Vermogensbeperkte AI-inferentie aan de tactische rand

Elk AI-inferentiesysteem dat een datacentrum verlaat en een tactische omgeving betreedt, stuit op dezelfde muur: de hardware die de beste modelnauwkeurigheid levert, verbruikt vermogen dat het platform niet kan leveren en genereert warmte die de behuizing niet kan afvoeren. SWaP-C — Grootte, Gewicht, Vermogen en Kosten — is geen secundaire engineeringoverweging aan de tactische rand; het is de primaire ontwerpbeperking waaruit alle andere beslissingen voortvloeien. Dit artikel behandelt de volledige engineeringketen, van de definitie van het SWaP-C-budget tot hardwareselectie, kwantisatiestrategie, vermogensprofilering, runtime-selectie, thermisch beheer en missiespecifiek vermogensbudgetontwerp voor militaire AI-inzet.

SWaP-C gedefinieerd: waarom gewicht en vermogen meer tellen dan ruwe TOPS aan de rand

De hiërarchie van beperkingen aan de tactische rand plaatst TOPS als laatste, niet als eerste. Voordat een systeemontwerper aandacht kan besteden aan het aantal tera-operaties per seconde dat een chip kan uitvoeren, moeten drie eerdere vragen worden beantwoord: past de chip in het beschikbare volume, duwt zijn massa het platform over de laadvermogensgrens, en overschrijdt zijn stroomverbruik wat de batterij of dynamo van het platform kan leveren? Alleen als alle drie de antwoorden nee zijn, wordt doorvoer relevant.

Grootte beperkt de fysieke integratie. Een Jetson AGX Orin-module meet 100 mm × 87 mm en vereist een dragerkaart die nog eens 15–20 mm in de z-as toevoegt. De gedismonteerde computerkit van een soldaat, een kleine kaliber koepelcontroller of de geleidingssectie van een loitering munition biedt mogelijk slechts een volume van 60 × 60 × 25 mm voor extra rekenkracht. In dat geval past een Hailo-8 M.2-accelerator van 34 mm × 26 mm waar de AGX Orin dat niet doet.

Gewicht stapelt zich op door het systeem. Een inferentiemodule van 300 g die aan de kit van een gedismonteerde soldaat wordt toegevoegd, sluit aan bij een last die al 35–45 kg kan wegen. Militaire ergonomieprogramma's hanteren 30% van het lichaamsgewicht als maximale aanhoudende lastdrempel; elk gram inferentiehardware concurreert met munitie, water en communicatieapparatuur om toewijzing onder die limiet. Op een UAV vermindert extra gewicht de vluchttijd door de benodigde vermogen voor hoogtebehoud te vergroten, wat een dubbele straf oplevert: meer gewicht trekt meer batterijvermogen voor voortstuwing en er blijft minder batterijvermogen over voor de nuttige last.

Vermogen is de meest genadeloze beperking omdat overschrijding ervan niet slechts een prestatieprobleem is — het kan de missie beëindigen. De dynamo van een grondvoertuig heeft een vaste output; de batterij van een UAV heeft een vaste capaciteit. Wanneer het AI-inferentiesubsysteem, de communicatieradio, de sensorset en de voertuigsystemen gezamenlijk het beschikbare vermogen overschrijden, werpt de vermogensdistributie-eenheid lasten in prioriteitsvolgorde af. AI-inferentie is zelden de hoogste prioriteitslast. Het systeem dat was ontworpen om continu te draaien, draait intermitterend of helemaal niet.

Kosten bepalen de verbraakbaarheidsdoctrine, die op haar beurt de hardwareselectie beperkt. Een Jetson AGX Orin-ontwikkelkit van $ 3.000 kan niet worden geïnstalleerd op een eenmalig te gebruiken loitering munition. De kostenbeperking is niet puur economisch — het beïnvloedt ook de logistiek, omdat dure rekenmodules veilige toeleveringsketens, gecontroleerde opslag en verantwoordingsprocedures vereisen die aanvoercycli op het slagveld vertragen.

De juiste prestatiemaatstaf voor tactische rand-AI-hardware is daarom nuttige inferentiedoorvoer per watt per kubieke centimeter per dollar — een meerdimensionale efficiëntie die geen enkel TOPS-getal weergeeft. Voor een gedetailleerde vergelijking van hoe de toonaangevende platformen scoren op deze samengestelde maatstaf, werkt ons artikel over edge AI-hardwareselectie voor defensie de afwegingen systematisch door.

AI-accelerator hardwarelandschap: Jetson, Hailo, Coral, Qualcomm — vergelijking piek-TOPS vs aanhoudende doorvoer vs vermogensomhulling

Vier siliciümfamilies bestrijken het praktische bereik van tactische rand-inzet. Inzicht in waar elk zich bevindt op de TOPS/W-curve en welke architecturale afwegingen elk vertegenwoordigt, is een vereiste voor elke platformselectiebeslissing.

De kracht van de Jetson-familie ligt in het software-ecosysteem: volledig Linux, CUDA, TensorRT en een grote hoeveelheid open-source inferentietooling. De kracht van de Hailo-8 ligt in ruwe vermogensefficiëntie op acceleratorniveau — de dataflow-architectuur verdeelt de neurale netwerktopologie over processorclusters en voert deze uit op een gepijplijnd wijze die DRAM-toegang minimaliseert, de dominante vermogenskosten bij conventionele GPU-inferentie. De Coral Edge TPU is de eenvoudigste integratieweg voor teams die al TFLite gebruiken, maar het plafond van 4 TOPS en de strikte compilatievereisten voor de grafiek beperken het tot kleinere modellen. De QCS8550 SoC van Qualcomm combineert CPU, GPU en een Hexagon NPU op één chip en levert uitstekende TOPS/W in een van smartphones afgeleid pakket dat steeds vaker voorkomt in handheld militaire apparaten. Een grondige zij-aan-zij-evaluatie van deze platformen is te vinden in ons artikel over edge AI-hardwarevergelijking.

Aanhoudende doorvoer wijkt aanzienlijk af van piek-TOPS onder echte bedrijfsomstandigheden. Piek-TOPS-cijfers worden gemeten bij 100% datapadbenutting met geïdealiseerde geheugentoegangpatronen. Echte inferentiewerklasten op YOLOv8- of RT-DETR-architecturen houden vaak 50–70% van de piek-TOPS aan, omdat de operatormix van het model — convolutionele lagen, batchnormalisatie, activeringsfuncties en de meerschalige uitvoerverwerking van de detectiekop — niet alle uitvoereenheden gelijktijdig bezet houdt. Benchmarkt elk kandidaatplatform met uw eigen model voordat u het in een platformontwerp vastlegt.

Kwantisatiestrategieën: INT8, INT4, FP16 — afwegingen nauwkeurigheid vs vermogen, PTQ vs QAT, per-kanaal vs per-tensor

Kwantisatie is de meest impactvolle softwaretechniek om inferentievermogen aan de tactische rand te verlagen. Het verminderen van numerieke precisie van FP32 naar INT8 verkleint de geheugenvoetafdruk van het model met 4x en verlaagt de DRAM-bandbreedtevraag proportioneel — en omdat DRAM-toegang vaak de dominante vermogenskost is bij inferentiewerklasten, vertaalt dit zich direct naar lager stroomverbruik, onafhankelijk van de rekenbesparingen.

FP16 (16-bit drijvende komma) is de minst agressieve optie. Het halveert de geheugenvoetafdruk ten opzichte van FP32 en wordt native ondersteund door alle moderne AI-accelerators, inclusief Jetson GPU tensor cores. Nauwkeurigheidsverlies is verwaarloosbaar — doorgaans minder dan 0,2 mAP op standaard detectiebenchmarks — omdat het verminderde dynamische bereik van FP16 zelden betekenisvolle gewichtswaarden knipt in een goed getraind model. FP16 is de juiste standaard voor de eerste inzet van een nieuw model wanneer de tolerantie voor nauwkeurigheidsrisico laag is en de vermogensbesparing van INT8 niet vereist is om aan het SWaP-C-budget te voldoen.

INT8 is de productiestandaard voor vermogensbeperkte militaire rand-inzet. Hardware met INT8-uitvoereenheden — Jetson Orin, Hailo-8, Coral Edge TPU — levert een 2–4x doorvoerverbetering ten opzichte van FP32 bij gelijkwaardige modelcapaciteit, met een typisch nauwkeurigheidsverlies van 0,5–2 mAP. De nauwkeurigheidsimpact is sterk afhankelijk van de kalibratiekwaliteit. Post-training kwantisatie (PTQ) kalibreert INT8-schalingsfactoren door het FP32-model op een kalibratieset te draaien en de verdeling van activaties per laag te registreren. De keuze van de kalibratieset is cruciaal: kalibreer op beelden van de inzetdoelsensor en -hoogte, niet op een generieke openbare luchtfoto-dataset, anders zijn de activatieverdelingen niet overeenkomend en zal het nauwkeurigheidsverlies hoger zijn dan de benchmarkcijfers suggereren.

Kwantisatie-bewust trainen (QAT) voegt gesimuleerd kwantisatieruis in de trainingsgrafiek in, zodat de optimizer gewichten aanpast om robuust te zijn voor INT8-afronding. QAT overtreft PTQ consequent met 1–3 mAP, met de grootste winsten op kleine modellen waar per-kanaals gewichtsvariatie hoger is. De kosten zijn een fijnafstemmingsronde van 10–50 epochs — doorgaans 6–24 uur op een trainings-GPU — en toegang tot de oorspronkelijke trainingsdataset. Voor programma's waarbij nauwkeurigheid een harde ondergrens heeft gekoppeld aan een detectiewaarschijnlijkheidseis, is QAT de juiste aanpak. Voor snelle prototypering of situaties na overdracht waarbij de trainingsdataset niet beschikbaar is, is gekalibreerde PTQ met per-kanaals schalingsfactoren het praktische alternatief.

Per-kanaals vs per-tensor kwantisatie is een kalibratiekeuz die de nauwkeurigheid van convolutionele modellen aanzienlijk beïnvloedt. Per-tensor kwantisatie kent één schalingsfactor toe aan de gehele gewichtstensor van een laag; per-kanaals kent een onafhankelijke schalingsfactor toe aan elk uitvoerkanaal. Het verschil doet ertoe omdat convolutionele filters in volwassen detectiemodellen aanzienlijk verschillende L2-normen hebben over kanalen — het netwerk heeft geleerd informatie te concentreren in sommige filters en te onderdrukken in andere. Het forceren van één schalingsfactor over alle kanalen creëert grote afrondingsfouten in de hoge-norm filters. Per-kanaals kwantisatie behoudt nauwkeurigheid ten koste van een marginaal grotere kalibratietabel. Alle productie-TensorRT- en PyTorch-kwantisatietooling ondersteunt per-kanaals gewichtskwantisatie; er is geen technische reden om per-tensor voor gewichtskwantisatie te kiezen in 2026.

INT4-kwantisatie pakt twee waarden per byte in en bereikt tot 8x compressie ten opzichte van FP32, maar een nauwkeurigheidsverlies van 3–8 mAP op detectiebenchmarks maakt het ongeschikt voor de meeste tactische toepassingen zonder QAT. De primaire toepassing is inferentie van zeer grote taalmodellen waarbij DRAM-bandbreedte, niet rekenkracht, de bindende beperking is. Voor defensie-ISR- en doeldetectietoepassingen die YOLOv8-klasse modellen draaien, is INT8 het praktische werkpunt.

# TensorRT INT8-kalibratie — representatief fragment
import tensorrt as trt

class Int8Calibrator(trt.IInt8EntropyCalibrator2):
    def __init__(self, calibration_images, cache_file):
        super().__init__()
        self.cache_file = cache_file
        self.dataset = calibration_images   # 500+ inzetdomein-afbeeldingen
        self.index = 0

    def get_batch(self, names):
        if self.index >= len(self.dataset):
            return None
        batch = preprocess(self.dataset[self.index])
        self.index += 1
        return [cuda.memcpy_htod_async(d_input, batch, stream)]

    def get_calibration_cache(self):
        if os.path.exists(self.cache_file):
            with open(self.cache_file, 'rb') as f:
                return f.read()
        return None

# Bouw INT8-engine
config.set_flag(trt.BuilderFlag.INT8)
config.int8_calibrator = Int8Calibrator(calib_images, 'calib.cache')
# Per-kanaals kwantisatie is standaard in TRT 9+

Vermogensprofilering methodologie — meetinstrumentatie, dynamisch vs statisch vermogen, thermische begrenzing in MILSPEC-omgevingen

Door software gerapporteerde vermogensschattingen van leveranciers-API's zijn nuttig voor trendmonitoring, maar onvoldoende voor validatie van het vermogensbudget op systeemniveau. De enige betrouwbare bron is inline stroommetingen op de hardwarevoedingsrails die de AI-accelerator voeden. Het verschil tussen door software gerapporteerd en gemeten vermogen kan oplopen tot 15–25% op Jetson-platformen tijdens aanhoudende inferentie, omdat de thermische beheerfirmware klokfrequenties aanpast op manieren die niet altijd weerspiegeld worden in de directe metingen van de API.

De standaardinstrumentatiemethode voor embedded AI-platformen gebruikt INA3221- of INA226-stroomdetectieversterkersversterkers in serie met de voedingslijn van elke voedingsrail, afgelezen via I2C met 100–200 Hz. Op Jetson Orin stelt NVIDIA de ingebouwde INA3221-sensoren beschikbaar via sysfs:

# Lees Jetson Orin-voedingsrails via sysfs (steekproef elke 100 ms)
RAILS=(
  "/sys/bus/i2c/drivers/ina3221/1-0040/hwmon/hwmon1"  # VDD_GPU_SOC
  "/sys/bus/i2c/drivers/ina3221/1-0040/hwmon/hwmon2"  # VDD_CPU_CV
  "/sys/bus/i2c/drivers/ina3221/1-0041/hwmon/hwmon3"  # VIN_SYS_5V0
)
while true; do
  ts=$(date +%s%N)
  for rail in "${RAILS[@]}"; do
    pwr=$(cat "$rail/power1_input" 2>/dev/null)  # microwatt
    echo "$ts,$rail,$pwr"
  done
  sleep 0.1
done >> /var/log/power_trace.csv

Statisch (inactief) vermogen is het basisverbruik met het model geladen in het acceleratorgeheugen en de inferentiepijplijn actief maar zonder frames verwerkt. Voor Jetson Orin Nano in 7 W-modus is het inactieve vermogen approximately 1,5–2,0 W. Dit is de ondergrens waarmee het systeem nooit lager daalt terwijl de inferentiedienst actief is. In een duty-cycle-model bepalen inactief vermogen vermenigvuldigd met inactieve tijd de minimale energiekosten van het gereedgehouden inferentievermogen.

Dynamisch (actief inferentie) vermogen is de extra belasting boven inactief vermogen tijdens actieve frameverwerking. Het verschil tussen inactief en actief vermogen vertegenwoordigt de energiekosten van elke inferentiecyclus. Voor een Jetson Orin Nano die YOLOv8s INT8 draait op 15 fps, is het dynamische vermogen boven inactief approximately 4–6 W, voor een totaal van 5,5–8 W tijdens inferentiepieken.

Thermische begrenzing is het gevaarlijkste vermogensprofileerscenario om weg te laten uit een MILSPEC-testprogramma. Alle moderne AI-accelerators beschikken over firmware die klokfrequenties verlaagt wanneer de chiptemperatuur de nominale overgangstemperatuur benadert. Op Jetson-platformen wordt dit beheerd door het thermisch beheerkader en begint begrenzing op 5–10°C onder de overgangsgrens. In een MILSPEC-omgeving waar de behuizing +70°C omgevingstemperatuur kan bereiken, heeft een chip met een nominale overgangstemperatuur van 85°C slechts een thermisch budget van 15°C van omgeving naar overgang. Als de thermische weerstand van chip naar omgeving meer dan 15°C/W bedraagt en de chip 10 W dissipeert, kan de overgangstemperatuur niet stabiliseren onder de overgangsgrens — begrenzing begint onmiddellijk en houdt onbepaald aan. Het praktische gevolg is dat de bij kamertemperatuur opgegeven inferentiedoorvoer niet de doorvoer is die beschikbaar is op een heet voertuig in een woestijnomgeving. Vermogensprofilering moet worden uitgevoerd bij de maximaal verwachte omgevingstemperatuur met de hardware geïnstalleerd in de productibehuizing.

Besturingssysteem- en runtime-selectie voor vermogensefficiëntie — bare-metal vs RTOS vs Linux, TensorRT vs ONNX Runtime vs TFLite

De keuze van de bedrijfsomgeving beïnvloedt het inactieve vermogen direct. Een volledige Linux-distributie met een desktopomgeving, achtergrondservices en een loggingstack verbruikt aanzienlijk meer vermogen in inactieve toestand dan een minimale Linux met alleen de inferentiedienst en bijbehorende afhankelijkheden. Bare-metal- of RTOS-inzet kan het inactieve vermogen verder verlagen door de OS-planner en kernelsubsystemen volledig te elimineren, maar dit gaat ten koste van de toolchain-compatibiliteit die het praktisch maakt om modellen in een operationeel programma in te zetten en te updaten.

Voor Jetson-platformen is de aanbevolen weg minimale Linux (Ubuntu Server of Yocto-afgeleid BSP) geconfigureerd voor doelspecifiek opstarten. Schakel systemd-services uit die niet vereist zijn voor inferentie-operatie: verwijder de display manager, de NetworkManager-daemon als het platform een vaste netwerkconfiguratie gebruikt, eventuele cloudtelemetrie-agents en Bluetooth als de hardware dit ondersteunt. De nvpmodel-service moet worden behouden en ingesteld op de laagste vermogensmodus die voldoet aan de inferentielatentievereiste op de missionele framesnelheid. Een correct uitgeklede Jetson Orin Nano die alleen de inferentiedienst, een SSH-daemon en een minimaal loggingproces draait, heeft inactief vermogen van approximately 1,2–1,8 W versus 2,5–3,5 W voor de standaard ontwikkelaarsimage.

Runtime-selectie bepaalt hoe de gekwantiseerde modelgrafiek tijdens laden of vooraf wordt gecompileerd naar hardware-instructies. TensorRT is de best presterende runtime voor NVIDIA Jetson-hardware. Het fuseert aangrenzende operatorkernels, selecteert de snelste algoritmevariant voor elke laag gegeven de doelprecisie en batchgrootte, en benut volledig de tensor core-mogelijkheden van de Jetson GPU. Een YOLOv8s-model gecompileerd naar een TensorRT INT8-engine-bestand draait op 30–45 fps bij 7–9 W op Jetson Orin Nano; hetzelfde model in een generieke ONNX Runtime-sessie zonder TensorRT-backend draait op 12–18 fps bij 10–14 W. Het vermogensverschil is niet toevallig — de kernelfusie van TensorRT vermindert het aantal DRAM-toegangsrondes per inferentie, en DRAM-toegang is de dominante vermogenskost.

ONNX Runtime met TensorRT Execution Provider is de aanbevolen optie voor programma's die zowel Jetson-hardware als niet-NVIDIA-accelerators vanuit dezelfde codebase moeten targeten. De ONNX Runtime API abstraheert de hardwarebackend, en de TensorRT EP verzorgt compilatie en uitvoering op Jetson terwijl een andere EP (DirectML, generieke CUDA, CPU) uitvoering op andere platformen afhandelt. Het portabiliteitsvoordeel gaat gepaard met een marginale prestatiekost ten opzichte van direct TensorRT gebruiken, doorgaans 5–10% doorvoervermindering.

TFLite met de Edge TPU-delegate is de juiste runtime voor Coral-platformen. Het compileert de modelgrafiek naar het on-chip SRAM van de Edge TPU bij laden; eventuele operaties die niet naar de Edge TPU kunnen worden toegewezen, worden uitgevoerd op de host-CPU. Het deel van het model dat terugvalt op de CPU is de primaire drijfveer van zowel latentie als vermogensefficiëntie — een model met 10% CPU-fallback kan 2–3x het vermogen verbruiken van een volledig on-chip model omdat de host-CPU aanzienlijk meer vermogen per operatie trekt dan de dedicated hardware van de Edge TPU. Gebruik het compilatielog van edgetpu_compiler om operaties te identificeren die niet naar hardware zijn toegewezen en pas de modelarchitectuur aan om ze te vervangen door Edge TPU-compatibele equivalenten voordat u naar productie inzet.

Thermisch beheer in MILSPEC-behuizingen — warmtespreiders, geleidingskoeling, operationeel bereik van -40°C tot +85°C

MILSPEC-behuizingen voor tactische elektronica specificeren doorgaans een operationeel temperatuurbereik van -40°C tot +85°C conform MIL-STD-810 methode 501/502. De ondergrens en bovengrens creëren tegengestelde thermische engineeringuitdagingen. Bij -40°C starten siliciumapparaten mogelijk niet betrouwbaar zonder voorverwarming; bij +85°C omgevingstemperatuur is passieve warmteafvoer marginaal voor elke AI-accelerator die meer dan 3–4 W dissipeert.

Geleidingskoeling is het dominante warmteafvoermechanisme in gesloten MILSPEC-behuizingen waar convectieve luchtstroming wordt uitgesloten door de IP-beschermingsklasse. Het thermische pad loopt van de chip van de AI-accelerator door het pakket, door een thermisch grensvlakmateriaal (TIM), door een warmtespreiderplaat, door de behuizingswand en uiteindelijk naar de externe omgeving via natuurlijke convectie en straling. Elke materiaalgrens voegt thermische weerstand toe, en de som van alle weerstanden bepaalt de temperatuurstijging van chipovergang naar omgevingslucht.

Thermisch weerstandsbudget — Hailo-8 in gesloten Al-behuizing
=============================================================
Overgang naar behuizing (Hailo-8-pakket):    2,0 °C/W
Behuizing naar TIM (fase-overgangspad, 1mm): 0,5 °C/W
TIM naar warmtespreider (Al 6061, 3 mm):     0,3 °C/W
Warmtespreider naar behuizingswand:          1,0 °C/W
Behuizingswand naar omgeving (150 cm² Al):   4,5 °C/W
                                             ─────────
Totaal R_th (j→a):                           8,3 °C/W

Bij P_diss = 5 W, ΔT = 8,3 × 5 = 41,5 °C
Bij T_omgeving = 71°C (MIL):  T_overgang = 71 + 41,5 = 112,5 °C
Hailo-8 max. nominale overgangstemperatuur: 125 °C → marge 12,5 °C ✓

De keuze van warmtespreidermateriaal is significant. Aluminium 6061 heeft een warmtegeleidingsvermogen van approximately 167 W/m·K en is de standaard luchtvaart-constructielegering. Koper (385 W/m·K) biedt 2,3x betere warmtegeleiding en wordt gebruikt waar de warmtespreider een groter gebied moet overbruggen tussen het chippakket en de behuizingswand. Pyrolytische grafietfolies (700–1500 W/m·K in-vlak) worden gebruikt in de meest veeleisende toepassingen waar aluminium het thermische budget niet kan halen, maar ze zijn bros en vereisen bescherming tegen trilling en schokbelastingen — een significante zorg in gepantserde voertuig- of luchtgeworpen toepassingen. Voor de meeste tactische AI-behuizingen die Hailo-8- of Coral-klasse accelerators gebruiken, is een 3–5 mm aluminium plaat tussen de module en de behuizingswand voldoende als de behuizing ten minste 100–150 cm² buitenoppervlak heeft voor natuurlijke convectie.

Koudstart bij -40°C vereist dat de kaart wordt opgewarmd met verwarmingselementen voordat rekenlast wordt toegepast. COTS Jetson-modules zijn nominaal tot -25°C (industriële variant) voor opslag en bedrijf; sommige militaire varianten reiken tot -40°C. Onder de nominale ondergrens laden interne condensatoren mogelijk niet correct op en initialiseert flashopslag mogelijk niet. Een thermostaat-gestuurde weerstandsverwarmer die 3–5 W trekt uit de platformbatterij — automatisch geactiveerd wanneer de behuizingstemperatuur daalt onder -20°C — is een eenvoudigere en betrouwbaardere oplossing dan wachten tot halfgeleiderleveranciers bedrijf bij -40°C specificeren. De verwarmer moet worden geplaatst tussen de behuizingswand en de rekenkaart om ervoor te zorgen dat de kaarttemperatuur de minimale nominale bedrijfstemperatuur bereikt voordat het hoofdvermogen wordt aangesloten.

Thermische tests moeten worden uitgevoerd met de productiebehuizing en de productiemontageconfiguratie. Labotests met een open dragerkaart in een thermische kamer tonen lagere overgangstemperaturen dan de productieconfiguratie omdat de geforceerde convectie van de kamerfan de kaart helpt koelen op manieren die de gesloten behuizing niet kan repliceren. Test altijd in de worst-case configuratie — gesloten behuizing, maximale inferentiedutycycle, maximale omgevingstemperatuur — en documenteer de stabiele overgangstemperatuur bij die conditie als onderdeel van het systeemkwalificatieregistratie.

Missiespecifiek vermogensbudgetontwerp — duty-cycle modellering, inferentiefrequentie vs batterijduur, vermogensmodi gekoppeld aan dreigingsstatus

Een systeem dat is ontworpen voor piek-inferentieprestaties gedurende een volledige missie raakt ofwel de batterij leeg voor het einde van de missie of draagt een zwaardere batterij die gewicht en kosten toevoegt. Geen van beide uitkomsten is optimaal. De juiste ontwerpbenadering koppelt inferentiefrequentie aan de operationele status, waarbij de AI-accelerator op hoge dutycycle draait alleen wanneer de tactische situatie dit rechtvaardigt en de dutycycle vermindert — of een laag-vermogen inactieve status inneemt — tijdens fasen waarin volledige inferentie niet noodzakelijk is.

Duty-cycle modellering begint met een missieprofiel: een tijdvolgorde van operationele fasen met geschatte duur en bijbehorende dreigingsstatus. Een grondvoertuigmissie kan een transitfase hebben (60 minuten, lage dreiging, rijden over een bekende veilige route), een naderingsface (20 minuten, verhoogde dreiging, onbekend gebied binnengaan) en een surveillancefase (40 minuten, hoge dreiging, stationaire observatie). Elke fase heeft een andere inferentievereiste: 2 fps tijdens transit, 10 fps tijdens nadering, 15 fps tijdens surveillance. Het vermogensverbruik in elke fase is de som van inactief vermogen plus (actief inferentievermogen × fractie inferentiedutycycle).

De tabel illustreert dat duty-cycle-beheer het AI-inferentie-energieverbruik met 42% vermindert ten opzichte van continu draaien op maximale framesnelheid — van 20 Wh naar 11,5 Wh voor een missie van 160 minuten op een Hailo-8 klasse platform. Op een systeem met een batterijtoewijs van 40 Wh voor het AI-subsysteem verlengt de beheerde aanpak de batterijduur van 120 minuten naar 210 minuten, wat het verschil kan maken tussen een platform dat de missie voltooit en een platform dat in de laatste fase zijn AI-vermogen verliest.

Vermogensmodus-overgangen moeten worden aangestuurd door de operationele toestandsmachine van het platform in plaats van door handmatige bemanningsinput, omdat de cognitieve belasting van bemanning in omgevingen met hoge dreiging handmatig beheer onbetrouwbaar maakt. Toestandsmachine-ingangen omvatten voertuigsnelheid (boven 15 km/u suggereert transitsmodus), status van het wapensysteem (gewapend suggereert verhoogde dreiging), GPS-geofencing tegen bekende dreigingsgebieden en expliciete overrideopdrachten van de commandant. De AI-inferentiemanager ontvangt toestandsovergangen als gebeurtenissen en past de framesnelheid van de inferentielus dienovereenkomstig aan, hetzij door het slaapinterval tussen frameopnames te wijzigen of door de werkfrequentie van de accelerator te configureren via de vermogensmodus-API. De volledige ontwerpaanpak voor de inzet van deze systemen in veldcondities wordt behandeld in ons artikel over boordse AI-inferentie voor UAV's, dat dezelfde duty-cycle-principes toepast in de luchtvaartscontext.

Reservemarge moet worden ingebouwd in elk vermogensbudget. 20% reserve is een minimum — tactische missies overschrijden routinematig hun geplande duur, omgevingstemperaturen in zomerse woestijnomgevingen overschrijden planningsaannames en software-updates kunnen de modelgrootte of inferentiefrequentie tussen planning en uitvoering verhogen. Een vermogensbudget dat volledig is toegewezen bij planning zal in het veld worden overschreden. Dimensioneer de batterij of vermogenstoewijzing om 120% van de door duty-cycle gemodelleerde energievereiste te dekken, en documenteer het reservebeleid in de systeemontwerspecificatie.