現(xiàn)代空間飛行器必須持續(xù)監(jiān)控遙測數(shù)據(jù)，并檢測或預(yù)測傳感器數(shù)據(jù)中的任何異常行為。由于從機載傳感器接收到的數(shù)據(jù)維度高且數(shù)據(jù)量大，基于閾值的監(jiān)控等傳統(tǒng)方法顯得捉襟見肘。軌道衛(wèi)星的環(huán)境具有高度動態(tài)性，這也使得識別異常指標充滿挑戰(zhàn)性。

為了克服這些挑戰(zhàn)，空中客車防務(wù)與航天公司 Airbus 決定開發(fā)用于故障檢測、隔離和還原 (FDIR) 的機載系統(tǒng)，以實現(xiàn)異常檢測深度學習模型。 空中客車發(fā)現(xiàn)，FPGA 以其高性能、長壽命成為機載航天器系統(tǒng)的理想平臺。FPGA 可重新編程，能夠耐受空間輻射，并可設(shè)計成低功耗器件。

然而，對于此級別的時間關(guān)鍵型任務(wù)，使用資源有限的 FPGA 實現(xiàn)深度學習模型，可能是一項巨大的挑戰(zhàn)。 空中客車的設(shè)計團隊選擇使用 Deep Learning HDL Toolbox 來生成 MATLAB 深度學習處理器 IP 核作為人工智能加速器。該工作流支持使用 FreeRTOS 作為操作系統(tǒng)。

為了進行測試，空中客車使用了 AMD Zynq UltraScale+ MPSoC ZCU102 板以及長短期記憶 (LSTM) 模型，該模型是基于一組相關(guān)的遙測參數(shù)訓(xùn)練的。

此外，更新 LSTM 模型不需要對 FPGA 重新編程，因為只需重新編譯更新后的模型并將其下載到深度學習處理器中。

“從本質(zhì)上講，MATLAB 深度學習處理器 IP 核與平臺無關(guān)。這使其能夠被集成到可通過太空認證的實時操作系統(tǒng)中。我們面臨的一大挑戰(zhàn)是開發(fā)與之交互的應(yīng)用，而在這一方面，MathWorks 提供了很多支持。”

—— Andreas C. Koch，空中客車機載軟件工程師

在 TensorFlow 中訓(xùn)練的 LSTM 模型導(dǎo)入 MATLAB 中。基于這些模型，該團隊針對性能和資源使用情況，對深度學習處理器配置進行了優(yōu)化。此后，他們使用 HDL Coder 將深度學習處理器 IP 核生成為獨立于目標的可綜合 HDL 代碼，并通過 AXI 接口將其集成到空中客車的參考設(shè)計中。

然后，工程師使用基于 Python 的工作流對深度學習處理器進行編程，并從 AMD Zynq MPSoC 上的 Arm 處理器觸發(fā)它。

在硬件板上針對運行衛(wèi)星上檢測到的異常來測試 FDIR 系統(tǒng)時，深度學習處理器能夠在可靠工作的同時，滿足吞吐量和功耗的要求。空中客車計劃在將來的航天器上部署基于 FPGA 的 FDIR 系統(tǒng)。



基于 FPGA 的深度學習網(wǎng)絡(luò)檢測到的真實異常。

▼ 空客Airbus 取得的關(guān)鍵成果

開發(fā)了基于 MATLAB 的工作流，用于在 FPGA 上進行深度神經(jīng)網(wǎng)絡(luò)的快速原型構(gòu)建和驗證，從而實現(xiàn)硬件、系統(tǒng)和深度學習工程師之間的協(xié)作

與基于閾值的傳統(tǒng)方法相比，更早地檢測到潛在的衛(wèi)星故障模式

生成了深度學習處理器，可供任何采用 FreeRTOS 或其他操作系統(tǒng)的 FPGA 供應(yīng)商使用和部署

可以在板上更新深度學習模型，而不需要對 FPGA 重新編程

▼空客 Airbus 使用到的產(chǎn)品

MATLAB

Deep Learning HDL Toolbox

Deep Learning Toolbox

HDL Coder

審核編輯：劉清