Πώς λειτουργεί το Edge AI σε δορυφόρους: Από δεδομένα αισθητήρα έως κατερχόμενη ζεύξη

Τι κάνει το AI σε έναν δορυφόρο διαφορετικό;

Η επίγεια τεχνητή νοημοσύνη συνήθως ξεκινά μετά τη μετάδοση των μετρήσεων σε ένα κέντρο δεδομένων. Το Onboard AI εκτελεί μέρος αυτής της ερμηνείας μέσα στο διαστημόπλοιο. Αυτό μπορεί να βοηθήσει όταν το ωφέλιμο φορτίο παράγει περισσότερα δεδομένα από αυτά που μπορεί να μεταφέρει η διαθέσιμη κατερχόμενη ζεύξη ή όταν είναι χρήσιμο να δοθεί προτεραιότητα σε μια παρατήρηση πριν από την επόμενη επαφή με το έδαφος.

Δεν αφαιρεί την ανάγκη για επεξεργασία εδάφους. Η εκπαίδευση, η ανεξάρτητη αξιολόγηση, ο σχεδιασμός της αποστολής και η βαθύτερη ανάλυση παραμένουν συνήθως στο έδαφος. Το ενσωματωμένο μοντέλο είναι ένα μέρος ενός μεγαλύτερου αγωγού μετρήσεων και αποφάσεων.

Ένας πρακτικός ενσωματωμένος αγωγός επεξεργασίας

1. Αποκτήστε και χρονομετρήστε τα δεδομένα. Καταγράψτε εικόνες ή μετρήσεις με χρονικές σημάνσεις, ρυθμίσεις οργάνων και περιβάλλον διαστημικού σκάφους.
2. Προεπεξεργασία με συνέπεια. Εφαρμόστε τη βαθμονόμηση, την αλλαγή μεγέθους, την κανονικοποίηση ή την τοποθέτηση πλακιδίων που αναμένεται από το μοντέλο. Οι διαφορές από τον αγωγό εκπαίδευσης μπορούν να αλλάξουν το αποτέλεσμα.
3. Εκτέλεση συμπερασμάτων. Εκτελέστε το αναπτυγμένο μοντέλο σε κατάλληλη CPU, FPGA ή επιταχυντή. Μετρήστε την πλήρη αλυσίδα επεξεργασίας, όχι μόνο τον πυρήνα του νευρωνικού δικτύου.
4. Εφαρμόστε μια πολιτική απόφασης. Μετατρέψτε τις βαθμολογίες του μοντέλου σε προτεραιότητα ουράς, εγγραφή συμβάντος ή περιοχή ενδιαφέροντος. Συμπεριλάβετε όρια εμπιστοσύνης και μια καθορισμένη εναλλακτική.
5. Αποθηκεύστε και μεταφέρετε. Διατηρήστε τα επιλεγμένα δεδομένα με τα μεταδεδομένα τους και μεταδώστε τα κατά τη διάρκεια του προγραμματισμένου παραθύρου επικοινωνίας. Διατηρήστε αρκετά δεδομένα ελέγχου για την αξιολόγηση των αποφάσεων επί τόπου.

Παράδειγμα: έλεγχος σύννεφο πριν από την κατερχόμενη σύνδεση

Ένα μοντέλο διαλογής cloud μπορεί να βαθμολογήσει πλακίδια εικόνας έτσι ώστε οι σαφείς παρατηρήσεις να λαμβάνουν υψηλότερη προτεραιότητα κατερχόμενης ζεύξης. Η απόφαση της μηχανικής δεν είναι απλώς αν ένα πλακίδιο περιέχει σύννεφο: λεπτό σύννεφο, χιόνι, φωτεινές στέγες και ασυνήθιστος φωτισμός μπορούν να δημιουργήσουν διφορούμενες περιπτώσεις. Η αποστολή πρέπει να επιλέξει πώς θα χειριστεί την αβεβαιότητα και πόσα αφιλτράριστα δεδομένα θα διατηρήσει για αξιολόγηση.

Το Φsat-2 CubeSat της ESA παρέχει ένα πραγματικό παράδειγμα ενσωματωμένης τεχνητής νοημοσύνης για παρατήρηση της Γης. Οι περιγραφόμενες εφαρμογές του περιλαμβάνουν ανίχνευση cloud, συμπίεση εικόνας και μετατροπή εικόνων σε χάρτες. Αυτό είναι ένα παράδειγμα εξωτερικής αποστολής, όχι αναφορά πτήσης Alvexis.

Πηγή: ESA — Παρουσιάζοντας το Φsat-2

Άλλα χρήσιμα μοτίβα εφαρμογών

• Δώστε προτεραιότητα στις εικόνες που περιέχουν ένα περιβαλλοντικό συμβάν που καθορίζεται από την αποστολή για ανασκόπηση εδάφους.
• Προσδιορίστε τις αλλαγές μεταξύ των παρατηρήσεων και επισυνάψτε συμπαγή μεταδεδομένα στις σχετικές σκηνές.
• Παρακολουθήστε την τηλεμετρία του οργάνου για ασυνήθιστη συμπεριφορά και ζητήστε πρόσθετα διαγνωστικά δεδομένα.
• Συμπιέστε ή επιλέξτε δεδομένα ενώ μετράτε την επίδραση στην κατάντη επιστημονική ή επιχειρησιακή εργασία.

Οι προϋπολογισμοί ισχύος, μνήμης και επικοινωνίας προηγούνται

Επιλέξτε ένα μοντέλο που ταιριάζει στην αποστολή αντί να ξεκινήσετε με το μεγαλύτερο διαθέσιμο μοντέλο. Η ταχύτητα επεξεργασίας πρέπει να λαμβάνεται υπόψη παράλληλα με την κίνηση της μνήμης, τα buffer εικόνας, τις εγγραφές αποθήκευσης και την ενέργεια που χρησιμοποιείται ανά παρατήρηση. Το συμπέρασμα προγραμματισμού μόνο κατά τη διάρκεια κατάλληλων παραθύρων λειτουργίας μπορεί να έχει μεγαλύτερη σημασία από τη μέγιστη απόδοση.

Μια χρήσιμη εκτίμηση κατερχόμενης ζεύξης είναι ο όγκος δεδομένων που διατηρούνται διαιρεμένος με τον πραγματικό ρυθμό επικοινωνίας, συν τα γενικά έξοδα πρωτοκόλλου και προγραμματισμού. Μια χρήσιμη υπολογιστική εκτίμηση μετρά την ενέργεια και την καθυστέρηση για τον πλήρη αγωγό χρησιμοποιώντας αντιπροσωπευτικά δεδομένα. Καμία εκτίμηση δεν μπορεί να αντικατασταθεί από τις διαφημιζόμενες λειτουργίες αιχμής ενός επιταχυντή ανά δευτερόλεπτο.

Πώς πρέπει να επικυρωθεί το μοντέλο;

Χρησιμοποιήστε ξεχωριστά σύνολα δεδομένων εκπαίδευσης και αξιολόγησης, συμπεριλαμβανομένων των δύσκολων εποχών, των συνθηκών φωτισμού και των τεχνουργημάτων αισθητήρων. Δοκιμάστε τη μορφή του αναπτυγμένου μοντέλου και την αριθμητική ακρίβεια στον προβλεπόμενο επεξεργαστή. Μετρήστε τους ψευδείς συναγερμούς, τα χαμένα συμβάντα, την ποιότητα των δεδομένων που διατηρούνται, την καθυστέρηση και την ενέργεια σύμφωνα με τους προτεινόμενους τρόπους λειτουργίας.

Οι έξοδοι τεχνητής νοημοσύνης θα πρέπει να περνούν από τη λογική της οριοθετημένης εφαρμογής. Για λειτουργίες κρίσιμες για το διαστημόπλοιο, μια βαθμολογία μοντέλου δεν πρέπει να παρακάμπτει την ανεξάρτητα σχεδιασμένη αρχιτεκτονική επικύρωσης εντολών και προστασίας από σφάλματα. Διατηρήστε πακέτα μοντέλων με έκδοση, γνωστές καλές εικόνες ανάκτησης και ελεγχόμενη διαδικασία ενημέρωσης.

Όπου μπορεί να συνεισφέρει το Alvexis

Το Alvexis μπορεί να καλύψει προσαρμοσμένα ηλεκτρονικά συστήματα επεξεργασίας ωφέλιμου φορτίου, διεπαφές αισθητήρων, ενσωματωμένο λογισμικό και πρωτότυπη ενσωμάτωση γύρω από τη διαδρομή δεδομένων αποστολής. Το πρώτο παραδοτέο θα πρέπει να είναι μια συμφωνημένη αρχιτεκτονική και ένα μετρήσιμο πρωτότυπο σχέδιο. Η πιστοποίηση πτήσης παραμένει συγκεκριμένη για το επιλεγμένο υλικό, τροχιά και αποστολή.