.png){kind=icon}
返回
Task-Oriented Multimodal Edge Intelligence via Integrated Sensing-Communication-Computation
.png){kind=icon}
PRE
AI
DOI：10.1109/twc.2026.3710771.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集成感知、通信与计算(ISCC)最近已作为一个统一框架出现，用于实现边缘智能。然而，现有的ISCC设计主要依赖单模态感知，这固有地易受遮挡、环境不确定性和模态特定故障的影响，导致实际部署中的鲁棒性下降。这促使了对多模态ISCC的需求，但其设计仍缺乏充分探索。与单模态情况相比，多模态ISCC更具挑战性，因为异构模态扩大了数据维度并收紧了通信/计算/能量预算，而跨模态相关性进一步复杂化了性能表征。为解决这些挑战，我们提出了一种面向任务的多模态ISCC框架，该框架集成了设备端特征提取与边缘端联合多模态推理。我们方法的核心组成部分是最大编码率降低(MCR2)准则，它使每个设备能够学习紧凑且具有判别力的任务相关特征，相比传统的基于交叉熵的特征提取器具有明显优势。我们进一步利用MCR2作为边缘端感知评估的原理性指标。在此基础上，我们在延迟和资源约束下提出了感知精度最大化问题，并通过将问题转化为更易处理的等价形式，开发了一种高效的块坐标下降(BCD)算法。针对人体活动识别任务，我们在公开可用数据集上进行了广泛实验，以评估所提出的ISCC框架的性能。结果表明，在有限资源条件下，我们的方法始终优于三种基准方案。
Keyword:
Integrated sensing and communication
edge intelligence
multi-modal sensing
resource allocation
task-oriented communications
期刊
IF:
10.7
论文数:
1.3W
被引数:
5.3W
机构
引用论文
IoV-Oriented Integrated Sensing, Computation, and Communication: System Design and Resource Allocation面向IoV的集成传感，计算和通信: 系统设计和资源分配
.png){kind=icon}
PREAI
分享收藏Intelligent Multi-Modal Sensing-Communication Integration: Synesthesia of Machines智能多模态传感-通信集成: 机器的联觉
OAAI
OAAI分享收藏Integrated Sensing, Computation, and Communication: System Framework and Performance OptimizationOAAI
OAAI分享收藏分享收藏Optimal Resource Allocation for Integrated Sensing and Communications in Internet of Vehicles: A Deep Reinforcement Learning Approach基于深度强化学习的车联网综合传感与通信资源优化配置方法
PREAI
分享收藏
查看更多内容