Collaborative Computing for Advanced Tactile Internet Human-to-Robot (H2R) Communications in Integrated FiWi Multirobot Infrastructures
Notice bibliographique
Résumé
With the emergence of the Tactile Internet and advent of remote-controlled robots, proper task allocation among robots has attracted significant attention to enable robotic applications and services based on the human-to-robot communications paradigm. However, limited computing, energy, and storage resources of robots may hinder the successful launch of such applications. Task offloading to collaborative nodes is a promising approach to improve the task execution time and energy efficiency of robots. In this paper, we investigate a proper task allocation strategy by combining suitable host robot selection and computation task offloading onto collaborative nodes. We exploit conventional cloud, decentralized cloudlets, and neighboring robots as collaborative nodes for computation offloading in support of a host robot’s task execution. More specifically, our proposed task allocation policy selects a suitable robot based on several key parameters, including robot availability, remaining energy, and task execution time. Furthermore, our proposed computation offloading strategy examines the suitability of collaborative nodes in terms of task response time and energy consumption and then chooses an appropriate collaborative node to conduct the requested computation. We introduce an adaptive resource allocation model and develop an analytical framework to evaluate the task allocation delay, energy consumption, and task response time for noncollaborative and collaborative task execution scheme across integrated fiber-wireless multirobot networks. The results show that the proposed collaborative task execution scheme outperforms the noncollaborative scheme in terms of task response time and energy consumption efficiency.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,005 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».