近年来，在智能制造、智能汽车、物联网、智慧楼宇与家居和机器人等领域传感器主要向微型化、集成化、宽检测量程、高检测精度、高可靠性、多功能、智能化和无线网络化等方向发展。基于云计算的方式无法满足很多场景的实际需求，海量数据对网络带宽造成巨大压力、联网设备对于低时延、协同工作需求增加以及联网设备涉及个人隐私与安全；特别是用于某些特殊装备的传感器，更需要支撑本地业务实时处理与执行。拟从嵌入式智能传感器系统、多元异构传感器信息融合和物联终端传感器边缘协调等角度进行研究，主要研究内容和需要攻克的主要技术难点如下：

1、嵌入式智能传感器系统。研究物联系统终端侧嵌入式系统智能计算架构，包括双向计算流模型，EdgeX Foundry架构和边缘计算参考框架3.0，实现计算、存储和通信的边缘融合和AI（人工智能）算法加载；研究嵌入式系统的AI算法移植技术，实现面向ARM+、Linux+等平台的嵌入式AI算法兼容与高效计算。

2、多源异构传感器信息融合。研究基于深度学习网络的信息融合技术，实现多源传感器信息前、后融合的最优分布；研究统计与模糊聚类原理，实现自然聚集同目标传感器数据，自然隔离不同目标的数据样本。研究多终端异构并发接入下的物联网关中间件技术，以屏蔽异构通信和应用协议，实现动态协议解析；研究轻量级、可扩展的物联系统边缘侧应用层协议，以支持智能计算负载的自动分割、调度和迁移。

3、物联终端智能传感边缘协调。研究异构边缘设备动态任务划分技术，P2P、CDN等边缘计算模型，实现物与物之间的协同计算和边缘自治；研究端边云弹性计算模型，实现高效端边云的计算任务分配和计算迁移策略；研究端云协同的智能分析技术，实现终端和云端的分级智能分析，实现智能分析的芯片级负载调度，实现海量多维数据的秒级检索和知识挖掘，实现端云协同处理性能提升和突发业务的动态负载均衡，满足应用的智能高效要求。研究边云协同技术，包括:合理分割端边设备学习计算任务的协同训练方法，以有效降低深度学习模型的推断时延；合理丢弃训练过程中非必要数据的模型裁剪技术，以稀疏代价函数，裁剪多层感知网络；边云协同的冗余数据压缩方法；适用于边云学习的轻量级可编程图形硬件加速结构。