ACES——基于强化学习的能量收集传感器自动配置
系统与控制
2020-08-05 v2 机器学习
系统与控制
摘要
物联网构成了现代建筑应用的骨干。无线传感器因其灵活性与较低的部署成本而被日益采用。然而,当今大多数无线传感器由电池供电,大规模部署受限于人工更换电池。能量收集传感器提供了一种有吸引力的替代方案,但其需在能量供应不确定的情况下为应用提供充足的服务质量。我们提出使用强化学习来优化能量收集传感器的运行,以利用可用能量最大化感知质量。我们展示了我们的系统ACES,该系统使用强化学习在室内利用环境光能量收集进行周期性与事件驱动感知。我们定制设计的板卡使用超级电容临时存储能量,感知光照、运动事件并通过蓝牙低能耗进行中继。通过仿真与实际部署,我们表明我们的传感器节点能适应其光照条件,并在夜间与周末持续发送测量值与事件。我们利用部署数据持续使感知适应变化的环境模式,并采用迁移学习以减少实际部署中的训练时间。在我们持续两周的60节点部署中,我们观察到0.1%的停机时间。测量亮度的周期性传感器平均采样周期为90秒,而使用PIR检测运动的事件传感器平均捕获了86%的事件,相较于电池供电节点。
引用
@article{arxiv.1909.01968,
title = {ACES -- Automatic Configuration of Energy Harvesting Sensors with Reinforcement Learning},
author = {Francesco Fraternali and Bharathan Balaji and Yuvraj Agarwal and Rajesh K. Gupta},
journal= {arXiv preprint arXiv:1909.01968},
year = {2020}
}