CN115665805A - 一种面向点云分析任务的边缘计算资源调度方法和系统 - Google Patents

Abstract

本发明提供一种面向点云分析任务的边缘计算资源调度方法和系统，通过对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，再通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令，最后送到终端设备执行通信任务。本发明提供的方法实现了边缘计算场景下对具有不同目标和不同数据集的点云分析任务的计算资源合理调度，保障任务的及时处理，降低任务处理过程的总时延。

Description

一种面向点云分析任务的边缘计算资源调度方法和系统

技术领域

本发明涉及计算机技术领域，特别涉及通信资源调度领域，尤其涉及一种面向点云分析任务的边缘计算资源调度方法和系统。

背景技术

随着深度相机、激光雷达等三维扫描设备的普及，用点云数据表示三维物体的方法越来越流行，对点云数据的分析与处理也引起了计算机视觉研究领域的极大兴趣，随之也在许多领域产生了广泛的实际应用，如，自动驾驶技术、机器人控制技术等。点云数据完整保留了三维空间中最原始的几何信息，可以从以上三维传感器中直接获取或从各种三维建模软件中直接导出。然而，由于点云数据中各个点分布的不均衡性和表示的不规则性，如何高效地处理、分析点云仍然是一项有挑战性的任务。

移动边缘计算(Mobile Edge Computing, MEC)是5G时代的一项新兴技术，该技术将云计算中心的部分功能迁移至基站，使基站具备相应的计算、存储等功能，帮助资源稀缺的本地移动设备在处理并行数据或运行计算密集型任务时与资源丰富的边缘基站进行协作。

在边缘计算中，多维（传输、计算）资源调度的研究对点云分析任务的顺利执行起着关键作用。

（1）计算资源调度：当点云分析任务在本地执行时，本地计算资源的调度决策，会对点云分析任务的执行速率产生影响。当多个本地移动设备同时将计算任务发送到同一边缘服务器时，如果没有合理的计算资源调度机制，会造成计算任务丢失、计算时延过高等问题。因此，合理调度有限的计算资源是边缘计算网络中必不可少的部分。

（2）传输资源调度：点云分析任务执行过程的数据传输受本地移动设备和边缘服务器（基站）之间的无线传输链路质量影响。一方面，数据传输过程需要占用一定的传输资源，如果在同一时间段内多个设备同时执行点云分析任务，则会造成拥堵，影响数据传输速率；另一方面，本地移动设备和边缘服务器之间的连通性复杂多变，传输资源调度不合理，会导致传输资源利用率低下。因此，对传输资源进行合理调度对于提高点云分析任务执行时的传输速率，实现不同边缘服务器之间点云分析任务的高效协同处理具有重要意义。

综上，当多个点云任务同时需要使用边缘服务器的资源时，将需要对多个点云任务所需资源进行合理调度，以满足不同点云任务的要求。本发明将主要针对边缘服务器中的计算资源面向点云分析任务进行合理调度。

面向点云分析任务的边缘计算资源调度将可以广泛应用于多个场景，如自动驾驶中的实时避障难题就可以有效的利用本发明的方法。一方面，海量的目标障碍物的点云数据会导致网络负载较高而发生信道阻塞，另一方面较长的传输距离带来了较高的时延，无法及时给出点云数据的分析结果，使得自动驾驶过程中实时避障无法得到保障。同时在需要躲避障碍物时，较长的相应时延会导致较晚的结果反馈和响应措施，而这可能对安全问题造成不可逆的危害。而应用边缘计算可以解决这些难题，在移动边缘计算环境中，将边缘服务器直接部署在基站，终端将采集到的海量障碍物的点云数据传输到距离较近的边缘服务器上，从而降低数据的传输和处理时延，缩短了点云数据的处理、分析和反馈时间，能及时发现行驶过程中的不安全因素并进行及时避障，保证道路安全。然而边缘服务器的资源是有限的，为了提高多任务的计算效率并降低总时延，需要对边缘服务器资源进行合理配置。

发明内容

本发明的实施例提供了一种面向点云分析任务的边缘计算资源调度方法和系统，用于解决现有技术中存在的问题。

为了实现上述目的，本发明采取了如下技术方案。

一种面向点云分析任务的边缘计算资源调度方法，包括：

S1 对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果；

S2 基于资源调度任务结果，通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，每个点云分析任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令；

资源调度决策指令用于移动终端的通信资源调度。

优选地，步骤S2包括：

通过式

计算点云分析任务i在传输过程中的通信带宽；式中，

表示点云分析任务i在传输过程中获取的通信带宽，

表示点云分析任务的数据量；

通过式

计算点云分析任务i(i = 1, 2, ..., n)在通信信道中由移动终端传输至基站的传输速率；式中，β属于一个随机的独立同分布变量，具体为点云分析任务i所处的第个i移动终端与基站间的信道增益，P _i 为第i个点云分析任务所在的移动终端将点云分析任务i发送至基站时的功率，N ₀为信道内噪声功率；

通过式

计算整个计算的过程中点云分析任务i的时延；式中，

表示第个i移动终端与基站之间的通信传输所需要的时间；

分别表示点云分析任务i的上行传输和下行传输所需要的时间；

表示基站完成点云分析任务i所需要的时间；

表示边缘服务器针对点云分析任务i的结果进行决策所需要的时间；

通过式

计算每个点云分析任务 (i = 1, 2, ..., n)的剩余最大时延；式中，

表示点云数据分析任务的最大时延；

通过式

计算任务在剩余最大时延下完成需要的最小计算资源；

基于总计算资源和完成任务所需最小计算资源的关系，构建资源调度优化目标和计算资源约束条件；资源调度优化目标包括：最小化最长计算完成时间

，最小化总计算时间

；

根据每个点云分析任务的数据量在全部任务数据量的占比，获得对各个点云分析任务的调度计算资源占比，通过约束每个点云分析任务在基站上的计算资源C _i (i = 1, 2,..., n)，结合点云分析任务i(i = 1, 2, ..., n)在基站上的计算完成时间

等于其计算时间

，获得计算资源约束条件

；

基于资源调度优化目标和计算资源约束条件，获得资源调度决策指令；式中，

表示边缘服务器的计算能力。

优选地，还包括：

获取实际场景或物体的点云数据；

对获取的实际场景或物体的点云数据进行预处理，具体包括：点云去噪、点云滤波、点云配准、点云补全、点云上采样和点云下采样。

第二方面，本发明提供一种面向点云分析任务的边缘计算资源调度系统，包括点云数据获取模块、基站和边缘服务器；

点云数据获取模块用于获取实际场景或物体的点云数据，并发送到基站；

基站对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，并发送到边缘服务器；

边缘服务器基于资源调度任务结果，通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，每个点云分析任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令，并传回基站，使得基站将资源调度决策指令发送到移动终端进行通信资源调度。

由上述本发明的实施例提供的技术方案可以看出，本发明提供的一种面向点云分析任务的边缘计算资源调度方法和系统，通过对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，再通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令。最后将该资源调度决策指令发送到终端设备执行通信任务。本发明提供的方法具有如下有益效果：

（1）实现了边缘计算场景下对具有不同目标和不同数据集的点云分析任务的计算资源合理调度，保障任务的及时处理，降低任务处理过程的总时延；

（2）将优化目标设置为最小化总计算时间和最小化最长完成计算时间，实现了对边缘计算资源的合理调度，从而高速且实时地完成点云分析任务。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种面向点云分析任务的边缘计算资源调度方法的处理流程图；

图2为本发明提供的一种面向点云分析任务的边缘计算资源调度方法的理论基础和实际应用对应示意图；

图3为本发明提供的一种面向点云分析任务的边缘计算资源调度方法的一种优选实施例的流程图；

图4为本发明提供的一种面向点云分析任务的边缘计算资源调度系统的逻辑框图。

图中：

201.点云数据获取模块 202.基站 203.边缘服务器。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。

随着深度学习的不断发展，采用深度学习进行点云分析任务即属于计算密集型任务，边缘计算的多维资源调度研究对点云分析任务的完成起着关键作用。本法明提供一种面向点云分析任务的边缘计算资源调度方法和系统，用于解决现有技术中存在的如下技术问题：

（1）在边缘计算网络中执行点云分析任务有时可能需要高密度实时数据处理和较高的网络带宽支持，因此需要占据一定的传输资源和计算资源。同时，针对特定点云分析任务类型，任务计算资源的执行还需要根据存储资源的调度情况进行调整。

（2）服务器间的不同点云分析任务存在关联性，且各个计算节点的多维资源调度过程存在耦合性。多维资源的调度失衡，会造成资源利用效率的降低，甚至出现某个维度资源耗尽时，其他维度的资源依然有较多剩余无法被充分利用的现象，从而降低点云分析任务的处理速率。

综上，边缘计算场景下，点云分析任务对多维资源的使用需同时考虑低延迟和资源利用率两个目标。并且，不同的资源调度方法会影响不同的点云分析任务的处理质量。因此，如何进行多维资源的整合和调度，实现资源调度的全局平衡，从而降低任务处理时延并提高资源利用率，这是本发明所要解决的技术问题。

参见图1，本发明提供一种面向点云分析任务的边缘计算资源调度方法，包括如下步骤：

S1 对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果；

S2 基于资源调度任务结果，通过计算每个点云分析任务的传输时延、每个点云分析任务的剩余最大时延、每个点云分析任务在剩余最大时延下完成需要的最小计算资源、以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令。

资源调度决策指令用于移动终端的通信资源调度。

如图2所示，本发明提供的方法，是将一台边缘服务器、一个具有三维扫描设备（如，自动驾驶汽车中的激光雷达）和计算设备（如，自动驾驶汽车中的主控电脑）的带计算能力的移动终端（如，自动驾驶汽车）、一个用于多类型的点云分析任务的带计算能力的基站共同构建了本发明的边缘计算网络场景，根据场景得到移动终端的各个点云任务数据参数和边缘服务器的性能参数。

上述点云任务的数据参数包括：点云数据预处理任务的数量m，编号为1~m；点云数据分析任务的数量n，编号为1~n；每个点云数据分析任务的数据量分别为

；每个点云数据分析任务的最大时延分别为

；

所述边缘服务器的性能参数包括：边缘服务器的计算能力C以及能同时执行的最大点云分析任务数量p。

在本发明提供的优选实施例中，上述步骤S2中获得资源调度决策指令的过程为：对计算任务时延进行建模，目的是通过调整边缘网络的资源调度来优化整个边缘网络的延迟性能。具体地，根据移动终端上点云分析任务的数据参数来调度计算资源，并计算点云分析任务i(i = 1, 2, ..., n)的传输时延

，确定每个点云分析任务i的剩余最大时延限制

。整个决策过程具体包括如下步骤：

步骤1：点云分析任务在传输过程中获取的通信带宽与点云分析任务的数据量成正比，因此，点云分析任务i在传输过程中的通信带宽为：

；

点云分析任务i(i = 1, 2, ..., n)在通信信道中由移动终端传输至基站的传输速率为：

；

式中，

表示点云分析任务i在传输过程中获取的通信带宽，

表示该点云分析任务的数据量，β为点云分析任务i所处的第个i移动终端与基站间的信道增益，属于一个随机的独立同分布变量；P _i 为第i个点云分析任务所在的移动终端将点云分析任务i发送至基站时的功率，N ₀为信道内噪声功率。

因此在整个计算的过程中点云分析任务i的时延为：

；

式中，

表示第个i移动终端与基站之间的通信传输所需要的时间；

分别表示点云分析任务i的上行（由基站至边缘服务器）传输和下行（由边缘服务器传输至基站）传输所需要的时间；

表示基站完成点云分析任务i所需要的时间；

表示边缘服务器针对点云分析任务i的结果进行决策所需要的时间。

步骤2：计算每个点云分析任务i(i = 1, 2, ..., n)的剩余最大时延：式中，

表示点云分析任务的最大时延；每个点云数据分析任务的最大时延分别为

；

；

步骤3：计算任务在剩余最大时延下完成需要的最小计算资源：

；

如果

，表示所有任务可以在剩余最大时延内处理，即边缘服务器计算资源充足。

步骤4：根据总计算资源和完成任务所需最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，为不同任务调度计算资源。

优化目标包括：

（1）最小化最长计算完成时间：保证点云分析任务完成的及时性

；

（2）最小化总计算时间：提高边缘服务器的资源利用率

。

根据每个点云分析任务的数据量在全部任务数据量的占比，得到对各个点云分析任务的调度计算资源占比，约束各个点云分析任务在基站上的计算资源C _i (i = 1, 2,..., n)，同时点云分析任务i(i = 1, 2, ..., n)在基站上的计算完成时间

等于其计算时间

。

综合上述过程，计算资源约束条件包括：

，

。

式中，

表示边缘服务器的计算能力。

通过构建的资源调度优化目标和计算资源约束条件进行决策，获得资源调度决策指令，并将该决策指令传回给基站。基站将决策指令发送给移动终端，移动终端实施决策指令。

在本发明提供的优选实施例中，本方法还包括获取点云数据和预处理过程。具体为：

通过深度相机、激光雷达等三维扫描设备获取采集到实际场景或物体中的点云数据，传输到计算设备；

显示设备与计算设备采用有线连接，所述计算设备具有一定的存储、计算能力，还具有通信模块负责与基站之间的通信连接；

预处理阶段为计算设备对传入的点云数据进行预处理，降低传输的数据量以及计算的数据量；点云数据预处理任务包括：点云去噪、点云滤波、点云配准、点云补全、点云上采样、点云下采样。

本发明还提供一个实施例，用于示例性地显示本发明的一个处理流程。如图3所示，其包括如下过程。

步骤1：数据采集阶段。通过深度相机、激光雷达等三维扫描设备获取点云数据并传输到本地端计算设备；

步骤2：数据预处理阶段。计算设备对传入的原始点云数据进行预处理，获得经过预处理的点云数据；

步骤3：分析任务阶段。计算设备将经过预处理的点云数据发送至基站进行点云数据分析任务，获得任务结果；

步骤4：决策阶段。基站将任务结果发送给边缘服务器，服务器根据任务结果进行决策，并将决策指令其回传给基站；该决策过程包括：

子步骤1：根据每个点云分析任务在传输过程中的通信带宽和在通信信道中由移动终端传输至基站的传输速率，计算每个点云分析任务的时延。

子步骤2：计算每个点云分析任务的剩余最大时延。

子步骤3：计算任务在剩余最大时延下完成需要的最小计算资源。

子步骤4：根据总计算资源和完成任务所需最小计算资源的关系，构建优化目标和约束条件，为不同任务调度计算资源；

步骤5：实施阶段。基站将收到的决策指令发送给移动终端，移动终端实施决策指令。

第二方面，本发明提供一种用于执行上述方法的边缘计算资源调度系统，如图4所示，包括点云数据获取模块201、基站202和边缘服务器203。

点云数据获取模块201用于获取实际场景或物体的点云数据。

基站202对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，并发送到边缘服务器203。

边缘服务器203基于资源调度任务结果，通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令，并传回基站202，使得基站202将资源调度决策指令发送到（外部）移动终端进行通信资源调度。

其中，点云数据获取模块201可以具有深度相机、激光雷达等三维扫描设备，安装在具有计算能力的移动终端例如自动驾驶汽车上，还具有计算设备、显示设备和通信设备，在本实施例中显示设备与计算设备采用有线连接，显示设备用于显示数据获取和处理情况，以及通信任务执行情况，计算设备具有一定的存储、计算能力，通信模块设备与基站之间的通信连接，用于向基站202传输点云数据。具体地，计算设备通过与基站202的通信，将经过预处理的点云数据发送给基站202，基站202接收到该数据后进行数据所需的点云数据分析任务，获得任务结果。点云数据分析任务包括：三维分类与分割、三维目标检测与跟踪、三维重建。

边缘服务器203具有计算能力，能够对上述计算任务调度空闲计算资源以完成相应的决策工作。其决策过程包括：

步骤1：点云分析任务在传输过程中获取的通信带宽与点云分析任务的数据量成正比，因此，点云分析任务i在传输过程中的通信带宽为：

；

点云分析任务i(i = 1, 2, ..., n)在通信信道中由移动终端传输至基站的传输速率为：

；

式中，β为点云分析任务i所处的第个i移动终端与基站间的信道增益，属于一个随机的独立同分布变量；P _i 为第i个点云分析任务所在的移动终端将点云分析任务i发送至基站时的功率，N ₀为信道内噪声功率。

因此在整个计算的过程中点云分析任务i的时延为：

；

式中，

表示第个i移动终端与基站之间的通信传输所需要的时间；

分别表示点云分析任务i的上行（由基站至边缘服务器）传输和下行（由边缘服务器传输至基站）传输所需要的时间；

表示基站完成点云分析任务i所需要的时间；

表示边缘服务器针对点云分析任务i的结果进行决策所需要的时间。

步骤2：计算每个点云分析任务i(i = 1, 2, ..., n)的剩余最大时延：

；

步骤3：计算任务在剩余最大时延下完成需要的最小计算资源：

；

如果，

表示所有任务可以在剩余最大时延内处理，即边缘服务器计算资源充足。

步骤4：根据总计算资源和完成任务所需最小计算资源的关系，构建优化目标和约束条件，为不同任务调度计算资源。

优化目标包括：

（1）最小化最长计算完成时间：保证点云分析任务完成的及时性

；

（2）最小化总计算时间：提高边缘服务器的资源利用率

；

根据每个点云分析任务的数据量在全部任务数据量的占比，得到对各个点云分析任务的调度计算资源占比，约束各个点云分析任务在基站上的计算资源C _i (i = 1, 2,..., n)，同时点云分析任务i(i = 1, 2, ..., n)在基站上的计算完成时间

等于其计算时间

。

综上，计算资源约束包括：

，

。

综上所述，本发明提供的一种面向点云分析任务的边缘计算资源调度方法和系统，通过对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，再通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令。最后将该资源调度决策指令发送到终端设备执行通信任务。本发明提供的方法具有如下有益效果：

（1）实现了边缘计算场景下对具有不同目标和不同数据集的点云分析任务的计算资源合理调度，保障任务的及时处理，降低任务处理过程的总时延；

（2）将优化目标设置为最小化总计算时间和最小化最长完成计算时间，实现了对边缘计算资源的合理调度，从而高速且实时地完成点云分析任务。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种面向点云分析任务的边缘计算资源调度方法，其特征在于，包括：

S1 对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果；

S2 基于资源调度任务结果，通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，每个点云分析任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令；

资源调度决策指令用于移动终端的通信资源调度。

2.根据权利要求1所述的方法，其特征在于，步骤S2包括：

通过式

计算点云分析任务i在传输过程中的通信带宽；式中，

表示点云分析任务i在传输过程中获取的通信带宽，

表示点云分析任务的数据量；

通过式

计算点云分析任务i(i = 1, 2, ..., n)在通信信道中由移动终端传输至基站的传输速率；式中，β属于一个随机的独立同分布变量，具体为点云分析任务i所处的第个i移动终端与基站间的信道增益，P _i 为第i个点云分析任务所在的移动终端将点云分析任务i发送至基站时的功率，N ₀为信道内噪声功率；

通过式

计算整个计算的过程中点云分析任务i的时延；式中，

表示第个i移动终端与基站之间的通信传输所需要的时间；

分别表示点云分析任务i的上行传输和下行传输所需要的时间；

表示基站完成点云分析任务i所需要的时间；

表示边缘服务器针对点云分析任务i的结果进行决策所需要的时间；

通过式

计算每个点云分析任务 (i = 1, 2, ..., n)的剩余最大时延；式中，

表示点云数据分析任务的最大时延；

通过式

计算任务在剩余最大时延下完成需要的最小计算资源；

基于总计算资源和完成任务所需最小计算资源的关系，构建资源调度优化目标和计算资源约束条件；所述资源调度优化目标包括：最小化最长计算完成时间

，最小化总计算时间

；

根据每个点云分析任务的数据量在全部任务数据量的占比，获得对各个点云分析任务的调度计算资源占比，通过约束每个点云分析任务在基站上的计算资源C _i (i = 1, 2,..., n)，结合点云分析任务i(i = 1, 2, ..., n)在基站上的计算完成时间

等于其计算时间

，获得计算资源约束条件

；

基于资源调度优化目标和计算资源约束条件，获得资源调度决策指令；式中，

表示边缘服务器的计算能力。

3.根据权利要求1或2所述的方法，其特征在于，还包括：

获取实际场景或物体的点云数据；

对获取的实际场景或物体的点云数据进行预处理，具体包括：点云去噪、点云滤波、点云配准、点云补全、点云上采样和点云下采样。

4.一种面向点云分析任务的边缘计算资源调度系统，其特征在于，包括点云数据获取模块、基站和边缘服务器；

所述点云数据获取模块用于获取实际场景或物体的点云数据，并发送到所述基站；

所述基站对获取的实际场景或物体的点云数据进行任务分析，获得资源调度任务结果，并发送到所述边缘服务器；

所述边缘服务器基于资源调度任务结果，通过计算每个点云分析任务的传输时延，每个点云分析任务的剩余最大时延，每个点云分析任务在剩余最大时延下完成需要的最小计算资源，以及根据总计算资源与任务在剩余最大时延下完成需要的最小计算资源的关系，构建资源调度优化目标和计算资源约束条件，确定每个点云分析任务的剩余最大时延限制，获得资源调度决策指令，并传回所述基站，使得所述基站将资源调度决策指令发送到移动终端进行通信资源调度。

Images