云机器人系统中协同的深度情景感知计算研究

Cloud robotics system endows robots the opportunity to utilize the cloud resources beyond their own limitation, so their intelligence and coordination ability can be improved in complicate scenarios. To address the multi-resource information, dynamics, coordination and real-time requirement, the critical technologies of deep learning based context-aware computing are researched for cloud robotics system to realize the real-time ubiquitous sensing and deep intelligent reasoning. For context acquiring, the joint sparse decomposition based compressive sensing is designed to fuse multi-resource heterogeneous information and to extract elementary features. For context reasoning, the incremental deep learning is designed to improve the real-time performance of comprehending the consecutive dynamic scenarios. For context task scheduling, the optimal offloading strategy based on index mapping is designed under delay and cooperative constraints. For context pushing, the ensemble control combining consensus feedback is researched to cooperative the robotics action. The effectiveness of critical technologies is validated by constructing the cloud robotic platform integrating with multiple heterogeneous robots for emergency rescue platform. The applied project tries to bring the notable advancement of robot ability on sensing, cognitive and behavior by utilizing the cloud resources, and to expedite the development of learning mechanism and cooperation optimization.

云机器人系统使机器人可利用云服务的资源突破自身的资源限制，从而提高机器人在复杂场景下的智能和协同能力。本项目针对云机器人系统的信息多源性，动态性、协同性和实时性要求，研究云机器人系统中基于深度学习的情景感知推理计算的关键技术，实现多机器人实时泛在的情景感知和深层的智能推理决策：在情景获取方面设计基于联合稀疏分解的压缩感知融合异构多源信息并提取初步特征；在情景推理方面设计增量式深度学习方法以提高对连续动态场景进行深层理解的实时性，在情景任务调度方面设计机器人时延约束和协同约束下基于索引映射的最优上传策略；再利用结合一致性反馈的集群控制方法在情景推送机制上设计机器人协同群控指令；通过搭建由多个异构机器人组成的紧急救援多机器人系统实验平台以验证情景感知计算关键技术的有效性。本项目的研究力图使机器人能借助云资源在感知、认知和行为能力上出现大的飞跃,并促进学习机制和协同优化理论的进一步发展。

本项目面向云机器人系统的协同深度情景感知计算展开研究，涵盖云机器人系统的大规模协同感知、感知数据的融合和深度特征提取、云平台计算增强场景下的机器人推理和决策、云与边缘计算平台的计算任务上传与调度、云平台的资源分配与安全、移动机器人的协同控制与集中指令推送等核心关键问题。在保证协同感知准确度的前提下，对感知源进行选择融合并提取初步特征，生成最小规模的感知数据集，降低感知能耗，减少深度情景推理的数据维数。研究深度学习算法对云机器人感知的连续动态数据进行多层特征提取，实现云机器人对周边环境的准确识别，并结合控制方法优化机器人的行为控制策略。研究云机器人的计算任务上传优化策略，将计算任务分为若干具有先后时序关系或是可并行处理的计算子任务，在保证机器人协同约束和控制稳定性的基础上，确保情景推理任务执行的最优。研究基于协同控制的云机器人系统推送机制，将多机器人的协同控制转化为云平台的一致性集群控制指令的推送，实现异构云机器人的实时协同和精确控制。经过上述研究，本项目的研究目标全部完成。项目研究成果可进一步推广应用于一般云平台的搭建与资源管理、大规模无线传感器网络、5G超密集部署网络与边缘计算、高速列车协同控制、工业大数据分析与设备预维修策略、储能电车的控制与调度和储能系统能量管理等领域。.受本项目支持，相关的研究成果已发表在国内外权威学术刊物和国际顶级会议上。共发表学术论文84篇，其中SCI收录论文32篇，EI收录论文50篇。已获授权发明专利21项，受理发明专利30项，授权软件著作权33项。获得2020年湖南省自然科学奖二等奖一项、2020年中国铁道学会科学技术奖二等奖一项，RoboCup机器人竞赛奖励14项。培养毕业博士研究生3名，硕士研究生19名。