Adaptive Encoding and AI Inference Optimization for Onboard Processing in LEO Satellite Systems

Abstract

Low Earth Orbit (LEO) satellites for Earth observation must execute large-scale image analytics under stringent energy constraints, where the power consumption of both CPU and GPU superlinearly increases with clock frequency. In this paper, we propose AERO, a dynamic encoding and inference optimization framework that exploits interchangeable CPU-GPU to achieve energy-efficient onboard processing. In AERO, the CPU performs image encoding for offloading to ground servers, while the GPU handles onboard infer- ence, and their frequencies are controlled through Dynamic Voltage and Frequency Scaling (DVFS). By dynamically switching between CPU- and GPU-dominant operations with respect to real-time system states such as wireless channels, AERO balances computation (CPU/GPU) and communication energy while maintaining comparable latency and in- ference accuracy. Leveraging stochastic optimization, AERO minimizes average onboard power consumption without prior statistical knowledge. Experimental results using satel- lite emulation and empirical power measurements show that AERO reduces total onboard energy by up to 42% compared with baseline schemes for the same latency and accuracy levels. Keywords: LEO Satellite, Offloading, Image Encoding, Image Inference, Lyapunov Optimization|저궤도(LEO) 위성은 엄격한 에너지 제약 하에서 대규모 이미지 분석을 수행해야 하며, 이때 CPU와 GPU의 전력 소비는 클록 주파수에 따라 비선형적으로 증가한다. 본논문에서는 이러한 문제를 해결하기 위해 AERO(Adaptive Encoding and inference Optimization)라는 동적 인코딩 및 추론 최적화 프레임워크를 제안한다. AERO는 CPU와 GPU를 상호 교차적으로 활용하여 에너지 효율적인 온보드 처리를 달성한다. 구체적으로, CPU는 지상 서버로의 오프로딩을 위한 이미지 인코딩을 수행하고, GPU는 온보드 추론을 담당하며, 두 프로세서의 주파수는 동적 전압 및 주파수 조정(DVFS) 기법을 통해 제어된다. AERO는 무선채널 등 실시간 시스템 상태에 따라 CPU 중심과 GPU 중심의 연산을 동적으로 전환함으로써, 연산(CPU/GPU) 에너지와 통신 에너지 간의 균형을 유지하면서도 유사한 지연 및 추론 정확도를 보장한다. 또한, 확률적 최적화 기법을 활용하여 사전정보를 필요로 하지 않고 평균 온보드 전력 소비를 최소화한다. 위성 에뮬레이션 및 실제 전력 측정 기반 실험결과, AERO는 동일한 지연 및 정확도 수준에서 기존 방식 대비 최대42%의 총 온보드 에너지 절감을 달성하였다.