1.4　典型應(yīng)用

人機(jī)物融合群智計(jì)算在智慧城市、智能制造、軍事國(guó)防等領(lǐng)域均有廣泛的應(yīng)用前景，下面結(jié)合目前開(kāi)展的一些研究作為代表性案例進(jìn)行闡述。

1.4.1　城市計(jì)算

城市計(jì)算通過(guò)不斷感知、匯聚和挖掘多源異構(gòu)大數(shù)據(jù)來(lái)解決現(xiàn)代城市所面臨的復(fù)雜挑戰(zhàn)問(wèn)題。在智能物聯(lián)網(wǎng)和移動(dòng)互聯(lián)網(wǎng)發(fā)展背景下，人、機(jī)、物群智能體協(xié)同融合完成城市復(fù)雜任務(wù)成為城市計(jì)算的重要發(fā)展方向。

城市具有典型的時(shí)空特征，在城市群智任務(wù)平臺(tái)中，發(fā)布的大量任務(wù)間往往具有時(shí)空關(guān)聯(lián)性，進(jìn)而在數(shù)據(jù)分布上體現(xiàn)相似規(guī)律性。然而，很多新的群智任務(wù)會(huì)出現(xiàn)因參與者較少或數(shù)據(jù)收集困難等而導(dǎo)致數(shù)據(jù)缺失的問(wèn)題，進(jìn)而導(dǎo)致無(wú)法有效提供群智服務(wù)。針對(duì)新任務(wù)中數(shù)據(jù)缺失和不足的問(wèn)題，我們開(kāi)展了時(shí)空關(guān)聯(lián)下的跨任務(wù)群智知識(shí)遷移研究[26-27]，通過(guò)挖掘和利用既有任務(wù)實(shí)體的群智知識(shí)，實(shí)現(xiàn)跨任務(wù)的知識(shí)遷移，提升群智任務(wù)的服務(wù)質(zhì)量。針對(duì)新任務(wù)面臨的數(shù)據(jù)缺乏問(wèn)題，提出深度跨城市、跨任務(wù)群智任務(wù)知識(shí)遷移模型（如圖1.2所示）：首先匯聚來(lái)自群智感知（人）、移動(dòng)互聯(lián)網(wǎng)（機(jī)）、具感知計(jì)算能力的物理實(shí)體（物）的多源關(guān)聯(lián)城市感知數(shù)據(jù)，包括人群流動(dòng)數(shù)據(jù)、城市地圖POI分布數(shù)據(jù)、出租/交通/共享單車(chē)軌跡數(shù)據(jù)等，通過(guò)深度自編碼器來(lái)降低數(shù)據(jù)維度并進(jìn)行特征關(guān)聯(lián)，進(jìn)而構(gòu)造“源-目標(biāo)”擴(kuò)展的奇異值分解模型來(lái)實(shí)現(xiàn)同城類(lèi)似任務(wù)間的知識(shí)遷移，通過(guò)皮爾森時(shí)空特征關(guān)聯(lián)因子來(lái)構(gòu)建城市間的類(lèi)似任務(wù)關(guān)聯(lián)，并通過(guò)深度對(duì)抗網(wǎng)絡(luò)提取與領(lǐng)域無(wú)關(guān)的特征。該模型在與阿里巴巴合作的跨城市、跨任務(wù)知識(shí)遷移項(xiàng)目中得到驗(yàn)證，在商業(yè)熱度和人流量等預(yù)測(cè)任務(wù)中，對(duì)比傳統(tǒng)的監(jiān)督學(xué)習(xí)模型（LR、GBDT等）和深度學(xué)習(xí)模型，在準(zhǔn)確率和誤差率等技術(shù)指標(biāo)上均有著明顯的提升，在業(yè)務(wù)準(zhǔn)確率上與公司產(chǎn)品現(xiàn)有模型相比提升23%。

1.4.2　智能制造

新一代智能制造技術(shù)的一個(gè)關(guān)鍵特征是人、機(jī)、物等要素的連接與融合，而人機(jī)物融合群智計(jì)算作為推動(dòng)人機(jī)物高效協(xié)同、自主組織、增強(qiáng)學(xué)習(xí)、深度融合的新理論與技術(shù)，可重塑設(shè)計(jì)、研發(fā)、制造、服務(wù)等產(chǎn)品全生命周期的各環(huán)節(jié)，將在新一代智能制造技術(shù)中發(fā)揮重要的支撐和引領(lǐng)作用[27]。

在“融合群體智能的制造企業(yè)智慧空間構(gòu)建理論與協(xié)同運(yùn)行技術(shù)”國(guó)家重點(diǎn)研發(fā)項(xiàng)目的支持下，群智融合的制造業(yè)智慧空間研究得以開(kāi)展。為此，提出了制造業(yè)群智智慧空間模型（如圖1.3所示）：關(guān)注制造業(yè)中人、機(jī)、物（AGV小車(chē)、機(jī)械臂等）、環(huán)境等多維因素之間的復(fù)雜關(guān)聯(lián)關(guān)系，探索異構(gòu)群智能體之間的協(xié)同模式與制造效率、質(zhì)量間的交互作用機(jī)理。具體來(lái)說(shuō)，目前主要開(kāi)展了以下幾方面的研究：

1）面向特定的制造任務(wù)需求，提出群智深度強(qiáng)化學(xué)習(xí)模型對(duì)各制造要素進(jìn)行建模和協(xié)同學(xué)習(xí)，動(dòng)態(tài)反饋和迭代優(yōu)化參與任務(wù)的各智能體參數(shù)，使得制造群體參數(shù)總體最優(yōu)，實(shí)現(xiàn)多智能體協(xié)同增強(qiáng)。

2）開(kāi)放式網(wǎng)絡(luò)制造環(huán)境下新終端設(shè)備動(dòng)態(tài)加入、制造場(chǎng)景不斷演化，導(dǎo)致既有訓(xùn)練好的學(xué)習(xí)模型由于不確定擾動(dòng)難以在新環(huán)境下取得好的效果。針對(duì)該問(wèn)題，我們綜合利用元學(xué)習(xí)、多任務(wù)學(xué)習(xí)、聯(lián)邦學(xué)習(xí)等方法實(shí)現(xiàn)跨制造實(shí)體/場(chǎng)景的群智知識(shí)遷移[28]。

3）針對(duì)制造主體終端計(jì)算資源受限、感知模型適應(yīng)能力差等問(wèn)題，提出多個(gè)邊端設(shè)備協(xié)同的可伸縮情境感知方法（零件質(zhì)量缺陷、環(huán)境動(dòng)態(tài)等）[29]。面向輸入數(shù)據(jù)變化、硬件資源變化等需求，通過(guò)加速網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)、模型裁剪、模型分割與參數(shù)動(dòng)態(tài)量化等方法，實(shí)現(xiàn)高效的制造主體資源自適應(yīng)情境感知。