【儀表網 研發快訊】邊緣計算技術是賦能工業控制等高實時、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，可為工業現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多樣，而無線網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絡擁塞。
 

　　針對該問題，中國科學院沈陽自動化研究所工業5G團隊提出了一種數字孿生驅動的異構任務及資源的端邊協同調度方法，以論文形式刊載于計算機網絡領域學術期刊IEEE Journal on Selected Areas in Communications(中國科學院一區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字孿生技術，對感知/控制等異構任務、CPU/GPU等異構算力資源、信道/功率等異構通信資源進行了虛擬化建模。在充分考慮異構任務的截止期要求、端邊設備的計算類型和處理能力、數字孿生的資源估計偏差、終端的最大發射功率和可容忍的峰值干擾功率基礎上，構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同調度方法。該方法通過離線的集中式訓練和在線的分布式執行，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，實現異構任務及網算資源的端邊協同調度，滿足異構任務的多樣化需求。
 

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

無線網絡的數字孿生模型
 

基于多智能體深度強化學習的端邊協同調度
 

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