随着低轨卫星星座的普及，在轨AI推理面临资源异构、任务调度复杂、链路不稳定等挑战。LEOEdge平台应运而生，通过三大创新技术，有效解决了AI任务执行位置决策的核心难题，为遥感图像识别、灾害监测等实时应用提供了可靠的系统解决方案，展现了未来空天地一体化网络的巨大潜力。
智能速览
LEOEdge是一个面向大规模低轨卫星星座的星地协同AI推理平台。
通过神经架构搜索（NAS）为卫星动态生成轻量化AI模型，平衡延迟与精度。
分层分布式任务卸载模型大幅降低了星地通信开销。
预测卫星过顶时间窗，动态选择中继卫星，确保数据传输不中断。
在多种负载下，LEOEdge的平均执行时延均低于对比方法。
精华内容
LEOEdge平台的核心在于其系统性的创新设计，它如何通过三大关键技术攻克现实挑战？以下将深入解读其架构原理与性能优势。
自适应建模技术
为实现AI模型在资源受限的卫星上高效运行，LEOEdge采用了自适应建模技术。该技术利用神经架构搜索（NAS），根据卫星上具体的计算单元（如CPU、GPU或NPU）的能力，自动搜索并生成最优的轻量化模型架构。
这种动态生成机制确保了模型能够适应不同硬件环境。在严格的15至20毫秒延迟约束下，该技术仍能保持模型精度接近原版，例如MobileNetV3模型的精度维持在约72%的水平，有效解决了模型精度与推理延迟之间的矛盾。
分层任务卸载
面对星地之间通信链路带宽有限且不稳定的难题，LEOEdge设计了一个三层分布式任务卸载模型。该模型包含卫星层、服务器集群层和容器层，实现了去中心化的任务调度。
在这种架构下，每一层只需与相邻的层级进行通信和任务协调，无需频繁与远端地面站直接交互。这种设计模式显著降低了星地之间的通信次数与数据量，将通信开销主要集中在服务器集群与容器之间，从而减轻了宝贵的星地链路负担。
无缝数据传输
卫星的高速移动性导致其与地面站的通信窗口短暂且不连续，是数据传输的一大障碍。LEOEdge通过无缝数据传输机制解决了此问题。
系统能够精准预测卫星的过顶时间窗，并据此智能地选择最佳的中继卫星进行数据转发。当一颗即将离开通信范围的卫星正在传输数据时，系统会提前规划，将后续数据无缝切换到另一颗进入范围的中继卫星上，有效避免了因卫星移出覆盖区而导致的数据传输中断。
性能验证与优势
研究团队对LEOEdge进行了全面的性能验证。结果显示，无论是在轻负载还是重负载情况下，LEOEdge实现的平均任务执行时延均低于传统的阈值法、负载均衡法以及多智能体强化学习等方法。
更重要的是，系统的通信开销分布合理，大部分集中在服务器与容器之间，星地链路上的负载非常低。这一特性使其特别适用于带宽受限的卫星通信场景，证明了其在现实环境中的高效性与实用性。
