SAT-Edge-Agent、衛星エッジエージェントを実機検証――物体検出はエンドツーエンド遅延の約2.5%にすぎず

衛星上AIの制約は、モデルサイズだけに起因するものではない。タスク解析、ツール呼び出し、ストリーミング応答、状態保持も、実際の遅延を支配する可能性がある。SAT-Edge-Agentは、Hardware-in-the-Loop（HIL）プロトタイプを提供する。システムは市販のARMヘテロジニアス・エッジSoCにデプロイされ、ブラウザベースのワークスペースとFastAPIエージェントが、ローカルでOpenAI API互換の言語サービスをオーケストレーションし、さらにプロジェクト内部のYOLO系回転物体検出エンドポイントを呼び出す。検出結果は構造化形式で返され、FAIR1Mリモートセンシング画像データセットのメタデータも付加される。

研究では、単一画像と連続する2枚の画像という2種類の固定ワークロードを、それぞれ20回ずつ実行し、合計40回すべてを完了した。単一画像タスクにおけるエージェント処理全体の平均レイテンシは29.353秒、経験的P95は31.166秒だった。2枚画像タスクでは平均60.937秒、P95は66.882秒だった。これに対し、検出器の平均処理時間はそれぞれ861.386ミリ秒と1.511秒にすぎず、処理全体の2.93%と2.48%を占めるにとどまった。この結果は、NPU上の視覚処理コアだけを計測すると、タスク層、言語推論、データオーケストレーションに伴う待ち時間を大幅に過小評価することを示している。

両ワークロードの平均CPU使用率は約20.8%だった。システムが200ミリ秒間隔で記録したNPUフィールドの平均値は100%だったが、著者らは、これは共有アクセラレータに関するソフトウェア上のフィールドであり、検出器がNPUを占有していたことや、校正済みのハードウェア使用率を示すものと解釈してはならないと明確に警告している。公開されたエビデンスパッケージには、匿名化されたリクエスト単位のログ、マスキング済みJSON、正規化されたServer-Sent Events（SSE）のサンプル、統計値を再計算するスクリプトが含まれる。主眼は、観測可能なHardware-in-the-Loop境界を確立することにある。

エッジエージェントのエンジニアリングという観点では、この結果は実務的な優先順位を示している。検出モデルの圧縮をさらに進める前に、言語サービス、オーケストレーター、シリアル化、ツールとのラウンドトリップに起因する遅延を分解すべきだ。ただし、この研究でテストされたのは2種類の固定画像ワークフローのみであり、検出精度、校正済みの消費電力、放射線環境に対する耐性、接続切断からの復旧、飛行認証については報告されていない。プロトタイプを反復実行できることは実証されたが、軌道上での自律的意思決定にすでに適していることが証明されたわけではない。