邊緣 AI 與航太
SAT-Edge-Agent 實測衛星邊緣代理，物件偵測只占端到端延遲約 2.5%
SAT-Edge-Agent 在商用 ARM 異質 SoC 上串接本地語言服務與方向物件偵測器，40 次固定工作負載全部完成。實測顯示主要延遲不在視覺模型，而在代理協調與語言服務，但研究未評估偵測準確度、功耗或飛行可靠性。
衛星端 AI 的限制不只來自模型大小，任務解析、工具呼叫、串流回傳與狀態保存也可能主導實際延遲。SAT-Edge-Agent 提供一個硬體在迴路原型：系統部署於商用 ARM 異質邊緣 SoC，以瀏覽器工作區和 FastAPI 代理協調本地、相容 OpenAI API 的語言服務，再呼叫專案內部的 YOLO 類方向物件偵測端點。偵測結果以結構化格式回傳，並附 FAIR1M 遙測影像資料集的中繼資料。
研究固定測試單張影像及連續兩張影像兩種工作負載，各重複 20 次，合計 40 次均完成。單張工作的完整代理平均延遲為 29.353 秒、經驗 P95 為 31.166 秒；雙張工作平均為 60.937 秒、P95 為 66.882 秒。相較之下，偵測器平均分別只耗時 861.386 毫秒及 1.511 秒，占完整流程的 2.93%與2.48%。這表示若只量化 NPU 上的視覺核心，會嚴重低估任務層、語言推論及資料編排造成的等待。
兩種工作負載的平均 CPU 使用率約20.8%。系統記錄的200毫秒取樣 NPU 欄位平均為100%，但作者特別警告，這是共享加速器的軟體欄位，不能解讀為偵測器獨占或經校準的硬體利用率。公開證據包包含去識別的逐請求紀錄、遮蔽後 JSON、正規化 Server-Sent Events 範例，以及重算統計值的腳本，重點是建立可觀測的硬體在迴路邊界。
對邊緣代理工程而言，結果指向一個務實優先序：在繼續壓縮偵測模型之前，先分解語言服務、協調器、序列化和工具往返延遲。不過這項工作只測兩種固定影像流程，沒有報告偵測準確率、校準功耗、輻射環境韌性、斷線恢復或飛行認證。它證明原型能重複執行，並不證明系統已適合在軌自主決策。