从CPS信息物理“系统”到CPC信息物理“计算”,解读物联网...

导  读

如同互联网改变了人与人、人与数字世界之间的互动一样，以CPS为核心思维的物联网将改变人与物、物与物，乃至物理世界与数字世界之间的互动方式。而作为CPS背后一项重要的使能技术：信息物理计算（CPC，Cyber-Physical Computing），却很少有人提及。在这篇文章中，我将围绕绝少被人提及的信息物理计算CPC，为你介绍一些物联网的前沿研究方向以及最新实践。



这是我在【物女心经】专栏写的第94篇文章。

在《看懂CPS，才能真正撬动物联网的万亿级市场》一文中我曾经提到，如果你把物联网作为新技术，可以开发一些创新硬件和方案，撬动百亿级的市场；如果你把物联网作为方法论，可以用它变革传统行业与流程，撬动千亿级的市场；如果你把物联网作为思维方式，有可能改变整个物理世界的互联方式，撬动的是不止万亿级的市场。

信息物理系统CPS更为本质的意义在于，它或将成为物联网互联与改造整个物理世界的一项底层思维基础。如同互联网改变了人与人、人与数字世界之间的互动一样，以CPS为核心思维的物联网将改变人与物、物与物，乃至物理世界与数字世界之间的互动方式。

而作为CPS背后一项重要的使能技术：信息物理计算（CPC，Cyber-Physical Computing），却很少有人提及。简单的说，CPC是一系列计算技术的统称，它们具有相同的特性，都是基于非确定性的动态计算。从计算的角度来看，CPC超越了基于冯·诺依曼架构的确定性计算领域，可以实现硬件、软件和网络的非确定性自适应控制，紧急情况的动态响应，以及时间敏感条件下的敏捷计算。

这周刚好看到Fortune的一篇反讽文章《特朗普正在帮助中国的科学研究再创辉煌》，不由引发了我关于物联网科研现状的一些思考。有哪些关于IoT领域的科学研究还没有被引起足够重视？国外有哪些值得借鉴的科研与产业相结合的应用实践？科研作为市场发展的领航者之一，会将物联网的下一站引到何处？



                           

因此在这篇文章中，我将围绕绝少被人提及的信息物理计算CPC，为你介绍一些物联网的前沿研究方向以及最新实践。



从CPS信息物理“系统”到CPC信息物理“计算”

先从一个例子说起，1927年，当林德伯格首次在历史上成功完成横跨大西洋的单人不着陆飞行时，他驾驶的飞机是单引擎飞机圣路易斯精神号，那时的飞行控制仅仅通过监测几个传感器来实现，凭借林德伯格一己之力就能完成。而如今的空客A380飞机，需要监测的传感器数量有数千个，远非人力可及，这就对控制系统的内部设计提出了更高的要求：它须在驾驶员面前隐藏大量设备的复杂性，他只需要处理有限数量的控制指令来驾驶飞机，而大量的感知数据和关键指标通过系统的自动化程序进行处理。

未来CPS系统的复杂性还会再度提升，目前物联网各行业各场景对于大量复杂计算的实时性、面对非确定性以及环境变化多端时的自适应性，都对处理系统提出了更高的要求，而这一切需要通过CPS背后的重要使能技术信息物理计算CPC进行满足。



信息物理系统CPS的各种需求

1、冯·诺依曼系统结构是建立在预先设定的确定性基础之上，更适用于经典控制和循序计算，而对于充满不确定性以及大量高速计算的未来场景，冯·诺依曼系统结构正在经受越来越多的挑战。

按照冯·诺伊曼的设计思想，将计算机清晰地分为计算器、控制器、存储器（和输入输出设备）几个部分，计算模块和存储单元是分离的，CPU在执行命令时必须先从存储单元中读取数据。

举个例子，每一项任务，如果有10个步骤，那么CPU会依次进行10次读取、执行、再读取、再执行…这就造成了延时，以及大量功耗（80%）花费在了数据读取上。当然，多核、多CPU或一些常用数据的就地存储会一定程度上缓解这些问题，但这种中心处理的架构必然是处理能力提升的一大瓶颈。

因此目前许多人工智能芯片正在尝试突破冯·诺依曼系统结构，设计善于灵活满足神经网络结构的特定处理器。

2、信息物理融合系统是一个反应式自适应系统，可以动态修改自身行为和结构，以响应变化与环境，持续不断的进行从输入到输出的交互，应对物理世界的动态性和不确定性因素的持续增长。

例如，汽车的巡航控制程序就是一个经典的反应式计算实例，其中的物理设备要求对物理量进行动态建模，并要求系统能够持续的自适应演化以应对环境中的不确定性。传统的控制理论只关注连续时间系统，而在CPS信息物理系统中组成控制系统的软件是看似零散的，由可并发的执行机构组成，它们可能有多种运行时模型，并且能够与连续演化的实际物理设备进行交互。

在现有的研究工作中，基于多智能体和基于模型的自适应是广泛使用的方法。

多智能体系统（Multi-Agent System，MAS）是由环境中交互的多个智能体组成的计算系统，它是分布式人工智能的一个重要分支，目标是将大而复杂的系统建设成小的、彼此互相通信和协调的，易于管理的系统。

基于运行时模型（models@run.time）的自适应方法将模型驱动工程MDE技术的应用从设计时扩展到运行时，利用软件模型对运行时丰富和不确定的信息进行管理，以支持自适应能力的实现。

上面这些术语是不是有些烧脑，我尽量通过鲜活的例子依次进行说明。



基于多智能体的自适应系统

还记得我曾经提到过的那个“不务正业”的公司Festo吗？最近几年，Festo总是在德国汉诺威展会上“搞事情”，接连推出一系列仿生学产品，例如：机器鸟、机器章鱼、机器昆虫、机器大水母之类。而且这些动物机器人“家族”的成员不断壮大，大有成群结队的趋势，比如一群可以协同工作的机器蚂蚁，以及一批具有昆虫轻盈性的蝴蝶机器人。



Festo在一份说明中写道：“这些仿生机器人在明确的规则下一起工作，它们彼此沟通，协调行为和动作，每个机器蚂蚁虽然自主决策，但总是服从于共同目标，就像自然界的蚂蚁一样。”

这些“动物”的控制与执行单元，都搭载了最新一代的数字式气动运控终端。每个机器动物都包含n个关节，分别对应n个自由度，每个关节都包括气动旋转叶轮模组、绝对值编码器、压力传感器、可调节轴承等元件。面对如此复杂的系统，实现如此复杂的动作，其动力控制机构仅是一套数字式气动运控终端。

内行一眼就可以看出，这款产品堪称革命性的气动运控代表，它通过数字化将连接到各类气动执行机构的动力控制硬件减少、减少、再减少…最终彻底减少到只剩一种。

看“热闹”的围观群众估计会认为它们只是一堆外形奇特的气动“大玩具”，概念和炫技的成分超出了产品本身的实用价值，其实隐藏在这些具有群体智能的仿生机器人背后的“统帅”就是多智能体系统（Multi-Agent System，MAS）。



在上周的文章中，我曾经提到第2代CPS中包含两个交织的计算周期：

1. 基本周期：包括从传感à监控à决策à推理à计划à执行à效用的闭环

2. 增强周期：包括从推理à学习à适应à进化的闭环

MAS中借鉴了上述两个计算周期的思路，并且将智能工厂中的最底层“车间现场层”分为多类智能体，比如加工智能体（M）代表工厂中执行加工或检测任务的机器，传输智能体（C）代表传送带、自动导引车AGV等运输设备，产品智能体（P）代表正在加工中的产品，缓冲智能体（S）代表临时储存半成品的衔接设备…在MAS中，设计与定义了这些智能体之间的协作与谈判机制。

通过合作，这些智能体尝试自适应的调整行为，以便实现系统的整体目标。由于受到本地信息不对称的限制，单个智能体做出的决策有可能无法保证系统整体的性能最佳，这时预先定义的“协调员”（Coordinator）模块就会发挥作用。

协调员与多个智能体通讯，掌握多种状态和过程信息，从大量的实时信息中提取智能工厂的全局状态，并将通过大数据分析之后的决策反馈给各个智能体，协调多智能体系统的行为，达到全局最优化。



用于智能制造的多智能体系统

由于MAS既需要确保智能体之间的通讯，还需要确保物理设备之间的实时互联，因此IEC 61131-3和IEC 61499标准是必不可少的底层支持。其中，IEC 61131-3是IEC 61131标准的第3部分，用于规范可编程逻辑控制器PLC、过程控制系统DCS、工控机IPC、数控机床CNC和SCADA编程系统的标准；IEC 61499是用于分布式工业过程测量与控制系统功能块的标准。



多智能体系统与IEC 61131-3结合使用

作为最新趋势，多智能体系统MAS正在朝着自组织的方向迈进，同时由于面向服务的体系结构SOA（service-oriented architecture）是构造分布式计算应用程序的方法，被认为是实现CPS智能工厂和智能生产的最佳技术途径，SOA与MAS的融合也成为发展方向之一。构建面向服务的多智能体系统（SOMAS），不仅服务之间可以通过网络调用，而且分布式多智能体自动满足SOA原则。



CPS中的自组织多智能体系统



基于运行时模型的自适应系统

普适计算的兴起促使数字世界与物理世界进一步融合，整个系统尤其是软件部分的自适应能力愈发重要。具备自适应能力的软件系统能够在运行时根据上下文环境和需求的变化动态地调整自身的结构和行为。

自适应软件通常包括被管理元素和管理元素两个部分，其中，被管理元素是指自适应软件的应用逻辑，这部分可以在运行过程中被动态地加以调整；管理元素是指自适应软件的自适应逻辑，这部分通常通过反馈回路对应用逻辑进行调控。一种典型的反馈回路是由IBM提出的MAPE-K回路。该反馈回路包括4个环节，即监测、分析、规划和执行，以及一个被各过程共享的知识库。



IBM提出的自治元素参考结构

在基于模型的自适应方法中，MAPE-K回路中的各过程都以模型为中心进行。由于利用软件模型来开发和管理自适应软件系统能够有效地解决运行时的复杂性问题，有观点认为模型驱动工程（Model DrivenEngineering，MDE）将成为CPS开发的主流，是一个非常热门的研究领域，基于运行时计算模型（models@run.time）的自适应方法利用并扩展了模型驱动工程MDE中的模型和技术。



基于模型驱动工程MDE的CPS开发流程

这里所说的一个模型，是一个与系统有因果联系的系统的抽象表示，从问题空间的角度对系统的结构、行为或需求进行了刻画，下面视频中的路灯控制系统就是基于MDE的物联网应用实例。





基于运行时计算模型（models@run.time）的自适应方法对传统的模型驱动工程中的模型进行了扩展，将模型的应用从设计阶段扩展到运行阶段。与模型驱动工程中的模型类似，运行时模型也是与系统有因果联系的系统的抽象表示，刻画了系统的结构、行为或者目标。因为这样的因果联系，模型可以提供及时和明确的信息以驱动后续的自适应分析和规划，在模型层次做出的自适应规划也可以被追踪到系统中。



Model@run.time机理

与模型驱动工程MDE中的模型从解决方案空间出发不同，运行时模型（models@run.time）从问题空间的角度对系统进行刻画。该模型可以被视为一个在运行时仍然活动的开发模型，通常支持动态演化、在线推理、动态状态监测、系统控制、系统行为观察、制品的自动生成、设计决策的新增等。



新旧系统的逐步迁移是必须考虑的一环

作为落地实践中的重要步骤，如果不考虑现有系统的迁移问题，就无法将上述提及的MAS、SOMAS、MDE、models@run.time等范例渗透到现实系统环境当中。



目前的绝大多数系统遵循ISA 95企业参考架构规范（www.isa95.org）进行设计，而在不远的将来，传统的金字塔架构将成为历史。更高的连接性和更强的灵活性需求，正在触发金字塔架构向平展化的趋势演进。



这种从传统的分层管理到扁平化分布式控制的迁移过程充满诸多挑战，一方面服务提供商和服务消费者的角色会有一定程度的交替，另一方面需要打破过去由企业竞争造成的人为边界。

欧洲创新项目IMC-AESOP中，充分利用了SOA和云平台等现代架构来提升企业的运营能力，同时对系统的迁移问题进行了有益的探索。

IMC-AESOP兼顾ISA 95中金字塔架构中的各种元素，同时将其与扁平化的现代系统趋势相辅相成，通过工程实践增强两者之间的可集成性。IMC-AESOP将ISA 95规范中的功能拆解为可以在边缘侧或者云端提供的服务模块。最终用户可以轻松的将特定场景所需的功能和服务进行搭配，免除了ISA 95各个层级中系统集成的困扰。



IMC-AESOP项目中实现CPS的系统迁移视图

如图所示，IMC-AESOP提出了一种面向服务的架构，通过将流程服务化，业务软件云化，更好的满足最终用户的应用需求，同时保留了传统软件设计、操作、管理等方面的各种有益特性，快速部署和实现现代快节奏的工业环境下所需的创新应用。此外，模块化和基于服务的基础架构充分考虑了灵活性的需求，可以随时间推移逐步演变，以便适应未来的潜在需求。

目前，在CPC信息物理计算领域，科研和应用的彼此结合越来越紧密，与IMC-AESOP相仿的创新项目还有许多，它们各自在SOA、MAS、自适应生产管理、models@run.time等领域进行着持续的尝试。

本文所述的研究工作大多围绕打造系统的自适应能力开展，因为在充满非确定性的现实世界，自适应能力是系统能够实现部分自治，完成自主响应，满足业务环境灵活性与多变性的必备手段。无论是CPS还是CPC，都需要来自跨越产、学、研、用等多个领域，跨越电子、计算机、自动化等多种学科的企业与资源互相合作，才能取得学术突破以及实践反哺。希望本文能为你揭开物联网产业核心新技术的一叶视角。

最后，由衷感谢阿里智联网首席科学家丁险峰在成文过程中对我的大力支持。

本文小结：

1.信息物理计算（CPC，Cyber-PhysicalComputing）是CPS背后一项重要的使能技术，它是一系列计算技术的统称，共性是基于非确定性的动态计算。

2. 由于CPS系统的复杂性快速显著提升，对于大量复杂计算的实时性、面对非确定性以及环境变化多端时的自适应性，都提出了更高的要求，多智能体系统（Multi-Agent System，MAS）和基于运行时模型（models@run.time）的自适应计算是CPC的重要分支。

3.作为落地实践中的重要步骤，新旧系统的逐步迁移是必须考虑的一环，面向服务的架构兼顾ISA 95中金字塔架构中的各种元素，同时将其与扁平化的现代系统趋势相辅相成，最终用户可以轻松的将特定场景所需的功能和服务进行搭配，免除了ISA 95各个层级中系统集成的困扰。