Kako Edge AI radi na satelitima: od senzorskih podataka do silazne veze

Što AI na satelitu čini drugačijim?

Zemaljska umjetna inteligencija obično počinje nakon što se mjerenja prenesu u podatkovni centar. Ugrađena umjetna inteligencija izvodi dio te interpretacije unutar svemirske letjelice. To može pomoći kada korisni teret proizvede više podataka nego što dostupna silazna veza može prenijeti ili kada je korisno dati prioritet promatranju prije sljedećeg kontakta s tlom.

To ne uklanja potrebu za obradom zemlje. Obuka, neovisna procjena, planiranje misije i dublja analiza obično ostaju na terenu. Ugrađeni model jedan je dio većeg niza mjerenja i donošenja odluka.

Praktičan onboard procesni cjevovod

1. Prikupite i tempirajte podatke. Snimite slike ili mjerenja s vremenskim oznakama, postavkama instrumenata i kontekstom svemirske letjelice.
2. Dosljedno pretprocesirajte. Primijenite kalibraciju, promjenu veličine, normalizaciju ili popločavanje koje očekuje model. Razlike od rasporeda treninga mogu promijeniti rezultat.
3. Pokreni zaključak. Izvršite postavljeni model na prikladnom CPU-u, FPGA ili akceleratoru. Mjerite cijeli lanac obrade, ne samo jezgru neuronske mreže.
4. Primijenite politiku odlučivanja. Pretvorite rezultate modela u prioritet čekanja, zapis događaja ili područje interesa. Uključite granice pouzdanosti i definiranu zamjenu.
5. Pohraniti i prenijeti. Zadržite odabrane podatke s njihovim metapodacima i prenesite ih tijekom zakazanog komunikacijskog prozora. Sačuvajte dovoljno revizijskih podataka za procjenu odluka na terenu.

Primjer: provjera oblaka prije silazne veze

Model skrininga u oblaku može ocjenjivati pločice slike tako da jasna opažanja imaju viši prioritet silazne veze. Inženjerska odluka nije samo sadrži li pločica oblak: tanak oblak, snijeg, svijetli krovovi i neobična rasvjeta mogu stvoriti dvosmislene slučajeve. Misija mora odabrati kako se nositi s neizvjesnošću i koliko će nefiltriranih podataka zadržati za procjenu.

ESA-in Φsat-2 CubeSat pruža pravi primjer ugrađene umjetne inteligencije za promatranje Zemlje. Njegove opisane aplikacije uključuju otkrivanje oblaka, kompresiju slika i pretvaranje slika u karte. Ovo je vanjski primjer misije, a ne referenca leta Alvexis.

Izvor: ESA — Predstavljamo Φsat-2

Drugi korisni obrasci primjene

• Dajte prednost slikama koje sadrže ekološki događaj definiran misijom za pregled na terenu.
• Identificirajte promjene između promatranja i priložite kompaktne metapodatke relevantnim scenama.
• Pratite telemetriju instrumenata radi neuobičajenog ponašanja i zatražite dodatne dijagnostičke podatke.
• Komprimirajte ili odaberite podatke dok mjerite učinak na daljnji znanstveni ili operativni zadatak.

Proračuni za napajanje, memoriju i komunikaciju su na prvom mjestu

Odaberite model koji odgovara misiji umjesto da počnete s najvećim dostupnim modelom. Brzina obrade mora se uzeti u obzir zajedno s kretanjem memorije, međuspremnicima slike, zapisima u pohranu i energijom korištenom po promatranju. Zaključivanje rasporeda samo tijekom odgovarajućih radnih prozora može biti važnije od vršne propusnosti.

Korisna procjena silazne veze je količina zadržanih podataka podijeljena s efektivnom brzinom komunikacije, plus troškovi protokola i rasporeda. Korisna proračunska procjena mjeri energiju i kašnjenje za cijeli cjevovod koristeći reprezentativne podatke. Nijedna procjena ne može se zamijeniti oglašenim vršnim operacijama akceleratora u sekundi.

Kako treba validirati model?

Koristite zasebne skupove podataka za obuku i procjenu, uključujući teške sezone, uvjete osvjetljenja i artefakte senzora. Testirajte postavljeni format modela i numeričku preciznost na predviđenom procesoru. Mjerite lažne alarme, propuštene događaje, kvalitetu zadržanih podataka, latenciju i energiju u predloženim načinima rada.

Izlazi umjetne inteligencije trebaju prolaziti kroz logiku ograničene aplikacije. Za funkcije kritične za svemirske letjelice, rezultat modela ne bi trebao zaobići nezavisno dizajniranu validaciju naredbi i arhitekturu zaštite od grešaka. Čuvajte verzionirane pakete modela, poznate dobre slike za oporavak i kontrolirani proces ažuriranja.

Gdje Alvexis može doprinijeti

Alvexis može obuhvatiti prilagođenu elektroniku za obradu korisnog tereta, senzorska sučelja, ugrađeni softver i integraciju prototipa oko putanje podataka misije. Prvi rezultat trebao bi biti dogovorena arhitektura i mjerljivi plan prototipa. Kvalifikacija leta ostaje specifična za odabrani hardver, orbitu i misiju.