利用SoftServe的仿真优先策略加速太空机器人技术

2仿真优先：快速太空机器人原型设计与测试在这份白皮书中，我们描述了一种结合SoftServe使用NVIDIA技术开发模拟和空间机器人加速器以及Blue Marble的辐射硬化x86兼容边缘硬件的方法dacreo通信与BruhnBruhn Innvation的软件栈。这种方法缩小了早期原型与可入轨应用之间的差距，并能够重用已为地面应用采用的软件组件，超越了传统抗辐照板的性能。一颗天气卫星的平均重复价格是2.9亿美元，而军用卫星的价格标签起步价为3.9亿美元。与此同时，小型卫星的平均开发时间为1-2年，而对于更大、更复杂的任务，它可能需要5-10年或更长时间。随着太空经济的预测将在2035年几乎增长到1.8万亿美元，并且竞争公司正在争夺有利可图的合同，企业正寻求以更低的成本和降低风险来推动更快的原型设计。我们证明，我们的以模拟为先的测试和开发方法使得完整的软件解决方案能够在商业环境中开发，并移植到蓝色星球通信公司的太空边缘处理器（SEP）上。我们进一步通过使用NASA的POLAR立体数据集以及NVIDIA Isaac Sim中开发的照片真实感模拟，在SEP的测试单元上评估计算机视觉算法，展示了我们方法的成功。 易用软件采用：高级人工智能：带宽需求较低需要：缩短开发时间和成本简化测试：更快上市时间：船载计算能力最小化数据下传高保真模拟简化端到端验证无需专用硬件即可启用复杂算法支持通过Linux使用流行的机器人学和人工智能框架软Serve 的模拟优先方法利用了 SEP 的硬件和软件dacreo提供： 1. 现代航天任务的需求软件复杂性增加：预期航天产业发展优先考虑速度而非保证：仿真优先：快速太空机器人原型设计与测试白皮书现代子系统倾向于以牺牲传统硬件的保证为代价，来追求更高的计算能力和更简化的开发。一个例子是商用现货(COTS)解决方案，比如英伟达杰森，因其速度和易用性而广受欢迎。虽然这些主板通常采用实时操作系统，如VxWorks或RTEMS，但它们往往带有固有的局限性。此外，除了资源限制之外，它们通常对其他领域中广泛使用的软件生态系统（例如陆地机器人）的支持程度很低。这有几个重要的后果：航天级机载计算机必须在计算能力与恶劣太空环境的适应能力之间取得平衡。传统的抗辐射加固电路板具有丰富的飞行经验，是高轨道和星际任务中关键子系统的首选。然而，抗辐射（rad-hard）电路板由于其计算能力有限以及对专用处理器架构（如PowerPC）的依赖，往往缺乏灵活性。这可能导致开发时间延长、原型制作困难以及太空项目成本的上升。空间探索的不断演变为现代任务中的软件开发带来了范式转变。这种演变的驱动力是：具有高级功能的任务像机器人表面探索将需要更复杂的软件、高性能计算，以及与仿真环境更紧密的集成。传统硬件使这成为一个漫长且具有挑战性的过程。2. 传统抗辐射板材的局限性空间经济需要范式转变空间经济的总值预计将几乎翻三番2035年时达到1.8万亿美元这一点突出了需要更易于访问的技术栈，以便更容易地培训下一代航天开发者。 4 有限的硬件在环测试能力：为抗辐射板编写飞行就绪的代码需要时间，而在目标硬件上测试高级算法需要额外的开发，这些开发只能在后期阶段进行，从而增加了整个项目的风险。缺乏对现代软件工具的访问权限:像 PyTorch 或 ROS 这样的常用库通常与航空航天要求不兼容。这会延迟开发并限制最终系统能够实现的功能。对广泛采用的仿真工具的支持也很有限，导致需要专门的仿真器或连接器。通过低原型可重用性产生更大费用：在飞行就绪硬件上构建初始原型是昂贵的，因此迫使开发人员从更易于访问的技术开始，例如机器人操作系统（ROS）或SpaceROS，以及仿真工具，如Gazebo、Algoryx AGX Dynamics或NVIDIA Isaac Sim。后来，这些需要转换为用于太空任务，这将大大延长开发时间。仿真优先：快速太空机器人原型设计与测试硬件模拟和跨目标测试需求：飞行就绪代码的开发通常在具有更先进的调试和分析工具的工作站上进行。这需要额外的步骤来确保与目标硬件的兼容性，包括开发抽象层或需要硬件模拟。所有这些增加了开发工作量，使验证更加复杂，并产生了需要多层测试的需求。开发者陡峭的学习曲线：与大型开源和COTS解决方案相比，用于航天行业的工具链和软件的社区支持与资源可用性往往有限。在采用抗辐射计算机的项目中，各种测试阶段商用现货（COTS）软件利用程度的示例。测试阶段的名称遵循ECSS标准。商用现货（COTS）软件包括飞行软件和测试工具。每个项目的实际利用程度可能会有所不同。 5 仿真优先：快速太空机器人原型设计与测试白皮书The蓝色星球通信太空边缘处理器(SEP)是这一代产品的一个例子。它配备了一款尖端的空间级、抗辐射、异构计算平台，运行着BruhnBruhn创新（BBI）的基于Linux的dacreo软件生态系统。与此同时，新一代抗辐射计算机主板已经进入市场。这些主板提供更好的计算能力，并利用主流处理器架构，如x86，这种架构在笔记本电脑、台式计算机和企业服务器中都很常见。基于现代抗辐射板的先仿真测试与开发为了充分挖掘这些新的硬件和软件系统在原型设计和最终为航空航天行业部署技术解决方案方面的潜力，将它们与最先进的以仿真为中心的开发和测试方法相结合至关重要。 6 2. 加速软件部署的要求1. 基于模拟的首选测试要求白皮书仿真优先：快速太空机器人原型设计与测试不同测试阶段COTS软件的可能的利用水平，对于Space Edge Processor等现代抗辐射电路板。图中所示的水平仅为例举，实际数字取决于任务配置、系统关键性、功率预算等方面的因素。SEP支持与NVIDIA Isaac Sim等COTS仿真环境集成。这允许采用仿真优先方法，并能够在完善的测试环境中对不断发展的软件进行持续验证，使“边飞边测”更容易实施。此外，实时连接到商用现货(COTS)仿真引擎，允许在任何项目阶段对目标硬件平台进行按需硬件在环测试、性能基准测试和软件验证。这增强了测试的代表性，使遵循ECSS等指南更容易实现，从而降低了整体风险。dacreoBBI的AI生态系统是一个适配版AMD ROCm高性能计算堆栈，已针对运行在SEP的VEGA GPU架构进行调整。该生态系统为设备增加了加速计算功能，并能够访问人工智能和机器学习社区广泛采用的尖端技术，例如OpenCL、Tensorflow或Pytorch。sep可以与softserve开发的一个协同仿真解决方案接口，该解决方案集成了nvidia isaac sim与matlab fmi/fmus。这使得能够执行复杂场景，其中具有丰富视觉的仿真引擎与由主题专家在matlab或simulink中开发的高保真模型集成，并在设备上直接进行测试。此外，它允许编写底层GPU代码，并支持CUDA编译Dacreo具有相对较低移植工作量的应用程序。在sep上运行为许多应用程序提供了轻松优化的可能性，无需专用硬件，降低了最终解决方案的风险和整体成本。这些应用程序建立在空间领域已建立和新兴框架之上，例如cFS、ROS、OpenCV等。 7 带宽要求较低:更易于验证和测试：3. sep模拟优先准备初始验证更快上市时间：高级人工智能功能：更便捷的现成软件采用：软Serve开发的高保真模拟环境通过硬件在线访问，使端到端测试更加直接。船上增强的计算能力减轻了将数据下传到地球进行处理的必要性。此外，我们能够为开发者工作站和空间边缘处理器部署一个统一的发展工具链。这可以让我们利用诸如valgrind在代表单元上直接进行动态代码分析，使性能分析和故障排除更加容易。此外，Linux生态系统中的实时远程调试工具增强了故障排除能力，提高了生产力和软件质量。利用硬件和软件的结合可以减少开发航天机器人应用所需的时间和成本。综合来看，SoftServe使用SEP进行开发和仿真，相较于传统的抗辐射电路板，提供了几种潜在优势，进一步突显了我们的“仿真优先”方法论为何脱颖而出：白皮书仿真优先：快速太空机器人原型设计与测试高性能计算能力与优化的软件堆栈使得复杂的AI算法和应用能够在无需解决方案特定硬件的情况下运行。SoftServe已经开发了解决方案，例如月球无人机加速器或月球挖掘机在 sep 上，展示了其与 linux 和台式机处理器架构的兼容性。这意味着从项目初期开始，就可以使用现成的框架和包在各种算法和应用程序上部署和测试代表性硬件。此外，原型代码的大部分有可能在最终的飞行准备软件中重复使用。由广泛采用的机器人与人工智能框架集成的linux环境及软件加速器实现。 8 1231. 背景、目标和方法使用amd 7nm apu对参考系统中的干扰时间进行测量局部块匹配（LBM）级联SGBM半全局块匹配 (SGBM)Hitnet级联lattice Boltzmann模型Fast-ACVNet+IGEV使用在NVIDIA Isaac Sim中创建的模拟月球南极视觉条件的合成图像数据集评估算法质量2白皮书仿真优先：快速太空机器人原型设计与测试然而，并非所有算法都同样有利。通过利用SoftServe的以仿真优先的开发方法，我们在SEP的一个测试单元上评估和基准测试了几个经典的和基于AI的立体匹配算法。我们考虑以下算法：1使用nasa方法评估算法质量极地立体数据集——一个在实验室中生成的模拟数据集，旨在重现月球极区的条件基准旨在评估SEP上发现的AMD 7nm ZEN 2/VEGA APU设备的性能以及各种立体算法适用于太空应用的可能性。为此，我们选择了几种计算复杂度不同的立体映射方法。每个算法都经历了三次测试：新的太空任务越来越多地依赖先进的机器人系统。为了确保安全和有效自主，强大的快速机器人感知实现至关重要。因此，能够在不需要专业硬件的情况下运行复杂的感知管道具有显著优势。案例研究：在SEP上对立体匹配算法进行基准测试 从POLAR立体数据集中提取的样本图像合成生成的数据集的样本图像使用检测到的像素百分比、平均像素误差和错误分类的像素百分比等指标评估了算法的质量，这些指标针对合成数据集和POLAR数据集进行了计算。在结果中，错误分类的像素百分比表示为“Bad N%”。白皮书仿真优先：快速太空机器人原型设计与测试 3 2. 结果方法平均推理时间[ms]↓检测到像素 [%] ↑平均错误 [px] ↓差1% [%] ↓差2% [%] ↓差 4% [%] ↓检测到像素 [%] ↑平均错误 [px] ↓差1% [%] ↓差2% [%] ↓差 4% [%] ↓错误positives [%] ↓深度立体算法显示出有前景的推理时间，尽管某些操作产生了瓶颈。5结果表明，计算量更大的方法产生了匹配像素数量最多的密集立体地图。与经典方法相比，深度学习方法在类似月球的数据库上生成了更精确的深度地图，而经典方法在无纹理区域遇到了困难。带有3个实验结果的表格。表示更高的值更好，而表示更低的值更好↑↓值更好。白皮书由此产生的处理时间和衡量不同算法质量指标汇总在下表中：传统方法在太空边缘处理器上实现了实时性能，而深度学习方法适用于延迟容忍度更高的场景。4所有算法都使用了集成显卡，将CPU资源释放出来用于关键任务。 63201530106099.87%99.30%99.29%2.323.924.789.0%15.2%16.0%5.5%8.9%9.6%3.5%6.4%7.0%97.66%97.58%97.31%8.8913.8715.3627.6%32.0%32.7%14.5%16.2%16.7%8.3%8.6%8.2%5.46%2.44%1.46%IGEVHITNETFASacvnet在 AMD RYZEN 7 4800U 设备上的算法速度在 AMD RYZEN 7 4800U 设备上的算法速度合成月球数据集上的算法质量6仿真优先：快速太空机器人原型设计与测试 11 12为POLAR立体数据集中的4张选定图像，对4种选定算法的立体映射结果。绿色像素显示深度无法确定的位置。红色像素显示预测深度