下载掌阅APP，畅读海量书库
立即打开
智能物联网在智能家居、自动驾驶、城市计算、智能制造等领域均有重要的应用前景，下面结合一些典型案例进行阐述。
智能家居利用室内大量的物联网设备（如温湿度传感器、家用电器、服务机器人、安防设施）收集多模态感知数据，进而通过智能分析和处理进行室内状态和用户行为识别，并最终完成对家居环境的调控以及智能服务的提供，实现安全舒适、绿色健康、以人为本的智能家居体验。智能物联网时代，终端智能和边缘计算的引入能进一步降低隐私泄露的风险，为智能家居的快速发展提供重要支撑，如图1-3所示。
智能交互： AIoT时代将有更多的智能设备引入家居环境（如智能音箱、智能眼镜、智能家具等），在深度学习等AI技术的支持下，新型交互模式也将不断涌现，如语音交互、手势交互、表情交互乃至脑电交互等。此外，AIoT还将通过收集的海量用户数据来对用户偏好进行建模，依据喜好适时自适应地调整居住环境并提供智能服务，最终给用户带来沉浸式、个性化的全场景智慧体验。
健康辅助： 分布于室内的智能床、智能音箱、服务机器人及穿戴式物联网设备可跟踪用户的生理和心理等特征数据并进行实时健康分析研判，及时发现健康相关事件并做出辅助性决策，如提醒用户注意饮食健康、感知用户睡眠健康并进行智能辅助、对老年人进行陪伴和心理交流等。
绿色节能： 物联网将照明、电表、水表等核心系统与传感器和云计算系统联系起来，能实时监控并获取整个建筑的运营环境数据，进而通过云端智能算法自动做出节能的运营决策，如根据用户偏好及位置进行灯光亮度和室内温度调节，推荐用户节约用电或用水的方案等。
图1-3 智能家居AIoT应用场景
自动驾驶是人工智能和物联网协同融合的一个代表性例子。它集环境感知、规划决策、运动控制、多级智能辅助驾驶等功能于一体，通过激光雷达、毫米波雷达、超声波雷达、摄像头等多模态传感器不断收集周围环境的海量数据（一辆自动驾驶车辆一天产生的数据约为4TB），进而使用多模态融合感知、边端协同计算、深度学习与智能推理等技术来实现自动控制和路径规划。未来自动驾驶技术的广泛使用可显著提升道路交通的安全性和运输效率，在绿色节能等方面展现出良好的社会效益和经济效益（如图1-4所示）。
图1-4 自动驾驶技术
环境感知： 自动驾驶汽车融合感知、学习与推理于一体以理解周围环境语义信息，如检测道路、障碍物、交通标志等，从而进行地图构建与辅助定位，估计车辆和行人的意图并预测其轨迹等。多模态数据融合是环境感知的关键技术，将不同传感器数据进行智能化合成，利用其互补性和差异性以实现针对复杂目标任务的准确感知。比如摄像头具有分辨颜色（识别指示牌和路标）的优势，易受到恶劣天气环境和光线的影响，而雷达则在测距、穿透雨雾等方面具有优势，两者互补融合可做出更精确、更可靠的评估和判断。
泛在连接： 自动驾驶汽车不仅要实现汽车内部多种感知和计算单元的互联并支撑车与人的智能交互（语音、手势等），还要通过5G/6G/V2X（Vehicle to Everything）等无线通信技术与周围资源和物体进行连接以交互信息，包括其他汽车、路边单元、边缘设施等，最终形成“人-车-路-网-云”等要素有机连接和信息融合的智能交通系统，进一步推进自动驾驶的安全性和计算高效性。
规划决策： 规划决策是无人驾驶体现智能性的核心技术，涉及汽车的安全行驶、路线规划、与其他交通参与者交互等多个方面。通过综合分析环境感知信息输入，规划决策者可结合车辆的动力学特性对其速度、朝向等规划，并产生相应的加/减速、换道、停车等决策，图1-4b给出了五个层面的自动驾驶等级划分方法。常用的决策技术有专家系统、模糊逻辑、隐马尔可夫模型等。随着深度学习技术的兴起，深度强化学习由于具有类人学习和未知环境的适应能力等优势，近年来在自动驾驶领域越来越受到重视。
随着人类社会的快速发展和科学技术的不断进步，城市日益现代化和工业化，但同时也面临着越来越多的问题，包括环境污染、交通拥堵、公共安全等方面。随着移动设备、传感器网络和互联网技术的迅猛发展和快速普及，使得城市中反映和记录人类社会、物理世界和信息空间的时空数据迅速增长。这些大规模城市时空数据包含了丰富的语义信息，为解决城市痛点问题，实现城市治理的科学化、精细化带来了新的机遇。城市计算通过不断感知、汇聚和挖掘多源异构大数据来解决现代城市所面临的复杂挑战问题。在智能物联网发展背景下，人、机、物群智能体协同融合完成城市复杂任务成为城市计算的重要发展方向。京东、华为、阿里等企业都在城市计算领域进行布局，研发基础平台和智能应用，如图1-5、图1-6所示。
城市感知网络： 随着传感器设备和通信技术的日益成熟，城市中部署的传感器网络日益增多，这些具有感知、通信和计算能力的传感器能够实时感知和收集环境或者目标对象的信息，包括位置、图像、音视频、空气质量等。在城市范围内，传感器网络中的多种类型设备（如温度、环境、流量、激光雷达等传感器）可作为基本感知单元，获取不同时间、不同区域的城市动态数据。美国《麻省理工学院技术评论》杂志把基于传感器技术的“感知城市”（Sensing City）列为2018年全球十大突破性技术之一。
移动群智感知： 与传统传感器网络依赖已经固定部署的传感器不同，移动群智感知作为一种新的感知方式，通过大量普通用户及其携带的感知设备（如智能手机、可穿戴设备等）收集数据。一方面，移动群智感知以“人”为中心，不需要大量的部署成本，可直接利用用户所携带的感知设备收集数据。比如，利用用户手机上的麦克风可采集周围环境的噪声数据，进而构建城市噪声地图。另一方面，用户具有灵活的移动性，进一步促进了大规模的城市感知。比如，在用户日常活动范围内，可通过车载传感器收集轨迹数据，进而获取整个城市范围的交通情况。移动群智感知作为一种动态感知网络，可以与静态感知网络互补增强以有效解决城市大规模感知的有效时空覆盖难题。
图1-5 京东城市计算平台架构
图1-6 华为城市智能体
时空预测与精细化管理： 通过对海量、多模态感知数据的综合分析，能够实时、精准地感受到城市的脉搏跳动并对未来趋势进行预测。在城市背景下，时空预测旨在从复杂、海量、高维的城市时空数据中挖掘出有价值的信息，通过机器学习、深度学习等方法构建相应的时空预测模型，预测时空对象在未来特定时空情境下的行为或状态，进而解决交通运输、城市规划、公共安全等问题。例如，基于历史交通数据、路网数据、人流量数据等，可以预测未来一段时间不同区域的交通流量，及时进行管控以缓解交通拥堵。此外，还可以根据城市大数据发掘人群出行规律，进行公共交通规划和商业选址建议。在公共安全方面，还可基于历史数据和领域模型预测不同区域的犯罪行为、火灾发生情况、活动中人群的聚集情况等。
面对新一轮工业革命，国务院于2015年发布《中国制造2025》国家战略，其中明确提出，要以新一代信息技术与制造业深度融合为主线，以推进智能制造为主攻方向。2017年，习近平总书记在党的十九大报告中提出“加快建设制造强国，加快发展先进制造业，推动互联网、大数据、人工智能和实体经济深度融合”。智能物联网可实现制造业要素的泛在连接、高效协同、智能感知与深度融合，重塑设计、研发、制造、服务等产品全生命周期的各环节，实现具有自组织、自学习、自适应、持续演化等能力的制造业智慧空间，对促进制造业新模式新业态形成、提高我国制造业生产力和竞争力、推动下一代智能制造变革具有重要意义。
智能工厂是智能制造的重要组成部分（如图1-7所示）。在智能工厂中，智能物联网涉及的主体包括机器人、AGV小车、移动及可穿戴设备、边缘设备、感知设备、生产制造设备、产品等。从技术角度而言，智能物联网在智能工厂的应用分为两个层面，第一层次是通过工业互联网技术来实现连接并获取工厂各类主体的感知数据，第二层次则是利用人工智能技术来对数据进行分析、识别和推理。目前，以工业互联网为核心的制造大数据在获取方面已经取得了较多进展，而在结合AI来解决复杂制造业问题方面也得到广泛关注。
图1-7 智能工厂场景
制造生产过程优化： 采用深度学习方法对设备运行、工艺参数等数据进行综合分析并找出最优参数，能大幅提升运行效率与制造品质。阿里云ET工业大脑通过机器学习技术识别生产制造过程中的关键因子并进行优选组合，提升生产制造效率与良品率。此外，复杂质量检测场景中，利用基于深度学习的解决方案代替人工特征提取，能够在环境频繁变化的条件下检测出更微小、更复杂的产品缺陷，提升检测效率。美国机器视觉公司康耐视开发了基于深度学习进行工业图像分析的软件，利用较小的样本集就能在数分钟内完成模型训练。
预测性运维服务： 基于企业累积的运维和业务数据等进行预测，可及早采取措施排除可能的风险，从而提高企业运行效率，降低运营成本。如Google将人工智能应用于数据中心，使用神经网络来预测耗电量变化，进一步优化服务器和制冷系统等相关设备控制以降低耗电量。腾讯和三一重工合作，把全球40万台设备计入平台，通过实时采集1万多个运行参数建立预测模型，以对设备状态异常进行预警。
智能仓储服务： AGV小车等自主移动机器人是制造业向柔性化、智能化发展的关键使能要素，能极大提升仓储物流效率。其一般需要具备丰富的环境感知能力、基于现场的动态路径规划能力、灵活避障能力、全局定位能力等，可基于同步定位与地图构建（Simultaneous Localization and Mapping, SLAM）技术实现自主导航。在生产线，自主移动机器人实现生产线物流的自动化与无人化，比如生产任务下达的无人化；下料、取料和上料过程中，自主移动机器人自动获取所分配的任务，并与制造设备、货架等自主对接，进而完成物料的无人化搬运。