しています。報じられているところでは、開発チームはアンドラでスキーリゾートと組み、雪に埋もれた人を捜す自律雪崩救助への応用を進めているとされます。ゲーム的なスコア競争が、人命救助の現場と地続きになっているのです。
実際、2026年は自律ドローン救助が「研究」から「実装」へ移った年でもあります。欧州最高所のスキーリゾートであるヴァル・トランスが、DJIの自律ドローン「Dock 3」を山岳救助に導入するなど、商用機の現場投入が同時多発的に進んでいます。Swarm のアプローチが面白いのは、その制御知能を特定メーカーの中ではなく、世界中の参加者が競い合うオープンな場で鍛えようとしている点でしょう。
もちろん、手放しで称賛はできません。まず数字の読み方です。95.34%はあくまでシミュレーション上のベンチマーク値であり、本物の風・雨・センサーノイズが渦巻く屋外でそのまま再現される保証はどこにもありません。研究の世界でも「シミュレーションから現実へ」の溝（sim-to-real ギャップ）は最大級の難所として知られています。記録としては立派ですが、実機での成功率と同一視しないことが肝心です。
潜在的なリスクも直視する必要があります。飛行アルゴリズムをオープンソース化する思想は、安全で安価で説明責任のあるドローンへの近道であると同時に、誰でも高性能な自律飛行能力を手にできることを意味します。救助に使える技術は、用途を変えれば監視や軍事にも転用しうる——いわゆるデュアルユースの宿命から、この分野も逃れられません。
規制への影響という観点では、ここに制度設計上の難問が潜みます。従来の航空法やドローン規制は「誰が・どの機体を・どう操縦したか」を前提に組まれてきました。しかし、地図もGPSも持たず、その場の判断で飛ぶ学習済みモデルが操縦者になったとき、事故の責任は誰が負うのか。コードを書いた人か、学習させた人か、ベンチマークを運営する側か。オープンで分散的であるほど、この問いは輪郭を失っていきます。
長い目で見れば、私はこの動きを「ドローンのアンドロイド化」の予兆だと捉えています。スマートフォンが特定OS上のアプリ競争で進化したように、ドローンの頭脳（自律飛行AI）が公開ベンチマーク上の競争で鍛えられ、勝者の知能が標準として実機へ降りていく。その入口に置かれた一つの記録として、sotapilot の95.34%を読むと、数字の意味がぐっと立体的に見えてくるはずです。
【用語解説】
Subnet 124（サブネット124）
Bittensor 上に多数あるサブネット（特定タスクに特化した分散ネットワーク）の一つで、Swarm が運用する自律ドローン飛行用の区画を指す。
手続き生成（プロシージャル生成）
地形やマップを人手で固定的に作るのではなく、アルゴリズムでその都度自動生成する方式。同じものが二度と出ないため、丸暗記による攻略を防げる。
深度カメラ／深度画像
被写体までの距離を画素ごとに記録するカメラと、その出力画像。色や模様ではなく「どれだけ近いか・遠いか」の濃淡で空間をとらえる。
状態ベクトル
機体の位置・速度・姿勢といった自機の状態を数値の組としてまとめたもの。深度画像と並ぶ、モデルへの主要な入力である。
速度コマンド
モデルが出力する飛行指令。Swarm 本体の仕様では方向（x・y・z）・速さ・ヨー（旋回）からなる5次元の値として定義される。
シード
擬似乱数の初期値。同じシードからは同じ地形が再現されるため、評価の再現性と公平性を担保する役割を持つ。
エンドツーエンド学習
入力（センサー値）から出力（制御指令）までを途中の手作り処理を挟まず、一つのニューラルネットワークで一気通貫に学習させる手法。
sim-to-real ギャップ
シミュレーションでうまくいったモデルが、現実の風やノイズの前で性能を落とす現象。実機応用における最大級の難所とされる。
マイナーとバリデーター
Bittensor の役割分担。マイナーがモデル（飛行ポリシー）を提出し、バリデーターが課題を生成して評価し、成績に応じて報酬が配分される。
デュアルユース
救助にも監視・軍事にも転用しうるという、技術が本質的に抱える両義性のこと。
【参考リンク】
Swarm（swarm124.com）（外部）
自律ドローン航法のオープンベンチマーク公式サイト。リーダーボードやシード情報、ベンチマークの仕組みを公開している。
sotapilot（GitHub）（外部）
本記事で扱った提出モデルのリポジトリ。READMEと学習済みエージェントの submission.zip を収録している。
Swarm 本体リポジトリ（GitHub）（外部）
ベンチマークの中核コード。MITライセンスで公開され、採点ルールや入出力仕様、CLI、各種ガイドを含む。
Langostino（GitHub）（外部）
学習済みモデルを実機で飛ばすためのオープンソース自作ドローン。組み立てガイドと部品表、3Dプリント部品を提供する。
Bittensor（公式）（外部）
分散型AIのインセンティブネットワーク。Swarm はこの上の Subnet 124 として運用されている分散ネットワークである。
ROS2（公式）（外部）
ロボット開発の標準ミドルウェア。自作機 Langostino のソフトウェア基盤として用いられている。
Raspberry Pi（公式）（外部）
小型シングルボードコンピュータ。Langostino の機上計算機（オンボードコンピュータ）として搭載されている。
INAV（GitHub）（外部）
オープンソースのフライトコントローラー・ファームウェア。Langostino の飛行制御に使われている。
DJI（公式）（外部）
編集部解説で触れた自律ドローン「Dock 3」のメーカー。山岳救助など現場運用での導入が進んでいる。
【参考動画】
ドローンの飛行テストや各種シナリオの記録を公開する、Swarm 運営チームの公式チャンネルである。
【参考記事】
Europe’s Highest Ski Resort Is Using Autonomous Drones for Mountain Rescue（Unofficial Networks）（外部）
欧州最高所のスキーリゾート、ヴァル・トランスがDJIの自律ドローン「Dock 3」を山岳救助に組み込んだことを伝える記事。自律ドローンが救助現場で実装段階に入った2026年の動向を示す。
Bittensor Protocol Upgrades Explained: Conviction & TAO Flow V2（SimplyTao）（外部）
Swarm（SN124）の進化を解説。GitHubリポジトリ丸ごとをDockerコンテナで実行する方式への移行や、アンドラのラボでスキーリゾートと組んだ自律雪崩救助への応用に触れている。
swarm-subnet/swarm（GitHub・Swarm 本体リポジトリ）（外部）
ベンチマークの一次情報。入力（128×128の深度画像＋状態ベクトル）、出力（5次元の速度コマンド）、50Hz動作、60秒の制限時間、採点配分、王者更新の閾値（+0.015）などの仕様を明記している。
Research — Robotics and Perception Group（チューリッヒ大学 RPG）（外部）
深度・画素から直接エンドツーエンドで飛行ポリシーを学ぶ研究を多数公開。CVPR 2026採択の成果も含み、Swarm の手法が孤立した発明ではないことを裏づける。
Vision-Guided Outdoor Flight and Obstacle Evasion via Reinforcement Learning（arXiv）（外部）
深度画像と状態推定から速度コマンドを生成し、目標到達と障害物回避を両立させるニューラル方策を扱う2026年の論文。Swarm と同型のアプローチの広がりを示す。
Swarm – Subnet Alpha（subnetalpha.ai）（外部）
Swarm（Subnet 124）の全体像を整理した解説。バリデーターが合成課題を生成し、PyBullet上でマイナーの飛行ポリシーを評価し報酬を配分する仕組みを説明している。
【関連記事】
ドローンレーシング世界大会2025開幕｜時速150kmの空中戦、中国・成都でライブ配信（関連記事）
深層強化学習「Swift」がシミュレーションで人間レベルの飛行技術を獲得した事例。今回の「学んで飛ぶ」と直結する内容です。
MIT：メタラーニング技術で自律ドローンが進化、予測不可能な外乱に自動適応する新制御システム（関連記事）
学習ベースの自律飛行制御を扱った記事。シミュレーションから実機へ、という論点が重なります。
三菱重工×Shield AI、「Hivemind Enterprise」で無人機AIをわずか8週間で開発・飛行実証に成功（関連記事）
学習したAIが操縦者になる流れの実装例。本記事からの読者導線として相性のよい一本です。
【編集部後記】
正直に言うと、私がこの話にいちばん惹かれたのは、雪崩救助の一行でした。ゲームのスコア争いのように見えるベンチマークが、雪の下で助けを待つ誰かの数分に、確かにつながっている。技術を「便利な道具」としてだけ見ていたら、たぶん見落としていた接点です。
一方で、地図もGPSも持たないAIが操縦者になる未来には、まだ答えの出ていない問いがいくつも残されています。私もすべてを見通せているわけではありません。だからこそ、期待と不安の両方を持ったまま、この分野を一緒に見守っていけたらと思っています。次にこのドローンたちがどこまで飛べるようになるのか、また続報をお届けします。
