- 现有**物理AI(Physical AI, PAI)** 闭环视觉伺服流水线中，感知与规划阶段计算密集型，机器人本地计算饱和硬件，而静态卸载到边缘则引入网络抖动，影响延迟敏感型工业场景
- 现有**自适应任务放置(Adaptive Task Placement, ATP)** 控制器仅基于二进制阈值规则迁移单个流水线阶段，缺乏**多阶段模型(multi-stage model)** 和对放置切换的显式代价考虑
- **控制-通信-计算(Control-Communication-Computing, 3C)** 协同设计在工业自动化中至关重要，但现有方法无法兼顾本地执行与边缘卸载的权衡
- 提出基于**有向无环图(Directed Acyclic Graph, DAG)** 的**服务质量(Quality-of-Service, QoS)** 感知动态任务放置(Dynamic Task Placement, DTP)框架，将感知-规划-控制流水线形式化为DAG
- 在DAG中定义**任务级(task-level)** 和**节点级(node-level)** 属性，包括计算开销、通信延迟和可行放置集；仅考虑三个可解释候选（完全本地、静态卸载、混合）
- 设计基于**滑动窗口(sliding window)** 的代价函数，组合四项指标：尾端到端延迟(tail end-to-end latency)、截止时间违反率(deadline violation rate)、硬件利用率(hardware utilization)和**汉明距离(Hamming distance)** 切换惩罚
- 提出带**滞回(hysteresis)** 和**最小驻留时间(minimum dwell-time)** 约束的DTP算法，限制放置抖动(placement chatter)
- **多阶段协同建模**：首次将流水线建模为**DAG**，同时捕获计算、通信和放置约束，而非单阶段二进制决策
- **显式切换代价**：引入**汉明距离切换惩罚(Hamming-distance switching penalty)**，量化放置切换对系统稳定性的影响
- **QoS感知动态优化**：滑动窗口代价函数同时优化延迟、可靠性、资源利用率和切换开销，实现端到端性能保障
- **防振荡机制**：通过**滞回** 和**最小驻留时间** 约束，抑制频繁切换导致的控制回路振荡
- 为**3C协同设计(Control-Communication-Computing co-design)** 领域提供了一种基于DAG的动态任务放置理论框架
- 提出结构化定性分析，并规划了两阶段仿真+硬件在环验证路线图，为后续实现奠定基础
- 填补了多阶段流水线中自适应任务放置缺乏统一模型和切换代价的空白，适用于**工业自动化(industrial automation)** 与**网络化机器人(networked robotics)** 场景