Paano Gumagana ang Edge AI sa Mga Satellite: Mula sa Data ng Sensor hanggang sa Downlink

Ano ang pinagkaiba ng AI sa isang satellite?

Karaniwang nagsisimula ang ground-based AI pagkatapos mailipat ang mga sukat sa isang data center. Ang onboard AI ay gumaganap ng bahagi ng interpretasyong iyon sa loob ng spacecraft. Makakatulong ito kapag ang payload ay gumagawa ng mas maraming data kaysa sa magagamit na downlink na maaaring dalhin, o kapag kapaki-pakinabang na unahin ang isang obserbasyon bago ang susunod na ground contact.

Hindi nito inaalis ang pangangailangan para sa pagproseso ng lupa. Ang pagsasanay, independiyenteng pagsusuri, pagpaplano ng misyon at mas malalim na pagsusuri ay karaniwang nananatili sa lupa. Ang onboard na modelo ay isang bahagi ng isang mas malaking pipeline ng pagsukat at desisyon.

Isang praktikal na onboard processing pipeline

1. Kunin at orasan ang data. Kumuha ng mga larawan o sukat gamit ang mga timestamp, mga setting ng instrumento at konteksto ng spacecraft.
2. Paulit-ulit na iproseso. Ilapat ang pagkakalibrate, pagbabago ng laki, normalisasyon o pag-tile na inaasahan ng modelo. Maaaring baguhin ng mga pagkakaiba mula sa pipeline ng pagsasanay ang resulta.
3. Patakbuhin ang hinuha. Isagawa ang naka-deploy na modelo sa isang angkop na CPU, FPGA o accelerator. Sukatin ang kumpletong chain processing, hindi lamang ang kernel ng neural network.
4. Mag-apply ng isang desisyon sa patakaran. I-convert ang mga marka ng modelo sa isang priyoridad ng queue, isang record ng kaganapan o isang rehiyon ng interes. Isama ang mga limitasyon sa kumpiyansa at isang tinukoy na fallback.
5. Mag-imbak at magpadala. Panatilihin ang napiling data kasama ang metadata nito at ipadala ito sa panahon ng nakaiskedyul na window ng komunikasyon. Panatilihin ang sapat na data ng pag-audit upang suriin ang mga desisyon sa lupa.

Halimbawa: cloud screening bago mag-downlink

Ang isang modelo ng cloud-screening ay maaaring mag-iskor ng mga tile ng imahe upang ang malinaw na mga obserbasyon ay makatanggap ng mas mataas na priyoridad sa downlink. Ang desisyon sa engineering ay hindi lamang kung ang isang tile ay naglalaman ng isang ulap: ang manipis na ulap, niyebe, maliliwanag na bubong at hindi pangkaraniwang pag-iilaw ay maaaring lumikha ng mga hindi maliwanag na kaso. Dapat piliin ng misyon kung paano haharapin ang kawalan ng katiyakan at kung gaano karaming hindi na-filter na data ang pananatilihin para sa pagsusuri.

Ang Φsat-2 CubeSat ng ESA ay nagbibigay ng isang tunay na halimbawa ng onboard AI para sa pagmamasid sa Earth. Kasama sa mga inilarawang application nito ang cloud detection, image compression at pag-convert ng imagery sa mga mapa. Isa itong panlabas na halimbawa ng misyon, hindi isang Alvexis flight reference.

Pinagmulan: ESA — Ipinapakilala ang Φsat-2

Iba pang mga kapaki-pakinabang na pattern ng application

• Unahin ang koleksyon ng imahe na naglalaman ng isang kaganapan sa kapaligiran na tinukoy ng misyon para sa pagsusuri sa lupa.
• Tukuyin ang mga pagbabago sa pagitan ng mga obserbasyon at ilakip ang compact metadata sa mga nauugnay na eksena.
• Subaybayan ang telemetry ng instrumento para sa hindi pangkaraniwang pag-uugali at humiling ng karagdagang diagnostic data.
• I-compress o piliin ang data habang sinusukat ang epekto sa downstream na pang-agham o pagpapatakbo na gawain.

Nauuna ang mga badyet ng kapangyarihan, memorya at komunikasyon

Pumili ng modelong akma sa misyon sa halip na magsimula sa pinakamalaking available na modelo. Ang bilis ng pagpoproseso ay dapat isaalang-alang kasama ng paggalaw ng memorya, mga buffer ng imahe, pagsusulat ng imbakan at ang enerhiya na ginagamit sa bawat pagmamasid. Ang pag-iskedyul ng hinuha lamang sa panahon ng angkop na mga operating window ay maaaring mas mahalaga kaysa sa peak throughput.

Ang isang kapaki-pakinabang na pagtatantya ng downlink ay ang napanatili na dami ng data na hinati sa epektibong rate ng komunikasyon, kasama ang protocol at overhead ng pag-iskedyul. Ang isang kapaki-pakinabang na pagtatantya ng compute ay sumusukat sa enerhiya at latency para sa buong pipeline gamit ang kinatawan ng data. Ang alinman sa pagtatantya ay hindi mapapalitan ng ina-advertise na peak operation ng isang accelerator bawat segundo.

Paano dapat ma-validate ang modelo?

Gumamit ng hiwalay na mga set ng pagsasanay at pagsusuri, kabilang ang mahihirap na panahon, kundisyon ng pag-iilaw at mga artifact ng sensor. Subukan ang na-deploy na format ng modelo at katumpakan ng numero sa nilalayong processor. Sukatin ang mga maling alarma, hindi nakuhang mga kaganapan, napanatili ang kalidad ng data, latency at enerhiya sa ilalim ng mga iminungkahing operating mode.

Ang mga output ng AI ay dapat dumaan sa bounded application logic. Para sa mga function na kritikal sa spacecraft, hindi dapat lampasan ng isang marka ng modelo ang independiyenteng idinisenyong pagpapatunay ng command at arkitektura ng proteksyon sa kasalanan. Panatilihin ang mga naka-bersyon na pakete ng modelo, kilalang-mahusay na mga larawan sa pag-recover at isang kontroladong proseso ng pag-update.

Kung saan maaaring mag-ambag ang Alvexis.

Maaaring saklawin ng Alvexis ang custom na payload-processing electronics, mga interface ng sensor, naka-embed na software at pagsasama ng prototype sa paligid ng mission data path. Ang unang maihahatid ay dapat na isang napagkasunduang arkitektura at isang masusukat na prototype na plano. Ang kwalipikasyon ng flight ay nananatiling partikular sa napiling hardware, orbit at misyon.