衛星×エッジAI勉強会衛星上におけるAI処理制約とそ取組について

中村凌・篠原崇之・平出尚義  青木亮祐・嶌田将貴・中村翔  1 衛星×エッジAI勉強会衛星上におけるAI処理制約とそ取組について

2 背景 This image was generated by ChatGPT

• 日本で JA A研究開発部門・防衛省から衛星上でAI処理を行う研究開発を実施されており、国内で需要が高まっている  • atAI.challengeでもこれら技術トレンドをキャッチするために「衛星上におけるAI処理に関する下記サーベイ論文とそ
内容を理解するため情報」を整理    本資料立ち位置  3 Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

衛星とデータ量と容量が増加している   • 衛星：近年、打ち上げられる衛星数が急増・現在1,000機以上地球観測（EO）衛星が稼働  • データ量：毎日数千テラバイトもデータが生成 
• 容量増加：合成開口レーダー（ A ）やハイパースペクトルセンサーなど、1日で2〜5 B データを生成する高解像度センサーが登場している  https://satellitetracker3d.com/track?norad-id=64237 地球上を周回している衛星  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用 Edmond. (2025), “Hyperspectral and Multispectral Imaging”. より引用ハイパースペクトルとマルチスペクトル違い 

衛星データ量・容量が増えた時課題？ → データ通信（ダウンリンク）   • ギャップ拡大：センサー
データ生成能力世代ごとに100倍向上しているが、データを地上に送るダウンリンク能力 3〜5倍しか向上していない   • 物理的制約：従来無線周波数（ F）通信で、これほど膨大なデータをすべて地上に送信すること不可能になりつつある。  • 待ち時間：地上局上空を通過するまでデータを送信できず、タイムラグが発生する   • 最近光通信もやってるが、限界ある。   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

どうやって解決する？→衛星オンボードAI処理で情報を圧縮して地上へ送る   センシング  通信  AI処理  エッジコンピューティング  解析  帯域幅劇的な節約と効率化  
• 不要なデータを削除できるで無駄な送信を防げる   • 画像だけでなくて、「火災発生」「船位置」といった情報みを送信できる  即応性（リアルタイム性）向上   • データを地上に送って解析する時間を待たず、衛星上で異常検知や災害状況把握が可能に   • 観測対象や状況に応じて、送信する画像優先順位を変えたり、フィルタリングしたりできる   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

8 衛星上における AI処理制約 This image was generated by ChatGPT

オンボードAI処理難しさ？衛星ならで制約を４つ紹介   Low Earth Orbit(LEO)衛星ブロック図   センサー 
熱制御  発電  通信  ①電力：太陽光発電とバッテリーみに依存  ②処理能力：高度な計算リソース不足  ③メモリ：モデル格納と推論用一時メモリ制限  ④放射線：電子機器を破壊・誤動作させる宇宙放射線  健康状態  姿勢・軌道制御  推進  （軌道微調整）  全体制御  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

制約① 電力：AI処理太陽光パネル発電とバッテリー蓄電で実行する必要がある   　(大型) Landsat 8  　(小型) Cube
at  大型 Landsat 8衛星など 4.3K を発電   NASA https://science.nasa.gov/mission/landsat-8/. より引用 JARLhttps://www.jarl.org/Japanese/7_Technical/cubesa t/cubesat.htm. より引用小型衛星（Cube atなど）や超小型も   0.8 〜数程度発電   深層学習モデル消費電力が激しいため、限られた電力バジェット中で通信や姿勢制御など基本機能と電力を奪い合うことに制約  課題  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

小型衛星が使用している消費電力量 1/3   1 サイズ（10cm立方）超小型衛星（Cube at）1軌道における「最も電力を消費するシナリオ（日照時・観測中・送信中）」で電力消費内訳を示した表
  電源システム  オンボードコンピュータ   受信待機  送信  ペイロード（センサー稼働）   アンテナ  太陽光パネル   （パネル展開・方向制御）   ビーコン（位置送信）   消費電力  稼働時間  消費電力量  アルカリ単三電池1本エネルギー約2000~3000m h(約1/3)   1日に15周地球を周回・1軌道（約95分）で太陽に当たる時間 59分1568m hで発電   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

24時間あたり電力消費量   電源システム   オンボードコンピュータ  受信待機  送信  ビーコン（位置送信） 
95%が下記機能で使用  データ処理にAIを使用すると上記に電力がっかる   MLを使用すると送信する必要あるデータ量が削減される利点がある   ML 使用電力消費を抑えて、送信データ量最大化が大事(トレードオフ）   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

制約②：AI処理をするため計算機性能不足がある   従来オンボードコンピュータ機械学習推論（CNN等）向けに必要な目安主目的コマンド処理、姿勢制御、電源
/温度監視、通信制御など画像・センサデータから特徴抽出 /分類/ 検知（行列演算中心）典型的な演算性質（処理）分岐・（処理）割り込み・ I/O制御が多い（整数演算中心）積和演算（MAC）が支配的（行列/畳み込み繰り返し） CPU/プロセッサ構成単体CPU （8/16/32-bit MCUや耐放射線CPU）並列演算器＋CPU制御典型計算性能（ざっくり）～数十〜数百MIPS級（≒浮動小数点弱い / 無い構成も）数十GFLOPS〜数TOPS級（用途次第でさらに増える）オンボード計算機性能と機械学習で使用している使用を下記に記載   機械学習実行環境とオンボードコンピューターで   計算機性能に大きなギャップがある   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

制約③：ストレージや AM（ andom Access Memory）に制限がある   GOM Space, “https://gomspace.com/product/nanomind-a3200/”. より引用
Cube atでメジャーなチップを紹介   ストレージ：NO Flash 不揮発性(128MB)   AM： D AM 揮発性（32MB）←高・大容量「作業用メモリ」   AM：Ferroelectric AM 不揮発性（32KB）←超高耐久（書き換え回数が非常に多い）、低消費、頻繁な更新に強い  ision ransformer base（300 MB）くらい重みがあるで使用するが難しい  

制約④：耐放射線強化ハードウェアで動く必要がある   JFE商事エレクトロニクス株式会社 . (2024), “宇宙で放射線が半導体にもたらす影響と｜原因と対策をわかりやすく解説 ”. より引用
放射線による問題  ハードエラー  トータルドーズ効果  ( ID： otal Dose Effect)    ソフトエラー  シングルイベント効果 ( EE： ingle Event Effect)  ソフトエラー  シングルイベント効果 ( EE： ingle Event Effect)  多量放射線に晒される  ことで部品・半導体素子そもが劣化  高エネルギー粒子が半導体に入射することによって回路誤作動が起こる  2進数並びに粒子が当たり、 1ビットだけ 0↔1 がひっくり返り出力が変わってしまう 

16 This image was generated by ChatGPT 衛星上でAIを用いるため取り組み

制約を乗り越える取り組み   • 電力に対する工夫紹介  ◦ ハードウェア側進化：低電力AIチップ活用  
◦ ソフトウェア工夫 - モデル軽量化と最適化   • 処理度に対する工夫  ◦ ハードウェア進化：再構成可能・ハイブリッドコンピューティング   • メモリ対策  ◦ ストレージ容量増加するためハードウェア進化   ◦ モデルサイズ軽量化  •   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

ハードウェア進化 - 低電力AIチップ活用   20 未満で動作するAIチップ  佐藤一憲. (2025),
“Google Tensor Processing Unit (TPU) で機械学習が 30 倍くなるメカニズム ”より引用 NVIDIA., “https://www.nvidia.com/ja-jp/autonomous-machines/embedded-systems/”より引用 • 大規模言語モデル発展に伴い、クラウドからエッジコンピューティングにシフト   ◦ 低電力 AIチップ（AI処理向けに作られ得た特定半導体製品）や AIアクセラレータ（AI計算をく・省電力にするため機能・役割）が続々と登場している   ◦ 計算効率が向上することで消費電力が下がっている   行列演算に特化Google P   AIアクセラレータ（AIチップでもある） N IDIA Jetsonシリーズ（Nano, 2）

• 本資料で深堀りしませんが深層学習モデル軽量化する研究も多数存在  ◦ 詳しくこちら（モデルアーキテクチャ観点から Deep Neural
Network高化）資料閲覧を推奨  ソフトウェア工夫 - モデル軽量化と最適化   因子分解  知識蒸留  プルーニング  量子化  大規模モデル出力を小さいモデルで再現できるように学習  削減しても影響小さいパラメータを  削減  重みや活性化を低ビットに丸める  大きな重み行列を低ランクに分解  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

高度な処理能力を持たせるためアプローチ   • 再構成可能コンピューティング（ C）：FPGA(Field Programmable Gate Array)に代表される書き換え可能な論理デバイスを用いることによって、論理機能を適宜再構成することができるハードウェア
回路構   ◦ プログラムを書き換えができるで、並列処理やエネルギー効率をFPGAによりカスタマイズできる  ◦ 衛星が軌道上にある間に新しいソフトウェアをロードできることをサポートする   • ハイブリッドコンピューティング：異なる種類計算資源や実行場所を組み合わせて、1つ処理（ワークロード）を最適に動かすアプローチ総称   ◦ CP とGP もハイブリッドコンピューティングで並列処理を行うことで処理度が高化   ◦ 前スライドで登場した oCもハイブリッドコンピューティング   ◦ 耐放射線デバイスとより高グレード商用デバイスを組み合わせもあるらしい   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

オンボードプロセッサ電力消費効率による性能比較   従来衛星チップ  放射線強化チップ  マイクロプロセッサ  oC（システム・オン・チップ）  
CP +GP   ただしZynq 7020 CP ＋FPGA   oC 消費電力あたり   計算性能が最も高くAI 処理に最適  再構成可能・ハイブリッドコンピューティングが消費電力辺り計算度が早い  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用 FPGA 

Unibap SpaceCloud iX10-101 KP Labs Antelope 想定用途 “高負荷” オンボード処理（AI推論・画像処理・SAR等）向け高性能コン
ピュータ CubeSat向けDPU（オンボードで信号/画像処理・AI等メモリ 24 GB：DDR4（ECC） 8GB：DDR4（ECC）ストレージ 4GB 4GB：SLC NAND 消費電力 20〜40W（負荷による） 5〜10W（負荷/設定による）ストレージ・メモリ進化   • 論文内で詳細な議論割愛していたが、最近ハードウェアとして以下２つを紹介   ◦ nibap paceCloud i 10: 24GB AMと大容量 Dを搭載。   ◦ KP Labs Antelope: 8GB AMとフラッシュメモリなどを搭載。   UNIBAP,https://unibap.com/solutions/har dware/ix10/ より引用 nibap paceCloud i 10   KP Labs Antelope  KPLABS,https://www.kplabs.space/news/ antelope-on-board-computer-technical-in sights-ahead-of-the-launch より引用 Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

ストレージと AM 両方に負担が少ないモデル開発   パラメータ数 AM 消費量に影響  レイヤー数大雑把に計算
度に影響  ストレージ観点  少ないファイルサイズモデルで高性能  Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用

オンボード処理により保存容量と送信データ最大66％削減した事例   Zhaoxiang Zhang et al. (2018), “CubeSat cloud detection
based on JPEG2000 compression and deep learning”, Advances in Mechanical Engineering. より引用画像圧縮  JPEG2000  認識  軽量なMob -Netを使用  

• ハードウェア対策  ◦ 物理的遮断（シールド）：タルタンやタングステンなど高密度素材を用いて、電子や低エネルギー陽子を遮断 → 放射線による劣化を減らす
  ◦ 動作条件制御：電荷結合素子を非常に低温（例：-70℃）で動作させることで、放射線による暗電流増加を劇的に抑制できます ← 放射線がセンサーシリコン結晶に衝突し構を破壊し、トラップ状態（欠陥）を作る不要な暗電流が発生するようになるみたい　   ◦ etc.  • 単一事象効果緩和戦略  ◦ ビットエラー検出・訂正：ハミング符号などコードを追加ビット領域に格納し、メモリシングルビットエラーを自動的に検出および修正　→　ビット異変に気づく   ◦ 投票回路：メモリ要素やマイクロプロセッサを三重化して並列稼働させ、出力結果を比較して多数決で正しい値を選択　→　放射線による誤動作を防ぐ   ◦ etc.  放射線ハードとソフト問題に対してモグラ叩き式に対処   Aidan Duggan et al. (2025), “Advancing Earth Observation: A Survey on AI-Powered Image Processing in Satellites”, arXiv:2501.12030. より引用 Richard H. Maurer et al. (2008), Harsh Environments: Space Radiation Environment, Effects, and Mitigation”, Johns Hopkins APL Technical Digest, Volume 28, Number 1. より引用

26 This image was generated by ChatGPT メンバーと議論紹介

衛星上でオンボード処理ができることによる可能性（メンバーと議論）   JAXA研究開発部門 , “https://www.kenkai.jaxa.jp/project/sasshin/onboard-ai.html”, 小型技術刷新衛星研究開発プログラムより引用 • アプリケーション
書き換え  Mob -Net  雲有り無し予測  Mob -Net  船舶有り無し予測  重み送信  実際に技術実証予定  モデル要件が揃っていれ重みを   送信することで用途を変えることができる   書き換え 

衛星上でオンボード処理ができることによる可能性（メンバーと議論）   • 協調的処理・衛星間通信  衛星管連携をするために   地上局がハブとして機能する必要がある
  AI処理で品質評価して補強したい部分を次衛星に  情報と依頼を出す  AIで低次元化した  ベクトルを送信  画像認識、タスク依頼ができれ衛星間協調が可能←AIエージェント  

衛星上でオンボード処理ができることによる可能性（メンバーと議論）   Global Times, “China launches world’s first AI
large-model satellite for smart cities, advancing intelligent remote sensing”,より引用 • 2026年2月に Deep eekモデルが搭載された衛星が打ち上げられている  

• 前回と比較して議論すべき事項がわかりやすかった。事前準備本当にありがとうございます！(平出)   • オンボードAIが計画立案、撮像、後処理まで実施してしまう未来素敵だなと思いつつも、 awデータをみりみり苦しみながら現像、解析するも楽しいで、そ
楽しみが奪われる悲しい。(平出)   • これからどんどん衛星も増え、高空間分解能やハイパースペクトル衛星が増えることを考えると、オンボードAI ほぼ必須な要素なかなと思います。そこらへんを学ぶいい機会でした。(平出)   • 個人的にオンボード処理ができて未来を考えた際に、衛星上でアプリケーション書き換えを行なって、処理できる対象を帰れる可能性がある。１つ衛星で複数ことができるという未来が見えたが面白かったです。（中村）   • ↑AIが１つ使えることがわかると複数衛星あるい AIエージェントが導入されることで、エージェントが実際にセンシングした（現実世界）情報を扱って高にインタラクションを行う未来も数年後来そうだなと想像できました。（中村）   • （特に小型衛星で）オンボードで処理できると、地上システムで AOI セマンティック情報だけ処理すれいいなど、別世界がきそうなが熱い。（篠原）   • 地上エッジデバイス推論でほとんど関係ない放射線問題を克服するため実験ため、若干古いハードで運用しないといけないが辛そう。（篠原）   • 警備員とか警察最適ルーティング問題みたいな状況が衛星にも発生すると思うと、「システム」って感じになります（篠原）  勉強してみて感想（１/２）  

• オンボードAIについて、ざっくりとした知識あったがハードウェアことを含め学べたが   すごく勉強になりました。議論中で低消費電力で処理が実現できると、宇宙だけでなく色々
分野に   派生できそうということが、面白かったです。（ぴっかりん）   • オンボードで処理するといいよという話最近聞くも、熱話など気になっていたももあったで、色々と議論できて楽しかったです（嶌田）  • とりあえず電力消費増やしてスケールさせるやり方が持続可能性なさすぎて悲しいで、衛星エッジAIまわり技術発展でデータセンターも大幅に電力消費が減らせるといいです（嶌田）   勉強してみて感想（２/２）  

32 スライド作成者紹介 This image was generated by ChatGPT

中村凌株式会社天地人 / SatAI.challenge 主宰 / cvpaper.challenge HQ •
株式会社天地人データサイエンティスト（2024/04 - 現在） • SatAI.challenge 主宰（2024/09 - 現在） • cvpaper.challenge HQ（2021/1 - 現在） • 福岡大学大学院理学研究科応用数学専攻博士課程（2021/04 - 2024/03） • 産業技術総合研究所コンピュータビジョンチーム RA（2021/05 - 2024/03） • 福岡大学大学院理学研究科応用数学専攻修士課程（2019/04 - 2021/03）自己紹介 Twitter LinkedIn 33 これまで個人的な活動 • 研究効率化Tips （ViEW2021招待講演） • 国際会議へ論文採択実績（IROS / ICCV 2023, ICASSP / ECCV2024） • CCCS,W2021/2022 GC PC（登録者800名超え） • SSII2023オーディエンス賞受賞 • SatAI.challenge運営（国際論文日本語資料・動画アーカイブ化）

自己紹介   34 研究テーマ：３次元モデリング、サロゲートモデル、動的システム、土木インフラ 34 X(旧 Twitter) LinkedIn 産総研
- サロゲートモデル: 制御x深層学習モデル - 土木インフラxAI: インフラ劣化予測篠原崇之

35 自己紹介  平出尚義 (ひらでなおよし)     ・一般財団法人リモート・センシング技術センター
( E EC)   ・筑波大学大学院　博士課程後期1年生 (2025/04 -, 社会人D)     - 国/地域レベルで土地利用土地被覆分類   - 衛星校正検証 (ラジオメトリック / ジオメトリック)   - 衛星データ×AI系 (抽出、分類、超解像、基盤モデル)   土地利用土地被覆図作成   校正検証業務 (現地測量)  

青木亮祐（ぴっかりん） • 株式会社パスコ研究開発センター ◦ 地理空間情報×AIで色々行ったり、そ環境整備 • Project
PLATEAU ADVOCATE 2025 • 一般社団法人OSGeo日本支部( OSGeo.JP ) 運営委員自己紹介 36 X（旧Twitter） GitHub 過去に個人で行った衛星データ関連発表  個人開発したPLA EA API MCPサーバー 

嶌田　将貴（シマダ　ショウキ） • JAXA地球観測研究センター（EORC） • 専門地球観測衛星データ解析による環境変化定量化や、農業など食料分野における情報整備
自己紹介 37 衛星画像から検出した太陽光発電パネル  時系列画像から分析した作付けマップ 

38 自己紹介中村翔株式会社パスコ研究開発センター • 情報系大学（修士）→ カメラメーカー →
現職 • 変化検出や超解像モデル開発に従事 • 趣味で論文収集slackbotシステムを開発開発した論文収集bot （https://github.com/manuriya/arxiv-satellite）

衛星×エッジAI勉強会 衛星上におけるAI処理制約とそ取組について

衛星×エッジAI勉強会 衛星上におけるAI処理制約とそ取組について

Transcript

More Decks by SatAI.challenge

Other Decks in Research

Featured

衛星×エッジAI勉強会衛星上におけるAI処理制約とそ取組について

衛星×エッジAI勉強会衛星上におけるAI処理制約とそ取組について