1.4　典型应用

人机物融合群智计算在智慧城市、智能制造、军事国防等领域均有广泛的应用前景，下面结合目前开展的一些研究作为代表性案例进行阐述。

1.4.1　城市计算

城市计算通过不断感知、汇聚和挖掘多源异构大数据来解决现代城市所面临的复杂挑战问题。在智能物联网和移动互联网发展背景下，人、机、物群智能体协同融合完成城市复杂任务成为城市计算的重要发展方向。

城市具有典型的时空特征，在城市群智任务平台中，发布的大量任务间往往具有时空关联性，进而在数据分布上体现相似规律性。然而，很多新的群智任务会出现因参与者较少或数据收集困难等而导致数据缺失的问题，进而导致无法有效提供群智服务。针对新任务中数据缺失和不足的问题，我们开展了时空关联下的跨任务群智知识迁移研究[26-27]，通过挖掘和利用既有任务实体的群智知识，实现跨任务的知识迁移，提升群智任务的服务质量。针对新任务面临的数据缺乏问题，提出深度跨城市、跨任务群智任务知识迁移模型（如图1.2所示）：首先汇聚来自群智感知（人）、移动互联网（机）、具感知计算能力的物理实体（物）的多源关联城市感知数据，包括人群流动数据、城市地图POI分布数据、出租/交通/共享单车轨迹数据等，通过深度自编码器来降低数据维度并进行特征关联，进而构造“源-目标”扩展的奇异值分解模型来实现同城类似任务间的知识迁移，通过皮尔森时空特征关联因子来构建城市间的类似任务关联，并通过深度对抗网络提取与领域无关的特征。该模型在与阿里巴巴合作的跨城市、跨任务知识迁移项目中得到验证，在商业热度和人流量等预测任务中，对比传统的监督学习模型（LR、GBDT等）和深度学习模型，在准确率和误差率等技术指标上均有着明显的提升，在业务准确率上与公司产品现有模型相比提升23%。

图1.2　跨城市群智知识迁移

1.4.2　智能制造

新一代智能制造技术的一个关键特征是人、机、物等要素的连接与融合，而人机物融合群智计算作为推动人机物高效协同、自主组织、增强学习、深度融合的新理论与技术，可重塑设计、研发、制造、服务等产品全生命周期的各环节，将在新一代智能制造技术中发挥重要的支撑和引领作用[27]。

在“融合群体智能的制造企业智慧空间构建理论与协同运行技术”国家重点研发项目的支持下，群智融合的制造业智慧空间研究得以开展。为此，提出了制造业群智智慧空间模型（如图1.3所示）：关注制造业中人、机、物（AGV小车、机械臂等）、环境等多维因素之间的复杂关联关系，探索异构群智能体之间的协同模式与制造效率、质量间的交互作用机理。具体来说，目前主要开展了以下几方面的研究：

1）面向特定的制造任务需求，提出群智深度强化学习模型对各制造要素进行建模和协同学习，动态反馈和迭代优化参与任务的各智能体参数，使得制造群体参数总体最优，实现多智能体协同增强。

2）开放式网络制造环境下新终端设备动态加入、制造场景不断演化，导致既有训练好的学习模型由于不确定扰动难以在新环境下取得好的效果。针对该问题，我们综合利用元学习、多任务学习、联邦学习等方法实现跨制造实体/场景的群智知识迁移[28]。

3）针对制造主体终端计算资源受限、感知模型适应能力差等问题，提出多个边端设备协同的可伸缩情境感知方法（零件质量缺陷、环境动态等）[29]。面向输入数据变化、硬件资源变化等需求，通过加速网络结构设计、模型裁剪、模型分割与参数动态量化等方法，实现高效的制造主体资源自适应情境感知。

图1.3　制造业群智智慧空间模型