BitRL-Light: 结合深度强化学习的 1 比特大语言模型智能体用于节能智能家居照明优化
人工智能
2025-12-25 v1
摘要
智能家居照明系统消耗住宅能源的 15-20%，但缺乏自适应智能来同时优化用户舒适度和能源效率。我们提出了 BitRL-Light，一种新颖的框架，将 1 比特量化的大语言模型（LLM）与深度 Q 网络（DQN）强化学习相结合，用于边缘设备上的实时智能家居照明控制。我们的方法在树莓派硬件上部署了 1 比特量化的 Llama-3.2-1B 模型，与全精度模型相比实现了 71.4 倍的能耗降低，同时保持了智能控制能力。通过多目标强化学习，BitRL-Light 从用户反馈中学习最优照明策略，平衡能耗、舒适度和昼夜节律对齐。实验结果表明，与基于规则的系统相比，节能 32%，在树莓派 4 上的推理延迟低于 200 毫秒，用户满意度达 95%。该系统通过 Google Home/IFTTT 集成处理自然语言命令，并通过手动覆盖学习隐式反馈。我们的比较分析显示，在 ARM 处理器上，1 比特模型比 2 比特替代方案实现了 5.07 倍的加速，同时保持了 92% 的任务准确率。这项工作为在资源受限的物联网设备上部署自适应 AI 建立了一个实用框架，实现了无需云依赖的智能家居自动化。
引用
@article{arxiv.2512.20623,
title = {BitRL-Light: 1-bit LLM Agents with Deep Reinforcement Learning for Energy-Efficient Smart Home Lighting Optimization},
author = {Ravi Gupta and Shabista Haider},
journal= {arXiv preprint arXiv:2512.20623},
year = {2025}
}
备注
Presented as poster in IPCCC 2025 at Austin