编辑推荐：
针对视障人群（VIPs）辅助无人机视频推理任务的时延与成本权衡难题，研究人员提出 DEMS-A 与 GEMS 启发式算法，调度边缘（如 Jetson）与云端（INFaaS）的 DNN 任务。实验表明，任务完成率最高达 88%，QoS/QoE 效用显著提升，为 VIPs 辅助技术提供新方案。
在科技高速发展的当下，视障人群（Visually Impaired People, VIPs）的户外独立活动需求日益凸显。传统辅助工具如盲杖、导盲犬及智能背包等，虽能提供一定帮助，但存在携带不便、视野受限等问题。随着无人机技术的成熟，利用 “伙伴无人机” 辅助 VIPs 导航成为新方向。然而，无人机搭载的摄像头实时采集的视频数据需通过深度神经网络（Deep Neural Network, DNN）推理实现环境感知与导航决策，这类任务对执行时延要求严格，且需在边缘设备（如英伟达 Jetson）与云端推理即服务（INFerencing-as-a-Service, INFaaS）间权衡延迟与成本。此外，网络波动和计算资源的不确定性，使得如何高效调度任务以保障服务质量（Quality of Service, QoS）与用户体验质量（Quality of Experience, QoE）成为亟待解决的难题。
为突破上述瓶颈，印度科学研究所的研究人员开展了针对个性化无人机群的边缘与云端 DNN 推理调度研究。相关成果发表在《Future Generation Computer Systems》，为无人机辅助视障人群应用提供了关键技术支撑。
研究采用的核心技术方法包括：
- 任务调度框架设计：构建边缘与云端协同的推理架构，支持 DNN 任务在本地加速器（如 Jetson Nano/Orin Nano）与云端函数计算（如 AWS Lambda）间智能卸载。
- 启发式算法开发：提出 DEMS-A 算法，融合任务丢弃、迁移、工作窃取及动态适应云端变化等策略；设计 GEMS 算法，通过窗口内任务完成率保障 QoE。
- 实验验证体系：搭建包含 80 余架无人机、25 名虚拟 VIPs 的仿真环境，结合真实无人机（如 Tello）与实时视频流，验证算法在任务完成率、效用提升等方面的性能。
研究结果
1. 推理架构与任务建模
研究提出的应用平台通过多架无人机协同，利用 DNN 模型实现 VIP 实时跟踪、危险预警及兴趣点检测等功能。任务被定义为视频片段与 DNN 模型的组合（τi,j），依据时效性和重要性赋予不同截止期限与效益值。例如，跟踪 VIP 的任务需短截止期限与中等效益，而车辆距离估算则要求中截止期限与高效益。
2. 边缘与云端性能基准
对比边缘（模拟 Jetson Nano）与云端（AWS Lambda）的推理时延发现，边缘执行时间更短且波动小，云端虽计算快但受广域网传输延迟影响显著。模拟 7 架无人机移动场景时，网络延迟与带宽波动进一步加剧，凸显动态调度的必要性。
3. DEMS-A 算法性能
在仿真实验中，DEMS-A 实现了最高 88% 的任务完成率，QoS 效用较基准算法提升 2.7 倍。当适应网络变化时，其 QoS 效用再提高 16%，表明动态调整策略对波动环境的有效性。
4. GEMS 算法的 QoE 保障
GEMS 在总效用上与 DEMS 相当，但 QoE 效用最高提升 75%。真实无人机实验显示，其任务完成率达 87%，总效用较仅用边缘计算提升 33%，且无人机轨迹平滑度（以最小 jerk 值和偏航误差衡量）最优，验证了其在实际场景中的可靠性。
5. 端到端导航验证
通过 Tello 无人机、Jetson Orin Nano 与 AWS Lambda 构建的实时系统，成功实现代理 VIP 的校园导航。结果表明，GEMS 在 30 FPS 帧率下提供了最稳定的轨迹控制，为 VIP 辅助应用的落地奠定了基础。
结论与意义
本研究首次将边缘 - 云端协同调度与 VIP 辅助无人机结合，通过 DEMS-A 与 GEMS 算法平衡了任务时效性、资源利用率与用户体验。实验证明，所提方案在任务完成率、效用提升及轨迹控制等关键指标上显著优于传统方法，为无人机在医疗辅助、智慧城市等领域的应用提供了可扩展的技术框架。未来研究可进一步探索多边缘节点协同、隐私保护及法规适配等方向，推动该技术从实验室走向实际场景，切实改善视障人群的生活质量。
