CNCC | 边缘计算赋能工业数字化转型升级

刘意杨

中国科学院沈阳自动化研究所研究员

CCF YOCSEF沈阳分论坛主席，中国科学院沈阳自动化研究所研究员，研究生导师。近年来主要从事工业数字孪生建模仿真与优化、智能优化控制等领域的研究工作。现任全国自动化系统与集成标准化技术委员会（TC159）委员，科技部“国家技术预测”先进制造技术领域专家，入选“兴辽英才计划”。作为项目负责人，先后主持国家重点研发计划“工业软件”重点专项项目、国家自然科学基金项目、工业互联网创新发展工程，以及30余个企业委托项目。

曾鹏

中国科学院沈阳自动化研究所副所长、研究员/博导

辽宁辽河实验室常务副主任。中国自动化学会边缘计算专委会主任委员，中国自动化学会信息域物理系统控制与决策专委会副主任委员，国家重点研发计划“工业软件”重点专项专家组专家。先后荣获国家标准创新贡献一等奖1项，辽宁省技术发明一等奖1项，辽宁省科技进步一等奖1项，辽宁省自然科学学术成果一等奖1项。

基于边缘计算的人机协同控制与跨域实时优化

工业互联网和边缘计算技术的引入，将极大改变工业生产操作模式，将形成针对特殊工艺的人机协同精准作业新模式，针对新模式面临的多源随机误差感知与估计、人机协同高透明高精度控制、设计制造联合的跨域容差优化等挑战性问题，提出了基于边缘计算构建人机协同多级闭环的新架构，研究了泛在网络和计算环境下，基于实时感知反馈的人机透明化协同控制的新理论和新方法。

陈旭

中山大学计算机学院教授

担任先进网络与计算系统研究所所长以及国家地方联合工程实验室副主任，入选德国洪堡学者、国家级青年人才项目和广东省高层次人才项目。承担包括国家自然科学基金联合重点项目、国家自然科学基金委大数据中心项目课题、广东省创新团队等项目。曾获得IEEE Distinguished Lecturer、香港青年科学家奖、IEEE计算机学会年度最佳论文奖亚军，IEEE INFOCOM/IWQoS/ICC最佳论文奖项等学术荣誉。目前担任国际知名期刊IEEE JSAC Series、TWC、TVT、中国工程院信息院刊等编委。

边缘协同智能计算

边缘智能是边缘计算赋能泛在分布式人工智能的一种新范式，是实现万物智联愿景的关键支撑技术之一。本报告将介绍在分布式异构边缘计算环境下的云-边-端协同边缘智能技术的最新研究进展，包括面向图深度神经网络的高效能边缘协同推理、面向数据隐私保护的云边端多层次联邦学习、以及边缘协同智能机器人应用等内容。

贺诗波

浙江大学教授

浙江大学控制科学与工程学院长聘教授，工业信息物理融合系统省部共建协同创新中心主任、工业控制研究所副所长。2014年入选国家青年人才计划、浙江大学百人计划。研究领域为物联网与大数据分析。发表（含接收）学术论文160余篇，包括国际知名期刊PNAS、Nature Communications、Nature Genetics、IEEE ToN、IEEE JSAC、IEEE TMC、IEEE TWC等，以及旗舰会议ACM CCS、ACM MobiHoc、IEEE INFOCOM、IEEE RTSS等。编著教材2部、学术著作2部。研究成果被同行google scholar引用7000余次，其中Web of Science核心合集他引超过4000次。获得IEEE 可扩展技术专委会职业中期研究成就奖、教育部青年科学奖及自然科学一等奖、IEEE通信学会亚太区杰出青年研究学者奖、IEEE Globecom等6个国际会议最佳论文奖等多项荣誉。（曾）担任5个期刊编委及IEEE GlobeCom 、i-SPAN、IEEE ICC、ScalCom等国际会议程序委员会主席/专题主席等。

云边协作的多模态感知

近年来，毫米波雷达凭借其低功耗、高空间分辨率以及对温度和光照条件的恢复适应能力，在自动驾驶、智能家居系统和智能医疗等领域实现了广泛的应用。本次报告将先介绍课题组最近在毫米波雷达感知方面的研究：通过以最小成本集成用户识别，来增强现有手势识别系统，从而在边缘端实现更加个性化的手势交互，改善用户交互体验。同时，边缘智能的不断进步也引发了云边协同作为移动感知和应用的创新范式的出现。最后将介绍最近云边协同感知方面的工作，利用云上的多模态数据，协同边缘端感知模型推断和应用。

承楠

西安电子科技大学通信工程学院教授/博导

入选国家高层次青年人才计划，陕西省高层次青年人才，IEEE通信学会亚太杰青。他已在IEEE Transactions和其他顶级期刊上发表了110多篇期刊论文。担任IEEE Internet of Things、IEEE Transactions on Vehicular Technology、IEEE Open Journal of the Communications Society和Peer-to-Peer Networking and Applications的编委。他目前的研究重点是B5G/6G，人工智能驱动的未来网络，以及空天地一体化网络。

面向异质场景的联邦学习方法

联邦学习因其可在保护数据隐私的同时进行协同训练而备受关注，然而场景的异质性为联邦学习带来了较大挑战。面向异质性挑战，本报告探讨了一些行之有效的解决方案。一方面，传统方法难以适应客户端异质性，导致训练效率下降且隐私泄露风险。因此，我们提出了一种新型的分布式学习方案—RingSFL。通过在环形拓扑结构中将联邦学习与模型分割技术相结合，提高了系统对异质客户端的适应性，并增强了数据隐私性。另一方面，考虑到联邦学习中的超参数对模型性能至关重要，但弱设备参与训练代价高昂，且同一超参数组难以适应各客户端的异质性数据。因此，我们从策略梯度出发，提出了个性化调整超参数的解决方案，以更好地适应异质或动态场景，提升模型性能。