[发明专利]一种面向机器人的云边端架构下的深度学习模型分割方法

权利要求书

1.一种面向机器人的云边端架构下的深度学习模型分割方法，其特征在于，包括以下步骤：

步骤一，在面向机器人的云边端架构场景下，将所述深度学习模型建模为有向无环图，其中所述有向无环图的节点表示深度学习模型层，所述有向无环图的边表示深度学习模型层之间的数据传输；获取深度学习模型层分别在云服务器、边缘设备以及机器人终端的处理时间，获取深度学习模型层之间的数据分别在云服务器和边缘设备之间、边缘设备和机器人终端之间以及云服务器和机器人终端之间的传输时间；

步骤二，将所述深度学习模型层分别在云服务器、边缘设备以及机器人终端的处理时间作为有向无环图中表示深度学习模型层的节点权重；将所述深度学习模型层之间的数据分别在云服务器和边缘设备之间、边缘设备和机器人终端之间以及云服务器和机器人终端之间的传输时间作为有向无环图中表示数据传输的边权重；

步骤三，在所述深度学习模型的数据输入端添加一个输入数据层，并在有向无环图中用一个输入节点表示；通过动态规划算法求解有向无环图中各节点到输入节点的最长距离，并根据所述最长距离将有向无环图中的节点分层；所述有向无环图中的某一节点到输入节点的最长距离dist(v)的计算过程为：

dist(v)＝max_(u,v)∈Ldist(u)+1；

步骤四，从输入节点开始，对于节点分层后的每一层依据节点权重和边权重，求解节点所属的计算位置；当求解完一层的所有节点所属的计算位置之后，对当前层的所有节点进行节点计算位置更新，获得节点的最佳计算位置；

所述计算位置通过以下方法获得：

其中，代表节点i的计算位置；l_i表示节点i的处理位置；Γ_i表示节点i可选择的处理位置；表示节点i在处理位置l_i的处理时间；表示节点i的父节点组成的集合；表示当节点i的父节点h处在l_h、节点i处在l_i时，从节点i的父节点h到节点i的数据的传输时间，通过对比深度学习模型层分别在可选择的处理位置上的处理时间，选择所述处理时间最小的处理位置，作为该深度学习模型层对应的节点所属的计算位置；

所述获得节点的最佳计算位置的方法为：对于每一层的所有节点所属的计算位置，其顺序按照端-边-云，若所述层的一个节点的子集输入同级节点的计算位置在该节点的计算位置之前，则更新该节点的子集输入同级节点的计算位置为该节点的计算位置；当该层所有节点都进行了所述更新操作之后，每个节点的计算位置即为最佳计算位置；

步骤五，根据所述节点的最佳计算位置，获得所述深度学习模型层对应的节点的最佳计算位置，并根据所述深度学习模型层对应的节点的最佳计算位置将深度学习模型分割为运行在云、边、端的3部分，将上述3部分分别分发到云服务器、边缘设备、机器人终端上。

2.根据权利要求1所述面向机器人的云边端架构下的深度学习模型分割方法，其特征在于，步骤一中获取深度学习模型层分别在云服务器、边缘设备、机器人终端的处理时间是通过实际测量获得或是通过回归模型预测获得。

3.根据权利要求1所述面向机器人的云边端架构下的深度学习模型分割方法，其特征在于，步骤一中的传输时间是通过实际测量获得或是通过检测云服务器和边缘设备之间、边缘设备和机器人终端之间以及云服务器和机器人终端之间的网络带宽，并计算数据大小和网络带宽之间的比值获得。