卫星技术公司Swissto12近日与德国高性能空间子系统供应商HPS/LSS签署了一项重要合同,将为其HummingSat平台配备一款大型可展开L波段反射器天线,该天线在卫星发射入轨后可在太空中自动展开。
此次合作将为Neastar-1任务提供大型可展开反射器子系统(LDRS),该任务基于HummingSat平台构建,旨在实现据称全球首个从地球静止轨道直接向终端设备广播媒体内容的能力,为传统低地球轨道(LEO)直连设备架构提供全新替代方案,同时进一步强化欧洲在卫星工程领域的先进能力,汇聚瑞士与德国的技术优势,整个生态系统获得欧洲航天局(ESA)的支持。
HummingSat平台被定位为新一代地球静止轨道卫星,与传统地球同步轨道卫星相比体积更小、成本效益更高,有助于重塑地球静止轨道卫星市场的经济模式,实现更快速的建造周期、更低的成本以及拼车发射机会。该平台还支持直接接入3GPP非地面网络标准,为大众市场应用提供电信级服务骨干网络。
Swissto12表示,凭借其专有的太空级增材制造技术和先进射频(RF)系统,该平台可支持高性价比的生产与拼车发射,进一步提升有效载荷性能,简化生产流程,降低制造时间和成本。该平台是在ESA公私合作伙伴计划框架下与ESA联合开发的,其射频产品得益于独特的专利3D打印技术,具备轻量化、紧凑型、高性能等特点,首批交付计划于2027年完成。
本次合作中的天线反射器子系统由德国方面主导,是ESA先进电信研究(Artes)计划、ESA地球观测技术开发活动及欧盟"地平线2020"计划超过15年研发成果的结晶。Neastar-1大型可展开反射器子系统合同由ESA联合资助,核心资金来自德国航空航天中心(DLR)下属的德国航天局,并获得其他ESA成员国的额外资金支持。
自HummingSat项目启动以来,Swissto12已在德国建立了广泛的产业布局,此次合同进一步深化了双方的德国合作伙伴关系。从未来合作布局来看,Swissto12正将其小型地球静止轨道卫星及先进多轨道有效载荷技术定位为与德国联邦政府航天战略高度契合的解决方案,尤其在安全通信领域。
HPS/LSS联合体的加入,进一步壮大了包括ASP、AST、DLR、Tesat、泰雷兹德国公司、耶拿光电和柯林斯航宇德国公司在内的德国供应链合作伙伴网络。
Swissto12首席执行官兼创始人Emile de Rijk表示:"与HPS/LSS的合作从第一天起就高效顺畅。我们高度认可他们在精密工程、深度技术创新以及快速高效执行方面的企业文化。他们在构建大型可展开反射器子系统方面拥有深厚的技术积累和丰富的实践经验,尤其是在ESA任务中的表现,充分体现了ESA与DLR致力于发展具备韧性与自主性的太空能力这一愿景的推进成果。"
ESA韧性、导航与连接部门主任Laurent Jaffart也表示:"ESA对创新与合作伙伴关系的长期投入,使前沿技术得以推向市场,有效提升欧洲的全球竞争力,同时增强自主性与韧性。本次合同充分体现了强强合作如何推动下一代连接技术的发展,尤其是在直连设备领域。"
Q&A
Q1:HummingSat平台与传统地球静止轨道卫星有什么区别?
A:HummingSat是新一代地球静止轨道小型卫星平台,与传统地球同步轨道卫星相比体积更小、成本更低,支持拼车发射,建造周期更短。它直接兼容3GPP非地面网络标准,可为大众市场提供电信级服务,并通过Swissto12的专利3D打印技术进一步降低制造成本和时间。
Q2:Neastar-1任务有什么特别之处?
A:Neastar-1任务搭载了大型可展开反射器子系统(LDRS),被认为是全球首个能从地球静止轨道直接向终端设备广播媒体内容的卫星任务,无需依赖传统低地球轨道直连设备架构,是地球同步轨道卫星直连终端能力的重要突破,首批交付计划于2027年完成。
Q3:这次合作的资金来源是什么?
A:Neastar-1大型可展开反射器子系统合同由欧洲航天局(ESA)联合资助,核心资金来自德国航空航天中心(DLR)下属的德国航天局,同时还获得其他ESA成员国的额外资金支持,整个天线反射器子系统的研发历经超过15年,涵盖多个ESA及欧盟资助计划。
好文章,需要你的鼓励
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
本文提出一种评估人工智能风险的新方法,借鉴生态学与演化论视角,从理论生态模型中推导出三项风险指标,涵盖种群模型与生态系统模型。研究旨在为AI治理策略提供量化工具,并对分析局限性及政策改进方向进行了深入探讨,为构建更科学的AI风险评估体系提供参考框架。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。