⚡ electrical engineering

Edge-Based QoS-Aware Adaptive Task Placement: A Closed-Loop Control in Multi-Robot Systems

本文提出了一种面向多机器人系统的服务质量（QoS）感知型自适应任务部署（ATP）控制器，该控制器能够根据实时延迟和资源指标，动态优化本地执行与边缘卸载之间的任务部署，并通过闭环测试平台证明，在压力和网络故障场景下，该方法与静态编排相比，显著降低了截止日期违规率和尾部延迟。

原作者： Thien Tran, Jonathan Kua, Thuong Hoang, Minh Tran, Honghao Lyu, Jiong Jin

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Thien Tran, Jonathan Kua, Thuong Hoang, Minh Tran, Honghao Lyu, Jiong Jin

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下在一个工厂车间里工作的机器人团队。它们需要同时做两件事：观察正在发生的事情（使用摄像头）以及执行动作（移动机械臂）。

同时处理这两项任务需要消耗大量的脑力。如果机器人试图独自完成所有工作，它的“大脑”（处理器）可能会过热并变慢。如果它尝试将“观察”的任务交给附近的超级计算机（“边缘计算”），它就必须等待信息在往返传输，这会导致延迟。

这篇论文建立了一个小型测试实验室，旨在找出处理这种“拉锯战”的最佳方式。以下是他们的实验过程及其发现，使用了简单的类比。

实验设置：机器人团队

研究人员构建了一个包含三个主要角色的微型系统：

机器人 1（“轻量级”摄像头）： 一个带有摄像头的简单小型机器人。它负责拍摄照片。
机器人 2（“重量级”机械臂）： 一个功能稍强、带有机械臂的机器人。它根据指令进行移动。
边缘节点（“智能助手”）： 一个位于同一 Wi-Fi 网络上的强大计算机。如果被要求，它可以进行复杂的数学运算。

他们通过 Wi-Fi 网络将这三者连接起来，并创建了一个循环：摄像头看到物体 $\rightarrow$ 判断物体是什么 $\rightarrow$ 告诉机械臂如何移动 $\rightarrow$ 机械臂移动。

三种策略

研究人员测试了三种不同的任务管理方式：

1. “单打独斗”策略（本地处理）

运作方式： 机器人 1 拍摄照片并完全靠自己来判断看到了什么。它从不寻求帮助。
类比： 就像一位厨师试图在狭小的厨房里同时切菜、煮汤和洗碗。
结果： 它非常快，因为没有等待信息传递的情况。但是，厨师会精疲力竭（CPU 使用率达到 85%），一旦事情变多，就会开始掉落盘子。

2. “总是寻求帮助”策略（静态卸载）

运作方式： 机器人 1 拍摄照片并立即将其发送给“智能助手”来判断物体是什么。助手将答案传回。
类比： 厨师将蔬菜送到另一个房间的副厨那里去切菜。
结果： 主厨保持着清醒（CPU 使用率降至 15%）。然而，如果走廊拥挤（网络拥堵）或门卡住了（网络延迟），蔬菜就会在那里放太久。由于厨师一直在等待切好的蔬菜，汤也烧焦了。

3. “智能经理”策略（自适应任务放置 - ATP）

运作方式： 这是这项新发明。一个智能控制器会观察情况。
- 如果主厨满头大汗、精疲力竭，它会将工作发送给助手。
- 如果走廊拥堵或助手反应缓慢，它会将工作带回给主厨。
类比： 一个指挥交通的交警。如果主路畅通，车辆留在本地；如果主路堵塞，它们走高速公路；如果高速公路上发生了事故，它们又回到本地道路。
结果： 它兼得了两者的优点。它既能防止厨师过度劳累，又能在出现问题时瞬间切换策略，确保汤不会烧焦。

实验：压力测试

研究人员通过两种方式对该系统施加压力：

CPU 压力： 他们让机器人 1 做一些额外的、虚假的额外工作，以观察它是否会崩溃。
网络压力： 他们让 Wi-Fi 变得缓慢且不稳定（就像在繁忙的工厂中连接不佳的情况）。

实验发现

“单打独斗”的机器人在忙碌时表现糟糕。因为它的大脑过载，导致它错过了截止时间（掉了盘子）。
“总是寻求帮助”的机器人在网络环境差时表现糟糕。延迟导致它也错过了截止时间。
**“智能经理”（ATP）**成为了英雄。
- 当机器人感到疲劳时，它会将工作卸载到边缘端。
- 当网络状况变差时，它会立即切换回本地处理。
- 最终结果： 它在每种场景下都将违反截止时间（错过目标时间）的情况控制在 5% 以下。它保持了良好的平衡，将机器人的大脑维持在 55% 的舒适使用率，而不是 85% 或 15%。

核心结论

这篇论文证明了你不应该只选择一种运行机器人的方式（要么始终本地，要么始终云端）。相反，你需要一个动态切换机制，实时监测机器人的健康状况和网络健康状况。

通过使用这个“智能经理”，即使在工厂混乱、Wi-Fi 信号不稳定或机器人超负荷运转的情况下，机器人也能保持快速且安全。它将一个脆弱的系统变成了一个具有韧性的系统。

技术摘要：多机器人系统中基于边缘的 QoS 感知自适应任务部署

问题陈述
多机器人系统（MRS）日益依赖将计算密集型感知任务卸载到边缘节点，以满足严格的服务质量（QoS）约束。然而，在共享边缘节点上的静态任务编排往往会因为网络延迟、抖动和资源竞争而导致 QoS 退化。虽然现有文献探讨了卸载和边缘加速机器人技术，但缺乏来自真实测试床的实证证据，能够同时对单向控制回路延迟进行测量、注入真实的网络损伤，并评估不同条件下的 QoS 感知自适应策略。具体而言，静态卸载虽然可以降低本地 CPU 负载，但在网络状况波动时，往往会放大尾部延迟（tail latency）和错过截止期限（deadline miss）的情况。

方法论
作者提出了一个利用树莓派（Raspberry Pi）节点构建的试点边缘中心化 MRS 测试床，用于评估“相机到机械臂”的视觉伺服流水线。该系统架构由以下部分组成：

机器人 1 (R1)： 一个“轻量级”节点（树莓派 3B），负责图像采集（感知，T1）。
机器人 2 (R2)： 一个“重量级”节点（树莓派 5），驱动机械臂执行运动控制（规划/决策 T3，控制/执行 T4）。
边缘节点 (E)： 一个运行卸载感知任务（感知，T2）的 Ubuntu 服务器（树莓派 5）。

研究对比了三种感知任务（T2）的执行模式：

本地执行 (LOC)： 所有任务都在机器人上执行；边缘节点仅收集遥测数据。
静态卸载 (SO)： 感知任务（T2）永久卸载至边缘端。
QoS 感知自适应任务部署 (ATP)： 一个轻量级控制器根据测量的指标，动态地在本地（R1）和边缘（E）之间切换 T2 的执行。

ATP 控制器
ATP 控制器作为一个闭环代理运行，采用滞后机制（hysteresis mechanism）以防止振荡。它在两个秒级的观测窗口内（包含 $W$ 个控制周期）评估以下指标：

指标： 端到端（E2E）延迟 ( $\hat{L}$ )、机器人 CPU 利用率 ( $\hat{U}_r$ ) 以及边缘 CPU 利用率。
决策逻辑：
- 卸载至边缘： 当 $\hat{L} \geq L_{th}$ （延迟阈值）或 $\hat{U}_r \geq U^H_r$ （高 CPU 阈值）时触发。
- 加载至本地： 当 $\hat{L} \geq L_{th}$ （表明网络性能下降）或 $\hat{U}_r \leq U^L_r$ （表明本地仍有足够余量）时触发。
稳定性： 在允许状态切换前，强制执行最小驻留时间（ $N_{min}$ ）。

实验设置
实验在三种场景下进行：

基准场景： 低网络约束和默认 CPU 负载。
机器人 CPU 压力场景： 在 R1 上注入合成负载，以模拟竞争进程。
网络损伤场景： 通过 tc netem 注入高斯延迟（ $\mu=25$ ms, $\sigma=5$ ms）和 2% 的丢包率。

性能评估指标包括端到端延迟分布（特别是第 95 百分位数， $L_{95}$ ）、截止期限违反率 ( $V_D$ ) 以及 CPU 利用率。

关键结果

延迟与尾部行为： 静态卸载（SO）模式由于网络往返时间，表现出显著的“长尾”延迟和更高的整体延迟。本地执行（LOC）模式提供了最稳定的延迟，但代价是高 CPU 使用率。ATP 模式在接近 LOC 低延迟特性的同时，避免了 SO 的尾部延迟峰值。
截止期限合规性：
- 在 CPU 压力 下，LOC 发生灾难性失败，截止期限违反率飙升至近 40%。SO 和 ATP 保持稳定。
- 在 网络故障 下，SO 因传输延迟导致违反率超过 40%。LOC 保持稳定。
- ATP 是唯一在所有场景下都能将截止期限违反率维持在 5% 阈值以下的模式，通过在网络状况恶化时切换到本地执行，有效地发挥了安全回退的作用。
资源利用率： ATP 实现了最优平衡，与 LOC 相比，将 R1 的 CPU 负载降低了约 35%（平均利用率为 55% 对比 85%），同时避免了静态卸载带来的延迟惩罚。

意义与主张
本文将 QoS 感知 ATP 控制器定位为多机器人系统中一种实用的边缘侧控制原语。作者主张：

自适应性至关重要： 静态卸载在多变的网络条件下是脆弱的，而自适应部署则能针对局部资源竞争和网络损伤提供韧性。
实际落地可行性： 本研究为云-边缘-机器人（CER）部署提供了具体的指导方针，证明了简单的、基于测量且带有滞后机制的控制器可以有效管理本地计算余量与网络延迟之间的权衡。
实证验证： 该工作通过提供来自真实硬件测试床的实证证据，弥补了文献中的空白，该测试床能够对真实的抖动和控制回路行为进行测量，而非仅仅依赖于仿真或平均延迟指标。

作者总结道，ATP 可作为下一代 CER 的基础架构参考，并推动了对工业网络物理系统中 QoS 感知多目标工作负载编排的进一步研究。未来的工作拟将此逻辑扩展到更丰富的任务图、多机器人集群以及更复杂的优化框架中。