FusionSense：三阶段近传感器学习实现运行时自适应多模态边缘智能
FusionSense是一种面向能源受限自主边缘系统的融合感知智能框架。通过三阶段训练流程（服务器端融合模型学习、滤除安全标签量化模态必要性、注入近传感器预测压缩边缘融合模型），在运行时联合减少计算与通信开销。在SynDrone双模态（RGB+深度/激光雷达）测试中，任务质量保持的同时实现了高达33倍的能量节省（1%感兴趣区域出现率），质量损失减少92.3%。
文章情报
要点
- 提出三阶段近传感器学习方法，服务器端训练融合模型后生成滤除安全标签，指导边缘侧模态选择。
- 运行时决策层联合优化计算与传输，传感器数量扩展时复杂度线性增长。
- 在SynDrone数据集上，1%感兴趣区域出现率下能耗降低33倍，固定30%数据缩减时质量损失减少92.3%。
为什么重要
这条新闻值得关注，因为提出三阶段近传感器学习方法，服务器端训练融合模型后生成滤除安全标签，指导边缘侧模态选择。
技术影响
可能影响模型选型、推理成本、产品能力和评测基准。
自主系统与智能工业部署正日益将计算分散在近传感器、边缘和云端资源之间。严格的能耗、延迟和可靠性要求迫使系统具备运行时自适应性，而决定在不同节点计算和传输什么内容至关重要。然而，随着多模态传感器（如相机、激光雷达/深度等）在边缘侧激增，现有方法要么在强大服务器上进行模态融合，要么应用忽略跨模态依赖的单模态近传感器滤波器，导致冗余传输或事件遗漏。
针对这一挑战，Sanggeon Yun等人在被ISLPED 2026接收的论文中提出了FusionSense——一种面向能源受限自主边缘系统的融合感知智能框架。其核心是一种三阶段训练流程：首先在服务器端训练融合模型以学习下游任务；其次，通过滤除安全（FoS）标签量化每个模态相对于融合决策的必要性；最后，将近传感器预测作为辅助信号注入，压缩边缘侧融合模型。这一流程产生了一个运行时决策层，能够联合减少计算与通信开销，并且计算复杂度随传感器数量线性增长。
在采用RGB和深度/激光雷达的双模态SynDrone数据集上进行评估，FusionSense表现出色。在保持任务质量的同时，它实现了远超单模态滤波器的数据缩减率：当感兴趣区域出现率为1%时，能耗降低高达33倍；出现率为10%时，降低11倍；在固定30%数据缩减条件下，质量损失减少92.3%。与最佳先前滤波基线相比，能量节省约提高1.5倍。这些结果充分证明了融合感知的智能传感能够为边缘系统带来显著的能效提升。
该论文以arXiv预印本2605.22868的形式公开，并已被ISLPED 2026会议接收。其三位作者分别来自University of Texas at Arlington、University of Notre Dame和Korea University等机构。