Edge AI 如何在衛星上運作：從感測資料到下行傳輸

衛星上的人工智慧有何不同？

地面人工智慧通常在測量結果傳輸到資料中心後開始。機載人工智慧在太空船內部執行部分解釋。當有效載荷產生的資料多於可用下行鏈路所能承載的資料時，或在下次地面接觸之前優先考慮觀察時，這會有所幫助。

它並沒有消除地面處理的需要。訓練、獨立評估、任務規劃和更深入的分析通常仍在實地進行。機載模型是更大的測量和決策流程的一部分。

實用的星上處理管道

1. 採集資料併計時。 捕捉帶有時間戳、儀器設定和航天器背景的影象或測量結果。
2. 一致地進行預處理。 應用模型預期的校準、調整大小、標準化或平鋪。與訓練流程的差異可能會改變結果。
3. 執行推理。 在適當的 CPU、FPGA 或加速器上執行部署的模型。測量完整的處理鏈，而不僅僅是神經網路核心。
4. 應用決策策略。 將模型分數轉換為佇列優先權、事件記錄或感興趣的區域。包括置信限和定義的後備。
5. 儲存和傳輸。 保留所選資料及其後設資料，並在預定的通訊視窗期間傳輸它。保留足夠的審計資料來評估實地決策。

例：下行前雲遮蔽

雲篩選模型可以對影像區塊進行評分，以便清晰的觀察值獲得更高的下行鏈路優先權。工程決策不僅僅是一塊瓦片是否包含雲：薄雲、雪、明亮的屋頂和不尋常的照明可能會產生模糊的情況。任務必須選擇如何處理不確定性以及保留多少未經過濾的資料以供評估。

ESA 的 Φsat-2 CubeSat 提供了用於地球觀測的機載人工智慧的真實範例。其描述的應用包括雲端偵測、影像壓縮以及將影像轉換為地圖。這是外部任務範例，而不是 Alvexis 飛行參考。

資料來源：ESA — 介紹 Φsat-2

其他有用的應用程式模式

• 優先考慮包含任務定義的環境事件的影象以進行地面審查。
• 識別觀察之間的變化並將緊湊的元資料附加到相關場景。
• 監視儀器遙測是否有異常行為並要求額外的診斷資料。
• 壓縮或選擇資料，同時測量對下游科學或操作任務的影響。

電源、記憶體和通訊預算是第一位的

選擇適合任務的型號，而不是從可用的最大型號開始。處理速度必須與記憶體移動、影像緩衝區、儲存寫入和每次觀察使用的能量一起考慮。僅在合適的操作視窗期間安排推理可能比峰值吞吐量更重要。

有用的下行鏈路估計是保留的資料量除以有效通訊速率，加上協定和排程開銷。有用的計算估計使用代表性資料來測量整個管道的能量和延遲。這兩種估計都不能被加速器宣傳的每秒峰值操作所取代。

應該如何驗證模型？

使用單獨的訓練和評估資料集，包括困難的季節、照明條件和 感測器 偽影。在目標處理器上測試部署的模型格式和數值精度。在建議的操作模式下測量誤報、遺漏事件、保留資料品質、延遲和能量。

人工智慧輸出應該透過有界的應用程式邏輯。對於太空船關鍵功能，模型評分不​​應繞過獨立設計的命令驗證和故障保護架構。保留版本控制的模型包、已知良好的恢復映像和受控的更新過程。

Alvexis 可以貢獻的地方

Alvexis 可以圍繞任務資料路徑客製化有效載荷處理電子裝置、感測器 介面、嵌入式軟體 和原型整合。第一個交付成果應該是商定的架構和可衡量的原型計畫。飛行資格仍然特定於所選的硬體、軌道和任務。