随着人工智能相关技术的不断发展,人类对机器人功能及性能的期望与其本体有限的板载处理能力之间的矛盾愈演愈烈。云机器人的诞生,使机器人节点可以实时利用云计算平台的资源和数据来扩展自己的能力,从而成为了解决上述矛盾的有效手段。然而,已有的云机器人系统大多集中在云端智能的研究,如何优化云机器人网络架构使其能够从底层保障机器人的协同协作、任务分配和实时交互尚待研究。其次,如何平衡机器人端和云端处理的计算量,在提高机器人任务执行效率的同时保障机器人的续航能力,仍有待进行深入分析。另外,现有机器人产品大多成本高昂,严重阻碍了机器人产业的商业化和民用化进程,亟需深度融合云机器人系统优势给出在低成本机器人上部署人工智能相关应用的解决方案。本文结合上述背景及团队已有基础,分别对云机器人系统网络架构、计算卸载机制和可行性应用进行了研究。本文主要工作与创新成果可概括如下:(1)针对云机器人系统网络架构优化问题,分别从网络架构和网络资源分配两个角度开展了研究。首先,本文提出了一种分布式连通支配集构建方法,机器人通过连通支配集的骨干节点与云平台进行间接通信,从而提高了云机器人系统整体通信效率,保证了云机器人系统在复杂环境下的网络健壮性和可靠性。其次,为了减少云机器人系统中可能出现的网络拥塞现象,本文提出了一种云机器人系统网络资源预分配模型和方法,使得云机器人系统管理者可以采用更为合适的带宽预分配策略,从而最大限度的减少网络拥塞并支撑众多的机器人节点公平地使用网络资源。(2)针对云机器人系统中的计算卸载效能问题,本文提出了一种能耗敏感的计算卸载策略,允许机器人对每个计算卸载策略进行评价从而选出最合适的卸载方案。在上述所提策略中,计算任务不仅可以被卸载到云平台,也可以被卸载至其他机器人处以提高计算能力和执行效率。本文对传统遗传算法进行了改进以求在尽可能短的时间内找到合适的计算卸载决策。实验结果表明上述模型和方法能够使机器人可以实时而准确地判断计算任务的可卸载性,提高系统整体效能并延长机器人网络的生存时间。(3)面向云机器人系统的可行性应用研究,本文结合云机器人系统计算卸载机制,将 SLAM(Simultaneous Localization And Mapping,即时定位与地图构建)和计算机视觉这两种技术在低成本、低性能的机器人上予以了实现。首先,本文提出了一个基于计算卸载策略的多机器人视觉SLAM系统,在保障机器人能耗最小的情况下,将合适的计算任务卸载到云平台执行,提高了系统构图效率并降低了机器人能耗。其次,本文提出了一种云机器人系统深度卷积神经网络部署策略。通过将深度卷积神经网络分段部署,可以在低成本的机器人上实现高效、精准、安全的图像识别与分析。模拟仿真结果和实际部署实验证明了上述两种策略对提升云机器人系统整体效率、降低机器人能耗以及保障网络通信安全等方面具有促进作用。通过上述工作,本文可以从网络架构、理论基础和智能应用这三个层面为云机器人系统提供一整套解决方案,从而有利促进云机器人和人工智能相关技术的发展和产业化落地应用。