基于TinyML的强化学习方法用于低成本温室系统的能效照明控制
机器学习
2025-12-03 v1 人工智能
系统与控制
系统与控制
摘要
本研究提出一种基于强化学习（RL）的控制策略，用于低功耗微控制器上的自适应照明调节。实现了一个无模型的Q学习算法，动态调整基于光电阻器（LDR）传感器实时反馈的发光二极管（LED）亮度。系统被训练在13个不同的光照强度水平（L1至L13）上稳定，每一目标对应于64状态空间中特定范围内的读数。进行了130次试验，覆盖所有目标水平，每个目标10个回合。以收敛速度、所需步数和到达目标状态的时间为指标进行性能评估。生成箱线图和直方图，以分析训练时间和学习效率在不同目标水平上的分布。实验验证表明，智能体能够有效学习在各种光照水平下稳定，尽管存在环境扰动，仍能实现最小超调和平滑收敛。这一工作突显了轻量级、嵌入式RL在能效照明控制中的可行性，为资源受限农业系统中多模态环境控制应用奠定了基础。
引用
@article{arxiv.2512.01167,
title = {A TinyML Reinforcement Learning Approach for Energy-Efficient Light Control in Low-Cost Greenhouse Systems},
author = {Mohamed Abdallah Salem and Manuel Cuevas Perez and Ahmed Harb Rabia},
journal= {arXiv preprint arXiv:2512.01167},
year = {2025}
}
备注
Copyright 2025 IEEE. This is the author's version of the work that has been accepted for publication in Proceedings of the 5. Interdisciplinary Conference on Electrics and Computer (INTCEC 2025) 15-16 September 2025, Chicago-USA. The final version of record is available at: https://doi.org/10.1109/INTCEC65580.2025.11256135