多设备边缘网络中基于协同推理的实时 3D 人体姿态估计

在资源受限和动态环境中，3D 人体姿态估计因其高计算复杂度而具有挑战性。为此，本研究提出一种用于移动边缘计算 (MEC) 网络中实时 3D 人体姿态估计的新型协同推理方法。该方法中，多个终端设备配备轻量级推理模型，采用双置信阈值过滤模糊图像。只有经过滤波的图像才会卸载到配备更强大推理模型的边缘服务器进行重新评估，从而在计算和通信约束下提高估计精度。我们对所提方法的性能进行数值分析，围绕推理精度和端到端延迟，构建联合优化问题，以最小化平均关节位置误差 (MPJPE) 为目标，同时满足所需的端到端延迟约束。为解决该问题，我们证明最小化 MPJPE 等价于最大化所有设备的推理准确率之和，将问题分解为可管理的子问题，并提出一种低复杂度优化算法以获得近最优解。实验结果表明，MPJPE 与端到端延迟之间存在制约关系，取决于置信阈值的选择。进一步地，结果确认，在各种 MEC 环境下，通过最佳选择置信阈值和传输时间，所提协同推理方法可显著降低 MPJPE，同时始终满足端到端延迟要求。