Enabling collaborative intelligence in heterogeneous edge to cloud continuum

Tesi amb menció de Doctorat Internacional i de Doctorat Industrial

Detalles Bibliográficos
Autor: Palomares Torrecilla, Javier|||0009-0003-6523-4887
Tipo de recurso: tesis doctoral
Fecha de publicación:2025
País:España
Institución:Universitat Politècnica de Catalunya (UPC)
Repositorio:UPCommons. Portal del coneixement obert de la UPC
Idioma:inglés
OAI Identifier:oai:upcommons.upc.edu:2117/449590
Acceso en línea:https://hdl.handle.net/2117/449590
https://dx.doi.org/10.5821/dissertation-2117-449590
Access Level:acceso embargado
Palabra clave:Edge-to-Cloud Continuum
Multi-access Edge Computing (MEC)
Network Function Virtualization (NFV)
AI-driven orchestration
Deep Reinforcement Learning (DRL)
Multi-agent systems
Fairness-aware scheduling
Resource allocation
Industrial automation
Multi-AGV coordination
Distributed intelligence
Scalability and adaptability.
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
id ES_89f7e0fbddae3f664b65e9e2ed7857db
oai_identifier_str oai:upcommons.upc.edu:2117/449590
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Enabling collaborative intelligence in heterogeneous edge to cloud continuum
title Enabling collaborative intelligence in heterogeneous edge to cloud continuum
spellingShingle Enabling collaborative intelligence in heterogeneous edge to cloud continuum
Palomares Torrecilla, Javier|||0009-0003-6523-4887
Edge-to-Cloud Continuum
Multi-access Edge Computing (MEC)
Network Function Virtualization (NFV)
AI-driven orchestration
Deep Reinforcement Learning (DRL)
Multi-agent systems
Fairness-aware scheduling
Resource allocation
Industrial automation
Multi-AGV coordination
Distributed intelligence
Scalability and adaptability.
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
title_short Enabling collaborative intelligence in heterogeneous edge to cloud continuum
title_full Enabling collaborative intelligence in heterogeneous edge to cloud continuum
title_fullStr Enabling collaborative intelligence in heterogeneous edge to cloud continuum
title_full_unstemmed Enabling collaborative intelligence in heterogeneous edge to cloud continuum
title_sort Enabling collaborative intelligence in heterogeneous edge to cloud continuum
dc.creator.none.fl_str_mv Palomares Torrecilla, Javier|||0009-0003-6523-4887
author Palomares Torrecilla, Javier|||0009-0003-6523-4887
author_facet Palomares Torrecilla, Javier|||0009-0003-6523-4887
author_role author
dc.subject.none.fl_str_mv Edge-to-Cloud Continuum
Multi-access Edge Computing (MEC)
Network Function Virtualization (NFV)
AI-driven orchestration
Deep Reinforcement Learning (DRL)
Multi-agent systems
Fairness-aware scheduling
Resource allocation
Industrial automation
Multi-AGV coordination
Distributed intelligence
Scalability and adaptability.
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
topic Edge-to-Cloud Continuum
Multi-access Edge Computing (MEC)
Network Function Virtualization (NFV)
AI-driven orchestration
Deep Reinforcement Learning (DRL)
Multi-agent systems
Fairness-aware scheduling
Resource allocation
Industrial automation
Multi-AGV coordination
Distributed intelligence
Scalability and adaptability.
621.3 - Enginyeria elèctrica. Electrotècnia. Telecomunicacions
Àrees temàtiques de la UPC::Enginyeria de la telecomunicació
description Tesi amb menció de Doctorat Internacional i de Doctorat Industrial
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-11-25
2025
2025-12-23
2026
2026-08-11
dc.type.none.fl_str_mv doctoral thesis
http://purl.org/coar/resource_type/c_db06
VoR
http://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.openaire.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/2117/449590
https://dx.doi.org/10.5821/dissertation-2117-449590
url https://hdl.handle.net/2117/449590
https://dx.doi.org/10.5821/dissertation-2117-449590
dc.language.none.fl_str_mv Inglés
eng
language_invalid_str_mv Inglés
language eng
dc.rights.none.fl_str_mv embargoed access
http://purl.org/coar/access_right/c_f1cf
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/embargoedAccess
rights_invalid_str_mv embargoed access
http://purl.org/coar/access_right/c_f1cf
eu_rights_str_mv embargoedAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universitat Politècnica de Catalunya
publisher.none.fl_str_mv Universitat Politècnica de Catalunya
dc.source.none.fl_str_mv reponame:UPCommons. Portal del coneixement obert de la UPC
instname:Universitat Politècnica de Catalunya (UPC)
instname_str Universitat Politècnica de Catalunya (UPC)
reponame_str UPCommons. Portal del coneixement obert de la UPC
collection UPCommons. Portal del coneixement obert de la UPC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869412666305413120
spelling Enabling collaborative intelligence in heterogeneous edge to cloud continuumPalomares Torrecilla, Javier|||0009-0003-6523-4887Edge-to-Cloud ContinuumMulti-access Edge Computing (MEC)Network Function Virtualization (NFV)AI-driven orchestrationDeep Reinforcement Learning (DRL)Multi-agent systemsFairness-aware schedulingResource allocationIndustrial automationMulti-AGV coordinationDistributed intelligenceScalability and adaptability.621.3 - Enginyeria elèctrica. Electrotècnia. TelecomunicacionsÀrees temàtiques de la UPC::Enginyeria de la telecomunicacióTesi amb menció de Doctorat Internacional i de Doctorat Industrial(English) The growing convergence of the Industrial Internet of Things (IIoT), Artificial Intelligence (AI), and Multi-access Edge Computing (MEC) is reshaping service orchestration across the Edge-to-Cloud Continuum. These paradigms enable intelligent and flexible applications in heterogeneous, resource-constrained environments. A representative use case is multi-Automated Guided Vehicle (AGV) systems in smart factories, where moving agents must make time-sensitive decisions while adapting to variable connectivity, shifting computational loads, and coordinating with remote control logic. These scenarios demand orchestration mechanisms that dynamically integrate mobility, computation, and communication across infrastructure tiers. However, such systems exhibit highly dynamic behavior, driven by factors like device mobility and fluctuating resource availability, which creates significant challenges for scalable, fair, and autonomous orchestration under strict service guarantees. To address these demands, this thesis proposes a novel architecture unifying Information Technology and Operational Technology, extending MEC orchestration to the factory floor. It introduces an enhanced MEC orchestrator (MEO) and extended service descriptors to capture hardware-aware, location-sensitive, and non-computational constraints, enabling precise, constraint-driven placement across the Continuum. The approach is validated through a multi-AGV coordination use case. To optimize service placement, two orchestration mechanisms based on Deep Reinforcement Learning (DRL) are introduced. The first, a DRL-based Multi-Task Scheduling (DRL-MTS) strategy, minimizes end-to-end delay by distributing tasks across nodes while respecting resource availability. The second, the Intelligent Placement Algorithm (IPA), enables hardware-aware deployment by accounting for resource granularity and spatial constraints. Both integrate context-aware scheduling for adaptive and efficient placement. For decentralized coordination, this thesis proposes multi-agent learning strategies. The Multi-Agent Collaborative Protocol for Dynamic Resource Allocation (MACP-DRA) uses DRL to ensure fair and efficient placement under competition and resource constraints. The Multi-Agent Dynamic Bandwidth Environment (MADBE) manages bandwidth across heterogeneous service tiers with diverse communication demands, enabling real-time adaptation through policy specialization and aggregation. To further reduce bottlenecks in collaborative training, an Explicit Congestion Notification–based gradient compression mechanism for federated learning lowers bandwidth overhead while preserving accuracy. Collectively, these contributions enhance adaptability, communication efficiency, and fairness, enabling scalable and robust coordination across the Continuum. This thesis employs system modeling, algorithm design, and simulation-driven evaluation in realistic industrial scenarios with dynamic workloads, agent competition, and variable networks. The framework outperforms state-of-the-art baselines in latency, bandwidth, fairness, and SLA compliance. Its modular architecture and enriched descriptors enable constraint-aware deployment at the industrial edge, with the MEO supporting federated and cross-domain coordination. DRL mechanisms improve delay-sensitive scheduling, while multi-agent strategies ensure fairness and resilience. Validated through large-scale simulations and an emulated multi-AGV testbed, the approach achieves higher placement success, lower latency, better resource use, and reduced conflicts, establishing a foundation for research on distributed decision-making, cross-domain orchestration, and AI-driven automation.(Català) La creixent convergència de la Internet industrial de les coses (IIoT, Industrial Internet of Things), la intel·ligència artificial (IA) i la computació perimetral multiaccés (MEC, Multi-access Edge Computing) està transformant l’orquestració de serveis al llarg del continu heterogeni des de la perifèria de la xarxa (edge) al núvol (cloud). Aquests paradigmes permeten aplicacions intel·ligents i flexibles en entorns heterogenis i amb recursos limitats. Un cas representatiu són els sistemes multi-vehicle guiat automàtic (multi-AGV, multi-Automated Guided Vehicle) en fàbriques intel·ligents, on els agents han de prendre decisions en temps real mentre s’adapten a la variabilitat de la connectivitat, les càrregues de treball i la coordinació amb la lògica remota. Aquests escenaris exigeixen mecanismes capaços d’integrar mobilitat, computació i comunicació a través de diferents nivells d’infraestructura. Tanmateix, la mobilitat dels dispositius i la fluctuació de recursos generen reptes per assolir una orquestració escalable, justa i autònoma amb estrictes acords de nivell de servei (SLA, Service-Level Agreement). En resposta a aquestes demandes, la tesi proposa una arquitectura que unifica la Tecnologia de la Informació (IT, Information Technology) i la Tecnologia Operacional (OT, Operational Technology), estenent l’orquestració MEC fins al nivell de planta. S’introdueix un orquestrador MEC millorat (MEO) i descriptors de servei enriquits que consideren restriccions de maquinari, ubicació i factors no computacionals, permetent un posicionament precís de serveis al Continu. L’enfocament es valida amb un cas de coordinació multi-AGV. Per optimitzar el posicionament, es presenten dos mecanismes basats en aprenentatge per reforç profund (DRL, Deep Reinforcement Learning). El primer, la planificació multitasca basada en DRL (DRL-MTS, DRL-based Multi-Task Scheduling), redueix el retard extrem a extrem distribuint tasques entre nodes. El segon, l’algoritme intel·ligent de col·locació (IPA, Intelligent Placement Algorithm), permet desplegaments sensibles al maquinari considerant la granularitat dels recursos i les restriccions espacials. Tots dos integren planificació sensible al context per a un posicionament adaptatiu i eficient. En coordinació descentralitzada, la tesi introdueix estratègies d’aprenentatge multiagent. El Protocol Col·laboratiu Multiagent per a l’Assignació Dinàmica de Recursos (MACP-DRA) garanteix un posicionament just i eficient sota competència i limitacions de recursos. L’entorn multiagent d’ample de banda dinàmic (MACP-DRA) gestiona el repartiment d’ample de banda entre nivells heterogenis amb demandes diverses, adaptant-se en temps real mitjançant especialització de polítiques i agregació contextual. A més, s’incorpora un mecanisme de compressió de gradients basat en Notificació Explícita de Congestió (ECN) per a aprenentatge federat, que redueix la càrrega de xarxa sense comprometre la precisió. En conjunt, aquestes contribucions milloren adaptabilitat, eficiència i equitat, permetent una coordinació robusta al llarg del Continu. La tesi combina modelatge de sistemes, disseny d’algoritmes i avaluació amb simulacions en escenaris industrials realistes amb càrregues dinàmiques, competència entre agents i xarxes variables. Els resultats mostren que el marc supera els enfocaments de referència en latència, ús d’ample de banda, equitat i compliment de SLA. L’arquitectura modular i els descriptors enriquits permeten desplegaments sensibles a restriccions a la perifèria industrial, mentre que el MEO facilita l’orquestració federada i entre dominis. Validat amb simulacions a gran escala i un banc de proves multi-AGV, el marc assoleix una major taxa d’èxit en el posicionament, menor latència, millor ús dels recursos i menys conflictes, establint les bases per a noves recerques en presa de decisions distribuïda, col·laboració entre dominis i automatització industrial impulsada per IA.(Español) La creciente convergencia del Internet industrial de las cosas (IIoT, Industrial Internet of Things), la inteligencia artificial (IA) y la computación en el borde de acceso múltiple (MEC, Multi-access Edge Computing) está transformando la orquestación de servicios a lo largo del Continuo desde la periferia de la red (edge) a la nube (cloud). Estos paradigmas permiten aplicaciones inteligentes y flexibles en entornos heterogéneos y con recursos limitados. Un caso representativo son los sistemas multi-vehículo guiado automático (multi-AGV, multi-Automated Guided Vehicle) en fábricas inteligentes, donde los agentes deben tomar decisiones en tiempo real mientras se adaptan a la variabilidad de la conectividad, las cargas de trabajo y la coordinación con la lógica remota. Estos escenarios exigen mecanismos capaces de integrar movilidad, computación y comunicación a través de distintos niveles de infraestructura. Sin embargo, la movilidad de los dispositivos y la fluctuación de recursos plantean retos para lograr una orquestación escalable, justa y autónoma con estrictos acuerdos de nivel de servicio. Para abordar estas demandas, esta tesis propone una arquitectura que unifica la Tecnología de la Información (IT, Information Technology) y la Tecnología Operacional (OT, Operational Technology), extendiendo la orquestación MEC hasta el nivel de planta. Se introduce un orquestador MEC mejorado (MEO) y descriptores de servicio enriquecidos que consideran restricciones de hardware, ubicación y no computacionales, habilitando un posicionamiento preciso de servicios en el Continuo. El enfoque se valida mediante un caso de coordinación multi-AGV. Para optimizar el posicionamiento, se presentan dos mecanismos basados en aprendizaje por refuerzo profundo (DRL, Deep Reinforcement Learning). El primero, la planificación multi-tarea basada en DRL (DRL-MTS, DRL-based Multi-Task Scheduling), reduce el retardo extremo a extremo distribuyendo tareas entre nodos. El segundo, el algoritmo inteligente de posicionamiento (IPA), permite despliegues sensibles al hardware considerando granularidad de recursos y restricciones espaciales. Ambos integran planificación sensible al contexto para un posicionamiento adaptativo y eficiente. En coordinación descentralizada, la tesis introduce estrategias de aprendizaje multiagente. El Protocolo Colaborativo Multiagente para la Asignación Dinámica de Recursos (MACP-DRA) asegura un posicionamiento justo y eficiente bajo competencia y limitaciones de recursos. El Entorno Multiagente de Ancho de Banda Dinámico (MADBE) gestiona el reparto de ancho de banda entre niveles heterogéneos con demandas diversas, adaptándose en tiempo real mediante especialización de políticas y agregación contextual. Además, se incorpora un mecanismo de compresión de gradientes basado en Notificación Explícita de Congestión (ECN) para aprendizaje federado, que reduce la sobrecarga de red sin comprometer precisión. En conjunto, estas contribuciones mejoran adaptabilidad, eficiencia y equidad, habilitando una coordinación robusta a lo largo del Continuo. La tesis combina modelado de sistemas, diseño de algoritmos y evaluación con simulaciones en escenarios industriales realistas con cargas dinámicas, competencia entre agentes y redes variables. Los resultados muestran que el marco supera a los enfoques de referencia en latencia, uso de ancho de banda, equidad y cumplimiento de SLA. La arquitectura modular y los descriptores enriquecidos permiten despliegues sensibles a restricciones en el borde industrial, mientras que el MEO facilita la orquestación federada y entre dominios. Validado mediante simulaciones a gran escala y un banco de pruebas multi-AGV, el marco logra mayor tasa de éxito en el posicionamiento, menor latencia, mejor utilización de recursos y menos conflictos, sentando la base para nuevas investigaciones en toma de decisiones distribuida, colaboración entre dominios y automatización industrial impulsada por IA.Universitat Politècnica de Catalunya20252025-11-2520252025-12-2320262026-08-11doctoral thesishttp://purl.org/coar/resource_type/c_db06VoRhttp://purl.org/coar/version/c_970fb48d4fbd8a85info:eu-repo/semantics/doctoralThesisapplication/pdfhttps://hdl.handle.net/2117/449590https://dx.doi.org/10.5821/dissertation-2117-449590reponame:UPCommons. Portal del coneixement obert de la UPCinstname:Universitat Politècnica de Catalunya (UPC)Inglésengembargoed accesshttp://purl.org/coar/access_right/c_f1cfinfo:eu-repo/semantics/embargoedAccessoai:upcommons.upc.edu:2117/4495902026-05-27T15:37:01Z
score 15.812429

Similares en LA Referencia