【儀表網(wǎng) 研發(fā)快訊】邊緣計算技術是賦能工業(yè)控制等高實時、高可靠應用的關鍵支撐技術，它通過將計算資源部署于終端設備附近，可為工業(yè)現(xiàn)場提供豐富的算力資源，有效降低任務傳輸和處理時延。然而，由于終端設備上承載的任務異構(gòu)多樣，而無線網(wǎng)絡的通信資源又嚴重受限，極易導致任務遷移過程中的計算資源搶占和無線網(wǎng)絡擁塞。
 

　　針對該問題，中國科學院沈陽自動化研究所工業(yè)5G團隊提出了一種數(shù)字孿生驅(qū)動的異構(gòu)任務及資源的端邊協(xié)同調(diào)度方法，以論文形式刊載于計算機網(wǎng)絡領域?qū)W術期刊IEEE Journal on Selected Areas in Communications(中國科學院一區(qū)TOP期刊，IF：16.4)。論文名稱為：Digital Twin-Driven Collaborative Scheduling for Heterogeneous Task and Edge-End Resource via Multi-Agent Deep Reinforcement Learning。
 

　　該研究中，科研團隊首先采用數(shù)字孿生技術，對感知/控制等異構(gòu)任務、CPU/GPU等異構(gòu)算力資源、信道/功率等異構(gòu)通信資源進行了虛擬化建模。在充分考慮異構(gòu)任務的截止期要求、端邊設備的計算類型和處理能力、數(shù)字孿生的資源估計偏差、終端的最大發(fā)射功率和可容忍的峰值干擾功率基礎上，構(gòu)建了一個任務處理時間最小化問題，提出了基于多智能體深度強化學習的端邊協(xié)同調(diào)度方法。該方法通過離線的集中式訓練和在線的分布式執(zhí)行，同步完成計算類型匹配、端邊任務劃分、算力資源分配和功率控制，實現(xiàn)異構(gòu)任務及網(wǎng)算資源的端邊協(xié)同調(diào)度，滿足異構(gòu)任務的多樣化需求。
 

　　近年來，科研團隊聚焦5G與工業(yè)制造技術的融合創(chuàng)新研究，在工業(yè)5G網(wǎng)絡的協(xié)議設計與優(yōu)化調(diào)度、標準制定、系統(tǒng)驗證等方面取得了一系列研究進展，成果先后發(fā)表于IEEE Transactions on Industrial Informatics、IEEE Communications Magazine、IEEE Network、Engineering(《中國工程院院刊》)等學術期刊。
 

無線網(wǎng)絡的數(shù)字孿生模型
 

基于多智能體深度強化學習的端邊協(xié)同調(diào)度
 

　　該研究成果得到了國家重點研發(fā)計劃、國家自然科學基金、遼寧省優(yōu)秀青年科學基金等項目的支持。(工業(yè)控制網(wǎng)絡與系統(tǒng)研究室)