O que torna a IA em um satélite diferente?
A IA baseada no solo geralmente começa depois que as medições foram transmitidas para um data center. A IA a bordo realiza parte dessa interpretação dentro da nave espacial. Isso pode ajudar quando a carga útil produz mais dados do que o downlink disponível pode transportar, ou quando é útil priorizar uma observação antes do próximo contato com o solo.
Não remove a necessidade de processamento de solo. O treinamento, a avaliação independente, o planejamento da missão e a análise mais aprofundada normalmente permanecem no terreno. O modelo integrado é uma parte de um pipeline de medição e decisão maior.
Um prático pipeline de processamento a bordo
- Adquira e cronometre os dados. Capture imagens ou medições com carimbos de data/hora, configurações de instrumentos e contexto da nave espacial.
- Pré-processe consistentemente. Aplique a calibração, redimensionamento, normalização ou mosaico esperado pelo modelo. Diferenças do pipeline de treinamento podem alterar o resultado.
- Execute a inferência. Execute o modelo implantado em uma CPU, FPGA ou acelerador adequado. Meça a cadeia de processamento completa, não apenas o núcleo da rede neural.
- Aplique uma política de decisão. Converta as pontuações do modelo em uma prioridade de fila, um registro de evento ou uma região de interesse. Inclua limites de confiança e um fallback definido.
- Armazenar e transmitir. Retenha os dados selecionados com seus metadados e transmita-os durante a janela de comunicação agendada. Preserve dados de auditoria suficientes para avaliar decisões no terreno.
Exemplo: triagem de nuvem antes do downlink
Um modelo de nuvem-screening pode pontuar os blocos de imagem para que as observações claras recebam maior prioridade de downlink. A decisão de engenharia não é simplesmente se uma telha contém uma nuvem: nuvem fina, neve, telhados brilhantes e iluminação incomum podem criar casos ambíguos. A missão deve escolher como lidar com a incerteza e quantos dados não filtrados reter para avaliação.
O Φsat-2 CubeSat da ESA fornece um exemplo real de IA a bordo para observação da Terra. Suas aplicações descritas incluem detecção de nuvens, compressão de imagens e conversão de imagens em mapas. Este é um exemplo de missão externa, não uma referência de voo Alvexis.
Fonte: ESA — Apresentando o Φsat-2
Outros padrões de aplicação úteis
- Priorize imagens contendo um evento ambiental definido pela missão para revisão no terreno.
- Identifique alterações entre observações e anexe metadados compactos às cenas relevantes.
- Monitore a telemetria do instrumento para comportamentos incomuns e solicite dados de diagnóstico adicionais.
- Comprima ou selecione dados enquanto mede o efeito na tarefa científica ou operacional downstream.
Orçamentos de energia, memória e comunicação vêm em primeiro lugar
Escolha um modelo que se adapte à missão em vez de começar com o maior modelo disponível. A velocidade de processamento deve ser considerada juntamente com o movimento da memória, buffers de imagem, gravações de armazenamento e a energia usada por observação. Agendar a inferência somente durante janelas operacionais adequadas pode ser mais importante do que o rendimento máximo.
Uma estimativa de downlink útil é o volume de dados retidos dividido pela taxa de comunicação efetiva, mais a sobrecarga de protocolo e agendamento. Uma estimativa de computação útil mede a energia e a latência para o pipeline completo usando dados representativos. Nenhuma das estimativas pode ser substituída pelas operações de pico por segundo anunciadas por um acelerador.
Como o modelo deve ser validado?
Use conjuntos de dados de treinamento e avaliação separados, incluindo estações difíceis, condições de iluminação e artefatos de sensores. Teste o formato do modelo implantado e a precisão numérica no processador pretendido. Meça alarmes falsos, eventos perdidos, qualidade de dados retidos, latência e energia nos modos de operação propostos.
Saídas de IA devem passar por lógica de aplicação delimitada. Para funções críticas para a nave espacial, uma pontuação de modelo não deve ignorar a arquitetura de validação de comando e proteção contra falhas projetada de forma independente. Mantenha pacotes de modelo versionados, imagens de recuperação de qualidade reconhecida e um processo de atualização controlado.
Onde a Alvexis pode contribuir
A Alvexis pode fornecer eletrônicos personalizados de processamento de carga útil, interfaces de sensores, software embarcado e integração de protótipos em torno do caminho de dados da missão. O primeiro produto final deve ser uma arquitetura acordada e um plano de protótipo mensurável. A qualificação de voo permanece específica para o hardware, a órbita e a missão selecionados.
Comunicação via satélite e redução de dados a bordo
A capacidade de comunicação, as janelas de contato e o armazenamento a bordo influenciam quais medições devem ser transmitidas primeiro. Comunicação via satélite e Edge AI embarcada precisam, portanto, de uma política comum: reter dados brutos suficientes para avaliar decisões de processamento, identificar a versão do modelo e definir o comportamento diante de resultados incertos.
O processamento local pode reduzir a quantidade de dados selecionada para o enlace descendente, mas esse benefício precisa ser equilibrado com restrições de energia, memória e temperatura. A comunicação entre satélites acrescenta outra interface e um problema de escalonamento. A verificação específica da missão continua necessária; um protótipo de engenharia não comprova qualificação para voo.