Page 335 - 《软件学报》2026年第1期

332 软件学报 2026 年第 37 卷第 1 期

面仍显不足. 此外, 其容错机制在效果与开销的权衡尚无完美解决方案, 同时普通容器的任务隔离方式存在一定的
安全隐患; 而 Starlink 搭载的操作系统则注重生态兼容性、性能提升、实时性和稳定性. 然而, 该系统依赖抗辐射
CPU, 导致任务开发和部署相对滞后, 整体灵活性仍需进一步提高.
针对上述问题, 北京邮电大学研究团队开发了基于 Rust 语言的 RROS 双内核操作系统. 该系统集成了通用
的 Linux 内核与硬实时保证内核, 通过双内核架构的设计显著提升了系统的稳定性, 并实现了高吞吐量、低时延
的核间通信能力. 在资源受限的平台上, RROS 系统能够同时满足高实时性和高通用性的任务处理需求, 展现出智
能化的资源调度与优化性能. RROS 系统已于 2023 年 12 月搭载“天仪 33 号”卫星成功进入预定轨道并正常运行,
成为全球首个在卫星场景中正式应用的 Rust 编写的双内核操作系统. 目前, 该系统已实现了实时调度子系统、实
时内存子系统、实时文件子系统以及实时网络子系统等模块, 其高通用性和高实时性表现如下: 通用内核支持运
行 TensorFlow、PyTorch、Spark、MySQL 等任务, 运行开销控制在 5% 以内; 实时内核的响应时间与传统实时操
作系统内核 (MicroC/OS、FreeRTOS) 相当. 此外, RROS 系统具备高度自适应能力, 可支持 x86/x86_64/ARMv7/v8
等商用硬件平台, 并成功运行于树莓派和 ARM SoC 集群服务器上. 该系统还提出了星载 ARM SoC 阵列方案及算
网融合的探索, 通过提升卫星数据处理效率, 减轻计算负担, 进一步增强了卫星网络与计算的智能化水平.
3.3 智能化在轨处理
随着边缘设备计算能力的不断提升, 深度学习模型的推理过程可以在数据产生源附近完成, 从而实现低时延
的实时服务响应. 然而, 受限于设备计算和存储资源, 模型推理在实时性和计算开销之间面临权衡挑战. 当前的研
究主要集中在两个方向: 一是设计更高精度的深度学习算法 [21,22] , 二是通过模型压缩技术优化训练后的模型以实
现高效推理 [23,24] . 其中, 模型压缩技术在提升推理速度方面尤为突出, 其核心目标是通过精简模型参数和计算量,
在保证模型精度的同时降低计算和存储需求. 这项技术显著减少了资源占用, 为深度学习模型在受限设备端高效
部署提供了可行性支持. 此外, 随着深度学习的广泛应用, 特别是基于神经网络的矩阵计算模型的普及, 高性能的
星载计算平台正逐渐成为支持深度学习应用的关键硬件基础.
(1) 深度学习算法优化
深度学习模型设计: 卫星传感器捕获数据需要经过一系列预处理步骤, 包括数据解析、辐射校正、系统几何
校正以及图像分片等. 在这些数据的基础上, 深度学习模型被设计用于进一步的分析和处理. 智能算法 (如表 4 所
示) 被广泛应用于目标检测、语义分割和地物变化检测. 基于深度学习的轻量化模型通常小于 100 MB, 其中目标
检测和语义分割算法已较为成熟, 并涌现出许多高效的深度学习模型. 相比之下, 遥感地物变化检测模型仍是当前
研究的热点与难点, 该类模型因参数庞大、结构复杂, 对输入数据的精度要求较高, 因此难以在轨完成地理精度的
校正. 因此, 星上地物变化检测仍需依赖地面处理支持. 同时, 对于高精度检测和识别任务, 地面站通过精确的辐射
校正与几何校正, 提取高精度的地物语义和目标信息.

表 4 卫星边缘计算的智能算法与任务需求

算法/任务需求 卫星及其星座 地面站
图像分片、精准几何校正、精准正射校正、影像
预处理算法 图像分片、辐射校正、 粗正射校正、系统几何校正
相对配准
轻 量 级 YOLO-tiny系 列 、 MobileNet-SSD、 MobileNet、
目标检测模型 YOLO系列、Faster R-CNN、SSD等模型
NanoNet等模型
语义分割模型 轻量级DeepLab-v3、LU-Net、LRUNet、MUNet等模型 DeepLab-v3、UNet、HRNetv3、PSPNet等模型
变化检测模型 － ESCNet、SECDNet、STANet、DTCDSNet等模型
后处理算法 图像拼接算法、栅格矢量转化算法 图像拼接算法、栅格矢量转化算法
任务需求 时效性要求高、精度要求低 精度要求高

在卫星图像处理中, 目标识别算法通常分为两类: 一类是基于区域选择的两段式算法, 另一类是基于回归分析
的单段式算法. 传统的目标识别流程采用两段式算法, 首先生成目标候选区域, 然后对这些区域进行分类与位置边
框调整. 典型的两段式算法包括 R-CNN、Fast R-CNN 和 Faster R-CNN [25] . R-CNN 模型是由 Facebook [26] 于 2014