Avoimen RISC-V-arkkitehtuurin, reaaliaikaisten hypervisorien ja tehokkaiden sulautettujen AI-kehysten yhdistyminen merkitsee mullistavaa hetkeä kriittisten avaruusjärjestelmien suunnittelussa. SYSGO–Klepsydra–REBECCA-yhteistyö osoittaa, että on mahdollista kehittää täysin eurooppalainen pino älykkäitä, autonomisia avaruusalustoja varten, jotka tarjoavat tarvittavan kestävyyden, joustavuuden ja riippumattomuuden tulevaisuuden tehtäviin.

Kun nykyaikaiset avaruustehtävät monimutkaistuvat, avaruusalusten ohjelmistojen rooli on kokemassa merkittävän muutoksen. Avaruusalukset eivät enää rajoitu pelkkään telemetriaan ja kauko-ohjaukseen. Nykyisin alusten tietojenkäsittelyn on tuettava autonomista päätöksentekoa, älykästä datan vähentämistä ja nopeita vastauksia odottamattomiin tilanteisiin. Samalla toiminta tapahtuu tiukkojen virta-, koko- ja luotettavuusrajoitteiden puitteissa. Tekoäly (AI) ja koneoppiminen (ML) ovat tämän muutoksen ajureita, mutta niiden toteuttaminen karuissa ja rajallisissa avaruusolosuhteissa vaatii uudenlaista sulautettujen järjestelmien teknologiaa.

Tämän kehityksen ytimessä on täysin eurooppalainen aloite, joka yhdistää avoimen lähdekoodin laitteistot, sertifioidut reaaliaikaiset ohjelmistot ja tehokkaat tekoälykehykset. Tulevaisuus rakentuu RISC-V-suorittimille, turvallisuuskriittisille hypervisoreille ja reunalaskentaan optimoiduille AI-moottoreille – kaikki integroituna turvalliseen ja joustavaan teknologiakokonaisuuteen, joka on suunniteltu avaruuteen. Tämä artikkeli tarkastelee, kuinka tämä eurooppalainen ekosysteemi muovaa avaruusautonomian tulevaisuutta.

Miksi AI/ML on välttämätöntä avaruustehtävissä?

Tekoälyn ja koneoppimisen merkitystä avaruudessa ei voi liioitella. Olipa kyse korkean resoluution satelliittikuvien reaaliaikaisesta analysoinnista, autonomisista ratamanöövereistä tai vikojen havaitsemisesta ennen niiden eskaloitumista, niissä kaikissa tarvitaan älykästä ohjelmistoa. Perinteiset lähestymistavat nojaavat vahvasti maaohjaukseen datan tulkinnassa ja päätöksenteossa, mikä aiheuttaa viiveitä ja tehottomuutta. Tämä näkyy erityisesti ns. deep space -missioissa.

AI/ML muuttaa tämän. Aluksella toimivat inference- eli päättelymoottorit voivat analysoida dataa paikallisesti, löytää käyttökelpoisia ratkaisuja ja reagoida välittömästi ilman ohjeita maasta. Tämä paikallinen autonomia lisää tehtävän ketteryyttä, mutta myös vähentää merkittävästi siirrettävän datan määrää, mikä säästää arvokasta kaistanleveyttä ja energiaa.

Hyödyt eivät kuitenkaan tule ilman haasteita. Tekoälysovellukset ovat usein laskennallisesti raskaita, vaativat johdonmukaista suorituskykyä ja vikasietoisuutta. Avaruudessa niiden on toimittava säteilyn ja virransäästörajoitusten alaisina ilman huoltomahdollisuuksia. Tämä vaatii paitsi edistyneitä algoritmeja myös uuden sukupolven sulautettuja alustoja.

Täysin eurooppalainen sulautettu pino

Tässä esitelty aloite perustuu SYSGO:n ja Klepsydra Technologiesin yhteistyöhön. Nämä kaksi eurooppalaisnta toimija ovat erikoistuneet korkean varmuuden sulautettuihin ratkaisuihin. Alustan ydin koostuu SYSGO:n PikeOS-reaaliaikakäyttöjärjestelmästä ja hypervisorista, Klepsydra AI:n reunalaskentakehyksestä sekä RISC-V-pohjaisista suorittimista, mukaan lukien kehitteillä olevaan REBECCA-siruun.

PikeOS tuo mukanaan MILS-arkkitehtuurin (Multiple Independent Levels of Security and Safety). Se mahdollistaa eritasoisten kriittisten ohjelmistokomponenttien erottamisen, millä voidaan varmistaa, että esimerkiksi kokeellinen tekoälymoduuli ei voi häiritä elintärkeää navigointiohjelmistoa. Jokainen komponentti toimii omassa turvallisessa osiossaan, joka voi sisältää käyttöjärjestelmiä kuten sulautettu Linux (ELinOS) tai bare-metal-reaaliaikasovelluksia. Tämä erottelu on keskeistä häiriöttömyydelle, yksinkertaistaa sertifiointia ja lisää kyberturvallisuutta sekä toimintavarmuutta.

Klepsydra AI täydentää kokonaisuutta kevyellä, liukuhihnapohjaiseen datankäsittelyyn perustuvalla viitekehyksellä, joka on optimoitu syväoppimismallien ajamiseen rajallisella laitteistolla. Yhdistämällä datan liukuhihnoittamisen ja rinnakkaisen prosessoinnin Klepsydra tarjoaa tehokasta inferenssisuorituskykyä ilman yleiskäyttöisten kirjastojen, kuten TensorFlow Liten, tyypillistä ylikuormaa. Tämä tekee siitä soveltuvan avaruuteen suuntautuville prosessoreille.

Viimeinen elementti on laitteisto. Avoin RISC-V-käskykanta kasvattaa suosiotaan avaruuskäytössä avoimuutensa, modulaarisuutensa ja mukautettavuutensa ansiosta. Toisin kuin suljetuissa arkkitehtuureissa RISC-V antaa eurooppalaisille kehittäjille mahdollisuuden rakentaa prosessoreita alusta asti ilman ulkopuolisia lisensointirajoitteita, mikä vahvistaa teknologista itsemääräämisoikeutta.

Järjestelmän rakentaminen ja demonstrointi

Kuva 1: LX2160-alustalla toteutetun AI-demonstraatiojärjestelmän arkkitehtuuri, jossa esitellään PikeOS-virtualisointi, Klepsydran Docker-kontitetut AI-moduulit sekä reaaliaikainen telemetrian visualisointi NASA:n OpenMCT:llä.

Ensimmäiset integroinnit toteutettiin Teledyne e2v LX2160 -alustalla. PikeOS tarjosi virtualisointikerroksen, jossa ajettiin useita partitioita, mukaan lukien Docker-kontitettuja Klepsydra AI -instansseja. Nämä AI-moduulit mahdollistivat kolme käytännön sovellusta: kuun pinnan paikannus historiallisen datan avulla (LunaNet), reaaliaikainen laivojen tunnistus merikuvista YOLOX-neuroverkolla sekä asteroidilaskeutumisen asennon arviointi ROSETTA-mission kuvista.

Sovelluksia esiteltiin onnistuneesti livenä Euroopan avaruusjärjestön Industrial Space Days -tapahtumassa ja Bremenin Space Expo -näyttelyssä. Telemetria visualisoitiin NASA:n Open Mission Control Technologies -alustalla. Järjestelmä osoitti kykenevänsä ajamaan useita tekoälytehtäviä samanaikaisesti säilyttäen tiukan erottelun ja reaaliaikaisuuden – merkittävä askel kohti käytännön soveltamista.

REBECCA-projekti: seuraavan sukupolven tekoäly avaruuteen

Tämän työn sydämessä on REBECCA-projekti. EU:n rahoittamassa tutkimushankkeessa tavoitteena on kehittää täysi tekoälyalusta sulautettuihin, turvallisuuskriittisiin ympäristöihin kuten avaruuteen.

Projektin päätavoitteena on parantaa merkittävästi aluksella suoritettavan tekoälyn tehokkuutta, suorituskykyä ja luotettavuutta. Tämä sisältää reaaliaikaisen inferenssin mahdollistamisen, virrankulutuksen vähentämisen ja eri turvallisuustasojen tukemisen. Nämä ovat kaikki välttämättömiä tekijöitä avaruustasoisen laskennan kannalta. Lopputavoitteena on alusta, joka integroi sertifioidun ohjelmiston ja joustavan laitteiston saumattomasti ja tarjoaa vankan perustan reunalaskennalle vaativissa ympäristöissä.

Kuva 2: REBECCA AI -alustan yleiskuva, jossa näkyy kerroksittainen arkkitehtuuri RISC-V-siruista ja AI-kiihdyttimistä järjestelmäohjelmistoihin, AI-kehyksiin ja orkestrointikerroksiin saakka.

Keskeinen osa REBECCAn visiota on ohjelmiston siirrettävyys eri RISC-V-alustoille. Tätä varten SYSGO ja Klepsydra ovat integroineet työkalujaan sekä fyysisiin kortteihin, kuten PolarFire Icicleen, että virtuaaliympäristöihin kuten QEMU:un. Tämä on johtanut parannuksiin Board Support Packageissa (BSP), erityisesti ajastinten käsittelyssä ja muistikokoonpanossa.

Projekti painottaa myös RISC-V Supervisor Binary Interfacen (SBI) hyödyntämistä, erityisesti OpenSBI:tä, joka yksinkertaistaa käyttöjärjestelmien siirrettävyyttä eri laitteistoille. Vaikka OpenSBI on vähemmän optimoitu kuin räätälöidyt SBI-toteutukset, se tarjoaa käytännöllisen pohjan prototypoinnille ja simulaatiolle. Turvallisuuskriittisissä käyttökohteissa voidaan myöhemmin siirtyä räätälöityihin SBI-toteutuksiin deterministisen suorituksen ja lyhyen viiveen saavuttamiseksi.

Klepsydran puolella AI-inferenssi on uudistettu korkean läpimenon dataputkien avulla, jotka minimoivat CPU:n käytön ja maksimoivat vasteen nopeuden. Heidän mallinsa yhdistää liukuhihnan ja rinnakkaisuuden, mikä tuottaa merkittäviä parannuksia suorituskyvyssä ja energiatehokkuudessa. Tämä on validoitu useilla syväoppimismalleilla, mukaan lukien RESNETin muunnelmat, jotka on optimoitu avaruuskohtaisiin tehtäviin, kuten pilvien tunnistukseen ja auringon massapurkausten analysointiin.

Bonseyes-benchmarkit osoittivat, että PolarFire Icicle SoC FPGA:lla ajettu Klepsydra AI oli viis kertaluokkaa TensorFlow Liteä suorituskykyisempi. Vielä kehitysvaiheessa oleva REBECCA-siru antoi lupaavia tuloksia, mutta hieman korkeammalla viiveellä. Odotettavissa on, että tulevat versiot ratkaisevat tämän.

Tulevaisuuden suuntia ja laajempia vaikutuksia

Tämän työn vaikutukset ulottuvat yksittäisiä tehtäviä pidemmälle. Mahdollistamalla modulaarisen, skaalautuvan ja sertifioitavan sulautetun tekoälyn projekti tukee visiota ohjelmisto-ohjatuista satelliiteista ja Satellite-as-a-Service -mallista, jossa useat operaattorit voivat turvallisesti jakaa saman laitteistoalustan. PikeOS hallinnoi partitiointitason turvallisuuden ja Klepsydra toimittaa nopeat tekoälymoduulit, jolloin operaattorit voivat ottaa käyttöön omat kyvykkyytensä vaarantamatta toisiaan tai turvallisuutta.

Kuva 3: SYSGO:n graafinen järjestelmäintegraatiotyökalu PikeOS:n konfigurointiin RISC-V PolarFire -kortilla, sisältäen muistin hallinnan ja sulautetun Linux-partition.

Seuraavia virstanpylväitä ovat PikeOS:n ja Klepsydra AI:n syvempi integrointi viiveen vähentämiseksi ja tehokkuuden parantamiseksi. Lisäksi koko pinon porttaus uusille RISC-V-alustoille, kuten Gaislerin NOEL-V:lle, on suunnitteilla, mikä lisää yhteensopivuutta ja tukee redundanssistrategioita.

Kun REBECCA-pino kypsyy, se tarjoaa ainutlaatuisen yhdistelmän eurooppalaisesta, avoimeen lähdekoodiin perustuvasta laitteistosta, sertifioidusta reaaliaikaohjelmistosta ja erittäin optimoidusta sulautetusta tekoälystä. Tämä ekosysteemi on elintärkeä Euroopan strategiselle autonomialle avaruusteknologioissa ja toimii mallina tuleville tekoälysovelluksille myös muilla korkean varmuuden aloilla, kuten puolustuksessa, ilmailussa ja teollisuusautomaatiolla.

Kiitokset

Tätä työtä rahoittaa osittain REBECCA-projekti (Chips JU Grant No. 101097224), joka tukee eurooppalaisten prosessorien kehittämistä tekoäly- ja ML-sovelluksiin vaativissa ympäristöissä.