面向边缘的AI驱动动物生态研究的特征刻画与建模
系统与控制
2025-10-23 v1 系统与控制
摘要
运行人工智能（AI）管道的边缘计算平台正在改变动物生态和生物多样性领域，使能够在动物自然栖息地中进行新颖的野生动物研究。随着新兴的遥感硬件（如相机陷阱和无人机）和成熟的AI模型在现场运行，边缘计算将在未来的AI驱动动物生态（ADAE）研究中发挥更大作用。然而，研究的目标、目标物种、其行为、范围、栖息地以及相机放置位置会影响边缘资源在运行时的需求。如果边缘资源不足，研究将错失机会调整相机陷阱和无人机的设置，以提高捕获数据的质量和相关性。本文介绍了可用于建模ADAE研究中延迟、吞吐量目标以及配置边缘资源的关键特征。我们综合了超过五十种动物物种、四个地理位置和多种遥感方法的研究，刻画了ADAE研究中的常见模式，揭示了涉及各种计算机视觉任务且具有严格服务水平目标（SLO）的日益复杂的工作流程。ADAE工作流程的需求很快会超过单个边缘设备的计算和内存资源，可能需要多个互联的边缘设备来满足性能需求。我们开发了一个框架，用于扩展先前研究的轨迹并在代表性边缘平台上进行离线复放，使我们能够跨越边缘配置捕获吞吐量和延迟数据。我们使用该数据来校准排队和机器学习模型，以预测看不见的边缘配置上的性能，误差可低至19%。
引用
@article{arxiv.2412.01000,
title = {Characterizing and Modeling AI-Driven Animal Ecology Studies at the Edge},
author = {Jenna Kline and Austin O'Quinn and Tanya Berger-Wolf and Christopher Stewart},
journal= {arXiv preprint arXiv:2412.01000},
year = {2025}
}