无人地面车辆边缘学习：路径、能量与样本量的联合规划
信号处理
2020-09-08 v1 机器学习
摘要
边缘学习（EL）以边缘计算为平台执行机器学习算法，能够充分挖掘物联网（IoT）产生的海量感知数据。然而，由于 IoT 设备发射功率有限，EL 系统中的感知数据收集是一项具有挑战性的任务。为应对该挑战，本文提出将无人地面车辆（UGV）与 EL 相集成。在此方案中，UGV 可通过靠近各类 IoT 设备来改善通信质量。但不同设备可能为不同机器学习任务传输不同数据，一个根本性问题是如何联合规划 UGV 路径、设备能耗以及不同任务的样本数量？本文进一步提出基于图的路径规划模型、网络能耗模型以及将 F-measure 刻画为少数类样本量函数的样本量规划模型。基于这些模型，将路径、能量与样本量联合规划（JPESP）问题建模为大规模混合整数非线性规划（MINLP）问题，由于涉及 UGV 运动的高维不连续变量，该问题难以求解。为此，证明了每个 IoT 设备沿路径应仅被服务一次，从而显著降低问题维度。此外，为处理不连续变量，推导了一种基于禁忌搜索（TS）的算法，该算法依期望收敛至 JPESP 问题的最优解。不同任务场景下的仿真结果表明，我们的优化方案优于固定 EL 与全路径 EL 方案。
引用
@article{arxiv.2009.03140,
title = {Edge Learning with Unmanned Ground Vehicle: Joint Path, Energy and Sample Size Planning},
author = {Dan Liu and Shuai Wang and Zhigang Wen and Lei Cheng and Miaowen Wen and Yik-Chung Wu},
journal= {arXiv preprint arXiv:2009.03140},
year = {2020}
}
备注
16 pages, 6 figures, to appear in IEEE Internet of Things Journal