空中客车使用MATLAB设计基于FPGA的机载深度学习处理器

现代空间飞行器必须持续监控遥测数据，并检测或预测传感器数据中的任何异常行为。由于从机载传感器接收到的数据维度高且数据量大，基于阈值的监控等传统方法显得捉襟见肘。轨道卫星的环境具有高度动态性，这也使得识别异常指标充满挑战性。

为了克服这些挑战，空中客车防务与航天公司 Airbus 决定开发用于故障检测、隔离和还原 (FDIR) 的机载系统，以实现异常检测深度学习模型。 空中客车发现，FPGA 以其高性能、长寿命成为机载航天器系统的理想平台。FPGA 可重新编程，能够耐受空间辐射，并可设计成低功耗器件。

然而，对于此级别的时间关键型任务，使用资源有限的 FPGA 实现深度学习模型，可能是一项巨大的挑战。 空中客车的设计团队选择使用 Deep Learning HDL Toolbox 来生成 MATLAB 深度学习处理器 IP 核作为人工智能加速器。该工作流支持使用 FreeRTOS 作为操作系统。

为了进行测试，空中客车使用了 AMD Zynq UltraScale+ MPSoC ZCU102 板以及长短期记忆 (LSTM) 模型，该模型是基于一组相关的遥测参数训练的。

此外，更新 LSTM 模型不需要对 FPGA 重新编程，因为只需重新编译更新后的模型并将其下载到深度学习处理器中。

“从本质上讲，MATLAB 深度学习处理器 IP 核与平台无关。这使其能够被集成到可通过太空认证的实时操作系统中。我们面临的一大挑战是开发与之交互的应用，而在这一方面，MathWorks 提供了很多支持。”

—— Andreas C. Koch，空中客车机载软件工程师

在 TensorFlow 中训练的 LSTM 模型导入 MATLAB 中。基于这些模型，该团队针对性能和资源使用情况，对深度学习处理器配置进行了优化。此后，他们使用 HDL Coder 将深度学习处理器 IP 核生成为独立于目标的可综合 HDL 代码，并通过 AXI 接口将其集成到空中客车的参考设计中。

然后，工程师使用基于 Python 的工作流对深度学习处理器进行编程，并从 AMD Zynq MPSoC 上的 Arm 处理器触发它。

在硬件板上针对运行卫星上检测到的异常来测试 FDIR 系统时，深度学习处理器能够在可靠工作的同时，满足吞吐量和功耗的要求。空中客车计划在将来的航天器上部署基于 FPGA 的 FDIR 系统。



基于 FPGA 的深度学习网络检测到的真实异常。

▼ 空客Airbus 取得的关键成果

开发了基于 MATLAB 的工作流，用于在 FPGA 上进行深度神经网络的快速原型构建和验证，从而实现硬件、系统和深度学习工程师之间的协作

与基于阈值的传统方法相比，更早地检测到潜在的卫星故障模式

生成了深度学习处理器，可供任何采用 FreeRTOS 或其他操作系统的 FPGA 供应商使用和部署

可以在板上更新深度学习模型，而不需要对 FPGA 重新编程

▼空客 Airbus 使用到的产品

MATLAB

Deep Learning HDL Toolbox

Deep Learning Toolbox

HDL Coder

审核编辑：刘清