前 言

近年來，隨著智能萬物互聯時代的快速到來和新一代無線通信網絡的高速普及，各類新興智能應用如智慧城市、智能制造、新零售、智能安防等百花齊放.這些新興數據密集型應用在網絡邊緣設備產生的數據量正在高速攀升，對數據傳輸帶寬和數據處理的實時性都提出了更高的要求.邊緣計算應運而生，通過將計算資源和任務從云端下沉到網絡邊緣側，貼近數據源頭提供分析處理服務，從而降低數據傳輸帶寬消耗和數據處理延遲，從邊緣到中心更好地一體化支撐各類新興數據密集型的實時應用.

得益于技術演進而不斷提升的帶寬效率和實時性雙重優勢，邊緣計算近年來得到了迅速發展，除了在商業上的得到國內外傳統云計算巨頭如谷歌、微軟、亞馬遜、百度、騰訊和阿里巴巴的高度青睞，美國、歐盟和我國還從國家層面對邊緣計算展開了政策規劃和科研布局.在美國，國防部高級研究計劃局(DARPA)2017年資助了DCOMP重點項目，研究邊緣計算在軍事領域應用；美國國家科學基金會(NSF)發布的2020—2022年MLWiNS專項，專門支持研究跨邊緣網絡的分布式機器學習.在歐洲，歐盟地平線(EU Horizon)2020計劃自2016年起連續資助了FAR-EDGE,FogGuru和DECENTER等多個邊緣計算相關的重大項目.在我國，廣東、北京、上海等多個省市制定的“新基建”戰略行動方案均明確指出推動邊緣計算基礎設施建設.此外，國家重點研發計劃“寬帶通信和新型網絡”和“物聯網與智慧城市”等多個專項均將邊緣計算作為重點方向列入支持.

為了分享國內學者在邊緣計算方面的最新研究成果，推動國內邊緣計算領域前沿技術的交流，加強我國在邊緣計算方面的研究，《計算機研究與發展》推出了此次邊緣計算專題.本專題共錄用了6篇論文，論文作者既有來自于海內外知名高校的資深學者，也有來自于谷歌和英特爾等業界龍頭的一線研發人員.所錄用的6篇論文分別展示了邊緣計算賦能自動駕駛、邊緣計算賦能智能家居、邊緣計算資源分配、邊緣計算任務卸載、邊緣機器學習、邊緣計算賦能機器人等方面的研究現狀和最新成果.希望這組論文能夠為相關領域的研究提供一些啟發和幫助.

張燕詠團隊的論文“基于多模態融合的自動駕駛感知及計算”深入研究了邊緣計算賦能的實時自動駕駛技術，著力于解決自動駕駛實時運行的兩大主要挑戰：在計算資源有限的情況下，融合多模態的感知數據提升感知模塊的精度；對任務進行合理的分配，并在不影響精度的情況下對感知任務進行計算優化.論文首先建立了自己的智能小車自動駕駛系統Sonic，進而系統性地分析和比較了自動駕駛感知算法，提出了自己的融合感知算法ImageFusion，并且針對自動駕駛的實時性問題，推出了新的計算優化框架MPInfer.

張黔團隊的論文“智能家居中的邊緣計算”探討了智能家居場景中的邊緣計算，全面系統地展示了作者圍繞感知、通信和計算3個方向所展開的研究.在感知方面，作者關注邊緣節點的泛在感知能力，介紹他們在非接觸式呼吸監測上取得的進展；在通信方面，作者研究無線感知和無線通信的融合設計，在有限的頻譜資源上兼顧感知和通信；在計算方面，作者關注基于邊緣節點的個性化機器學習，在不泄露用戶數據的前提下建立個性化機器學習模型.

楊旸團隊的論文“多層次算力網絡中代價感知任務調度算法”研究如何高效激發多層次算力網絡中異構資源的積極性.論文首先提出了一個云霧混合多層次算力網絡及計算卸載系統，定義了一個由時延、能耗及付費組成的加權代價函數，并基于該函數建模了一個代價感知任務調度問題.為了激發云和霧的積極性,作者提出了基于計算量的付費模型并將付費相關代價也考慮進上述總代價，并進一步設計了一個基于勢博弈的分布式任務調度算法來激發算力資源積極性.

陳旭團隊的論文“綠色能源驅動的移動邊緣計算動態任務卸載”研究如何高效利用綠色可再生能源來提升邊緣計算系統的全局能效.所提出的任務卸載框架融合設備間通信(D2D)技術和綠色能源捕獲技術來促進綠色能源在邊緣計算系統中的利用.由于綠色能源的可用性通常有著高度動態性和不可預測性等特點，論文基于李雅普諾夫方法設計了無需預測未來綠色能源可用性的在線任務卸載方法，該方法僅基于當前信息即可做出近似最大化長期新能源利用率的任務卸載決策.

李雙峰團隊的論文“TensorFlow Lite：端側機器學習框架”專注于TensorFlow Lite這一輕量、快速、跨平臺的專門針對移動和IoT 場景的開源機器學習框架,從系統開發者的角度系統深入地介紹了端側機器學習的浪潮、挑戰和典型應用，探討了TensorFlow Lite的起源、系統架構、最佳實踐和適合初學者的工具鏈，并展望了端側機器學習未來的發展方向.

王志剛團隊的論文“機器人4.0：邊緣計算支撐下的持續學習和時空智能”專注于如何使得機器人具有理解和決策能力，實現自主服務，從而從機器人3.0時代邁向機器人4.0時代.論文深入探討了持續學習、時空智能和邊緣計算3項關鍵技術：通過持續學習，機器人能夠將舊任務的知識快速遷移到新的任務中，并解決災難性遺忘問題；通過時空智能讓機器人對周圍的環境建立起從高層到底層的表示，并可像人一樣從不同的粒度上分享和解決問題；最后充分利用邊緣計算提供更高性價比的服務，把各種智能和知識很好地組合起來，實現規模化部署.

本次專題所錄用的6篇論文研究內容豐富：既有探索邊緣計算在自動駕駛、智能家居和機器人等前沿領域應用的實踐性研究，又有專注于邊緣計算底層資源分配和任務卸載的理論性研究，同時還有融合邊緣計算和機器學習的交叉性前瞻研究，兼顧理論前沿熱點和實際應用問題.相信通過端邊云一體化架構和技術的發展，邊緣計算進一步與大數據、人工智能結合將迸發處更大的技術和應用價值.限于專題篇幅等原因，本次收錄的論文難以全面涵蓋該領域的最新動態.此外，論文審稿過程中難免會有疏漏，希望各位作者和讀者諒解包涵.不當之處，還請同行專家批評指正.最后，感謝作者、審稿專家和編輯部的大力支持與辛勤付出.