FOOL: Addressing the Downlink Bottleneck in Satellite Computing with Neural Feature Compression

要約

大規模な地理的地域をキャプチャするセンサーを装備したナノサテライト星座は、地球観察のための前例のない機会を提供します。
星座のサイズが増加すると、ネットワークの競合はダウンリンクボトルネックをもたらします。
Orbital Edge Computing（OEC）は、ソースでRAWキャプチャを処理することにより、転送コストを削減するための限定オンボードコンピューティングリソースを活用します。
ただし、現在のソリューションは、粗ろ過方法に依存しているか、特定の下流タスクの過度に優先するため、実用性が限られています。
この作品は、予測のパフォーマンスを維持するOECナティブおよびタスクに依存しない特徴圧縮法であるFoolを提示します。
フールパーティションで、スループットを最大化するために高解像度の衛星画像を分割します。
さらに、それはコンテキストを埋め込み、タイル間の依存関係をレバレッジして、無視できるオーバーヘッドで転送コストを削減します。
Foolは機能コンプレッサーですが、低ビットレートでの品質測定の競争力のあるスコアで画像を回復できます。
低い地球軌道で断続的に利用可能なネットワーク接続の特異性を含めることにより、転送コスト削減を広範囲に評価します。
最後に、標準化されたナノサテライトフォームファクターのシステムの実現可能性をテストします。
私たちは、Foolがダウンストリームタスクに関する以前の情報に依存することなく、データボリュームを100倍以上ダウンリンクすることを許可することを実証します。

要約(オリジナル)

Nanosatellite constellations equipped with sensors capturing large geographic regions provide unprecedented opportunities for Earth observation. As constellation sizes increase, network contention poses a downlink bottleneck. Orbital Edge Computing (OEC) leverages limited onboard compute resources to reduce transfer costs by processing the raw captures at the source. However, current solutions have limited practicability due to reliance on crude filtering methods or over-prioritizing particular downstream tasks. This work presents FOOL, an OEC-native and task-agnostic feature compression method that preserves prediction performance. FOOL partitions high-resolution satellite imagery to maximize throughput. Further, it embeds context and leverages inter-tile dependencies to lower transfer costs with negligible overhead. While FOOL is a feature compressor, it can recover images with competitive scores on quality measures at lower bitrates. We extensively evaluate transfer cost reduction by including the peculiarity of intermittently available network connections in low earth orbit. Lastly, we test the feasibility of our system for standardized nanosatellite form factors. We demonstrate that FOOL permits downlinking over 100x the data volume without relying on prior information on the downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google