CN116224791A - 智能制造协作机器人边缘系统的协作训练控制方法 - Google Patents

智能制造协作机器人边缘系统的协作训练控制方法 Download PDF

Info

Publication number
CN116224791A
CN116224791A CN202310157883.6A CN202310157883A CN116224791A CN 116224791 A CN116224791 A CN 116224791A CN 202310157883 A CN202310157883 A CN 202310157883A CN 116224791 A CN116224791 A CN 116224791A
Authority
CN
China
Prior art keywords
edge
collaborative
client
training
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310157883.6A
Other languages
English (en)
Inventor
李莉
赵云明
龚炜
于青云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202310157883.6A priority Critical patent/CN116224791A/zh
Publication of CN116224791A publication Critical patent/CN116224791A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Manipulator (AREA)

Abstract

本发明涉及一种智能制造协作机器人边缘系统的协作训练控制方法，包括：S1、建立智能制造场景下的协作机器人边缘系统，包括协作机器人模块、边缘计算模块和云服务器模块；S2、云服务器模块将任务分配至设定数量的边缘计算模块，协作机器人模块上传设备数据到所连接的边缘计算模块；S3、在云服务器模块部署公共数据集，并将设定比例的公共数据集分发至所有边缘计算模块中；S4、每个选中的边缘计算模块进行局部模型的训练，并计算对应的聚合系数；S5、检测恶意客户端的存在，进行半异步训练模式；S6、经过多轮训练得到全局模型的参数，完成协作训练任务。与现有技术相比，本发明具有高效通信、安全以及训练效率高等优点。

Description

智能制造协作机器人边缘系统的协作训练控制方法
技术领域
本发明涉及一种智能制造协作机器人的控制方法，尤其是涉及一种智能制造协作机器人边缘系统的协作训练控制方法。
背景技术
随着信息技术的蓬勃发展，深度学习和工业物联网的突破加速了智能制造系统的推广。具体而言，智能制造中的人机协作任务可以利用机器学习、大数据等相关技术，利用测量得到的历史工业数据执行传感、通信和计算任务，优化制造决策，这已成为智能制造时代的主流趋势，显著提高了各种产品的生产率和质量。然而，在现实工业环境中，大多数协作机器人(如机械手、AGV和其他协作机器人)的存储容量小，通信质量差，计算任务密集且复杂，这导致制造系统需要更多的时间来分析收集到的数据并建立任务模型，并且在整个制造过程的生命周期中，通信延迟高，网络拥塞频繁。
如今，边缘计算的出现可以有效地提高人与协作机器人之间的协作效率，提供了一种高层次的集成智能制造系统解决方案。边缘计算可以通过有线和无线网络将移动协作机器人或固定协作机器人的数据卸载到边缘服务器上，从而扩展计算能力、通信资源和存储容量。基于边缘计算技术，不同的协作机器人可以更好地协作，以支持制造事件的传感、分类和检测任务。这样可以将工业数据快速传输到边缘服务器。边缘服务器将提供强大的计算能力，实现联合自适应协同任务调度和智能决策。此外，边缘服务器可以支持不同的通信协议，以解决不同协作机器人之间的通信兼容问题，并进一步支持部署新的类型协作机器人。因此，有必要设计一个多层协作机器人边缘系统，以提高各种制造场景的生产力和制造性能。此外，虽然边缘服务器可以实时处理协作机器人收集的大量历史数据，但在人机协作过程中，不同边缘服务器之间的工业数据隐私问题和协作学习效率问题并不能很好地解决。为提高生产力和隐私保护，考虑智能制造系统的协作任务中遇到的挑战，设计一种高效的分布式训练方法是非常有必要的。目前，解决智能制造系统中的人机协作任务的解决方案还比较少，一些研究工作将边缘计算引入制造场景中，如生产设备监控，预防性维护和质量管理等。此外，某些工作提出了基于雾计算和边缘计算的物联网数据分析模型，并有效地应用于智能制造等动态场景。但上述的工作并没有集中考虑智能制造中的协作机器人，也没有建立更具推广性的边缘计算框架，同时工业数据的隐私问题和不同设备之间的协作学习效率并没有得到充分地解决。
因此，亟需以智能制造协作机器人为研究对象，实现一种提高人机协同的协作效率，同时提升通信效率和安全性的协作训练控制方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种智能制造协作机器人边缘系统的协作训练控制方法。
本发明的目的可以通过以下技术方案来实现：
一种智能制造协作机器人边缘系统的协作训练控制方法，所述的方法包括以下步骤：
S1、建立智能制造场景下的协作机器人边缘系统，包括协作机器人模块、边缘计算模块和云服务器模块；
S2、云服务器模块将任务分配至设定数量的边缘计算模块，协作机器人模块上传设备数据到所连接的边缘计算模块；
S3、在云服务器模块部署公共数据集，并将设定比例的公共数据集分发至所有边缘计算模块中；
S4、每个选中的边缘计算模块进行局部模型的训练，并计算对应的聚合系数；
S5、检测恶意客户端的存在，并进行半异步训练模式；
S6、经过多轮训练得到全局模型的参数，完成智能制造协作机器人的协作训练任务。
进一步地，所述的方法为边缘计算和联邦学习融合设计的方法。
进一步地，所述的边缘计算为一种将计算任务卸载到靠近端边缘服务器中，扩大连接端设备的存储计算和通信能力的技术。
进一步地，所述的联邦学习具体为：通过在多个拥有设备数据的边缘计算模块之间进行分布式模型训练，在无需传递设备样本数据的前提下，以上传或下载局部模型参数的方式，构建智能制造协作机器人边缘系统下的全局模型，用于实现数据隐私保护和数据共享计算的平衡。
进一步地，所述的协作机器人模块、边缘计算模块和云服务器模块之间通过无线网络或有线网络实现不同层之间的数据交换与控制信息的传递。
进一步地，所述的公共数据集包括所有类别的样本数据，并覆盖所有协作机器人生成的数据样本。
进一步地，所述的聚合系数通过边缘计算模块的模型错误率进行计算得到，计算公式如下：
Figure BDA0004093115890000031
Figure BDA0004093115890000032
其中，ek为模型的错误率，λ为正整数因子，取值为5，ζk为计算得到的第k个局部模型的聚合系数，ck为归一化聚合系数。
进一步地，所述的检测恶意客户端的存在具体为：根据客户端的局部模型和全局模型的准确率的差值进行计算比较得到，当两者之间的差值超过一定数值，判断该客户端为恶意客户端，反之，则为正常客户端。
进一步地，所述的一定数值设置为0.2。
进一步地，所述的半异步训练模式具体为：
S501、将所有边缘计算模块分类为参与客户端、崩溃客户端和延迟客户端；
S502、要求一定数量的客户端进行局部模型的训练；
S503、云服务器模块接收到特定数量的参与客户端和延迟客户端的局部模型参数后进行全局模型的聚合，计算公式如下：
Figure BDA0004093115890000033
其中ω为全局模型参数，t为训练迭代次数，α为客户端的参与比例，M为客户端的数量，pk,t为客户端的参与系数，客户端k在第t次全局聚合中为参与客户端，则其值为1，反之，为0，Vk为客户端k的样本类型大小，Dp为所有参与全局训练的客户端的样本类型大小，ωk为客户端k的局部模型参数。
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上所述的方法。
与现有技术相比，本发明具有以下有益效果：
一、本发明在智能制造中的协作机器人协同控制上，利用边缘计算和联邦学习进行融合，通过设计一种半异步训练过程完成分布式数据的隐私计算，即能保证不同协同机器人的数据隐私问题，又能提升智能制造系统中的学习性能，具有高效通信、安全以及训练效率高等优点。
二、本发明通过覆盖所有协作机器人生成的数据样本，同时设置一定比例的公共数据分发至所有边缘计算模块，有效缓解了设备样本类别不平衡造成的全局模型性能差的问题。
附图说明
图1为本发明的方法流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
本发明使用MNIST数据集执行图像分类任务，进行性能验证，这类似于制造包装过程中的组件分类。MNIST数据集包含60000个训练样本和10000个测试样本，样本数据类似于不同工业产品的批号和种类信息等。
一种智能制造协作机器人边缘系统的协作训练控制方法，所述的方法包括以下步骤：
S1、建立智能制造场景下的协作机器人边缘系统，包括协作机器人模块、边缘计算模块和云服务器模块。
其中，协作机器人模块主要包括机械手、自主移动机器人(AMR)和其他协作模块(如传感器模块和监视器)。协作机器人模块的设备需要完成产品制造、装配、测量、质量检测等协作任务。各种协作机器人产生的海量数据需要传输到相应的边缘控制器，并在连接的边缘网关或边缘服务器上进行预处理。协作机器人还需要自动执行来自不同边缘控制器的指令。不同类型的协作机器人需要执行相关的协作任务。
边缘计算模块是协同机器人边缘系统的核心部分。边缘计算模块可以提供安全保护和决策优化。根据计算能力的不同，边缘计算模块包括边缘控制器层、边缘网关层和边缘服务器层。其中每一个边缘计算模型包括一个边缘控制器、一个边缘网关和一个边缘服务器。
边缘控制器层：边缘控制器层靠近部署于协作机器人模块。根据协作机器人内置控制模块的类型，边缘控制器层主要包括不同协作机器人的控制单元，如AMR的运动控制器，机械手的PLC，以及其他协作机器人的MCU等。边缘控制器层执行工业数据预处理或简单的逻辑运算。边缘控制器层还可以对协作机器人中发生的紧急情况立即做出反应，并采取措施切换正在工作的协作机器人。此外，边缘控制器层必须与不同的通信协议兼容，并能够访问制造系统中的所有传感器或协作机器人。由于多种协作机器人共同执行协作任务，因此协作机器人的协同控制变得非常复杂和困难。为了简化协作，要求边缘控制器层可以连接并实时控制协作机器人的内置控制模块。这样可以更好地控制分布在协作机器人层中的所有协作机器人的异常制造事件，降低人工成本，提高协作效率。
边缘网关层：通过边缘网关从边缘控制器获取和存储工业数据，并执行一些异构计算操作。边缘网关可以接收来自边缘服务器的控制流并将其传输到边缘控制器。与边缘控制器相比，边缘网关拥有更大的存储和计算资源，用于存储数据处理日志，管理多个模块。因此，在智能制造中，边缘网关可以快速分析工业数据，管理崩溃的协作机器人，避免生产事故的出现。
边缘服务器层：其中的边缘服务器具有更强的计算和存储能力。这些实体需要通过专用网络连接到边缘网关，并可以执行更复杂的任务。基于深度学习的分类或推理模型可以在边缘服务器上训练。同时，边缘服务器可以对整个生产线或多条生产线的协作机器人进行任务调度和运行参数优化，优化资源配置，提高制造系统的生产率。
云服务器模块主要从边缘服务器收集重要信息，提取有价值的知识，并向企业管理者提供有用的反馈，如流程优化、协作机器人管理、工业生产技术解决方案等。此外，云应用层可以为边缘系统层提供分布式任务的初始化模型架构和参数。
所述的方法为边缘计算和联邦学习融合设计的方法；其中，边缘计算为一种将计算任务卸载到靠近端边缘服务器中，扩大连接端设备的存储计算和通信能力的技术；联邦学习具体为：通过在多个拥有设备数据的边缘计算模块之间进行分布式模型训练，在无需传递设备样本数据的前提下，以上传或下载局部模型参数的方式，构建智能制造协作机器人边缘系统下的全局模型，用于实现数据隐私保护和数据共享计算的平衡；所述的协作机器人模块、边缘计算模块和云服务器模块之间通过无线网络或有线网络实现不同层之间的数据交换与控制信息的传递。
本发明设定一个云服务器模块和100个边缘计算模块(客户端)，每个边缘计算模块的通信状态是随机配置的。局部模型采用多层感知机(multi-layer perception，MLP)作为学习模型进行优化。此外，本专利比较了两种数据设置：
1)独立同分布(Independent and identically distribution，IID)：在MNIST数据集中随机选取10000个样本作为公共数据。然后，对剩余的训练样本进行随机洗牌并存储在每个客户端上，其中不同客户端的样本量遵循均值为500，方差为100的高斯分布。
2)非独立同分布(Non-Independent and identically distribution，Non-IID)：首先随机选择20％的训练样本作为公共数据。剩下的训练样本被分成200个模块，每个模块只包含两类样本数据。然后，随机分配两个模块数据给每个客户端。
S2、云服务器模块将任务分配至设定数量的边缘计算模块，协作机器人模块上传设备数据到所连接的边缘计算模块。
在执行某些制造任务时，云服务器模块会根据客户端的通信状态随机选择设定数量的边缘计算模块，记为P(|P|＝25)，与这些边缘计算模块连接的协作机器人模块会将本身产生的设备数据上传至边缘计算模块中的边缘服务器层。
S3、在云服务器模块部署公共数据集，并将设定比例的公共数据集分发至所有边缘计算模块中。
所述的公共数据集包括所有类别的样本数据，并覆盖所有协作机器人生成的数据样本。根据所有设备数据的类型，云服务器模块随机选择设定数量的数据并存储在云服务器中，作为公共数据集，用于全局模型的参数初始化任务；同时，随机选取设定比例α＝0.2的公共数据分配给各个边缘计算模块，以用于局部模型的训练和局部模型的性能验证。
S4、每个选中的边缘计算模块进行局部模型的训练，并计算对应的聚合系数。
选中的边缘计算模块利用与其连接的协作机器人模块生成的设备数据进行局部模型的训练，更新公式为：
Figure BDA0004093115890000071
其中ω为全局模型参数，E为局部模型的训练迭代次数，取值为5，α为客户端的参与比例，M为客户端的数量，Vk为客户端k的样本类型大小，Dp为所有参与全局训练的客户端的样本类型大小，ωk为客户端k的局部模型参数，ηk为客户端k的学习率，
Figure BDA0004093115890000072
为客户端的局部模型梯度信息；此外，局部模型训练的样本批大小B设为50，则计算并行度u＝E*Vk/B＝50。
进一步地，所述的聚合系数通过边缘计算模块的模型错误率进行计算得到，计算公式如下：
Figure BDA0004093115890000073
Figure BDA0004093115890000074
其中，ek为模型的错误率，λ为正整数因子，取值为5，ζk为计算得到的第k个局部模型的聚合系数，ck为归一化聚合系数。
S5、检测恶意客户端的存在，并进行半异步训练模式。
检测恶意客户端的存在具体为：根据客户端的局部模型和全局模型的准确率的差值进行计算比较得到，当两者之间的差值超过一定数值，判断该客户端为恶意客户端，反之，则为正常客户端。具体检测方式如下：首先根据客户端k存储的设备数据计算得到局部模型的识别率，其次根据公共数据计算局部模型的识别率，然后计算两个识别率的差值εk，随之引入一种精度阈值参数ε(ε＝0.2)；若εk大于ε，则认为客户端k为恶意客户端；当客户端识别为恶意客户端时，存储的局部模型参数将被丢弃。然后进行半异步训练模式，具体为：
S501、将所有边缘计算模块分类为参与客户端、崩溃客户端和延迟客户端。
参与客户端：这些客户端从云服务器模块接收最新的全局模型参数，并将局部模型上传到云服务器模块中。参与客户端拥有的计算和通信资源可以很好地训练局部模型。这些客户端可以与相连接的边缘控制器模块实现良好的通信连接。
崩溃客户端：由于通信资源的不足，崩溃客户端暂时无法与云服务器模块实现通信，或者这些客户端无法对其局部模型进行局部训练。因此，云服务器模块无法接收到这些客户端的最新局部模型，也无法将最新的全局模型分发给这些客户端。而在真实的智能制造系统中，每种协作机器人均存在一定的崩溃概率。
延迟客户端：由于客户端存储的数据量大或其计算能力小，延迟客户端无法准时完成局部模型的局部训练任务。但这些客户端可以与云服务器模块保持良好的通信状态，即可以进行局部模型参数的上传与全局模型参数的下载
S502、要求一定数量(α·M，其中α＝0.2，M＝100)的客户端进行局部模型的训练；
S503、云服务器模块接收到特定数量的参与客户端和延迟客户端的局部模型参数后进行全局模型的聚合，计算公式如下：
Figure BDA0004093115890000081
其中ω为全局模型参数，t为训练迭代次数，α为客户端的参与比例，M为客户端的数量，pk,t为客户端的参与系数，客户端k在第t次全局聚合中为参与客户端，则其值为1，反之，为0，Vk为客户端k的样本类型大小，Dp为所有参与全局训练的客户端的样本类型大小，ωk为客户端k的局部模型参数。
S6、经过多轮训练得到全局模型的参数，完成智能制造协作机器人的协作训练任务，其中表1为利用不同的模型参数得到的全局模型结果，表2为利用不同的联邦学习方法得到的全局模型结果。
表1利用不同的模型参数得到的全局模型结果
Figure BDA0004093115890000082
表2利用不同的联邦学习方法得到的全局模型结果
Figure BDA0004093115890000091
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的方法为边缘计算和联邦学习融合设计的方法；所述的方法包括以下步骤：
S1、建立智能制造场景下的协作机器人边缘系统，包括协作机器人模块、边缘计算模块和云服务器模块；
S2、云服务器模块将任务分配至设定数量的边缘计算模块，协作机器人模块上传设备数据到所连接的边缘计算模块；
S3、在云服务器模块部署公共数据集，并将设定比例的公共数据集分发至所有边缘计算模块中；
S4、每个选中的边缘计算模块进行局部模型的训练，并计算对应的聚合系数；
S5、检测恶意客户端的存在，并进行半异步训练模式；
S6、经过多轮训练得到全局模型的参数，完成智能制造协作机器人的协作训练任务。
2.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的边缘计算为一种将计算任务卸载到靠近端边缘服务器中，扩大连接端设备的存储计算和通信能力的技术。
3.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的联邦学习具体为：通过在多个拥有设备数据的边缘计算模块之间进行分布式模型训练，在无需传递设备样本数据的前提下，以上传或下载局部模型参数的方式，构建智能制造协作机器人边缘系统下的全局模型，用于实现数据隐私保护和数据共享计算的平衡。
4.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的协作机器人模块、边缘计算模块和云服务器模块之间通过无线网络或有线网络实现不同层之间的数据交换与控制信息的传递。
5.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的公共数据集包括所有类别的样本数据，并覆盖所有协作机器人生成的数据样本。
6.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的聚合系数通过边缘计算模块的模型错误率进行计算得到，计算公式如下：
Figure FDA0004093115880000021
Figure FDA0004093115880000022
其中，ek为模型的错误率，λ为正整数因子，取值为5，ζk为计算得到的第k个局部模型的聚合系数，ck为归一化聚合系数。
7.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的检测恶意客户端的存在具体为：根据客户端的局部模型和全局模型的准确率的差值进行计算比较得到，当两者之间的差值超过一定数值，判断该客户端为恶意客户端，反之，则为正常客户端。
8.根据权利要求8所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的一定数值设置为0.2。
9.根据权利要求1所述的一种智能制造协作机器人边缘系统的协作训练控制方法，其特征在于，所述的半异步训练模式具体为：
S501、将所有边缘计算模块分类为参与客户端、崩溃客户端和延迟客户端；
S502、要求一定数量的客户端进行局部模型的训练；
S503、云服务器模块接收到特定数量的参与客户端和延迟客户端的局部模型参数后进行全局模型的聚合，计算公式如下：
Figure FDA0004093115880000023
其中ω为全局模型参数，t为训练迭代次数，α为客户端的参与比例，M为客户端的数量，pk,t为客户端的参与系数，客户端k在第t次全局聚合中为参与客户端，则其值为1，反之，为0，Vk为客户端k的样本类型大小，Dp为所有参与全局训练的客户端的样本类型大小，ωk为客户端k的局部模型参数。
10.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～9中任一项所述的方法。
CN202310157883.6A 2023-02-23 2023-02-23 智能制造协作机器人边缘系统的协作训练控制方法 Pending CN116224791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310157883.6A CN116224791A (zh) 2023-02-23 2023-02-23 智能制造协作机器人边缘系统的协作训练控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310157883.6A CN116224791A (zh) 2023-02-23 2023-02-23 智能制造协作机器人边缘系统的协作训练控制方法

Publications (1)

Publication Number Publication Date
CN116224791A true CN116224791A (zh) 2023-06-06

Family

ID=86576465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310157883.6A Pending CN116224791A (zh) 2023-02-23 2023-02-23 智能制造协作机器人边缘系统的协作训练控制方法

Country Status (1)

Country Link
CN (1) CN116224791A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250871A (zh) * 2023-11-20 2023-12-19 暨南大学 基于去中心化联邦学习的人机协作安全性评估方法和装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117250871A (zh) * 2023-11-20 2023-12-19 暨南大学 基于去中心化联邦学习的人机协作安全性评估方法和装置
CN117250871B (zh) * 2023-11-20 2024-03-08 暨南大学 基于去中心化联邦学习的人机协作安全性评估方法和装置

Similar Documents

Publication Publication Date Title
Liu et al. Digital-twin-assisted task offloading based on edge collaboration in the digital twin edge network
US10762424B2 (en) Methods and systems for reinforcement learning
Zeb et al. Industrial digital twins at the nexus of NextG wireless networks and computational intelligence: A survey
Yang et al. Mobile-edge-computing-based hierarchical machine learning tasks distribution for IIoT
Yu et al. Intelligent edge: Leveraging deep imitation learning for mobile edge computation offloading
US10884383B2 (en) Advanced control systems for machines
Tang et al. Survey on digital twin edge networks (DITEN) toward 6G
Massaro Electronics in advanced research industries: Industry 4.0 to Industry 5.0 Advances
Xu et al. A survey on digital twin for industrial internet of things: Applications, technologies and tools
Luan et al. The paradigm of digital twin communications
CN113395679A (zh) 一种无人机边缘服务器的资源和任务分配优化系统
Ouahabi et al. A distributed digital twin architecture for shop floor monitoring based on edge-cloud collaboration
CN114710330B (zh) 一种基于异构分层联邦学习的异常检测方法
Singh et al. SDN-Aided edge computing-enabled AI for IoT and smart cities
CN113111115A (zh) 一种数据信息管理系统及其方法
CN116224791A (zh) 智能制造协作机器人边缘系统的协作训练控制方法
Du et al. The Internet of Things as a deep neural network
Sacco et al. Resource inference for sustainable and responsive task offloading in challenged edge networks
Dalal The Smart Analysis of Poisson Distribution Pattern Based Industrial Automation in Industry 4.0
CN114706675A (zh) 基于云边协同系统的任务部署方法及装置
Huang et al. Collective reinforcement learning based resource allocation for digital twin service in 6G networks
CN111077851A (zh) 一种基于气相色谱雾计算框架的化工过程故障诊断系统
US11321954B1 (en) Computer-vision techniques for time-series recognition and analysis
Melnik et al. A recovery technique for the fog-computing-based information and control systems
Jiang et al. Human-Cyber-Physical Ubiquitous Intelligent Communication: System Architecture, Key Technologies, and Challenges

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination