基于边缘的数字孪生服务的资源需求实验研究：DTaaS应用程序性能评估和资源依赖关系

虚拟现实智能硬件• 文章·2022年12月第4卷第6期：50610.1016/j.vrih.2022.05.005基于边缘的数字孪生服务的资源需求：实验研究Federico MUNGARI1，Milan GROSHEV 2，Carla FabianaCHIASSERINI 1*1. 都灵理工大学电子和电信系，都灵10129，意大利;2. Departamento de Ingenieria Telematica，Universidad Carlos III de Madrid，Madrid28911，Spain接收日期：2022年3月3日;修订日期：2022年4月14日;接受日期：2022年5月24日翻译后摘要：数字孪生（DT）是一个关键的应用程序下的工业数字化转型所设想的第四次工业革命（工业4. 0）。DT定义了工业机器人等物理实体的智能和实时忠实反映，从而允许对其进行远程控制。依靠信息和通信技术（ICT）的最新进展，即网络功能虚拟化（NFV）和边缘计算，DT可以在附近的工厂中部署为按需服务，并利用无线电接入技术提供。然而，为了实现最新ICT所预见的众所周知的可扩展性，灵活性，可用性和性能保证的好处，人们不断要求对DT即服务（DTaaS）解决方案进行实验性分析和评估。此外，需要调查服务所要求的资源与相对需求和工作负载之间的依赖关系在这项工作中，一个基于边缘的数字孪生解决方案，用于远程控制的机器人手臂部署在一个实验测试平台，在符合NFV范式，服务已被分割在虚拟网络功能。我们的研究的主要目的是评估整体服务性能和VNF资源需求之间的纠缠，以及消费服务的机器人数量的变化。实验剖面显示最关键的DT功能是逆运动学和轨迹计算。此外，同样的分析已经作为工业过程的函数进行，即基于施加在机器人上的命令，特别是它们的离子水平，导致计算和时间资源要求与轨迹保证之间的新的权衡。得出的结果提供了至关重要的见解，网络服务扩展和资源编排框架的设计处理DTaaS应用程序。最后，我们经验证明LTE短缺，以适应最小DT延迟要求。关键词：数字孪生;边缘; NFV;测试床;性能评估由欧盟通过5Growth项目（856709）支持; UNICO 5G I+D 6 G-EDGEDT-01/02;西班牙经济事务和数字转型部;卡塔尔国家研究基金（卡塔尔基金会成员）的NPRP-S第13周期（NPRP 13 S-0205-200265）。引文：Federico MUNGARI，Milan GROSHEV，Carla Fabiana CHIASSERINI.基于边缘的数字孪生服务的资源需求：实验研究。虚拟现实智能硬件，2022，4（6）：506*通讯作者 ，carla. polito.it2096-5796/©版权所有2022北京中科学报出版有限公司有限公司、出版社：Elsevier B.V.我代表科爱通信有限公司公司 这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/by/4.0/）。507Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究1介绍工业4.0革命，也被称为未来工业，已经成为工业制造系统的新范式转变。新的制造方法已经开发出来，以克服人力雇佣的有效性和可重复性的限制[1]。特别地，工业机器人，例如，机器人手臂和自动化越来越多地被用来取代人力，用于无工人工厂的重复性任务，将有效的生产规划和操作监控留给制造领域专家[2]。此外，未来产业展望了现代产业向服务型产业的数字化转型。因此，制造过程将变得更加灵活，安全，高效，具有成本效益，并通过按需服务以前所未有的方式进行智能协调[3]。因此，工业4.0需要有关工业机械的数字化知识[4]，以向智能制造服务开放生产环境。在这方面，数字孪生（DT）无疑是一项基础服务，因为它能够实现所需的数字化转型。DT是一种计算机化的模型，它复制了物理实体或过程的状态和演变，并与之建立了持续的相互作用[5]。因此，DT是物理系统（如机器人手臂）的活的、智能的和不断发展的虚拟对应物。这一突破性概念所带来的好处是数不胜数的。根据所操作的服务，制造DT可以被定义为[6]：（1）当虚拟副本提供关于其物理副本的演进状态的信息时，监视DT，例如，[7，8]，从而实现可视化和故障检测能力;（2）当仿真或预测工具通过利用3D或基于机器学习的模型在虚拟世界中运行时的仿真DT，例如，[9这里评估的用例）和抽象目标的数据感知管理，从而中断与工业机器的交互为了向孪生副本提供无缝和实时的可靠信息，DT服务必须与信息和通信技术的最新进展相结合[12]。边缘计算、网络功能虚拟化（NFV）和5G旨在满足工业4.0和DT应用在低延迟、高可靠性和带宽、可扩展性和连接密度方面的要求边缘计算允许DT应用卸载其计算密集型逻辑（例如，对象检测、运动规划）。这使得DT能够在工厂附近执行，提供低延迟，高带宽和可靠性以及上下文感知服务[13，14]，同时能够部署具有成本效益的机器人。反过来，NFV范例使得DT应用的功能分区成为可部署在通用硬件之上的广泛的可重新配置的虚拟网络功能（VNF）。最后，工业4.0声称5G是实现DT设定的实时关键性能指标（KPI）的关键推动因素，从而实现线式性能。5G网络的架构是在共享基础设施中同时支持不同类型的服务配置文件，例如增强型移动宽带（eMBB），大规模机器类型通信（mMTC）和超可靠低延迟通信（URLLC）。虽然边缘计算被设想为一种运行按需服务的技术，除了提供高灵活性，增强的可扩展性和敏捷管理外，自动化资源扩展和编排框架还需要对所提供的服务进行有效表征[15]。评估服务DT的资源配置文件并探索其依赖关系对于获得自动化服务配置工具的好处至关重要，资源使用节省和性能保证，甚至对应于服务负载激增。因此，本研究的目的是进行实验分析的DT即服务（DTaaS）解决方案的机器人手臂远程控制，集成了计算，虚拟化和无线技术。为此，机器人手臂的DT解决方案被分解为VNF并部署在实验性的508虚拟现实智能硬件12月（2022）卷。4条第6该测试平台集成了3GPP LTE的软件定义无线电（SDR）链路解决方案。在真实测试平台中实现基于边缘的DT使我们能够观察不同部署配置之间的权衡。具体而言，这项工作的主要贡献如下：（1）基于边缘的，虚拟化的机器人手臂的DTaaS原型的实现;（2）关于资源需求和服务需求负载之间的关系的洞察;（3）机器人手臂的应用程序和工作负载对DT服务的资源配置文件本文的其余部分组织如下。第二节回顾了相关的研究成果和动机。第3节首先介绍了基于边缘的数字孪生提出的DTaaS，然后概述了对机器人的评估命令抽象级别。基于边缘的DT解决方案已经部署在第4节中介绍的测试平台上。最后，第5节介绍了服务资源概况和性能评估结果，其主要见解将在第6节中讨论，以及未来的计划。2背景和动机运营的Digital Twin主要应用于制造机器人应用，受到工业垂直行业日益增长的兴趣的推动。由于云计算的最新进展，然后是边缘计算，以及NFV和5G，制造业可以从DT中受益，以实现以服务为导向的行业。DT可以作为网络服务提供，这需要将其灵活地分解为部署在商品硬件上的虚拟网络功能（VNF）。边缘计算通过卸载边缘中的智能来实现轻量级和具有成本效益的机器人的部署，利用计算和存储容量来支持制造应用[14]。此外，NFV和边缘计算概念是由5G原生设想的，工业4.0将其作为第一种通信技术，同时满足：（1）无线技术特有的灵活性，成本效益的部署和维护，移动性支持和工人安全[16]，以及（2）严格的实时保证，如现场总线[17]等有线网络的特征。这些潜在的好处是除了使用工业机器人带来的优势之外，即大的灵活性和高自由度，这就是为什么它们的应用如此众多并不断增加。因此，制造DT和DT使能的机器人技术最近在工业界和学术界引起了极大的关注，这并不奇怪。[18]中的研究采用数据驱动的方法来自动化智能制造单元系统，而[19]提出了一个用于设计智能装配过程的参考模型，并讨论了相应的基于DT的应用框架。另一方面，[20]中的工作评估了基于DT的协作人机系统在工业装配中的优势。[21]依赖于云来卸载复杂而新颖的同时定位和映射框架，而[22]提出了一个基于云的系统，用于工业机器人的远程配置。工业机器人表面混合系统的计算关键特征在[23]中被检测并卸载到边缘，用于自动化和金属增材制造系统的基于边缘的DT解决方案分别在[24]和[25]中提出。在[26]和[6]中提出了集成边缘计算，NFV和5G连接的DT的基于边缘的原型Wi-Fi，LTE，5G），以支持Edge Robotic Digital Twin。然而，[18 - 20]中的著作没有讨论信息和通信技术的最新进展所带来的作用和好处，即，边缘计算、NFV和5G。最近的大部分工作[21，22]都集中在云部署的好处上，但是这很容易受到网络动态的影响，并且对于时间敏感的操作来说是不可行的。相反，[23-25]中的研究最后，[26]和[6]中的工作通过原型实现来评估机器人基于边缘的DT解决方案，但与我们的研究不同，他们的分析仅限于单个机器人的场景509Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究边缘服务器数字孪生指挥官控制器运动规划状态司机智能工厂总之，与以前的工作不同，我们提出了机器人远程控制基于边缘的DT解决方案的实验配置文件和性能评估，该解决方案部署为服务，因此分解为VNF，并在小型测试台设置上提供，该测试台设置将3GPP LTE的SDR链路解决方案集成到模拟机器人手臂。这项工作并没有设想一个明确的工业领域或应用，而是很容易推广和扩展到所有工业应用，可以受益于工业机器人手臂的远程控制和运动规划。因此，我们的研究主要有助于确定机器人DTaaS解决方案中最关键和计算密集型的网络模块，并提供有关哪些参数影响整体服务需求的新见解，例如机器人命令抽象级别。据我们所知，没有任何现有的工作涉及这方面。本文提出的研究结果可以为敏捷和自动化的DT服务编排框架带来显着的好处，这可能使实时服务调整，以实现网络服务的成本效益和性能保证。3边缘数字孪生在这项工作中，我们专注于基于边缘的DT解决方案，专为机器人手臂工厂的远程控制值得强调的是，该用例具有高度的实际相关性，因为制造过程是可管理的并且是可优化的，从而设计出要远程施加在工业机械上的生产计划，例如，机械臂在本节中，我们首先在第3.1节中介绍经过评估的基于边缘的DT解决方案，然后在第3.2节中概述构成服务的合格命令和所涉及的VNF3.1基于Edge的数字孪生服务解决方案DTaaS解决方案必须根据NFV范式进行设计。为此，在配置DTaaS解决方案时，我们首先识别DT服务可以在其中分解的VNF的最大可能范围，以便以最高可能粒度实验性地探索服务需求，并且因此确定关键服务组件并分析它们在不同场景中的行为评估的基于边缘的DT解决方案如图1所示，包括六个VNF，如下所述驱动程序VNF：该模块运行直接与机器人硬件和传感器接口的低级功能。驱动器VNF负责：（1）从机器人传感器读取数据并将它们发送到其余的VNF，以及（2）执行从控制VNF接收的控制命令。驱动程序VNF是唯一不能从机器人卸载的DT构建块（图1），尽管剩余的虚拟功能可以实现机器人控制，可视化和维护。控制VNF：它允许低级别的机器人操纵，通过运行一个硬实时兼容的控制回路，朝着驱动器VNF遵循控制频率，时间范围在10 ms和100 ms之间。的机器人远程控制机器人监控数据感知管理分析图 1基于边缘的数字孪生解决方案配置方案。510虚拟现实智能硬件12月（2022）卷。4条第6闭环控制闭环控制闭环控制司机控制器状态运动规划指挥官数字孪生=高电平命令= Middle-lvl命令= Low-lvl命令=无线电链路传奇控制VNF和驱动VNF之间的通信必须实时发生，因此具有严格的延迟约束。因此，控制VNF卸载是敏感且要求高的操作，并且其性能可能受到通信延迟的显著影响状态VNF：它负责从驱动器VNF收集信息，因此计算直接运动学。即，状态VNF随时间跟踪由驱动器VNF提供的多个坐标系，例如，关节角度，并向更高级别的VNF提供机器人的高级表示运动规划（MP）VNF：MP VNF是规划机械臂过渡的核心组件它分别从状态VNF和命令VNF接收当前和期望的机器人末端执行器配置作为输入，并运行逆运动学和轨迹创建。该轨迹由一系列导航命令组成，这些导航命令被传递到控制VNF以朝向机器人驱动器VNF执行它们逆运动学和轨迹计算都与高计算负担相关联，使得MP VNF最适合于卸载。Commander VNF：它管理数字孪生VNF发出的所有命令，验证相应的参数并处理并发请求。如图1所示，需要运动规划功能的命令，例如，反向运动学计算或轨迹规划被重定向到运动规划VNF。简单的任务改为直接重定向到控制VNF。命令器VNF最终将潜在输出消息和状态信息返回到数字孪生VNF数字孪生（DT）VNF：DT VNF提供机器人和整个服务栈的高级抽象，托管和保持更新的获得人类可理解的机器人视图，收集分析数据，并启用远程控制。在后一种情况下，由DT VNF生成的命令被发送到Commander VNF以进行参数验证和并发请求求解。3.2Robot命令概述和服务VNF交互显然，命令生成和传输在远程机器人控制的Digital Twin服务的性能评估和资源分析中起着关键作用。毫无疑问，并非所有命令在相关联的VNF计算开销方面都具有相同的复杂性，因此验证、处理、调度和执行机器人运动所需的时间也不同。命令的主要区别在于：（1）相关联的运动轨迹的范围，以及（2）命令的抽象级别，下面评估其对DT服务的影响。如图2所示，有三种不同类型的机器人手臂命令，每种命令图2当DT应用生成高级、中级和低级命令时，组成基于边缘的511Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究这需要形成基于边缘的DT服务的VNF之间的不同交互高级命令：在机器人工作空间中表达预期的机器人臂位置。关于机械臂用例，该命令由6个条目组成，其中一半是笛卡尔空间中的位置因此，当数字孪生VNF发出该命令时，需要逆运动学的分辨率，因为需要在关节空间中映射工作空间位置仅在逆运动学计算结束因此，由于运动规划中涉及的时间要求可以忽略不计，因此高级命令特别适合于在位置控制中不需要高精度的应用，例如，抛光、研磨和焊接[27]当导航轨迹执行结束时，运动规划VNF得到通知，这进而通知数字孪生VNF。图2中用红色实线报告了生成的工作流中层命令：在第一个案例研究中，机器人的期望位置被表示为末端执行器配置，即，这样的命令需要首先由Commander VNF验证，然后传送到运动规划，运动规划又计算机器人手臂的导航轨迹。逆运动学计算，即，在这种情况下，不需要对应于工作空间中给定的末端执行器姿态和取向的关节配置如在高级命令情况下，由运动规划VNF向数字孪生VNF通知命令执行完成因此，所涉及的工作流与高级命令的工作流相同低级命令：在最后一个低级案例研究中，所需的机械臂位置再次表示为预期的末端执行器配置，但与中级命令场景相比，命令直接转发到控制器，如图2中用蓝线突出显示的。由于不涉及MPVNF，因此其功能丧失：由于没有计算用于机器人过渡的适当安全且平滑的轨迹，因此不能保证受控机器人臂的饱和极限和谐振模式不会分别被过渡期间由致动器施加的关节广义力违反和激励，从而导致因此，当机器人被发出重复的和众所周知的安全转换时，或者存在额外的安全机制时，另一方面，由于MP VNF是DT服务的计算成本最高的组件，因此整体边缘要求得到缓解，使得该低级案例研究特别适合于需要低响应和执行时间以及高精度的场景，例如，水射流切割、钻孔和铣削工艺。第一种使用情况实际上需要较低的响应时间，因为水射流的压力可能导致机器人位置的偏差，而钻孔和铣削过程需要处理大的加工力和耐用的切割材料，因此需要高的路径精度[27]。4测试床设计与实现为了实验性地评估上述基于边缘的数字孪生服务，我们设计并配置了实验室测试台设置。测试床如图3所示，由两个主要模块组成：边缘主机，我们将其称为边缘机，负责向DT服务提供计算资源，以及向称为机器人机的架构的第二个模块提供LTE连接物理机器人反过来请求和消费服务。EdgeMachine配备16 GB RAM和英特尔（R）酷睿（TM）i7- 7700 HQ4CPU@2.80 GHz处理器。相反，机器人机器配备了16 GB RAM和英特尔（R）酷睿（TM）i7- 8550 U4CPU@1.80 GHz处理器。构成基于边缘的数字孪生服务的每个VNF都部署在专用虚拟网络上。512虚拟现实智能硬件12月（2022）卷。4条第6边缘机器机器人机器人1号工厂司机Linux路由驱动程序{n1：N}FACTORY#2Linux路由开关虚拟驱动程序{1：n1}司机ENBEPC数字孪生{1：N}数字孪生指挥官{1：N}指挥官开关虚拟MP {1：N}MP状态{1：N}状态对照品{1：N}控制传奇=虚拟机=Docker容器=Linux网络=USB 3.0 Link=无线电链路=IP隧道UE图3测试床架构。Edge机器托管控制、状态、运动规划（MP）、指挥官和数字孪生（DT）VNF，同时提供数字孪生服务并为机器人机器提供LTE连接。后者托管驱动程序VNF，消费基于边缘的数字孪生服务。机器（VM），运行Ubuntu Server 20.04 LTS，并提供2GB RAM和1vCPU。数字孪生、指挥官、MP、状态和控制器VNF部署在边缘机器处。相反，VNF驱动程序托管在机器人机器上。Edge和机器人机器之间的连接基于srsRAN[23]，这是一种开源SDR LTE全栈实现。准确地说，每台物理机都配备了一个使用USRP硬件驱动程序（UHD）v3.15的ETTUS通用软件srsRAN实现了5G NSA解决方案，然而，该解决方案不适合当前的测试平台，以及虚拟化EPC、eNB和UE功能的它可以处理高达20MHz的FDD信道。测试台上部署的远程控制机器人是Niryo One 1模拟机器人手臂。 Niryo One是一款6轴开源协作机器人，专为研发而设计&。Niryo One利用了开源的机器人操作系统（ROS）[24]，这是被广泛认可的机器人系统事实上的标准中间件ROS设想在ROS节点之间通过TCP定义对等网络，即，计算过程。堆栈中的一个ROS节点充当主节点，从而充当名称服务。Niryo One ROS堆栈符合3.1中提供的服务拆分。对于注册到服务的每个机器人，组成Niryo One ROS堆栈的每个VNF的实例都部署在由相应VM托管的Docker容器在我们的设计中，DT VNF充当ROS主节点。Niryo提供了在模拟模式下运行其协作机器人手臂的机会在后一种情况下，硬件层及其功能和依赖性被禁用，并且给机器人的命令和轨迹被完美地执行。即使机器人臂被模拟，它们的义务，即由致动器施加的广义力的饱和极限（例如，扭矩）和结构共振模式的相应激励。此外，通过Rviz模块和Niryo One Studio图形HMI提供模拟机械臂的3D人类理解视图虽然与这个化身的交互允许直接控制物理机器人，但我们通过自动化和可重复性的编程接口与后者进行交互在我们的实验中，我们将机械臂速度设置为水平和垂直运动的最大值0.4m/s和旋转的最大值90°/s闭环频率设置为50 Hz。通过利用ROS Python API，可以在ROS中分别使用“move pose”和“move joints”命令配置高级和中级抽象级别命令此外，ROS API支持低-第1https://niryo.com/product/niryo-one513Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究- 借助于通过由命令VNF暴露的动作服务器寻址到控制VNF的JointTrajectory消息的级别命令。因此，低级命令将被称为“ROS API”命令。边缘VNF和驱动VNF之间的所有流量都通过LTE无线电链路路由。然而，由于边缘VNF和驱动VNF属于不相关的专用网络，因此有必要利用隧道协议。有线测试平台：在对上述测试平台进行实验评估之前，我们考虑了一个没有LTE连接的简化场景，以分析和评估更广泛的场景。毫无疑问，用以太网电缆取代Edge和Robots Machines之间的通信介质减轻了测试台中实现的无线连接的两个关键限制。首先，不需要计算资源来运行srsRAN并保持LTE无线电链路活动，这使得能够模拟更多数量的Niryo One机械臂。此外，有线通道提供了延迟和稳定性的保证，从而能够随着时间的推移进行更持久的实验，并因此实现尽可能一致的资源分析。在有线测试台中，一台16 GB RAM和英特尔（R）酷睿（TM）i7- 8550 U4CPU@1.80 GHz Edge以及一台8GB RAM和英特尔（R）酷睿（TM）i7- 8250 U4CPU@1.60机器人机器人通过千兆以太网电缆通过路由器连接到同一网络最后，我们提到虚拟机已经桥接到同一个网络，并且每个虚拟机都分配了2GB的RAM和2vCPU。在这种配置中，该系统能够支持最大数量的机器人等于8和10的情况下，高和中等的命令抽象级别，分别。5基于边缘的DT服务分析及实验分析在本节中，我们首先概述并证明我们选择的实验设置，并由此获得分析和实验结果（第5.1节）。然后，我们提出了CPU（第5.2节）和内存使用（第5.3节）分析，以调查构建DT服务的VNF的要求;此外，我们还研究了所研究的命令所需的执行时间（第5.4节）。这些最初的实验是基于有线测试平台进行的。我们还介绍了测试台的配置，包括LTE连接，并通过模拟最多3个Niryo One机械臂来探索相应的资源要求（第5.5节）。我们根据网络和应用程序级别的延迟来评估系统性能（第5.6节）。最后，我们详细说明了可以从这项工作中受益最多的各种潜在类型的工业领域和应用（第5.7节）。5.1实验设置为了满足增强和敏捷的网络资源编排框架所需的DT服务的知识收集的需要，我们的目标是实验评估和表征基于边缘的DT解决方案的远程控制制造机械臂。因此，我们的分析不仅旨在获得所研究服务的资源概况与服务需求负荷的关系，而且还旨在检查新的权衡，如第3.2节所述这种分析的结果将有助于开发新的资源扩展工具，从而实现网络和服务虚拟化的最新进展带来的好处，即高灵活性、增强的可扩展性和敏捷管理，以及资源节约和性能保证。我们研究了基于边缘的DT服务VNF的要求和性能，以及它们与在预期分析中起关键作用的两个参数在这项工作中分析其影响的第一个参数具体而言，我们希望：(1)分析其与服务VNF资源需求的相关性;（2）研究不同网络架构逻辑级别下所涉及的延迟同样的分析也是针对514虚拟现实智能硬件12月（2022）卷。4条第6第3.2节中概述的三命令案例研究，并强加给机器人。为了公平地执行后一项研究，我们确保机器人遵循相同的轨迹，而不管施加的命令实体如何，即使它是由运动规划VNF计算的，即，在“移动关节”和“移动姿势”使用情况下对于ROS API上的命令这些命令由DT VNF发送，每个DT VNF执行一个Python脚本，将指令传送到相应的机器人手臂。更准确地说，一旦机器人手臂完全执行了前一个指令，DT VNF就会将新指令形式化，使机器人保持连续运动，而不会在指令之间引入不活动的间隔同时，托管服务VNF的虚拟机用于系统监控的库是psutil2，这是一个多平台库，用于收集有关系统或运行进程资源消耗的信息5.2CPU分析在这里，我们检查托管卸载的DT服务VNF时VM的计算要求。因此，在我们的分析中，我们考虑了Docker容器实例化所涉及的开销，以实现VNF，从而表征DT服务的彻底性。我们强调，对于第一次分析，我们依赖于第4节中描述的有线测试平台图4示出了当基于边缘的DT服务控制可变数量的Niryo One机器人时，VM所需的CPU时间如何变化;特别地，考虑了以下情况：（a）空闲（即，机器人臂在没有接收到任何指令的情况下注册到服务），（b）接收“ROSAPI”指令，（c）接收“移动关节”指令，以及（d）接收“移动姿势”指令。这种“空闲”分析旨在提供资源需求参考，因为它突出了支持注册到DT应用的机器人所需的工作，因此除了支持始终启动和运行的控制闭环之外，还要保持容器化的VNF和对等ROS网络。此外，请注意，在图4中，CPU时间已经相对于实验测量时间进行了归一化（即，15分钟）以及分配给每个虚拟机的vCPU数量。这样，100%CPU时间度量值指示在整个系统跟踪期间所有分配的vCPU的饱和度。通过比较图4a和图4b，我们观察到，当机器人经由“ROS API”命令而不是处于空闲状态时，事实上，后者的消耗在移动机器人的情况下略高，但系统性地更高这是由于用于指示机器人的Python脚本的执行相反，通过查看图4c，特别是在图4d中，被显著证明的虚拟机是托管运动规划VNF的虚拟机。如第3节中所概述的，实际上，需要运动规划VNF来规划“移动关节”用例中的移动轨迹，在“移动姿势”命令的情况下，向其添加逆运动学。事实上，后一种情况涉及最高的计算负载。具体地，当机器人“移动关节”命令被施加时，与托管服务于8个机器人臂的MP VNF的VM相关联的CPU时间平均为17.05%;相反，与“移动姿势”命令相关联的CPU时间平均为35.13%。在后一种情况下，不可能连续支撑10个机械臂。为了检查这一约束，我们在图5中报告了当8个Niryo One机器人通过“移动关节”（绿色曲线）或“移动姿势”（蓝色曲线）命令通过其数字孪生副本远程控制时MP VM的CPU消耗时间演变CPU消耗以500ms的周期进行采样。我们观察到，运动规划VM2https://pypi.org/project/psutil/515Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究百分百百分之十百分之一百分之零点一闲置机器人1 2 4 6 8 10的机器人百分百百分之十百分之一百分之零点一ROS API控制状态运动规划CommandDigital Twin1 2 4 6 8 10的机器人(a) （b）机器人处于空闲状态时的“ROS API”百分百百分之十百分之一移动机器人关节移动机器人姿势百分百百分之十百分之一百分之零点一1 2 4 6 8 10百分之零点一1 2 4 6 8 10机器人数量机器人数量(c) 机器人接收“移动关节”命令时的VNF CPU消耗(d) 机器人接收“移动姿势”命令时的VNF CPU消耗图4通过改变被服务的模拟机器人的数量（x轴）和命令抽象级别的VNF CPU消耗（y轴）。控制VNF消耗以蓝色报告，状态VNF以橙色报告，运动规划VNF以绿色报告，命令VNF以红色报告，数字双胞胎以棕色报告。1008060402000 300 600 900 1200 1500 1800时间（秒）图5当注册到DT服务的8个机器人正在接收处理在工作空间中表达的命令，即，对于“移动姿势”，σ= 25.8%。相反，当在关节空间中表达命令时，与CPU消耗相关联的标准偏差显著较低，即，对于“移动关节”，σ = 10.5%。最后，我们注意到CPU消耗峰值接近第一种情况下的计算能力，这表明除非有更大量的计算资源可用，否则实际上不可能模拟10个机器人。最后，我们指出，用于远程控制机器人的命令的选择对剩余的VNF没有很大的影响。实际上，（1）由于所研究的应用不需要正向运动学解析，因此状态VNF永远不会过载;（2）Commander VNF特征，即，验证由数字孪生VNF给出的命令不是资源密集型任务。控制状态运动规划CommandDigital Twin控制状态运动规划CommandDigital Twin控制状态运动规划CommandDigital Twin移动姿势移动关节CPU时间CPU时间CPU时间CPU消耗（%）CPU时间516虚拟现实智能硬件12月（2022）卷。4条第65.3RAM剖析表1报告了通过psutil库测量的与DT服务VNF相关联的平均RAM使用率，并在15分钟的时间间隔内取平均值。与上面关于计算需求所观察到的不同，RAM使用与施加给机器人的运动不相关，即，无论Niryo One机器人处于空闲状态还是远程控制，RAM占用率此外，当1个或8个机器人连接到基于边缘的DT服务时，比较内存使用情况，我们注意到RAM没有表现出任何可扩展性问题。表1当1个或8个机器人注册到服务并且用于不同命令抽象级别时的VNF RAM使用RAM使用量[MB]1个Niryo One机器人8个Niryo One机器人空闲关节构成ROS API空闲关节构成ROS API控制VNF475 MB474 MB477 MB475 MB1060 MB1110 MB1029 MB1084 MB状态VNF341 MB342 MB343 MB338兆字节727 MB727 MB728 MB727 MBMP VNF344 MB345 MB345 MB342 MB781 MB788 MB789 MB784 MBVNF指挥官591 MB587 MB594 MB592 MB997 MB979 MB996 MB940 MB数字孪生VNF742 MB810 MB801 MB794 MB925 MB827 MB867 MB829 MB5.4命令执行时间接下来，我们研究命令执行时间，即从命令生成到命令正确执行的通知所我们再次比较研究中的三个命令，以实验证明他们每个人的优点和缺点。为了完成这项评估，我们再次依赖有线测试平台。图6显示了当注册服务的机器人数量变化时的平均执行时间。最重要的是，我们观察到命令执行时间不受机器人手臂数量的影响，这表明只要为服务分配和保证正确的资源量，机器人就可以享受相同的体验质量。通过改变与机器人的交互方式，我们还注意到执行时间的显著不同：（1）首先，“移动关节”和“移动姿态”命令之间的时间需求差异由逆运动学计算给出;（2）“ROS API”命令，因为它们不调用与最资源密集的特征相关联的运动规划VNF，涉及到的执行时间非常有限，证明“ROS API”命令更适合于需要低执行时间和高精度的任务。65432101 246的机器人8 10图6通过改变服务的模拟机器人的数量（x轴）和命令抽象级别来改变命令执行时间（y轴）。“移动关节”命令以蓝色报告;“移动姿势”命令以橙色报告;“ROS API”命令以绿色报告。移动关节移动姿势POS API命令执行时间（S）517Federico MUNGARI，et al.基于边缘的数字孪生服务的资源需求：实验研究5.5LTE性能分析在实施的测试平台（图3）中，我们已将Edge配置为向Niryo One机器人提供10 MHz LTE连接，以提供数字孪生服务。由于与LTE信道质量相关的服务的性能评估超出了这项工作的范围，因此我们在实验中考虑了一个理想的通信信道，其特征在于在上行链路和下行链路中的信噪比（SNR）始终高于27 dB。在这样的测试平台配置下，我们能够模拟多达3个机器人手臂的远程控制为了全面描述边缘需求，我们分析了srsRAN提供的SDR LTE全栈实现。表2通过利用实例化的数字孪生副本和远程交互方法再次改变机器人的数量来呈现虚拟eNB的CPU时间。CPU时间已经根据实验的持续时间进行因此，100%CPU时间度量指示在系统跟踪的整个持续时间期间为边缘机器供电的单个CPU的饱和。表中报告的测量结果显示，srsRAN计算需求随着连接机器人的数量而这种行为背后的原因在于分析的场景中涉及的流量负载事实上，对于1个、2个和3个机器人消费服务，测量到的流量负载分别约为1.1 Mbps、1.8 Mbps和2.4 Mbps表2通过改变命令抽象级别，当1、2或3个机器人注册到服务时虚拟srsRAN eNB CPU时间变化虚拟eNB CPU时间[%]活跃机器人“move“move“ROS129.56%百分之二十九点一三百分之二十八点九五231.65%30.43%百分之三十333.45%32.33%31.35%5.6网络和应用软件图7报告了网络（a）和应用（b）级别的往返时间（RTT）值，并在基于LTE的测试平台上进行了测量正如预期的那样，根据上一节中报告的流量负载然而，我们指出了一个关键的洞察LTE的限制时，支持数字孪生服务。在我们的实验中测量的网络和应用RTT值与Niryo One控制周期相当，NiryoOne控制周期被设置为其最小可配置值，即，20毫秒从这一观察中，我们得出结论，当利用4G时，通过其数字孪生副本进行的机械臂远程控制仅取决于所选择的控制频率。当机器人用例场景需要低控制周期时，即，在30ms以下，因此轨迹执行中的高精度是强制性的，LTE不能被服务。这为最新的无线电接入技术铺平了道路，5G或Wi-Fi 6 E，它们被认为是最有前途的无线技术，可以满足数字孪生应用所涉及的延迟要求5.7实验结果尽管依赖于特定的机器人臂模型（即，6-轴Niryo一个协作机器人手臂），所获得的结果是很容易推广和扩展到所有的工业应用，可以受益于先进的路径规划和运动控制能力的工业机器人手臂。这些应用在每个制造业领域都有无数并不断增长，包括汽车，食品，木材，塑料和电子[28]。最常见的工业应用包括装配过程（即，零件夹持、放置和焊接），减材制造系统（例如，抛光、研磨、机加工，518虚拟现实智能硬件12月（2022）卷。4条第6移动关节移动姿势POSAPI1021011021011001001 2 31 2 3机器人数量机器人数量(a) 网络RTT（b）应用RTT图7网络（a）和应用（b）级RTT（y轴），通过改变服务的模拟机器人的数量（x轴）和命令抽象级。“move joints” command isreported in blue; “move pose” command is reported in orange; “ROS API” command is reported in研磨），制成品检验和包装，以及材料处理（例如，分类和分组、拾取和放置）。因此，全球制造业可以主要受益于第3节中介绍的用于远程控制机器人手臂的基于边缘的数字孪生解决方案事实上，无论机器人系统如何，DTaaS设计都可以轻松地重新调整。此外，智能工业流程可以通过利用已完成的实验结果和得出的见解来改进。具体而言，所提出的新的权衡之间的机器人手臂的工作量和位置控制精度的结果在一个明智的选择的命令抽象级别。最后，制造流程将能够从高度灵活和可扩展的DTaaS中受益，这要归功于敏捷和自动化的资源扩展以及基于此处提供的资源配置文件定义的编排框架。6结论和今后的工作我们提出了一个基于边缘的数字孪生解决方案的机器人手臂的远程控制设计的实验评估和配置文件该服务分为虚拟网络功能，部署在实验室设置上，并提供给6轴Niryo One模拟机器人手臂。在最初的测量活动中，机器人手臂利用千兆以太网电缆加入服务，以调查仅由服务占用的资源与远程控制机器人数量之间的互连。我们的研究结果表明，最关键的功能的数字孪生作为一个服务是逆运动学计算，其次是运动轨迹规划。这两个功能都由运动规划VNF接管。然后，我们分析了强加给机器人的命令对服务配置文件的影响。特别是，测量证明，利用低抽象级别的命令可以导致相关的计算资源的节省，从而极大的性能优势，但是，如果轨迹是不可预测的，需要额外的安全机制。最后，在第二次测量活动中，LTE在适应实时DT应用方面的不足已经被经验证明。对于未来的研究，该试验台将集成增强的无线电通信技术，例如，5G和Wi-Fi 6 E，以满足操作DT所涉及的严格实时延迟要求。此外，根据在这项工作中得到的结果，需要一个灵活的和自动化的网络编排框架出现，以提高资源的使用效率，并提供性能保证。然后，我们打算设计和部署一个自动化的智能网络服务编排器，能够确保资源利用率和能源消耗优化，同时避免运行到所分配的资源短缺造成的服务中断。在这方面，遵循5GB和网络RTT（ms）移动关节移动姿势POSAPI应用程序PTT（ms）519Federico MUNGARI，et al.基于边缘的