💻 computer science

TinyML Enhances CubeSat Mission Capabilities

Este artículo presenta una pipeline de optimización y despliegue de TinyML basada en redes neuronales convolucionales para el STM32N6, que permite la clasificación de imágenes de observación terrestre a bordo de CubeSats con una reducción drástica en el uso de memoria y energía, manteniendo una precisión aceptable bajo estrictas restricciones de hardware.

Autores originales: Luigi Capogrosso, Michele Magno

Publicado 2026-03-23

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Luigi Capogrosso, Michele Magno

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

¡Imagina que tienes un pequeño satélite, del tamaño de una caja de zapatos (un "CubeSat"), orbitando la Tierra. Su trabajo es tomar fotos increíbles de nuestro planeta para cosas como monitorear cultivos, detectar incendios o vigilar el clima.

El problema es que estos satélites son como niños pequeños con una mochila muy pesada: tienen muy poca batería, muy poca memoria y solo pueden "hablar" con la Tierra (enviar datos) durante unos minutos al día cuando pasan sobre una estación de radio.

Si el satélite tomara todas las fotos en alta calidad y las enviara todas a la Tierra, se quedaría sin batería antes de terminar el día y la Tierra se ahogaría en datos que no puede procesar a tiempo.

¿Qué propone este paper?
La idea es darle al satélite un "cerebro" pequeño pero inteligente a bordo. En lugar de enviar todas las fotos crudas a la Tierra, el satélite las analiza él mismo, decide cuáles son importantes y solo envía esas. A esto le llaman TinyML (Machine Learning para cosas muy pequeñas).

Aquí te explico cómo lo hicieron usando analogías sencillas:

1. El Cerebro del Satélite (El Hardware)

El equipo usó un chip especial llamado STM32N6.

La analogía: Imagina que antes los satélites tenían que usar una computadora de escritorio gigante (como las que usas para editar video) para analizar una foto, pero esa computadora no cabía en el satélite.
La solución: Usaron un chip nuevo que es como un chef experto en una cocina de campaña. Es pequeño, consume muy poca energía, pero tiene una herramienta especial (una NPU) que le permite "cocinar" (procesar) imágenes de inteligencia artificial muy rápido, aunque esté en un espacio reducido.

2. La Receta de Cocina (La Optimización)

Los modelos de Inteligencia Artificial modernos son como recetas de pasteles gigantescas con miles de ingredientes. No caben en la mochila del satélite. El equipo creó un proceso de 3 pasos para hacer la receta más pequeña sin que el pastel se arruine:

Paso 1: Podar el jardín (Pruning).
Imagina que tienes un seto de plantas muy desordenado. En lugar de cortar todo, solo quitas las ramas que no dan flores ni frutos (los datos innecesarios de la red neuronal). Hicieron esto poco a poco, recortando el 10% de las ramas, luego el 5%, y así sucesivamente, ajustando el resto para que el seto siga luciendo bien.
- Resultado: El modelo se hizo mucho más pequeño.
Paso 2: Traducir a números simples (Cuantización INT8).
Los modelos originales usan números muy precisos y grandes (como decir "3.14159265"). Eso ocupa mucho espacio. El equipo los convirtió a números enteros simples (como decir "3").
- La analogía: Es como cambiar de escribir un libro entero con tinta dorada y letras de oro (que pesan mucho) a escribirlo con un lápiz de grafito normal. El mensaje es el mismo, pero el libro pesa una fracción de lo que pesaba antes.
Paso 3: Asignar tareas al equipo (Mapeo de Operadores).
El chip tiene dos partes: una parte general (el cerebro lógico) y una parte especial para matemáticas rápidas (el músculo). El equipo organizó el trabajo para que la parte "músculo" hiciera todo el trabajo pesado de las matemáticas, y la parte "cerebro" solo supervisara.
- Resultado: Todo se hace más rápido y gasta menos energía.

3. Los Resultados (El Milagro)

Después de aplicar esta "magia" de optimización, probaron el sistema con tres tipos de fotos de la Tierra (ciudades, riesgos naturales, etc.) y cuatro tipos de modelos diferentes. Los resultados fueron sorprendentes:

Memoria: Redujeron el espacio que ocupaba el modelo en un 89%. Pasaron de necesitar una mochila gigante a caber en un bolsillo.
Energía: Cada vez que el satélite "piensa" una foto, gasta una cantidad de energía increíblemente baja (menos de lo que tarda en parpadear una bombilla LED).
Velocidad: Analiza una foto en milisegundos. ¡Es más rápido que el parpadeo de un ojo!
Precisión: Aunque hicieron el modelo más pequeño, sigue siendo muy preciso. Perdió muy poca precisión (menos del 10% en el peor caso), pero ganó muchísimo en velocidad y ahorro de energía.

4. El Gancho Final: Ahorrar Datos

La parte más genial es cómo esto ayuda a las comunicaciones.

Antes: El satélite enviaba 100 fotos. La Tierra tardaba horas en recibirlas y procesarlas.
Ahora: El satélite toma las 100 fotos, las analiza y dice: "Oye, de estas 100, 85 son nubes aburridas o mar vacío, no me importan. Solo te envío las 15 que muestran un incendio o una inundación".
Resultado: Ahorraron un 85% de datos en la transmisión. Además, como el satélite filtra lo que no sirve, la Tierra recibe información más valiosa y precisa.

En resumen

Este paper nos dice que ya no necesitamos enviar satélites gigantes y costosos para ver la Tierra. Podemos usar pequeños satélites baratos (como cajas de zapatos) que, gracias a una "magia" de software (TinyML), pueden pensar por sí mismos, tomar decisiones rápidas y enviar solo lo importante, ahorrando energía y tiempo. Es como darle a un niño una calculadora en lugar de una biblioteca completa para que pueda resolver sus problemas matemáticos en el autobús.

1. Problema Identificado

Las misiones de Observación de la Tierra (EO) tradicionales dependen de transmitir imágenes crudas o mínimamente procesadas desde satélites a estaciones terrestres para su análisis. Este paradigma es inviable para los sistemas CubeSat debido a restricciones extremas en:

Ancho de banda de comunicación: Los pasos sobre estaciones terrestres son breves (unos 10 minutos) y las tasas de transmisión son bajas.
Recursos de hardware: Los ordenadores a bordo (OBC) típicos tienen poca memoria volátil (16–64 MB) y presupuestos de energía limitados (2–8 W).
Latencia: El envío de grandes volúmenes de datos crudos genera retrasos inaceptables para aplicaciones críticas como la respuesta a desastres.

La necesidad es un cambio de paradigma: llevar la computación a los datos (inteligencia a bordo) para filtrar, clasificar y priorizar la información antes de la transmisión, reduciendo así el volumen de datos a descargar. Sin embargo, desplegar Redes Neuronales Profundas (DNN) en hardware CubeSat es un desafío debido a la falta de recursos computacionales y de memoria para modelos de punto flotante estándar.

2. Metodología Propuesta

El artículo presenta una tubería (pipeline) de optimización y despliegue basada en TinyML diseñada específicamente para la inferencia de imágenes a bordo. La solución se basa en tres etapas clave de compresión y optimización:

Poda Estructurada Iterativa:
- Se eliminan filtros y neuronas redundantes basándose en la magnitud de sus pesos (norma L2).
- El proceso es cíclico: poda $\rightarrow$ ajuste fino (fine-tuning) $\rightarrow$ poda.
- Se realiza en tres etapas con tasas de poda decrecientes (10%, luego 5% dos veces) para equilibrar la compresión con la recuperación del rendimiento.
Cuantización Post-entrenamiento (INT8):
- Conversión de parámetros y activaciones de punto flotante (Float32) a enteros de 8 bits (INT8).
- Incluye un paso de calibración con un conjunto de datos representativo para determinar los factores de escala y el punto cero, minimizando el uso de memoria y el costo computacional.
Mapeo de Operadores Consciente del Hardware:
- Utilización del framework ST Edge AI para particionar el modelo en la arquitectura heterogénea del STM32N6.
- Las operaciones compatibles (como Conv2D, ReLU) se asignan a la NPU (Neural-ART) para aceleración, mientras que las operaciones de control permanecen en la CPU.
- Se aplican técnicas de fusión de operadores y reutilización de buffers para minimizar la latencia y el uso de SRAM.

Plataforma de Evaluación:

Hardware: STM32N6570-DK (un microcontrolador con núcleo Arm Cortex-M55 a 800 MHz y una NPU dedicada capaz de ~600 GOPS en INT8). Aunque no es un satélite físico, se considera un proxy realista para los sistemas CubeSat.
Conjunto de Datos: EuroSAT (clasificación de cobertura terrestre), RS_C11 (clasificación de escenas) y MEDIC (evaluación de riesgos).
Modelos: SqueezeNet, MobileNetV3, EfficientNet y MCUNetV1.

3. Contribuciones Clave

Pipeline Sistemático: Propuesta de un flujo de trabajo integral que combina poda, cuantización y mapeo de hardware para el aprendizaje profundo embebido en el "Nuevo Espacio".
Evaluación Exhaustiva: Análisis experimental en una plataforma moderna (MCU + NPU) cuantificando el compromiso entre precisión, latencia, consumo energético y uso de memoria bajo restricciones reales de CubeSat.
Generalización: Demostración de que la metodología funciona eficazmente a través de múltiples arquitecturas de modelos y conjuntos de datos de EO.
Reducción de Ancho de Banda: Validación de un enfoque híbrido donde solo se transmiten los datos con baja confianza, optimizando la comunicación.

4. Resultados Principales

Eficiencia de Memoria:
- Reducción promedio de 89.55% en el uso de RAM y 70.09% en Flash.
- Los modelos optimizados caben en los 4.2 MB de RAM del STM32N6, mientras que las versiones base (Float32) excedían esta capacidad (algunos requiriendo hasta 25 MB).
- Ejemplo: EfficientNet en EuroSAT pasó de 16.79 MB a 0.12 MB de RAM.
Precisión:
- La caída de precisión fue mínima y aceptable para la tarea, oscilando entre 0.4 y 8.6 puntos porcentuales respecto a la línea base Float32.
- En el conjunto de datos MEDIC, la poda incluso mejoró la precisión (actuando como regularización), aumentando la exactitud de algunos modelos en ~1 punto.
Rendimiento y Energía:
- Latencia: Entre 3.22 ms y 30.38 ms por inferencia (equivalente a 32–312 FPS), cumpliendo con los requisitos de tiempo real (>5 FPS).
- Consumo Energético: Entre 0.68 mJ y 6.45 mJ por inferencia. El modelo más eficiente (SqueezeNet en EuroSAT) consumió solo 0.68 mJ.
Impacto en la Comunicación (Downlink):
- Mediante un escenario híbrido (transmitir solo imágenes con confianza <95%), se logró una reducción del 85.77% en el volumen de datos transmitidos en el conjunto EuroSAT.
- Este enfoque híbrido mejoró la precisión total del sistema al 95.20% (combinando inferencia a bordo con re-procesamiento en tierra para casos dudosos).

5. Significado e Impacto

Este trabajo demuestra que es posible desplegar inteligencia artificial avanzada en satélites CubeSat de recursos limitados sin sacrificar la utilidad de la misión.

Viabilidad Operativa: Permite a los satélites tomar decisiones autónomas en órbita, filtrando datos irrelevantes (como nubes o escenas no críticas) antes de la transmisión.
Eficiencia de Misión: Reduce drásticamente el consumo de energía y el ancho de banda, extendiendo la vida útil de la misión y permitiendo una respuesta más rápida a eventos críticos.
Futuro: La metodología es extensible a otras tareas de EO como segmentación semántica y detección de objetos, marcando un paso crucial hacia la autonomía total en la constelación de satélites pequeños.