博士生项目展示

博士生项目展示

博士生项目展示

物联网跨领域协作的大型语言模型辅助对话研究

张世尧

 

博士研究项目:”物联网跨领域协作的大型语言模型辅助对话研究”,致力于开发能够促进不同领域物联网设备之间有效沟通与协作的先进对话系统。项目目标是为物联网设备构建一个框架,利用大型语言模型实现自然流畅的对话交互,增强设备间的协作能力,为用户提供更全面和无缝的服务体验。

研究将探讨物联网设备跨领域协作中遇到的互操作性问题,并研究在此环境下与多智能体对话系统的协作方式。项目将利用大型语言模型——这些模型掌握的知识可能与人类创造的不同——来理解和生成自然语言对话,以桥接不同领域设备间的差异,实现有效沟通,并更好地融入大型语言模型。

项目还将研究如何利用强化学习技术改进物联网设备的对话策略,使设备能够从交互中学习并调整策略以更好地满足需求。同时,研究也将关注对话交互的安全性和隐私保护,防范使用大型语言模型可能带来的潜在风险。

总的来说,该项目旨在通过开发大型语言模型辅助的对话框架,推动物联网设备跨领域协作的发展,从而构建更智能、以用户为中心、高效的物联网生态系统。

 

协作式强化学习在主动SLAM中的应用

姚雪妍

 

博士研究项目:”协作式强化学习在主动SLAM中的应用”,致力于开发一个基于强化学习技术的多机器人协作SLAM系统。该项目目标是为多机器人协作提供一个高效框架,在未知环境中共同工作,提升它们绘制精确地图和自我定位的能力,同时尽量减少所需的时间和资源。

研究将探讨协作SLAM面临的挑战,包括通信限制、传感器局限和多变的环境。项目将利用强化学习——一种通过环境互动使智能体学习最佳策略的人工智能技术,来开发能够适应和学习经验的协作SLAM算法。

项目还将研究主动学习技术的应用,通过选择最具信息量的行动来降低不确定性,从而提升协作SLAM系统的性能。通过整合多个机器人的计算能力,并促进它们共享信息和相互学习,研究旨在打造一个更高效、更稳定的SLAM系统。

总的来说,该项目旨在通过开发主动SLAM的协作式强化学习框架,推动机器人技术和自主系统的发展,这一框架在搜索救援、自主导航和智能环境等多个领域具有广泛的应用潜力。

 

跨平台物联网协作中的多感官交互研究

李月

 

博士研究项目:”跨平台物联网协作中的多感官交互研究”,以独特的视角探索人机交互(HCI)与物联网(IoT)的融合。研究聚焦于理解人类如何感知并与不同平台间协作的物联网设备互动。项目致力于设计能够激发触觉、视觉和听觉等多感官的交互,以实现更直观和沉浸式的用户体验。

研究将深入解决物联网系统中跨设备协作界面和交互设计的挑战。它将探讨如何整合并展示感官信息,以帮助用户更好地理解和控制周围环境。项目还将分析感官反馈如何提升物联网应用的可用性和用户体验。

通过开展以人为中心和设计导向的研究,项目旨在找出最有效的多感官交互模式和设计原则。研究将包括迭代原型开发、用户测试和评估,确保设计方案既技术上可行,又符合人类的认知和感官特点。

该项目旨在为人机交互领域做出贡献,通过研究多感官交互如何在跨平台物联网协作中创造更自然、更吸引人的用户体验。研究成果预计将指导未来物联网系统的设计,使其在智能家居、可穿戴技术和公共空间等多种场合对用户更加友好和满意。

 

基于区块链技术的可信物联网数据管理与交易系统

黄思达

 

博士研究项目:”基于区块链技术的可信物联网数据管理与交易系统”,旨在开发一个利用区块链技术的强大框架,用于物联网设备的数据管理和交易。项目重点关注物联网系统中数据隐私、安全性和信任问题的解决方案。

利用区块链的去中心化、不可篡改特性,项目旨在建立一种安全透明的方式,让物联网设备能够共享和实现数据的价值化。研究将深入探讨区块链技术如何确保物联网数据交易的完整性和不可否认性。

研究还将包括如何使用区块链来加强访问控制和数据所有权管理,让物联网设备所有者能够掌握数据控制权,决定谁能访问数据。此外,项目还将致力于提升基于区块链的物联网数据管理与交易系统的性能和扩展性,以应对物联网设备和数据的海量增长。

总的来说,该项目旨在为物联网技术的发展做出贡献,通过建立一个可信且高效的物联网数据管理与交易框架,这一框架在智慧城市、医疗保健、供应链管理等众多领域具有广泛应用潜力。

 

面向物联网应用的联邦学习驱动的边缘资源分配

Medhav Kumar Goonjur

 

博士项目“面向物联网应用的联邦学习驱动的边缘资源分配”旨在利用人工智能(AI)技术,特别是联邦学习(FL),来优化物联网(IoT)应用中的资源分配。人工智能技术在智能城市、自动驾驶汽车、预测性维护和高级医疗系统等物联网领域中发挥着重要作用,为这些领域带来了前所未有的技术革新。为了构建一个高效的物联网生态系统,合理地分配通信和计算资源,解决延迟和能耗问题变得尤为关键。

随着物联网技术的快速发展,像智能手表这样的设备,凭借其先进的传感器,能够收集、处理和存储大量数据。然而,在传统的集中式机器学习(ML)框架下处理这些海量数据是不现实的,因为数据传输和集中处理的成本过高,效率低下,同时还会引发数据隐私保护的问题。

为了应对这些挑战,移动边缘计算(MEC)作为一种分布式计算方法应运而生。MEC通过在网络边缘部署服务器,实现了计算密集型任务的快速执行,显著降低了延迟。MEC采用三层架构设计:用户设备层、MEC层和云层。

联邦学习(FL)作为一种新兴的人工智能范式,通过在每个边缘节点上分发中央服务器上的全局模型作为本地模型,有效解决了数据隐私问题。这些本地模型将参数发送至中央服务器进行聚合,以训练全局模型。训练完成后,更新的全局模型参数会反馈给本地模型,以便在后续迭代中进行优化,确保模型达到预期的准确性。然而,在资源受限的设备间有效分配计算和通信资源,仍是一个需要解决的重要问题。

本博士项目的核心目标是利用联邦学习技术,在移动边缘计算框架内为物联网应用优化资源分配。主要研究目标包括:

– 将联邦技术整合到物联网生态系统中,增强隐私保护机制。

– 应用深度强化学习技术,提升物联网框架内的资源分配和能效。

– 在模拟和现实世界的测试环境中评估所提出的框架。

– 开发创新框架,实现在保护用户隐私的同时,最大化边缘智能物联网框架内的资源利用。