論文の概要: EarthSight: A Distributed Framework for Low-Latency Satellite Intelligence

• arxiv url: http://arxiv.org/abs/2511.10834v1
• Date: Thu, 13 Nov 2025 22:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.348857
• Title: EarthSight: A Distributed Framework for Low-Latency Satellite Intelligence
• Title（参考訳）: EarthSight: 低レイテンシ衛星インテリジェンスのための分散フレームワーク
• Authors: Ansel Kaplan Erol, Seungjun Lee, Divya Mahajan,
• Abstract要約: 我々は、衛星画像のインテリジェンスを再定義する分散ランタイムフレームワークであるEarthSightを、軌道と地上の間の分散決定問題として提示する。 EarthSightは画像あたりの平均計算時間を1.9倍に削減し、最先端のベースラインと比較して、最初のコンタクトからデリバリまでの90%のレイテンシを51分から21分に短縮する。
• 参考スコア（独自算出の注目度）: 16.149352291954845
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-latency delivery of satellite imagery is essential for time-critical applications such as disaster response, intelligence, and infrastructure monitoring. However, traditional pipelines rely on downlinking all captured images before analysis, introducing delays of hours to days due to restricted communication bandwidth. To address these bottlenecks, emerging systems perform onboard machine learning to prioritize which images to transmit. However, these solutions typically treat each satellite as an isolated compute node, limiting scalability and efficiency. Redundant inference across satellites and tasks further strains onboard power and compute costs, constraining mission scope and responsiveness. We present EarthSight, a distributed runtime framework that redefines satellite image intelligence as a distributed decision problem between orbit and ground. EarthSight introduces three core innovations: (1) multi-task inference on satellites using shared backbones to amortize computation across multiple vision tasks; (2) a ground-station query scheduler that aggregates user requests, predicts priorities, and assigns compute budgets to incoming imagery; and (3) dynamic filter ordering, which integrates model selectivity, accuracy, and execution cost to reject low-value images early and conserve resources. EarthSight leverages global context from ground stations and resource-aware adaptive decisions in orbit to enable constellations to perform scalable, low-latency image analysis within strict downlink bandwidth and onboard power budgets. Evaluations using a prior established satellite simulator show that EarthSight reduces average compute time per image by 1.9x and lowers 90th percentile end-to-end latency from first contact to delivery from 51 to 21 minutes compared to the state-of-the-art baseline.
• Abstract（参考訳）: 衛星画像の低遅延配信は、災害対応、インテリジェンス、インフラ監視といった時間クリティカルなアプリケーションに不可欠である。 しかしながら、従来のパイプラインは、分析の前にキャプチャされたすべての画像をダウンリンクすることに依存しており、通信帯域が制限されているため、数時間から数日遅れる。 これらのボトルネックに対処するため、新興システムはオンボード機械学習を実行し、どの画像を送信するかを優先順位付けする。 しかし、これらのソリューションは通常、各衛星を独立した計算ノードとして扱い、スケーラビリティと効率を制限している。 衛星やタスクにまたがる冗長な推論は、さらなる電力と計算コスト、ミッションの範囲と応答性を制約する。 我々は、衛星画像のインテリジェンスを再定義する分散ランタイムフレームワークであるEarthSightを、軌道と地上の間の分散決定問題として提示する。 EarthSightは、(1)共有バックボーンを用いた衛星のマルチタスク推論により、複数のビジョンタスク間の計算を記憶する、(2)ユーザ要求を集約し、優先順位を予測し、計算予算を入力画像に割り当てる地上局クエリスケジューラ、(3)モデル選択性、精度、実行コストを統合して、低値画像の早期削除と保存を行う動的フィルタ順序付けという3つの中心的イノベーションを紹介した。 EarthSightは、地上ステーションからのグローバルなコンテキストと、軌道上のリソースを意識した適応的な決定を活用して、星座が厳格なダウンリンク帯域とオンボード電力予算内でスケーラブルで低レイテンシの画像解析を行えるようにする。 以前に確立された衛星シミュレーターによる評価では、EarthSightは画像毎の平均計算時間を1.9倍に削減し、最先端のベースラインと比較して、最初の接触からデリバリまでの90%のレイテンシを51分から21分に短縮している。

関連論文リスト

• Joint AoI and Handover Optimization in Space-Air-Ground Integrated Network [48.485907216785904]
  ローアース軌道(LEO)衛星コンステレーションは、地球をカバーし、遅延を減少させる有望な解決策を提供する。 しかし、軌道力学による間欠的カバレッジと間欠的な通信窓に苦しむ。 我々の3層設計では、HAP-地上通信のための高容量衛星間通信と信頼性無線周波数(RF)リンクに、ハイブリッド自由空間光(FSO)リンクを用いる。
  論文  参考訳（メタデータ） (2025-09-16T06:16:56Z)
• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
  衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。 本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
  論文  参考訳（メタデータ） (2024-08-29T06:57:45Z)
• SatDiffMoE: A Mixture of Estimation Method for Satellite Image Super-resolution with Latent Diffusion Models [3.839322642354617]
  我々はtextbfSatDiffMoE と呼ばれる新しい拡散型融合アルゴリズムを提案する。 アルゴリズムは非常に柔軟で、任意の数の低解像度画像のトレーニングと推測が可能である。 実験の結果,SatDiffMoE法は衛星画像の超解像処理に優れていた。
  論文  参考訳（メタデータ） (2024-06-14T17:58:28Z)
• Toward Autonomous Cooperation in Heterogeneous Nanosatellite Constellations Using Dynamic Graph Neural Networks [0.0]
  本稿では,星座とCPを動的ネットワークとしてモデル化し,その課題を克服する新しい手法を提案する。 トレーニングされたニューラルネットワークは、平均絶対誤差3.6分でネットワーク遅延を予測することができる。 シミュレーションの結果,提案手法は大型衛星ネットワークの接触計画の設計に成功し,従来のアプローチと同様,遅延率を29.1%向上させることができた。
  論文  参考訳（メタデータ） (2024-03-01T17:26:02Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Deep Learning for Real Time Satellite Pose Estimation on Low Power Edge TPU [58.720142291102135]
  本稿では,ニューラルネットワークアーキテクチャを利用したポーズ推定ソフトウェアを提案する。 我々は、低消費電力の機械学習アクセラレーターが宇宙での人工知能の活用を可能にしていることを示す。
  論文  参考訳（メタデータ） (2022-04-07T08:53:18Z)
• FedSpace: An Efficient Federated Learning Framework at Satellites and Ground Stations [10.250105527148731]
  低軌道(LEO)衛星の大規模な展開は、大量の地球画像やセンサーデータを収集する。 ダウンリンク帯域の制限、疎結合性、画像解像度の正規化制約のため、高解像度画像をダウンロードし、これらの機械学習モデルを地上で訓練することは不可能であることが多い。 本稿では,地上局と衛星が収集した画像を衛星上で共有することなく,グローバルMLモデルを協調訓練するフェデレートラーニング(FL)を提案する。
  論文  参考訳（メタデータ） (2022-02-02T20:09:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。