Hoppa till huvudinnehåll

Rymdlabb

Edge learning har potentialen att revolutionera utvecklingen av AI för rymdanvändningar och AI Swedens Space Lab utforskar teknologier som kan användas för hög-impact användningsområden.

Swarm and aggregation

Varför edge learning i rymden?

Idag tränas AI-modeller genom att överföra så mycket data som möjligt från sensorer till en central lagring och beräkningsplats. Generellt, ju mer data, desto bättre kvalitet på den resulterande modellen. Men, i takt med att antalet satelliter ökar, kommer den tillgängliga bandbredden för dataöverföring att bli allt mindre. Därför förväntas dataöverföringskostnader att stiga, det kommer ta längre tid att överföra tillräckligt med data till Jorden för att träna modeller, och modellerna kommer att vara mindre exakta om mindre data överförs.

Edge learning (också känt som decentraliserat lärande, federerat lärande, eller flocklärande) är en teknologi som har potentialen att revolutionera utvecklingen av AI för rymdanvändningar genom att lösa dessa utmaningar. Detta skulle spara både pengar och resurser eftersom det inte finns något behov av att skicka stora mängder data till Jorden.

Projekt

Zenseact Edge AnnotatationZ Dataset

Edge AnnotationZ Challenge

AI Sverige, Zenseact, RISE, Lunds universitet, Chalmers Industriteknik och Univrses, i samarbete med CGit och MobilityXLab, bjöd in AI-communityn att arbeta med en av de centrala utmaningarna inom...
A satellite approaching the viewer, captured from an aerial perspective, with a backdrop of blue sky and clouds below

Space Data Hackathon

En av de största utmaningarna när det kommer till rymddataanalys är moln ocklusion, vilket innebär att områden på bilderna är helt eller delvis täckta av moln och försvårar analysen. Genom att rensa...
An image displaying satellites in space above earth

SpaceEdge

SpaceEdge är världens första öppna testbädd för utveckling av rymdappar med möjlighet för utvecklare att ladda upp sina appar till SpaceCloud i omloppsbana.
Satellite image taken above Sweden

Swedish Space Data Lab 1.0

Målet med Swedish Space Data Lab är att öka användningen av data från rymden för samhällets och industrins utveckling och för planetens bästa. Swedish Space Data Lab är ett samarbetsprojekt mellan AI...
An image displaying predicted cloud thickness

Swedish Space Data Lab 2.0

National Space Data Lab 2.0 (SDL2.0) är ett samarbetsprojekt lett av AI Sweden, RISE, Luleå tekniska universitet (LTU) och Sveriges nationella rymdstyrelse (Rymdstyrelsen), och finansierat av den...

Forskning

PAseos simulerar miljön för att operera flera rymdfarkoster

PASEOS är en öppen källkods Python-modul som kan modellera operationella scenarier som involverar en eller flera rymdfarkoster. Den tar hänsyn till flera fysiska fenomen inklusive termiska, ström, bandbredd, och kommunikationsbegränsningar samt effekten av strålning på rymdfarkoster. PASEOS kan köras både som en prestandainriktad numerisk simulering och/eller i realtid direkt på edge-hårdvara. Hitta koden här och det medföljande rapporten här.

 

PAseos

Om du är intresserad av att bli partner till AI Sweden och få tillgång till partnerförmånerna, inklusive labben, tveka inte att kontakta oss.

För mer information, kontakta

Chiara Ceccobello
Chiara Ceccobello
Data Scientist