Jak funguje Edge AI na satelitech: od dat senzorů po přenos na Zemi

Čím se liší AI na satelitu?

Pozemní umělá inteligence obvykle začíná poté, co byla měření přenesena do datového centra. Část této interpretace provádí uvnitř kosmické lodi umělá inteligence. To může pomoci, když užitná zátěž produkuje více dat, než může přenést dostupný downlink, nebo když je užitečné upřednostnit pozorování před dalším kontaktem se zemí.

Neodstraňuje potřebu zpracování půdy. Výcvik, nezávislé hodnocení, plánování misí a hloubková analýza zůstávají obvykle v terénu. Palubní model je jednou částí většího měřicího a rozhodovacího kanálu.

Praktický řetězec palubního zpracování dat

1. Získejte data a přidejte časové značky. Zachyťte snímky nebo měření s časovými razítky, nastavením přístroje a kontextem kosmické lodi.
2. Používejte jednotné předzpracování. Použijte kalibraci, změnu velikosti, normalizaci nebo dlaždicování očekávané modelem. Rozdíly od tréninkové trasy mohou změnit výsledek.
3. Spusťte inferenci modelu. Spusťte nasazený model na vhodném CPU, FPGA nebo akcelerátoru. Měřte celý zpracovatelský řetězec, nejen jádro neuronové sítě.
4. Použijte zásadu rozhodování. Převeďte skóre modelu na prioritu fronty, záznam události nebo oblast zájmu. Zahrnout meze spolehlivosti a definované záložní řešení.
5. Ukládání a přenos. Zachovat vybraná data s jejich metadaty a přenést je během naplánovaného komunikačního okna. Zachovejte dostatek dat auditu pro vyhodnocení rozhodnutí v terénu.

Příklad: detekce oblačnosti před přenosem na Zemi

Model cloud-screeningu může hodnotit obrazové dlaždice tak, aby jasná pozorování získala vyšší prioritu downlinku. Inženýrské rozhodnutí není jen to, zda dlaždice obsahuje mrak: tenký mrak, sníh, jasné střechy a neobvyklé osvětlení mohou vytvořit nejednoznačné případy. Mise musí zvolit, jak se vypořádat s nejistotou a kolik nefiltrovaných dat si ponechat pro vyhodnocení.

ESA Φsat-2 CubeSat je skutečným příkladem umělé inteligence na palubě pro pozorování Země. Popsané aplikace zahrnují detekci mraků, kompresi obrazu a převod obrazu na mapy. Toto je příklad externí mise, ne letová reference Alvexisu.

Zdroj: ESA — Představujeme Φsat-2

Další užitečné vzory aplikací

• Upřednostňujte snímky obsahující událost v prostředí definovanou misí pro pozemní kontrolu.
• Identifikujte změny mezi pozorováními a připojte kompaktní metadata k příslušným scénám.
• Monitorujte neobvyklé chování přístrojové telemetrie a vyžádejte si další diagnostická data.
• Komprimujte nebo vybírejte data a současně měřte vliv na následný vědecký nebo provozní úkol.

Rozpočty na napájení, paměť a komunikaci jsou na prvním místě

Vyberte si model, který vyhovuje dané misi, a nezačínejte s největším dostupným modelem. Rychlost zpracování musí být brána v úvahu společně s pohybem paměti, vyrovnávacími paměťmi obrazu, zápisem do paměti a spotřebou energie na pozorování. Plánování inference pouze během vhodných provozních oken může být důležitější než špičková propustnost.

Užitečný odhad pro sestupné spojení je objem uchovávaných dat vydělený efektivní komunikační rychlostí plus náklady na protokol a plánování. Užitečný odhad výpočtu měří energii a latenci pro celý kanál pomocí reprezentativních dat. Ani jeden z těchto odhadů nelze nahradit inzerovanými špičkovými operacemi urychlovače za sekundu.

Jak by měl být model validován?

Používejte samostatné sady dat pro trénink a vyhodnocování, včetně náročných ročních období, světelných podmínek a artefaktů senzorů. Otestujte formát a numerickou přesnost modelu na zamýšleném procesoru. Měření falešných poplachů, zmeškaných událostí, zachované kvality dat, latence a energie v navrhovaných provozních režimech.

Výstupy AI by měly procházet ohraničenou aplikační logikou. Pro kritické funkce kosmické lodi by modelové skóre nemělo obcházet nezávisle navrženou architekturu ověřování příkazů a ochrany proti chybám. Udržujte modelové balíčky s verzí, známé dobré obrazy obnovení a řízený proces aktualizace.

Kde může Alvexis pomoci

Společnost Alvexis může nabídnout vlastní elektroniku pro zpracování užitečného zatížení, rozhraní senzorů, vestavěný software a integraci prototypů kolem datové cesty mise. Prvním výsledkem by měla být dohodnutá architektura a měřitelný prototypový plán. Letová kvalifikace zůstává specifická pro vybraný hardware, oběžnou dráhu a misi.