XiaoMi-AI文件搜索系统
World File Search System星上的
空中客车琥珀色分类为/M1044
上下文：空中客车防御与空间（D＆S）正在寻找卫星的替代性，更可持续的化学推进系统。我们对使用替代推进剂（例如水，一氧化二氮，过氧化氢和二硝基铵（ADN））的推进剂特别感兴趣。此外，我们非常有兴趣寻找和探索法国解决方案，以便获得法国航天局CNES主动行动的支持。这项称为Comet的倡议旨在支持和推广为太空技术开发创新解决方案的法国公司。与技术初创公司的合作对于应对这一技术挑战至关重要，并确保成功开发和实施卫星的替代推进剂推进器。挑战介绍卫星上的推进系统使用的化学推进剂可能会对环境造成负面影响。根据特定的欧洲立法 - 对化学品的注册，评估，授权和限制（覆盖范围）的规定，空中客车D＆S将来需要为其卫星推进器部署无毒的推进剂。总体而言，D＆S正在寻求初创企业或可以使用符合监管要求的绿色推进剂提供推进器的公司的创新解决方案。技术/解决方案要求
人工智能的最新进展是否会导致范式转变？...
计算机性能和编程技术的稳步发展引发了人们对计算机能力超越人脑的担忧，这一现象被称为“奇点”。将人脑的大小与计算机容量的进步进行比较，人们估计奇点将在几十年内出现，尽管传统计算机的容量可能在不久的将来达到极限。然而，在过去几年中，人工智能取得了迅速发展。已经有一些程序可以进行模式识别和自我学习，至少在国际象棋和其他游戏等有限领域，这些程序比最优秀的人类玩家更胜一筹。此外，预计将大大提高计算机容量的量子计算革命已经迫在眉睫。现在看来，奇点将在可预见的未来到来是不可避免的。地球、外星行星及其卫星上的生物生命可能会像以前一样继续存在，但人类可能会被计算机“取代”。更古老、更先进的智慧生命形式可能在宇宙的其他地方进化，它们可能很久以前就超越了奇点。奇点后生命可能不是基于生化反应，而是基于电子。它们的通信可能使用量子纠缠等效应，而我们无法察觉。这或许可以解释费米悖论，或者至少可以解释 SETI 中的“大沉默”问题。
触及边缘：空间图像分析
由于卫星部件尺寸和成本的减小，卫星的使用范围越来越广。因此，一些规模较小的组织已经有能力部署卫星，并在卫星上运行各种数据密集型应用程序。一种流行的应用是图像分析，用于检测陆地、冰、云等。用于地球观测。然而，部署在卫星上的设备的资源受限性质为这种资源密集型应用带来了额外的挑战。在本文中，我们介绍了为该卫星构建图像处理单元 (IPU) 的工作和经验教训。我们首先强调基于部署卫星对在轨卫星图像进行机器学习的资源限制，包括所需的延迟、功率预算和推动这种解决方案需求的网络带宽限制。然后，我们研究了各种边缘设备（比较 CPU、GPU、TPU 和 VPU）在卫星上进行基于深度学习的图像处理的性能。我们的目标是确定在工作负载发生变化时具有灵活性的设备，同时满足卫星的功率和延迟限制。我们的结果表明，ASIC 和 GPU 等硬件加速器对于满足延迟要求至关重要。但是，带有 GPU 的最先进的边缘设备可能会消耗过多的功率，无法部署在卫星上。
高分辨率卫星影像计算机技术...
近年来，光学遥感系统和方法已成为控制地球表面物体状态和事件的基本工具。为了监测自然现象后果和地球表面状态，需要使用高空间分辨率的卫星：Pleiades-1A、Pleiades-1B、TripleSat Constellation (DMC-3)、DubaiSat-2、Jilin-1、WorldView-1、2、3、RapidEye、Cartosat -3 等。这些卫星可以以数字方式获取目标局部区域的数百幅图像。这种多通道数据的分析是一项非常困难的任务，归结为强调特定物体、获取其特征和相对位置。安装在卫星上的遥感设备的典型数据集包括：多光谱（多通道）图像和全色图像（PAN）。全色图像的空间分辨率通常高于多光谱图像，这大大增加了物体识别的复杂性并对所使用的处理方法施加了限制。对于原始数据的信息内容改进，现有的图像处理方法存在一系列缺点，其中最主要的是颜色失真 [1-4]。这项工作的目的是提高原始多通道图像的空间分辨率，尽量减少颜色失真。从 WorldView-2 卫星拍摄的图像被用作输入数据。为了确定所提出的信息技术的有效性
对火星着陆点的类似物的深度学习选择
摘要：遥感观测和火星漫游者任务记录了火星沉积物中海滩，盐湖和风侵蚀地面的存在。所有这些观察结果表明，火星在其早期历史上得到了水分。曾经在火星上有海洋，但现在它们已经干燥了。因此，在此过程中形成的蒸发物中可以保留火星上一生的迹象。因此，蒸发区域的研究已成为火星生活探索的优先领域。本研究提出了一种从地面和火星的地面土地图像数据训练相似性指标的方法，可用于识别或验证应用。该方法将用于模拟任务，使用火星Analaogue的选择小型区域选择火星着陆点，Qinghai-pibet Plateau的Qaidam Basin蒸发区域。此学习过程最大程度地降低了区分损失函数，这使得相似性测量来自同一位置的图像较小，而对于来自不同位置的图像的图像较大。这项研究选择了基于卷积神经网络（CNN）模型，该模型已经过训练，可以解释图像外观的各种变化并识别火星中的不同地面。通过识别不同的地貌，可以选择火星上的优先着陆点。
基于双频无线电信号和卫星间通信网络反演大气水汽含量的研究
摘要：大气总水蒸气含量 (TWVC) 会影响气候变化、天气模式和无线电信号传播。全球导航卫星系统 (GNSS) 等最新技术用于测量 TWVC，但精度、时间分辨率或空间覆盖范围均有所降低。本研究证明了使用扩频 (SS) 无线电信号和低地球轨道 (LEO) 卫星上的软件定义无线电 (SDR) 技术预测、绘制和测量 TWVC 的可行性。提出了一种来自小型卫星星座的卫星间链路 (ISL) 通信网络，以实现 TWVC 的三维 (3D) 映射。然而，LEO 卫星的 TWVC 计算包含电离层总电子含量 (TEC) 的贡献。TWVC 和 TEC 贡献是根据信号传播时间延迟和卫星在轨道上的位置确定的。由于 TEC 与 TWVC 不同，依赖于频率，因此已经实施了频率重构算法来区分 TWVC。这项研究的新颖之处在于使用时间戳来推断时间延迟、从星座设置中独特地推导 TWVC、使用算法实时远程调谐频率以及使用 SDR 进行 ISL 演示。这项任务可能有助于大气科学，测量结果可以纳入全球大气数据库，用于气候和天气预报模型。
行星轮移动机器人自主移动性的进展：综述
五十多年来，轮式移动机器人 (WMR) 已被证明是太空探索和行星任务中不可或缺的一部分。能够穿越各种各样的环境、机动性、能够被引导至特殊位置以及相对于其他平台更低的重量和功耗是其越来越受欢迎的原因。图 1 描述了过去、现在和未来在不同地外天体上执行任务的著名 WMR。有关行星 WMR 的全面参考书目，请参阅（Sanguino，2017）。行星上的 WMR 的运行需要复杂的软件和硬件解决方案来进行制导、导航和控制（GNC）。这确实是因为地外天体上的条件不同。复杂而未知的环境、与异质土壤的相互作用、陡坡、松散和多相地形、在低重力区域行驶、恶劣的照明条件、GPS 信号不可用、功耗限制以及嵌入式系统的计算限制都是开发 GNC 模块时必须处理的关键挑战（Quadrelli 等人，2015 年）。里程表或车辆相对于某些局部参考的姿态和方向知识是 GNC 算法的关键组成部分。由于存在限制和不确定性，当前的行星 WMR 依靠与地面站的远程通信来执行里程表并规划安全运行。这种地面在环操作可缩短车辆在环路中停留的时间。
空间-2020-0058-ver9-Heldmann_3P 259..273
由于火星水的重要性，为人类探索做准备，对火星冰资源进行特性描述是近期机器人火星飞行的首要任务。因此，本文重点评估了初始火星无人飞行，旨在描述冰资源的可用性以及提取和处理冰以支持未来人类探索所需的方法和设备。此外，人类持续前往火星并在火星上生存是一个具有挑战性的目标，需要现场施工、基础设施规划和开发、电力系统、通信能力以及人类健康和安全考虑等各方面的专业知识，这些问题也必须在首次无人任务中尽早解决。本文提出了一个任务架构，假设使用 SpaceX Starship 飞行器（图 1 ）执行所有着陆任务，以完成先前提出的目标和任务。首艘登陆火星的无人星际飞船应在人类抵达之前战略性地致力于资源勘探、基础设施开发和技术演示。这些早期任务可以展示将人类规模的着陆器降落在火星上的能力，并为最终的人类火星基地提供潜在着陆点的真实性机会。无人驾驶的星际飞船飞行还提供了测试对火星至关重要的高风险物品的机会。
Blackman，Ryan T.
空间实验在技术上具有挑战性，但是天文学和星体化学研究的科学重要组成部分。国际空间站（ISS）是一个非常成功且持久的研究平台的太空实验的一个很好的例子，在过去的二十年中，它提供了大量的科学数据。但是，未来的太空平台为进行实验提供了新的机会，该实验有可能解决天体生物学和星体化学领域的关键主题。从这个角度来看，欧洲航天局（ESA）主题团队天文学和星体化学（带有更广泛的科学社区的反馈）确定了许多关键主题，并总结了2021年的“ ESA Scispace Scipace Science Community Community Community White Paper”《天体生物学和星体化学》。我们重点介绍了未来实验的开发和实施的建议，讨论原位测量，实验参数，暴露场景和轨道的类型，以及确定知识差距以及如何提高目前正在开发或高级计划阶段的未来太空曝光平台的科学利用。除了国际空间站外，这些平台还包括立方体和小萨特人，以及较大的平台，例如月球轨道门户。我们还为月球和火星上的原位实验提供了前景，并欢迎新的可能性支持搜索我们太阳系内外的系外行星和潜在的生物签名。
卫星中有关AI驱动图像处理的调查
近年来，卫星发射到太空的数量大大增加了。截至2024年11月，卫星跟踪网站“立即轨道” [1]列出了各种地球轨道中的10,500多个活跃卫星。大多数（80％）与通信1052相关的是地球观察（EO）卫星，每天产生数千吨数据。通过传统的射频（RF）通信渠道将这些数据传递到地球是不可行的，因此已经研究了其他解决方案，包括处理生成数据的卫星上的数据。该解决方案类似于引入边缘计算的引入，该计算是一种分布计算的模型，该模型更接近数据源，该模型是为了管理连接到通常称为Internet Internet（IoT）的Internet的设备的扩散。机器学习（ML）一直是Edge Computing成功的关键推动力。Furano等人于2020年底发表的一篇文章。[2]探讨了需要部署ML板上卫星以进行图像处理的一些令人信服的原因。这包括通过响应数据下载能力增加的传感器所产生的数据量的增长，限制了较小卫星中的功率，以下载大图像和地面电台可用性的问题。还指出了挑战，包括资源不足，板载存储或工作内存不足以及模型培训所需的数据集的有限可用性