Wie Edge AI auf Satelliten funktioniert: Von Sensordaten zum Downlink

Was macht KI auf einem Satelliten anders?

Bodengestützte KI beginnt in der Regel, nachdem die Messungen an ein Rechenzentrum übertragen wurden. Ein Teil dieser Interpretation wird von KI an Bord des Raumschiffs durchgeführt. Dies kann hilfreich sein, wenn die Nutzlast mehr Daten produziert, als die verfügbare Downlink-Verbindung tragen kann, oder wenn es nützlich ist, eine Beobachtung vor dem nächsten Bodenkontakt zu priorisieren.

Es beseitigt nicht die Notwendigkeit der Bodenbearbeitung. Training, unabhängige Evaluierung, Missionsplanung und tiefere Analysen bleiben in der Regel vor Ort. Das Onboard-Modell ist Teil einer größeren Mess- und Entscheidungspipeline.

Eine praktische Onboard-Prozesspipeline

1. Erfassen und zeitgesteuert die Daten. Erfassen Sie Bilder oder Messungen mit Zeitstempeln, Instrumenteneinstellungen und Raumfahrzeugkontext.
2. Vorverarbeiten Sie konsequent. Wenden Sie die vom Modell erwartete Kalibrierung, Größenänderung, Normalisierung oder Kacheln an. Abweichungen von der Trainingspipeline können das Ergebnis verändern.
3. Führen Sie eine Inferenz aus. Führen Sie das bereitgestellte Modell auf einer geeigneten CPU, einem FPGA oder einem Beschleuniger aus. Messen Sie die gesamte Verarbeitungskette, nicht nur den Kern des neuronalen Netzwerks.
4. Wenden Sie eine Entscheidungsrichtlinie an. Wandeln Sie Modellergebnisse in eine Warteschlangenpriorität, einen Ereignisdatensatz oder eine Region von Interesse um. Fügen Sie Konfidenzgrenzen und einen definierten Fallback hinzu.
5. Speichern und übertragen. Behalten Sie die ausgewählten Daten mit ihren Metadaten und übertragen Sie sie während des geplanten Kommunikationsfensters. Bewahren Sie genügend Auditdaten auf, um Entscheidungen vor Ort zu bewerten.

Beispiel: Cloud-Screening vor Downlink

Ein Wolken-Screening-Modell kann Bildkacheln so bewerten, dass klare Beobachtungen eine höhere Downlink-Priorität erhalten. Die technische Entscheidung ist nicht einfach, ob eine Fliese eine Wolke enthält: Dünne Wolken, Schnee, helle Dächer und ungewöhnliche Beleuchtung können zweideutige Fälle schaffen. Die Mission muss entscheiden, wie mit der Unsicherheit umgegangen werden soll und wie viele ungefilterte Daten für die Auswertung aufbewahrt werden sollen.

Der ESA-CubeSat Φsat-2 ist ein echtes Beispiel für KI an Bord für die Erdbeobachtung. Zu den beschriebenen Anwendungen gehören die Wolkendetektion, die Bildkompression und die Umwandlung von Bildern in Karten. Dies ist ein externes Missionsbeispiel, keine Alvexis-Flugreferenz.

Quelle: ESA — Vorstellung von Φsat-2

Weitere nützliche Anwendungsmuster

• Priorisieren Sie Bilder, die ein missionsabhängiges Umweltereignis für die Bodenüberprüfung enthalten.
• Identifizieren Sie Änderungen zwischen Beobachtungen und fügen Sie kompakte Metadaten zu den relevanten Szenen hinzu.
• Überwachen Sie die Telemetrie des Geräts auf ungewöhnliches Verhalten und fordern Sie zusätzliche Diagnosedaten an.
• Komprimieren oder selektieren Sie Daten, während Sie die Auswirkungen auf die nachgelagerten wissenschaftlichen oder betrieblichen Aufgaben messen.

Leistungs-, Speicher- und Kommunikationsbudgets stehen an erster Stelle

Wählen Sie ein Modell, das zu Ihrer Mission passt, anstatt mit dem größten verfügbaren Modell zu beginnen. Die Verarbeitungsgeschwindigkeit muss neben Speicherbewegungen, Bildpuffern, Speicherschreibvorgängen und der pro Beobachtung verbrauchten Energie berücksichtigt werden. Die Planung von Inferenzen nur während geeigneter Betriebsfenster kann wichtiger sein als der Spitzendurchsatz.

Eine nützliche Downlink-Schätzung ist das beibehaltene Datenvolumen geteilt durch die effektive Kommunikationsrate zuzüglich Protokoll- und Scheduling-Overhead. Eine nützliche Rechenschätzung misst Energie und Latenz für die gesamte Pipeline anhand repräsentativer Daten. Beide Schätzungen können nicht durch die angekündigten Spitzenoperationen pro Sekunde eines Beschleunigers ersetzt werden.

Wie soll das Modell validiert werden?

Verwenden Sie separate Trainings- und Bewertungsdatensätze, einschließlich schwieriger Jahreszeiten, Lichtverhältnisse und Sensorartefakte. Testen Sie das bereitgestellte Modellformat und die numerische Genauigkeit auf dem vorgesehenen Prozessor. Messen Sie Fehlalarme, verpasste Ereignisse, Datenqualität, Latenz und Energieverbrauch unter den vorgeschlagenen Betriebsmodi.

KI-Ausgaben sollten durch eine begrenzte Anwendungslogik gehen. Für raumfahrtkritische Funktionen sollte ein Modell-Score die unabhängig entwickelte Befehlsvalidierungs- und Fehlerschutzarchitektur nicht umgehen. Bewahren Sie versionierte Modellpakete, bekannte Wiederherstellungs-Images und einen kontrollierten Update-Prozess auf.

Wo Alvexis helfen kann

Alvexis kann kundenspezifische Nutzlastverarbeitungselektronik, Sensorschnittstellen, eingebettete Software und Prototypenintegration rund um den Missionsdatenpfad anbieten. Das erste Ergebnis sollte eine vereinbarte Architektur und ein messbarer Prototypplan sein. Die Flugqualifikation bleibt spezifisch für die gewählte Hardware, Umlaufbahn und Mission.