嵌入式空间系统中的机器学习研究综述：挑战、技术及未来发展方向

《IEEE Access》：A Review of Machine Learning in Embedded Space Systems: Challenges, Techniques, and Future Directions

　　

摘要：

在追求更高程度的自主性及实时数据分析能力的进程中，立方星等微型卫星越来越依赖嵌入式机器学习技术来实现复杂的任务目标。然而，这类平台有限的电力、内存和处理资源给算法设计、性能提升以及系统可靠性带来了诸多挑战。本综述全面分析了微型卫星领域机器学习的现有发展水平，指出了低功耗硬件所固有的限制，并提出了相应的解决策略。我们首先探讨了模型压缩、轻量级架构以及专门的软件框架——包括可重复使用的、与飞行软件相整合的部署方法——这些都有助于实现高效的在轨推理。接着，我们介绍了各种商用现成硬件选项，从微控制器、现场可编程门阵列到集成有图形处理单元的片上系统设备，并分析了它们在尺寸、重量和功耗约束下的优缺点。通过分析一些重要的任务和研究项目，我们概述了当前及未来最具前景的应用领域，如自主导航、地球观测以及数据过滤等。最后，我们梳理了那些借助机器学习技术的著名立方星任务的时间线，总结了其中的经验教训，同时指出了尚待解决的科研问题，比如抗辐射能力、极端条件下的模型压缩以及标准制定等问题。通过整合这些见解，本综述为设计出在太空环境中既坚固可靠、又能高效节能且适合执行任务的机器学习解决方案提供了实用指引。