Romfart
Firebente roboter forbereder seg på autonom Mars‑utforskning
En dag kan romutforskning bruke astronauter som bor permanent utenfor jorden, slik som det er forestilt i Artemis‑oppdragene til Månen, eller av Elon Musk for Mars.
Selv med menneskelig tilstedeværelse vil mye av arbeidet som trengs i rommet bli utført av roboter, om ikke annet, fordi de er mye lettere å erstatte enn menneskelige astronauter og mye mindre sårbare for giftig luft eller vakuum, stråling, ekstreme temperaturer osv.
Ideelt sett bør de fleste rovere og roboter kunne håndtere seg selv for enkle oppgaver, med mennesker på Jorden eller på stedet kun involvert for å hjelpe dem med å løse spesifikke problemer eller bestemme deres daglige oppdrag.
Etter hvert som AI utvikler seg raskt, inkludert fysisk AI, et konsept som nå fremmes av AI‑lederen NVIDIA, kan denne science‑fiction‑visjonen allerede være en realitet.
For enda mer fjerne oppdrag, som på Jupiters måner, gjør tidsforsinkelsen i kommunikasjonen, opptil én time, enhver direkte kontroll enda vanskeligere, og gjør autonome beslutninger fra sonder ekstra verdifulle.
«Roverne er designet for energieffektivitet og sikkerhet, og for å bevege seg sakte over farlig terreng. Som et resultat er utforskning vanligvis begrenset til kun en liten del av landingsstedet, med roverne som typisk reiser opptil noen hundre meter per dag, noe som gjør det vanskelig å samle geologisk variert data.»
Et annet steg vil være å gi romutforskningsroboter større evne til å bevege seg fritt. Tross alt kan hjul og belter være mer pålitelige, men det er ikke som om veier venter på dem på Månen og Mars.
Som et resultat har de fleste robotutforskningsoppdrag så langt fokusert på relativt flate, lett navigerbare områder. Men disse områdene er kanskje heller ikke de mest nyttige for fremtidig romkolonisering.
For eksempel kan lavatunneler være perfekte forhåndsbygde skjul for fremtidige astronauter, men vi har aldri utforsket en ordentlig, selv om AI‑drevet utforskning av lavatunneler er planlagt. Og de fleste ressursene vil sannsynligvis finnes i dype kratre (vann) eller fjellområder (metaller og andre mineralforekomster).
«På Månen er mange viktige ressurser lokalisert i terreng som er vanskelig å nå, inkludert flyktige og titan‑rike pyroklastiske avsetninger, REE‑holdige KREEP‑basalter, og vannis i permanent skyggefulle områder nær Sydpolen. På Mars er vann‑is‑eksponeringer og metall‑rik regolit også identifisert i høy‑breddegrad og høylandsområder, ofte innen ustabile skråninger eller brutt geologiske settinger.»
Derfor trengs mer avanserte roboter, med firbente «robodogger» som et sannsynlig alternativ, ettersom dette designet blir stadig mer populært på Jorden også.
Denne muligheten testes av sveitsiske forskere ved ETH Zürich, Universitetet i Zürich, Neuchâtel Space Exploration Institute, Universitetet i Basel og Universitetet i Bern.
De brukte en firbent robot, testet om den kunne håndtere semi‑autonom utforskning og prøvetaking i et rekonstruert rommiljø, og publiserte sine funn i Frontiers In Space Technologies1, under tittelen «Semi‑autonom utforskning av mars‑ og måne‑analoger med en benet robot som bruker en Raman‑utstyrt robotarm og mikroskopisk bilde».
Gjenopprette Mars på Jorden
Forskerne brukte Marslabor‑anlegget ved Universitetet i Basel, som simulerer planetoverflatens forhold ved hjelp av analogiske bergarter, regolit (planetarisk støv) og analogisk belysning for å gjenskape et miljø identisk med Mars, bortsett fra gravitasjonen.
Marslabor omfatter et 80 m² rom med en 40 m² testbenk laget av mars‑analoge materialer. Dette inkluderte bergarter med stort potensial for bevaring av biosignaturer, som gips eller karbonatstein, som ville være av stor interesse i en reell mars‑utforskning som ønsker å undersøke tidligere biologisk aktivitet på den røde planeten.
I tillegg ble bergartstyper som indikerer tidligere flytende vann, som silikiklastisk karbonatstein og svovelholdig basalt, også inkludert.
Et segment av rommet gjenskapte også måneforhold, med bergartstyper som kan være en nyttig kilde til oksider, titan, aluminium og silisium.
Firebente utforskere
Allsidig robot med sensorer
Roboten som ble brukt i denne studien var en ANYmal‑robot bygget av det sveitsiske selskapet ANYbotics, som er spesialisert på industrielle inspeksjoner i farlige områder. For å muliggjøre kartlegging og lokalisering er ANYmal utstyrt med en VLP‑16 Puck LITE LiDAR fra Velodyne, seks RealSense D435 aktive stereosensorer fra Intel for høydekartlegging, og to FLIR Blackfly vidvinkelkameraer for å levere RGB‑bilde‑strømmer.
Roboten var utstyrt med en mikroskopisk bildesensor (MICRO) og et MIRA RTX Raman‑spektrometer produsert av det sveitsiske selskapet Metrohm. Disse sensorene ble installert på en robotarm utviklet internt av ETH (Eidgenössische Technische Hochschule – Sveitsisk føderalt teknisk institutt).
Den ble fjernstyrt av en operatør ved hjelp av et grafisk brukergrensesnitt (GUI) som viser et digitalt høydekart og kamerabilder hvor kommandoer og oppgaver overføres.
Målet med MICRO‑bildesensoren er å fange nærbilder av steinprøvenes tekstur, korn og farge, et viktig datasett for å identifisere steintypen og sammensetningen. Den inneholder et USB‑mikroskop, en ring med 48 RGB‑LED‑er, en tids‑til‑flyt (ToF)‑sensor og kontroll‑elektronikk. En skumring hindrer spredt lys i å komme inn når MICRO er i kontakt med et mål.
Raman‑spektrometeret hadde en infrarød eksitasjonslaser med en bølgelengde på 785 nm og en maksimal effekt på 100 mW, med et spekter fra 400 til 2 300 cm⁻¹ og en oppløsning på 8–10 cm⁻¹. Dataene kompletterer MICRO‑observasjonen ved å avsløre den kjemiske sammensetningen av de studerte steinene.
Undersøkelse med & uten mennesker
To driftskonsepter for robotisk vitenskapelig kartlegging: ett med klassisk menneskelig kontroll, og det andre med fler‑mål, semi‑autonom prøvetaking med minimal menneskelig inngripen.
I den menneske‑assisterte metoden identifiserte operatøren et mål i kamerabildet og valgte et navigasjons‑veipunkt i det grafiske GUI‑et. Deretter kunne operatøren umiddelbart gjennomgå de innkommende dataene og avgjøre om ytterligere målinger var nødvendig. Operatøren valgte også hvor mange Raman‑målinger som skulle utføres og bestemte deres spesifikke plassering på steinen.
I den semi‑autonome metoden ble forhåndsdefinerte kommandoer gitt på forhånd til roboten, inkludert lokomotivering, veipunkt‑navigasjon, instrument‑utplassering og datatilbakeføring. Når instruksjonene var lastet opp, utførte roboten alle oppgaver autonomt, fra bevegelse til robotarm‑utplassering og vitenskapelige målinger.
Etter å ha fullført målesekvensen ved hvert mål, fortsatte roboten autonomt sin utførelsessyklus, beveget seg til neste mål og lagret data etter hver måling. Først når målingene var fullført for alle mål, ville roboten overføre de innsamlede dataene til basestasjonen.
Resultatene fra analysen bekreftet nytten av å kombinere ulike instrumenter, hvor kombinasjonen av Raman‑ og MICRO‑analyse økte sjansen for å korrekt identifisere en gitt stein.
Den semi‑autonome metoden identifiserte korrekt minst en tredjedel av målene per syklus, og oppnådde 100 % målidentifikasjon i én av fire analoge oppdrag. Fler‑mål‑oppdrag tok mellom 12 og 23 minutter, mens et menneskestyrt oppdrag krevde 41 minutter for å fullføre sammenlignbare analyser.
Så selv om resultatene var mindre perfekte, kunne mye mer vellykket analyse gjennomføres per minutt, noe som førte til større effektivitet totalt. Denne erfaringen bekreftet dermed at mer autonome roboter kan raskt kartlegge store områder av planetoverflater.
I tillegg kan en interessant prøve, når den er identifisert, deretter manuelt analyseres av forskerne i videre undersøkelser.
«I stedet for å stole utelukkende på store og komplekse instrumentpakker, kan fremtidige oppdrag sette i gang smidige roboter som raskt skanner miljøet og markerer lovende mål for detaljert undersøkelse.»
Forbedring av robotutforskning
Forskerne bemerket også at verktøyene som ble brukt alle var utviklet med direkte menneskelig kontroll i tankene. Dette betyr at den semi‑autonome roboten noen ganger led av feilaktig armplassering, noe som førte til uklare MICRO‑bilder eller for støyende Raman‑data.
Et forbedret system kunne i stedet gjenta testen med små automatiserte armjusteringer ved uklare bilder eller dårlig spektrometri‑data. Videre automatiseringsprogrammer kunne også være til hjelp.
«For å gå til et enda høyere autonominivå, kunne robotene oppdage interessante mål autonomt basert på form, farge og tekstur. I scenarier hvor datatransmisjonen er svært langsom (f.eks. i det ytre solsystemet), kunne roboten da autonomt ta målinger av disse målene.»
Dette systemet benyttet heller ikke de siste fremskrittene innen AI, som kan gi robotene mye større autonomi i fremtiden, som vi diskuterte i «Space 2.0: The Rise of Autonomous Robots and AI». Så enda mer avanserte protokoller for deteksjon og deretter skanning kan gi mer effektiv og autonom måling. Derfra kan trening av en spesialisert AI‑modell på reelle data fra roboter på Mars eller Månen gjøre fremtidige generasjoner av sonder enda mer effektive.
Investering i romrobotikk
Intuitive Machines
(LUNR )
Å sende autonome sonder til interstellare objekter vil kreve sterk ekspertise i å bygge store romsonder og få dem til å ankomme intakte på riktig sted. Så langt har dette hovedsakelig vært domenet til offentlige institusjoner som NASA, ESA og tilknyttede universiteter.
Dette endrer seg ettersom vi nærmer oss punktet hvor private selskaper kan begynne å sende automatiserte eller bemannede oppdrag for å utvinne asteroider, spesielt nærjordiske objekter. Denne typen prosjekt vil sannsynligvis bli neste steg eller utføres parallelt med tilbakeføringen av bemannede oppdrag til Månen, planlagt for de kommende årene.
Grunnlagt i 2013 i Houston, Texas, er Intuitive Machines foreløpig et svært «Måne‑fokusert» selskap, som indikert av aksjesymbolet LUNR, og har allerede blitt valgt for fire NASA‑måneoppdrag, og sysselsetter over 400 personer.
Kilde: Intuitive Machines
Det var det første kommersielle selskapet som med suksess landet og overførte vitenskapelige data fra Månen. Det utførte også den første avfyringen av LOx/LCH4‑motoren (flytende oksygen, flytende metan) i rommet. Selskapet arbeider med mange prosjekter som vil danne grunnlaget for en måne‑infrastruktur for utforskning og bosetting.
Den første er «datatransmisjonstjenesten», med teknologien som testes, og med mål om å ende med en måne‑datatransmisjonskonstellasjon rundt månens bane.
Kilde: Intuitive Machines
Den andre delen er «Infrastructure as a Service». Den skal inkludere telekommunikasjonstjenester, GPS‑lokaliseringstjenester, og Lunar Surface Vehicles (LTV) som er i stand til autonome operasjoner.
Kilde: Intuitive Machines
Den siste delen er levering av materiale til måneoverflaten. Så langt har selskapet levert vitenskapelige nyttelaster med Nova‑C‑lander, en 4,3 meter høy lander (14 fot) som kan levere 130 kg nyttelast til Månen.
Neste steg vil være med Nova‑D‑lander, som kan levere 1 500–2 500 kg materiale til Månen. Denne nyttelastkapasiteten og størrelsen vil være den som kreves for levering av Lunar Terrain Vehicle (LTV), samt den 40 kW Fission Surface Power‑kjernekraftreaktoren som forventes å forsyne månebasen med strøm.
Kilde: Intuitive Machines
Selskapet har sikret mange verdifulle kontrakter med NASA, for eksempel Near Space Network‑kontrakten, med en maksimal potensiell verdi på 4,82 milliarder dollar. LTV‑kontraktens endelige beslutning fra NASA mellom de tre potensielle leverandørene forventes ved slutten av 2025, og vil også kunne være verdt opptil 4,6 milliarder dollar.
I tillegg til NASA prøver selskapet å diversifisere sin kundebase, og ble i april 2025 valgt for en tilskudd på opptil 10 millioner dollar fra Texas Space Commission.
Dette vil støtte utviklingen av et jord‑gjeninntrekkskjøretøy og et orbitalt fabrikasjonslaboratorium designet for å muliggjøre mikrogravitasjons‑bioproduksjon. Dette gjeninntrekkskjøretøyet vil også gi en reserve‑mulighet og redusere risikoen for selskapets fremtidige måne‑prøve‑retur‑oppdrag.
Et annet prosjekt er utviklingen av lav‑effekt kjernekraft‑stealth‑satellitter for en Air Force‑forskningslab JETSON‑kontrakt.
Etter hvert som selskapet når et positivt fri kontantstrøm‑punkt i Q1 2025, og med den lunare telekommunikasjonskontrakten, blir det nå mye tryggere for investorer, og beveger seg fra en kontant‑svevende oppstartsbedrift til en etablert tjenesteleverandør for den voksende romøkonomien.
Og det kan danne byggesteinen for videre dypromutforskning og utnyttelse av romressurser, spesielt ettersom det blir en pålitelig partner for NASA på lik linje med SpaceX (snart børsnotert etter fusjonen med xAI) eller Rocket Lab (RKLB ).
(Du kan lese mer om Intuitive Machines i vår investeringsrapport dedikert til selskapet.)
Siste Intuitive Machines (LUNR) Aksjenyheter og utviklinger
Studie referert
1. Gabriela Ligeza, Philip Arm, et al. Semi‑autonom utforskning av mars‑ og måne‑analoger med en benet robot som bruker en Raman‑utstyrt robotarm og mikroskopisk bildesensor. Frontier Space Technologies, 31. mars 2026. Volum 7 – 2026 | https://doi.org/10.3389/frspt.2026.1741757
