(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210164281.9 (22)申请日 2022.02.23 (65)同一申请的已公布的文献号 申请公布号 CN 114217881 A (43)申请公布日 2022.03.22 (73)专利权人 北京航空航天大 学杭州创新研究 院 地址 310000 浙江省杭州市滨江区长河街 道创慧街18号 (72)发明人 任涛　姚依明　牛建伟　谷宁波　 胡哲源　胡舒程　何航　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 张欣欣(51)Int.Cl. G06F 9/445(2018.01) (56)对比文件 CN 113254188 A,2021.08.13 CN 108549410 A,2018.09.18 刘璐.基于意图识别的骑车 人轨迹预测方法 研究. 《中国优秀博硕士学位 论文全文数据库(硕 士)工程科技 Ⅱ辑》 .2021, 谢辉等.结构化道路中动态车辆的轨 迹预 测. 《汽车安全与节能学报》 .2019,(第04期), 审查员 辛小霞 (54)发明名称 任务卸载 方法及相关装置 (57)摘要 本申请提供的任务卸载方法及相关装置， 应 用于任务卸载领域， 该电子设备获取多个移动终 端在下一任务周期的预测位置； 并将多个移动终 端的预测位置以及多个移动终端的预设状态信 息作为环境状态， 然后， 通过任务卸载模型为每 个移动终端制定任务卸载策略， 由于该任务卸载 策略考虑了在制定任务卸载策略期间多个移动 终端的移动特性， 因此， 克服了相关技术难以做 出理想的计算卸载和资源分配决策的缺陷， 从而 使得制定的任务卸载策略更为 合理。 权利要求书3页 说明书18页 附图5页 CN 114217881 B 2022.06.21 CN 114217881 B 1.一种任务卸载方法， 其特征在于， 应用于电子设备， 所述电子设备配置有任务卸载模 型以及运动预测模型， 所述方法包括： 获取多个移动终端在下一任务分配周期中预测位置， 包括： 针对每个所述移动终端， 获取所述移动终端与相邻终端之间的静态关联信 息以及动态 关联信息， 其中， 所述相 邻终端表示与所述移动终端满足预设距离 关系的移动终端， 所述 获 取所述移动终端与相邻终端之间的静态关联信息以及动态关联信息， 包括： 将关联区域分割成多个网格； 根据所述移动终端以及所述相邻终端在所述多个网格中的分布信 息， 生成所述静态关 联信息， 其中， 所述静态关联信息为与所述多个网格一一对应的第一关联向量， 所述第一关 联向量中的每 个元素用于指示对应网格是否存在所述移动终端或者所述相邻终端； 所述移动终端以及所述相邻终端在所述多个网格中的运动信 息， 生成所述动态关联信 息， 其中， 所述动态关联信息为与所述多个网格一一对应的第二关联向量， 所述第二关联向 量中的每 个元素用于指示对应网格中的移动终端或者相邻终端的运动速度以及运动方向； 分别将每个所述移动终端的静态关联信息以及动态关联信息输入到所述运动预测模 型， 获得所述多个移动终端在下一任务分配周期中预测位置； 将所述预测位置以及预设状态信息作为环境状态； 将所述环境状态输入所述任务卸载模型， 生成每个所述移动终端中的待执行任务在所 述下一任务分配周期的任务卸 载策略， 其中， 所述任务卸载策略用于指示所述待执行任务 在多个任务执 行设备之间的分配方式。 2.根据权利要求1所述的任务卸载方法， 其特征在于， 所述获取所述移动终端与相邻终 端之间的静态关联信息以及动态关联信息之前， 所述方法还 包括： 获取所述移动终端的位置信息； 根据所述 位置信息构建预设尺寸的关联区域； 根据所述关联区域， 从所述多个移动终端中确定出所述相邻终端， 其中， 所述相邻终端 表示位于所述关联区域内的移动终端。 3.根据权利 要求1所述的任务卸载方法， 其特征在于， 所述运动预测模型包括ConvLSTM 层以及特征提取层， 所述分别将 每个所述移动终端的静态关联信息以及动态关联信息输入 到所述运动预测模型， 获得 所述多个移动终端在下一任务分配周期中预测位置， 包括： 针对每个所述移动终端， 将所述移动终端的静态关联信 息以及动态关联信 息输入到所 述ConvLSTM层， 获得包 含运动趋势的运动记 忆特征； 将所述运动记忆特征输入到所述特征提取层， 获得所述移动终端在下一任务分配周期 中的预测位置 。 4.根据权利要求1所述的任务卸载方法， 其特征在于， 所述任务卸载模型经强化学习 模 型进行预先训练获得， 所述强化学习模型的训练方法包括： 生成所述多个移动终端的样本环境状态； 将所述样本环境状态输入到所述强化学习 模型， 获得与 所述样本环境状态相匹配的任 务卸载策略； 评估与所述样本环境状态相匹配的任务卸载 策略的奖励值； 根据所述奖励值， 更新所述强化学习模型的参数；权　利　要　求　书 1/3 页 2 CN 114217881 B 2若更新后的所述强化学习模型满足预设终止条件， 则将更新后的所述强化学习 模型作 为所述任务卸载模型； 若更新后的所述强化学习模型不满足所述预设终止条件， 则返回所述生成多个样本设 备的样本环境状态的步骤执 行， 直到更新后的所述强化学习模型满足所述预设终止条件。 5.根据权利要求4所述的任务卸载方法， 其特征在于， 所述多个任务执行设备包括所述 任务卸载策略对应的移动终端、 边缘设备以及云端设备， 所述评估与所述样本环境状态相 匹配的任务卸载 策略的奖励值， 包括： 根据预设约束条件， 评估与所述样本环境状态相匹配的任务卸载策略的奖励值， 其中， 与所述样本环境状态相匹配的任务卸载策略违背所述约束条件的数量与所述奖励值成负 相关； 所述预设约束条件， 包括： 针对每个所述移动终端中的待执行任务， 所述待执行任务只允许在所述移动终端、 所 述边缘设备或者所述云端设备中执 行； 针对每个所述移动终端中的待执 行任务， 所述待执 行任务的执 行时长小于时长阈值； 针对每个所述移动终端中的待执行任务， 所述待执行任务需要的计算资源小于目标设 备剩余计算资源的上限， 所述目标设备为所述任务卸载 策略指定的设备； 每个所述移动终端已使用计算资源为非负值； 每个所述边缘设备在所述下一任务分配周期内只有一个无线连接； 云端设备 可分配的计算资源小于所云端设备剩余计算资源的上限。 6.一种任务卸载装置， 其特征在于， 应用于电子设备， 所述电子设备配置有任务卸载模 型以及运动预测模型， 所述任务卸载装置包括： 运动预测模块， 用于获取多个移动终端在下一任务分配周期中预测位置的方式， 包括： 针对每个所述移动终端， 获取所述移动终端与相邻终端之间的静态关联信 息以及动态 关联信息， 其中， 所述相 邻终端表示与所述移动终端满足预设距离 关系的移动终端； 所述运 动预测模块 获取所述移动终端与相邻终端之间的静态关联信息以及动态关联信息的方式， 包括： 将关联区域分割成多个网格； 根据所述移动终端以及所述相邻终端在所述多个网格中的分布信 息， 生成所述静态关 联信息， 其中， 所述静态关联信息为与所述多个网格一一对应的第一关联向量， 所述第一关 联向量中的每 个元素用于指示对应网格是否存在所述移动终端或者所述相邻终端； 所述移动终端以及所述相邻终端在所述多个网格中的运动信 息， 生成所述动态关联信 息， 其中， 所述动态关联信息为与所述多个网格一一对应的第二关联向量， 所述第二关联向 量中的每 个元素用于指示对应网格中的移动终端或者相邻终端的运动速度以及运动方向； 分别将每个所述移动终端的静态关联信息以及动态关联信息输入到所述运动预测模 型， 获得所述多个移动终端在下一任务分配周期中预测位置； 卸载策略模块， 用于将所述预测位置以及预设状态信息作为环境状态； 所述卸载策略模块， 还用于将所述环境状态输入所述任务卸载模型， 生成每个所述移 动终端中的待执行任务在所述下一任务分配周期的任务卸载策略， 其中， 所述任务卸 载策 略用于指示所述待执 行任务在多个任务执 行设备之间的分配方式。权　利　要　求　书 2/3 页 3 CN 114217881 B 3