图1的案例同时也说明，开放世界是边缘智能应用的普遍问题，而不只是某款特定产品或服务设计缺陷的特例。开放世界问题将长期、持续且普遍存在于边缘智能领域，主要有两个原因：

• 边缘智能呈现需求森林化态势，边侧需求由于应用、硬件、环境等复杂多样。
• 边缘智能领域处于方案摸索期，各业务模型乃至平台的协作生态仍在成长。

开放世界问题是边缘智能应用面临的一个普遍而持久的挑战，需要从系统和算法两个层面进行解决。

开放世界的长尾应用或异常案例有两个特点，形态多样和数据稀缺。这对边缘智能技术的系统性能和算法性能都有影响：

▍1. 社区历史解决方案

为了解决开放世界中的边缘智能问题，我们可以借鉴人类的学习过程。人类能够在开放世界中正常工作和生活，是因为每个人在不断地积累和活用过去以及他人的知识，学习更多知识 [3]。基于人类的学习机制，KubeEdge SIG AI已在国际学术会议上发表了边云协同终身学习的正式定义 [4,5]：在云侧知识库中有N个历史训练任务情况下，推理当前任务和未来M个边侧任务，并持续更新云侧知识库。其中，M可以无限增加，而边侧M个推理任务可能与云侧知识库N个历史训练任务不同。 具体来说，边云协同终身学习从系统和算法两个方面，采用下述技术应对开放世界问题。

图3 KubeEdge SIG AI边云协同终身学习算法流程

终身学习相关算法如终身SLAM、终身目标检测等，近年来因为能够应对边缘数据异构和小样本问题而收到关注。但现实世界的实践，需要进一步考虑其边云协同实现。为加速研究和成果转化， KubeEdge SIG AI开源了边云协同终身学习基准测试套件，帮助人工智能应用开发者验证并选择最合适的边云协同终身学习算法。本次发布的特性还支持语义分割应用样例，可用于机器人导航、巡检、清洁、送货等场景。

在本次版本发布中，KubeEdge-Ianvs 同时提供了开箱即用的真实数据集（名称待定）、基线算法、关键指标，供开发者探索和使用，如图5所示。

（1）机器人巡检场景：

基于占位符的未知任务识别 未知任务识别是机器人异常检测和巡检场景中终身学习的关键问题。在这些场景中，如果无法检测到未知情景，将会造成严重的经济损失。传统机器学习方法只能通过训练有限的已知样本来进行测试集推理。对于新类别的未知样本，它们无法有效识别，而是将它们当作已知样本来处理。因此，如何识别和处理未知样本或未知任务，将成为人工智能未来的重要研究方向。KubeEdge Ianvs在边云协同终身学习场景下，复现了CVPR2021论文《Learning placeholders for open-set recognizes》[15]，如图6所示。该论文提出了一种模仿新类出现的占位符方法，可以将封闭集训练转化为开放集训练。这项工作可以推动未知任务识别的研究，帮助我们探索解决这一问题的多种方案。

图6 机器人巡检场景：基于占位符的未知任务识别

图7 机器人巡检场景：基于生成对抗网络的未知任务处理

（3）自动驾驶场景：基于多任务联合推理的未知任务处理

自动驾驶是边缘AI的重要应用领域之一，它需要研究如何协同边缘和云端资源为自动驾驶应用提供支持。自动驾驶对边缘 AI 推理性能有很高的要求。一方面，由于车辆运动的特点，自动驾驶车辆面临的场景复杂多变，适用的任务不确定，因此需要根据任务关系动态更新联合推理的方式。另一方面，自动驾驶对实时性的要求也很高，这需要我们在精度和延迟之间进行权衡。因此，边缘设备支持此类应用的难度很大。在自动驾驶感知的情况下，很多因素都会影响某个任务训练的模型的性能，而对于某些任务，我们不得不使用次优的模型进行推理，这会大大降低推理性能。联合推理可以提高感知性能，并且这种方法已经成功应用于Sedna历史项目中，例如头盔检测示例。本次发布在Ianvs上的算法为终身学习功能添加了对多任务联合推理的支持。该功能将支持以自动驾驶汽车为代表的边缘设备在满足实时需求的基础上，在本地完成高精度的神经网络推理，主要基于BDD100k等异构多任务自动驾驶感知数据集进行研究。

如果读者对于本次版本发布的更多细节感兴趣，欢迎查阅 Sedna v0.6 及 Ianvs v0.2 Release Note：

https://github.com/kubeedge/sedna/releases/tag/v0.6.0

https://github.com/kubeedge/ianvs/releases/tag/v0.2.0

后续KubeEdge SIG AI将发布系列文章，陆续具体介绍本次全面升级的特性，欢迎各位读者继续关注社区动态。

参考文献

[1] Zheng, Z., Li, Y., Song, H., Wang, L., & Xia, F. (2022, October). Towards Edge-Cloud Collaborative Machine Learning: A Quality-aware Task Partition Framework. In Proceedings of the 31st ACM International Conference on Information & Knowledge Management (ACM CIKM’22), pp. 3705-3714.

[2] Zheng, Z., Luo, P., Li, Y., Luo, S., Jian, J., & Huang, Z. (2022, June). Towards lifelong thermal comfort prediction with KubeEdge-Sedna: online multi-task learning with metaknowledge base. In Proceedings of ACM e-Energy’22, pp. 263-276.

[3] B. Liu, Lifelong machine learning: a paradigm for continuous learning., Frontiers of Computer Science. 11, no. 3 (2017): 359-361., 2017.

[4] Huawei Cloud Developers. Support edge-cloud collaborative lifelong learning features, KubeEdge sub-project Sedna 0.3.0 version released! [EB/OL]. 2021-06-07. https://segmentfault.com/a/1190000040132422/en.

[5] 郑子木. KubeEdge-Sedna v0.3：迈向次时代自动定制的AI工程范式 [J]. 自动化博览. vol. 39., no. 344 (2022.02): pp. 72-75. 2022.

[6] Zheng, Zimu, Jie Pu, Linghui Liu, Dan Wang, Xiangming Mei, Sen Zhang, and Quanyu Dai. "Contextual anomaly detection in solder paste inspection with multi-task learning." ACM Transactions on Intelligent Systems and Technology (TIST) 11, no. 6 (2020): 1-17.

[7] Zheng, Z., Xie, D., Pu, J., & Wang, F. (2020, June). Melody: Adaptive task definition of cop prediction with metadata for hvac control and electricity saving. In Proceedings of ACM e-Energy’20. pp. 47-56.

[8] Zheng, Z., Wang Y., Dai Q., Zheng H., Wang, D. "Metadata-driven task relation discovery for multi-task learning." In Proceedings of IJCAI (CCF-A), 2019.

[9] Zheng, Z., Chen, Q., Fan, C., Guan, N., Vishwanath, A., Wang, D., & Liu, F. "Data Driven Chiller Sequencing for Reducing HVAC Electricity Consumption in Commercial Buildings." In Proceedings of ACM e-Energy, 2018. Best Paper Award.

[10] Zheng, Z., Chen, Q., Hu, C., Wang, D., & Liu, F. "On-edge Multi-task Transfer Learning: Model and Practice with Data-driven Task Allocation." In Proceedings of IEEE TPDS (CCF-A), 2019.

[11] Chen, Q., Zheng, Z., Hu, C., Wang, D., & Liu, F. "Data-driven task allocation for multi-task transfer learning on the edge. " In Proceedings of IEEE ICDCS (CCF-B), 2019.

[12] Siqi Luo. From Ground to Space: Cloud-Native Edge Machine-Learning Case Studies with KubeEdge-Sedna [EB/OL]. 2022-12-05. https://www.youtube.com/watch?v=bIaeWGelsJE 

[13] 郑子木. 边云协同终身学习在智慧园区及工业领域创新探索及落地 [EB/OL]。KEAW’22。2022-11-17. https://www.bilibili.com/video/BV1Me411N7gA/ 

[14] 郑子木，杨浩进. KubeEdge云原生边缘计算公开课12-边缘智能进阶：适配多样场景和应对分布式系统 [EB/OL]. 2022-12-27. https://www.bilibili.com/video/BV1W44y1R7uB

[15] Zhou, D. W., Ye, H. J., & Zhan, D. C. (2021). Learning placeholders for open-set recognition. In Proceedings of CVPR (pp. 4401-4410).