發布日期：2022-10-09 點擊率：72
Rajan Bedi博士是Spacechips公司的首席執行官和創始人。該公司設計和制造L到k波段的一系列先進超高吞吐量星載處理器、應答機和OBC，用于電信、地球觀測、導航、互聯網和M2M/物聯網衛星。該公司還提供空間電子設計咨詢、航空電子測試、技術營銷、商業情報和培訓服務。
邊緣計算的微處理器和FPGA"/>
Spacechips的設計咨詢服務開發定制衛星和航天器子系統，為客戶提供如何使用和選擇正確的組件，如何設計、測試、組裝和制造空間電子產品等方面的建議。我們在空間應用FPGA培訓課程中講授半導體存儲器。
背景和引言
隨著衛星運營商在軌獲取的數據越來越多，他們更愿意在載荷上處理這些數據并提取有價值的信息，而不是將大量數據下行傳送到地面的云上進行后處理。現有宇航級半導體技術和/或射頻帶寬限制了可實時處理的數據量。我知道一些客戶由于下行鏈路的需求違反了ITU的規定，而不得不降低他們的項目預期。
另一方面，盡可能接近原始數據源(即邊緣)的局部處理基于對來自多個傳感器的大量信息的實時計算，可通過使用低延遲的確定性接口和滿足特定散熱和可靠性要求的小型低功耗形狀因數實現。在軌提取分析顯著減少了延遲和RF下行帶寬 – 我們正有效地將數據中心移動到原始數據的源頭!
在這篇文章中，我想探討和比較用于邊緣密集型星載處理的微處理器和FPGA。一些應用需要從不同帶寬的多個傳感器(如RF、LIDAR、成像和GNSS)獲取大量數據，同時需要實時做出關鍵決策，如用于航天器態勢感知的物體識
別和分類(即敵我識別)、避免空間碎片碰撞、高清視頻地球觀測、空間原位探測和資源利用等。利用機器學習技術在軌提取分析的自主星載處理的應用也呈上升趨勢。
現有解決方案和局限性
目前的星載處理基于微處理器或FPGA，而這兩種方案都沒有對目標的人工智能的在軌特征進行優化。前者有利于控制、復雜決策并支持操作系統，后者可以處理各種高計算要求的算法，擅長數據傳輸、自定義加速、面向位的函數和接口。
然而，現有解決方案不能有效地處理線性代數、矩陣或矢量處理，也不能利用低功耗的并行性來進行自主機器學習、人工智能推理以及用于特征檢測和分類的神經網絡實現。
在商業領域，最初為游戲玩家開發的GPU，正被用于加速加密、金融建模、網絡和人工智能等眾多計算任務。GPU 使用多核和并行處理來同時執行數千個線程，運行速度比微處理器更快，更具成本效益，能夠對來自多個傳感器的密集型數據進行分析計算，時間為毫秒級，而不是秒、分鐘或小時。GPU經過優化，可以基于大量的存儲信息快速地執行相同的操作，而CPU則傾向于經常跳轉。
盡管市面上有接近30款宇航級微控制器、微處理器、FPGA和專用DSP引擎，但其中只有一小部分可以用于在軌邊緣應用。許多現有設備沒有足夠的計算能力或低延遲的內存/I/O接口。有些會消耗太多電力，需要龐大而昂貴的散熱 管理解決方案。之前我探討過如何保證宇航級半導體的良好散熱，以確保其安全運行和最大限度的可靠性。表1列出了我考慮過的傳統標準處理產品。對于下面列出的FPGA，標出的性能值是基于資源數和時鐘頻率的理論峰值。標準的V5QV不包含微處理器IP。
邊緣計算的微處理器和FPGA"/>
表1：現有的宇航級星載處理解決方案。
隨著星載數據量預計呈指數增長，我們應該使用哪種類型的處理器來進行密集型星載邊緣計算?微處理器和FPGA哪個更好?歐洲航天局最近的星載數據處理研討會探討了當前的問題、趨勢和未來的需求。
阻礙在軌邊緣處理的基本技術限制是：
1. 缺乏高容量、低延遲、低功耗、宇航級的存儲器。目前， 高速宇航級存儲器僅限于易失性的DDR3/DDR4 SDRAM。此前我解釋了，實現1Tb星載存儲需要64片16Gb芯片，消耗總計17瓦功率，需要152.3立方厘米物理空間和468,060英鎊經濟成本。這非常難以實現。另一方面，宇航級的非易失性內存速度很慢
2. 缺乏為空間應用提供所需處理能力的低功耗微處理器或FPGA。在過去十年中，基于65和20納米SRAM的FPGA提供了功耗為20瓦的有效載荷處理，而基于28納米閃存的器件提供了更低功耗的解決方案。超深亞微米性能、邏輯密度和資源會導致功耗的增加。具有處理原始數據的性能的宇航級微處理器的功耗超過30瓦。
3. 現有的宇航級微處理器或FPGA無法有效融合和處理來自多個傳感器的輸入。在處理器之間移動大量的信息會造成數據密集型計算的性能瓶頸。
4. 現有的宇航級微處理器或FPGA無法有效地實現針對目標識別和分類的深度學習算法。
針對邊緣處理的新型解決方案
對于那些需要在軌邊緣星載處理的應用，最新的FPGA和微處理器正努力解決上述局限：
1.我在之前的一篇文章中介紹過小形狀因數的4GB高速(高達2400MT/s)宇航級DDR4內存，并對該SDRAM的硬件設計進行了討論。
2. 低功耗的28納米閃存FPGA降低了功耗，更節能的微處理器提高了GFlops/W值。
3. 2020年以來，Teledyne e2v推出的耐輻射、QLS1046-4GB計算密集型微處理器引入了數據路徑加速架構(DPAA)， 以提高數據包解析、隊列管理、硬件緩沖區管理和加密，支持IEEE 1588精確時間協議。自2020年以來，Xilinx的XQRKU060也改善了信息流和吞吐量，優化了數據路徑、I/O和內存接口以降低延遲。
4. 新一代7納米FPGA包含專門用于處理線性代數的人工智能芯片，以提高深度學習算法的性能。QLS1046-4GB包 含四個核心，每個核心都集成了本地矢量協處理器e.NEON。
表2包含最新的宇航級FPGA和微處理器：前者結合了可配置邏輯和微處理器，新一代的器件將集成用于高效矢量處理的人工智能芯片。對于以綠色顯示的FPGAs/MPSoCs，標稱的性能是基于資源數和時鐘頻率的理論峰值。實際的計算水平將會更低，這取決于其使用和實現方式、內存和I/O使用情況。表2提供了包括軟核、RISC CPU在內的有用的比較信息。KU060和Versal器件的高度并行特性反映在它們較大的TOPS值上。
表2：宇航級星載處理解決方案的比較。
隨著星載數據量的顯著增加，使用人工智能和機器學習技術，為時間關鍵型和非實時型應用進行在軌分析的自主有效載荷處理呈現出增長趨勢。例如，一個在地面站覆蓋范圍之外的空間碎片回收航天器無法收到遲來的避免碰撞的指令。從多個傳感器獲取的星載態勢感知加上隨后的目標檢測和分類，將使這種時間關鍵決策能夠在不受人類干預
的情況下實時做出。類似地，高分辨率SAR圖像會產生大量的地球觀測數據，在軌人工智能推理和神經網絡技術將
允許特征識別、場景分割和特征描述，而不是阻塞寶貴的RF下行鏈路。
Teledyne e2v推出耐輻射的Qormino QLS1046-4GB四核處理器，包含4個ARM? Cortex? A72核(最高運行頻率為1.8GHz) 和4GB高速DDR4 SDRAM，形狀因數為44x26毫米，如下圖所示。它將CPU和片外存儲器集成到單個基板上，無需設計復雜耗時的接口，并具有顯著的尺寸、重量和功率(SWaP)優勢，可用于在軌邊緣處理。該器件的計算性能為30000 DMIPS或超過45000 CoreMarks。
四個MPU包含ARMv8-A架構，每個都有自己的一級32KB數據緩存 和48KB指令緩存，并共享一個公共的2 MB二級緩存，如圖2所示。在核心頻率為1.2GHz，供電電壓為1伏，DDR速率為1.6GT/s時， QLS1046-4GB的總功耗范圍為6.5到12瓦(不含外圍設備)，具 體取決于允許的最大結溫。在1.8GHz，供電為1伏，DDR4速率為2.1GT/s時，器件的功耗為9.3到19.4瓦。QLS1046-4GB的卓 越計算性能和可以突破I/O瓶頸限制的內存帶寬，以及較小的形狀因數，使其與表1中列出的解決方案相比更加優秀。
圖1：Qormino? QLS1046A-4GB處理器和內存[Teledyne e2v]。
圖2：Qormino? QLS1046A-4GB方框圖。
去年9月，Xilinx宣布將發布其Versal ACAP(自適應計算加速平臺)的耐輻射版本。該器件包含一個由VLIW SIMD 高性能核心組成的人工智能引擎陣列，包含用于固定和浮點操作的矢量處理器、標量處理器、專用程序和數據內存、 專用AXI通道并支持DMA和鎖定。
人工智能芯片提供高達6路的并行指令，包括每個時鐘周期的2/3個標量操作、2個矢量讀取和1個矢量寫入以及1個固定或浮點矢量操作。數據級并行性是通過矢量級操作實現的，在矢量級操作中，可以在每個時鐘周期的基礎上操作多個數據集。與最新的FPGA和微處理器相比，人工智能引擎將機器學習算法的性能分別提高了20倍和100倍，而功耗僅為50%。與表1中列出的現有的處理解決方案相比，人工智能芯片是實現智能、自主的在軌邊緣處理的關鍵區別性特征。
圖3：Xilinx的Versal ACAP框圖[Xilinx]。
總結
對于正在研發的應用，哪種類型的星載處理器更好?FPGA，微處理器還是ACAP?這很大程度上取決于算法是如何實現的，例如芯片內緩存的使用、外部內存訪問的數量和頻率、流水線、并行化和緩沖。最新的宇航級器件性能優于商用GPU，性價比也更高。
對于高分辨率SAR視頻，QLS1046-4GB的原始計算性能、高速內存接口和小形狀因數，使其非常適合從地球觀測成 像數據中提取實時信息。高達2.1GHz的DDR4速率突破了傳統的I/O瓶頸。
對于態勢感知，例如識別敵我或避免空間碎片碰撞，KU060等最新的FPGA能夠低延遲實時接收和處理來自多個傳感器的高達Tbps的數據，從而實現ASIC級的系統級性能。對于空間原位探測和資源利用也同樣如此。FPGA可以處理各種高計算要求的算法，擅長數據移動、自定義加速、面向位的函數和接口。
在目標分類、人工智能推理和自主決策方面，Xilinx的ACAP可幫助實現高效的邊緣矢量計算解決方案，為碎片回收航天器或基于實時流量需求的可重構認知應答器的后期指揮提供特征識別。神經網絡的實現需要TeraOPS的性能和Versal提供的特定領域的并行性。這些7納米器件可能非常耗電，所以需在項目前期進行功耗預測，以確保它們滿足功率的分配預算。QLS1046-4GB能以更低的功耗和更低的成本提供深度學習。
宇航級微處理器、FPGA和ACAP是互補的星載處理技術，各自具有獨特的優勢。在軌邊緣處理需要對從數據源處的多個傳感器獲取的大量信息進行實時計算，要求低延遲的確定性接口，具有包含獨特散熱和可靠性要求的小型低功耗形狀因數。
在為密集型在軌邊緣計算選擇最合適的星載處理器時，還需要考慮投向市場的時間、實現和采購方面的因素，例如FPGA通常需要比微處理器更多的電源，這意味著需要更多的穩壓器，因此需要更大的印刷電路板來滿足這些需求。FPGA還以設計難度大而著稱。對于一些項目，投向市場的時間可能非常短，OEM會堅持使用來自熟悉供應商的現有設備，以加快硬件設計。一些制造商沒有學習新開發工具或不同編程語言的技能或時間。最新的超深亞微米的宇航級FPGA價格高達六位數，這對許多OEM來說也是一大障礙，尤其是那些以低成本的新空間應用為目標的廠商。
新一代在軌邊緣處理將結合微處理器、FPGA和智能計算，形成一個緊密集成的異構平臺。這需要多種引擎類型，因為沒有一種引擎能夠以最佳方式執行應用所需的所有任務。標量微處理器是進行控制、復雜決策和支持操作系統的理想選擇，可重新配置的FPGA增加了處理各種高要求算法的靈活性，智能引擎則為機器學習和AI推理優化了線性代數和矢量算法的計算。
以下雷達圖(圖4)比較了QLS1046-4GB、最新的超深亞微米宇航級FPGA和在軌邊緣處理ACAP：
圖4：星載處理解決方案的比較。
下一篇： PLC、DCS、FCS三大控
上一篇： 如何在熱電堆應用中實
