1.4.2 群智感知计算

群智感知由众包、参与感知等相关概念发展而来[16-17]。2012年，清华大学刘云浩教授首次提出“群智感知计算”概念，它利用大量普通用户使用的移动设备作为基本感知单元，通过物联网/移动互联网进行协作，实现感知任务分发与感知数据收集利用，最终完成大规模、复杂的城市与社会感知任务。群智感知计算利用群体智慧和泛在移动/可穿戴终端构建大规模移动感知网络，是一种新型智能感知模式，对传统静态传感网络互为补充。

复杂任务高效分发：群智感知依赖参与用户的移动终端所具备的各种传感和计算能力等来进行感知。与传统感知网络相比，参与式感知节点具有规模大、分布广、能力互补等特点，而任务则具有需求多样、多点并发、动态变化等特征。需研究针对不同感知任务需求的参与者优选方法，根据任务的时空特征、技能需求及用户个人偏好、移动轨迹、移动距离、激励成本等设定优化目标和约束，设计任务分配模型，一般通过最优化理论（动态规划、博弈论、多目标优化等）和群智能优化算法（如遗传算法、粒子群算法、蚁群算法）等进行求解。

群体参与激励机制： 群智感知需要雇佣大量的参与者采集数据，很多任务还需要参与者前往特定的地点并有较高的数据传输和处理成本；此外，群体参与还存在数据质量难以保证的问题。针对以上问题，群智感知系统通过采用适当的激励方式（如报酬支付激励、虚拟积分激励、游戏娱乐激励、社会交互激励等），鼓励和刺激参与者参与到感知任务中，并提供优质可信的感知数据。不同的激励方式在不同的场景下，对不同的参与者具有不同的激励效用，因此如何选择和设计合适的激励机制是群智感知计算的主要研究内容之一。

群体感知数据优选：群智数据的质量直接影响数据分析的结果，进而影响群智服务的性能。由于不同用户在活动范围上有一定重叠，群智感知所采集到的数据中可能存在大量冗余。而大量未经训练的用户作为基本感知单元会带来感知数据多模态、不准确、不一致等质量问题。挑战在于如何实现优质数据选择和收集。在智能物联网中，一方面可以在终端进行数据预处理，剔除低质量数据；另一方面可以在边缘设备进行数据局部汇聚，及时发现来自不同终端的冗余数据。从而在减少数据传输成本的同时为云数据挖掘与模型训练提供优质数据。