近年来，在智能制造、智能汽车、物联网、智慧楼宇与家居、机器人等领域，传感器技术主要呈现微型化、集成化、多功能化、智能化及无线网络化的发展趋势，同时对宽检测量程、高精度、高可靠性提出了更高要求。针对纯云计算模式在网络带宽、数据时延、隐私安全及特殊装备本地实时处理方面的局限性，本项目拟从嵌入式智能传感器系统、多元异构传感器信息融合、物联终端传感器边缘协调三个层面展开研究，具体内容与技术难点如下：

1.嵌入式智能传感器系统。构建物联终端侧的嵌入式智能计算架构，重点研究双向计算流模型，基于EdgeX Foundry架构与边缘计算参考框架3.0，实现计算、存储、通信资源的边缘侧融合与AI算法加载；突破嵌入式AI算法移植技术，实现面向ARM+、Linux+等平台的算法兼容与高效计算。技术难点涉及边缘侧计算资源的动态调度与AI模型轻量化部署；嵌入式环境下AI算法的跨平台兼容性与实时性保障。

2.多元异构传感器信息融合。研究基于深度学习网络的多源信息融合技术，优化多源传感器信息的前融合与后融合分布策略；结合统计学习与模糊聚类原理，实现同目标数据的自然聚集与异目标数据的有效隔离；研发物联网关中间件技术，支持多终端异构并发接入，屏蔽底层通信与应用协议差异，实现动态协议解析；设计轻量级、可扩展的边缘侧应用层协议，支持计算负载的自动分割、调度与迁移。技术难点涉及多源异构数据的高效融合与实时聚类算法；动态协议解析中间件与轻量级应用层协议设计。

3.物联终端智能传感边缘协调。研究异构边缘设备的动态任务划分技术，探索P2P、CDN等边缘计算模型，实现设备间的协同计算与边缘自治；构建端‑边‑云弹性计算模型，优化计算任务分配与迁移策略；研发端‑云协同的智能分析技术，实现终端与云端的分级智能处理、芯片级负载调度、海量多维数据秒级检索与知识挖掘；研究边‑云协同训练方法、模型裁剪技术、冗余数据压缩方法及轻量级可编程图形硬件加速结构，以降低推断时延、提升处理效率。技术难点涉及端‑边‑云三级架构下的任务协同分配与负载均衡；边‑云协同训练中的模型轻量化与硬件加速优化。