Edge AI hoạt động trên vệ tinh như thế nào? Từ dữ liệu cảm biến đến truyền về mặt đất

Điều gì làm cho AI trên vệ tinh khác biệt?

AI trên mặt đất thường bắt đầu sau khi các phép đo đã được truyền đến một trung tâm dữ liệu. AI trên tàu thực hiện một phần của việc giải thích đó bên trong tàu vũ trụ. Điều này có thể giúp khi tải trọng sản xuất nhiều dữ liệu hơn liên kết xuống có sẵn có thể mang, hoặc khi nó hữu ích để ưu tiên một quan sát trước khi tiếp xúc mặt đất tiếp theo.

Điều này không loại bỏ nhu cầu xử lý trên mặt đất. Huấn luyện mô hình, đánh giá độc lập, lập kế hoạch nhiệm vụ và phân tích chuyên sâu thường vẫn được thực hiện tại mặt đất. Mô hình trên vệ tinh là một phần của quy trình đo lường và ra quyết định rộng hơn.

Quy trình xử lý dữ liệu thực tế trên vệ tinh

1. Thu thập dữ liệu và gắn dấu thời gian. Chụp ảnh hoặc đo lường với dấu thời gian, cài đặt thiết bị và ngữ cảnh tàu vũ trụ.
2. Tiền xử lý nhất quán. Ứng dụng việc cân chỉnh, thay đổi kích thước, chuẩn hóa hoặc dán gạch theo mong đợi của mô hình. Sự khác biệt từ đường ống huấn luyện có thể thay đổi kết quả.
3. Thực hiện suy luận. Thực hiện mô hình được triển khai trên một CPU, FPGA hoặc bộ gia tốc phù hợp. Đo toàn bộ chuỗi xử lý, không chỉ hạt nhân mạng thần kinh.
4. Ứng dụng một chính sách quyết định. Chuyển đổi điểm số mô hình thành một ưu tiên hàng đợi, một ghi chú sự kiện hoặc một khu vực quan tâm. Bao gồm giới hạn niềm tin và một sự trừu tượng hóa.
5. Lưu trữ và truyền tải. Giữ dữ liệu đã chọn với siêu dữ liệu của nó và truyền nó trong cửa sổ liên lạc được lên lịch. Bảo quản đủ dữ liệu kiểm toán để đánh giá các quyết định trên mặt đất.

Ví dụ: phát hiện mây trước khi truyền dữ liệu xuống mặt đất

Một mô hình quét đám mây có thể đánh giá các gạch hình ảnh để các quan sát rõ ràng nhận được ưu tiên liên kết xuống cao hơn. Quyết định kỹ thuật không đơn giản là liệu một tấm gạch có chứa một đám mây: mây mỏng, tuyết, mái nhà sáng và ánh sáng bất thường có thể tạo ra các trường hợp mơ hồ. Nhiệm vụ phải chọn cách xử lý sự không chắc chắn và bao nhiêu dữ liệu chưa được lọc để giữ lại để đánh giá.

Φsat-2 CubeSat của ESA cung cấp một ví dụ thực tế về AI trên tàu cho quan sát Trái Đất. Các ứng dụng mô tả của nó bao gồm phát hiện đám mây, nén hình ảnh và chuyển đổi hình ảnh thành bản đồ. Đây là một ví dụ về nhiệm vụ bên ngoài, không phải là một phi vụ Alvexis.

Nguồn: ESA — Introducing Φsat-2

Các mẫu ứng dụng hữu ích khác

• Ưu tiên hình ảnh chứa một sự kiện môi trường được định nghĩa bởi nhiệm vụ để xem xét mặt đất.
• Nhận dạng các thay đổi giữa các quan sát và gắn siêu dữ liệu compact vào các cảnh tương ứng.
• Kiểm tra các thiết bị đo từ xa để phát hiện hành vi bất thường và yêu cầu thêm dữ liệu chẩn đoán.
• Nhúng hoặc chọn dữ liệu trong khi đo lường tác động lên nhiệm vụ khoa học hoặc hoạt động hạ lưu.

Nguồn điện, bộ nhớ và ngân sách liên lạc là thứ nhất.

Chọn mô hình phù hợp với nhiệm vụ thay vì bắt đầu bằng mô hình lớn nhất. Cần đánh giá tốc độ xử lý cùng với việc truyền dữ liệu trong bộ nhớ, bộ đệm ảnh, ghi dữ liệu lưu trữ và năng lượng cho mỗi lần quan sát. Chỉ chạy suy luận trong các khoảng vận hành phù hợp có thể quan trọng hơn thông lượng cực đại.

Một ước tính downlink hữu ích là khối lượng dữ liệu được giữ lại chia cho tốc độ truyền thông hiệu quả, cộng với giao thức và chi phí lập kế hoạch. Một ước tính tính toán hữu ích đo năng lượng và độ trễ cho toàn bộ đường ống sử dụng dữ liệu đại diện. Không có ước tính nào có thể được thay thế bởi các hoạt động đỉnh cao được quảng cáo của máy gia tốc trên giây.

Mô hình này nên được xác nhận như thế nào?

Sử dụng riêng tập dữ liệu huấn luyện và đánh giá, bao gồm các điều kiện mùa vụ, ánh sáng và nhiễu cảm biến khó xử lý. Kiểm thử định dạng mô hình triển khai và độ chính xác số trên bộ xử lý dự kiến. Đo báo động giả, sự kiện bị bỏ sót, chất lượng dữ liệu giữ lại, độ trễ và năng lượng tiêu thụ trong các chế độ vận hành đề xuất.

Các kết quả AI nên đi qua logic ứng dụng giới hạn. Đối với các chức năng quan trọng của tàu vũ trụ, một điểm số mô hình không nên bỏ qua việc xác minh lệnh được thiết kế độc lập và kiến trúc bảo vệ lỗi. Giữ các gói mô hình có phiên bản, hình ảnh phục hồi tốt và một quá trình cập nhật được kiểm soát.

Đó là nơi Alvexis có thể đóng góp

Alvexis có thể bao gồm các thiết bị điện tử xử lý tải trọng, giao diện cảm biến, phần mềm tích hợp và tích hợp nguyên mẫu xung quanh đường dữ liệu nhiệm vụ. Điều đầu tiên cần phải là một kiến trúc được đồng ý và một kế hoạch nguyên mẫu đo được. Tiêu chuẩn bay vẫn đặc biệt cho phần cứng, quỹ đạo và nhiệm vụ được chọn.