We are Going to the Space — Part 1: Which device to deploy in a satellite?

要約

衛星を構成するコンポーネントのサイズが縮小したことで、衛星の利用範囲が広がり、低コストになりました。
その結果、さまざまなデータ集約型アプリケーションを実行するサテライトを展開できる小規模な組織が出現しました。
人気のあるアプリケーションの 1 つは、土地、氷、雲などを検出するための画像解析です。ただし、衛星に配備されたデバイスのリソースに制約のある性質により、このリソース集約型のアプリケーションには追加の課題が生じます。
このホワイト ペーパーでは、空間におけるディープ ラーニング ベースの画像処理のためのさまざまなエッジ デバイスのパフォーマンスを調査します。
私たちの目標は、適度に正確な結果を達成しながら、衛星の遅延と電力の制約を満たすデバイスを決定することです。
私たちの結果は、レイテンシ要件を達成するにはハードウェア アクセラレータ (TPU、GPU) が必要であることを示しています。
一方、GPU を搭載した最先端のエッジ デバイスは消費電力が高く、衛星への展開には適していません。

要約(オリジナル)

The shrinkage in sizes of components that make up satellites led to wider and low cost availability of satellites. As a result, there has been an advent of smaller organizations having the ability to deploy satellites with a variety of data-intensive applications to run on them. One popular application is image analysis to detect, for example, land, ice, clouds, etc. However, the resource-constrained nature of the devices deployed in satellites creates additional challenges for this resource-intensive application. In this paper, we investigate the performance of a variety of edge devices for deep-learning-based image processing in space. Our goal is to determine the devices that satisfy the latency and power constraints of satellites while achieving reasonably accurate results. Our results demonstrate that hardware accelerators (TPUs, GPUs) are necessary to reach the latency requirements. On the other hand, state-of-the-art edge devices with GPUs could have a high power draw, making them unsuitable for deployment on a satellite.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google