TinyML 增强 CubeSat 任务能力

地球观测（Earth observation, EO）任务传统上依赖将卫星上的原始或最小处理后的图像传输至地面站点进行计算密集型分析。由于 onboard 嵌入式处理器、能源 availability 以及通信带宽的严苛限制，这一范式对 CubeSat 系统不可行。为克服这些限制，本文提出一种基于 TinyML 的卷积神经网络（ConvNets）模型优化与部署管线，用于 onboard 图像分类，实现在 CubeSat 级约束下进行准确、能效高且硬件感知的推理。我们的管线集成结构化迭代修剪、后训练 INT8 量化与硬件感知算子映射，以压缩模型并与来自 STMicroelectronics 的 STM32N6 微控制器的异构计算架构相吻合。该微控制器单元（MCU）集成新型 Arm Cortex-M55 核心和 Neural-ART 神经处理单元（NPU），为 CubeSat onboard 计算机提供了真实的代理。本文在三个 EO 基准数据集（即 EuroSAT、RS_C11、MEDIC）和四个模型（即 SqueezeNet、MobileNetV3、EfficientNet、MCUNetV1）上进行评估。我们展示了针对优化后模型在 RAM 使用上平均减少89.55%，Flash 存储减少70.09%，显著降低下行链路带宽需求，同时保持任务可接受的准确率（相对于 Float32 基准，准确率下降0.4至8.6个百分点）。推理能耗范围为0.68 mJ至6.45 mJ，延迟范围为3.22 ms至30.38 ms。这些结果完全满足高效 onboard EO 处理所需的严苛能源预算和实时约束。