面向机器人群体边缘计算的能量高效子集选择策略研究：基于图论模型与生命周期最大化方法

《Engineering》：Robot Subset Selection-Based Multi-User Edge Computing for Swarm Lifetime Maximization with Correlated Data Sources

为解决多机器人边缘计算系统中因数据冗余和通信能耗导致的群体生命周期受限问题，研究人员开展了一项关于能量高效子集选择策略的研究。他们提出了一种基于图论的子集选择模型，通过最小最大（MM）优化和最小度迭代划分（LDIP）算法，在加性高斯白噪声（AWGN）和独立同分布（IID）瑞利衰落信道中实现了高达650%的群体生命周期提升。这项研究为6G环境下机器人群体的资源优化提供了重要的理论框架和实践方案。

　　

随着机器人技术和边缘计算的快速发展，多机器人系统在环境监测、灾难救援和工业自动化等领域展现出巨大潜力。然而，这些系统面临着一个关键挑战：如何在不影响计算性能的前提下最大限度地延长机器人群体的使用寿命。传统的边缘计算方法通常要求所有机器人将感知数据全部传输到边缘服务器进行处理，这种"全员参与"的模式虽然能保证计算结果的准确性，但却造成了巨大的能量浪费。特别是在数据高度相关的应用场景中，不同机器人采集的信息往往存在大量冗余，重复传输这些冗余数据会加速机器人电池能量的消耗，从而缩短整个群体的使用寿命。

为了突破这一瓶颈，发表在《Engineering》上的这项研究提出了一种创新的解决方案：通过智能选择部分机器人子集参与数据传输，在保证边缘计算精度的同时显著降低通信能耗。研究人员巧妙地运用图论模型，将复杂的子集选择问题转化为图划分问题，并开发了相应的优化算法来实现群体生命周期的最大化。

研究团队采用了系统建模与理论分析相结合的方法，首先建立了机器人群体边缘计算的通用框架，定义了子集选择与群体生命周期的数学关系。通过信息论中的熵和互信息概念，他们量化了数据相关性对计算结果的影响，证明了在特定条件下使用子集数据完全可以替代全数据集。关键技术方法包括：基于图论的子集建模方法、最小最大（MM）优化算法、最小度迭代划分（LDIP）算法，以及在加性高斯白噪声（AWGN）和独立同分布（IID）瑞利衰落信道条件下的性能评估方法。

研究结果从多个维度验证了所提方法的有效性：

理论分析表明，在AWGN信道中，当所有机器人具有相同的初始能量且子集之间存在公共部分时，群体生命周期存在明确的上界。通过数学推导，研究人员得出了生命周期与子集数量、机器人数量等参数之间的定量关系，为实际系统设计提供了理论指导。

图论建模与子集选择部分揭示了如何将机器人子集表示为图中的顶点，并通过边连接表示子集间的共享机器人关系。研究发现，通过将图划分为多个子图，并从中选择代表顶点（R-vertex），可以有效地组织子集选择过程，减少机器人的重复使用。

算法性能评估显示，在AWGN信道环境下，提出的LDIP和LDIP-plus算法相比传统方法能提升高达650%的群体生命周期。随着子集数量W的增加，生命周期呈现先快速增加后逐渐饱和的趋势，而子集规模K的增大则会对生命周期产生负面影响。

在IID瑞利衰落信道中，研究考虑了信道估计受限的现实约束。结果表明，当基站能为所有机器人提供信道估计服务时，MM算法表现最佳；但在信道估计能力有限的情况下，LDIP系列算法展现出更好的适应性，这为实际系统中资源分配策略的选择提供了重要参考。

研究的讨论部分深入分析了不同场景下的优化策略选择。在完全图情况下（所有子集共享至少一个相同机器人），最优策略是选择公共部分的机器人；而在零图情况下（子集间无共享机器人），轮询调度成为最佳选择。对于更一般的图结构，需要通过图划分和子图级顶点搜索来找到近似最优解。

这项研究的重要意义在于：首先，它为解决多机器人边缘计算系统中的能量效率问题提供了全新的思路，将传统的"全员传输"模式转变为"智能选择"模式；其次，提出的图论模型和优化算法具有很好的通用性，可适用于不同类型的通信信道和网络条件；最后，研究成果为6G时代大规模机器人群体的协同计算提供了重要的理论基础和实践指导，对推动智能无人系统的发展具有深远影响。

通过理论创新与实用算法的结合，这项研究不仅在学术上丰富了多机器人系统优化理论，在实践中也为设计能量高效的边缘计算系统提供了可操作的解决方案，标志着机器人群体协同计算优化研究向前迈出了重要一步。