《IEEE Journal of Indoor and Seamless Positioning and Navigation》：IES ONCON 2025 [News in Industry Activities]
编辑推荐：
在数字化转型浪潮下，产业界正面临AI高效部署、嵌入式智能实现、机器人规模化应用及协同智能等核心挑战。本次IES ONCON 2025产业论坛汇集了Arm、embeX GmbH、IEEE IES及W8less等机构的专家，围绕Arm Kleidi AI加速库、嵌入式功率电子数据驱动建模、机器人基础模型(RFM)与W8less群体智能技术栈等主题展开研讨。论坛展示了如何通过软硬件协同优化提升AI推理效率，在资源受限的嵌入式系统中实现数据驱动模型部署，利用开源RFM降低物理AI创新门槛，以及构建高精度、低延迟的群体智能框架以解决大规模自主系统的定位与协同问题。这些成果为工业电子领域的智能化升级提供了关键技术路径与实用方案，促进了产学研的深度融合。
在人工智能(AI)与机器人技术迅猛发展的今天，我们正站在一个新时代的门口：智能体正从虚拟世界走向物理世界，从单机作业走向协同共生。然而，这条进化之路并非坦途。当试图将强大如ChatGPT的生成式AI模型嵌入实体机器人，让它们学习叠衣服这类对人类而言简单的日常任务时，研究者们遇到了重重障碍。同样，工业界渴望在云服务器上实现高效、低成本的大语言模型(LLM)推理，在微控制器上为功率电子设备装上“数据大脑”，并让成群的机器人在复杂、动态的环境中像雁群一样自主、精准、安全地协作。这些愿景背后，是一系列悬而未决的核心难题：如何打破算力与能效的瓶颈？如何在严格的实时性与硬件资源限制下部署智能算法？又如何构建一个可靠的“神经系统”，让机器人群落能够感知、通信并协同行动，从而应对从智能制造到国防安全的各类重大挑战？
为了回答这些跨越学术界与产业界的迫切问题，业界领袖与研究者们齐聚工业电子学会(IES, Industrial Electronics Society) 2025年线上会议(ONCON 2025)的产业论坛。本论坛旨在搭建产学研对话的桥梁，针对AI部署、嵌入式智能、机器人学及群体智能等前沿方向，分享最尖端的技术蓝图与实践经验。相关研讨成果对于推动工业电子领域的智能化转型具有重要参考价值，其核心内容被记录并发表于《IEEE Journal of Indoor and Seamless Positioning and Navigation》的相关会议报道中。
本研究（指论坛报道中综述的系列工作）主要运用了以下几种关键技术方法：首先是针对特定硬件平台（如Arm Neoverse）的AI微内核与库优化技术（如Arm KleidiAI库、Arm Compute Library），旨在提升云上AI推理性能。其次是面向嵌入式系统（特别是微控制器）的数据驱动建模与硬件感知神经网络设计，专注于在实时与内存约束下构建物理可接受的替代模型。再次是利用开源机器人基础模型（RFM, Robotic Foundation Models）（如行动分块Transformer）与框架（如Hugging Face的LeRobot）进行物理AI技能的快速训练与测试。最后是多传感器融合的定位、导航与授时（PNT, Positioning, Navigation, and Timing）技术，以及专为实时群体协同设计的软件内核（如W8less Intelligence Kernel），以实现厘米级精度与毫秒级延迟的群控性能。部分案例涉及与美国国防部（DoD, Department of Defense）等机构合作的实际机器人平台进行集成验证。
论坛核心内容与研究成果
1. Arm Kleidi：在Arm Neoverse平台上扩展AI部署
Arm公司的专家介绍了其新技术Arm Kleidi，旨在为基于Neoverse的平台云部署解锁顶级的片上CPU（CPU, Central Processing Unit）推理性能和性价比。报告通过具体案例（如Llama 3 INT4文本生成和XGBoost推荐系统）表明，通过Kleidi AI微内核和Arm Compute库的优化，结合Neoverse的BF16、INT8/INT4和矩阵乘法累加（MMLA, Matrix Multiply Accumulate）等特性，可以在PyTorch等框架后台加速实际工作负载。性能对比显示，其在吞吐量、延迟和总拥有成本（TCO, Total Cost of Ownership）上相较于x86架构和中端图形处理器（GPU, Graphics Processing Unit）具有优势。这为在云端高效、经济地进行大规模AI推理提供了新的硬件与软件协同解决方案。
2. 实时与硬件约束下的嵌入式功率电子数据驱动建模
研究者探讨了在嵌入式功率电子平台中引入数据驱动组件时的特殊挑战。报告提出了一套从精准问题描述、针对性数据采集到模型构建的工作流程，重点介绍了受通用逼近理论启发、受物理系统特性约束的经典机器学习（ML, Machine Learning）技术和紧凑型人工神经网络（ANN, Artificial Neural Network）。其核心在于如何在现有的工业硬件上，在严格的计算和实时性要求下部署这些模型。结论指出，鲁棒的嵌入式部署需要将建模目标与1）可用数据、2）基本的物理可接受性约束、3）目标硬件的实时性和内存限制对齐，并辅以系统化的验证流程和恰当的工程判断。
3. 机器人基础模型与物理AI构建模块
此部分展示了利用开源机器人基础模型和负担得起的开源机器人手臂（如SO101）来训练和测试物理AI的流程。集成生成式AI模型到物理系统中，使其能够在现实世界展现能力。报告指出，RFM和开源机器人手臂 democratize（普及）了物理AI的创新，使个人无需大型实验室即可探索智能自动化。讲者介绍了RFM的架构、能力、挑战与经验教训，并通过视频展示了开源RFM行动分块Transformer抓取和放置物体的能力。最后给出了入门建议，包括基础学习平台推荐、可支持10万步训练的AI训练包建议，以及使用Ubuntu系统优于Windows的实践经验。
4. W8less技术栈：群体智能的新蓝图
报告指出，要实现机器人技术和自主系统的规模化效益，必须改进底层定位与连接框架，并将焦点从个体智能转向群体智能。W8less技术栈提出了一个“三足”架构：云、板载智商（Onboard IQ）和群体运动（Swarm Motion），各部分独立且并行运行。其技术途径是多传感器、安全至上的分阶段自主方案。核心是W8less Intelligence Kernel，该内核基于25年研究，已在25种不同类型的机器人上验证，专为实时群体性能设计，可实现毫秒级延迟和机器人间10厘米的定位误差。在存在干扰和全球定位系统（GPS, Global Positioning System）失效的军事应用等多种用例中，该内核被证明能协调大型机器人团队而不会使通信信道饱和，通信负载降低了5万倍。案例显示，该技术已在汽车物流、公共交通、高级驾驶辅助系统（ADAS, Advanced Driver-Assistance Systems）、自动驾驶接驳车以及采矿等重工业机器人中得到部署。
结论与意义
本次IES ONCON 2025产业论坛集中呈现了工业电子领域智能化前沿的四大关键技术趋势：云端AI推理的软硬件协同优化、边缘侧嵌入式AI的实用化部署、物理AI技术的平民化普及，以及实现大规模自主系统的厘米级精准群体智能。这些工作表明，通过Arm Kleidi等专用加速方案，可以显著提升云上AI效率与经济性；通过硬件感知的数据驱动建模，能使智能算法落地于资源苛刻的工业嵌入式设备；开源RFM与低成本机器人平台极大地降低了物理AI的研发门槛；而像W8less Intelligence Kernel这样的群体智能内核，则为机器人大规模协同作业提供了高精度、高可靠性、低通信开销的基础框架。这些研究成果不仅解决了当前产业在智能化转型中面临的具体性能、成本与可靠性瓶颈，更重要的是勾勒出一个从云端到边缘、从单体到群体的无缝智能工业体系蓝图。它们强调，未来的智能化突破依赖于跨层优化（从芯片到集群）、开源协作以及对“群体智能”这一核心范式的持续投入。论坛最终达成共识，产学研的紧密合作是应对这些复杂挑战、将尖端技术转化为实际生产力的关键，持续的相关研讨将在工业电子学会产业活动委员会（IAC, Industry Activities Committee）的指导下继续推进。
