Jak działa AI na satelitach: od danych czujników do transmisji na Ziemię

Co sprawia, że sztuczna inteligencja na satelitzie jest inna?

Naziemna sztuczna inteligencja zazwyczaj rozpoczyna się po przesłaniu pomiarów do centrum danych. Na pokładzie AI wykonuje część tej interpretacji wewnątrz statku kosmicznego. Może to pomóc, gdy ładunek generuje więcej danych niż dostępne łącze w dół może przenieść lub gdy przydatne jest ustalenie priorytetu obserwacji przed następnym kontaktem z ziemią.

Nie eliminuje to potrzeby przetwarzania naziemnego. Szkolenie, niezależna ocena, planowanie misji i głębsze analizy zazwyczaj pozostają na miejscu. Model pokładowy jest jedną z części większego pomiaru i procesu decyzyjnego.

Praktyczny łańcuch przetwarzania pokładowego

1. Zbieraj dane i przypisuj im znaczniki czasu. Przechwytuj obrazy lub pomiary z sygnaturami czasowymi, ustawieniami instrumentu i kontekstem statku kosmicznego.
2. Przetwarzaj wstępnie konsekwentnie. Zastosuj kalibrację, zmianę rozmiaru, normalizację lub kafelkowanie oczekiwane przez model. Różnice w pojeździe szkoleniowym mogą zmienić wynik.
3. Uruchom wnioskowanie. Uruchom wdrożony model na odpowiednim procesorze CPU, układzie FPGA lub akceleratorze. Mierz cały łańcuch przetwarzania, a nie tylko jądro sieci neuronowej.
4. Zastosuj politykę decyzji. Konwertuj wyniki modelu na priorytet kolejki, rekord zdarzenia lub interesujący region. Dołączaj granice ufności i zdefiniowane zabezpieczenie.
5. Przechowywać i przesyłać. Zachowaj wybrane dane wraz z ich metadanymi i prześlij je w zaplanowanym oknie komunikacyjnym. Zachowaj wystarczającą ilość danych z audytu, aby ocenić decyzje podejmowane w terenie.

Przykład: wykrywanie zachmurzenia przed transmisją na Ziemię

Model przesiewania chmur może oceniać kafelki obrazu tak, aby jasne obserwacje otrzymywały wyższy priorytet łącza w dół. Decyzja inżynierska nie polega po prostu na tym, czy płytka zawiera chmurę: cienka chmura, śnieg, jasne dachy i niezwykłe oświetlenie mogą tworzyć niejednoznaczne przypadki. Misja musi wybrać, jak radzić sobie z niepewnością i ile niefiltrowanych danych zachować do oceny.

ESA Φsat-2 CubeSat jest prawdziwym przykładem zastosowania sztucznej inteligencji na pokładzie satelity do obserwacji Ziemi. Opisane zastosowania obejmują wykrywanie chmur, kompresję obrazów i konwersję obrazów na mapy. To jest przykład zewnętrznej misji, a nie odniesienie do lotu Alvexis.

Źródło: ESA — Przedstawiamy Φsat-2

Inne przydatne wzorce aplikacji

• Priorytetowe obrazowanie zawierające zdarzenie środowiskowe zdefiniowane przez misję do przeglądu naziemnego.
• Identyfikuj zmiany między obserwacjami i dołączaj kompaktowe metadane do odpowiednich scen.
• Monitoruj telemetrię przyrządu pod kątem nietypowych zachowań i żądaj dodatkowych danych diagnostycznych.
• Kompresuj lub wybieraj dane, mierząc jednocześnie wpływ na dalsze zadania naukowe lub operacyjne.

Budżety na zasilanie, pamięć i komunikację są na pierwszym miejscu

Wybierz model, który pasuje do misji, zamiast zaczynać od największego dostępnego modelu. Szybkość przetwarzania musi być brana pod uwagę wraz z ruchem pamięci, buforami obrazu, zapisami pamięci i energią zużytą na obserwację. Planowanie wnioskowania tylko podczas odpowiednich okien operacyjnych może mieć większe znaczenie niż szczytowa przepustowość.

Przydatnym oszacowaniem łącza w dół jest ilość zatrzymanych danych podzielona przez efektywną szybkość komunikacji plus koszty protokołu i harmonogramowania. Przydatne obliczenia szacunkowe mierzą energię i opóźnienie dla całego potoku przy użyciu reprezentatywnych danych. Żadna z tych ocen nie może być zastąpiona przez reklamowane szczytowe operacje akceleratora na sekundę.

Jak model powinien być walidowany?

Używaj oddzielnych zestawów danych treningowych i ewaluacyjnych, w tym trudnych sezonów, warunków oświetleniowych i artefaktów czujników. Przetestuj format wdrożonego modelu i dokładność numeryczną na zamierzonym procesorze. Mierz fałszywe alarmy, nieoczekiwane zdarzenia, jakość zachowanych danych, opóźnienie i energię w proponowanych trybach pracy.

Wyjścia AI powinny przechodzić przez ograniczoną logikę aplikacji. W przypadku funkcji krytycznych dla statku kosmicznego wynik modelu nie powinien omijać niezależnie zaprojektowanej architektury walidacji poleceń i ochrony przed awariami. Zachowaj wersjonowane pakiety modelowe, znane dobre obrazy odzyskiwania i kontrolowany proces aktualizacji.

Gdzie Alvexis może pomóc

Alvexis może zaoferować niestandardową elektronikę przetwarzającą ładunek, interfejsy czujników, oprogramowanie wbudowane i integrację prototypów wokół ścieżki danych misji. Pierwszym produktem końcowym powinna być uzgodniona architektura i wymierny plan prototypu. Kwalifikacja lotu pozostaje specyficzna dla wybranego sprzętu, orbity i misji.