機器人4.0: 邊緣計算支撐下的持續學習和時空智能

王志剛 王海濤 佘 琪 史雪松 張益民

1(英特爾中國研究院 北京 100080) 2(英特爾亞太研發有限公司 上海 200241)zhi.gang.wang@intel.com)

Fig. 1 Architecture of edge computing圖1 邊緣計算的總體架構

2017年，中國信息通信研究院、IDC國際數據集團和英特爾共同發布了《人工智能時代的機器人3.0新生態》白皮書[1]，其中把機器人的發展歷程劃分為3個時代，分別稱之為機器人1.0、機器人2.0、機器人3.0.機器人3.0預計將在2020年完成，在此之后，機器人將進入4.0時代[2]，機器人將具備更高智能，在更多領域(尤其是服務機器人)中得到普及。但是目前機器人的市場仍以工業機器人為主體,主要以完成重復的、明確的任務為主.而服務機器人雖然發展迅速，但離大規模普及應用還很遠.這主要是由于現有機器人系統離機器人4.0提出的自主服務的目標還有相當的距離，尚不能滿足用戶期望.

機器人系統中還有很多難點亟待解決.本文先介紹有望實現機器人4.0目標的云邊端融合的機器人系統架構，再對其中涉及的的3個關鍵技術:持續學習、時空智能和邊緣計算進行整理和討論，以激發更多研究和思考，共同推動機器人4.0的進步.

1 云邊端融合的機器人系統架構

1.1 云邊端融合的機器人系統演進

機器人的最初設計是在機器人本體中集成了獨立的計算系統.2010年提出的云機器人概念引入了云端大腦，實現機器人融合基礎設施和共享服務的優點[3].相比于獨立的機器人本體，連接云端大腦后的機器人擁有4個核心優勢：1)信息和知識共享.很多機器人都通過統一的云端大腦控制，云端大腦可以匯集來自所有連接機器人的視覺、語音和環境信息，經云端大腦智能分析處理后的數據信息又可以被所有連接機器人使用.利用云服務器，各機器人本體獲取和處理的信息可以保持最新，并安全備份.2)平衡計算負載.利用云端平衡計算負載可以降低機器人本體的硬件需求，在保證能力的同時，讓機器人更輕、更小、更便宜.3)協同合作.通過云端大腦，機器人本體不再獨立工作，多機器人可以協同工作.4)獨立于本體持續升級.機器人可以獨立于本體持續升級.不再受限于本體硬件設備的能力.

IoT應用的快速發展，使得大量數據在網絡邊緣產生，推動了邊緣計算的產生和發展.邊緣計算的提出始于4G時代，快速發展于5G時代.如圖1所示，邊緣計算將計算和存儲資源部署到網絡邊緣，不僅可以減少核心網和互聯網上的流量，還可以顯著降低傳輸時延，提高網絡可靠性.

隨著機器人應用的越發普及，人們對機器人實時響應的需求也越來越多,比如實時進行的推理、場景理解、操控等.而互聯網和數據中心的時延，一般情況下由于地理位置分布廣和未針對低時延優化，從核心網網關到互聯網數據中心可在幾十到幾百毫秒之間.在5G中，其核心網引入了分布式網關，網關可以下沉到基站附近，邊緣服務器可以直接連接到分布式網關上，大大降低網絡的端到端時延.因此，機器人4.0將云邊端融合的機器人系統架構作為一個關鍵支撐.邊緣計算的引入將增強機器人云端大腦的實時響應能力，同時解決終端能力受限和云計算的實時響應的問題.邊緣計算和云計算的結合，將突破終端的計算能力和存儲的限制，提高人工智能(AI)算法的訓練和推理能力，比如提升精度和降低訓練時間.同時將大部分機器人的智能布署在邊緣和云端，通過協作和現場訓練，持續提升機器人智能水平.

1.2 云邊端的無縫協同計算

當前絕大多數機器人3.0系統采用以機器人本體計算為主，云端處理非實時、大計算量的任務為輔的系統架構.為了能夠精準地感知、理解環境以服務于人機交互，機器人系統通常集成了大量的傳感器，因而機器人系統會產生大量的數據.比如采用了高清攝像頭、深度攝像頭、麥克風陣列以及激光雷達等傳感器的機器人，每秒鐘可產生超過250 MB數據.如此海量的數據全部傳輸到云端處理既不現實，也不高效.因此，需要將數據處理合理地分布在云-邊-端上.

另一方面，完成感知和理解的AI算法也非常復雜.機器人所使用的AI算法通常需要很強的算力，例如Faster RCNN算法在GPU上可以達到5fps的處理能力，但是GPU的功耗達到200W以上，機器人本體很難承受，從計算成本而言同樣也非常昂貴.雖然機器人本體計算平臺的計算能力仍在不斷提高，但是相對于AI算法的需求依然有限.為了完成機器人的計算需求，需要在云和邊緣側提供算力支持，以實現在大規模機器人應用場景下更有效、更經濟的計算力部署.

在通常情況下，云端可以提供高性能的計算以及通用知識的存儲，邊緣側可以更有效地處理數據，為終端設備提供算力支持，并在邊緣范圍內實現設備間協同和共享，機器人終端完成實時地操作和處理等基礎功能.然而由于機器人的業務需求多種多樣，協同計算的部署也不是一成不變的，機器人4.0系統還要支持動態的任務遷移機制，合理地根據業務需求和現場情況將任務分配到云-邊-端，實現云-邊-端的無縫協同計算.

云-邊-端一體化為機器人提供多樣化、規模化的服務(計算、存儲)平臺.這樣的平臺可以幫助機器人獲得更高的智能，例如持續學習的能力、時空智能等.同時為了更好地支撐這些能力，云邊端的系統(尤其是邊緣計算技術)也需要不斷提高和演進.后續章節將對持續學習、時空智能和邊緣計算這3項關鍵技術進行整理和討論.

2 持續學習

2.1 持續學習是什么

過去的人工智能技術重在算法模型的比拼，如今則更要依賴商業場景的洞察、專家團隊的技術積累，將AI和行業實際需求進行結合，產生真正的應用和經濟價值.其中，基于特定場景的部署、架構的建設以及其他數字化技術聯動的差異，業內已經將AI與IoT結合形成AIoT，例如小米的智能家居產品；將AI與云平臺能力結合，例如百度的飛槳、無人駕駛、阿里的云計算驅動的智能城市、騰訊的泛娛樂業務；將AI與邊緣計算深入融合，例如英特爾的云-邊-端融合的自主系統方案.這些與產業全面聯通相結合的AI+產業等發展路徑，將會共促人工智能和實體經濟的深入融合.

作為人工智能浪潮內最為突出的技術貢獻之一，深度神經網絡在固定任務的表現已經得到了廣泛的認可，其在互聯網，泛工業，諸如能源、交通、制造業等領域的應用范圍和效果都得到了前所未有的突破.訓練好的深度神經網絡是一個靜態的知識實體，但是在擴展此知識容量的過程中通常會導致已學習任務的災難性遺忘.比如，在計算機視覺應用中，用神經網絡算法去識別日常生活用品，當新的用品需識別時，如果對深度神經網絡做出微調(fine-tuning)，對舊的、早先訓練過的日常物品的識別率就會顯著降低[4].目前的業內解決方案主要有2種：1)多模型多任務，也就是每個任務需要存儲一個模型.這是在不考慮功耗、計算、存儲等資源限制情況下的妥協選擇.但是實際的諸如計算機視覺的任務，往往有很多相似可以共享的知識，冗余的模型設計帶來的就是計算和存儲量、部署成本的陡增.2)用所有需要學習的任務數據來調整神經網絡，這種方案對于部署周期短、更新迭代快的落地場景通常是不適用的，因為時間上往往來不及，消耗的人力成本也非常高，很難作為一個長期的商業上可行的解決方案.

持續學習將主流深度學習的范式轉變成動態針對多項任務的過程，通過盡量少的網絡模組的協同工作可以不斷積累多項任務的知識，而無需從頭開始進行再訓練，旨在減輕遺忘，快速進行知識的有效遷移.例如，對于計算機視覺問題中的持續學習能力，主要關注如何在多個連續視覺任務中保證算法的穩定性，如何有效克服神經網絡中災難性遺忘的問題，如何將舊任務的知識快速遷移到新的任務中，以及如何在硬件受限情況下優化持續學習的綜合表現.圖2比較了持續學習與其他機器學習方法的主要區別，持續學習在實用性和生物智能性2個維度上都明顯優于其他方法.

Fig. 2 Continual learning: Towards both interpretable and practical learning method圖2 持續學習：通向可解釋性和實用性并存的學習方法

2.2 持續學習與邊緣計算的關系

邊緣計算包括一系列使用機器學習進行推演的嵌入式設備.它們具有數據采集、分析的基本能力.邊緣設備采集的數據可以用作訓練數據集，在服務器端(例如云服務器)等計算能力強的計算設備中進行模型的訓練，隨后再將訓練好的模型部署到計算能力較弱的邊緣設備執行推理.這就好比戰場上，前線軍官對于一些簡單任務可以自主決策，無需上報將軍，而對于難度較大或難以綜合判斷的任務則需要向上匯報.這樣，達成部分自主的功能，從而增加系統計算的靈活性.邊緣計算不僅能緩解網絡寬帶和數據中心壓力，而且能夠保護隱私數據，做到速度、安全、靈活、可靠性合為一體.

隨著計算模型的不斷優化和邊緣計算能力的不斷提升，很多深度學習的推理工作已經在邊緣計算領域順利開展，機器學習的第一波浪潮是在云端，我們相信下一個突破點將會在邊緣端.目前大規模的深度學習訓練過程主要還是在云端，這就大大限制了部署在邊緣端模型更新迭代的時間.并且隨著數據量的陡增，就算邊緣計算的能力有所提升，還是很難滿足邊緣端進行訓練模型的要求，這就自然而然地引領出對持續學習的強烈需求.持續學習，是機器學習領域中新起，關注僅利用當前最新數據和部分歷史數據使模型不斷快速迭代的有效手段.

2.3 如何賦予邊緣計算持續學習的能力

邊緣計算和深度學習的研究結合點有很多，我們將其大致分為5種，各有不同的側重點[5].1)邊緣端深度學習的應用，包括對技術框架提供的智能服務的分析和應用的探索；2)邊緣端深度學習方案的推理，側重邊緣計算架構中深度學習的實際部署和推理，用于滿足不同準確性和時延性的要求；3)支撐深度學習框架的邊緣計算服務，為深度學習各種模型算法提供給網絡結構、硬件和軟件的設計；4)在邊緣端進行深度學習的訓練，側重于在資源和隱私限制條件下，訓練分布式邊緣設備中的深度學習模型；5)為深度學習在邊緣端進行優化，對邊緣緩存、計算卸載、通信、安全保護等方面進行全面優化.

持續學習的方案，主要側重點在于第2和第4個方向，讓邊緣端具備持續學習、理解、推理的能力.由于邊緣端計算能力的受限，無法大規模地進行模型的重新訓練，首先我們想到的就是利用諸如知識蒸餾[6-7]等遷移學習、領域自適應的方案，通過在云端訓練的“教師模型”去傳授邊緣端“學生模型”的大部分知識，然后“學生模型”通過各個場景特有的傳感器數據進行少量數據的重新訓練.再者，持續學習的邊緣計算需要將部分隱私性很強、比較敏感關鍵的數據留在邊緣端，此時深度生成模型是一個關鍵的技術.通過諸如對抗生成網絡(GAN)[8-9]、變分自動編碼器(VAE)的近期研究[10-11]，生成的樣本質量和多樣性已經有了很大的突破.這樣只需在邊緣端存儲生成模型，而云端或客戶端給予輸入的隨機變量便可以生成某個任務的樣本數據用于rehearsal的邊緣訓練，進行持續學習.第3個可以借助的力量是聯邦學習，其本質上是一種分布式的機器學習技術框架，目標在于在保證數據隱私安全及合法的基礎上實現共享建模，其起源是谷歌在2016年提出用于解決安卓手機終端用戶在本地更新模型的問題[12].聯邦學習的引入會產生的主要優勢包括：1)對用戶各自數據的相對隔離，滿足用戶隱私保護和數據安全的要求；2)模型質量的無損，盡量減少學習的負遷移；3)能夠在保證各個參與端相互獨立的情況下，進行信息與模型參數的加密交換.

3 時空智能

3.1 時空智能是什么

許多機器人需要在以人為中心的環境中工作，發揮機器人的優勢，自動執行某些任務，幫助人類解決某些問題，真正成為人類的助手.這要求機器人可以像人類一樣學習、理解和執行任務.這對機器人提出了非常高的要求，要機器人像人一樣感知周圍環境(目標、障礙和導航)；像人一樣去了解每個人的類型和屬性；像人一樣規劃和實施行動；像人一樣執行操作；最終再像人一樣進行總結和修正.從人工智能發展的歷史看，單一方法很難徹底解決這些問題，未來需要多種方法結合的AI系統[13].從最近幾年的研究進展看，這也是未來人工智能取得進一步突破的必經之路.所以設計一個統一的框架，把這些方法和問題統一起來，顯得尤為重要.我們認為時空智能是一個關鍵性概念.時空智能是人工智能向外感知的重要組成部分，讓機器對周圍環境進行多層次、多角度的時空感知，從而進行自主決策.時空智能具備3個核心功能：

1) 時空記憶.整理和記錄時空中所發現的物體、行為、屬性等.

2) 時空推理.發現和預測一些不能直接觀測到的事件、屬性等.

3) 時空學習.探索和總結一些規律性的知識，并在應用中不斷泛化和修正.

為了實現這些功能，時空智能通常需要集成從高到低多個層次的知識表示以方便高效地進行推理.這里，越高層的知識與人對環境的理解越接近，側重于語義和關系的表示；越低層的知識表示越接近于機器人的感知和控制系統，沒有結構或符號，多為原始的數據.

3.2 基于自適應機器人交互能力庫的時空智能

英特爾中國研究院研發的自適應機器人交互能力庫2.0[14]，在為服務機器人提供的時空智能的方向上邁出了堅實的一步.如圖3所示，該庫向用戶提供豐富的多層次的知識表示和對應的推理能力.最底層是傳感器層的知識表示(圖3右下角的圖片流).傳感器的原始數據被完整高效地保存下來.傳感器層的上一層是感知層的數據和模型.利用機器人同時定位與建圖(SLAM)技術，地圖層將感知層的數據轉換為一個三維語義地圖.最后，地圖中的語義信息被整理分析后，匯總至一個動態的、實時變化的知識圖譜.各個層次的信息，通過時間戳(時間信息)和位置(空間)映射到一起，換言之，任意層次的任何一個信息都可利用其中的時空屬性找到它在其他層次上的對應表示.這不僅使得機器人可以在不同的層次中進行推理和學習，更讓不同層次的推理結果可以相互促進，推動機器人自主地、持續地學習，不斷提高機器人的能力.具體來說，這樣的時空智能，賦予了機器人的4種能力.

1) 幾何關系的推理.幾何關系既可以是非常精確的深度和位置信息，例如圖3中沙發的精確位置和尺寸；也可以是粗略的相對關系，例如圖3中的沙發可以坐2個人.這與人對世界的幾何關系的理解是一致的.機器人可以根據任務的不同，查詢不同精度的信息.

2) 物體的穩定性和安全性的關系的推理.在建立了三維地圖后，機器人可以分析出物體在空間中的關系.而隨著時間的推進，這些信息會在機器人的時空記憶中不斷積累，這對于機器人自主移動和操縱物體是非常有幫助的.通過引入物理關系的仿真分析，機器人甚至可以理解物體間的支撐關系，這可以為機器人確保環境的安全性提供支持.

3) 物體和行為關聯關系的推理.隨著時間的推移，在知識圖譜中很容易發現一些一起出現或者先后出現的關系，這些關系能為機器人提供很多指導性的信息.例如，圖3所示的例子中，機器人發現彈琴和拿某個文件夾經常一起發生，據此機器人可以猜測該文件夾和琴相關，經詢問用戶，機器人確認該文件夾是琴譜.利用回溯歷史的原始數據，機器人可以通過少樣本學習和持續學習技術更新感知層中的模型[15]，以后即可準確識別該琴譜.另外，此類信息也可以幫助機器人在未來提供更好的服務，比如主動將書架上的琴譜拿給正在彈琴的客人.

4) 異常關系檢測.時空智能的語義層以語義的方式匯總了各個時刻從不同的感知模塊獲取的信息.通過引入本體信息，可以在語義層面發現現有知識圖譜中的異常，進而告知出現錯誤的感知模塊，讓該模塊進行自我修正，從而幫助底層模塊的自我進化.在圖3的實驗過程中，機器人就曾經上報過一個異常，真實情況如圖4所示，底層的感知模塊把一個日常生活中不常見的展示臺誤認為馬桶.僅靠感知模塊是無法修正錯誤的，但有了時空智能后，通過高層的分析，很容易發現在書架和沙發旁出現馬桶這一異常事件，進而進行修正.

Fig. 3 Multi-level spatial-temporal intelligence 圖3 多層次的時空智能

Fig. 4 Anomaly detection 圖4 異常檢測

3.3 云邊端方案助力時空智能

把時空智能根據計算、隱私等需求分布到在從云到端的各個地方，充分利用云邊端的計算資源去提供更高性價比的服務，把要完成任務的記憶場景的知識和常識很好地組合起來，是實現規模化部署的一大助力.云邊端的解決方案將讓時空智能在3個方面受益.

1) 有了云和邊緣服務器的支持，使得在時空智能框架中引入更準確的、更細粒度的、也更復雜的感知模塊成為可能.比如，我們可以將現有系統中的物體檢測變成物體分割，這樣物體間的幾何關系的推理也會變得更準確.

2) 加速訓練過程.時空智能中的知識是多層次表示的，在高層經常會推理產生一些新的知識.得益于持續學習，低層次的模型也可以利用這些知識不斷地提高自己的能力.但模型的更新和訓練是一個耗時的過程，這在一定程度上影響了時空智能的效果.例如3.2節琴譜的例子，若在端上進行訓練，需要一天時間，而如果在一天時間里發生關于琴譜的交互，將會影響用戶體驗.遑論有些訓練根本無法在端上完成，云邊端融合的方案可以幫助時空智能走出這個困境.

3) 推進知識共享學習.基于單一機器人的知識積累是一個比較緩慢的過程.但是時空智能，尤其是高層的知識是完全可以共享的.在云側和邊緣側，把一些知識匯總起來，并有效泛化后，再把新的智能模型分發到端上，將會快速提高機器人的時空智能，讓機器人更好地服務于人.

4 邊緣計算

4.1 邊緣計算總體系統架構

未來超過70%的數據需要在邊緣側分析、處理和存儲，邊緣計算領域的多樣性計算架構、產品與解決方案越發重要.邊緣計算是在靠近物或數據源頭的網絡邊緣側，融合網絡、計算、存儲、應用核心能力的分布式開放平臺(架構)，就近提供邊緣智能服務，滿足行業數字化在敏捷聯接、實時業務、數據優化、應用智能、安全與隱私保護等方面的關鍵需求.邊緣計算軟件平臺采用云原生架構與關鍵技術，硬件平臺支持超異構計算能力，以邊云協同和邊緣智能為關鍵特征，形態上主要包括云邊緣、邊緣云、邊緣網關.

1) 云邊緣作為公有云的延伸，將云的部分服務或者能力擴展到邊緣基礎設施之上.中心云和云邊緣相互配合，實現全網資源共享、全網統一管控等能力.

2) 邊緣云基于云計算技術與架構構建的邊緣分布式開放平臺，可提供集中管理和調度的能力，邊緣云內及邊緣云之間可以進行資源共享.

4.2 計算硬件架構的新演進

邊緣計算催生超異構計算架構的另一個背景是AI和5G在近年都達到了可用性(5G在2019年試商用，在2020年正式商用)，AI×5G的聚變效應以后，計算就將進入超異構時代.目前這種AI×5G的聚變效應在某些邊緣計算場景上，例如智能交通中已經有所體現：AI算法可以對視頻數據進行實時分析，但這種分析不能全在云端上，還需要利用5G的能力在前端、邊緣端做一些分析篩選的配合；而數據到了云端之后，需要利用云端的全場景模擬，例如數字孿生，去實現與真實場景的同步性，而“同步”依靠的正是5G.未來隨著更多更復雜的邊緣計算場景的落地，對上述流程還會提出更高的要求，AI×5G的聚變可能比我們想象得還要猛烈，將激發對數據傳輸、存儲、計算、分析等方面的需求增長，而超異構計算，是這些需求反應中的一個被觸發的技術點，這種技術發展的背后，是整體的計算機技術趨勢走向更加深度的整合協同.

4.3 基于云原生的邊緣軟件架構

在云邊緣、邊緣云、邊緣網關的系統架構中，針對業務類型和所處邊緣位置的不同，邊緣計算硬件選型設計往往也會不同.相對硬件架構設計，系統軟件架構的確存在著一定的共同特性，比如與設備無關的微服務、容器及虛擬化技術、資源調度和編排等.以上軟件技術統一了云端、邊緣甚至是物(機器人)端的服務運行環境，并提供了統一的部署和運維接口，這些技術背后的支撐從云原生軟件架構在邊緣的演化可窺一斑.典型的邊緣系統軟件架構如圖5所示.

Fig. 5 Software architecture of edge computing 圖5 邊緣系統軟件架構

在云計算領域，傳統IT軟件的微服務化已經得到了充分的演化而日趨成熟.而邊緣計算是傳統的工業領域的OT(operational technology)、通信領域的CT(communications technology)和IT的融合.考慮到仍有相當一部分的CT和OT的軟件實現是基于整體式架構并根據定制的需求開發的，因此傳統CT和OT的微服務化是邊緣計算軟件演化的重要課題.

在一些復雜的邊緣計算的應用場景中可以看到邊緣計算平臺并不是傳統意義上的只負責數據收集轉發的網關，更重要的是，邊緣計算平臺需要提供智能化的運算能力，而且能產生可操作的決策反饋，用來反向控制設備端.過去，這些運算只能在云端完成.現在需要從云邊議題的角度考慮將云端的計算框架通過裁剪、合并等簡化手段遷移至邊緣計算平臺,使得能在邊緣計算平臺上運行云端訓練后的智能分析算法.邊緣軟件架構需求通常是單臺計算機或者少數幾臺計算機組成的小規模集群環境中隔離主機資源,實現分布式計算框架的資源調度.同時，邊緣計算所需的開發工具和編程語言具有多樣性.目前，計算機編程技術呈百花齊放勢，開發人員運用不同的編程語言解決不同場景的問題已經成為常態，所以在邊緣計算需要支持多種開發工具和多種編程語言的運行時環境.而隨著容器技術和容器編排技術逐漸成熟，通過容器技術進行資源的隔離、調度和編排將是邊緣軟件架構的演進方向.

4.4 邊緣計算中的關鍵技術

1) 安全容器

在傳統的云計算方案中,虛擬機是主流的解決方案,相比于傳統的物理實體機,具有啟動快、部署簡單、低成本等顯著優勢.但是隨著技術的演進,和目前急劇增長的數據帶寬和計算需求相比,虛擬機已經無法滿足在目前已有的邊緣計算中的低成本、低時延、高并發等特性，因此符合上述要求的容器技術成為了新趨勢.容器技術相比于傳統的虛擬機而言具有更快的啟動速度、更低的單位成本、更輕量級的資源切分等顯著優勢，很好地滿足了云計算場景對技術演進的實際需求.

在此大背景之下,邊緣網絡計算也會采用主流的容器技術作為通用的解決方案.容器雖然可以對宿主機的資源按需求進行隔離和分配,但是運行在同一個宿主機上的所有容器是共享宿主機內核的.在這種情況下,容器與容器之間的數據安全性得不到充足的保證，容器內的數據對于宿主機而言也是內部可見的.在對數據安全和算法私密性日趨嚴格的情況下,基于虛擬機的安全容器技術，如Kata Containers既具有可以媲美容器的啟動速度和低資源消耗，又具有虛擬機對數據安全和數據私密性的保護，很好地結合了虛擬機的安全性和容器的輕量級優點.因此，在邊緣計算場景中，Kata Containers已經受到業界越來越多的關注和實際應用[17].

2) 神經網絡模型部署

邊緣計算的初衷在于提供高能效、低延時的數據處理能力，而機器人往往又需要同時利用多種神經網絡模型實時處理多路傳感器數據，因此模型的運行效率至關重要.常見的神經網絡模型壓縮技術，如剪枝、量化等，自然可以應用于邊緣端部署，這方面已經有成熟的自動化工具Distiller[18].在針對特定架構的性能加速層面，工業界也提供了相應的模型優化和部署工具，如英特爾OpenVINO工具包，能夠自動優化訓練好的神經網絡模型并高效執行.而針對機器人4.0的需求，更多系統層面的優化技術仍處于研究的早期階段，我們將其歸納為3個方向.

① 計算層次之間的協同處理.例如，early-exit技術能夠通過在淺層網絡給出部分樣本的推理結果而降低對這部分樣本的計算量[19].若將該技術與云-邊-端架構相融合，不僅能夠實現數據的“多級分診”(即僅當前一端無法以高置信度取得結果的數據才發送給后一端做進一步判斷)，取得計算、通信開銷與模型準確度之間的更好均衡，還能輔助實現多設備間的協同推理[20].

② 多路數據之間的協同處理.例如通過緩存模型推理結果，可以在來自不同設備的相似數據之間實現結果復用，從而極大降低邊緣服務器計算負載并縮減響應時間[21].

③ 多個模型之間的協同處理.通過優化模型之間的資源調度，以及實現模型復雜度和精度之間的在線折衷等方式，在資源受限情況下優化整體性能.這方面的代表性工作包括DeepEye[22],NestDNN[23]和HiveMind[24]等.

以上所舉研究并非專門針對機器人系統開展，但我們認為相關技術必定可使未來的機器人4.0系統從中受益，且廣泛部署的機器人應用也將為相關研究提供更多案例和數據支持.

4.5 邊緣計算提升機器人智能

邊緣計算與智能機器人研究看似不相關，實為通向機器人4.0所需智能的關鍵支撐.其支撐作用有3個層面.

首先，邊緣計算可為機器人4.0所需智能提供強大靈活的計算和存儲能力.機器人本體受限于功耗和成本考慮，其自身計算和存儲資源往往不足以支撐實現高層次人工智能，邊緣服務器則能夠在滿足時延要求的前提下提供高效的處理能力.另外，在機器人智能演進過程中，所需處理能力也經常有所提升，但對已部署的機器人執行硬件升級成本較高，而將處理置于邊緣服務器更易于靈活升級.

進而，邊緣計算可幫助實現多設備間的協作能力.在實際機器人應用中，同一空間內往往需要若干甚至幾十上百臺機器人同時執行工作，而其中至關重要的場景建模、路徑規劃、任務調度等算法均需要多設備協作執行，相比于依靠機器人之間通信的分布式計算，若將這些算法統一部署于該空間的邊緣服務器上，可顯著降低實現協作的復雜度.

最終，邊緣計算將支撐機器人的持續學習和時空智能，為機器人4.0的實現提供堅實基礎.

5 總 結

本文基于云邊端融合的機器人系統，就機器人4.0的3項關鍵技術：持續學習、時空智能和邊緣計算進行了初步的探討，特別是邊緣計算如何支持持續學習和時空智能.這些技術本身也在持續地提高中，所以它們并不一定是最終的解決方案，我們期望更多的研究人員加入我們，共同思考和探索如何實現機器人4.0，推動機器人和人工智能產業的發展.