AI-вивід в умовах обмеженої потужності на тактичному краю

Кожна система AI-виводу, що залишає центр обробки даних і потрапляє в тактичне середовище, стикається з одним і тим самим бар'єром: апаратура, яка забезпечує найкращу точність моделі, споживає потужність, якої платформа не може надати, і генерує тепло, яке корпус не може розсіяти. SWaP-C — розмір, вага, потужність і вартість (Size, Weight, Power, and Cost) — це не другорядне інженерне питання на тактичному краю; це основне проектне обмеження, з якого випливають усі інші рішення. Ця стаття охоплює повний інженерний ланцюжок: від визначення бюджету SWaP-C через вибір апаратури, стратегію квантування, методологію профілювання потужності, вибір середовища виконання, управління тепловим режимом аж до проектування бюджету потужності для конкретної місії у військових розгортаннях AI.

SWaP-C: чому вага і потужність важливіші за сирий TOPS на тактичному краю

Ієрархія обмежень тактичного краю ставить TOPS на останнє місце, а не на перше. Перш ніж системний проектувальник зможе дбати про те, скільки тера-операцій на секунду здатен виконати чіп, необхідно відповісти на три попередніх запитання: чи вміщується чіп у доступний обсяг, чи не перевищує його маса ліміт корисного навантаження платформи, і чи не перевищує споживана ним потужність те, що може забезпечити батарея або генератор платформи? Лише після того, як усі три відповіді є негативними, пропускна здатність стає актуальною.

Розмір обмежує фізичну інтеграцію. Модуль Jetson AGX Orin має розміри 100 мм × 87 мм і потребує несучої плати, яка додає ще 15–20 мм по осі Z. Мобільний обчислювальний комплект піхотинця, контролер малокаліберної турелі або відсік наведення барражувального боєприпасу можуть мати лише 60 × 60 × 25 мм обсягу для додаткових обчислень. У такому разі акселератор Hailo-8 M.2 розміром 34 мм × 26 мм вміщується там, де AGX Orin — ні.

Вага накопичується в масштабах системи. Модуль виводу масою 300 г, доданий до мобільного комплекту піхотинця, приєднується до спорядження, яке вже може важити 35–45 кг. Програми військової ергономіки використовують 30% маси тіла як максимальний поріг тривалого навантаження; кожен грам апаратури виводу конкурує з боєприпасами, водою та засобами зв'язку в межах цього ліміту. На БПЛА додаткова вага скорочує час польоту, збільшуючи потужність, необхідну для підтримання висоти, що створює подвійний штраф: більша вага вимагає більше потужності батареї на тягу, а на корисне навантаження залишається менше.

Потужність є найнещаднішим обмеженням, тому що її перевищення — це не просто проблема продуктивності, а потенційне завершення місії. Генератор наземного транспортного засобу має фіксовану потужність; батарея БПЛА — фіксований ресурс. Коли підсистема AI-виводу, радіостанція, комплект сенсорів і системи транспортного засобу разом перевищують наявну потужність, блок розподілу живлення скидає навантаження в порядку пріоритету. AI-вивід рідко є найприоритетнішим навантаженням. Система, розрахована на безперервну роботу, виявляється переривчастою або зовсім не працює.

Вартість визначає доктрину витратності, яка, своєю чергою, обмежує вибір апаратури. Комплект розробника Jetson AGX Orin за 3 000 доларів не можна встановлювати на одноразовий барражувальний боєприпас, призначений для одноразового застосування. Обмеження вартості — це не лише економічне питання; воно впливає і на логістику, оскільки дорогі обчислювальні модулі вимагають захищених ланцюжків постачання, контрольованого зберігання та процедур обліку, що уповільнюють цикли поповнення запасів на полі бою.

Правильним показником ефективності апаратури тактичного AI на краю є тому корисна пропускна здатність виводу на ват на кубічний сантиметр на долар — багатовимірна ефективність, яку жодне окреме значення TOPS не відображає. Детальне порівняння того, як провідні платформи виглядають на цьому комплексному показнику, розглянуто в нашій статті про вибір апаратури edge AI для оборони.

Ландшафт AI-акселераторів: Jetson, Hailo, Coral, Qualcomm — порівняння пікового TOPS, стійкої пропускної здатності та енергетичного конверта

Чотири родини чіпів охоплюють практичний діапазон тактичних edge-розгортань. Розуміння того, де кожна з них знаходиться на кривій TOPS/Вт і які архітектурні компроміси вона представляє, є обов'язковою умовою для будь-якого рішення щодо вибору платформи.

Сила родини Jetson — в екосистемі програмного забезпечення: повноцінний Linux, CUDA, TensorRT і велика кількість відкритого інструментарію для виводу. Сила Hailo-8 — в чистій енергоефективності на рівні акселератора: його потокова архітектура розміщує граф нейронної мережі по кластерах процесорів і виконує його конвеєрним способом, що мінімізує звернення до DRAM — основну витрату потужності при традиційному GPU-виводі. Coral Edge TPU — найпростіший шлях інтеграції для команд, що вже використовують TFLite, але його стеля у 4 TOPS і жорсткі вимоги до компіляції графа обмежують його малими моделями. SoC Qualcomm QCS8550 поєднує CPU, GPU і Hexagon NPU на одному кристалі, забезпечуючи відмінне TOPS/Вт у корпусі на базі смартфонного чіпа, який дедалі частіше з'являється в портативних військових пристроях. Ретельне порівняння цих платформ представлено в нашій статті порівняння апаратури edge AI.

Стійка пропускна здатність суттєво відрізняється від пікового TOPS за реальних умов роботи. Показники пікового TOPS вимірюються при 100% завантаженні тракту даних із ідеалізованими шаблонами доступу до пам'яті. Реальні навантаження виводу на архітектурах YOLOv8 або RT-DETR часто забезпечують лише 50–70% від пікового TOPS, оскільки суміш операторів моделі — згорткові шари, пакетна нормалізація, функції активації та багатошаровий вихід голови детекції — не завантажує всі виконавчі блоки одночасно. Протестуйте будь-яку платформу-кандидат із вашою реальною моделлю, перш ніж фіксувати її в проекті платформи.

Стратегії квантування: INT8, INT4, FP16 — компроміси точності та потужності, PTQ проти QAT, поканальне проти потензорного

Квантування — єдиний програмний метод із найбільшим впливом на зниження потужності виводу на тактичному краю. Зменшення числової точності з FP32 до INT8 скорочує обсяг пам'яті моделі в 4 рази та пропорційно знижує потребу в пропускній здатності DRAM — а оскільки доступ до DRAM часто є основною витратою потужності при виводі, це безпосередньо призводить до нижчого споживання незалежно від виграшу на обчисленнях.

FP16 (16-бітна плаваюча кома) — найм'якший варіант. Він вдвічі скорочує обсяг пам'яті відносно FP32 і нативно підтримується всіма сучасними AI-акселераторами, включно з тензорними ядрами GPU Jetson. Втрата точності незначна — як правило, менше 0,2 mAP на стандартних тестах виявлення — оскільки зменшений динамічний діапазон FP16 рідко обрізає значущі значення ваг у добре навченій моделі. FP16 є правильним стандартним значенням для першого розгортання нової моделі, коли допустимий ризик втрати точності низький і заощадження потужності від INT8 не потрібне для виконання бюджету SWaP-C.

INT8 є виробничим стандартом для edge-розгортань з обмеженою потужністю у військових умовах. Апаратура з виконавчими блоками INT8 — Jetson Orin, Hailo-8, Coral Edge TPU — забезпечує покращення пропускної здатності в 2–4 рази порівняно з FP32 за еквівалентної ємності моделі, з типовою втратою точності 0,5–2 mAP. Вплив на точність суттєво залежить від якості калібрування. Квантування після навчання (PTQ) калібрує масштабні коефіцієнти INT8, запускаючи FP32-модель на наборі калібрувальних даних і фіксуючи розподіл активацій на кожному шарі. Вибір набору калібрувальних даних є критичним: калібруйте на зображеннях з датчика розгортання та відповідної висоти, а не на загальнодоступному аеродатасеті, інакше розподіл активацій буде невідповідним і втрата точності перевищить орієнтовні значення тестів.

Квантування з врахуванням навчання (QAT) вставляє симульований шум квантування в граф навчання, щоб оптимізатор підлаштовував ваги до стійкості щодо округлення INT8. QAT стабільно перевершує PTQ на 1–3 mAP, причому найбільший виграш спостерігається на малих моделях, де дисперсія ваг між каналами вища. Ціна — цикл дотренування тривалістю 10–50 епох (зазвичай 6–24 години на GPU для навчання) і доступ до оригінального навчального набору даних. Для програм, у яких точність має жорстку нижню межу, пов'язану з вимогою до ймовірності виявлення, QAT є правильним підходом. Для швидкого прототипування або ситуацій після передачі, коли навчальний набір даних недоступний, каліброване PTQ з поканальними масштабними коефіцієнтами є практичною альтернативою.

Поканальне квантування проти потензорного — це вибір калібрування, що суттєво впливає на точність на згорткових моделях. Потензорне квантування присвоює єдиний масштабний коефіцієнт усьому тензору ваг шару; поканальне — незалежний масштабний коефіцієнт кожному вихідному каналу. Ця різниця важлива, оскільки згорткові фільтри в зрілих моделях виявлення мають суттєво різні норми L2 між каналами — мережа навчилася концентрувати інформацію в одних фільтрах і придушувати в інших. Примушення єдиного масштабного коефіцієнта для всіх каналів створює великі похибки округлення у фільтрах із високою нормою. Поканальне квантування зберігає точність ціною незначно більшої таблиці калібрування. Весь виробничий інструментарій TensorRT і PyTorch підтримує поканальне квантування ваг; у 2026 році немає інженерних підстав обирати потензорне квантування ваг.

Квантування INT4 пакує два значення на байт і досягає до 8-кратного стиснення відносно FP32, але втрата точності 3–8 mAP на тестах виявлення робить його непридатним для більшості тактичних застосувань без QAT. Його основний випадок застосування — вивід дуже великих мовних моделей, де пропускна здатність DRAM, а не обчислення, є ключовим обмеженням. Для оборонних застосувань ISR і виявлення цілей з моделями класу YOLOv8 INT8 є практичним робочим режимом.

# TensorRT INT8 calibration — representative snippet
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+ deployment-domain images
        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

# Build INT8 engine
config.set_flag(trt.BuilderFlag.INT8)
config.int8_calibrator = Int8Calibrator(calib_images, 'calib.cache')
# Per-channel quantization is default in TRT 9+

Методологія профілювання потужності — вимірювальна апаратура, динамічна та статична потужність, теплове дроселювання в умовах MILSPEC

Програмно отримані оцінки потужності з API постачальника корисні для моніторингу тенденцій, але недостатні для перевірки системного бюджету потужності. Єдиним надійним джерелом істини є вбудоване вимірювання струму на апаратних шинах живлення, що подають живлення на AI-акселератор. Розбіжність між програмними та вимірюваними значеннями потужності може сягати 15–25% на платформах Jetson під час тривалого виводу, оскільки мікропрограма керування тепловим режимом регулює тактові частоти способами, які не завжди відображаються в миттєвих показниках API.

Стандартний підхід до вимірювань для вбудованих AI-платформ використовує підсилювачі датчика струму INA3221 або INA226, встановлені послідовно з лінією живлення кожної шини, зчитування по I2C зі швидкістю 100–200 Гц. На Jetson Orin, NVIDIA надає доступ до вбудованих датчиків INA3221 через sysfs:

# Read Jetson Orin power rails via sysfs (sample every 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)  # microwatts
    echo "$ts,$rail,$pwr"
  done
  sleep 0.1
done >> /var/log/power_trace.csv

Статична (холоста) потужність — це базове споживання з моделлю, завантаженою в пам'ять акселератора, і конвеєром виводу, що працює, але без оброблюваних кадрів. Для Jetson Orin Nano в режимі 7 Вт холоста потужність становить приблизно 1,5–2,0 Вт. Це мінімум, нижче якого система ніколи не опускається, поки сервіс виводу активний. У моделі робочого циклу холоста потужність, помножена на час простою, задає мінімальну енергетичну вартість підтримання готовності можливостей виводу.

Динамічна (активна) потужність виводу — це додаткове споживання понад холостий хід під час активної обробки кадрів. Різниця між холостою і активною потужністю представляє енергетичну вартість кожного циклу виводу. Для Jetson Orin Nano, що запускає YOLOv8s INT8 зі швидкістю 15 кадрів/с, динамічна потужність понад холостий хід становить приблизно 4–6 Вт, для загального споживання 5,5–8 Вт під час сплесків виводу.

Теплове дроселювання — найнебезпечніший сценарій профілювання потужності, який можна пропустити в програмі тестування MILSPEC. Всі сучасні AI-акселератори мають мікропрограму, яка знижує тактові частоти, коли температура кристала наближається до максимально допустимої температури переходу. На платформах Jetson цим керує фреймворк теплового управління, і дроселювання починається за 5–10°C до межі переходу. В умовах MILSPEC, де корпус може досягати +70°C навколишньої температури, чіп з максимальною температурою переходу 85°C має лише 15°C теплового бюджету від навколишнього середовища до переходу. Якщо теплоопір від кристала до навколишнього середовища перевищує 15°C/Вт, а чіп розсіює 10 Вт, температура переходу не може стабілізуватися нижче межі — дроселювання починається негайно і зберігається нескінченно. Практичний наслідок: пропускна здатність виводу, зазначена при кімнатній температурі, не відповідає пропускній здатності, доступній на гарячому транспортному засобі в пустельних умовах. Профілювання потужності має проводитися при максимально очікуваній температурі навколишнього середовища з апаратурою, встановленою у виробничому корпусі.

Вибір операційної системи та середовища виконання для енергоефективності — bare-metal проти RTOS проти Linux, TensorRT проти ONNX Runtime проти TFLite

Вибір операційного середовища безпосередньо впливає на холосту потужність. Повноцінний дистрибутив Linux із графічним середовищем, фоновими службами та стеком логування споживає значно більше у режимі холостого ходу, ніж мінімальний Linux лише з сервісом виводу та його залежностями. Розгортання на bare-metal або RTOS можуть ще більше знизити холосту потужність, повністю усунувши планувальник ОС і підсистеми ядра, але вони жертвують сумісністю з ланцюжком інструментів, що робить розгортання та оновлення моделей практичним в операційній програмі.

Для платформ Jetson рекомендованим шляхом є мінімальний Linux (Ubuntu Server або BSP на базі Yocto), налаштований для завантаження з урахуванням цільових параметрів. Вимкніть служби systemd, не потрібні для роботи виводу: видаліть менеджер дисплея, демон NetworkManager, якщо платформа використовує фіксовану конфігурацію мережі, будь-які агенти хмарної телеметрії та Bluetooth, якщо апаратура його підтримує. Служба nvpmodel повинна залишатися та бути налаштована на мінімальний режим потужності, що відповідає вимозі до затримки виводу при частоті кадрів місії. Належно урізаний Jetson Orin Nano, що запускає лише сервіс виводу, демон SSH і мінімальний процес логування, має холосту потужність приблизно 1,2–1,8 Вт проти 2,5–3,5 Вт для стандартного образу розробника.

Вибір середовища виконання визначає, як граф квантованої моделі компілюється до апаратних інструкцій під час завантаження або заздалегідь. TensorRT — це найпродуктивніше середовище виконання для апаратури NVIDIA Jetson. Воно зливає суміжні ядра операторів, вибирає найшвидший варіант алгоритму для кожного шару з урахуванням цільової точності та розміру пакета, і повністю використовує можливості тензорних ядер GPU Jetson. Модель YOLOv8s, скомпільована у файл рушія TensorRT INT8, працює зі швидкістю 30–45 кадрів/с при 7–9 Вт на Jetson Orin Nano; та сама модель у загальній сесії ONNX Runtime без бекенду TensorRT — лише 12–18 кадрів/с при 10–14 Вт. Різниця в потужності не випадкова — злиття ядер TensorRT зменшує кількість звернень до DRAM на один вивід, а доступ до DRAM є основною витратою потужності.

ONNX Runtime із провайдером виконання TensorRT є рекомендованим варіантом для програм, яким потрібно охоплювати і апаратуру Jetson, і не-NVIDIA акселератори з однієї кодової бази. API ONNX Runtime абстрагує апаратний бекенд, а TensorRT EP обробляє компіляцію та виконання на Jetson, тоді як інший EP (DirectML, загальний CUDA, CPU) обробляє виконання на інших платформах. Перевага в переносимості коштує незначного зниження продуктивності відносно прямого використання TensorRT, як правило, 5–10% зниження пропускної здатності.

TFLite з делегатом Edge TPU є правильним середовищем для платформ Coral. Воно компілює граф моделі до вбудованої SRAM Edge TPU під час завантаження; будь-які операції, що не вдається відобразити на Edge TPU, виконуються на хостовому CPU. Частка моделі, що перепадає на CPU, є основним чинником як затримки, так і енергоефективності — модель із 10% відмовою до CPU може споживати в 2–3 рази більше потужності, ніж повністю апаратна модель, оскільки хостовий CPU витрачає значно більше потужності на операцію, ніж спеціалізована апаратура Edge TPU. Скористайтесь журналом компіляції edgetpu_compiler для виявлення операцій, не відображених на апаратуру, і модифікуйте архітектуру моделі, щоб замінити їх сумісними еквівалентами, перш ніж розгортати у продакшн.

Управління тепловим режимом у корпусах MILSPEC — тепловирівнювачі, провідникове охолодження, діапазон від -40°C до +85°C

Корпуси MILSPEC для тактичної електроніки зазвичай визначають діапазон робочих температур від -40°C до +85°C згідно з MIL-STD-810 методи 501/502. Нижня і верхня межі створюють протилежні теплові інженерні проблеми. При -40°C кремнієві пристрої можуть не запускатися надійно без попереднього кондиціонування; при +85°C навколишнього середовища пасивне відведення тепла є граничним для будь-якого AI-акселератора, що розсіює більше 3–4 Вт.

Провідникове охолодження є домінуючим механізмом відведення тепла в герметичних корпусах MILSPEC, де конвективний потік повітря виключений класом захисту IP. Тепловий шлях пролягає від кристала AI-акселератора через корпус, через термоінтерфейсний матеріал (TIM), через тепловирівнювальну пластину, через стінку корпусу і нарешті до зовнішнього середовища через природну конвекцію та випромінювання. Кожен матеріальний інтерфейс додає тепловий опір, а сума всіх опорів визначає підвищення температури від переходу кристала до навколишнього повітря.

Thermal resistance budget — Hailo-8 in sealed Al enclosure
==========================================================
Junction → case (Hailo-8 package):      2.0 °C/W
Case → TIM (phase-change pad, 1 mm):    0.5 °C/W
TIM → heatspreader (Al 6061, 3 mm):     0.3 °C/W
Heatspreader → enclosure wall:          1.0 °C/W
Enclosure wall → ambient (150 cm² Al):  4.5 °C/W
                                        ─────────
Total R_th (j→a):                       8.3 °C/W

At P_diss = 5 W, ΔT = 8.3 × 5 = 41.5 °C
At T_ambient = 71°C (MIL):  T_junction = 71 + 41.5 = 112.5 °C
Hailo-8 rated max junction: 125 °C → margin 12.5 °C ✓

Вибір матеріалу тепловирівнювача суттєво важливий. Алюміній 6061 має теплопровідність приблизно 167 Вт/(м·К) і є стандартним аерокосмічним конструкційним сплавом. Мідь (385 Вт/(м·К)) забезпечує в 2,3 рази кращу теплопровідність і застосовується там, де тепловирівнювач повинен перекривати більшу площу між корпусом чіпа і стінкою корпусу. Листи пірографіту (700–1500 Вт/(м·К) у площині) використовуються в найвибагливіших застосуваннях, де алюміній не може відповідати тепловому бюджету, але вони крихкі та потребують захисту від вібрації та ударних навантажень — що є суттєвим фактором у застосуваннях на бронетехніці або у скинутих з повітря пристроях. Для більшості тактичних AI-корпусів із акселераторами класу Hailo-8 або Coral алюмінієва пластина товщиною 3–5 мм між модулем і стінкою корпусу є достатньою, якщо зовнішня поверхня корпусу становить щонайменше 100–150 см².

Холодний пуск при -40°C вимагає, щоб плата прогрівалася нагрівачами перед подаванням обчислювального навантаження. Комерційні модулі Jetson розраховані до -25°C (промисловий варіант) для зберігання та роботи; деякі військові варіанти розширюють діапазон до -40°C. Нижче мінімального робочого рейтингу внутрішні конденсатори можуть заряджатися неправильно, а флеш-пам'ять може не ініціалізуватися. Терморегульований резистивний нагрівач потужністю 3–5 Вт від батареї платформи — що автоматично вмикається, коли температура корпусу опускається нижче -20°C — є простішим і надійнішим рішенням, ніж очікування від виробників напівпровідників специфікацій для роботи при -40°C. Нагрівач слід розміщувати між стінкою корпусу та обчислювальною платою, щоб забезпечити досягнення платою мінімальної робочої температури перед подачею основного живлення.

Теплові випробування повинні проводитися з виробничим корпусом і виробничою конфігурацією монтажу. Стендові випробування з відкритою несучою платою в термокамері покажуть нижчі температури переходу, ніж виробнича конфігурація, оскільки примусова конвекція від вентилятора камери охолоджує плату способами, які герметичний корпус не може відтворити. Завжди випробовуйте в найгіршому варіанті — герметичний корпус, максимальний робочий цикл виводу, максимальна температура навколишнього середовища — і документуйте усталену температуру переходу при цих умовах як частину записів про кваліфікацію системи.

Проектування бюджету потужності для конкретної місії — моделювання робочого циклу, частота виводу та ресурс батареї, режими потужності пов'язані з рівнем загрози

Система, розрахована на пікову продуктивність виводу протягом усієї місії, або розрядить батарею до завершення місії, або нестиме більшу батарею, що додає ваги і вартості. Жоден із результатів не є оптимальним. Правильний підхід до проектування пов'язує частоту виводу з операційним станом, запускаючи AI-акселератор із високим робочим циклом лише тоді, коли тактична ситуація цього вимагає, і знижуючи робочий цикл або переходячи до режиму малого споживання під час фаз, де повний вивід є зайвим.

Моделювання робочого циклу починається з профілю місії: впорядкованої за часом послідовності оперативних фаз із розрахунковою тривалістю та пов'язаними рівнями загрози. Місія наземного транспортного засобу може мати фазу маршу (60 хвилин, низька загроза, рух по відомому безпечному маршруту), фазу зближення (20 хвилин, підвищена загроза, входження на невідому територію) та фазу спостереження (40 хвилин, висока загроза, нерухоме спостереження). Кожна фаза має різні вимоги до виводу: 2 кадри/с під час маршу, 10 кадрів/с під час зближення, 15 кадрів/с під час спостереження. Споживання потужності в кожній фазі — це сума холостої потужності та (потужності активного виводу × частка робочого циклу виводу).

Таблиця показує, що управління робочим циклом скорочує споживання енергії AI-виводом на 42% порівняно з безперервною роботою на максимальній частоті кадрів — з 20 Вт·год до 11,5 Вт·год для 160-хвилинної місії на платформі класу Hailo-8. На системі з виділеним резервом 40 Вт·год для AI-підсистеми керований підхід збільшує ресурс батареї зі 120 хвилин до 210 хвилин, що може стати різницею між платформою, яка завершує місію, і тією, що втрачає AI-можливості в завершальній фазі.

Перемикання режимів потужності повинне керуватися автоматом станів операційної платформи, а не ручним введенням екіпажу, оскільки когнітивне навантаження екіпажу в умовах високої загрози робить ручне управління ненадійним. Вхідними сигналами автомата станів є: швидкість транспортного засобу (понад 15 км/год — режим маршу), стан системи озброєння (готовність до бою — підвищена загроза), GPS-геозонування щодо відомих районів загрози, а також команди явного перевизначення від командира. Менеджер AI-виводу отримує переходи станів як події та відповідно регулює частоту кадрів циклу виводу: або змінюючи інтервал очікування між захопленнями кадрів, або налаштовуючи робочу частоту акселератора через API режиму потужності. Повний підхід до проектування для розгортання цих систем у польових умовах розглядається в нашій статті про бортовий AI-вивід для БПЛА, яка застосовує ті самі принципи робочого циклу в авіаційному контексті.

Резервний запас повинен бути закладений у кожний бюджет потужності. 20% резерву — це мінімум: тактичні місії регулярно виходять за планові терміни, температура навколишнього середовища в літніх пустельних умовах перевищує планові припущення, а оновлення програмного забезпечення можуть збільшувати розмір моделі або частоту виводу між плануванням і виконанням. Бюджет потужності, розподілений на 100% під час планування, виявиться дефіцитним у польових умовах. Розраховуйте батарею або виділення потужності на покриття 120% від енергетичної потреби, змодельованої за робочим циклом, і документуйте резервну політику в специфікації системного проектування.