本文由 Spacechips 首席執行官兼創始人 Rajan Bedi 博士撰寫。

隨著衛星運營商在軌獲取的數據越來越多，他們更愿意在載荷上處理這些數據并提取有價值的信息，而不是將大量數據下行傳送到地面的云上進行后處理?，F有宇航級半導體技術和/或射頻帶寬限制了可實時處理的數據量。我知道一些客戶由于下行鏈路的需求違反了ITU的規定，而不得不降低他們的項目預期。

另一方面，盡可能接近原始數據源（即邊緣）的局部處理基于對來自多個傳感器的大量信息的實時計算，可通過使用低延遲的確定性接口和滿足特定散熱和可靠性要求的小型低功耗形狀因數實現。在軌提取分析顯著減少了延遲和RF下行帶寬 – 我們正有效地將數據中心移動到原始數據的源頭！

在這篇文章中，我想探討和比較用于邊緣密集型星載處理的微處理器和FPGA。一些應用需要從不同帶寬的多個傳感器（如RF、LIDAR、成像和GNSS）獲取大量數據，同時需要實時做出關鍵決策，如用于航天器態勢感知的物體識別和分類（即敵我識別）、避免空間碎片碰撞、高清視頻地球觀測、空間原位探測和資源利用等。利用機器學習技術在軌提取分析的自主星載處理的應用也呈上升趨勢。

點擊下載《用于密集型在軌邊緣計算的微處理器和FPGA》

關鍵詞： 微處理器 大量數據 局部處理 形狀因數 原始數據