Vad gör AI på en satellit annorlunda?
Markbaserad AI startar vanligtvis efter att mätningar har överförts till ett datacenter. Ombord AI utför en del av den tolkningen inuti rymdfarkosten. Detta kan hjälpa när nyttolasten producerar mer data än den tillgängliga nedlänken kan bära, eller när det är användbart att prioritera en observation före nästa markkontakt.
Det tar inte bort behovet av markbearbetning. Utbildning, oberoende utvärdering, uppdragsplanering och djupare analyser finns normalt kvar på marken. Modellen ombord är en del av en större mät- och beslutspipeline.
En praktisk databehandling ombord pipeline
- Skaffa och tajma data. Fånga bilder eller mätningar med tidsstämplar, instrumentinställningar och rymdfarkostkontext.
- Förbearbeta konsekvent. Tillämpa den kalibrering, storleksändring, normalisering eller plattsättning som förväntas av modellen. Skillnader från träningspipeline kan förändra resultatet.
- Kör slutledning. Kör den utplacerade modellen på en lämplig CPU, FPGA eller accelerator. Mät hela bearbetningskedjan, inte bara den neurala nätverkskärnan.
- Tillämpa en beslutspolicy. Konvertera modellpoäng till en köprioritet, en händelsepost eller en region av intresse. Inkludera konfidensgränser och en definierad reserv.
- Lagra och överför. Behåll den valda datan med dess metadata och överför den under det schemalagda kommunikationsfönstret. Bevara tillräckligt med revisionsdata för att utvärdera beslut på plats.
Exempel: molnscreening före nedlänk
En molnscreeningsmodell kan poängsätta bildrutor så att tydliga observationer får högre nedlänksprioritet. Det tekniska beslutet är inte bara om en platta innehåller ett moln: tunt moln, snö, ljusa tak och ovanlig belysning kan skapa tvetydiga fall. Uppdraget måste välja hur osäkerhet ska hanteras och hur mycket ofiltrerad data som ska behållas för utvärdering.
ESA:s Φsat-2 CubeSat ger ett verkligt exempel på ombord AI för jordobservation. Dess beskrivna applikationer inkluderar molndetektering, bildkomprimering och konvertering av bilder till kartor. Detta är ett externt uppdragsexempel, inte en Alvexis flygreferens.
Källa: ESA — Introducing Φsat-2
Andra användbara applikationsmönster
- Prioritera bilder som innehåller en uppdragsdefinierad miljöhändelse för markgranskning.
- Identifiera förändringar mellan observationer och bifoga kompakt metadata till de relevanta scenerna.
- Övervaka instrumenttelemetri för ovanligt beteende och begär ytterligare diagnostiska data.
- Komprimera eller välj data samtidigt som du mäter effekten på den nedströms vetenskapliga eller operativa uppgiften.
Energi-, minnes- och kommunikationsbudgetar kommer först
Välj en modell som passar uppdraget istället för att börja med den största modellen som finns. Bearbetningshastighet måste beaktas tillsammans med minnesrörelse, bildbuffertar, lagringsskrivningar och energin som används per observation. Att schemalägga slutledning endast under lämpliga driftsfönster kan ha större betydelse än maximal genomströmning.
En användbar nedlänksuppskattning är den kvarhållna datavolymen dividerad med den effektiva kommunikationshastigheten, plus protokoll och schemaläggningsoverhead. En användbar beräkningsuppskattning mäter energi och latens för hela pipelinen med hjälp av representativa data. Ingen av uppskattningarna kan ersättas av en accelerators annonserade toppdrift per sekund.
Hur ska modellen valideras?
Använd separata tränings- och utvärderingsdatauppsättningar, inklusive svåra årstider, ljusförhållanden och sensor-artefakter. Testa det utplacerade modellformatet och den numeriska precisionen på den avsedda processorn. Mät falsklarm, missade händelser, bibehållen datakvalitet, latens och energi under de föreslagna driftlägena.
AI-utgångar bör passera genom gränsad applikationslogik. För rymdfarkostkritiska funktioner bör en modellpoäng inte kringgå den oberoende designade kommandovaliderings- och felskyddsarkitekturen. Behåll versionsversioner av modellpaket, kända och bra återställningsbilder och en kontrollerad uppdateringsprocess.
Där Alvexis kan bidra
Alvexis kan omfatta anpassad nyttolastbearbetningselektronik, sensor-gränssnitt, inbyggd programvara och prototypintegration runt uppdragsdatavägen. Den första leveransen bör vara en överenskommen arkitektur och en mätbar prototypplan. Flygkvalifikationen förblir specifik för den valda hårdvaran, omloppsbanan och uppdraget.
Satellitkommunikation och minskad datamängd ombord
Kommunikationskapacitet, kontaktfönster och lagring ombord påverkar vilka mätningar som sänds först. Satcom och edge AI ombord behöver därför en gemensam datapolicy: behåll tillräckligt med rådata för att bedöma bearbetningsbeslut, identifiera modellversionen och definiera beteendet vid osäkra resultat.
Lokal bearbetning kan minska mängden data som väljs för nedlänk, men nyttan måste vägas mot effekt, minne och termiska begränsningar. Kommunikation mellan satelliter tillför ännu ett gränssnitt och en schemaläggningsfråga. Missionsspecifik verifiering krävs fortfarande; en teknisk prototyp är inte bevis på flygkvalificering.