近年來，在智能制造、智能汽車、物聯網、智慧樓宇與家居和機器人等領域傳感器主要向微型化、集成化、寬檢測量程、高檢測精度、高可靠性、多功能、智能化和無線網絡化等方向發展。基于雲計算的方式無法滿足很多場景的實際需求，海量數據對網絡帶寬造成巨大壓力、聯網設備對于低時延、協同工作需求增加以及聯網設備涉及個人隐私與安全；特别是用于某些特殊裝備的傳感器，更需要支撐本地業務實時處理與執行。拟從嵌入式智能傳感器系統、多元異構傳感器信息融合和物聯終端傳感器邊緣協調等角度進行研究，主要研究内容和需要攻克的主要技術難點如下：

1、嵌入式智能傳感器系統。研究物聯系統終端側嵌入式系統智能計算架構，包括雙向計算流模型，EdgeX Foundry架構和邊緣計算參考框架3.0，實現計算、存儲和通信的邊緣融合和AI（人工智能）算法加載；研究嵌入式系統的AI算法移植技術，實現面向ARM+、Linux+等平台的嵌入式AI算法兼容與高效計算。

2、多源異構傳感器信息融合。研究基于深度學習網絡的信息融合技術，實現多源傳感器信息前、後融合的最優分布；研究統計與模糊聚類原理，實現自然聚集同目标傳感器數據，自然隔離不同目标的數據樣本。研究多終端異構并發接入下的物聯網關中間件技術，以屏蔽異構通信和應用協議，實現動态協議解析；研究輕量級、可擴展的物聯系統邊緣側應用層協議，以支持智能計算負載的自動分割、調度和遷移。

3、物聯終端智能傳感邊緣協調。研究異構邊緣設備動态任務劃分技術，P2P、CDN等邊緣計算模型，實現物與物之間的協同計算和邊緣自治；研究端邊雲彈性計算模型，實現高效端邊雲的計算任務分配和計算遷移策略；研究端雲協同的智能分析技術，實現終端和雲端的分級智能分析，實現智能分析的芯片級負載調度，實現海量多維數據的秒級檢索和知識挖掘，實現端雲協同處理性能提升和突發業務的動态負載均衡，滿足應用的智能高效要求。研究邊雲協同技術，包括:合理分割端邊設備學習計算任務的協同訓練方法，以有效降低深度學習模型的推斷時延；合理丢棄訓練過程中非必要數據的模型裁剪技術，以稀疏代價函數，裁剪多層感知網絡；邊雲協同的冗餘數據壓縮方法；适用于邊雲學習的輕量級可編程圖形硬件加速結構。