抽象

工業信息物理系統 （ICPS） 技術是推動海上自主化的基礎，尤其是對于無人水面航行器 （USV）。然而，船上計算限制和通信延遲嚴重限制了實時數據處理、分析和預測建模，從而限制了海事 ICPS 的可擴展性和響應能力。為了克服這些挑戰，我們利用最近提出的 Cloud-Fog Automation 范式的設計原則，提出了一種為海事 ICPS 量身定制的分布式 Cloud-Edge-IoT 架構。我們提議的架構包括三個分層層：用于集中式和分散式數據聚合、高級分析和未來模型優化的云層;執行本地化 AI 驅動的處理和決策的邊緣層;以及負責低延遲傳感器數據采集的 IoT 層。我們的實驗結果表明，計算效率、響應性和可擴展性都有所提高。與我們的傳統方法相比，我們實現了 86% 的分類準確率，并提高了延遲性能。通過采用 Cloud-Fog Automation，我們解決了海事 ICPS 應用中的低延遲處理限制和可擴展性挑戰。我們的工作提供了一個實用、模塊化和可擴展的框架，以在未來海事 ICPS 中推進智能 USV 的穩健自主性和人工智能驅動的決策和自主性。

索引術語：

海上工業信息物理系統 （ICPS） 的采用通過在導航、環境監測和工業應用中實現智能自主作，顯著推動了無人水面航行器 （USV） 的發展[1,2,3].隨著 ICPS 成為海上自主性不可或缺的一部分，它們以低延遲檢測和分類碰撞的能力仍然是一個關鍵挑戰。傳統的碰撞檢測系統基于視覺傳感器（攝像頭、LiDAR 和雷達），通常容易受到環境干擾，例如霧、低能見度和水花[4].此外，依賴于來自慣性測量單元 （IMU） 的本體感受數據的替代傳感方法已經出現，可提供對環境干擾的魯棒性[5].通過利用派生信號作為輸入數據，人工智能 （AI） 驅動的機制（例如卷積神經網絡 （CNN） 分類方法）可以可靠地識別低延遲環境中的碰撞，而無需依賴視覺傳感條件[6].但是，板載處理限制了計算資源，導致實際部署中的高延遲、可擴展性問題和能源效率低下[7].

盡管最近的研究探索了基于 IMU 的 USV 碰撞分類，但現有方法主要基于局部/集中處理，限制了低延遲性能和可擴展性。最近的 Cloud-Fog Automation 范例提供了一個分布式、智能且可擴展的計算框架，可在 ICPS 中實現實時決策、自適應控制和彈性自動化，尤其是在復雜、延遲敏感或資源受限的環境中.雖然在 ICPS 中被廣泛采用，但大多數基于 USV 的 ICPS 架構目前并未利用以網絡為中心的架構。這一差距促使我們提出和開發一種分布式 Cloud-Edge-IoT 架構，專為低延遲 USV 碰撞分類和檢測量身定制，同時有效地分配計算負載、去中心化和能效.

在本文中，我們做出了以下主要貢獻：

• 提出了為海事 ICPS 量身定制的分層 Cloud-Edge-IoT 架構。
• 為低延遲 USV 的 AI 驅動碰撞分類和檢測開發了分布式模塊化計算架構。
• 在受控水環境中跨層次結構層的分類準確性、處理時間和延遲分析進行了實驗驗證。

其余論文的結構如下：第二部分介紹了擬議的系統架構，而第三部分詳細介紹了研究方法。第 IV?部分描述了實驗設置，然后是第 V?部分，介紹了實驗結果和討論。最后，第六節對論文進行了總結并概述了未來的研究方向。

為了解決與板載處理相關的計算和系統性能限制，我們提出了一種基于 Cloud-Fog Automation 的分布式 Cloud-Edge-IoT 計算架構，以提高能效、可擴展性、可管理性和復雜性約束。該系統分為三個分層層：云層（用于未來增強的數據聚合）、邊緣層（人工智能驅動的檢測和分類）和 IoT 層（數據采集）。在此架構中，霧計算域包含發生在云層和 IoT 層之間的所有分布式處理，從而能夠在靠近數據源的地方進行自適應、實時決策。這種分布式架構可確保海事應用中 ICPS 的計算負載平衡、低延遲決策和可擴展性。

圖?1?說明了整個系統架構，突出了每一層的不同角色以及整個網絡的通信流。這種分層分層處理可確保在 Edge 層執行低延遲沖突分類，從而最大限度地減少延遲，同時將長期存儲功能卸載到 Cloud 層。

擬議的框架集成了本體感覺傳感 IMU、AI 驅動的分類和分布式數據處理，以改善 USV 的低延遲碰撞分類。每一層都旨在執行專門的任務，確保無縫和分層的計算工作流程：

• ??

  云層：用作結構化數據存儲節點，維護基本記錄和結構化數據集，以備將來分析、預測性維護、AI 模型的重新訓練和人工驗證參考。

• ??

  邊緣層：使用 Wavelet Transform 執行特征提取，應用 CNN 模型進行碰撞分類，然后提供低延遲警告。

• ??

  IoT 層：獲取原始本體感受 IMU 數據并執行基本數據重組，然后傳輸到邊緣層進行碰撞分類和檢測。

Cloud Layer（托管在 Cloud Server 上）用作碰撞事件日志、傳感器數據和相關分類結果的結構化數據存儲庫。與傳統的基于云的架構不同，AI 處理是遠程進行的，這項工作將 AI 推理保留在邊緣層[12,9]同時將 Cloud Layer 專門用于：

• ??

  長期存儲分類的碰撞數據。

• ??

  用于未來 AI 模型優化和預測性維護研究的數據集聚合。

• ??

  用于監控分布式計算架構性能的系統范圍分析。

值得注意的是，Cloud Layer 尚未執行計算或模型重新訓練，但仍然是一個可擴展的組件，可通過預測分析和聯合學習驅動的優化進一步增強系統[13,14].

邊緣層（在集中式/分散式計算單元上實現）負責數據特征提取和 AI 驅動的碰撞分類。該層處理傳入的 IMU 數據，并使用在標記影響數據集上訓練的 CNN 對碰撞類型進行分類。Edge Layer 通過利用分布式且強大的計算基礎設施來促進低延遲 AI 處理。盡管處理任務不是直接在機上本地化的，但這種方法有效地減少了對云連接的依賴，從而顯著提高了運營響應能力和可靠性。關鍵處理步驟包括：

• Wavelet Transform 用于從 IMU 信號中提取時頻域特征。
• 基于 CNN 的分類模型，針對低延遲推理進行了優化，可區分撞擊的不同階段和碰撞位置。
• 一個 Decision-making 框架，用于根據檢測分類結果生成沖突警報和作建議。

IoT 層由連接到 IMU 的單板計算機組成。IMU 持續捕獲線性加速度和角速度數據，為碰撞事件檢測提供本體感覺傳感。通過將復雜的處理卸載到邊緣層，物聯網層保持計算輕量級和節能，這對于整體系統性能增強至關重要。為了確保數據完整性和低延遲處理，該層僅通過 Wi-Fi 執行基本的數據重構和數據傳輸。

IoT 層（在 Raspberry Pi 3B+ 上實現）負責 IMU 數據采集和初步預處理。該系統采用 Adafruit IMU BNO085，通過捕獲 1） 線性加速度 （m/s2）、2） 角速度 （rad/s）、3） 方向（歐拉角）等來提供 9 自由度 （9-DOF） 方向數據。為了確保高時間分辨率，IMU 以 100Hz 的頻率采樣數據，將 5 秒窗口和 3 秒窗口偏移的組合數據包傳輸到邊緣層。原始數據使用 TCP/IP 協議進行重組、打包并從 IoT 傳輸到邊緣。原始數據集包含噪聲和干擾，由 BNO085 IMU 的集成 MCU 在物聯網層緩解，該 MCU 在數據使用之前執行預處理和傳感器融合。

邊緣層（Intel i5-9400f 臺式機）接收本體感受 IMU 數據，使用 Morlet 小波變換技術執行高級特征提取[15]，并使用基于 MobileNetV2 的 CNN 模型對碰撞進行分類。

為了有效地捕獲時域和頻域模式，此過程采用小波變換 （Wavelet Transform） 進行特征提取。與基于傅里葉的分析相比，這種方法通過提供局部的、對時間敏感的頻率分解而具有明顯的優勢。傅里葉分析提供高頻分辨率，而小波則平衡了分辨率和精確的時間定位，使其特別適用于瞬態事件檢測，也非常適合 USV 中的撞擊識別[16].提取的小波系數被轉換為標量圖、能量分布的 2D 可視化表示，并輸入到 CNN 分類器。圖?2?說明了連續小波變換在船舶碰撞數據中的應用。小波函數的選擇在確定時域和頻域連續小波變換 的分辨率方面起著至關重要的作用，這一方面與為特定信號特性確定合適的小波一起。

自定義 CNN 架構[17]在標記的小波尺度圖上進行訓練，區分三種類型的碰撞和默認階段：1） 弓（額）;2） 端口（左側）;3） 右舷（右側）;4） 無（默認），如圖?3?所示。分類任務利用輕量級 CNN 架構 （MobileNetV2），這是一種針對嵌入式系統和資源受限硬件進行了優化的卷積神經網絡[18].MobileNetV2 CNN 模型采用具有線性瓶頸的倒置殘差，從標準的 3x3 卷積層開始，然后是由 1x1 擴展卷積、深度卷積和 1x1 投影卷積組成的瓶頸塊，以保持高效的低維表示。它處理 6 個輸入通道（3 個線性加速度，3 個角加速度），在 5 秒的持續時間內（X 軸）和 10Hz（Y 軸）以下接收 192x150 RGB 標量圖，具有標準化的連續小波變換系數范圍。這些細節確保了時間長度和輸入通道的清晰度，從而提高了我們研究方法的可重復性。

建議的架構采用 Internet 上的 TCP/IP 和 REST API 通信協議，以促進無縫集成[19]，如圖?1?所示。具體來說，物聯網層將重組后的 IMU 數據包傳輸到邊緣層，以便立即處理和碰撞分類。隨后，Edge Layer 將分類的沖突元數據和相關分析數據轉發到 Cloud Layer （Firestore），主要用作數據聚合、長期分析和未來可擴展性的存儲庫。

數據傳輸包括帶時間戳的碰撞事件、IMU 數據、分類碰撞類型、小波變換輸出和人工驗證的參考。這種結構化的通信管道可確保分布式計算流程的所有層之間實現穩健高效的集成，從而優化低延遲響應和分析能力。

該系統使用三個分層層實現，每個層都配備了不同的硬件和軟件組件。下面的表?I?總結了系統配置。IoT 層收集 100Hz IMU 數據并將處理后的數據傳輸到邊緣層。Edge Layer 執行基于 Wavelet Transform 的特征提取和基于 CNN 的碰撞分類，將分類結果轉發到 Cloud Layer 進行數據聚合和未來分析。

為了確保真實和受控的測試條件，實驗裝置使用了部署在平靜水環境中的模型比例的 USV。該測試臺旨在復制真實世界的海洋條件，同時保持可重復性和受控的撞擊場景。圖?4?顯示，USV 在船甲板末端安裝了 IMU BNO085 傳感器和 Raspberry Pi 3B+。

我們在工作中使用模型比例的船只來代表 USV。IMU 傳感器牢固地安裝在船體上，確保最小的外部干擾對測量的影響。USV 是手動控制的，以影響數據測試集合的預定義碰撞點。為了最大限度地減少外部干擾，我們的實驗在 8m×4m×2m 的封閉水池中進行，以提供受控的水面，在多次試驗中具有可預測的沖擊動力學，并在環境條件中保持一致以實現可重復性。

測試框架由三個預定義的撞擊區域組成，復制了真實世界的碰撞場景。每種影響類型每個場景至少重復 10 次，以確保分類準確性的統計可靠性。IMU 傳感器記錄了撞擊瞬間的加速度和角速度，為分析提供了原始運動數據。

系統性能使用四個主要指標進行評估，如表?II?所示。選擇這些指標來評估所提議系統的準確性、響應能力和通信效率。為了確保可靠的評估，在受控條件下進行的多次實驗試驗中系統地收集數據。每次試驗都涉及記錄 IMU 數據、分類輸出以及精確測量跨層的處理時間和延遲。通過混淆矩陣分析、系統時間戳和往返時間 （RTT） 分析對指標進行量化，以提供所提議系統的整體性能。在本研究中，RTT 分析用于評估 Edge-to-Cloud 數據傳輸的完整處理時間。

基于 MobileNetV2 框架的 CNN 模型的分類準確性使用來自 50 次試驗的混淆矩陣進行評估，確保數據集平衡，每種影響類型至少進行 10 次試驗，以最大限度地減少偏差并確保分類結果的公平性。結果表明，所提出的系統成功地區分了所有碰撞類型，如圖?5?所示。

表?III?總結了四種不同影響案例的分類性能。總體而言，該系統實現了 86% 的聚合準確率 （43/50）。統一的精確率、召回率和 F1 分數反映了所有類別的均衡預測能力。

單獨來看，“None”和“Port”影響的準確率最高 （0.909），表明正確分類這些特定情景的準確性很高。“Bow” 撞擊實現了最高的召回率 （0.917），證明了對實際碰撞事件的可靠檢測。然而，“右舷”影響顯示性能較低，F1 分數為 0.800，這表明此類的分類準確性可以從額外的訓練或精細的特征提取中受益。

從技術上講，碰撞力和角度的微小變化偶爾會導致檢測和分類錯誤。為了解決這個問題，建議使用由 Cloud Layer 促進的持續 CNN 模型重新訓練，以提高系統性能。此外，將注意力機制集成到 MobileNetV2 架構中可以增強模型對關鍵尺度圖特征的關注。例如，H. Cheng 等人。[20]證明 MobileNet 中的融合空間通道注意力機制通過優先考慮相關圖像區域來提高分類準確性。此外，傳感器位置會影響檢測和分類結果，因為位于中央的 IMU 可確保穩定可靠的數據采集，從而最大限度地減少外部影響。總之，結果強調了所提出的架構的有效性和可靠性，同時確定了需要進一步優化以提高整體系統性能的區域，例如 “Starboard” 級。

系統延遲和處理時間跨三個計算層進行測量：云（數據聚合）、邊緣（AI 驅動的分類）和 IoT（數據采集），如表?IV?和圖?5?所示。跨層的結果分析強調了在擬議架構中采用 Cloud-Fog Automation 的有效性。IoT 層的處理延遲可以忽略不計，而 IoT-to-Edge 傳輸引入了中等延遲（300 毫秒），反映了跨區域網絡通信中遇到的典型延遲。邊緣到云延遲因地理位置和服務器位置差異而異。<

值得注意的是，邊緣層實現了最小的處理延遲（6.44 毫秒），確保了可靠的低延遲 AI 驅動的碰撞檢測和分類。邊緣到云通信延遲因云服務器位置而異，由于地理距離和網絡限制，澳大利亞云服務的 RTT 值（210.15 毫秒）低于新加坡的服務（583.66 毫秒）。

使用 RTT 測量而不是單向延遲測量，因為它們在準確評估通信延遲方面具有實用性和可靠性。單向延遲測量通常需要在地理位置分散的節點之間進行精確的時鐘同步，這帶來了復雜性和潛在的測量不準確性[21].RTT 本身同時考慮了傳輸和響應延遲，從而提供了更直接、更具代表性的響應能力和網絡通信性能度量[22].

這些發現強調了地理優化的云服務選擇對于在 USV 碰撞分類系統中保持低延遲通信的重要性。盡管如此，在邊緣層和云層之間觀察到的延遲不會對低延遲碰撞檢測和分類功能產生負面影響，因為關鍵的 AI 驅動型處理任務在邊緣層高效執行。總的來說，結果驗證了所提出的用于海上自主運營的分布式 Cloud-Edge-IoT 計算架構的穩健性和有效性。

在本文中，我們提出并開發了一種分布式 Cloud-Edge-IoT 計算架構，專為海上 ICPS 背景下 USV 中的低延遲 AI 驅動的碰撞檢測和分類量身定制。通過利用 Cloud-Fog Automation 范式，我們提出了一個分布在分散的分層層上的計算框架，以有效減輕傳統板載處理方法的局限性。

我們將基于 Wavelet 的特征提取與基于 MobileNetV2 的 CNN 模型集成在一起，實現了 86% 的準確率。我們的實驗驗證證明了有效的計算性能，減少了機載處理負載，并提高了低延遲碰撞分類性能。具體來說，IoT 層可靠地捕獲了 IMU 數據包，邊緣層執行低延遲分類，而云層有效地聚合了數據以供未來增強。實驗結果分析進一步證實了所提出的分布式計算架構的效率，在觀察到的 IoT 和 Edge 層實現了較低的處理和傳輸時間（平均值：282.96 + 6.44 毫秒，SD：100.79 + 1.08 毫秒）。網絡延遲評估揭示了云服務器位置的變化，強調了地理鄰近性的重要性。具體來說，本地（基于 AU）通信的 RTT 延遲（平均值：210.15 毫秒）明顯低于新加坡等國際云位置（AU-SG，平均值：583.66 毫秒）。

我們提出的架構不僅展示了海上自主性的潛力，而且還提供了適用于更廣泛的 ICPS 應用的通用架構。通過分散計算過程和減少延遲，我們的框架可以支持各種 ICPS 應用程序，包括工業網絡機器人、精密制造、工業自動化、資源管理和智能工廠。例如，利用網絡化機器人和自主系統的行業可以受益于增強的低延遲決策、高級分析、預測性維護和動態系統適應，利用擬議架構實現的分布式計算。此外，醫療保健、基礎設施監控和災難響應等關鍵部門可以利用 Cloud-Fog Automation 的可擴展性和低延遲優勢來實現強大的遠程作和 AI 賦能的自主能力[23,24,25].

我們的工作有助于靈活、可擴展和有彈性的智能系統的未來發展。擬議的架構提供了一個基礎框架，可以適應廣泛的工業部門，從而提高下一代 ICPS 的智能可擴展性和運營效率。未來的工作將把我們架構的能力擴展到數據聚合之外，從而結合高級預測分析、聯合學習和持續的 AI 模型實現，以增強低延遲決策、自適應自主任務卸載和主動自主[26].