摘要

本文介绍了一种创新的方法，用于在商业可重构MPSoC（多处理器系统-on-chip）上实现实时航天器姿态估计，利用混合精度量化神经网络。该方法通过在Xilinx MPSoC的FPGA组件上实现，显著提高了姿态估计的速度和能效，比现有文献中的最佳值分别快7.7倍和19.5倍。此外，该研究还提供了首个实时、开源的姿态估计算法实现，使得高效的航天器姿态估计算法更加普及。

原理

本文提出的方法基于混合精度量化神经网络，通过评估每一层对量化的敏感性，实现了在FPGA资源利用、准确性和延迟之间的最佳平衡。利用FINN库，开发了一个定制的FPGA数据流加速器，该加速器集成了片上权重和激活函数，以最小化延迟和能量消耗。通过量化感知训练（QAT）和层级任意精度量化，优化了神经网络的每一层的比特宽度，从而在保持高准确度的同时，显著提升了推理速度和能效。

流程

该方法的工作流程从预训练的Float32 Mobile-URSONet模型开始，通过Brevitas库进行量化感知训练，生成FINN-ONNX图，并转换为FINN C++ HLS兼容节点。随后，通过自定义折叠算法优化节点并行性，确保满足目标延迟约束。最终，在FPGA上实现了一个加速器管道，每个CNN层都有一个加速器，通过片上权重和激活函数来最小化能量使用和延迟。

应用

该技术在航天器自主操作领域具有广泛的应用前景，如编队飞行、自主对接、卫星维护和碎片移除等。其高速度和能效特性使其非常适合于空间应用，特别是在需要实时决策和低功耗的嵌入式系统中。此外，开源实现的提供将进一步推动该技术在航天领域的应用和研究。