EarthSight-MLSys26

EARTHSIGHT: A Distributed Framework for Low-Latency Satellite Intelligence (MLSys 2026)

一句话总结：将 LEO 卫星图像分析重构为「地面-轨道」联合调度问题，用多任务共享 backbone + 地面 DNF 查询调度 + 在轨 utility-driven filter 排序，把端到端 P90 延迟从 SERVAL 的 51 min 降到 21 min，单图 compute 降 1.9×。

问题

LEO 纳卫星采集的图像受限于下行窗口（每次 10-15 min 传输数十 GB），传统先下传再分析的流程导致灾害响应延迟数小时到数天。已有 orbital edge computing（OEC）方案在星上做 inference 排序，但把每颗卫星当作孤立节点，忽略全星座下行争用；且多为单任务，单幅图跑多个任务（船只检测、尾流、非法捕捞）会造成冗余，超出卫星 1-5 W 的功耗预算。

核心方法

EARTHSIGHT 把图像分析建模为横跨地面与轨道的分布式决策问题，三大组件：

1. 多任务在轨 inference：EfficientNet 共享 backbone + 多个轻量 MLP task head（hard parameter sharing），按领域（海事、沙漠等）分组共享 backbone，摊销计算；支持仅 uplink 新 head 而无需重传 backbone。

2. 地面站 query scheduler：

• 采用查询驱动接口，每个 query 指定 AOI、优先级 1-5 和 DNF 布尔表达式（如 “cloud-free AND ship present AND military”）。
• Look-ahead simulator 预测每个下行窗口的优先级门限 $p^{\ast }$ 和 rejection rate $r_{reject}$。
• 按 Algorithm 1 为每个 planned capture 构造 DNF 公式 ${\Phi }_{loc}$，汇总所有覆盖该位置的 query。
• Schedule 压缩：6 小时内 unique 公式通常 <256，用 1 byte index 编码，平均 25× 压缩。

3. 在轨 adaptive filter ordering：

• Stochastic Boolean Function Evaluation（NP-hard）问题用贪心近似。
• Utility：$U_{\Phi }(f_i,\mathcal{E})=\frac{(1-p_i)\cdot tp{r}_i\cdot n_i}{t_{eff}(f_i,\mathcal{E})}$，每步选单位时间信息增益最高的 filter。
• 置信度 $C_{\Phi }(\mathcal{E})$ 跨越 $[\beta ,\alpha ]$ 时停止；$\alpha$ 根据当前功率与 rejection 偏差动态调整。
• CPU-xPU pipelined 执行：xPU 跑 filter $F_k$ 的同时 CPU 预取下一个 $F_{k+1}$ 以及备选项，隐藏决策延迟。

地面和轨道形成反馈回路：在轨运行的 rejection 比、$\alpha$ 调整、compute 利用率在下行时汇总给地面，地面重新校准 filter 成功概率和 look-ahead simulator。

关键结果

• P90 端到端延迟（first contact 到 delivery）从 SERVAL 基线的 51 min 降到 21 min。
• 单图平均 compute 时间降低 1.9×。
• 三个多任务场景（基于硬件 enhanced 仿真）均验证有效。
• Schedule 压缩达 ~25×，可在内存受限的纳卫星上承载 >16,000 幅图像的 DNF 公式。

相关

• 相关概念：Multi-Task-Learning、Orbital-Edge-Computing、Scheduling
• 相关方法：DNF filter formula、Stochastic Boolean Function Evaluation、Utility-driven greedy ordering
• 同会议：MLSys-2026