面向6G的觸覺互聯網關鍵技術與挑戰

尤子碩 李強 唐冰 葛曉虎

摘要：為了順應6G網絡發展趨勢，圍繞觸覺互聯網（TI）超低時延、超高可靠的關鍵性能需求，從網絡架構、信息傳輸、資源管理3個層面系統性地提出了TI關鍵使能技術框架。在網絡架構方面，提出基于軟件定義網絡（SDN）/網絡功能虛擬化（NFV）和人工智能（AI）賦能的新型網絡架構;在信息傳輸方面，提出采用多模態通信增強沉浸體驗，并利用語義通信促進智能體間的達意通信;在資源管理方面，提出通過通信-計算-存儲多維資源融合調度來提高網絡服務承載能力。最后，探討了TI在發展和應用中存在的問題、挑戰以及可能的解決思路。

關鍵詞：觸覺互聯網;網絡架構;多模態通信;語義通信;通信-計算-存儲融合調度

Abstract：Followingthedevelopmenttrendof6GnetworksandfocusingonthekeyperformancerequirementsofthetactileInternet（TI）forultra-lowlatencyandultra-highreliability，TIskeyenablingtechnologyframeworkissystematicallyproposedfromthreelevelsincludingnetworkarchitecture，informationtransmission，andresourcemanagement.Intermsofnetworkarchitecture，anewnetworkarchitecturebasedonsoftwaredefined-network（SDN）/networkfunctionvirtualization（NFV）andartificialintelligence（AI）isproposed.Intermsofinformationtransmission，itisproposedtousemulti-modalcommunicationtoenhancetheimmersiveexperience，andtousesemanticcommunicationtopromoteidea-passingcommunicationbetweenagents.Intermsofresourcemanagement，itisproposedtoimprovethecarryingcapacityofnetworkservicesthroughtheintegrationofcommunication-computing-cachingmulti-dimensionalresourcescheduling.Finally，theproblems，challenges，andpossiblesolutionsinTIsdevelopmentandapplicationarediscussed.

Keywords：tactileInternet;networkarchitecture;multimodalcommunication;semanticcommunication;communication-computing-cachingfusionscheduling

隨著智能終端設備的普及與移動高清視頻、虛擬現實（VR）/增強現實（AR）等業務的不斷涌現，全球移動業務數據流量呈爆炸式增長，預計10年后將達到5G網絡的極限。與此同時，5G網絡在數據傳輸速率、覆蓋范圍、接入密度等方面面臨瓶頸，無法充分滿足車聯網、工業互聯網、遠程醫療、遠程教育等新興業務的發展需求。為了進一步打破現實世界和虛擬世界的界限，縮小現實世界與數字世界的鴻溝，全球主要國家和經濟體已啟動6G的研究探索。6G將極大滿足人與人、人與物、人與環境之間的溝通交互需求，提供不受時間、空間限制的完全沉浸化交互體驗[1]。這將有助于構建一個平行于現實世界的開放數字虛擬世界，促進人類社會的數字化轉型[2]。

6G時代新技術的應用，使得實時傳輸觸覺控制信息的觸覺互聯網（TI）成為可能。區別于傳統網絡信息傳輸，TI通過對觸覺控制信息的傳輸和反饋來進行精細的動作控制，通過與實際或虛擬的物體進行遠程實時交互來實現“技能傳輸”。英國咨詢公司IDTechEx的報告顯示：觸覺反饋技術市場正呈指數級增長，預計到2025年市場規模將接近50億美元。此外，TI技術將使VR/AR更具有沉浸感，感官互聯預期將成為未來主流的通信方式。這將為移動通信、制造業、醫療健康等新興行業的發展帶來更多、更大的市場機遇。

目前，TI作為B5G/6G的關鍵應用，已經引起學術界和工業界的廣泛關注。國際電信聯盟（ITU）和電氣與電子工程師協會（IEEE）等國際標準化組織已經開始TI相關領域的標準制定[3-4]。文獻[5]指出借助TI可以實時控制真實或虛擬對象，從而構建新一代信息物理系統。文獻[6]比較了5G、物聯網、TI3種網絡，指出TI區別于傳統網絡的關鍵在于利用觸覺設備實現人-機（H2M）通信。文獻[7]提出了TI的一些關鍵性能要求，包括：極低時延極高可靠性、安全性、多感官的整合。文獻[8]提出了一些TI潛在應用場景，包括醫療健康領域的外骨骼、遠程教育中的交互式虛擬現實體驗、自動駕駛中的遠程汽車控制，以及智能制造中機器人參與大規模裝配生產線等。文獻[9]指出實現TI面臨的挑戰，包括設計能夠提供動覺和觸覺信號反饋并且能與蜂窩網絡自由通信的觸覺設備，開發實現觸覺數據壓縮的觸覺編碼器，融合具有不同采樣/傳輸速率和延遲需求的視覺、聽覺、觸覺多模態信息等。文獻[10]提出，TI需要在共享的基礎設施上實現實時控制與網絡邊緣高效計算能力的結合。文獻[11]提出一種基于多層云的蜂窩系統以支持TI應用，該系統包含微云單元、負責管理區域內的微云單元并形成邊緣計算架構的小型云、負責管理網絡內所有小型云的核心網絡云以及作為大型數據中心的遠程公共云。文獻[12]提出一種面向軟件定義網絡（SDN）/網絡功能虛擬化（NFV）的多層云TI結構，有助于降低時延，提高系統性能。文獻[13]提出一種基于用戶體驗質量（QoE）的感知模型，可用于工業物聯網中觸覺應用的動態資源分配。

如上所述，現有研究工作大多從應用場景、網絡架構、編/譯碼器等單一角度研究TI。然而，TI作為一個系統工程，需要從不同層面開展關鍵使能技術的融合創新。基于網絡架構、信息傳輸以及資源管理這3個不同層面，本文提出了TI關鍵使能技術框架。為了滿足觸覺控制和反饋信息的實時、可靠傳輸，需要設計基于SDN/NFV和人工智能（AI）賦能的新型網絡架構，通過提供靈活的網絡功能和基于本地的服務保證時延、可靠性等關鍵性能要求;為了促進多感官信息融合，需要利用多模態通信技術實現多感官信息的傳輸、接收和重建，并借助語義通信技術融合提取多模態信息的語義特征，減少數據冗余，提高通信有效性;為了靈活匹配網絡資源，需要設計通信、計算、存儲等多維網絡資源融合調度機制，在提高用戶沉浸式體驗的同時提高網絡資源利用率。

1TI網絡范式

下一代移動網絡（NGMN）聯盟將TI定義為：“通過互聯網遠程提供對真實或虛擬對象以及物理觸覺體驗的實時控制的能力”[14]。為了在沉浸式遠程教育、高精度遠程醫療診斷、工業控制和自動化等新興觸覺應用領域提供對真實或虛擬對象實時的控制交互能力，TI應具備以下的網絡范式。

如圖1所示，TI網絡范式主要包括3個部分：主控域、網絡域、從屬域[15-16]。主控域主要包含操作者和操作系統接口，操作系統接口或人機接口通常是一個觸覺設備，可以通過各種編碼方案將操作者的輸入轉換為觸覺輸入信息并將其發送到網絡域。從屬域由遠程操作設備構成，受主控域中各種命令信號直接控制，可以和遠程環境中的各種對象進行交互，同時將觸覺反饋信息返回給主控域。網絡域為主控域和從屬域之間的雙向控制通信提供媒介，可以將操作者動態地耦合到遠程環境。理想情況下，TI網絡可以讓操作者擁有遠程環境中沉浸式的體驗感受，從而實現物理世界的數字化重現。

視覺、聽覺、觸覺等不同感官信號的傳輸需要保持實時性、可靠性、一致性和協調性[9]。為了更好地支持這些關鍵性能需求，需要為TI設計靈活、智能的網絡架構以提供超低時延、超高可靠和穩定的網絡連接，為TI設計高效的多模態信息傳輸技術以促進多感官信息的融合，為TI設計多維網絡資源融合調度策略以在充分保證業務性能要求的基礎上提高網絡資源利用率。以下我們將從網絡架構、信息傳輸、資源管理這3個方面探討6G背景下新型TI的關鍵使能技術。

2TI關鍵使能技術

2.1基于SDN/NFV的新型TI架構

傳統的網絡采用邏輯控制與數據傳輸緊密耦合的方式，網絡節點同時進行控制決策和數據傳輸，無法滿足TI超低時延、超高可靠的關鍵性能需求。實現觸覺通信的關鍵在于設計一個靈活、高效、能提供一致性QoE保障的網絡架構，實現網絡的統一管理與資源的動態調度，使網絡資源可以基于物理基礎設施在不同的服務和應用之間有效切分、共享，從而降低數據傳輸時延，提高可靠性。

如圖2所示，本文提出一種基于SDN/NFV和AI賦能的TI3層架構。感知層通過感知設備收集環境和用戶數據，然后將其上傳至網絡層，同時接收來自網絡層的控制信號。網絡層通過SDN和NFV實現邏輯控制與數據傳輸分離、虛擬資源與硬件資源分離，促進了對虛擬網絡資源的統一管理和動態配置，提高了TI架構的靈活性。控制平面通過在網絡的不同層級（如云計算中心和邊緣計算平臺等）構建網絡控制器，如SDN控制器、域控制器、邊緣控制器等，可以構建集中和分布協同的多層級網絡（如云邊融合網絡），有效彌補網絡空隙，提高網絡彈性。一方面，集中式架構可以提供穩定的網絡連接，從而滿足確定性組網需求和服務質量保證;另一方面，分布式架構可以實現以用戶為中心的控制和管理，靈活適應新業務新場景的需求。數據平面根據控制平面下達的指令，利用移動基礎設施提供連接和計算服務，實現高效的信息傳輸與業務交付。應用層基于分布式與集中式融合的云邊協同網絡，為TI用戶提供差異化、多維度、確定性服務。根據不同的應用需求，應用層可以通過嵌入不同的AI引擎實現TI網絡的智能部署、智能運維、智能優化、智能管理，從容應對各種實時的變化，實現網絡的自學習、自運行、自維護。在此基礎上，通過融合內生智能技術，并充分利用網絡通信、感知、計算、存儲等能力，應用層能夠更好地承載大規模智能分布式協同服務，實現從傳統的云AI向網絡AI轉變。

如上所述，TI3層網絡架構能夠有效結合云、網、邊、端的算力資源和能力，對不同業務進行智能分發處理。例如，將需要大量計算資源的TI場景渲染放在云計算中心集中處理，將多模態信號的編解碼放在邊緣的分布式節點進行處理，實現集散共存、分布自治的新型網絡架構[1]。

2.2多模態語義通信

多模態通信是一種通過文字、圖片、音頻、視頻等多種信息載體進行信息交互的方式。在面向6G的TI中，除了音、視頻等傳統的信息模態，還需要進行觸覺信息的傳輸。因此，為了提供沉浸式體驗，必須結合TI應用特點，設計相應的多模態通信系統，實現視覺、聽覺、觸覺等多感官信息的高效傳輸與融合[17]。

多模態通信過程包含多模態信號編碼、傳輸以及恢復重建3部分[18]，如圖3所示。同一對象的多模態信號之間通常具有一定的相關性，在傳輸前需要進行跨模態編碼[17]。在跨模態編碼中，如何對多模態信號特征進行提取壓縮，從而降低冗余、提高傳輸效率是亟待解決的問題。

傳統的香農信息論主要關注信息的形式，而用戶更為關注的是信息的內容和價值，由此引出了語義信息的概念[19]。語義通信泛指不同的智能體之間進行的以“達意”為目的的通信，這里的“智能體”可以是人類或機器[20]。鑒于TI應用中存在廣泛的智能體之間的會意交互應用，語義通信可被用于傳輸相應的觸覺控制指令，這將有助于實現超低時延、超高可靠的關鍵性能要求。提取、融合、傳輸多模態聯合信息的語義特征為提高TI傳輸效率、滿足用戶沉浸式體驗需求提供了一種新思路。

語義通信的關鍵在于設計實現語義特征提取與恢復的語義編譯碼器。因為TI應用中通常需要傳輸多模態信號，所以對多模態信息的表征學習是TI中實現語義通信的關鍵技術之一。目前常用的多模態信息表征學習方法有聯合表示、編解碼器架構、協同表示等[21]。聯合表示旨在將單模態的表示映射到一個共享語義子空間中，以融合多模態特征[22];編解碼器架構早期用于自然語言處理中的機器翻譯[23]等任務，現廣泛應用在將一種模態映射到另一模態的跨模態任務中;協同表示將多模態的信息分別映射到各自的表示空間中學習，但映射后的向量之間滿足一定的相關約束性[24]。由于不同模態中包含的信息是不平等的，學習分離表征有助于保持獨有的有用模態特定特征。采用高效的多模態信息表征方法能夠更好地解決數據冗余問題。

在對多模態信號進行語義特征提取和編碼的基礎上，還需要滿足一定的傳輸時延和帶寬要求。不同模態信號的通信帶寬、可靠性等需求不同，因此在多模態碼流傳輸時需要設計合適的傳輸策略[18]。借助邊緣計算和云邊融合架構，可以將網絡核心的計算處理功能下沉到網絡邊緣;通過在網絡邊緣對多模態信號進行處理和傳輸，能夠有效縮短與用戶的距離，進一步提高多模態通信的效率。

多模態碼流經過傳輸和解碼后會有一定程度的損耗，因此對接收到的多模態信息進行高效恢復重建也是影響TI用戶體驗的關鍵技術。現存方法多基于深度學習模型，例如WEIX.[25]等使用遷移學習和生成對抗網絡的方法從不同的模態中提取、遷移和融合信息，恢復損壞的信號，提升接收器的渲染效果。

2.3通信、計算、存儲資源聯合調度

傳統網絡以連接為中心，旨在通過匹配相應的通信資源（如帶寬等）實現端到端的可靠連接。新型業態的不斷涌現，如自然語言處理、VR/AR、人臉識別等應用穩步發展，不僅要求高通信數據速率，還要求通信系統提供足夠強大的存儲和計算資源。通信不再是網絡提供的唯一核心業務，通信能力也不再等同于網絡的服務能力。為了提供全面沉浸化的TI服務，往往需要融合調用通信、計算、存儲等網絡多維資源，如圖4所示。

因此，為了滿足用戶“身臨其境”的沉浸式體驗需求，同時避免由于網絡單一類型資源匱乏導致的TI業務服務質量的不確定性，需要為TI設計網絡多維資源的融合調度策略。具體來說，為了實現高速率、低時延的傳輸觸覺控制和反饋信息，需要為TI匹配相應的通信資源;為了進行多模態信號的編譯碼、語義特征的提取與融合重建，需要為TI匹配相應的計算資源;為了提高計算和通信效率、存儲語義庫以及多模態信息的編譯碼映射信息，需要為TI匹配相應的存儲資源。值得注意的是，多維資源之間存在折衷互補特性。針對由于某種類型資源匱乏導致業務需求無法滿足的情況，可以通過通信、計算、存儲資源的深度交互、融合進行補足和增強。

例如，通過提取語義特征進行多模態信息的壓縮編碼，可以有效降低數據冗余度，提高通信效率，實現“以計算換通信”;反過來，通過將數據分析和計算任務卸載到邊緣計算節點或云端進行協作處理，可以有效提高計算效率，實現“以通信換計算”。通過將某些熱點流行內容，如音頻、視頻等，預先存儲在網絡邊緣，能夠有效降低網絡傳輸時延，提升用戶體驗，實現“以存儲換通信”。此外，通過緩存某些中間計算結果和相關數據，在進行類似業務處理時能夠快速響應、縮短處理時延，實現“以存儲換計算”。

6G時代，TI作為典型應用，將通過融合通信、計算、存儲等網絡多維資源，構建“算網一體”“存網一體”的網絡新格局。在實時感知網絡狀態和資源占用情況的基礎上，通過網絡多維資源的動態分配和調整，可以將業務流量匹配至最優節點。這將有助于緩解甚至消除資源競爭狀況，賦能一致化、確定性用戶體驗，保證用戶的沉浸化服務質量需求。

3存在的問題

3.1多模態信息的編碼傳輸與融合重建

在多模態通信中，視聽編碼技術已經較為成熟，而觸覺信號由于種類繁多、感知機理復雜，目前尚沒有成熟的編碼方案。文獻[17]提出了一種基于韋伯的顯著差異定律的感知盲區方案來解決動覺信號編碼問題，并提出了基于波形信號的壓縮、數據驅動下的特征提取兩種編碼方案來解決觸覺信號編碼問題。由于現實應用場景下兩種信號相互作用、影響，需要結合動覺和觸覺信息來開發普適的標準觸覺編解碼器。視聽流的穩定傳輸需要基于高帶寬、低抖動，而觸覺信號的傳輸則有著低時延、高可靠性的要求。現有傳輸方案大多僅關注觸覺流[9]或視聽流[26]，嚴重影響用戶沉浸式體驗。在實際的多模態通信中，傳輸環境是動態的，網絡資源是有限的，因此設計自主的跨模態協同傳輸方案是TI保證用戶沉浸式體驗的關鍵所在[25]。此外，對接收跨模態信號進行恢復，一般只能得到和發送端分辨率相同的信號，無法實現全息遠程通信的沉浸式體驗和虛擬現實下高精度渲染場景。通過深度學習的方法，可以實現多模態信號從低分辨率到超高分辨率的重建，從而增強用戶在TI下身臨其境的體驗[18]。如C.LEDIG[27]等從照片感知角度出發，通過生成對抗網絡來進行超高分辨率重建，提高了圖像超高清重建真實感。

3.2多模態信息的語義特征提取與壓縮

由于TI中視覺、聽覺、觸覺多感官信息存在一定的相關性，因此需采用多模態信息聯合編碼壓縮冗余、提高通信有效性。與此同時，多模態信息也具有差異互補性，多種感官信息的充分融合給用戶帶來“身臨其境”的體驗。為了在提高通信效率的基礎上增強沉浸式的體驗，多模態語義信息提取的準確性與有效性顯得尤為重要。多模態語義信息的最佳表示是什么？什么是無損語義壓縮？如何量化評估語義保真度和體驗沉浸度？這些問題的解決對實現多模態語義通信、提高TI用戶體驗感至關重要。J.BAO[28]等分析了無損語義壓縮，在特定的假設下建立了無損語義數據壓縮的理論界限，然而在實際多模態語義通信過程中這些假設都難以成立。至于如何量化評估語義保真度還存在很多困難。針對文本傳輸的評估量化，現有方法多使用機器翻譯任務中的BLEU[29]指標。該指標雖然能在一定程度上反映傳輸準確率，但是無法評估傳輸前后的語義一致性。值得借鑒的做法是文獻[30]提出的新的度量：利用預訓練好的語言模型和傳輸文本的語義信息來描述它們的語義相似度。

3.3安全性

傳統集中式網絡架構缺乏安全內生設計，用戶隱私數據泄露問題難以解決。同時，網絡安全與TI業務各成體系，安全投入高。基于分布式技術設計AI賦能的TI網絡，實現去中心化的安全可信機制，能夠有效提高TI的安全自治能力。分布式技術在數據產生的地方進行數據處理，無須將數據全部發往云計算中心，這能夠在一定程度上緩解隱私數據泄露的問題。網絡AI可以實現主動免疫、彈性自治、安全泛在、智能協同，為TI助力網絡安全內生。此外，語義通信需要交換雙方感知的知識信息，并協同更新雙方的知識庫，這可能會帶來本地隱私數據泄露的風險。如何開發一種通信參與者之間的高效協調機制，而不造成任何私人數據泄露，仍是一個亟待解決的問題[31]。由于區塊鏈技術具有高冗余存儲、去中心化、公開透明和高安全性等特點，利用區塊鏈技術來存儲TI中本地隱私數據，可以在一定程度上避免因中心化機構遭受攻擊造成的數據泄露[32]。

4結束語

為了順應6G時代全面沉浸化的發展需求，本文從研究背景與現狀、網絡范式、關鍵使能技術、存在的問題等方面對TI進行了系統介紹，并從網絡架構、信息傳輸、資源管理3個方面對TI關鍵使能技術進行了探討。雖然TI在多模態信息編碼傳輸與融合重建、語義特征提取與壓縮、安全性等方面仍然存在很多需要解決的問題與挑戰，但隨著新技術的發展，相信在不久的將來TI作為6G關鍵技術將發揮越來越重要的作用。

參考文獻

[1]IMT-2030（6G）推進組.6G網絡架構愿景與關鍵技術展望白皮書[EB/OL].（2021-09-16）[2021-10-25].http：//www.caict.ac.cn/

[2]劉子涵.元宇宙：人類數字化生存的高級形態[J].新閱讀，2021（9）：78-79

[3]TU-TFGNET2030.Newservicesandcapa-bilitiesfornetwork2030：description，technicalgapandperformancetargetanalysis[EB/OL].[2021-10-25].https：//www.itu.int/en/ITU-T/focusgroups/net2030/Documents/Deliverable_NET2030.pdf

[4]HOLLANDO，STEINBACHE，PRASADRV，etal.TheIEEE1918.1“tactileInternet”stan-dardsworkinggroupanditsstandards[J].Pro-ceedingsoftheIEEE，2019，107（2）：256-279.DOI：10.1109/JPROC.2018.2885541

[5]胡泳.所到之處皆媒介：5G對媒體產業的影響分析[J].新聞記者，2020（7）：59-69.DOI：10.16057/j.cnki.31-1171/g2.2020.07.006

[6]MAIERM，CHOWDHURYM，RIMALBP，etal.ThetactileInternet：vision，recentprogress，andopenchallenges[J].IEEEcommunica-tionsmagazine，2016，54（5）：138-145.DOI：10.1109/MCOM.2016.7470948

[7]王凌豪，王淼，張亞文，等.未來網絡應用場景與網絡能力需求[J].電信科學，2019，35（10）：2-12.DOI：10.11959/j.issn.1000-0801.2019223

[8]FETTWEISGP.ThetactileInternet：appli-cationsandchallenges[J].IEEEvehiculartechnologymagazine，2014，9（1）：64-70.DOI：10.1109/MVT.2013.2295069

[9]AIJAZA，DOHLERM，AGHVAMIAH，etal.RealizingthetactileInternet：hapticcom-municationsovernextgeneration5Gcellularnetworks[J].IEEEwirelesscommunica-tions，2017，24（2）：82-89.DOI：10.1109/MWC.2016.1500157RP

[10]趙亞軍，郁光輝，徐漢青.6G移動通信網絡：愿景、挑戰與關鍵技術[J].中國科學：信息科學，2019，49（8）：963-987.DOI：10.1360/N112019-00033

[11]ATEYAAA，VYBORNOVAA，KIRICHEKR，etal.MultilevelcloudbasedtactileInternetsystem[C]//Proceedingsof201719thInter-nationalConferenceonAdvancedCommuni-cationTechnology（ICACT）.IEEE，2017：105-110.DOI：10.23919/ICACT.2017.7890067

[12]魏萌，呂廷勤.基于軟件定義網絡的觸覺互聯網端到端系統[J].計算機應用研究，2020，37（12）：3760-3763.DOI：10.19734/j.issn.1001-3695.2019.09.0549

[13]AAZAMM，HARRASKA，ZEADALLYS.Fogcomputingfor5GtactileindustrialInternetofThings：QoE-awareresourceallocationmodel[J].IEEEtransactionsonindustrialinformat-ics，2019，15（5）：3085-3092.DOI：10.1109/TII.2019.2902574

[14]NGMN.5Gwhitepaper[EB/OL].（2016-04-26）[2021-10-25].http：//www.ngmn.org/5g-white-paper.html

[15]SIMSEKM，AIJAZA，DOHLERM，etal.5G-enabledtactileInternet[J].IEEEjour-nalonselectedareasincommunications，2016，34（3）：460-473.DOI：10.1109/JSAC.2016.2525398

[16]GEXH，ZHOUR，LIQ.5GNFV-basedtactileInternetformission-criticalIoTservices[J].IEEEInternetofThingsjour-nal，2020，7（7）：6150-6163.DOI：10.1109/JIOT.2019.2958063

[17]周亮，袁哲.跨模態編碼[J].南京郵電大學學報（自然科學版），2020，40（5）：95-100.DOI：10.14132/j.cnki.1673-5439.2020.05.010

[18]高赟，魏昕，周亮.跨模態通信理論及關鍵技術初探[J].中國傳媒大學學報（自然科學版），2021，28（1）：55-63.DOI：10.16196/j.cnki.issn.1673-4793.2021.01.009

[19]鐘義信.信息生態學與語義信息論[J].圖書情報知識，2017（6）：4-11.DOI：10.13366/j.dik.2017.06.004

[20]石光明，李瑩玉，謝雪梅.語義通訊-智能時代的產物[J].模式識別與人工智能，2018，31（1）：91-99.DOI：10.16451/j.cnki.issn1003-6059.201801008

[21]GUOW，WANGJ，WANGAS.Deepmulti-modalrepresentationlearning：asurvey[J].IEEEaccess，2019，7（99）：63373-63394.DOI：10.1109/ACCESS.2019.2916887

[22]BALTRUSAITIST，AHUJAC，MORENCYLP.Multimodalmachinelearning：asurveyandtaxonomy[J].IEEEtransactionsonpatternanalysisandmachineintelligence，2017，41（2）：423-443.DOI：10.1109/TPAMI.2018.2798607

[23]CHOK，MERRIENBOERVB，GULCEHREC，etal.LearningphraserepresentationsusingRNNencoder-decoderforstatisticalmachinetranslation[EB/OL].（2014-09-03）[2021-10-25].https：//arxiv.org/abs/1406.1078

[24]HEY，XIANGS，KANGC，etal.Cross-modalretrievalviadeepandbidirectionalrepre-sentationlearning[J].IEEEtransactionsonmultimedia，2016，18（7）：1363-1377.DOI：10.1109/TMM.2016.2558463

[25]WEIX，ZHOUL.AI-enabledcross-modalcommunications[J].IEEEwirelesscommuni-cations，2021，28（4）：182-189.DOI：10.1109/MWC.001.2000448

[26]LIUL，HUH，LUOY，etal.WhenwirelessvideostreamingmeetsAI：adeeplearningapproach[J].IEEEwirelesscommunica-tions，2020，27（2）：127-133.DOI：10.1109/MWC.001.1900220

[27]LEDIGC，THEISL，HUSZ?RF，etal.Pho-to-realisticsingleimagesuper-resolutionusingagenerativeadversarialnetwork[C]//Proceedingsof2017IEEEConferenceonComputerVisionandPatternRecogni-tion.IEEE，2017：105-114.DOI：10.1109/CVPR.2017.19

[28]BAOJ，BASUP，DEANM，etal.Towardsatheoryofsemanticcommunication[C]//2011IEEENetworkScienceWorkshop.IEEE，2011：110-117.DOI：10.1109/NSW.2011.6004632

[29]PAPINENIK，ROUKOSS，WARDT，etal.BLEU：amethodforautomaticevaluationofmachinetranslation[C]//Proceedingsofthe40thAnnualMeetingonAssociationforComputationalLinguistics-ACL02.Asso-ciationforComputationalLinguistics，2001：311-318.DOI：10.3115/1073083.1073135

[30]XIEHQ，QINZJ，LIGY，etal.Deeplearningenabledsemanticcommunicationsystems[J].IEEEtransactionsonsignalprocess-ing，2021，69：2663-2675.DOI：10.1109/TSP.2021.3071210

[31]SHIGM，XIAOY，LIYY，etal.Fromse-manticcommunicationtosemantic-awarenetworking：model，architecture，andopenproblems[J].IEEEcommunicationsmag-azine，2021，59（8）：44-50.DOI：10.1109/MCOM.001.2001239

[32]袁勇，王飛躍.區塊鏈技術發展現狀與展望[J].自動化學報，2016，42（4）：481-494.DOI：10.16383/j.aas.2016.c160158

作者簡介

尤子碩，華中科技大學電子信息與通信學院在讀碩士研究生;研究方向為觸覺通信、邊緣計算/霧計算、邊緣緩存。

李強，華中科技大學教授、IEEEGLOBECOM2019分會聯合主席;主要研究方向為無線協作通信、物聯網、認知無線電、觸覺通信、邊緣計算/霧計算、邊緣緩存等;承擔了國家級和省部級科研項目10余項;發表論文70余篇，獲授權專利20余項。

唐冰，華中科技大學電子信息與通信學院在讀碩士研究生;研究方向為視頻內容理解、語義通信。

葛曉虎，華中科技大學教授、博士生導師，國家綠色通信與網絡國際聯合研究中心主任，國際信息處理聯合會（IFIP）中國代表和聯合國咨商信息與通信技術專委會委員，國家科技部和國家自然基金委會評專家，湖北省科技廳評審專家，IETFellow，中國通信學會會士;主要研究方向為綠色通信與網絡、超密集網絡、大規模MIMO、毫米波通信技術等;主持完成了20余項國家級科研課題和多項國際高水平科技合作項目;發表論文200余篇，獲授權專利50余項。