前 言

近年来，随着智能万物互联时代的快速到来和新一代无线通信网络的高速普及，各类新兴智能应用如智慧城市、智能制造、新零售、智能安防等百花齐放.这些新兴数据密集型应用在网络边缘设备产生的数据量正在高速攀升，对数据传输带宽和数据处理的实时性都提出了更高的要求.边缘计算应运而生，通过将计算资源和任务从云端下沉到网络边缘侧，贴近数据源头提供分析处理服务，从而降低数据传输带宽消耗和数据处理延迟，从边缘到中心更好地一体化支撑各类新兴数据密集型的实时应用.

得益于技术演进而不断提升的带宽效率和实时性双重优势，边缘计算近年来得到了迅速发展，除了在商业上的得到国内外传统云计算巨头如谷歌、微软、亚马逊、百度、腾讯和阿里巴巴的高度青睐，美国、欧盟和我国还从国家层面对边缘计算展开了政策规划和科研布局.在美国，国防部高级研究计划局(DARPA)2017年资助了DCOMP重点项目，研究边缘计算在军事领域应用；美国国家科学基金会(NSF)发布的2020—2022年MLWiNS专项，专门支持研究跨边缘网络的分布式机器学习.在欧洲，欧盟地平线(EU Horizon)2020计划自2016年起连续资助了FAR-EDGE,FogGuru和DECENTER等多个边缘计算相关的重大项目.在我国，广东、北京、上海等多个省市制定的“新基建”战略行动方案均明确指出推动边缘计算基础设施建设.此外，国家重点研发计划“宽带通信和新型网络”和“物联网与智慧城市”等多个专项均将边缘计算作为重点方向列入支持.

为了分享国内学者在边缘计算方面的最新研究成果，推动国内边缘计算领域前沿技术的交流，加强我国在边缘计算方面的研究，《计算机研究与发展》推出了此次边缘计算专题.本专题共录用了6篇论文，论文作者既有来自于海内外知名高校的资深学者，也有来自于谷歌和英特尔等业界龙头的一线研发人员.所录用的6篇论文分别展示了边缘计算赋能自动驾驶、边缘计算赋能智能家居、边缘计算资源分配、边缘计算任务卸载、边缘机器学习、边缘计算赋能机器人等方面的研究现状和最新成果.希望这组论文能够为相关领域的研究提供一些启发和帮助.

张燕咏团队的论文“基于多模态融合的自动驾驶感知及计算”深入研究了边缘计算赋能的实时自动驾驶技术，着力于解决自动驾驶实时运行的两大主要挑战：在计算资源有限的情况下，融合多模态的感知数据提升感知模块的精度；对任务进行合理的分配，并在不影响精度的情况下对感知任务进行计算优化.论文首先建立了自己的智能小车自动驾驶系统Sonic，进而系统性地分析和比较了自动驾驶感知算法，提出了自己的融合感知算法ImageFusion，并且针对自动驾驶的实时性问题，推出了新的计算优化框架MPInfer.

张黔团队的论文“智能家居中的边缘计算”探讨了智能家居场景中的边缘计算，全面系统地展示了作者围绕感知、通信和计算3个方向所展开的研究.在感知方面，作者关注边缘节点的泛在感知能力，介绍他们在非接触式呼吸监测上取得的进展；在通信方面，作者研究无线感知和无线通信的融合设计，在有限的频谱资源上兼顾感知和通信；在计算方面，作者关注基于边缘节点的个性化机器学习，在不泄露用户数据的前提下建立个性化机器学习模型.

杨旸团队的论文“多层次算力网络中代价感知任务调度算法”研究如何高效激发多层次算力网络中异构资源的积极性.论文首先提出了一个云雾混合多层次算力网络及计算卸载系统，定义了一个由时延、能耗及付费组成的加权代价函数，并基于该函数建模了一个代价感知任务调度问题.为了激发云和雾的积极性,作者提出了基于计算量的付费模型并将付费相关代价也考虑进上述总代价，并进一步设计了一个基于势博弈的分布式任务调度算法来激发算力资源积极性.

陈旭团队的论文“绿色能源驱动的移动边缘计算动态任务卸载”研究如何高效利用绿色可再生能源来提升边缘计算系统的全局能效.所提出的任务卸载框架融合设备间通信(D2D)技术和绿色能源捕获技术来促进绿色能源在边缘计算系统中的利用.由于绿色能源的可用性通常有着高度动态性和不可预测性等特点，论文基于李雅普诺夫方法设计了无需预测未来绿色能源可用性的在线任务卸载方法，该方法仅基于当前信息即可做出近似最大化长期新能源利用率的任务卸载决策.

李双峰团队的论文“TensorFlow Lite：端侧机器学习框架”专注于TensorFlow Lite这一轻量、快速、跨平台的专门针对移动和IoT 场景的开源机器学习框架,从系统开发者的角度系统深入地介绍了端侧机器学习的浪潮、挑战和典型应用，探讨了TensorFlow Lite的起源、系统架构、最佳实践和适合初学者的工具链，并展望了端侧机器学习未来的发展方向.

王志刚团队的论文“机器人4.0：边缘计算支撑下的持续学习和时空智能”专注于如何使得机器人具有理解和决策能力，实现自主服务，从而从机器人3.0时代迈向机器人4.0时代.论文深入探讨了持续学习、时空智能和边缘计算3项关键技术：通过持续学习，机器人能够将旧任务的知识快速迁移到新的任务中，并解决灾难性遗忘问题；通过时空智能让机器人对周围的环境建立起从高层到底层的表示，并可像人一样从不同的粒度上分享和解决问题；最后充分利用边缘计算提供更高性价比的服务，把各种智能和知识很好地组合起来，实现规模化部署.

本次专题所录用的6篇论文研究内容丰富：既有探索边缘计算在自动驾驶、智能家居和机器人等前沿领域应用的实践性研究，又有专注于边缘计算底层资源分配和任务卸载的理论性研究，同时还有融合边缘计算和机器学习的交叉性前瞻研究，兼顾理论前沿热点和实际应用问题.相信通过端边云一体化架构和技术的发展，边缘计算进一步与大数据、人工智能结合将迸发处更大的技术和应用价值.限于专题篇幅等原因，本次收录的论文难以全面涵盖该领域的最新动态.此外，论文审稿过程中难免会有疏漏，希望各位作者和读者谅解包涵.不当之处，还请同行专家批评指正.最后，感谢作者、审稿专家和编辑部的大力支持与辛勤付出.