2026年AI+物联网融合技术试题(含答案与解析)

2026年AI+物联网融合技术试题(含答案与解析)【第一部分单项选择题】

（本大题共20小题，每小题2分，共40分。在每小题列出的四个备选项中只有一个是符合题目要求的，请将其代码填在括号内）

1.在AIoT（人工智能物联网）架构中，负责数据采集与物理世界交互的层级被称为（）。

A.网络层

B.平台层

C.感知层

D.应用层

2.以下哪种协议最适合在带宽受限、网络不稳定的物联网环境中实现轻量级的机器学习模型参数更新？（）

A.HTTP

B.FTP

C.MQTT-SN

D.SMTP

3.在边缘计算节点中，为了在资源受限的设备上运行深度学习模型，通常采用（）技术来减少模型大小和计算量。

A.数据增强

B.模型量化

C.集成学习

D.梯度下降

4.智能传感器与传统传感器的主要区别在于（）。

A.智能传感器只能模拟信号输出

B.智能传感器不具备数据处理能力

C.智能传感器集成了微处理器和信号调理电路

D.智能传感器不需要供电

5.在智能家居场景中，AI算法通过分析用户的用电习惯来优化能源分配，这主要体现了AIoT中的（）。

A.智能感知

B.智能连接

C.智能服务

D.智能控制

6.下列哪种无线通信技术因其低功耗、低广域覆盖特性，常被用于智慧城市中的智能井盖监测？（）

A.Wi-Fi6

B.Zigbee

C.NB-IoT

D.Bluetooth5.0

7.在计算机视觉应用于物联网监控时，卷积神经网络（CNN）主要用于处理（）。

A.时间序列数据

B.图像和视频数据

C.文本分类数据

D.音频频谱数据

8.针对物联网设备的时间碎片化特性，以下哪种AI推理引擎专为移动和嵌入式设备设计？（）

A.TensorFlow

B.PyTorch

C.TensorFlowLite

D.Caffe

9.在工业4.0的AIoT应用中，利用振动传感器数据预测设备故障的常用AI方法是（）。

A.K-Means聚类

B.主成分分析（PCA）

C.循环神经网络（RNN）或LSTM

D.线性回归

10.物联网数据融合技术中，数据级融合通常发生在（）。

A.传感器节点内部

B.汇聚节点

C.云端服务器

D.用户终端

11.2026年预期的6G网络特性中，哪一项对AIoT的实时分布式训练最为关键？（）

A.仅提高下载速率

B.确定性低时延与高可靠通信

C.增加频谱利用率

D.单纯扩大覆盖范围

12.在数字孪生技术中，物理实体与虚拟模型之间的数据映射需要具备极高的（）。

A.异构性

B.实时性

C.离散性

D.静态性

13.面向AIoT设备的TinyML技术，其核心挑战在于（）。

A.数据量过大

B.内存与算力的极度受限

C.网络带宽过高

D.缺乏算法模型

14.为了保护物联网中的数据隐私，在多方协作训练AI模型时，常采用（）技术，使得数据不出本地即可完成模型训练。

A.对密钥密码体制

B.联邦学习

C.区块链存储

D.数据脱敏

15.在智能交通系统中，利用路侧单元（RSU）与车载单元（OBU）通信的技术标准是（）。

A.RFID

B.NFC

C.C-V2X

D.Z-Wave

16.下列关于RFID技术与AI结合的描述，错误的是（）。

A.AI可以预测RFID标签的读取率

B.AI无法解决RFID信号冲突问题

C.AI可用于分析RFID数据流中的异常行为

D.AI能优化RFID读写器的部署位置

17.在物联网网关中引入AI加速芯片的主要目的是（）。

A.替代云端服务器的所有功能

B.过滤无效数据并执行本地实时推理

C.增加网络传输带宽

D.提高设备电池寿命（通过增加算力）

18.情感计算在AIoT穿戴设备中的应用，主要依赖于对（）的分析。

A.环境温度与湿度

B.生理信号（如心率、皮电）与行为模式

C.GPS定位数据

D.设备电池电量

19.面向非结构化物联网数据（如监控视频）的语义理解，通常采用（）模型。

A.决策树

B.支持向量机（SVM）

C.Transformer及其变体（如VisionTransformer）

D.朴素贝叶斯

20.在智慧农业AIoT系统中，利用无人机多光谱图像分析作物长势，属于（）。

A.地面感知层

B.空天感知层

C.网络传输层

D.跨界融合层

【第二部分多项选择题】

（本大题共10小题，每小题3分，共30分。在每小题列出的五个备选项中有两个至五个是符合题目要求的，请将其代码填在括号内。多选、少选、错选均不得分）

1.AIoT系统的核心价值维度包括（）。

A.实时性

B.数据驱动

C.智能交互

D.自主决策

E.纯人工操作

2.物联网感知层常用的传感器类型包括（）。

A.温湿度传感器

B.惯性测量单元（IMU）

C.气体传感器

D.图像传感器（CMOS/CCD）

E.GPS交换机

3.边缘智能在AIoT中的主要优势有（）。

A.降低网络带宽消耗

B.提高响应速度，降低延迟

C.增强数据隐私保护

D.实现离线自治

E.完全替代云计算中心进行海量数据存储

4.针对物联网设备的安全威胁，AI可以用于防御的方面包括（）。

A.入侵检测与异常流量分析

B.恶意代码识别

C.DDoS攻击预测

D.设备指纹识别

E.物理破坏设备的修复

5.在智能家居AIoT场景中，自然语言处理（NLP）技术主要用于（）。

A.语音助手控制

B.智能家电语义理解

C.家庭日志文本分析

D.视频图像压缩

E.温度阈值设定

6.常见的物联网短距离无线通信技术包括（）。

A.BluetoothLE

B.Zigbee

C.LoRaWAN

D.Wi-Fi

E.5GNR

7.构建工业互联网AIoT平台时，涉及的关键技术有（）。

A.边缘计算网关

B.时序数据库

C.数字孪生

D.预测性维护算法

E.ERP系统集成

8.在AIoT数据处理流程中，数据预处理通常包含的步骤有（）。

A.数据清洗（去噪、补全）

B.特征提取与选择

C.数据标准化/归一化

D.数据加密传输

E.模型训练

9.面向AIoT设备的操作系统需要具备的特性包括（）。

A.实时性（RTOS）

B.低功耗管理

C.微内核架构

D.强大的图形界面支持

E.庞大的文件系统支持

10.未来AIoT发展的趋势包括（）。

A.AI原生网络架构

B.多模态融合感知

C.群体智能

D.绿色节能计算

E.完全去中心化的P2P网络

【第三部分填空题】

（本大题共15小题，每小题2分，共30分。请将答案填在横线上）

1.在AIoT的分层架构中，______层负责将采集到的数据通过网络传输到云端或边缘节点。

2.MQTT协议基于______模式，实现了发布/订阅机制，非常适合物联网消息传输。

3.将训练好的深度学习模型转换为适用于嵌入式设备的格式时，常使用______格式（如FlatBuffers）。

4.在机器视觉中，YOLO（YouOnlyLookOnce）算法属于______检测算法，以其速度快著称。

5.物联网中的设备身份认证通常采用______证书体系来确保设备接入的安全性。

6.边缘计算与云计算协同的模式被称为______计算，能够实现任务的最优分配。

7.为了解决物联网设备电池供电受限的问题，设计者常采用______harvesting技术，从环境中获取能量。

8.在时序数据分析中，LSTM（长短期记忆网络）解决了传统RNN的______问题。

9.物联网大数据的特征通常被概括为4V，即Volume、Velocity、Variety和______。

10.在智能物流中，利用______技术可以实现对包裹运输全过程的实时定位与追踪。

11.为了在微控制器（MCU）上运行神经网络，Google推出了______框架，专门针对嵌入式设备优化。

12.AIoT中的数字孪生体通过______数据与物理实体保持同步。

13.在无线传感器网络（WSN）中，______算法用于计算节点间的最短路径或最优路由。

14.面向智能家居的Matter协议旨在解决不同品牌、不同生态间的______问题。

15.在工业AIoT中，OPCUA是常用的______层通信协议，用于实现设备间的互操作性。

【第四部分简答题】

（本大题共5小题，每小题6分，共30分）

1.简述边缘计算与云计算在AIoT系统中的协同关系（云边协同）及其优势。

2.什么是TinyML？请列举两个TinyML的典型应用场景。

3.在物联网安全领域，如何利用人工智能技术进行异常检测？

4.简述数字孪生技术在工业AIoT中的应用流程。

5.为什么说Zigbee技术适合智能家居，但不太适合广域物联网应用？

【第五部分计算与分析题】

（本大题共2小题，每小题10分，共20分）

1.某智慧农业系统部署了100个土壤湿度传感器，每个传感器每10分钟采集一次数据，每次数据包大小为50字节。系统采用LoRaWAN技术进行传输，LoRaWAN的每包最大负载为51字节，每日有效传输时间限制为1%（占空比）。

(1)计算该网络每天产生的原始数据总量（单位：MB）。

(2)假设所有数据均需发送，请分析在现有占空比限制下，单个LoRa网关是否能够直接接收所有原始数据（假设发送速率为恒定，忽略重传与协议开销，仅从占空比时间维度分析可行性）。

2.某视频监控AIoT节点，采用CNN模型进行人脸识别。模型参数量为500万（FP32浮点数）。该边缘设备具备1TOPS（每秒万亿次运算）的算力，且内存有限。

(1)计算该模型以FP32格式存储时所占用的内存空间（单位：MB）。

(2)若采用INT8量化技术，计算量化后的模型内存占用空间。

(3)假设识别一张图片需要20GOPS（10亿次运算），计算该边缘设备每秒最多能处理多少帧图片？

【第六部分综合应用题】

（本大题共2小题，每小题25分，共50分）

1.某大型物流园区计划构建一套“智能仓储与货运管理系统”，要求实现货物入库自动识别、库内温湿度监控、货物破损检测、出库路径优化以及车辆调度。

请根据AIoT技术原理，设计该系统的技术架构方案。

要求：

(1)画出系统的逻辑层次图（感知层、网络层、平台层、应用层），并详细描述每层部署的关键硬件与技术。

(2)针对“货物破损检测”功能，详细阐述感知设备选型、AI算法选择（如CV算法）以及数据处理流程。

(3)针对“出库路径优化”，说明如何利用物联网数据与AI算法（如强化学习）进行决策。

2.随着智慧城市的发展，对城市路灯进行智能化改造（SingleLightPointControl）成为趋势。现需设计一套基于AIoT的“智慧杆塔”系统，该系统集成了照明控制、环境监测（PM2.5、噪音）、视频安防、紧急呼叫以及信息发布屏等功能。

请回答以下问题：

(1)从硬件选型角度，说明智慧杆塔需要集成哪些传感器与通信模块，并解释为什么需要边缘计算网关。

(2)该系统每天产生海量视频与环境数据。请设计一种基于AI的数据处理策略，以减少上传云端的带宽压力并保证实时响应。

(3)分析该系统在安全性方面面临的潜在风险（如设备劫持、数据泄露），并提出相应的防护措施。

==================================================

【参考答案与解析】

【第一部分单项选择题】

1.【答案】C

【解析】在AIoT架构中，感知层（或感知延伸层）是物联网的最底层，负责识别物体和采集信息，包括二维码标签、RFID标签、摄像头、GPS、传感器等终端设备。

2.【答案】C

【解析】MQTT-SN是MQTT针对传感器网络的专门版本，专为嵌入式设备和受限网络设计，支持UDP，适合在不稳定的网络中传输，且报头开销极小，适合传输模型参数等小数据包。

3.【答案】B

【解析】模型量化是指将模型的权重和激活值从高精度（如FP32）转换为低精度（如INT8），这能显著减少模型大小和内存占用，并加快推理速度，是边缘AI部署的关键技术。

4.【答案】C

【解析】智能传感器不仅包含感测元件，还集成了微处理器（MCU），具备信号调理、数据处理、甚至逻辑判断的能力，能输出数字信号或处理后的信息。

5.【答案】C

【解析】利用AI分析历史数据（用电习惯）来提供优化策略（能源分配），属于对数据的深度挖掘与智能服务，超越了简单的控制与连接，体现了智能服务层的能力。

6.【答案】C

【解析】NB-IoT（窄带物联网）具有广覆盖、低功耗、大连接的特点，非常适合像智能井盖这种位置偏远、数据发送频率低、需要深度覆盖的场景。

7.【答案】B

【解析】卷积神经网络（CNN）通过卷积层提取空间特征，是目前处理图像识别、视频分析等视觉任务的主流深度学习模型。

8.【答案】C

【解析】TensorFlowLite是TensorFlow的轻量级版本，专门针对移动和嵌入式设备（如Android、iOS、ARM、RISC-V）进行优化，支持硬件加速。

9.【答案】C

【解析】设备故障预测通常基于时间序列数据（振动信号随时间变化）。循环神经网络（RNN）及其变体LSTM擅长处理序列数据中的时间依赖关系，常用于此类预测性维护。

10.【答案】A

【解析】数据级融合是最底层的融合，直接对传感器采集的原始数据进行融合，通常要求传感器数据类型一致，且发生在数据采集点或传感器节点内部。

11.【答案】B

【解析】6G引入了确定性网络的概念，提供极低且稳定的时延和超高可靠性，这对于实时分布式AI训练和远程精准控制至关重要。

12.【答案】B

【解析】数字孪生要求虚拟模型必须实时反映物理实体的状态，因此数据映射必须具备极高的实时性，以保证仿真的准确性和控制的及时性。

13.【答案】B

【解析】TinyML旨在在KB级别的内存和极低的算力（如MCU）上运行机器学习模型，因此核心挑战在于极度受限的硬件资源与算法复杂度之间的矛盾。

14.【答案】B

【解析】联邦学习允许模型在本地（如手机、IoT设备）训练，仅上传模型参数更新（梯度）而非原始数据，从而在保护数据隐私的同时实现协作学习。

15.【答案】C

【解析】C-V2X（CellularVehicle-to-Everything）是基于蜂窝网络的车联网技术，支持V2V（车与车）、V2I（车与路侧单元）等通信，是智能交通系统的标准。

16.【答案】B

【解析】AI可以通过优化防碰撞算法（如Q值学习）来解决RFID信号冲突问题，选项B称“AI无法解决”是错误的。

17.【答案】B

【解析】在网关引入AI加速芯片，目的是在数据上传云端前，在本地进行数据清洗、聚合和推理，只上传有效结果或报警信息，从而降低延迟和带宽消耗。

18.【答案】B

【解析】情感计算在穿戴设备中主要通过分析生理信号（心率变异性、皮肤电反应）结合行为模式来判断用户的情绪状态（如压力、兴奋）。

19.【答案】C

【解析】Transformer架构引入了自注意力机制，能够捕捉长距离依赖关系，在NLP领域取得巨大成功后，VisionTransformer（ViT）也被成功应用于图像分类等视觉任务，适合处理复杂的非结构化数据。

20.【答案】B

【解析】利用无人机、卫星等高空平台进行感知属于空天感知层，是地面感知的重要补充，特别适合大范围农业监测。

【第二部分多项选择题】

1.【答案】ABCD

【解析】AIoT的核心价值在于实时响应、数据驱动决策、智能的人机交互以及系统的自主决策能力。纯人工操作是其对立面。

2.【答案】ABCD

【解析】GPS交换机是网络设备，不是传感器。温湿度、IMU、气体、图像传感器均为感知层常用设备。

3.【答案】ABCD

【解析】边缘智能能降低带宽（本地处理）、提高速度（物理距离近）、增强隐私（数据不出域）、实现离线自治（断网可工作）。但它通常受限于资源，无法完全替代云端的海量存储和超大规模训练。

4.【答案】ABCD

【解析】AI可用于流量分析、恶意代码识别、攻击预测和设备指纹识别。AI无法修复物理破坏的设备。

5.【答案】ABC

【解析】NLP处理文本和语音。视频图像压缩属于计算机视觉或信号处理领域，温度阈值设定属于简单的逻辑控制，不涉及复杂的NLP。

6.【答案】ABD

【解析】LoRaWAN属于LPWAN（低功耗广域网），通信距离可达公里级，不属于短距离通信技术。BluetoothLE、Zigbee、Wi-Fi通常覆盖几十米到几百米。

7.【答案】ABCDE

【解析】工业互联网平台复杂，需要边缘网关采集数据、时序数据库存储历史数据、数字孪生进行映射、AI算法做预测维护，并需与ERP等业务系统对接。

8.【答案】ABC

【解析】数据预处理包括清洗、特征工程、标准化。数据加密传输属于通信层动作，模型训练属于后续步骤。

9.【答案】ABC

【解析】IoTOS通常需要实时性（RTOS）、低功耗和微内核以适应小内存。强大的GUI和庞大的文件系统通常是通用OS（如Windows/Android）的特征，非IoTOS必需。

10.【答案】ABCD

【解析】AI原生网络、多模态融合、群体智能、绿色计算都是未来趋势。完全去中心化的P2P在当前IoT架构下并非主流趋势，因为需要中心化管理。

【第三部分填空题】

1.【答案】网络

2.【答案】发布/订阅

3.【答案】FlatBuffers（或TFLite）

4.【答案】目标

5.【答案】数字（或PKI）

6.【答案】云边协同（或边云协同）

7.【答案】能量（Energy）

8.【答案】梯度消失（或长程依赖）

9.【答案】Value（价值性/真实性）

10.【答案】GPS/北斗（全球导航卫星系统）

11.【答案】TensorFlowLiteforMicrocontrollers

12.【答案】实时

13.【答案】路由

14.【答案】互操作性（或互联互通）

15.【答案】应用

【第四部分简答题】

1.【答案】

协同关系：云边协同是指边缘节点负责处理实时的、本地的、高频的数据请求，执行即时推理和过滤；云计算中心负责处理非实时的、全局的、长周期的数据，执行大规模模型训练、全局数据存储和历史分析。

优势：

(1)低延迟：边缘节点就近响应，无需上传云端，极大降低时延。

(2)节省带宽：边缘侧过滤无效数据或仅上传特征值，减少网络传输压力。

(3)隐私保护：敏感数据在本地处理，不出域。

(4)可靠性：云端故障时，边缘侧可维持基本功能。

2.【答案】

TinyML是指将机器学习技术部署在资源极度受限的嵌入式系统（如微控制器MCU）上的技术领域。

应用场景：

(1)关键词检测：如智能音箱中的“唤醒词”检测，始终在线监听。

(2)异常振动检测：工业电机上的MCU实时分析振动信号，预测故障。

(3)智能手势识别：可穿戴设备通过IMU数据识别用户手势。

3.【答案】

利用AI进行异常检测的步骤：

(1)建立基线：利用AI（如自编码器、聚类算法）学习正常的物联网设备流量、通信行为或能耗模式。

(2)特征提取：提取数据包的时序特征、协议头特征、负载特征等。

(3)偏差识别：实时监控新数据，计算其与正常基线的偏差（如重构误差、距离）。

(4)判定与响应：若偏差超过预设阈值，则判定为异常（如DDoS攻击、非法接入），并触发报警或阻断机制。

4.【答案】

应用流程：

(1)感知与数据采集：通过工业现场的传感器实时采集物理实体的状态数据（温度、压力、位置等）。

(2)数据传输与映射：利用5G/工业以太网将数据传输到数字孪生平台，实时驱动虚拟模型。

(3)模型仿真与预测：在虚拟模型中结合AI算法进行仿真运行、预测性维护分析或生产流程优化。

(4)反向控制：将虚拟模型中计算出的最优控制指令反馈给物理实体，调整其运行状态。

5.【答案】

Zigbee适合智能家居是因为：

(1)低功耗：设备可用电池供电数年。

(2)自组网（Mesh）：支持多跳传输，覆盖家庭范围，且节点故障可自愈。

(3)低成本：芯片和协议栈成本低。

不太适合广域物联网是因为：

(1)传输距离短：单跳距离通常在几十米到百米级。

(2)穿透能力弱：受建筑物阻挡严重。

(3)数据速率低：不适合传输大量数据。

广域物联网（如智慧城市）需要公里级的覆盖，通常采用NB-IoT或LoRaWAN。

【第五部分计算与分析题】

1.【答案】

(1)计算原始数据总量：

单个传感器每天采集次数=(24小时60分钟)/10分钟=144次

单个传感器每天数据量=144次50字节=7200字节

100个传感器每天总量=1007200字节=720,000字节

换算为MB：720,000/1024/1024≈0.6866MB

答：每天产生的原始数据总量约为0.69MB。

(2)占空比分析：

LoRaWAN占空比限制为1%，即每天有效发送时间=2436000.01=864秒。

假设LoRa发送速率（典型值）设为SF10（带宽125kHz），速率约为990bps（约124字节/秒）。

（注：此处需假设一个典型速率或仅分析数据包间隔，若仅从时间维度分析）：

如果严格按照占空比，网关在864秒内只能接收数据。

若发送速率极慢（如0.5kbps），864秒可接收约432KB数据。

题目中原始数据约700KB>432KB（假设低速率），或者从发包频率看：

100个传感器，每10分钟发一次，意味着每分钟有10个包。

如果每个包发送时间（空中时间TOA）约为100ms（SF10,51字节），则10个包需1秒。

每分钟发1秒，占空比约为1/60≈1.67%。

这超过了1%的占空比限制。

答：在1%占空比限制下，如果所有设备都频繁发送，单个网关可能无法在合规时间内接收所有原始数据，需要增加网关分片或调整发送频率。

2.【答案】

(1)FP32模型内存占用：

FP32即每个参数占4字节。

内存=5,000,0004Bytes=20,000,000Bytes

换算为MB：20,000,000/1024/1024≈19.07MB

答：约19.07MB。

(2)INT8量化后内存占用：

INT8即每个参数占1字节。

内存=5,000,0001Byte=5,000,000Bytes

换算为MB：5,000,000/1024/1024≈4.77MB

答：约4.77MB。

(3)每秒最大处理帧数（FPS）：

设备算力=1TOPS=1000GOPS。

单帧计算量=20GOPS。

FPS=设备算力/单帧计算量=1000/20=50帧。

答：该边缘设备每秒最多能处理50帧图片。

【第六部分综合应用题】

1.【答案】

(1)系统逻辑层次及关键硬件技术：

A.感知层：

硬件：RFID读写器（UHF）、工业相机（高帧率）、温湿度传感器、红外传感器、GPS/北斗定位终端。

技术：条码/RFID识别技术、机器视觉采集技术。

B.网络层：

硬件：工业以太网交换机、LoRa基站、5GCPE。

技术：5G、WiFi6、LoRaWAN、TSN（时间敏感网络）。

C.平台层（含边缘计算）：

硬件：边缘AI网关（搭载GPU/NPU）、云服务器集群。

技术：Kubernetes集群、时序数据库、数字孪生引擎、AI模型训练平台。

D.应用层：

技术：WMS（仓储管理系统）、TMS（运输管理系统）、数据可视化大屏、移动APP。

(2)货物破损检测功能设计：

感知设备选型：选用高分辨率工业线阵相机，部署在传送带关键节点，配备高亮LED频闪光源。

AI算法选择：采用基于深度学习的目标检测算法（如YOLOv8或EfficientDet）进行箱体定位，结合图像分类算法（ResNet/M）判断破损特征（如撕裂、变形、液体渗漏）。

数据流程：相机采集图像->边缘网关接收->边缘端运行AI推理->若检测到破损，标记该包裹ID及截图->实时触发机械臂分拣至异常区->同时上传报警信息至云端应用层记录。

(3)出库路径优化设计：

数据利用：利用RFID和SLAM（同步定位与建图）技术获取AGV小车的实时位置和库位地图信息；WMS系统提供出库订单清单。

AI算法：采用强化学习算法（如Q-Learning或DQN）。

决策过程：将AGV当前状态（位置、载重）、库位状态（是否有货、路径拥堵情况）作为环境状态输入；强化学习Agent根据状态输出动作指令（移动方向）