Wat maakt AI op een satelliet anders?
Ground-based AI begint meestal nadat metingen naar een datacenter zijn verzonden. Onboard AI voert een deel van die interpretatie uit in het ruimtevaartuig. Dit kan helpen wanneer de lading meer gegevens produceert dan de beschikbare downlink kan vervoeren, of wanneer het nuttig is om prioriteit te geven aan een waarneming vóór het volgende grondcontact.
Het neemt de noodzaak van grondverwerking niet weg. Training, onafhankelijke evaluatie, missieplanning en diepgaandere analyse blijven normaal gesproken op het terrein plaatsvinden. Het ingebouwde model is een onderdeel van een grotere meet- en beslissingspijplijn.
Een praktische verwerking aan boord-pijplijn
- Verzamel en time de gegevens. Leg afbeeldingen of metingen vast met tijdstempels, instrumentinstellingen en ruimtevaartuigcontext.
- Consequent voorbewerken. Pas de kalibratie, formaatwijziging, normalisatie of tegeling toe die door het model wordt verwacht. Verschillen met de trainingspijplijn kunnen het resultaat veranderen.
- Voer gevolgtrekking uit. Voer het geïmplementeerde model uit op een geschikte CPU, FPGA of accelerator. Meet de volledige verwerkingsketen, niet alleen de neurale netwerkkernel.
- Pas een beslisbeleid toe. Converteer modelscores naar een wachtrijprioriteit, een gebeurtenisrecord of een interessegebied. Neem vertrouwenslimieten en een gedefinieerde terugval op.
- Opslaan en verzenden. Bewaar de geselecteerde gegevens met de bijbehorende metagegevens en verzend deze tijdens het geplande communicatievenster. Bewaar voldoende auditgegevens om beslissingen ter plaatse te kunnen evalueren.
Voorbeeld: cloudscreening vóór downlink
Een cloud-screeningmodel kan beeldtegels scoren, zodat duidelijke observaties een hogere downlinkprioriteit krijgen. De technische beslissing is niet simpelweg of een tegel een wolk bevat: dunne wolken, sneeuw, heldere daken en ongebruikelijke verlichting kunnen dubbelzinnige gevallen creëren. De missie moet kiezen hoe om te gaan met onzekerheid en hoeveel ongefilterde gegevens moeten worden bewaard voor evaluatie.
ESA’s Φsat-2 CubeSat is een reëel voorbeeld van ingebouwde AI voor aardobservatie. De beschreven toepassingen omvatten clouddetectie, beeldcompressie en het omzetten van beelden in kaarten. Dit is een extern missievoorbeeld, geen Alvexis-vluchtreferentie.
Bron: ESA — Introductie van Φsat-2
Andere nuttige toepassingspatronen
- Geef prioriteit aan beelden met een missiegedefinieerde omgevingsgebeurtenis voor grondonderzoek.
- Identificeer veranderingen tussen observaties en voeg compacte metadata toe aan de relevante scènes.
- Bewaak instrumenttelemetrie op ongewoon gedrag en vraag om aanvullende diagnostische gegevens.
- Comprimeer of selecteer gegevens terwijl u het effect op de verdere wetenschappelijke of operationele taak meet.
Stroom-, geheugen- en communicatiebudgetten komen op de eerste plaats
Kies een model dat bij de missie past in plaats van te beginnen met het grootste beschikbare model. Er moet rekening worden gehouden met de verwerkingssnelheid, naast geheugenbewegingen, beeldbuffers, opslagschrijfbewerkingen en de energie die per waarneming wordt gebruikt. Het plannen van gevolgtrekkingen alleen tijdens geschikte operationele vensters kan belangrijker zijn dan de piekdoorvoer.
Een nuttige schatting van de downlink is het vastgehouden datavolume gedeeld door de effectieve communicatiesnelheid, plus protocol- en planningsoverhead. Een bruikbare computerschatting meet de energie en latentie voor de volledige pijplijn met behulp van representatieve gegevens. Geen van beide schattingen kan worden vervangen door de geadverteerde piekoperaties per seconde van een versneller.
Hoe moet het model gevalideerd worden?
Gebruik afzonderlijke trainings- en evaluatiedatasets, inclusief moeilijke seizoenen, verlichtingsomstandigheden en sensor-artefacten. Test het geïmplementeerde modelformaat en de numerieke precisie op de beoogde processor. Meet valse alarmen, gemiste gebeurtenissen, behouden gegevenskwaliteit, latentie en energie onder de voorgestelde bedrijfsmodi.
AI-uitvoer moet door begrensde applicatielogica gaan. Voor ruimtevaartuigkritieke functies mag een modelscore de onafhankelijk ontworpen architectuur voor commandovalidatie en foutbescherming niet omzeilen. Houd versiebeheer van modelpakketten, bekende herstelimages en een gecontroleerd updateproces bij.
Waar Alvexis een bijdrage kan leveren
Alvexis kan aangepaste payload-verwerkingselektronica, sensor-interfaces, embedded software en prototype-integratie rond het missiegegevenspad omvatten. Het eerste resultaat moet een overeengekomen architectuur en een meetbaar prototypeplan zijn. Vluchtkwalificatie blijft specifiek voor de geselecteerde hardware, baan en missie.
Satellietcommunicatie en gegevensreductie aan boord
Communicatiecapaciteit, contactvensters en opslag aan boord bepalen welke metingen als eerste worden verzonden. Satcom en edge AI aan boord hebben daarom een gezamenlijk gegevensbeleid nodig: bewaar voldoende ruwe gegevens om verwerkingsbeslissingen te beoordelen, identificeer de modelversie en definieer de reactie op een onzeker resultaat.
Lokale verwerking kan de hoeveelheid voor downlink geselecteerde gegevens beperken, maar het voordeel moet worden afgewogen tegen voeding, geheugen en thermische grenzen. Communicatie tussen satellieten voegt een interface- en planningsvraagstuk toe. Missiespecifieke verificatie blijft nodig; een technisch prototype bewijst geen vluchtkwalificatie.