面向边缘鲁棒自主的智能感知到行动：机遇与挑战

机器人、智慧城市和自动驾驶汽车中的自主边缘计算依赖于感知、处理和驱动的无缝集成，以在动态环境中进行实时决策。其核心是感知到行动循环，它迭代地将传感器输入与计算模型对齐，以驱动自适应控制策略。这些循环可以适应超本地条件，提高资源效率和响应能力，但也面临诸如资源约束、多模态数据融合中的同步延迟以及反馈循环中级联错误风险等挑战。本文探讨了主动的、上下文感知的感知到行动和行动到感知适应如何通过根据任务需求动态调整感知和计算来提高效率，例如仅感知环境的极小部分并预测其余部分。通过控制动作引导感知，行动到感知路径可以提高任务相关性和资源利用率，但它们也需要鲁棒的监控以防止级联错误并保持可靠性。多智能体感知-行动循环通过分布式智能体之间的协调感知和行动进一步扩展了这些能力，通过协作优化资源使用。此外，受生物系统启发的神经形态计算为基于脉冲的、事件驱动的处理提供了一个高效的框架，该框架可节约能源、减少延迟并支持分层控制——使其成为多智能体优化的理想选择。本文强调了端到端协同设计策略的重要性，这些策略将算法模型与硬件和环境动态对齐，并改善跨层相互依赖性，以提高复杂环境中高能效边缘自主的吞吐量、精度和适应性。