在轨托管服务商SpaceLocker宣布其发展历程中的重要里程碑,该公司正式转型为卫星运营商,并推出名为"Out of the Box"的共享卫星服务模式,旨在应对当前航天行业面临的经济和环境挑战。
SpaceLocker成立于2022年,目标是成为轨道准入领域的全球标杆企业。长远来看,该公司计划在多个轨道区域开展业务,扩大任务频次,并为新一代用户打开太空大门。
这家法国在轨托管公司表示,与其发射多颗专用卫星,不如通过在单一平台上托管多个任务来最大化现有容量利用率。该公司认为,这种方式不仅能降低成本,还有助于减少太空垃圾并降低发射到轨道的总质量。
SpaceLoker的新发展阶段始于其首个在轨任务一年后,Out of the Box是该公司首颗完全自主拥有和运营的卫星。这项新服务的核心是获得专利的"通用太空接口"技术,可比作卫星的USB接口。该技术采用即插即用设计,与载荷类型无关,旨在将卫星转变为能够同时托管多个载荷的共享基础设施。
该公司详细阐述了从专用卫星向"太空云"转型的过程,指出迄今为止,将技术送入轨道需要设计或采购整颗卫星,这是一个漫长、昂贵且缺乏灵活性的过程,几十年来基本没有改变。此外,该公司指出,目前近五分之一的太空任务专门用于技术验证,但这些机会仍然复杂且执行成本高昂。通过简化轨道准入流程,SpaceLocker表示其正将自己定位为太空创新的关键推动者。
SpaceLocker首席执行官兼联合创始人Théophile Lagraulet表示:"我们希望为太空行业做云计算为IT行业所做的事:从拥有权转向共享基础设施。未来,将仪器送入轨道将不再需要建造卫星。太空准入可以成为标准化服务。"
通过Out of the Box项目,SpaceLocker表示已达到关键拐点,成为卫星运营商并构建自己的任务组合,在这个以开发周期长著称的行业中展现了快速执行能力。
该公司正在部署一颗16U立方星(约20公斤),搭载五个欧洲客户的载荷,使其无需建造专用卫星即可实现太空准入。客户独立开发载荷,并使用该公司的通用太空接口将其集成到标准化"容器"中。SpaceLocker随后管理从集成到运营的完整轨道堆栈。
该公司声称这种模式能"显著"降低成本,比传统任务便宜最多三倍,同时将入轨时间缩短一半。通过资源共享还能大幅降低环境影响,有助于减少太空垃圾并降低发射到轨道的总质量。
Out of the Box任务搭载了来自整个欧洲生态系统的五个载荷,展示了下一代太空应用的多样性。任务汇集了四家欧洲公司。
EDGX开发实现在轨计算的技术,将演示边缘计算能力,使卫星能够在轨处理数据并减少对地面基础设施的依赖。开放太空创客联盟将搭载FOSM-1载荷,这是一个专门用于业余无线电和开放通信实验的载荷,得到CNES支持。Solar MEMS将运行高精度星敏感器用于卫星定向,而Arcsec将测试两个先进星敏感器,为小卫星演示高性能姿态确定。
Q&A
Q1:SpaceLocker的Out of the Box服务是什么?
A:Out of the Box是SpaceLocker推出的共享卫星服务模式,核心是通过"通用太空接口"技术,让多个客户的载荷共享同一颗卫星平台,而不需要每个客户都建造专用卫星。这种模式能降低成本最多三倍,缩短入轨时间一半。
Q2:通用太空接口技术是如何工作的?
A:通用太空接口技术类似卫星的USB接口,采用即插即用设计,与载荷类型无关。客户独立开发载荷后,使用这个接口将载荷集成到标准化"容器"中,然后由SpaceLocker管理完整的轨道运营。
Q3:共享卫星模式有什么优势?
A:共享卫星模式能显著降低成本,比传统任务便宜最多三倍,同时将入轨时间缩短一半。此外还能减少太空垃圾,降低发射到轨道的总质量,通过资源共享大幅降低环境影响,同时简化了太空准入流程。
好文章,需要你的鼓励
Insta360推出GO 3S复古套装,将现代4K运动相机与胶片时代美学结合。套装核心仍是仅重39克的GO 3S,新增复古取景器、胶片风格滤镜、NFC定制外壳及可延长录制时长至76分钟的电池组。复古取景器模仿老式腰平相机设计,鼓励用户放慢节奏、专注构图。相机内置11种色彩预设及负片、正片等滤镜,同时保留FlowState防抖、4K拍摄及10米防水能力,面向热衷复古影像风格的年轻创作者。
FORTIS是专门测量AI代理"越权行为"的基准测试,研究发现十款顶尖模型普遍选择远超任务需要的高权限技能,端到端成功率最高仅14.3%。
谷歌近期悄然调整账户存储政策:新注册用户若未绑定手机号,免费存储空间将从原来的15GB缩减至5GB。用户需验证手机号后,方可获得完整的15GB空间,用于Gmail、Drive和Photos的共享使用。谷歌表示,此举旨在确保存储空间"每人仅限一份",有效防止滥用。有分析认为,存储硬件成本上升也是推动此次政策调整的重要原因之一。
荷兰Nebius团队提出SlimSpec,通过低秩分解压缩草稿模型LM-Head的内部表示而非裁剪词汇,在保留完整词汇表的同时将LM-Head计算时间压缩至原来的五分之一,端到端推理速度超越现有方法最高达9%。