EdgePVM：基于并行视觉MAMBA的星载边缘计算星座系统实现实时遥感变化检测

为解决卫星边缘计算在实时遥感变化检测中面临的能耗高、带宽受限等挑战，Mahdi Amini Sedeh团队提出分布式卫星星座架构EdgePVM，通过并行视觉MAMBA模型实现54.65%的复杂度降低和3.9倍加速，在Transformer与CNN架构间取得长程依赖捕获与线性计算复杂度的平衡，为自然灾害应急响应提供新范式。

　　

随着地球观测卫星分辨率提升至TB级数据量，传统"弯管式"卫星系统将所有原始数据传输至地面站处理的模式暴露出致命缺陷——有限的带宽和地面站观测时间导致实时灾害响应严重滞后。2023年发表在《Future Generation Computer Systems》的研究中，研究人员构建了名为EdgePVM的革命性系统，通过将视觉MAMBA模型与分布式卫星星座深度融合，首次在星载GPU集群上实现线性复杂度的长程特征提取，为地震、林火等灾害的分钟级预警提供技术可能。

研究团队采用三大关键技术：1）基于轨道边缘计算(OEC)的分布式卫星架构，将光学成像卫星与GPU-Cluster卫星组成处理链；2）改进视觉状态空间模型(VMamba)，通过交叉扫描模块(CSM)实现非因果视觉信号的序列化处理；3）多尺度Siamese编码器与特征融合模块的协同优化，在LEVY-CD等数据集上验证性能。

在"提出的分布式卫星边缘计算架构"部分，研究通过星座级负载分配证明：4节点GPU集群可使端到端延迟降低74%，仅需下传占原始数据0.3%的变化检测结果。"提出的变化检测模型"章节显示，该模型通过S4状态空间模型的硬件优化版本，在保持CNN局部特征提取优势的同时，获得Transformer级别的全局感受野，参数量较OptiSAR减少61.2%。"并行实现"部分揭示，模型在X波段星间链路上实现3.9倍加速比，满足10分钟级灾害响应时效要求。

这项研究的突破性在于：首次将选择性状态空间模型(SSM)引入星载计算领域，通过Mamba架构的线性复杂度特性，解决Transformer在星载场景的算力瓶颈。相比传统CNN方法，在LEVY-CD数据集上F1-score提升8.7%的同时，内存占用降低54.65%。研究团队特别指出，其商业现货(COTS)组件策略使系统成本降低至传统方案的1/5，为后续星载AI芯片设计指明方向。未来工作将探索在"吉林一号"等商业星座的工程化落地，以及星间光通信对分布式计算的增强效应。