史彥軍，韓俏梅，沈衛(wèi)明*，王現(xiàn)斌

a Department of Mechanical Engineering, Dalian University of Technology, Dalian 116024, Chinab Department of Electrical and Computer Engineering, Western University, London, ON N6A 3K7, Canadac State Key Laboratory of Digital Manufacturing Equipment and Technology, Huazhong University of Science and Technology, Wuhan 430074, China

1. 引言

柔性制造工廠的概念已經(jīng)日臻成熟，促成了未來工廠的多品種、小批量生產(chǎn)模式。盡管如此，有些工廠仍然處于資源受限的狀況，很難滿足不斷變化的生產(chǎn)模式及客戶提出的需求。為應(yīng)對這些挑戰(zhàn)，鑒于目前產(chǎn)業(yè)集聚和供應(yīng)鏈的現(xiàn)狀，工業(yè)園區(qū)應(yīng)運(yùn)而生。工業(yè)園區(qū)是由集群化制造工廠及配套服務(wù)業(yè)組成，通過資源共享、互助以及產(chǎn)能互補(bǔ)可顯著推動(dòng)經(jīng)濟(jì)增長[1]。

在當(dāng)前的工業(yè)園區(qū)中，包括物流任務(wù)在內(nèi)的許多運(yùn)營性任務(wù)得到永久集成和同步執(zhí)行，且不斷相互影響。在占地面積大且繁忙的工業(yè)園區(qū)內(nèi)，大量數(shù)據(jù)被生成和交換，這導(dǎo)致通信和計(jì)算的復(fù)雜性增加。目前已有多項(xiàng)研究對這些通信和計(jì)算復(fù)雜性在改善工業(yè)園區(qū)管理效率方面的作用進(jìn)行了評估。此外，一些研究者還提出了協(xié)同方案，以提高工業(yè)園區(qū)的運(yùn)營績效。Qiu等[2]提出了工業(yè)園區(qū)集配中心（SHIP）的概念，與園區(qū)內(nèi)的制造商進(jìn)行合作，以構(gòu)建雙層模型來解決企業(yè)所面臨的存儲(chǔ)定價(jià)、補(bǔ)貨及交付等問題。此外，一些研究人員還提出在工業(yè)園區(qū)內(nèi)集成先進(jìn)技術(shù)，包括物聯(lián)網(wǎng)（IoT）、云計(jì)算和邊緣計(jì)算。云計(jì)算[3]技術(shù)可將數(shù)據(jù)上傳到云服務(wù)器，通過云服務(wù)器實(shí)現(xiàn)云控制中心與底層設(shè)備之間的交互。由于網(wǎng)絡(luò)性能會(huì)隨數(shù)據(jù)量的增加而下降[4]，可通過邊緣計(jì)算與云計(jì)算的結(jié)合來減輕網(wǎng)絡(luò)負(fù)載。邊緣計(jì)算是一種在網(wǎng)絡(luò)邊緣提供信息技術(shù)（IT）服務(wù)和云計(jì)算環(huán)境能力的技術(shù)[5]。這兩種技術(shù)可共存并具有互補(bǔ)關(guān)系[6]。Ha等[7]提出了一種基于云計(jì)算的協(xié)同架構(gòu)，在該架構(gòu)下可獲得最優(yōu)的解決方案。Zhao等[8]結(jié)合物聯(lián)網(wǎng)與邊緣計(jì)算技術(shù)，提出在工業(yè)園區(qū)內(nèi)建立一種針對分布式?jīng)Q策的協(xié)同追蹤架構(gòu)。Qi等[9]提出了一種基于多接入邊緣計(jì)算技術(shù)的家庭能源系統(tǒng)。本研究還運(yùn)用了集成的概念，可實(shí)現(xiàn)工業(yè)園區(qū)的性能。

目前，在工業(yè)園區(qū)內(nèi)尋求最優(yōu)物流方案仍面臨以下挑戰(zhàn)：

? 互聯(lián)：由于涉及大量運(yùn)營車輛及設(shè)備，管理這些

龐大的對象及其互聯(lián)是一項(xiàng)重大挑戰(zhàn)。

? 多工廠集成：多家工廠可通過互聯(lián)完成物流任務(wù)。盡管很多內(nèi)部工廠已提出獨(dú)立的優(yōu)化算法，但要實(shí)現(xiàn)集成是非常復(fù)雜的。

? 實(shí)時(shí)響應(yīng)：理想的狀態(tài)是實(shí)現(xiàn)實(shí)時(shí)響應(yīng)，因其可以提高工業(yè)園區(qū)的運(yùn)營效率。諸如，車輛在遇到障礙物后如何在不影響整體流程的情況下做出反應(yīng)。

在本研究中，本文的目標(biāo)就是應(yīng)對工業(yè)園區(qū)內(nèi)出現(xiàn)的上述挑戰(zhàn)。本文剩余部分的結(jié)構(gòu)如下：第2節(jié)從工業(yè)園區(qū)場景的角度，描述所面臨的問題；第3節(jié)介紹了工業(yè)園區(qū)第五代（5G）車用無線通信技術(shù)（V2X）網(wǎng)絡(luò)部署及相關(guān)技術(shù)；第4節(jié)給出針對基于5G車聯(lián)網(wǎng)工業(yè)園區(qū)的整體協(xié)同架構(gòu)；第5節(jié)介紹了基于端-邊-云協(xié)同可合理安排的多重功能；第6節(jié)提出了配置和評估方法，即目標(biāo)級聯(lián)分析（ATC）方法，并將其應(yīng)用于所提出的協(xié)同框架中；第7節(jié)通過一項(xiàng)基于5G車聯(lián)網(wǎng)的工業(yè)園區(qū)的物流分析案例研究，演示出所提出的框架，并對集成方案進(jìn)行了評估；最后在第8節(jié)總結(jié)出本文的主要結(jié)論及未來研究方向。

2. 問題描述

本研究的目的是在不考慮特定工廠內(nèi)部生產(chǎn)運(yùn)營的前提下，制定出針對工業(yè)園區(qū)內(nèi)物流任務(wù)的協(xié)同方案。因此，本文為該場景設(shè)計(jì)一個(gè)協(xié)同框架。本文需要先提供一些說明及因素來量化集成方案的要求。

首先，工業(yè)園區(qū)內(nèi)物流場景的組成部分分為傳感器、車輛、邊緣服務(wù)器以及云服務(wù)器。其中車輛假設(shè)為無人駕駛的聯(lián)網(wǎng)車輛，并在運(yùn)行中可能受到其他組件（如邊緣服務(wù)器、云服務(wù)器和道路障礙物）的影響。這些組件形成復(fù)雜的運(yùn)行關(guān)聯(lián)性[10]，一旦發(fā)生變化就會(huì)相互影響。因此，大量的數(shù)據(jù)、信息和知識(shí)需要得到實(shí)時(shí)處理[11]。

其次，在工業(yè)園區(qū)內(nèi)的物流運(yùn)營過程中，本文主要考量以下功能：環(huán)境感知與地圖構(gòu)建（E）、任務(wù)分配（T）、路徑規(guī)劃（P）以及車輛運(yùn)輸（V）（簡稱ETPV功能）。圖1顯示出典型工業(yè)園區(qū)內(nèi)的ETPV工作流程。安裝在道路和車輛上的傳感器負(fù)責(zé)收集數(shù)據(jù)，以實(shí)現(xiàn)環(huán)境感知以及云服務(wù)器中的數(shù)據(jù)更新。然后，云服務(wù)器為車輛分配任務(wù)，邊緣服務(wù)器則在其監(jiān)管區(qū)域內(nèi)規(guī)劃局部路徑。結(jié)合傳感器感知到的障礙物信息，可以規(guī)劃出無障礙路段。最后，車輛逐段執(zhí)行其物流任務(wù)，直至到達(dá)相應(yīng)的目的地。

圖1. 工業(yè)園區(qū)內(nèi)的典型物流管控流程。

再次，該場景的主要目標(biāo)是完成物流任務(wù)，并獲得最優(yōu)的集成方案。從全局的視角出發(fā)，云服務(wù)器起到分配任務(wù)的作用，且車輛應(yīng)該從供應(yīng)點(diǎn)行駛到目的地。從局部角度來看，當(dāng)車輛在每一子區(qū)內(nèi)行駛時(shí)，相應(yīng)的邊緣服務(wù)器會(huì)在其監(jiān)管范圍內(nèi)規(guī)劃局部路段。同時(shí)，傳感器負(fù)責(zé)感知環(huán)境并將該信息提供給服務(wù)器，幫助后者規(guī)劃無障礙路段。因此，需要提供一個(gè)集成解決方案來實(shí)現(xiàn)這些相互作用的功能之間的有效協(xié)調(diào)與協(xié)同。

最后，需要注意的是，本文的主旨是對所提出的協(xié)同框架的分析驗(yàn)證，這里所討論內(nèi)容的重點(diǎn)并非確定每一功能的優(yōu)化算法。在今后的工作中，本文將設(shè)計(jì)和實(shí)施已驗(yàn)證框架的優(yōu)化算法，并將其應(yīng)用到實(shí)際場景之中。

3. 工業(yè)園區(qū)物流5G網(wǎng)絡(luò)部署

對工業(yè)園區(qū)內(nèi)物流提出的若干要求如下：①由于工業(yè)園區(qū)的物流運(yùn)營本質(zhì)上是交通服務(wù)[12]，因此應(yīng)確保道路使用者的安全。盡管本文的場景側(cè)重在工業(yè)園區(qū)內(nèi)，與城市相比，行人或道路使用者的數(shù)量更少，但安全問題仍然是其他流程正常進(jìn)行的基礎(chǔ)。因此，工業(yè)園區(qū)內(nèi)的物流部署對感知、決策及控制流程的效率提出極高的要求。②隨著定制化生產(chǎn)模式普及程度的提高，工業(yè)園區(qū)的運(yùn)營狀況也在不斷發(fā)生變化。此外，頻繁的數(shù)據(jù)傳輸可能會(huì)導(dǎo)致數(shù)據(jù)包丟失。以上兩種趨勢會(huì)造成工業(yè)園區(qū)的可靠性降低。因此，需要處理好物理設(shè)備的柔性連接以及所生成數(shù)據(jù)的大規(guī)模傳輸。

針對這些要求，部署高性能設(shè)備來管理各種連接以及開發(fā)智能算法來實(shí)現(xiàn)智能計(jì)算是兩種解決方案，并已被許多研究人員和企業(yè)應(yīng)用[12,13]。但是將這些解決方案集成到每臺(tái)車輛上很難實(shí)現(xiàn)，且必須解決如高精度地圖實(shí)時(shí)更新等問題。因此，需要實(shí)現(xiàn)車輛與道路使用者之間的協(xié)同，以獲得更為全面的感知范圍以及精確的導(dǎo)航，并與云服務(wù)器和邊緣服務(wù)器共享計(jì)算能力。綜上，通過應(yīng)用5G切片技術(shù)，并將其與V2X網(wǎng)絡(luò)相結(jié)合，可實(shí)現(xiàn)工業(yè)園區(qū)內(nèi)5G網(wǎng)絡(luò)的部署。現(xiàn)有的第四代（4G）、無線上網(wǎng)（WiFi）以及其他無線通信技術(shù)無法滿足上述要求。

3.1. 5G切片技術(shù)提升效率

根據(jù)設(shè)想，5G網(wǎng)絡(luò)的部署可提高工業(yè)園區(qū)的運(yùn)營性能，特別是針對事故做出更快響應(yīng)的實(shí)時(shí)反饋能力[14]。5G網(wǎng)絡(luò)的優(yōu)勢可從以下兩個(gè)角度來描述。

首先，當(dāng)前的4G網(wǎng)絡(luò)無法支持低延時(shí)且高效率的服務(wù)。例如，一輛部署了4G網(wǎng)絡(luò)接入的汽車需要1.5 m的制動(dòng)響應(yīng)距離。相比之下，部署了5G網(wǎng)絡(luò)接入的車輛只需要2.5 cm，這將有助于防止事故的發(fā)生[15]。同樣，如果車輛駛?cè)氲叫盘柛采w低或人口密集的區(qū)域，4G會(huì)出現(xiàn)連接失敗的情況。而理論上，5G連接始終具有良好的信號覆蓋，可隨時(shí)隨地實(shí)現(xiàn)穩(wěn)定的連接[16]。

其次，目前廣泛應(yīng)用的4G核心網(wǎng)（CN）和無線接入網(wǎng)（RAN）均采用同一種架構(gòu)進(jìn)行集成，缺乏足夠的靈活性。而5G網(wǎng)絡(luò)可支持網(wǎng)絡(luò)切片技術(shù)，該技術(shù)通過解耦用戶平面（UP）和控制平面（CP）[17]，實(shí)現(xiàn)針對不同應(yīng)用場景的網(wǎng)絡(luò)切片。借此，它們的功能可在需要且方便的地點(diǎn)實(shí)施，從而節(jié)省了管理和運(yùn)行時(shí)間。

為實(shí)現(xiàn)這些優(yōu)勢，需要部署三種典型的5G切片：

?增強(qiáng)型移動(dòng)寬帶（eMBB），該場景適用于要求無縫用戶體驗(yàn)的應(yīng)用，因此該5G切片類型對數(shù)據(jù)及用戶體驗(yàn)速度的要求明顯更高；

?大規(guī)模機(jī)器類通信（mMTC），該場景包括大量的終端設(shè)備，導(dǎo)致對連接密度的要求提高，同時(shí)能耗和設(shè)備運(yùn)營成本也隨之提高；

?超可靠低時(shí)延通信（uRLLC），該場景對延時(shí)和可靠性能力有著嚴(yán)格的要求。5G網(wǎng)絡(luò)在uRLLC（高可靠低延時(shí)通信）應(yīng)用中的潛力已得到充分證明[18]。例如，5G的延遲約為1 ms，預(yù)計(jì)比4G快10～100倍。此外，5G表現(xiàn)出更好的性能穩(wěn)定性，而WiFi連接很容易受到干擾并中斷[10]。因此，5G切片技術(shù)可通過專門劃分uRLLC切片以獲得低延遲表現(xiàn)，或通過解耦UP和CP以節(jié)省管理和運(yùn)行時(shí)間，從而加快工業(yè)園區(qū)物流運(yùn)營的效率。此外，就eMBB和mMTC切片而言，5G的性能有望優(yōu)于其他現(xiàn)有無線通信技術(shù)，而本文場景的要求恰恰包括高精度記錄通信以及密集的數(shù)據(jù)傳輸[10]。

3.2. 5G車聯(lián)網(wǎng)支持大規(guī)模連接

物聯(lián)網(wǎng)技術(shù)在借助互聯(lián)網(wǎng)連接物理設(shè)備及協(xié)調(diào)運(yùn)行方面發(fā)揮至關(guān)重要的作用[19]。此外，車聯(lián)網(wǎng)（IoV）專門用于開發(fā)大規(guī)模通信的車輛聯(lián)網(wǎng)，實(shí)現(xiàn)信息收集和交換、監(jiān)視及定位等功能[20-22]。作為一項(xiàng)主要技術(shù)，V2X通信[23,24]由車對車（V2V）、車對基礎(chǔ)設(shè)施（V2I）、車對行人（V2P）和車對網(wǎng)絡(luò)（V2N）通信組成[25]。實(shí)施V2X通信可實(shí)現(xiàn)多種類型的連接。

V2X通信包括兩種模式：基于蜂窩移動(dòng)通信的V2X（C-V2X）和專用短程通信（DSRC），其中C-V2X在鏈路速度、干擾衰減和非視距（NLOS）方面優(yōu)于DSRC。鑒于本文的研究是工業(yè)園區(qū)內(nèi)的物流運(yùn)營，C-V2X應(yīng)用適合于所提出的框架，因其提供了用于底層道路使用者之間直接通信的PC5接口，以及用于借助CN的通信的LTE-Uu接口。根據(jù)第三代合作伙伴項(xiàng)目（3GPP）第16版，PC5和LTE-Uu接口增強(qiáng)以及新無線電（NR）標(biāo)準(zhǔn)化被認(rèn)為是增強(qiáng)C-V2X 5G技術(shù)的第一階段[26]，其中5G NR支持車用通信的超高容量連接[27]。

因此，位于C-V2X與5G網(wǎng)絡(luò)交匯處的5G V2X被視為一種在物流場景中實(shí)現(xiàn)移動(dòng)車輛與其他工作設(shè)備之間的大規(guī)模通信的潛在趨勢。如圖2所示，本地云分布在移動(dòng)車輛附近，遠(yuǎn)程云則分布在終端用戶附近，位于二者之間的邊緣云實(shí)際上更靠近本地云。而在本文的場景中，本地云對應(yīng)于設(shè)備和邊緣服務(wù)器，而邊緣云對應(yīng)于云服務(wù)器。這里未考慮遠(yuǎn)程云，因其位于工業(yè)園區(qū)之外，主要由終端客戶控制。

盡管5G網(wǎng)絡(luò)有諸多優(yōu)點(diǎn)，但也存在一些缺點(diǎn)：①5G應(yīng)用在毫米波頻譜中，這導(dǎo)致5G基站（BS，也稱為gNB）分布的數(shù)量增加；②考慮到基站的能耗及成本，5G的部署費(fèi)用將在一定程度上增加。因此，為克服這些缺點(diǎn)，出現(xiàn)了兩種解決方案：①更合理地分配5G頻譜，這超出了本文所討論的范疇，因?yàn)椴煌膰铱赡軙?huì)出臺(tái)不同的解決方案；②尋找最優(yōu)的工業(yè)園區(qū)物流方案來彌補(bǔ)這些不足，這是本文研究的重點(diǎn)。

4. 基于5G車聯(lián)網(wǎng)的工業(yè)園區(qū)多層協(xié)同框架

如圖3所示，本文提出了一個(gè)基于5G車聯(lián)網(wǎng)的多層協(xié)同框架，包括感知與執(zhí)行層、配置層以及物流層。其支持ETPV功能之間的協(xié)同工作。這種協(xié)同框架的創(chuàng)新性體現(xiàn)在以下兩個(gè)方面：①通過端-邊-云協(xié)同管理ETPV功能；②采用ATC方法用于配置和評估。第5節(jié)和第6節(jié)中將對以上兩個(gè)方面進(jìn)行詳細(xì)介紹。

4.1. 針對該框架的5G通信技術(shù)

5G網(wǎng)絡(luò)用于支持該協(xié)同框架的通信，這有利于框架中各組件，即云服務(wù)器、邊緣服務(wù)器、車載單元（OBU）和路側(cè)單元（RSU）的連接，如圖4所示。首先，OBU通過V2V技術(shù)實(shí)現(xiàn)相互通信，并通過V2I向RSU發(fā)送消息。隨后，RSU通過互聯(lián)網(wǎng)將收集到的數(shù)據(jù)傳輸至云服務(wù)器進(jìn)行存儲(chǔ)。同時(shí)，OBU通過5G網(wǎng)絡(luò)將數(shù)據(jù)直接傳送至邊緣服務(wù)器。利用在工業(yè)園區(qū)內(nèi)基站的部署，5G可提供專用網(wǎng)。這些小基站獨(dú)立于其他設(shè)備安裝，且不會(huì)干擾數(shù)據(jù)傳輸及計(jì)算，可提供有效的數(shù)據(jù)安全性。因此，針對所提出的框架，5G通信能夠?qū)崿F(xiàn)低延遲和安全傳輸，以及高效的框架協(xié)同。

圖2. V2X通信模式，以及V2X服務(wù)用設(shè)備、RAN和CN中的5G切片概念。MME：運(yùn)輸工具管理實(shí)體；S-GW：服務(wù)網(wǎng)關(guān)；P-GW：分組數(shù)據(jù)網(wǎng)絡(luò)網(wǎng)關(guān)；HSS：歸屬用戶服務(wù)器；PCRF：政策及收費(fèi)規(guī)則功能；BBU：基帶單元；RRH：遠(yuǎn)程無線電頭；C-RAN：云無線接入網(wǎng)；eNB：基站；RSU：路側(cè)單元；AS：應(yīng)用服務(wù)器；SDN：軟件定義網(wǎng)絡(luò)；VNF：虛擬化網(wǎng)絡(luò)功能。轉(zhuǎn)載自參考文獻(xiàn)[17]，經(jīng)IEEE許可，?2017。

圖3. 基于5G車聯(lián)網(wǎng)工業(yè)園區(qū)的多層協(xié)同框架。USB：通用串行總線；LIDAR：光探測和測距；HPC：高性能計(jì)算；OBU：車載單元。

圖4. 用于所提出框架中各組件間連接的5G通信。

4.2. 感知與執(zhí)行層

在感知與執(zhí)行層中，車聯(lián)網(wǎng)可實(shí)現(xiàn)基于OBU的自我感知以及基于RSU的環(huán)境感知。這些傳感器在不同的子區(qū)域內(nèi)工作，并通過邊緣服務(wù)器接收分布式任務(wù)用于管理。底層攝像頭、光檢測和測距（LIDAR）傳感器、高性能計(jì)算機(jī)，以及慣性導(dǎo)航傳感器等設(shè)備通過網(wǎng)線、通用串行總線（USB）電纜以及串行端口電纜實(shí)現(xiàn)與OBU和RSU的連接。這一層屬于物理域，通過5G網(wǎng)絡(luò)實(shí)時(shí)呈現(xiàn)工業(yè)園區(qū)的運(yùn)行狀態(tài)。

4.3. 框架配置層

配置層在平臺(tái)域起到至關(guān)重要的作用。如圖5所示，一旦發(fā)布物流任務(wù)，傳感器、邊緣服務(wù)器以及聯(lián)網(wǎng)車輛就會(huì)做出響應(yīng)。但是，上述功能會(huì)相互影響，并形成不受控制的約束機(jī)制。諸如，環(huán)境感知功能通過分布在不同子區(qū)域的傳感器實(shí)現(xiàn)，影響路徑規(guī)劃決策方案，而云服務(wù)器則觸發(fā)車輛任務(wù)并采集車輛的實(shí)時(shí)狀態(tài)，據(jù)此做出路徑規(guī)劃決策。因此，大量輸入和輸出變量可被劃分為設(shè)備側(cè)、邊緣側(cè)和云側(cè)，通過ATC方法運(yùn)行評估流程，如圖6所示。然后，通過響應(yīng)和反饋對多功能集成方案進(jìn)行實(shí)時(shí)協(xié)調(diào)。

4.4. 物流運(yùn)輸層

圖5. 協(xié)同框架的分區(qū)狀態(tài)。l：環(huán)境感知方案的數(shù)量；k：任務(wù)分配方案的數(shù)量；m：路徑方案的數(shù)量；a：傳感器的數(shù)量；b：邊緣服務(wù)器的數(shù)量；c：車輛數(shù)量。

圖6. 基于ATC方法的評估和配置流程。

物流層建立在應(yīng)用域上，可對底層設(shè)備執(zhí)行某些決策和控制。為減輕云服務(wù)器的負(fù)擔(dān)，整個(gè)區(qū)域被分成多個(gè)子區(qū)域，每一子區(qū)域均配備一個(gè)邊緣服務(wù)器，以該范圍內(nèi)的車輛和其他道路使用者為監(jiān)控目標(biāo)。因此，物流層將實(shí)時(shí)任務(wù)從云服務(wù)器指派給底層設(shè)備，在這些設(shè)備上可以做出某些決策和控制。物流層工作流程如圖1和圖3中的頂層所示。詳情見第5節(jié)。

5. ETPV功能的端-邊-云協(xié)同技術(shù)

本節(jié)介紹了基于5G車聯(lián)網(wǎng)的工業(yè)園區(qū)物流，通過協(xié)調(diào)ETPV功能獲得集成方案。首先，傳感器采集的數(shù)據(jù)在完成預(yù)處理后，被傳輸?shù)竭吘壏?wù)器用于環(huán)境感知。然后，這些環(huán)境信息被傳遞并保存在云服務(wù)器上，云服務(wù)器還負(fù)責(zé)將任務(wù)分配給車輛。之后，云服務(wù)器和邊緣服務(wù)器分別從全局和子區(qū)域的角度進(jìn)行車輛路徑規(guī)劃。最后，可實(shí)現(xiàn)車輛的分路段移動(dòng)，直至到達(dá)相應(yīng)的目的地。ETPV功能可被描述為f = {E, T, P, V}，其中，f表示物流任務(wù)。

5.1. 5G車聯(lián)網(wǎng)中的端-邊-云協(xié)同

為管理與ETPV功能相關(guān)的復(fù)雜計(jì)算，本研究運(yùn)用了端-邊-云協(xié)同，將功能分離到三個(gè)潛在位置：設(shè)備、邊緣和云側(cè)。設(shè)備端包括車輛、傳感器和其他底層設(shè)備，而邊緣側(cè)包括邊緣服務(wù)器，這些服務(wù)器可管理其相應(yīng)子區(qū)域內(nèi)的計(jì)算和操作。云側(cè)通常指位于控制中心的云服務(wù)器，其不僅具有控制和管理工業(yè)園區(qū)的能力，還可以存儲(chǔ)運(yùn)營信息并經(jīng)常進(jìn)行更新。通過整合5G車聯(lián)網(wǎng)，端-邊-云協(xié)同將有助于連接設(shè)備和服務(wù)器。其可實(shí)現(xiàn)云平臺(tái)與邊緣點(diǎn)之間的連接，從而將計(jì)算資源轉(zhuǎn)移到設(shè)備中，緩解資源擁塞，并提供更迅捷的事故響應(yīng)速度[28,29]。

在本文的場景中引入基于ETPV功能的工作場所后，后續(xù)小節(jié)將給出針對每一功能構(gòu)建的模型，這些模型將應(yīng)用于集成方案。為確保一致性，提取功能指標(biāo)ID、S、C、J和t；其中，ID表示功能方案編號；S表示選定的功能方案；C、J和t分別表示方案的安裝成本、能耗以及執(zhí)行時(shí)間。

5.2. 環(huán)境感知與地圖構(gòu)建功能

環(huán)境感知與地圖構(gòu)建功能的建模如圖7所示。傳感器安裝在OBU和RSU上，負(fù)責(zé)收集數(shù)據(jù)并發(fā)送至云服務(wù)器和邊緣服務(wù)器。該功能的運(yùn)行狀態(tài)包括車輛信息，如行駛時(shí)間、能耗、行駛速度，以及行駛車道等，而環(huán)境信息則包括靜態(tài)和動(dòng)態(tài)障礙物、交通狀態(tài)及其他參數(shù)。獲得必要的信息后，可進(jìn)行建模并確定可行駛區(qū)域。研究人員在這些領(lǐng)域已經(jīng)開展了大量的研究。Schreiber等[30]利用攝像頭、慣性測量單元（IMU）和全球?qū)Ш叫l(wèi)星系統(tǒng)（GNSS），實(shí)現(xiàn)了穩(wěn)健可靠的定位和環(huán)境感知。將GNSS生成的地圖、攝像頭以及IMU結(jié)合到行駛車輛上，使其能夠感知障礙物和車道信息，進(jìn)而通過評估和標(biāo)記確定可行駛區(qū)域。Liu等[31]設(shè)計(jì)出一種方法，可實(shí)現(xiàn)來自單目攝像頭的像素信息與通過LIDAR掃描儀獲得的空間信息的融合。采用這種方式，能夠感知自動(dòng)駕駛車輛的可行駛區(qū)域，并進(jìn)一步完善全局地圖的內(nèi)容。目前，相關(guān)研究傾向于結(jié)合先進(jìn)傳感器，并運(yùn)用定位、映射、數(shù)據(jù)融合、同步等技術(shù)實(shí)現(xiàn)環(huán)境感知與地圖構(gòu)建。

但是因?yàn)楣δ艿膬?yōu)化方向具有多樣性，很難進(jìn)行相互的比較。在本研究中，本文選取安裝成本、能耗以及執(zhí)行時(shí)間作為評估指標(biāo)。然后，該方案確定出其中一個(gè)具備ETPV功能的集成方案的優(yōu)化目標(biāo)，即環(huán)境感知方案，狀態(tài)信息存儲(chǔ)在矩陣SE中：

式中，EIDl表示環(huán)境感知與地圖構(gòu)建的方案編號；SjEl表示j子區(qū)域內(nèi)模型的第l個(gè)方案；CSjEl表示與方案SjEl相關(guān)的安裝成本，包括傳感器及服務(wù)器的運(yùn)行成本；以及JSjEl和tSjEl分別表示方案SjEl的能耗成本和執(zhí)行時(shí)間。矩陣的每一行表示某一方案的所有指標(biāo)，列號l則表示某一指標(biāo)的可用選項(xiàng)。

5.3. 任務(wù)分配功能

圖7. 環(huán)境感知與地圖構(gòu)建功能的建模。

云服務(wù)器根據(jù)上述功能獲取的環(huán)境信息，將需要完成的工作分配給車輛。這些任務(wù)從不同子區(qū)域的工廠發(fā)布，可能有不同的目的地和資源需求。Xu等[32]從多任務(wù)分配問題中抽象出具有模糊資源的分配模型，隨后設(shè)計(jì)出一種多目標(biāo)方案，以實(shí)現(xiàn)總物流成本和執(zhí)行時(shí)間最小化。Shriyam等[33]通過考量緊急任務(wù)擴(kuò)展了多機(jī)器人任務(wù)分配問題，設(shè)計(jì)出一種多重啟發(fā)式調(diào)度框架，以壓縮決策搜索空間并降低運(yùn)行時(shí)間。

在任務(wù)分配功能實(shí)施期間，云服務(wù)器負(fù)責(zé)從全局的角度將任務(wù)指派給車輛，因此提高云服務(wù)器性能可作為優(yōu)化該問題的一個(gè)方法，借此對執(zhí)行效率帶來積極影響。作為對已分配任務(wù)的響應(yīng)，車輛將行駛到其目的地并通過不同的子區(qū)域。行駛過程可被視為子任務(wù)分配問題，其中車輛被分配到子目的地，然后將子目的地連接起來后，可形成每輛車的完整行駛順序。在這一過程中，運(yùn)動(dòng)車輛的狀態(tài)（如最大速度、加速度和能耗）會(huì)影響到方案的最優(yōu)性。此外，由于邊緣服務(wù)器負(fù)責(zé)監(jiān)控每一子區(qū)域內(nèi)的移動(dòng)車輛，因此其指標(biāo)（如可承擔(dān)的工作負(fù)載及剩余資源）可能會(huì)對方案產(chǎn)生影響。

為實(shí)現(xiàn)與其他功能的集成，本文將云服務(wù)器、邊緣服務(wù)器和車輛的安裝成本、能耗以及執(zhí)行時(shí)間作為方案的指標(biāo)。因此，優(yōu)化分配方案是具備ETPV功能集成方案的第二項(xiàng)目標(biāo)，即任務(wù)分配方案，其狀態(tài)信息存儲(chǔ)在矩陣ST中。

式中，TIDk表示任務(wù)分配方案的數(shù)量；SjTk表示第k個(gè)分配方案，表明子區(qū)域j的前序；CSjTk表示分配方案SjTk的安裝成本，即服務(wù)器和車輛的運(yùn)行成本；以及JSjTk和tSjTk分別表示方案SjTk的能耗成本和執(zhí)行時(shí)間。

5.4. 路徑規(guī)劃功能

在云服務(wù)器決定車輛的子區(qū)域行駛順序后，不同子區(qū)域內(nèi)的邊緣服務(wù)器在其車輛監(jiān)管區(qū)域內(nèi)負(fù)責(zé)規(guī)劃局部路徑方案。該功能可被視為多智能體路徑規(guī)劃（MAPF）問題[34-36]，其考慮了障礙物或行人等動(dòng)態(tài)和緊急事件。因此，在車輛逐段行駛時(shí)，可保證其安全，避免在后續(xù)路段發(fā)生事故。為解決MAPF問題，研究人員已開發(fā)幾種算法用于優(yōu)化路徑規(guī)劃方案，包括擴(kuò)展A*[37,38]、成本樹搜索[39]以及基于沖突的搜索[40]。

研究人員也提出一些次優(yōu)方案來解決這一問題，通過適當(dāng)犧牲最優(yōu)性來提高算法效率。Jiang等[41]提出了一種支持路徑規(guī)劃的七層地圖結(jié)構(gòu)，其中每一層均發(fā)揮不同的作用，并有助于優(yōu)化解決方案。他們的方法類似于本文的端-邊-云協(xié)同，可在方便的地點(diǎn)進(jìn)行計(jì)算，因此能夠得到更迅速、更靈活的執(zhí)行方案。由于路徑規(guī)劃功能追求快速響應(yīng)，因此執(zhí)行時(shí)間會(huì)對方案產(chǎn)生影響。所以，應(yīng)選擇邊緣服務(wù)器，而不是遠(yuǎn)程云服務(wù)器；此舉不僅節(jié)省了總的執(zhí)行時(shí)間，還可減輕云服務(wù)器的工作量和消耗。綜上，該功能的方案主要由車輛和邊緣服務(wù)器條件決定。在提取與前面功能一致的指標(biāo)后，路徑規(guī)劃方案的狀態(tài)信息被存儲(chǔ)在矩陣SP中。

式中，PIDm表示路徑規(guī)劃方案的編號；SjPm表示子區(qū)j內(nèi)的第m個(gè)路徑方案；CSjPm表示路徑方案SjPm的安裝成本，其中涉及移動(dòng)車輛、邊緣服務(wù)器以及其他運(yùn)營設(shè)備；JSjPm和tSjPm分別表示路徑方案SjPm的能耗成本和實(shí)施時(shí)間。

5.5. 車輛運(yùn)輸功能

最后，車輛應(yīng)分段執(zhí)行物流任務(wù)。但所獲得的結(jié)果通常與計(jì)劃的方案相背離。該功能可視為前三項(xiàng)功能的操作方案；因此，其指標(biāo)應(yīng)與前三項(xiàng)功能的指標(biāo)相同。該方案屬于第四項(xiàng)優(yōu)化目標(biāo)，即車輛運(yùn)輸方案，狀態(tài)信息被存儲(chǔ)在SV矩陣中。式中，VIDn表示操作方案的編號；SjVn表示子區(qū)j中的第n個(gè)操作方案；CSjVn表示方案SjVn的安裝成本；JSjVn和tSjVn分別表示方案SjVn的能耗成本和執(zhí)行時(shí)間。

通過建立具備統(tǒng)一指標(biāo)的數(shù)學(xué)模型，可獲得集成方案S (SE, ST, SP, SV)。與此同時(shí)，采用基于5G車聯(lián)網(wǎng)的端-邊-云協(xié)同，可有效協(xié)調(diào)這些功能，具備高的傳輸速度與計(jì)算效率。借此，可提高工業(yè)園區(qū)內(nèi)物流任務(wù)的工作流程和數(shù)據(jù)傳輸效率，減少延遲和碰撞事故。

6. 協(xié)同框架的ATC配置方法

本節(jié)介紹了ATC方法展示出其配置過程。ATC [42]源于優(yōu)化設(shè)計(jì)領(lǐng)域，是一種層次優(yōu)化方法，其基本原理是將整個(gè)框架分解為若干個(gè)分布式要素?；谒@得的獨(dú)立決策，實(shí)現(xiàn)完整的解決方案。

從ETPV函數(shù)中提取統(tǒng)一的指標(biāo)并運(yùn)用端-邊-云協(xié)同后，在云側(cè)、邊緣側(cè)和設(shè)備側(cè)分配功能。根據(jù)從ETPV功能中提取的指標(biāo)，本文利用ATC方法對優(yōu)化集成方案進(jìn)行了評估和進(jìn)一步配置，其過程如圖8所示。ATC要素被標(biāo)記為1～6，分為云側(cè)、邊緣側(cè)和設(shè)備側(cè)。通過這種方法，本文的問題就從S (SE, ST, SP, SV)轉(zhuǎn)化為S (Scloud, Sedge, Sdevide)，并可獲得綜合方案。

此外，通過建立目標(biāo)功能，以最小化所有指標(biāo)值：安裝成本、執(zhí)行時(shí)間和能耗，這些指標(biāo)值均從合作企業(yè)獲得，且從成本角度按比例轉(zhuǎn)換。執(zhí)行時(shí)間表示與總耗時(shí)（包括計(jì)算和傳輸時(shí)間）相關(guān)的成本；而安裝成本則表示實(shí)施方案的成本。能耗指為設(shè)備運(yùn)行所支付的費(fèi)用。因此，這三項(xiàng)目標(biāo)的單位相同，可通過加權(quán)獲得目標(biāo)值。ATC方法的符號如表1所示。

表1 ATC方法的符號表示

6.1. 協(xié)同框架總目標(biāo)

協(xié)同框架的目標(biāo)是找出具有第5節(jié)中所介紹ETPV功能的最優(yōu)集成方案?？蚣艿目傮w目標(biāo)是實(shí)現(xiàn)加權(quán)后的總執(zhí)行時(shí)間、安裝與能耗成本之和的最小化，其中ATC方法從云端、邊緣和設(shè)備側(cè)構(gòu)建，建模如下：

式（5）解釋了整個(gè)協(xié)同框架的目標(biāo)，即實(shí)現(xiàn)云端、邊緣和設(shè)備側(cè)目標(biāo)值的最小化。

6.2. 云側(cè)ATC單元的目標(biāo)

云服務(wù)器負(fù)責(zé)實(shí)施任務(wù)分配功能，并決定車輛的子區(qū)域順序。云側(cè)的目標(biāo)是云服務(wù)器的最佳求和值，其中

如果i＝1，即如果考慮圖8中的云服務(wù)器1，其ATC后代節(jié)點(diǎn)為邊緣側(cè)的節(jié)點(diǎn)2、3、4，則云側(cè)方案如下所示：

圖8. 基于ATC方法的評估和配置流程。TT：總執(zhí)行時(shí)間；TC：總安裝成本；TJ：總能耗成本。

式（8）～（10）表明要優(yōu)化的三項(xiàng)指標(biāo)，其中總執(zhí)行時(shí)間指標(biāo)通過其自身時(shí)間與其子代時(shí)間之和的最大值進(jìn)行計(jì)算，而總安裝成本和總能耗指標(biāo)通過其自身時(shí)間與所有子代時(shí)間之和進(jìn)行計(jì)算。式（11）～（13）被用來求得可選方案的指標(biāo)值，而式（14）表明在一臺(tái)云服務(wù)器上只能選擇一個(gè)方案。式（15）～（17）表示理論目標(biāo)與實(shí)際響應(yīng)之間的偏差，可用來評估和配置操作條件。式（18）表示所有指標(biāo)值應(yīng)等于或大于0。

6.3. 邊緣側(cè)ATC單元的目標(biāo)

根據(jù)計(jì)算出的行駛順序，邊緣服務(wù)器應(yīng)為其區(qū)域內(nèi)的車輛規(guī)劃路徑。此外，在車輛逐段行駛時(shí)，還考慮了周圍環(huán)境的因素。在每一區(qū)域內(nèi)，必須協(xié)調(diào)車輛運(yùn)輸，以避免死鎖和碰撞。這種局部方案的計(jì)算如式（19）～（31）中所示，且目標(biāo)函數(shù)為：

如果i＝3，即如果考慮圖8中的邊緣服務(wù)器3，則

其中，式（21）～（31）的含義與第6.2節(jié)所述相似。

6.4. 設(shè)備側(cè)ATC單元的目標(biāo)

設(shè)備側(cè)包括在OBU和RSU上的運(yùn)行車輛及傳感器，其中一臺(tái)設(shè)備的目標(biāo)如方程（32）所示。由于設(shè)備數(shù)量多于一臺(tái)，目標(biāo)如方程（33）所示：

以圖8中的車輛6為例，本文得到

為提高透明度和生產(chǎn)率，必須為配置建立一個(gè)包含行為及規(guī)則的數(shù)據(jù)庫。數(shù)據(jù)庫應(yīng)采用機(jī)器學(xué)習(xí)和人工智能算法自動(dòng)進(jìn)行補(bǔ)充。

7. 基于5G車聯(lián)網(wǎng)工業(yè)園區(qū)內(nèi)的物流運(yùn)輸研究

本節(jié)驗(yàn)證了所提出協(xié)同框架的可行性。本文運(yùn)用了一個(gè)基于5G車聯(lián)網(wǎng)工業(yè)園區(qū)的分析案例，其組件包括聯(lián)網(wǎng)車輛、OBU和RSU上的傳感器、邊緣服務(wù)器、云服務(wù)器和基站?；矩?fù)責(zé)提供5G NR接入。為確定基于5G車聯(lián)網(wǎng)工業(yè)園區(qū)的最優(yōu)方案，要求車輛運(yùn)送多批貨物。

如圖9所示，5G網(wǎng)絡(luò)被用于工業(yè)園區(qū)的物流場景，其中包括V2X通信。5G車聯(lián)網(wǎng)可用于交通事故，或擁堵預(yù)測、速度引導(dǎo)、動(dòng)態(tài)目標(biāo)定位及其他服務(wù)。詳情如圖10中所示，并在后續(xù)章節(jié)中進(jìn)行詳述。

7.1. 應(yīng)用場景中的運(yùn)營和部署

本小節(jié)介紹基于端-邊-云協(xié)同、具備ETPV功能的工業(yè)園區(qū)物流場景的運(yùn)營和部署，如圖10所示。

（1）端側(cè)：端側(cè)包括車輛以及OBU和RSU上的傳感器。傳感器首先感知周圍環(huán)境，隨后將信息傳輸?shù)皆品?wù)器和邊緣服務(wù)器。如圖10所示，該工業(yè)園區(qū)內(nèi)共設(shè)有9個(gè)子區(qū)域，后序規(guī)則見表1。

（2）云側(cè)：在云側(cè)，云服務(wù)器從全局的角度考慮環(huán)境。在獲得車輛和需求點(diǎn)條件后，云側(cè)的目標(biāo)是從全局的角度確定在子區(qū)域內(nèi)的最優(yōu)行駛順序。

（3）邊緣側(cè)：基于獲得的行駛順序，邊緣服務(wù)器為其區(qū)域內(nèi)的車輛規(guī)劃路徑，如圖10中所示子區(qū)5內(nèi)的兩種路徑方案。在每一子區(qū)域內(nèi)，必須協(xié)調(diào)車輛運(yùn)輸，以避免死鎖和碰撞。在子區(qū)域2和6的邊界上，邊緣服務(wù)器根據(jù)傳感器感知到的障礙物，設(shè)計(jì)無障礙路徑。

7.2. ATC與AIO方法在應(yīng)用場景中的比較分析

ATC方法可用于集成方案的評估和配置。為論證ATC應(yīng)用的可行性，本文將其與AIO方法進(jìn)行比較。AIO集成了所有子方案，并將整個(gè)分析過程視為一個(gè)黑匣子[43,44]。在本文的場景中，AIO方法表明多功能集成方案應(yīng)該在云服務(wù)器上一起計(jì)算，而ATC方法則可基于層級結(jié)構(gòu)單獨(dú)執(zhí)行。

根據(jù)環(huán)境感知與地圖構(gòu)建函數(shù)，可得到子區(qū)的先序和后序，如表2所示。表3中給出了每一個(gè)ATC單元的無量綱值。它們均與費(fèi)用有關(guān)，并根據(jù)從合作企業(yè)獲得的數(shù)據(jù)進(jìn)行轉(zhuǎn)換得到，其中執(zhí)行時(shí)間、安裝成本和能耗的范圍分別為0～80、0～700和0～500。

表2 根據(jù)地圖的子區(qū)域及其后序活動(dòng)

對比實(shí)驗(yàn)以加權(quán)指標(biāo)為目標(biāo)。給出變量(tT, tC, tJ)，隨后應(yīng)用配置過程進(jìn)行調(diào)整。根據(jù)不同的應(yīng)用需求，對成本、時(shí)間及節(jié)能方案模式進(jìn)行測試，并將中級權(quán)重系數(shù)變量分別設(shè)置為(0.50, 0.25, 0.25)、(0.25, 0.50, 0.25)和(0.25, 0.25, 0.50)。隨后將變量由較高值變?yōu)橹械椭怠?/p>

在MATLAB 2018b中進(jìn)行ATC和AIO模擬以進(jìn)行比較。通過采用智能算法（此處為遺傳算法）得出結(jié)果。但AIO和ATC方法的編碼和演化過程是不同的。如圖11所示，AIO方法將染色體編碼為長染色體，包括環(huán)境感知與地圖構(gòu)建、任務(wù)分配以及路徑規(guī)劃方案。車輛運(yùn)輸方案將在今后的研究中應(yīng)用到實(shí)際場景中。然后，長染色體的交叉、變異和選擇過程應(yīng)采用序列方法運(yùn)算。但ATC方法分別對方案的染色體進(jìn)行編碼。其演化過程可分層執(zhí)行，通過目標(biāo)和響應(yīng)實(shí)現(xiàn)互連。由于計(jì)算位置不同，5G車聯(lián)網(wǎng)將在保存?zhèn)鬏斝畔⒎矫姘l(fā)揮關(guān)鍵作用。為更好地進(jìn)行比較，本文將兩種方法的總體數(shù)設(shè)置為50，迭代次數(shù)設(shè)置為100。此外，式（5）的目標(biāo)值被認(rèn)為是適應(yīng)值，即該值越低，得到的方案越優(yōu)。

如圖12所示，從中級節(jié)省時(shí)間的角度出發(fā)，針對ATC和AIO方法的任務(wù)分配方案表現(xiàn)出相同的模式，而環(huán)境感知和路徑規(guī)劃方案則存在差異。表3中第二行中的結(jié)果表明，ATC方法的適應(yīng)值與AIO方法得到的適應(yīng)值相比，不是最優(yōu)的，這表明后者更適合于中級時(shí)間節(jié)省方案。此外，中級模式的權(quán)重系數(shù)變量被選定為0.5、0.25和0.25，這意味著一半的關(guān)注度將集中在某一指標(biāo)上，其他兩個(gè)指標(biāo)的關(guān)注度分別為25%和25%。

表3 有關(guān)方案選項(xiàng)的信息

圖10. 工業(yè)園區(qū)物流場景中的運(yùn)營和部署。

表4還表明這兩種方法在三種不同模式下的結(jié)果。在大多數(shù)情況下，ATC方法的結(jié)果優(yōu)于AIO方法的結(jié)果。但時(shí)間節(jié)省模式的中高級結(jié)果與上述恰恰相反。此處，“層級”是指關(guān)注該指標(biāo)的百分比。諸如，ATC方法在較低級時(shí)間節(jié)省模式上具有更好的性能，這表明在不考慮節(jié)省時(shí)間因素的情況下，ATC方法找到了最優(yōu)的集成方案。此外，隨著層級的降低，ATC和AIO方法之間的偏差也會(huì)減小。

表4還列出了ATC和AIO方法的平均運(yùn)行時(shí)間和平均偏差率。執(zhí)行分析案例實(shí)驗(yàn)時(shí)，在一臺(tái)運(yùn)行Windows7（64位）的計(jì)算機(jī)上進(jìn)行了模擬，該計(jì)算機(jī)采用Intel Core i7處理器和16GB隨機(jī)存取存儲(chǔ)器（RAM）。結(jié)果表明，ATC方法的運(yùn)算速度更快，但結(jié)果不如AIO方法穩(wěn)定。這些結(jié)果表明，在注重效率的工業(yè)園區(qū)物流運(yùn)輸場景中應(yīng)用ATC方法是可行的。因此，該方法適用于要求響應(yīng)和反饋的場景。此外，ATC中不同方案模式和層級的結(jié)果保持相對穩(wěn)定，表明從平均運(yùn)行時(shí)間和平均偏差率的角度出發(fā)，具備不同層級要求的三種模式可通過ATC方法無優(yōu)先級地獲得其方案。

表4 三種模式下ATC與AIO方法的比較

此外采用ATC方法進(jìn)行配置和評估具有以下優(yōu)點(diǎn)：①ATC可對協(xié)同方案進(jìn)行ETPV功能的集成，實(shí)現(xiàn)層次優(yōu)化。而AIO方法以串行方式優(yōu)化目標(biāo)，因此，在考慮各方法之間的約束時(shí)，AIO建模更為復(fù)雜。所以，ATC方法的總響應(yīng)時(shí)間比AIO方法短。②在本文提出的框架中應(yīng)用ATC方法，可動(dòng)態(tài)且有效地配置和評估基于5G 車聯(lián)網(wǎng)通信和端-邊-云協(xié)同的集成方案。盡管AIO方法可應(yīng)用于相同的運(yùn)算，但其要求記錄數(shù)據(jù)或先前的計(jì)算結(jié)果，難以適應(yīng)實(shí)際場景中不斷發(fā)生的變化。一旦出現(xiàn)中斷事件，AIO方法必須重新計(jì)算，因此AIO的魯棒性不如ATC方法。綜上，ATC方法更適合本文5G車聯(lián)網(wǎng)的協(xié)同框架。

（續(xù)表）

圖11. AIO和ATC方法的編碼。

8. 結(jié)論

在本文中，為提高工業(yè)園區(qū)物流任務(wù)的效率，本文提出了一個(gè)框架，將5G車聯(lián)網(wǎng)通信與環(huán)境感知與地圖構(gòu)建、任務(wù)分配、路徑規(guī)劃和車輛運(yùn)輸功能（ETPV）集成在一起。此外，該框架被設(shè)計(jì)作為一個(gè)協(xié)同框架，借此可獲得在組織能力、調(diào)整能力和靈活性方面更優(yōu)的集成方案。

將端-邊-云協(xié)同應(yīng)用于所提出的協(xié)同框架中，可有效管理ETPV功能，并實(shí)現(xiàn)合理的工作流程。相關(guān)功能可在最為便捷的服務(wù)器上實(shí)現(xiàn)，節(jié)省了傳輸時(shí)間，同時(shí)也提高了運(yùn)行效率。不僅如此，本文還為協(xié)同框架中的集成方案設(shè)計(jì)目標(biāo)值，其中ATC方法被用于內(nèi)部配置和評估。

本文通過對一個(gè)工業(yè)園區(qū)物流場景的分析性案例研究，驗(yàn)證了該框架的可行性。針對ATO方法和傳統(tǒng)的AIO方法，本文對其在時(shí)間、成本和節(jié)能方面的性能進(jìn)行了比較。結(jié)果表明，在目標(biāo)值和平均運(yùn)行時(shí)間性能方面，ATC方法均優(yōu)于AIO方法。此外，結(jié)果還表明所提出的協(xié)同框架可針對不同需求的合適方案進(jìn)行配置。

在今后的工作中，將使用其他智能算法來優(yōu)化框架的功能和配置，還將評估所提出的框架在實(shí)際工業(yè)園區(qū)情景中的應(yīng)用情況。

圖12. 集成方案（中級時(shí)間節(jié)省模式）。（a）ATC方法（b）AIO方法。

致謝

本研究得到國家重點(diǎn)研發(fā)計(jì)劃（2018YFE0197700）的資助。

Compliance with ethics guidelines

Yanjun Shi, Qiaomei Han, Weiming Shen, and Xianbin Wang declare that they have no conflict of interest or financial conflicts to disclose.