CFTel：一种基于云雾自动化的鲁棒且可扩展的远程机器人架构

中文标题： CFTel：一种基于云雾自动化的鲁棒且可扩展的远程机器人架构 英文标题： CFTel: A Practical Architecture for Robust and Scalable Telerobotics with Cloud-Fog Automation

作者信息

Thien Tran, Jonathan Kua, Minh Tran, Honghao Lyu, Thuong Hoang, Jiong Jin

• Deakin University, Australia

• RMIT University, Vietnam

• Zhejiang University, China

• Swinburne University of Technology, Australia

• University of Tasmania, Australia

论文出处

会议论文，发表于2025年5月

---

摘要

本文介绍了Cloud-Fog Telerobotics（CFTel），这是一种基于Cloud-Fog Automation（CFA）范式的远程机器人架构，旨在解决传统基于云计算的远程机器人系统中存在的延迟、可靠性、可扩展性和弹性问题。CFTel通过分布式云-边缘-机器人计算架构，实现确定性连接、确定性连接智能和确定性网络计算。文章综合了CFTel的最新进展，强调其在促进可扩展、低延迟、自主和AI驱动的远程机器人中的作用。研究分析了CFTel的架构框架和使能技术，包括5G超可靠低延迟通信、边缘智能、体现AI和数字孪生，并讨论了实际挑战，如延迟约束、网络安全风险、互操作性问题和标准化努力。

引言

远程机器人是下一代工业网络物理系统（ICPS）的关键应用，它使得在复杂环境中远程控制机器人系统成为可能。传统基于云计算的远程机器人依赖于集中式处理，面临着显著的延迟和网络拥塞问题，限制了其在工业自动化关键应用中的实时性能。CFTel通过整合分布式云-边缘-机器人架构、确定性网络、边缘智能（EI）、体现AI（EAI）和数字孪生（DTs）来解决这些挑战，提供可扩展、低延迟、自主和智能的远程机器人系统。该框架利用云雾计算的联合能力，强调确定性通信、计算和控制，以及可扩展的服务导向解决方案。CFTel通过在云、边缘和机器人层分布计算工作负载，增强了传统远程机器人系统。云层支持大数据分析、AI模型部署和多机器人协调；边缘节点实现低延迟AI推理、时间敏感操作，并使用雾计算分散计算负载；机器人层通过EAI确保对动态环境的自主适应。确定性网络技术，如5G超可靠低延迟通信（URLLC）和时间敏感网络（TSN），支撑实时控制，确保高可靠性网络。

云雾远程机器人架构

CFTel采用分层的云-边缘-机器人架构来分布计算和操作工作负载，确保确定性通信、计算和控制。表I比较了传统基于云计算的远程机器人与提出的架构的限制，通过整合分布式、分散式和本地化处理，该方法实现计算负载平衡、时间敏感决策、安全性、可扩展性和弹性，支持服务导向解决方案，如机器人即服务（RaaS）、控制即服务（CaaS）和制造即服务（MaaS）。

云层

云层作为集中式处理中心，提供广泛的数据存储、大数据分析和大规模AI模型训练。它通过任务如预测性维护、多机器人任务分配和车队范围的优化来实现全球智能。云支持可扩展的、供应商独立的模型，如MaaS，实现异构机器人系统的无缝集成。云还托管数字孪生，物理系统的虚拟副本，用于实时仿真和诊断。

边缘层

边缘层通过在靠近机器人系统的边缘节点处理数据，实现低延迟决策和AI推理。部署在工业环境中，边缘节点执行轻量级AI模型，用于时间敏感任务，包括质量检查、路径规划、系统故障检测和数据加密。这一层采用雾计算原则，通常称为EI，减少对云的依赖，增强安全性并优化带宽。

机器人层

机器人层提供超低延迟执行，利用EAI实现实时机器人控制和自主性。这一层处理传感器输入，如激光雷达、摄像头和触觉反馈，以实现毫秒级响应。EAI使机器人能够感知、学习并适应动态环境，增强人机交互。

使能技术

CFTel的实施依赖于确保确定性通信、实时计算和智能控制的先进技术。本节考察了三个关键使能技术：网络基础设施、EI和EAI以及数字孪生。这些技术支撑分层架构，促进可扩展、低延迟和自主的远程机器人操作。

网络基础设施

强大的网络基础设施是CFTel的骨干，提供确定性、低延迟通信。时间敏感网络（TSN）扩展了以太网，确保数据传输的确定性，减少抖动。5G和未来的6G提供了超低延迟和高可靠性通信，支持远程机器人操作。Wi-Fi 6/7标准提供了高吞吐量、低延迟和改进的性能，补充了5G和TSN，增强了无线连接。

边缘智能和体现AI

EI和EAI在机器人层协同工作，利用雾边缘计算实现低延迟推理，使机器人能够在工业网络物理系统应用中适应性强、弹性好。EI在边缘节点部署AI模型，本地处理数据以减少延迟和云依赖。EAI将AI集成到物理系统中，通过传感器融合和强化学习，实现自适应自主性，使机器人能够在最少的人工干预下执行复杂任务。

数字孪生

数字孪生是物理机器人系统的虚拟表示，实时反映其状态和行为，以优化CFTel中的性能和可靠性。数字孪生主要托管在云或边缘层，整合来自机器人和边缘节点的数据，提供实时洞察。

工业应用

本节探讨了CFTel在智能制造和农业、物流和仓储、医疗保健和灾难管理中的变革性影响，详细介绍了特定用例、好处和挑战。

智能制造和农业

CFTel的分布式架构通过启用自适应自动化、远程监控和预测性维护，推动了智能制造的发展。云中的AI分析传感器数据以预测设备故障，减少工厂停机时间，并执行高级决策。机器人手臂在汽车装配线上使用雾计算进行实时质量检查，即时检测缺陷以减少浪费。边缘节点赋予机器人自适应控制能力，使它们能够立即响应生产异常，从而提高运营效率和成本效益。

物流和仓储

CFTel通过启用自主机器人车队的实时协调，改变了物流和仓储，提高了效率和吞吐量。云层使用AI驱动的算法优化车队范围的操作，而边缘节点处理本地任务，如避障和路径规划。借助5G URLLC，机器人可以动态导航，实现亚毫秒级的与其他机器人和人类工人的协调，提高安全性和速度。

医疗保健

在医疗保健中，CFTel使机器人辅助手术和辅助机器人成为可能，满足了对远程干预和患者支持的需求。CFTel通过引导复杂的外科手术程序，结合先进的健康技术，如达芬奇外科手术系统，提高了外科手术的精确性和灵活性。雾计算确保了低延迟控制，这对于在远程机器人手术中保持准确性至关重要，实现了亚毫秒级的响应时间。

灾难管理

在灾难管理中，CFTel至关重要，其中群体机器人在危险环境中执行搜索和救援任务。云雾计算使实时信息共享和协调成为可能，而边缘节点上的分散式AI模型促进了自主决策。部署在地震灾区的机器人使用EAI导航，并通过5G协调以寻找幸存者。数字孪生远程监控机器人状态，允许操作员通过沉浸式界面优化任务策略。

实际挑战

尽管CFTel具有变革潜力，但其广泛采用面临重大挑战，这些挑战涉及技术性能、安全性和系统互操作性，影响远程机器人应用的可靠性、安全性和可扩展性。

延迟和实时约束

在远程机器人手术和灾难响应中的多机器人协调等时间关键应用中，实现超低延迟和确定性实时通信是一个重大挑战。尽管TSN提供了确定性的以太网传输，5G URLLC实现了大约1毫秒的延迟和99.999%的可靠性，但这些技术在动态条件下仍会遇到困难，例如在物流枢纽中网络负载波动时。AI驱动的网络编排可以优先处理关键数据流，而延迟感知的边缘处理可以将计算卸载到边缘节点，减少传输延迟。

网络安全

CFTel架构引入了网络安全风险，因为数据和控制信号跨越多个层级，容易受到中间人攻击、对抗性AI和勒索软件等威胁。未经授权访问远程机器人系统可能会破坏操作并泄露敏感数据，在关键应用中可能会产生严重后果。传统的安全措施至关重要，但它们会引入延迟并与其他高级要求冲突。先进的解决方案，如基于区块链的认证和零信任安全模型，提供了强大的保护，但会带来计算开销。在多智能体机器人系统中，建立机器人之间的信任是复杂的，需要不依赖于集中式信任的分散式安全模型。

标准化

缺乏标准化框架和协议是CFTel可扩展性和互操作性的主要障碍。工业中普遍存在的专有架构和通信协议导致兼容性问题，使得来自不同供应商的机器人系统的集成变得复杂。这种碎片化限制了高效的数据交换和实时协作，限制了CFTel在大规模自主ICPS应用中的采用。

结论和未来研究方向

本文全面探讨了CFTel及其在推进ICPS中的关键作用。通过利用CFA，CFTel克服了传统基于云计算的远程机器人的局限性，通过云-边缘-机器人架构实现了确定性通信、计算和控制。尽管取得了这些进展，但延迟、网络安全和标准化等挑战仍然存在，需要创新的解决方案以确保可靠性和可扩展性。本文为研究人员和行业专业人士提供了一个基础资源，综合了最新的进展，并为远程机器人技术的未来发展提供了路线图，从而促进了自主和智能工业自动化的演变。需要进一步的研究来充分利用CFTel的潜力，解决现有约束，并利用新兴技术进步，以促进下一代自主和安全工业系统的发展。