11月30日，天津大学医疗机器人与智能系统研究院开展2022-2023学年度第一学期第十期研究生阅读报告分享会。本期共有3名研究生进行阅读报告分享，汇报内容依次如下：

首先由梁世龙进行题为《超密集网络中基于移动边缘计算的卸载策略研究》的报告分享：

智能终端的普及带动了移动通信产业的发展,各种新型应用随着移动通信的发展而不断涌现。然而,受到终端自身资源的限制,智能终端无法满足部分应用对计算性能的需求,需要高性能的计算设备代替其完成部分计算任务。移动边缘计算技术的出现为其提供了可能。第一,对移动边缘计算技术的研究现状进行了分析,详细的介绍了超密集网络架构下的移动边缘计算技术的发展,并对移动边缘计算中所使用的计算卸载算法和模型进行了归纳总结。第二,针对超密集网络架构中MEC技术特点,设计并实现了一种前、后向链路联合优化的计算卸载策略。建立了计算卸载能量优化函数,通过改进的人工鱼群算法对所提目标函数进行优化。通过对算法的仿真,证明了所提算法的性能。第三,设计并实现了一种超密集网络场景下的分布式计算卸载方案。引入博弈理论解决本文所提分布式计算卸载问题,将基于时延限制的能量优化目标函数转化为潜在博弈方程,并根据潜在博弈算法,得到全局最优解。通过将仿真结果和其他计算卸载算法相比较,可以看出,分布式计算卸载算法能够有效的节约用户计算卸载过程中的能量开销,实现节约计算能源的目的。

然后由李子凡进行题为《基于无监督学习的单目内窥镜连续深度和运动估计在虚拟现实微创手术中的应用》的报告分享：

三维显示和虚拟现实技术已应用于微创手术，为医生提供更沉浸式的手术体验。用单目内窥镜建立体内三维虚拟现实模型的关键是准确估计深度和运动。在该文中，提出了一种使用连续单目内窥镜视频进行深度和运动估计的完全无监督学习方法。在检测到高亮区域后，采用EndoMotionNet和EndoDepthNet分别对自我运动和深度进行估计。EndoMotionNet使用长短期记忆层来考虑连续帧之间的定时信息，以提高自我运动估计的准确性。EndoDepthNet使用多模融合机制，使用前一帧的估计深度值来估计下一帧的深度。并自定义了损失函数，以提高所提出的基于无监督学习的方法的鲁棒性和准确性。

该文在公共数据集上验证了所提出的基于无监督学习的连续深度和运动估计方法能够有效地提高深度和运动的估计精度，尤其是在处理连续帧之后。综上，该文提出的创新点，对内窥镜图像运动和深度估计有一定参考意义。

最后由王铭智进行题为《Experimental and Finite Element Analysis of Force and Temperature in Ultrasonic Vibration Assisted Bone Cutting》的报告分享：

本次文献阅读分享了有关于超声振动辅助骨切割的文章，这篇文章将超声振动辅助切削方法应用于骨切割，考虑了切削力和温升，并与传统切割方法进行对比，研究了切割性能；此外，还建立了有限元模型，研究了切割机理和大范围加工参数对切割骨性能的影响。结果表明，该有限元模型与切削力和切削温度的实验结果具有良好的相关性，从实验和预测结果来看，超声辅助切削可以显著降低切削力并提高温度。随着振动参数的增加和切削速度的降低，切削力有减小的趋势而温度升高。经过验证的有限元骨切割模型为骨切割操作的加工条件优化提供了一种有效的辅助方法。

通过阅读这篇文献我的最大收获是学习到了如何建立有限元模型进行分析并选取参数评价其带来的影响，以及先确定实验结果与仿真结果具有一致性再利用有限元模型预测切削力和温升的思路，为以后的实验研究提供了思路和方法。