邊緣計算技術(shù)是賦能工業(yè)控制等高實時、高可靠應(yīng)用的關(guān)鍵支撐技術(shù)，它通過將計算資源部署于終端設(shè)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(wù)傳輸和處理時延。然而，由于終端設(shè)備上承載的任務(wù)異構(gòu)多樣，而無線網(wǎng)絡(luò)的通信資源又嚴重受限，極易導致任務(wù)遷移過程中的計算資源搶占和無線網(wǎng)絡(luò)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(wù)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(luò)領(lǐng)域?qū)W術(shù)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(shù)，對感知/控制等異構(gòu)任務(wù)、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(wù)的截止期要求、端邊設(shè)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(chǔ)上，構(gòu)建了一個任務(wù)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(wù)劃分、算力資源分配和功率控制，實現(xiàn)異構(gòu)任務(wù)及網(wǎng)算資源的端邊協(xié)同調(diào)度，滿足異構(gòu)任務(wù)的多樣化需求。

近年來，科研團隊聚焦5g與工業(yè)制造技術(shù)的融合創(chuàng)新研究，在工業(yè)5g網(wǎng)絡(luò)的協(xié)議設(shè)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(shù)期刊。