Towards Autonomous Aircraft Surveillance from Nanosatellites through On-Board Inference and Generative Data Augmentation

技术摘要：通过在轨推理与生成式数据增强实现纳米卫星自主航空器监视

问题陈述
本文探讨了阻碍低地球轨道（LEO）纳米卫星进行空中监视的两个相互关联的瓶颈。首先是继承自早期空间任务的“弯管”（bent-pipe）运行范式，该范式要求卫星将数个太字节（TB）的原始图像下传至地面进行处理。这种方法受限于纳米卫星有限的下行链路预算（通常为 10–30 W 的功耗预算和低剖面天线），导致决策延迟长达数小时或数天，无法实现实时决策。其次，用于飞机检测的训练数据稀缺且存在严重的类别不平衡问题。例如，HRPlanesV2 等公开数据集中的军用和民用飞机比例极高，而直升机等少数类别的比例较低（约为 4:1），这导致标准检测器无法学习到针对稀有目标的鲁棒表示。现有文献通常孤立地解决这些问题：要么在地面运行重型模型（忽略了下行链路限制），要么在不平衡数据上进行训练（忽略了少数类别的性能），且往往未考虑空间硬件严格的尺寸、重量与功耗（SWaP）约束。

方法论
作者提出了一个统一的工作流，将在轨推理与生成式数据增强相结合，专门针对配备 Google Coral Edge Tensor Processing Unit (TPU) 的 6U CubeSat 平台进行设计。

1. 硬件约束驱动的架构选择：
   该方法采用了“硬件优先”的设计思路。目标平台为配备 Edge TPU 的 6U CubeSat，其具有 8 MB 的片上静态随机存取存储器（SRAM）限制。作者评估了三种单阶段检测器：SSD MobileNet V3、RT-DETR-L 和 YOLO11n。

   • SSD MobileNet V3 因检测精度较差（mAP@50 为 44.98%）而被弃用。
   • RT-DETR-L 因其内存占用（188.85 MB）即便在经过 INT8 量化后仍远超 8 MB SRAM 限制而被拒绝。
   • YOLO11n 被选为最优候选方案。量化后的权重（约 2.5 MB）符合 SRAM 预算，允许整个推理路径在芯片上运行，无需向 CPU 卸载任务。

2. 生成式数据增强流水线：
   为了解决类别不平衡问题（特别是针对少数类直升机），作者开发了一个使用 FLUX 扩散模型和低秩自适应（LoRA）的流水线。

   • 使用特定的触发词（sathelo）在有限的真实直升机样本上训练了一个自定义的 LoRA 适配器。
   • 该模型生成了涵盖四种作业环境（工业、农村、沿海、干旱）的合成直生的直升机图像。
   • 这些合成图像通过中间 YOLO 检测器进行自动标注（伪标签），并与经典的几何和光度变换增强样本合并，从而构建了一个包含超过 53,000 个实例的平衡数据集。

3. 在轨运行概念（ConOps）：
   系统采用“全决策自主”模式运行。卫星仅在预设坐标上方激活。在轨 AI 利用切片辅助超推理（SAHI）处理 1024×1024 的切片，以实时处理视频流。未检测到目标的帧将被丢弃；仅将元数据（坐标、置信度、时间戳）和正向检测的压缩切片通过 S 波段链路进行下传，与传输原始图像相比，极大地减少了带宽占用。

核心贡献

• 硬件优先的方法论： 一种设计过程，其中 6U CubeSat 的物理约束和 Edge TPU 的 8 MB SRAM 限制决定了 AI 架构的选择，确保了可部署性。
• 针对少数类的生成式增强： 一个结合 FLUX 和 LoRA 的创新流水线，用于合成少数类（直升机）图像，随后通过伪标签将其整合以平衡训练数据集。
• 面向 SWaP 的基准测试： 在严格的空间级约束下，对 SSD MobileNet V3、RT-DETR-L 和 YOLO11n 进行了对比分析，确定 YOLO11n 是该特定内存预算下唯一可行的架构。
• 开源可复现性： 发布了源代码、训练权重、FLUX LoRA 适配器和 ComfyUI 工作流，以支持社区验证与扩展。

结果

• 检测性能： 平衡后的数据集实现了 82.2% 的全局平均精度（mAP@50），较之于不平衡基准线的 77.9% 有所提升。
• 少数类改进： 少数类直升机的 F1 分数从使用经典增强时的 0.683 显著提升至使用生成式增强时的 0.811，接近了多数类的表现。
• 部署可行性： 量化后的 YOLO11n 模型完全适配 8 MB SRAM。基于吞吐量-功耗缩放比例，作者预计在轨推理速率可达 25–30 FPS（分辨率为 1024×1024）。
• 扩展能力： 扩展至 22 种特定飞机类别（包括 F-16、B-52 等）的概念验证显示，大多数类别的准确率超过 95%，但跑道检测的准确率较低（37%），原因是容易与线性背景结构混淆。

意义与声明
本文声称展示了实现纳米卫星实时、自主航空器监视决策支持工具的可行性。通过从被动数据收集器转变为主动推理节点，所提出的工作流缓解了下行链路瓶颈，将决策延迟从数小时/数天缩短至几分之一秒。作者断言，这种方法在能量上是可持续的，因为 Edge TPU 的功耗成本可以通过大幅减少射频传输需求来抵消。

论文保持了审慎的态度，承认所有性能指标（FPS、延迟）均为基于地面 GPU 测量值向 Edge TPU 吞吐量-功耗比进行缩放后的预测值。文中明确指出，尚未在飞行级硬件上进行硬件在环（Hardware-in-the-Loop）测试或抗辐射硬化验证（单粒子效应/总电离剂量）。此外，作者指出在检测细长基础设施（如跑道）方面存在局限性，以及目前对日光和晴朗天气的依赖，并将这些领域列为未来研究方向，涉及 SAR/红外传感器及实例分割技术。