目前，智能船舶自主航行所需要的决策与控制软硬件设施并不成熟，远程控制作为全自主航行的有效补充，是实现船舶无人化的必要技术路径[1]．在已有的研究中，大部分船舶远程控制的信息传递依赖船舶和云端远程控制站直连的结构，即将船端所采集的信息统一打包，通过网络直接传输到远程控制站进行处理．在此模式下，船端感知器作为环境、状态等感知信息来源，远程控制站根据传输信息完成对船舶航行的决策和控制，然后将决策和控制指令直接下发到船端执行器执行．如在2017年，瓦锡兰公司利用卫星通信首次成功实施了对船舶的远程遥控，在8 000 km外通过人员手动操纵远程控制舵实现了对船舶的实时操纵[2]．2018年，荷兰测试了远程控制船舶SeaZip 3号，展示了船舶的远程控制功能，模拟了船舶避碰操作[3]．2020年，日本邮船株式会社在东京湾成功对一艘拖船进行了远程操作测试，远程操作中心操作员能够远程创建航行路径和行动计划[4]．相比于海洋环境，由于内河特殊的通航特点，船舶远程控制的精度、时效等要求更高，而船端子系统的感知、定位、通信等能力有限，采用上文直连的结构无法完全满足船舶远程实时控制的要求，须要其他资源的辅助．通过在岸基布置一定数量的感知、通信和计算设备，云端系统进行统一协同调配，完成船岸之间的信息共享、协同感知、协同决策和协同控制，实现云岸船协同，更好地支持内河智能船舶的远程控制．由于岸端系统的加入，系统交互更加频繁，数据量更大，系统决策流程更长，高延迟网络、低效率计算等会严重影响系统安全和稳定运行，因此继续直连的集中控制方式难以保证数据的实时响应、控制的实时执行和信息的安全．另外，云计算资源消耗较大、能耗较高，难以持续维持大规模的集中负载[5]．边缘计算作为云计算发展的新模式，将计算下沉到靠近数据源的网络边缘，提供数据缓存和处理功能，具有低延迟、安全性高等特点[6]．文献[7]阐述了边缘计算在车联网中的重要作用，改变了系统资源的利用模式．文献[8]研究了云平台在交通视频数据监测中的作用，提出了一种基于云平台的交通视频监测数据优化方法．文献[9]分析了边缘计算技术在高速公路的应用场景，提出了高速公路边缘计算的实现方案．文献[10]构建了车路协同云管边端架构方案，并提出了云管端架构的多源数据融合信息服务框架．文献[11]构建了智能船舶船岸协同模拟系统和船岸协同实验实现的关键技术，为智能船舶的船岸协同实验平台设计提供了参考．面向内河船舶远程驾驶中船-驾控中心、船舶-岸基基础设施、岸基基础设施-驾控中心的数据交互需求，本研究构建了支持云-岸-船的远程协作架构与模型，并提出了该系统架构下的高效协同计算模型与方法．1 云岸船协同船舶远程控制系统架构1.1　云岸船协同下船舶远程控制系统的层次架构云岸船协同的智能船舶远程控制系统架构分为应用层、云端数据层、主干网络层、本地网络层和物理层共五个层次，如图1所示．物理层主要包括船端和岸端子系统中的感知器和执行器；本地网络层主要包括船端和岸端的边缘控制器、服务器及其控制域内的所有通信网络；主干网络层指连接系统云端大数据处理中心、船端和岸端边缘控制器的环形骨干网络；云端数据层主要指云端大数据处理中心，对整个系统综合信息进行处理[12]；应用层包括智能船舶远程控制的监控平台和驾控平台．10.13245/j.hust.220510.F001图1云岸船协同的智能船舶远程控制系统架构1.2　远程控制系统中的协同结构传统的船岸协同控制系统依赖的信息交互模式如图2(a)所示．为克服直连模式的弊端，本研究提出云-岸-船的信息交互模式，如图2(b)所示，即在船端和岸端增加边缘控制台，用于对感知数据的本地处理和对末端执行器的控制．10.13245/j.hust.220510.F002图2远程控制船舶的云岸船协同控制船端和岸端的一部分实时控制信息由部署在边缘端的边缘控制器进行处理和执行．船端和岸端的数据还可以通过系统骨干网络进行信息的交互，船端和岸端的多个边缘控制器之间可以实现多控制器之间的协同控制．2 云岸船协同计算建模方法内河智能船舶远程控制系统依赖船岸信息的交互，即船端、岸端的感知信息/控制指令的采集、上传、处理与下发．为了进一步研究各类信息在远程控制系统中的传输和协同计算，将整个系统的信息传输和计算处理分为网络节点和网络路径二种，所有产生数据和处理数据节点都称为网络节点，数据在系统中的传输和处理过程称为网络路径[13]．这样，系统的数据采集和处理过程就转化为信息网的网络节点和网络路径．本研究将数据的传输和处理过程统称为网络路径，可更清晰和简洁表示系统的整个数据流转过程．2.1　系统网络路径的数学描述在一个基于信息网的控制系统中，网络路径的首末端分别为数据输入节点和数据的输出节点，对于不同网络路径，根据其传输特征不同，可以赋予不同的权重表征数据的重要程度．在整个模型结构中，包含三种信息处理的方式，即信息传输、信息处理和信息汇聚．其中，信息汇聚是信息传输和信息处理的耦合体，即在信息汇聚方式中同时存在信息传输和信息处理．2.2　边缘端计算模型船端或岸端的边缘控制器与其所附属的感知和执行器可以组成系统的一个边缘端计算模型，图1中的边缘计算组即为一个边缘端计算模型．在云岸船协同控制下，边缘端计算模型是整个系统的基础计算单元，是指令下发和数据收集的单元级信息汇聚节点．假设在一个边缘计算组中有P个感知、执行节点，Q条信息网络路径，则节点和路径之间构成P×Q的矩阵为T=[aij]P×Q，其中aij为节点和信息路径之间的关联关系，其数值的符号代表数据在网络中的传递方向：若信息从节点i流出，则aij为正数；若信息流入i节点，则aij为负数；若节点i和路径j没有关联，则令aij为零．该矩阵又被称为信息关联矩阵，对假设的边缘计算组的信息关联矩阵T来说，有T=a11,  a12,  ⋯,  a1qa21,  a22,  ⋯,  a2q ⋮                       ap1,  ap2,  ⋯,  apq．为了表示边缘计算模型中的数据汇聚和处理节点，参考文献[12]中的数据信息汇聚节点的处理方式对矩阵T进行简化处理，从而得到一个简化的整个边缘计算模型T'，称为全关联矩阵．对于全关联矩阵T'，T'在T的基础上增加了数据的一个汇聚节点，相应地，T矩阵增加了第q+1条信息路径和第p+1个信息节点，其结构为T'=a11,  a12,  ⋯,  a1q,  1a21,  a22,  ⋯,  a2q,  1  ⋮                       ap1,  ap2,  ⋯,  apq,  10,     0,   ⋯,   0 ,   -1．(1)由于第p+1个节点只有信息流入，没有信息流出，且只能通过第q+1条信息路径流入，因此全关联矩阵T'的最后一行除最后一个元素为-1外，其余均为零．此外，第q+1条信息路径与前p个节点相连，且有信息流入，因此T'的最后一列除最后一个元素为-1外，其余均为1．2.3　云岸船协同计算模型将船端和岸端的边缘计算模型作为云岸船协同模型中的待调用的子模块，云端的数据处理中心通过调用船、岸边缘计算子模块来实现整个云岸船系统的协同计算，船端和岸端可以实现边缘组间的协同计算．具体的协同模型建立流程如下．步骤1 船岸协同下多边缘计算模型节点的统一编号．在多边缘计算模型节点情况下，将不同边缘计算模型的网络节点和网络路径进行系统内的统一编号．假设边缘计算模型1的网络节点的编号为1~P，网络路径的编号为1~Q，边缘计算模型2的网络节点的编号为P+1~P+M，网络路径的编号为Q+1~Q+N．步骤2 船岸协同下多边缘计算模型的增补关联矩阵．在船岸协同模型构建中，整个系统的网络节点是保持不变的，但信息联通的网络拓扑结构会发生变化，节点的联通导致信息之间的网络路径增加．假设在协同模式中增加了K条网络路径，R=P+M，S=Q+N+1，U=Q+N+K，则船岸协同模型中的增补关联矩阵为DR×K=a1s,  a1(s+1),  ⋯,  a1ka21,  a2(s+1),  ⋯,  a2k ⋮                 ar1,        ar2,    ⋯,    ark．(2)步骤3 船岸协同计算模型的全关联矩阵．根据船岸协同计算模型的处理方式，增加数据汇聚节点和数据汇聚的网络路径，得出船岸协同模型的全关联矩阵，整个系统的关联矩阵模型的关系式为TR×U=T1P×Q ,        0                    ,      DP×K        0          ,     T1M×N   ,      DM×K    ；(3)T'R×U=TR×U ,        1       0  ,    -1  ，(4)式中：T1为边缘计算模组1的信息关联矩阵；T2为边缘计算模组2的信息关联矩阵．步骤4 船岸协同云端数据中心的全关联矩阵．对于云端数据中心，通过骨干网络和船、岸端边缘控制器连接，云端数据中心对于整个系统来说是数据汇聚中心节点，整个云岸船网络系统的统一计算模型的建立过程如下：如图3所示，系统内所有的船端和岸端边缘控制器按照式(1)的方法得到系统关联矩阵，如W'中①部分；按照式(3)得到系统的全关联矩阵，如W'中②部分；按照式(4)，增加云端数据中心的数据汇聚节点和骨干网络路径，得到系统全协调计算模型；最后根据实际的信息处理情况对数据汇聚节点和数据汇聚信息路径进行化简，如W'中③部分，从而得到云岸船协同计算模型的全关联矩阵W'．10.13245/j.hust.220510.F003图3云岸船协同计算模型的全关联矩阵在建立云岸船协同计算模型后，可以根据船舶远程控制的任务类型选择相对应的协同计算模型来进行求解计算．缘端计算模型可以独立使用，也可以在云岸船协同计算模型中作为子函数使用．3 模型的验证及应用以图4所表示的云-岸-船协同的内河智能船舶远程控制系统为例，量化不同航行业务需求下船/岸边缘控制器等节点状态变化、协同控制模式方式下的网络性能，并演示本研究网络分析模型的可用性和优越性．10.13245/j.hust.220510.F004图4云-岸-船协同的船舶远程控制系统等效模型船岸协同远程控制船舶系统等效结构模型由云端、船端和岸端三层节点组成，其中，节点1为云端数据处理中心节点，节点2~4为岸端边缘控制器，节点5~7和12~14分别为边缘控制器节点2和4对应的感知和执行器，节点3为船端边缘控制器，节点8~11为其对应的感知和执行器，箭头方向代表数据的传输和指令的下达．为简化计算，基于边缘控制器，将系统中多余的无关物理和数据信息节点进行简化，略去与其对应的网络信息路径．3.1　基于场景预测的船端边缘控制器计算负载控制对于不同的远程控制场景，计算资源的需求有较大差异，而船载的边缘控制器的计算资源有限．为了保障智能船舶的正常航行，须要对船载的边缘控制器的计算负载进行控制，使船舶的计算资源有一定的余量以保证船端实时任务的处理及应急处置．在本研究架构中，可以采用文献[14]的任务卸载的方法，将一定的计算任务卸载到岸端或云端进行处理，以此减轻船载端的计算压力．根据船舶航行的任务特点，假设计算需求量分为二类：一部分为实时计算任务，须由船端边缘控制器处理；另一部分为非实时计算需求．可以将此类计算需求传输到岸端或者云端进行处理．在图4中，根据前面建立的单元计算模型，边缘计算组2和3的全关联矩阵为9×13矩阵，假设岸基边缘控制器的处理量最大设为260 MiB/s，船载边缘控制器处理量最大设为140 MiB/s，实时计算最大时延100 ms，使用Matlab工具编写程序进行计算，计算步长为1 s，得到船端边缘计算节点3的实际负载Q随时间t变化曲线，如图5所示．可以看出：由于船端任务卸载，船端边缘计算节点3的实际负载量小于需求负载量，此模型可以在满足计算需求的基础上有效降低船端边缘计算节点的计算负荷．10.13245/j.hust.220510.F005图5船载边缘控制器计算负载3.2　面向集体感知的边缘计算协同自治远程控制中一个重要的功能需求就是对环境的感知，船载传感器由于受自身性能局限，感知的范围和能力有限，此时岸基边缘控制器控制下的感知设备可以作为有效补充，协同完成对环境的动态感知，有力支撑内河船舶的远程控制感知功能的实现．假设远程控制船舶因任务需要，自身感知能力不足，请求岸基边缘控制器进行环境协同感知．此时，岸基边缘计算组1~3将按照组间协同模型建立流程构建协同感知计算框架，构建15×21的全关联矩阵．以一定量的感知计算需求输入，根据文献[15]考虑能耗和时延联合约束下以系统收益最大化作为优化函数C(x1，x2)，计算步长为1 s，得到船端及岸基边缘计算节点的实际负载Q随时间t变化曲线，如图6所示．从图6可以看出：为了满足远程控制协同感知的需求，采用该船岸协同模型可以在满足感知的基础上，降低单一船端和岸端边缘控制器的负载．10.13245/j.hust.220510.F006图6集体感知下的各边缘控制器负载1—感知需求；2—船端2；3—岸端1；4—岸端3．3.3　多种计算模型对系统运行状态影响的比较如图4所示，云端数据中心和边缘计算组1~3相连，同时边缘计算组2分别和组1与组3相连，在架构设计中，组1、组2和组3通过骨干网络互相连接，存在信息传输的耦合关系．此时，可以利用2.3节建立的步骤计算出协同计算模型的全关联矩阵，对协同计算模型进行联合控．若采用云端直连集中控制模式，则感知层数据通过网络直接传输到云端数据中心进行数据整合和优化处理，然后由云端直接进行控制指令下发．若采用协同控制模式，则感知层部分数据可以在边缘端进行实时处理．参考文献[16]对接入网和骨干网的传输时延进行了假定，假设接入网的传输时延为5  ns/m，骨干网络的传输时延为2  ns/m．分别对集中式控制和协同式控制下的网络信息路径和时延进行仿真，仿真结果如表1所示．10.13245/j.hust.220510.T001表1不同控制方式对比类别集中式协同式网络信息传输路径/km548298关联矩阵规模17×3517×29处理时延/ms15484云端中心平均负载/(MiB∙s-1)248147边缘端平均负载/(MiB∙s-1)无69从表1可知：相比于集中式的控制方式，采用云岸船协同控制方式可以降低任务的处理时延，同时也可以减轻云端数据中心的平均负荷．综合图5和图6表明：基于特定的远程控制功能需求，提出的船岸协同架构可以在满足实际功能需求的基础上降低云端、边缘端的负载，验证了模型的适应性．通过仿真实验对提出的协同计算模型进行验证，得到如下主要结论：通过船岸间的协同结构，可以在满足任务时延的情况下将部分船端计算任务卸载岸端或云端执行，以减小船端计算负载，满足船端在某些极端情况下的计算资源余量；岸端和船端可以通过协同计算模型高效共享信息资源，从而为船端提供更广泛和精确的感知信息，弥补船端感知局限，综合船端和岸端信息，为远程控制船舶提供态势、环境感知等，有效辅助远程控制船舶航行；协同计算模型与直连式模型相比，网络信息传输路径和处理时延明显降低，网络信息传输路径降低46%，平均时延降低43%，有利于实现远程控制船舶的实时精确控制．本研究对船舶远程控制系统的网络拓扑关系进行了适应性重构，使其满足内河远程控制的实际需求．通过对系统的物理部件进行网络分组，构建各组之间的关联矩阵关系，从而建立内河智能船舶远程控制的云岸船协同计算模型．该模型以船端、岸端边缘计算组为基本单位，按照组内自治、云岸船协同控制的逻辑结构，建立了统一协同智能计算模型．以任务需求下信息的流动方向为原则，保证了船岸协同的有效性和计算的灵活性．通过算例分析详细说明了模型的应用过程，仿真结果表明：本研究构建的架构能满足远程控制任务，相比于其他控制方式，本模型能有效地减小任务计算时延，降低计算协同的复杂度．