【遥感·创新大会】高性能计算助力卫星智能化
2022年8月26日至27日，长光卫星主办的首届遥感·创新大会盛大召开，引发了商业航天及卫星遥感行业的广泛关注。星测未来CEO仓基荣作为演讲嘉宾，也以“高性能计算助力卫星智能化”为题在大会进行了报告，并和与会领导嘉宾就空间辐照防护、星地数传带宽和时延等问题进行了深入交流。
由于现场报告时间有限，很多行业关心的议题没有展开讨论，会后也持续收到相关问询。如何防范空间辐照对于航天器的负面影响？边缘计算的发展对航天领域有哪些借鉴作用？星上日益增长的算力需求和低能耗限制如何兼顾？作为一名曾经的科研工作者，现在的创业公司的领头人，仓基荣给出了自己的思考和答案。
以下为报告完整版，全文9542字，阅读需要约21分钟
星测未来主要从事星上卫星智能化相关的工作，从技术上讲，就是把地面的人工智能边缘计算的技术和卫星航天领域进行结合。
卫星行业现在面临多方面的技术限制，其中很大的一方面在于星地数传的带宽瓶颈。大量星上采集的数据难以快速回传，需要通过星上数据预处理的能力来让卫星的高价值数据更快更好地传回来。
今天的分享主要包括三个方面
1、星上智能处理的国内外发展现状
2、星上处理面临的挑战
3、星测未来当前的能力和未来的计划
星上智能处理的国内外发展现状
需求背景
以前的卫星只需要进行简单的指令和数据管理，并没有在星上处理数据的能力，而现在的太空任务更为复杂，比如对地遥感观测、火星的视觉导航等，涉及图像、视频、多源信息融合等处理，需要大量的计算资源。
对地遥感观测
深空视觉导航
太空垃圾清理
航天器太空自主控制
快速发展的遥感卫星
国内外星上数据处理的发展
随着复杂任务带来的星上计算处理需求，近年的卫星上出现了叫做“高性能的星载处理单机”的分系统。让我们以遥感为例，回顾一下国内外光学和雷达卫星星上数据处理的发展。
早在2000年，美国的地球观测一号卫星已经采用了抗辐射的CPU芯片进行星上遥感图像的处理，完成指定区域的自动识别、区域变化检测及无效数据剔除。比如一张图像里大部分区域有云层遮挡，并且包含很多无效数据，星上处理器就可以剔除云层遮盖的图像，将有价值数据提取并快速下传。
2001年德国的BIRD卫星同样通过抗辐射DSP和FPGA进行星上处理，在轨完成热点检测任务。对于植被火灾、火山活动、油井燃烧等突发事件，利用卫星的拍摄数据及星上处理能力进行快速响应。
而在2011年，法国的光学遥感卫星 Pleiades-HR已经可以利用FPGA进行星上的辐射较正、几何校正以及图像压缩。
近些年随着地面边缘计算和人工智能的技术发展，AI相关的技术开始越来越多地应用在图像处理中。
2017年，ESA举办的人工哥白尼大师挑战赛，最后入选的方案采用了英特尔的vpu计算芯片（Intel Movidius Myriad 2）。这是一款专门针对神经网络加速的AI芯片，大概一瓦能够做到4TOPS的算力。对比我们常用的笔记本CPU，主频1GHz的算力，AI芯片实现了三个量级的算力提升。
这颗PhiSat-1 AI验证卫星在20年的9月份成功发射，主要任务就是进行在轨的云层识别和删除，最终实现了大约30%的带宽节省。
而在国内，光学遥感的头部商业公司——长光卫星也早已开始布局星上处理，目前已经完成了三代的技术迭代。
19年长光卫星开展了星上的森林火点自主识别试验，在十几秒内地面就收到快速、正确的信息回传。这也验证了卫星可以通过像北斗短报文这样的星间链路，把关键情报快速下传，而不用等卫星过境时再通过星地链路传输。
光学卫星的观测受到光照以及云层的限制，而SAR(合成孔径雷达)卫星利用主动微波的对地观测可以穿破云层，无需光照。而SAR卫星每秒几G甚至十几G的数据量，对于星上处理提出了更高的要求。
美国从2000年前后就已经开始进行SAR卫星的星上实时成像和在轨数据处理，国内近两年的SAR卫星也纷纷增加了星上实时处理的模块。高分3号02星基于FPGA和DSP的架构，实现星上的快速成像，节约了小时级的地面图像获取流程。
国内商业卫星企业天仪研究院，在20年的12月份发射了国内第一颗商业的SAR卫星“海丝一号”，搭载了首师大团队研制的星上智能处理模块，开展SAR数据在轨预处理和智能化目标检测工作。
22年的2月27日，天仪和38所联合打造的“天仙星座”首发星“巢湖一号”成功发射，同样具备了在轨成像、AI处理，以及6小时应急成像的能力。
星测未来也和天仪研究院就星上处理能力展开合作，在巢湖一号搭载了我们的星上智能计算的产品—— 星溪02，基于COTS器件打造的FPGA和嵌入式GPU平台，给SAR卫星提供高水平的星上算力，支持开展在轨的图像压缩、目标识别、智能解译等工作。
COTS器件的宇航级应用
传统的宇航级芯片主要基于CPU或FPGA相关架构，其发展速度已经落后于星上计算能力的需求。所以我们开始寻求COTS（商用货架产品）器件的替代方案，将地面的工业级器件，往航天应用迁移。
国外早开始了这样的一条路线，下图是NASA 20-22年对于 COTS器件的辐照测试规划。其中面向大数量处理的主要是三类：
1、基于FPGA的通用计算芯片
2、带有 GPU盒的 SOCs（system on chip）
3、神经网络器件，专门针对深度学习AI算法的芯片。
结合前面分享的案例也可以看出，国外已经开展了很多地面以及在轨的芯片测试。
星上智能处理的挑战
首先，以刚刚讨论的遥感卫星为代表，它依赖太阳能，能源极其有限；但它同时具有巨大的计算量，对于性能又有很高的要求。这就需要我们在严格的功耗限制下，以很高的算力支撑图像类的大数据处理。
其次就是商业航天昂贵发射和搭载的成本。一公斤的重量就对应着15万左右的发射成本，而星上处理单机作为卫星分系统的一部分，需要在满足性能需求的前提下，体积重量都做到尽可能小型化。
同时，航天又是一个非常复杂苛刻的环境。太空是一个有辐射的真空系统，而航天器件在火箭发射的过程中还需要面临剧烈的震动和冲击。因此对于器件的可靠性有着很高的要求。可以看出，高性能、低成本、高可靠，是三个相互牵制和约束的条件。怎么来解决这些问题？我们一个个来看。
他山之石，可以攻玉
星上智能处理也是一种典型的边缘计算。下图是谷歌学术上以 Edge computing（边缘计算）为关键词搜索的论文数量，可以看到在15年以前，边缘计算还处于技术准备的阶段，15年以后进入了快速增长期，而在18年，这项技术进入稳定发展阶段。
一项技术的长足发展至少源于两方面，一方面是需求牵引，另一方面是技术的快速迭代和跟进。AI算法早在12年就在快速发展，到15年很多算法逐渐成型，相应的硬件技术也开始飞速迭代，支撑算法的发展；18年以后，5G与物联网的发展及各行业数字化转型，带来了边缘端的海量数据，这些算法结合边缘计算的应用开始落地。
边缘计算是在网络的边缘侧执行计算的一种新型计算模型。它的操作对象包括来自于云服务的下行数据和来自于万物互联的上行数据，核心理念是将计算服务下沉，减少服务交付时延和带宽需求。以安防领域举例，以前会把安防相机的视频数据传回到云服务器上，进行集中处理；而将计算下沉，就是把计算能力放到设备的边缘端，在相机上收集到的视频，可以直接在相机上进行处理，提取和筛选有效特征。
这种将计算服务下沉，从而减少整个网络服务交付的时延和带宽的模式，也给卫星带来了启示。在苛刻的时延和带宽条件下，可以通过星上处理极大地减少星地传输的带宽，并利用星间小带宽链路减少服务的时延。
地面边缘计算的应用需求有几个主要场景。
首先是物联网，需要低功耗下的图像及语义识别能力；其次是移动互联网，像手机和电脑，需要做图像识别和拍照美化；第三是智能安防，存在低功耗的图像视频识别需求；最后是自动驾驶，涉及大量的传感器视频图像、毫米波雷达等各种数据处理，用于图像识别和路径规划。
这些不同的应用场景对于算力水平有不同的要求。物联网一般1TOPS就够了，而自动驾驶则需要20到4000TOPS的算力。遥感卫星星上的数据率大概在十几Gbps，以典型的多目标识别算法为例，一张640×640图像处理的算力需求大概为10~200 GFLOPs。按当前传感器的数据量，以芯片20%的计算效率去估算，算力需求大约100~2000TOPS。随着传感器能力的不断升级，对算力的需求还会持续升高，考虑到卫星能提供的功耗只有几十瓦的量级，这对于硬件和算法技术都是巨大的挑战。
我愿意把卫星和无人驾驶类比，因为是无人驾驶车涉及大量的数据自动化处理和决策，而卫星也是一个真正的无人值守的场景。卫星发射在轨之后，硬件是无法更新的，只能针对性地更新软件，去处理不同的任务。
近年汽车的智能化也逐步往软件定义汽车的方向发展，一个主流的策略叫硬件预埋和软件升级。所谓的硬件预埋，指的是为了保证车辆在全生命周期内有持续的升级能力，需要预置大算力芯片，为后续的软件算法的升级优化提供足够的发展空间和算力支撑。
以蔚来、智己、威马、小鹏为代表的主机厂，新一代的车型中均配备智能驾驶，利用英伟达的GPU芯片，达到500~1000TOPS的算力。汽车上的芯片应用，对卫星也有很大的借鉴意义。
除了需求牵引，技术能力也跟随着神经网络算法和 AI芯片同步升级迭代。
AI芯片是这些年比较火的概念，主要包括三类：
1、经过软硬件优化，可以高效支持AI应用的通用芯片。比如GPU和FPGA，以前主要是针对通用计算的，现在也能通过软件适配支持神经网络算法的部署。
2、为特定AI产品或服务而设计的芯片，称为ASIC，主要针对机器学习和深度学习算法进行计算架构的优化，来达到更高的能效比。
3、受生物脑启发设计的神经形态计算芯片，这类芯片不采用冯诺依曼的架构，而是基于存算一体的架构设计，还处于比较早期的状态。
下图为边缘计算的主要三类（GPU、FPGA、ASIC）芯片对比，横轴是功耗，纵轴是算力，虚线代表能效比，就是单位功耗能带来多大的算力。
目前ASIC芯片通过指令集和计算架构的优化，一般能够实现1TOPS/W到10TOPS/W的较高能效比，FPGA的能效比低一些，大概在10G-100GOPS/W，最高几百个G的水平。
GPU有多种，比如桌面GPU和嵌入式GPU，能效比都随着计算架构的迅速发展不断提升。下图是英伟达不同计算架构的旗舰显卡的算力变化，可以看到8年期间，英伟达GPU的计算能力提升了317倍，每年基本都有两倍多的算力增长。
而下图的嵌入式低功耗产品，从TX1 TX2到 Xavier NX、AGX,到现在无人驾驶用的比较多的Orin系列，基本也是每年两倍的能效比增长。
所以整个边缘计算技术，一方面算法在不断的前进，另一方面计算架构也在不断提升。而计算芯片的能力提升，得益于两方面，一方面是摩尔定律——随着半导体工艺的愈发先进，器件的性能越来越好。另一方面就来源于计算架构的优化——针对一类特定的算法进行更好的支撑。
英伟达GPU的算力可以达到几十个到几百个TOPS，而半定制化的FPGA芯片，支撑算力只有几TOPS的水平。但FPGA集成度高，实时性强，兼具硬件流水线并行和数据并行处理能力。当我们说一个芯片算力是多少TOPS，并不代表真正计算时一定能有这么高的算力应用，这里还会存在效率的问题。
下图对比了Aristotle 7020的FPGA、iPhone8plus、华为麒麟970的 AI芯片，针对GoogleNet、ResNet和VGG这类主流算法，对于算力的应用效率。可以看到FPGA的应用效率是最高的。
下图是FPGA工艺随着时间的变化趋势，可以看到整体工艺越发先进。橙色三角形指抗辐照宇航级芯片，能看出在同样的工艺下，抗辐照FPGA基本出现在6年以后。由于没有地面无人驾驶等场景的大量需求催生，航天的整体技术发展会稍微慢一些。
与之对应的是全定制化ASIC，针对应用场景进行特定优化。AI神经网络算法不断发展，且足够通用，值得以专用芯片来支持。ASIC芯片相比于FPGA，虽然早期成本较高，但随着需求量增大，成本逐步降低，ASIC用更低功耗实现更高性能的优势会进一步凸显。
可以看到，随着地面大工业体系的技术发展，已经出现了很好的AI芯片、FPGA和GPU芯片等高性能低成本的器件。而航天应用的终极问题——高可靠性，这些COTS器件如何才能够满足？
航天器的太空环境和空间环境效应
航天器在太空会面临辐照还有非辐照的环境。辐照环境包括银河、太阳宇宙线，或者地球辐射带质子、重离子、伽马射线、太阳爆发，以及极区粒子沉降，都会对航天器带来负面影响。非辐照环境比如太空的真空环境，无法通过空气对流散热，只能通过传导和辐射的散热。此外太空微重力场、空间碎片、微流星体以及太阳的紫外及全波段电磁辐射，都可能损伤航天器。
航天器的空间环境效应包含辐射效应、充放电效应和侵蚀效应。辐射效应指带电粒子的能量传递。芯片大多是半导体结构，一个带电粒子造成的导通或者电离，会产生几类效应，一类叫单粒子效应，包括单粒子翻转和单粒子栓锁。单粒子翻转是计算时数据出现翻转，造成错误，数据错了还不是最关键的，如果是指令错了，比如去处理某个任务时，突然一个单粒子效应把任务指令打翻，程序可能就跑飞了。
另一种是单粒子栓锁，比如带电压的晶体管突然短路，这种长时间的大电流可能会导致器件烧毁，给航天器带来不可逆转的损坏。除了单粒子效应，辐射效应还包括位移损伤和总剂量。总剂量可能会带来材料的变性，比如橡胶在辐射环境中会变像玻璃一样脆。这些辐射效应都是COTS器件应用需要考虑和应对的重要因素。
太空中的带电粒子，一旦在材料表面形成电荷沉积，就会产生充放电的效应，累积到一定程度可能会导致器件击穿，造成不可逆的损坏。太空的非带电粒子也会带来辐射退化、化学腐蚀和撞击损伤等侵蚀效应。辐射效益、充放电效应和侵蚀效应共同构成了苛刻的太空环境。
针对太空环境，欧洲、美国、中国都有相应的地面测试和筛选方法，主要是太空环境的模拟实验。应对电离效应有几种方式，一种是利用放射性物质，产生伽马射线，对器件照射并研究它的相关性能变化。还可以通过加速器产生高能的重离子和质子来对器件进行轰击，研究轰击后的器件性能。
从物理层面，我们也可以通过激光的方式来模拟等效的太空射线电离环境，有不同的设备去做相应的实验。这里列举了部分宇航级FPGA还有COTS芯片的抗辐射能力。
一般低轨由于地球磁场的保护，两三年的总剂量约有几个krad，COTS器件例如 Myriad 2吸收剂量可以达到49 krad，不会有太大的影响，更多是针对单粒子效应进行防护，比如软件设计加固，系统的冗余加固措施。通过软硬件一体化的系统设计，让地面的高性能COTS工业器件达到宇航级的可靠性标准。
一家创业公司的技术&市场探索
最后介绍一下我们公司在星上智能处理领域的探索和成果。我们公司主要围绕卫星的智能化开展工作，成立于2020年4月，使命是用卫星推动世界进步。
主要工作主要分为两部分，第一部分是提供卫星智能载荷，利用低成本、高可靠COTS器件，打造星上高性能计算平台，实现卫星智能化升级。
第二部分是提供卫星智能服务，利用AI in Orbit（在轨人工智能）技术，开展星上智能应用服务，提升卫星星座业务服务能力。
公司的产品主要包括三个系列，分别是星测系列，星溪系列和星海系列。
星测系列主要面向天文探测、辐照测试等太空平台的实验需求。这会帮助我们迭代 COTS器件的测试和筛选能力。
而我们迭代出来的高可靠芯片，构建了星溪系列通用智能计算载荷，来给卫星提供高性能的算力平台，应对星上智能处理的需求。
基于星溪平台，我们还可以进行星海系列软件算法的应用服务。星海系列的服务主要是提升卫星运营和应用水平，比如通过星上压缩减少卫星数据下传的带宽需求。通过星上处理，在提取目标时把图像信息变成文字情报，并通过北斗短报文链路快速下传，以前小时级天量级的信息传递工作能够在分秒级完成。
到目前为止，我们已经有7颗载荷成功在轨的经验。从2018年开始，我在清华大学作为学生参与了空间天文项目——天格计划。2018年到2020年我们一共发射了3颗载荷，再到2022年发射了4颗载荷。
星溪02目前已经搭载天仪研究院“巢湖一号”SAR卫星发射，开展星上智能处理工作；天格03b & 04是做空间天文观测工作；基于英特尔 Myriad X 下一代 AI芯片的星溪02-Lite是面向科研场景的AI数据分析工作。今年12月，我们还会跟长光卫星合作，发射星溪02 & 02Pro，开展光学遥感星上图像压缩和AI目标处理的验证。
天格计划给予我们成长的土壤。创业以后，我们又自研和迭代了新一代 FPGA高性能的数据采集和处理技术，来服务于科研的一些场景。
同时我们利用科研传感器收集太空环境数据，进行芯片的在轨辐照测试，提供定量化数据，从而构建天地一体化的天文探测和辐照实验平台。下图是我们天格计划发现的第一例正式发表的空间伽马暴探测结果：
可以看到在21年1月21号，天格的立方星小卫星、中国怀柔一号、慧眼卫星以及美国的Fermi大卫星，同时观测到了伽马暴的现象。
横轴是时间，纵轴是计数率。图中可见伽马暴在短时间内有一个大量的爆发，在短短的20秒的时间内，在宇宙间就有像恒星坍缩之类的剧烈天体事件。这一发现也是得益于商业航天的发展，使得科学家有了更好更快且低成本进入太空做实验的机会。
这个项目最早是从16年启动，在18年跟天仪合作的第一颗卫星，目前一共有5个载荷在轨，这次合作也是首次通过微纳卫星探测到的伽马暴事例。可见小卫星的能力也越发强大，可以用于多样的科学探索。
以下是我们在轨测量到一些轨道辐射数据，在南北极异常区和SAA区中都有比较高的辐射的分布。当卫星经过SAA或者南北极的高电离辐射区时，可以看到光变曲线的明显上升，同时能够测量到太空的环境。
卫星每次经过南北极异常区和SAA区时，可以看到显著的光变曲线变化
此外，我们也可以探测到射线能量的分布和特征谱线511kev，清晰地看到正电子的特征峰，这些都有助于积累大量的太空环境数据。
卫星能谱测到了正电子特征谱线
同时我们也进行了器件的迭代，下图紫色打勾的是已经成功在轨验证过的器件。
比如Z7020、Z7100等卫星接口和数据采集器件，英特尔 Myriad X VPU芯片，以及英伟达Xavier NX 芯片，我们都成功进行了在轨验证，并通过软硬件一体化的技术完成了在轨任务。
后续也会继续验证下一代GPU的AGX以及Orin等其他更高能效比的芯片，包括国产化的地平线和华为的AI芯片。
星溪产品非常小巧，体积为10厘米×10厘米×5厘米，重量不到一公斤，峰值功耗在25瓦到70瓦之间，提供21~274 TOPS不等的算力，能够很好地在微纳卫星上进行联合搭载。
高集成度的设计，配合多SoC超异构计算体系和软件定义的架构，使它能够同时满足高性能、低功耗、小型化、通用性和高可靠的要求。
在我们给卫星装上智能化大脑以后，最核心的目的是利用算力来给应用服务。
目前主要工作是两块，一块是星上的数据压缩，来缓解带宽的问题。一方面利用AI算法做目标识别，使得关键特征能够快速下传。芯片的算力目前还达不到宇航级的全流程处理需求，于是我们提出了软硬件系统协同设计的理念，从软硬件两个维度来融合优化。另一方面通过神经网络的剪枝量化，将模型变小，降低计算任务对硬件资源的需求。第二块工作通过优化硬件结构设计和算法流程，提高硬件的利用率和整体计算性能。
比如光学遥感卫星的AI图像压缩，传统图像压缩一般是利用离散余弦变换和离散小波变换，都依赖人去设计编码的规则。然而神经网络是一个更为复杂的逻辑，它可以更充分地提取到图像之间深层次的非线性特征，去除更多的无效信息，实现更优的压缩效果。
下图中横轴是每个像素需要多少Bpp，像遥感卫星一个像素大概要12个Bpp，通过10倍压缩可以把一个像素做到只需1.2Bpp。纵轴单位是psnr（峰值信噪比），随着压缩率的提升，虽然减少了带宽，但图像的质量会下降。
目前星上主流的是基于JPEG2000的ADV212压缩芯片（下图蓝色曲线）。AI算法可以实现压缩能力的极大提升。下图的虚线代表同样的图像质量下，ADV212大约需要 2.4 Bpp，而AI算法只要1.2 Bpp，可以提高大概一倍的数据量压缩，提升卫星运营的效率。
针对单通道图像压缩（红外、SAR图像）（越往左数据压缩率越高，数据量越小）
下图是我们和长光卫星合作做的一个图像对比。最右边的图是AI算法压缩12倍的效果，压缩率整体提高一倍，同时图像质量还更好。
同时我们通过软硬件一体化，联合合作伙伴做了速度上的提升。目前可以达到120兆像素每秒的处理，实现17公里幅宽一米分辨遥感卫星的实时在轨压缩。这个软硬件一体化系统，也将在今年12月搭载两颗长光的平台卫星进行在轨合作验证。
下图是SAR卫星的全流程处理，利用L0级的雷达回波数据，通过在轨的SAR成像、几何校正，以及AI目标识别算法，对关键特征进行提取。
SAR成像需要进行FFT这类通用复杂运算，而回波、BAQ则需要做解压缩。我们充分利用了FPGA和GPU针对不同计算的优势，用FPGA来支持解压缩，然后在GPU里通过软硬件系统优化来优化成像速度。
下图是关于SAR成像的对比调研，可知星测未来的GPU平台相比于DSP和FPGA有了较大的性能提升。一方面扩大了算法的并行化加速，另一方面也是得益于英伟达在硬件架构技术的提升，在同样的功耗水平下实现更高的芯片算力支持。
SAR成像需要进行FFT这类通用复杂运算，而回波、BAQ则需要做解压缩。我们充分利用了FPGA和GPU针对不同计算的优势，用FPGA来支持解压缩，然后在GPU里通过软硬件系统优化来优化成像速度。
下图是关于SAR成像的对比调研，可知星测未来的GPU平台相比于DSP和FPGA有了较大的性能提升。一方面扩大了算法的并行化加速，另一方面也是得益于英伟达在硬件架构技术的提升，在同样的功耗水平下实现更高的芯片算力支持。
在今年2月27号发射的"巢湖一号"上，我们已经联合天仪研究院和38所开展了全流程在轨实时服务的验证。我们先基于公开数据及"海丝一号"的历史数据进行算法积累，在“海丝一号”上实现海上舰船目标监测，达到90%的检出率和小于20%的虚警率。后面随着图像质量的提高和数据的积累，性能还会进一步提升。以此为基础，星溪02在后续“巢湖一号”SAR卫星上，实现了在轨实时的舰船监测，下图是局部放大图及回传的切片缩略图。
对于13000×16000这样的图像，整个处理时延大概只有一点几秒。这么快的速度是通过针对应用进行数据预处理，再结合AI算法的轻量化处理实现的。
相比于传统的原始模型Yolo-v5s的架构，NAS轻量化模型能够把模型参数缩小22倍，推理速度提升三倍，再利用硬件的底层并行加速技术，就可以实现软硬件的协同加速。
星溪系列已有两款产品在2022.2.27搭载长八遥二火箭实现首发，一是星溪02Lite，以极低功耗实现了较高的算力支持，并且配备树莓派相机，可以根据指令进行太空拍摄。
星溪02Lite在轨实拍画面
二是星溪02，具备在轨AI任务自测、AI芯片状态监测和在轨对SAR图像进行舰船检测等功能，发射至今(8月22日）已完成了101次在轨AI计算任务，累计开机工作时长超过24小时。遥测数据显示，在轨工作近半年后星溪02的软硬件工作状态均保持正常。
星溪02已经在商业SAR卫星上成功搭载，也在轨完成了AI图像解译工作。如果大家有好的应用和算法，也欢迎来开展其他在轨应用尝试。商业航天国家在14年底才开放，现在还处于比较早期的阶段，还需要整个行业的通力合作。作为商业公司，星测未来在卫星制造领域取得了一些进步，我们期望能为行业赋能，推动卫星的智能化转型，非常欢迎大家来进行科研及商业领域的合作。
我们相信只有上下游整合联动，才能推动整个行业向前发展。