2.2.5 工业4.0+

5G希望在工业中实现机器类通信、超低时延和高可靠性通信，但是一些超低时延和高可靠性可能较难使用5G实现，因此希望在6G实现以上功能。在6G时代，工业改成工业灵活性、通用性和效率将具有显著的提高。另外，6G时代的工厂将更加智能化，以实现工业4.0+，工业4.0+中将实现人们、机器人和智能机器的场景。与5G时代的工业4.0相似，云计算，边缘计算、大数据和人工智能有望将成为工业4.0+的关键技术。

理想的工业4.0+将需要大量的数据，利用6G网络的超高带宽、超低时延和超可靠等特性，可以对工厂内车间、机床、零部件等运行数据进行实时采集。工业服务的数字化和自动化对网络提出了越来越高的延迟要求。为了提高未来工业自动化的质量和成本效益，每个传感器、执行器、网络物理系统和机器人都需要以几毫秒的精度来完成指令执行。由于大量数据由工业机器人和传感器生成，仅在中心云处理数据并不是有效的解决方案，所以工业4.0+中所有终端之间可以直接进行数据交互，而不需要经过云中心，实现去中心化操作，提升生产效率。利用边缘计算和AI等技术，在终端直接进行数据监测，并且能够实时下达执行命令。基于先进的6G网络，工厂内任何需要联网的智能设备均可灵活组网，智能装备的组合同样可根据生产线的需求进行灵活调整和快速部署，从而能够主动适应制造业个性化、定制化的大趋势。另外，操作人员可以通过VR或全息通信来监控远程机器，并通过触觉网络进行驱动和控制。

在6G时代的工业4.0+中，不仅通信，而且计算、缓存、控制和智能都得到联合优化。预计需要大于24Gbps的数据速率，10～100μs的端到端延迟，以及≥125×106设备/km2的覆盖率。无线能量传输、能量收集和反向散射通信，将为工业4.0+中的能量受限传感器和机器人提供可持续的解决方案。Sub-6GHz通信、机器学习、区块链、集群无人机、3D网络与可见光通信也将支持工业4.0+的发展。

此外，面向工业4.0+的终端也将随6G演进：如相关研究中所描述的，面向工业的终端主要包括智能机器设备、多智能体系统和微型传感器三部分，涵盖了目前在工业中所使用的终端种类。

1.智能机器设备

智能机器设备，也就是智能机器人，具备形形色色的内部信息传感器和外部信息传感器，如视觉、听觉、触觉、嗅觉传感器。除了具有感受器，它还有效应器，作为作用于周围环境的手段，这就是筋肉，或称自整步电动机，它们使机器人的手、脚、触角等动起来。因此智能机器人至少要具备三个要素：感觉要素、运动要素和思考要素。智能机器人是一个多种新技术的集成体，它融合了机械、电子、传感器、计算机硬件、软件、人工智能等许多学科的知识，涉及当今许多前沿领域的技术。

智能制造系统借助计算机模拟人类的智能活动，是一种在工业制造过程中能自主进行数据分析、推理、判断、构思和决策等智能活动的人机一体化系统。同时，它还可以收集、存储、完善、共享、继承和发展人类的制造智能。通过人机智能交互，可以扩大、延伸并部分地取代人类在制造过程中的脑力劳动。在制造过程的各个环节，广泛应用人工智能技术，使制造自动化向智能化方向发展。

智能制造源于人工智能的研究和发展。随着产品性能的完善化及其结构的复杂化、精细化，和功能的多样化，产品所包含的设计和工艺信息量猛增，生产线和生产设备内部的信息流量随之增加，制造过程和管理工作的信息量也必然剧增，因而促使制造技术的发展转向了提高制造系统对于爆炸性增长的制造信息处理的能力、效率及规模上。先进的制造设备离开了信息的输入就无法运转，制造系统正在由原先的能量驱动型转变为信息驱动型，这就要求制造系统不但要具备柔性，而且还要智能，否则难以处理如此大量而复杂的信息工作量。其次，瞬息万变的市场需求和激烈竞争的复杂环境，也要求制造系统更加灵活、敏捷和智能。因此智能制造日益成为未来制造业发展的重大趋势和核心内容。

除了位于工厂的智能制造等应用场景，未来工业互联网应用还将包含大量高移动性终端，如基于无人机的相关应用等。如图2.4所示的高空高分辨率球形显示系统，可以在高空中显示大量信息。在这些应用中，终端设备除了需要具备强大的通信能力，对功耗、重量、体积等也有较高的要求，以提高实际使用时的续航能力。为实现上述功能，需要对通信、电池、计算平台和面向应用的专用技术等系统联合进行优化，提高设备的实用性。

2.多智能体系统

多智能体系统面向未来多形态智能终端组成的系统（大规模系统），从另一个层面扩展对终端新形态的探索。随着机器人产业和ML技术的快速发展，具有ML能力的智能体（Intelligent Agent）的数量将出现快速增长。因此具有大规模交互能力的终端将是未来一种终端类型，且智能体之间的智能交互需求也将成为下一代宽带移动通信系统的重要设计目标之一。

为了实现智能体之间的协同操作和合作学习，需要在智能体之间交互ML相关的智能数据。根据不同的智能交互场景，所需交互的智能数据可能包括 ML模型、ML训练集（Training Set）、机器感知（Machine Perception）数据。下面将结合具体的交互场景探讨智能体的具体交互及处理能力。

1）协同机器感知（Collaborative Machine Perception）场景

机器感知的目的是赋予智能体“类人的”观察、感知世界的能力，进而使其可以像人类那样思考、理解及行动，包括对图像、声音等环境因素的感知。在机器人技术中，机器感知是机器人进行决策推理和动作控制的重要依据。在传统机器人技术中，机器人获取的感知数据只在本地处理。但随着机器人承担任务的日益复杂化和对动作实时性的要求日益提升，机器人的本地处理能力已不足以在要求的时延内完成对感知数据的处理和学习，并形成实时决策和行动，因此需要通过云端或MEC分流计算能力。如图2.5所示，智能体将感知数据实时上传到云端或MEC，在云端或MEC完成推理运算后，将动作控制指令（没有ML能力的机器人）或DNN（有ML能力的机器人）下载给智能体。还能够通过智能体之间交互感知数据，以便智能体能够获取更全面的感知数据。因此，需要支持感知数据在智能体与云端或MEC之间（通过Uu接口）、智能体之间（通过Sidelink）实时传输。

2）DNN交互场景

在如下场景中，需要智能体与云端或MEC之间、智能体之间实时传输DNN。

DNN下载：此场景下，云端或MEC将训练好的DNN下载到智能体。之所以要实时下载DNN，是因为所需完成的任务和智能体所处的环境紧密相关，无法用一个通用的静态DNN适用各种环境，而智能体的存储空间不足以将所有可能的DNN都存储在本地，智能体需要根据环境的变化实时下载适合的DNN，如图2.6所示。

协作学习（Collaborative ML）：在两种情况下需要协作学习，第一种是每个智能体的计算能力不足以单独完成DNN的训练，需要多个智能体、或智能体与云端或MEC分工完成 DNN训练；第二种是不同智能体所处的环境不同，可以获取的训练集不同，单个智能体无法单独获取 DNN训练所需的完整训练集，且由于信息安全与隐私保护的要求，智能体不能将自己的感知数据或训练集共享给其他智能体或上传到云端或MEC，此时需要智能体基于自身环境完成各自的Local DNN训练，然后上传到云端或MEC，或在智能体之间交互DNN，如图2.7所示。

联邦学习（Federated ML）：联邦学习与协作学习的区别在于先由云端或MEC向各个智能体下载Global DNN，然后再由各个智能体基于Global DNN分别训练Local DNN，然后将Local DNN上传到云端或MEC，形成新的Global DNN，如图2.8所示。

3）ML训练集交互场景

在不同类型的智能体之间（如不同功能的机器人之间），无法直接交互 DNN，而需要进行训练集的交互。一种类型的智能体通常不具备对与自身任务无关的ML模型的训练能力，因此无法将另一种智能体类型所需的ML模型训练好再传输给对方。如图2.9所示，A类型智能体不具备将收集到的数据训练成B类型智能体所需DNN的能力，所以将与B智能体相关的训练集或背景数据共享给B智能体，或上传到云端或MEC，由B智能体或由云端或 MEC完成训练。随着机器人的功能增强、类型多样化和在非结构化环境中工作的需求日益增长，训练集背景数据的交互将变得越来越重要。

3.微型传感器

传感器是物体感知世界的媒介，通过传感器，可以让物体拥有视觉、听觉、味觉、嗅觉和触觉等，是实现万物互联、万物智联的基础。微型传感器具有微型化、智能化、低功耗、易集成等特点，在未来的6G终端中，一个终端设备可以配备一个或多个微型传感器，这些传感器将赋予终端五大感官，可以获取更多信息，结合其他技术，实现真正的智能化。