衛星上のエッジAIの仕組み：センサーデータから地上への送信まで

衛星上のAIは何が違うのか?

地上アプリケーションは通常,測定値がデータセンタに送信された後に開始される。 宇宙船内のAIはその解釈の一部を行う。 これは,ペイロードが利用可能なダウンリンクが搬送できるよりも多くのデータを生成する場合,または次の地上接触前に観測を優先するのに有用な場合に役立つ。

地上処理の必要性はなくなる。 訓練,独立評価,ミッション計画,深い分析は通常地上に残る。 船上モデルは,より大きな測定と決定パイプラインの一部分である。

実用的な衛星搭載データ処理フロー

1. データを取得し、タイムスタンプを付与する。 時間スタンプ,計器設定,宇宙船の状況を含む画像や測定を捕捉する。
2. 前処理を一貫して行う。 モデルにより期待されるキャリブレーション,サイズ変更,正規化,タイリングを適用する。 訓練パイプラインとの差異は結果を変えることもある。
3. 推論を実行 適切なCPU,FPGA,あるいは加速器上で展開したモデルを実行する。 ニューラルネットワークカーネルだけでなく,全ての処理チェーンを測定する。
4. 決定ポリシーを適用します。 モデルスコアをキュー優先度,イベントレコード,または関心領域に変換する。 信頼限界と定義されたフォルバックを含む。
5. 保存と伝送 選択したデータをメタデータと共に保持し、スケジュールされた通信ウィンドウ中に送信します。 現場での決定を評価するために十分な監査データを保持する。

例:ダウンリンク前の雲のスクリーニング

雲スクリーニングモデルは,明瞭な観測がより高いダウンリンク優先度を得るように画像タイルをスコアできる。 技術的判断は単にタイルに雲が含まれているかどうかではなく,薄い雲,雪,明るい屋根,異常な照明が曖昧なケースを生み出す。 計画は,不確実性をどのように扱うか,評価のためにどれだけの未フィルタリングデータを保持するかを選択しなければならない。

ESAのCubeSat「Φsat-2」は、地球観測向けの衛星搭載AIの実例です。公表されている用途には、雲の検出、画像圧縮、画像からの地図生成があります。これは他機関のミッション事例であり、Alvexisの飛行実績を示すものではありません。

出典:ESA — Φsat-2を紹介

他の有用な応用パターン

• 地上検査のためにミッション定義の環境イベントを含む画像を優先する。
• 観測間の変化を同定し,関連するシーンにコンパクトなメタデータを付加する。
• 異常な動作をモニタし,追加診断データを要求する。
• 下流の科学的あるいは運用的作業に及ぼす影響を測定しながら,データを圧縮または選択する。

電力、メモリ、通信予算が最優先です

最大のモデルで始めるよりも 任務に合ったモデルを選ぶ 処理速度はメモリ移動,画像バッファ,記憶書き込み,観測当たりのエネルギーと共に考慮されなければならない。 適切な運用ウィンドウ中のみスケジューリング推論を行うことはピークスループットよりも重要である。

下りリンクの有用な推定値は,保持されたデータ量を有効通信速度で割り,プロトコルとスケジューリングオーバヘッドを加える。 代表的なデータを用いて,全パイプラインに対するエネルギーと遅延を測定する有用な計算推定法を提案した。 これらの推定値は,加速器の宣伝されたピーク運転数に置き換えることはできない。

モデルをどのように検証するべきか？

難しい季節,照明条件,センサアーチファクトを含む訓練と評価データセットを別々に使用する。 計画したプロセッサ上で,展開したモデルフォーマットと数値精度をテストした。 提案した運転モード下で,偽アラーム,ミスイベント,保持されたデータ品質,遅延,エネルギーを測定した。

AI出力は,有界な応用論理を通過する必要がある。 宇宙機の重要機能に対しては,モデルスコアは独立に設計されたコマンド検証と故障保護アーキテクチャをバイパスしないべきである。 バージョン管理モデルパッケージ、既知の良好な回復イメージ、制御された更新プロセスを保持します。

Alvexisが支援できる領域

Alvexisは,ミッションデータパス周辺のカスタムペイロード処理電子機器,センサインタフェース,組み込みソフトウェアおよびプロトタイプ統合を可能にする。 まず,最初のデリバブルは,合意されたアーキテクチャと計測可能なプロトタイプ計画である。 飛行資格は選択したハードウェア,軌道,ミッションに特有である。