关闭引导
科技周刊|宽度学习 助机器人毫秒级反应
2026-11-18 08:31:03
广州日报新花城

硬核工作室出品

11月16日,中共中央总书记、国家主席、中央军委主席习近平在广东省中山市考察时强调,大家身处这个好时代,在这片创新创业的沃土上工作和生活,要倍加珍惜、锐意进取,努力为广东的发展、为粤港澳大湾区建设、为实现高水平科技自立自强多作贡献。

在不久前公布的2025年广东省科学技术奖评选结果中,华南理工大学计算机科学与工程学院院长、琶洲实验室副主任陈俊龙教授的研究成果“动态结构神经网络系统及其在智能控制系统的应用研究”获自然科学奖一等奖。这项研究有望解决具身智能算力开销大、推理延迟高、产线场景适配成本高等痛点。本期《科技周刊》,记者走进琶洲实验室,探究新型算法未来如何赋能产业发展。

5489cc4211f47210eaae619b13b74232.jpg

华南理工大学计算机科学与工程学院院长、琶洲实验室副主任陈俊龙教授

独创“宽度学习系统”

把“叠棉被”变成“一字长蛇阵”

谈到人工智能,“深度学习”一直都是热词。拥有广泛用户的大语言模型,底层算法结构都采用深度神经网络。这种神经网络可分为输入层、若干隐藏层和输出层,每一层都由若干神经元(计算节点)构成。这些神经元如同层层搭接的信息网格,层内和层间均建立连接,信息逐层传递;多层堆叠形成网络的“深度”,再经过多次循环往复学习训练,最终确定网络参数,从而支撑深度学习。

陈俊龙选择“反其道而行”,于2018年独创“宽度学习系统”(Broad Learning System,BLS),把“叠棉被”变成“一字长蛇阵”,将传统多层深度神经网络转变为单层宽度结构。

宽度学习并不是“更浅的深度学习”,其核心逻辑是横向并行拓展多组特征子网络,由多条短通道并排同步采集信息并汇总输出,无须额外训练即可给出模型最终结果,以此替代纵向层层堆叠的网络结构。此外,宽度学习中的神经元数量可增可减,属于动态结构神经网络系统。它无须依靠加深层数提取复杂特征,能够实现轻量化训练与推理,从而大幅降低算力与训练成本,适配各类算力受限的边缘终端。

陈俊龙介绍,深度神经网络应用虽然非常广泛,但在机器人、无人驾驶汽车、无人机等边缘侧应用仍存在缺陷。基于深度神经网络构建一套大模型算法,长则耗时数月,短则花费数周。数据需要在多层神经网络中反复传递和推理,开发者通过不断调整参数、增加层数,才能大幅提升算法准确性,算力和训练成本很高。同时,在深度神经网络中,每一层的神经元数量都是固定且无法调整的,遇到新数据时,深度神经网络需要重新训练。

这些根本性问题导致在算力不足、网络条件不佳的情况下,端侧设备的推理延迟和卡顿几乎无法避免。“比如,用户说一句话,让现有人形机器人递个水杯,机器人从理解人类语言到完成整套动作会耗费非常长的时间,这种等待几乎令人难以忍受。”

陈俊龙告诉记者:“宽度学习支持‘增量学习’,新数据进入时可快速更新模型参数,实现快速适应。宽度学习和深度学习是互补的:如果追求全域通用和高复杂度表征能力,深度神经网络大模型更合适;如果追求低延迟、低成本、现场快速迭代,宽度学习系统则是务实可行的替代方案。”

9a94cbe6f1c5bc4ba463943b3e47e1b5.jpg

华南理工大学计算机科学与工程学院院长、琶洲实验室副主任陈俊龙教授

何为宽度学习

宽度学习的结构很简单:只有一层,但横向铺开,由多条短通道并行处理,信息采集后汇总输出。神经元数量可以随时增减,新数据到来时也能快速更新,无须从头重新训练。整个系统轻量、反应快,适合算力有限的边缘设备。

何为深度学习

深度学习则像叠棉被,一层压一层,信息从下往上一层层传递。层数越多,能学到的复杂特征越多。这种学习系统能力很强,但训练速度慢、算力消耗大,出现新数据时仍需从头重新训练。

6e79fe803c90c56e2b9f71b0b1d1f6c6.png

宽度学习系统适合边缘端部署

陈俊龙告诉记者,目前在学校和琶洲实验室开展的实验表明,在百万级至千万级数据规模下,宽度学习系统的计算推理速度比传统深度学习快得多,特别适合边缘端部署和实时交互。“但受限于高校实验室的算力,我们目前还无法在更高数量级的数据规模下开展宽度学习系统的相关实验。”

毫秒级本地推理:宽度学习系统拆分多层计算链路,减少数据长距离传输。以双足机器人步态控制和失稳补偿为例,端侧模块能在数毫秒内完成多传感器融合与力矩调节,规避云端延迟引发设备跌倒风险。

资源利用效率高:横向扩展的参数结构更易裁剪与量化,适配低功耗端侧芯片,降低算力与散热需求。例如,家用保洁机器人连续工作数小时仍能维持高频感知与路径规划,从而延长续航,减少对昂贵边缘算力的依赖。

快速迭代与现场自适应:横向模块可独立训练、替换和在线微调,支持就地数据闭环与快速部署,缩短从实验到实现的周期。例如,产线巡检机器人在新工位上线时,只需对视觉识别子模块进行小样本微调,即可适配新零件,无须重训整个深层模型。

模块化可解释与安全可控:并行子模块对应明确功能,便于单元测试、故障隔离与安全验证,有利于工程化认证。例如,工厂协作机械臂可单独升级触觉判定模块,以提高碰撞避免能力,而不影响整体控制栈。

应用场景

“边缘大脑”不用联网,自己就能拿主意

陈俊龙告诉记者,宽度学习系统几乎适合任何边缘侧设备进行自主决策。在广州重点发展的自动驾驶、低空经济、具身智能、智能制造等产业中具有广阔应用前景。

自动驾驶领域——宽度学习系统有望帮助汽车更快作出反应,在“鬼探头”等突发情况下帮助汽车快速闪避。同时,这一轻量化算法还能减少企业在算力芯片上的投入,帮助企业降本增效。

低空经济领域——宽度学习系统有助于飞行器实现更快捷的反应,尤其是低空载人飞行器在应对鸟撞等突发状况时,可借助该系统更快作出反应。飞行器可利用本地宽度学习模型进行快捷避障、意图识别并作出决策,无须联网传递信息。

具身智能领域——宽度学习系统赋予机器人更强的“边缘大脑”,使其能在本地实时处理各种环境变化,无须依赖云端大模型,从而降低延迟。陈俊龙预计,三至五年内,具备思考能力的具身智能机器人将在家庭场景初步普及,完成从“遥控执行”到“自主思考+动作”的转变。

智能制造领域——当生产线上设备参数变化或新增机器时,加载宽度学习系统的设备能实时调整控制策略,无须停机重训,通过边缘端本地计算,可减少对云端算力的依赖和数据传输成本,同时提高响应速度。

搭建一体化技术框架

当前,陈俊龙正依托华南理工大学、琶洲实验室两大平台,搭建起“云端大模型大脑+宽度学习系统端侧小脑+数字平行人虚实联动”一体化技术框架,推动宽度学习系统算法落地应用。

研发完成三大项目

陈俊龙团队已研发完成三个项目,分别是“产线协作臂”的云端统筹装配策略、智慧医疗AI病理与心理咨询模型“华佗之心”,以及融合脑机接口、神经调控和AI音乐疗愈的垂类大模型“趣乐AI”。其中,两个项目已在网信办备案。此外,团队还在规划双足巡检机器人和家用服务机器人两个新项目。

进入商业化试点

琶洲实验室已完成多类样机研发和产线改造试点,目前正在大湾区进入示范推广与商业化试点阶段;同时,在居家康养人机交互、长期可靠性测试等方面开展了示范运营,并取得了阶段性成果。

聚焦智能汽车应用

团队近期拜访了广州本地车企,洽谈推动宽度学习系统应用于其智能汽车或智能机器人中。陈俊龙说:“我们已与数家大湾区企业共建联合实验室,借助这一方式更好地推广应用宽度学习系统。”

地铁有望装上“节能算法”

一趟车省电8%—9%

节能是地铁运营降本增效的核心环节。地铁用电的50%以上用于牵引,一列地铁列车驶离站台,通常要经历加速、匀速、惰行和制动。如何在确保安全、准点的前提下进一步降低能耗,是一道精细而复杂的“计算题”。

近年来,华南理工大学吴贤铭智能工程学院卢少锋团队持续开展列车节能运控、车载储能与车网融合研究。他们研发了一系列优化算法,构建起一套既懂列车、又懂储能和电网的节能轨道交通节能运控系统。

a8ce09c31728e5bb30cc22500ad5ee68.png

传统节能算法通常“一次性算好”速度曲线,让列车按曲线运行。其一般先对牵引特性进行简化,再离线计算出一条速度曲线。一旦临时限速、停站时间或供电条件发生变化,原有方案便可能不再适用。

卢少锋团队的算法则是“边跑边算”。遇到临时限速或供电条件变化时,系统能根据新约束重新规划运行曲线。

团队将混合整数规划与凸优化相结合,把复杂的牵引和制动约束转化为能够高效求解的数学模型。该节能控制系统可持续接收列车当前速度、运行距离、线路限速和剩余时间等信息,在列车运行过程中滚动更新建议速度或控制指令;遇到扰动时,系统还能根据新的约束重新规划,实现更优的节能效果。在团队开展的部分算例中,相关方法的求解速度较传统算法提高数十倍至数百倍。该研究将为列车牵引系统建立牵引能耗计算的理论边界,并为推动相关产业绿色技术标准落地提供理论和技术支撑。

卢少锋还向记者介绍了再生制动技术。该技术可将列车减速时的部分动能转化为电能,但这些“再生电”的有效利用同时受到电网吸收能力、储能状态和制动需求等因素制约,不能简单理解为“刹车就一定能发电”。只有同时算清楚列车如何减速、何时切换制动方式以及产生的电能流向何处,才有可能真正提高这部分电能的利用率。团队也针对这一问题研发了相关算法。

在广州地铁国家工程研究中心的支持下,团队基于广州地铁7号线、8号线和21号线的真实线路参数开展仿真测试。在相关测试条件下,团队算法可实现约8%—9%的节能效果。

目前,团队依托广州地铁国家工程研究中心等行业平台,与广州地铁逐步构建涵盖联合研究、技术交流和应用需求对接的多层次合作网络。双方由此形成从问题凝练、理论研究到实验验证相互衔接的合作路径,推动科研工作更加贴近城市轨道交通的实际需求。

下一步,卢少锋团队将继续完善列车、储能与电网的协同模型,研究有限算力条件下的多层级能量管理,并推进城市轨道交通全生命周期碳排放动态评估。团队希望通过更紧密的产学研合作,将已完成的仿真与硬件在环验证进一步推向工程试验,形成能够适配不同线路的工具和控制方案。

5f8efb9a440409c6032f750d2b165fe2.jpg

统筹编辑:梁倩薇、嵇沈玲
文、图/广州日报新花城记者:武威(除署名外)
广州日报新花城编辑:张宇

@新花城 版权所有 转载需经授权