Introdução de IA/ML nos sistemas SATCOM de controlo de sistemas de carga

Nos últimos anos, o mercado SATCOM sofreu uma revolução. Isto deveu-se principalmente ao rápido desenvolvimento de sistemas de carga definidos por software ou, em alguns casos, completamente digitais. Estes modernos satélites permitem oferecer novos serviços e, ao mesmo tempo, criam novas necessidades nunca antes pensadas. A revolução começou. Os sistemas de carga tradicionais, isto é, hardware ad hoc concebido para missões específicas, são já uma coisa do passado. O presente centra-se em soluções genéricas que possam satisfazer necessidades dinâmicas e aproveitar as suas contrapartes reconfiguráveis baseadas em software.

O ponto de viragem na história do SATCOM comercial ocorreu em 2021, ano em que a operadora Eutelsat lançou o satélite Eutelsat Quantum. Quantum foi o primeiro satélite comercial totalmente controlado por software, colocando assim o controlo dos sistemas de carga nas mãos do utilizador final. Pouco depois, o sistema de carga como serviço converteu-se num novo conceito revolucionário. Aproveitando o seu êxito, a Eutelsat continuou a acrescentar novos satélites à sua frota e a dotá-los de sistemas de carregamento flexíveis de última geração.

Estes avanços nos sistemas de carga têm duas implicações importantes. Em primeiro lugar, oferecem ao operador um número quase infinito de opções de reconfiguração. Em segundo lugar, a complicada gestão de sistemas de carga tão complexos afetará a forma como os operadores têm trabalhado com ela até agora.

Procura dinâmica, sistemas resilientes, tempo real, multimissão, 5G/6G... Como podem os operadores gerir estes complexos sistemas num contexto tão mutável? A inteligência artificial (IA) e a aprendizagem automática (ML - machine learning) são, sem dúvida, os nossos melhores aliados.

Neste contexto, o projeto ATRIA tem como objetivo aplicar técnicas de IA/ML a casos de uso relevantes de SATCOM selecionados pelos experientes operadores da Eutelsat, visando facilitar e, com o tempo, automatizar as suas operações. Com este objetivo, a GMV, como coordenadora do consórcio e integradora de sistemas, desenvolveu um protótipo de sistema denominado AI-PCS. O AI-PCS integra, entre outras coisas, os módulos AI/ML desenvolvidos pela CTTC e AIKO, os especialistas em IA do consórcio.

O primeiro caso de uso abordado foi o problema que a diversidade das portas de ligação representa. O AI-PCS foi treinado para prever quando será necessário realizar uma operação de comutação entre portas de ligação nominais e redundantes, para minimizar o tempo de inatividade. Para isso, os módulos IA/ML integrados no AI-PCS analisam a correlação entre a quantidade de chuva e os níveis de sinal das balizas nos locais das portas de ligação. Utilizando a previsão meteorológica como base, o sistema AI-PCS pode prever em tempo real se é necessário levar a cabo uma operação de comutação.

O segundo caso de uso centra-se nos feixes. Neste caso, os módulos IA/ML são treinados com tráfego por feixes e dados de capacidade de serviços que foram previamente proporcionados. Isto é muito útil no momento de prever a congestão do tráfego por feixe e, posteriormente, avisar o operador.

O sistema AI-PCS foi validado num contexto operativo, utilizando os dados em tempo real armazenados nos data lakes do operador (Skylogic) e as previsões meteorológicas de sistemas de terceiros. Os módulos IA/ML proporcionaram resultados em tempo real que foram apresentados nos diferentes ecrãs AI-PCS, para que o operador os pudesse interpretar de forma simples. O sistema AI-PCS também está equipado com um sistema de alarme que emite um sinal sonoro se algum dos casos de uso produzir um resultado que exija a intervenção do operador.

Os resultados satisfatórios obtidos durante a prova de aceitação in situ (OSAT), que teve lugar em março de 2023, impulsionaram de forma considerável o desenvolvimento da segunda fase do projeto. Esta fase irá apoiar novos casos de uso e a integração de desenvolvimentos adicionais levados a cabo pelos outros sócios do consórcio.

Author: Leticia Alonso