⚡ electrical engineering

Uncertainty-Aware Haptic Signal Estimation for Reliable and Resource Efficient Tactile Internet

本文介绍了敏捷人工智能赋能触觉（A2HAP）框架，该框架利用一种新型概率神经网络和分层门控机制来动态平衡置信度与可靠性，从而在不损害远程操作稳定性的前提下，显著降低了网络拥塞并提升了触觉互联网的用户容量。

原作者： Georgios Kokkinis, Alexandros Iosifidis, Qi Zhang

发布于 2026-06-16

📖 1 分钟阅读☕ 轻松阅读

原作者： Georgios Kokkinis, Alexandros Iosifidis, Qi Zhang

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

想象一下你正在玩一款高风险的电子游戏，你控制着地球另一端的机械臂。为了让体验真实，机械臂需要每秒向你发送数百次的“推”或“拉”信号（触觉反馈）。如果信号哪怕只有一点点延迟或丢失，机械臂就可能会剧烈抖动，或者让你感觉像是摸到了虚空。

问题在于，发送如此快速的信号会在互联网上造成巨大的交通拥堵，尤其是当许多人同时进行操作时。这就像是在一个拥挤的体育场里向朋友喊话；如果每个人都同时大声喊叫，就没人能听清任何声音。

这篇论文介绍了一种名为 A2HAP（敏捷人工智能赋能的触觉通信）的新系统，旨在解决这个交通拥堵问题，同时又不损失机械臂的“手感”。以下是它的工作原理，我们使用简单的类比来解释：

1. 问题所在：“呐喊”的人群

目前，为了保持机械臂的感觉流畅，系统无论是否发生了有趣的事情，都会每毫秒发送一次信号。

旧方式： 想象一个信使在您和机械臂之间来回奔跑，大喊着“我在推！”“我在推！”“我在推！”，即使机械臂只是静止不动。这浪费了能量，也堵塞了道路。
局限性： 如果太多人试图同时大声喊叫，网络就会崩溃，导致机械臂无法安全工作。

2. 解决方案：一个带有“信心计”的“聪明”信使

A2HAP 系统使用了一个特殊的 AI 大脑，叫做 VarxHAP。你可以把这个 AI 想象成一个超级聪明的信使，它不只是重复已经发生的事情，它还能预测接下来会发生什么。

预测： AI 不再等待机械臂告诉它正在做什么，而是通过观察模式并进行猜测，例如：“好吧，机械臂正在向左移动，所以下一个信号很可能是向左推。”
信心计（不确定性）： 这是最神奇的部分。AI 不仅仅是在猜测，它还有一个“信心计”。
- 高信心： 如果 AI 对自己的猜测有 99% 的把握，它会说：“我不需要向网络大声喊叫！我会直接告诉机械臂它应该做什么。”这节省了大量的互联网带宽空间。
- 低信心： 如果机械臂做出了突然或奇怪的动作（比如撞到了墙），AI 的信心计就会下降。它会说：“我不确定发生了什么！我需要立即发出真实的信号，以免出错。”

3. 交通警察：具有误差恢复能力的控制器

该系统有一个聪明的交通警察（控制器）在监视互联网道路。

当道路空旷时： 交通警察会对 AI 说：“你可以放松一点。如果你有 90% 的把握，那就跳过发送信号吧。”这进一步节省了空间。
当道路拥堵时： 如果有太多人在尝试发送信号，交通警察就会变得严格。它会对 AI 说：“停止猜测！只有当你 100% 确定时才发送信号，或者立即发送真实数据。”这可以防止网络崩溃。

4. 结果：更顺畅的交通，更多的人参与

研究人员在一个模拟实验中测试了该系统，当时有 60 个人同时尝试控制机器人。

减少交通量： 通过让 AI 在有信心时“跳过”发送信号，该系统在繁忙时期将发送的消息数量减少了高达 45%。
腾出更多空间： 由于道路不再拥挤，该系统可以比以往的方法多处理 20% 的用户，而不会中断连接。
安全性： 即使消息减少了，系统依然保持了可靠的连接（99.999% 的可靠性），这意味着机械臂从未失去控制或出现“卡顿”感。

总结

把触觉互联网想象成一条繁忙的高速公路。旧系统让每辆车都不断鸣笛，导致了交通拥堵。A2HAP 系统则给了驾驶员（AI）一张地图和一个信心计。如果他们知道前方的路很畅通，他们就不会鸣笛。如果他们看到了危险，他们就会大声鸣笛。这让高速公路保持顺畅流动，让更多的车辆能够同时安全通行。

技术摘要：面向可靠且资源高效型触觉互联网的感知不确定性力觉信号估计

问题陈述

触觉互联网（Tactile Internet, TI）旨在实现实时远程力觉交互，这要求闭环控制系统具备亚毫秒级的延迟和极高的可靠性（超过 99.999%）。规模化此类系统的主要瓶颈在于实现感知透明度所需的极高采样率（通常为 1 kHz）。在多用户无线环境中，以此速率进行传输会导致严重的网络拥塞、干扰以及截止日期违规。

虽然传统的感知死区（Perceptual Deadband, PD）滤波技术能够在低运动活动期间成功抑制数据包，但它们无法防止高运动爆发期间的流量激增。此外，现有的预测模型（如 LSTM、高斯过程）通常独立于 MAC 层运行，缺乏将模型置信度转化为实时数据包抑制决策的机制。此外，当前的方法难以在降低传输速率与维持不同网络条件下稳定远程操作所需的超高可靠性之间取得平衡。

方法论：A2HAP 框架

为了解决预测性 AI 与通信约束之间的脱节问题，作者提出了 Agile AI-empowered Haptic (A2HAP) 框架。该系统集成了一个概率神经网络与一个误差恢复控制器，用以动态调整传输阈值。

1. 核心组件

VarxHAP（概率估计器）： 一种新型神经网络，能够输出力估计值及校准后的不确定性指标。它在操作者端和远程操作端均可运行，利用双分支门控循环单元（GRU）架构结合交叉注意力机制，将历史力反馈与当前操作指令（位置和速度）进行融合。
- 步长感知嵌入（Step-Aware Embedding）： 为了处理高频力觉信号，该模型引入了步长感知嵌入，将估计步长显式映射到高维空间，解决了标准 RNN 无法追踪展开深度（rollout depths）的问题。
- 复合不确定性损失（Composite Uncertainty Loss）： 模型使用复合损失函数进行训练，该函数结合了点预测误差（MSE）、用于惩罚高误差时期低不确定性的高斯负对数似然（NLL）项，以及一个强制预测方差与观测到的平方残差相匹配的校准项。
误差恢复控制器（Error-Resilient Controller）： 一个根据实时网络拥塞和模型不确定性动态缩放传输阈值的闭环机制。
- 不确定性感知抑制： 系统采用分层门控逻辑。只有当感知变化超过最小可觉察差（JND）阈值且模型不确定性超过动态阈值 $\tau_k(m)$ 时，才会请求传输。
- 自适应阈值化： 阈值 $\tau_k(m)$ 根据连续估计次数进行指数衰减，以防止漂移。
- PI 控制逻辑： 比例-积分（PI）控制器用于调整基准不确定性 ( $\sigma_b$ ) 和衰减率 ( $\lambda$ ) 参数。它能够区分是由估计漂移引起的误差还是由网络拥塞引起的误差，从而调整阈值以实现：要么强制更频繁的传输（以刷新估计器），要么抑制更多数据包（以缓解拥塞）。

2. 信号重构

在接收端，力觉信号根据传输成功情况进行重构：

成功： 接收到真实的力。
感知静默（ $f_{JND}=0$ ）： 重放最后的已知参考值。
模型置信度（ $f_{AI}=0$ ）或误差： 接收端使用 VarxHAP 的点预测值 ( $\mu_{k,t}$ ) 作为备选恢复机制。

核心贡献

本文概述了三项主要贡献：

不确定性感知力觉估计器 (VarxHAP)： 一种概率模型，能提供力估计及其校准后的不确定性，从而实现数据包抑制与信号恢复。
误差恢复控制器： 一种根据模型不确定性动态缩放传输阈值的闭环机制。它通过精确确定何时以局部模型推理取代物理数据包传输，确保严格维持 99.999% 的可靠性目标。
AI 赋能框架 (A2HAP)： 一个敏捷框架，通过主动性的预测性手段而非仅仅依赖反应式的感知死带，来替代物理传输。

仿真结果

该框架在一个包含 60 个用户、可变数据包错误率 (PER) 以及采用真实 1 kHz 力觉轨迹的轮询资源块 (RB) 分配环境下进行了仿真评估。

资源效率： 与基准方法相比，A2HAP 平均减少了 25% 的资源块消耗。在峰值流量爆发期间，数据包速率被抑制高达 45%。
用户容量： 该框架比现有最先进方法支持了 20% 的用户容量增长（可容纳 60 个用户，而基准方法为 50 个），同时严格维持了 99.999% 的可靠性目标。
可靠性稳定性： 不同于在拥塞下性能迅速下降的基准方法，A2HAP 展示了优雅的降级特性。误差恢复控制器成功平衡了拥塞引起的误差与估计误差，即使在恶劣信道条件（PER 高达 $10^{-3}$ ）下也能保持高可靠性。
不确定性校准： VarxHAP 模型在力估计方面表现出高精度，同时能正确地在剧烈波动区域（剧烈力变化）分配高不确定性，验证了其作为门控机制的有效性。

意义与主张

本文声称 A2HAP 代表了从反应式向预测式、不确定性感知型力觉通信的范式转变。通过将 AI 原生估计与严苛的超高可靠低延迟通信 (URLLC) 要求相结合，该框架提供了一个校准后的置信度指标，可作为网络资源管理的鲁棒控制变量。

作者断言，将不确定性直接集成到传输回路中是实现触觉互联网的基础使能技术，它允许在低流量期间获得显著的资源效率提升，并在高流量期间实现可靠性稳定。这项工作证明，当 AI 驱动的数据包抑制与误差恢复控制器相结合时，可以在不损害用户体验或网络稳定性的情况下，满足远程操作对超高可靠性的需求。