SensiX:一种用于边缘协同机器学习的平台

人体上或近旁多种感知设备的出现正揭示极端边缘计算的新动态。在此过程中,智能手机或 Wi-Fi 网关等算力强且资源丰富的边缘设备转变为个人边缘,与多个设备协作提供卓越的感知应用,同时利用局部性、可用性和邻近性的优势。自然地,这一转变促使我们重新思考如何在个人边缘构建准确、鲁棒且高效的感知系统。例如,我们如何用多个佩戴于身体的配备 IMU 的设备构建可靠的 activity tracker?尽管感知模型的精度在提升,其运行时性能仍受影响,尤其在这种新兴的多设备个人边缘环境下。影响性能的两个主要隐患是设备与数据变异性,由若干运行时因素导致,包括设备可用性、数据质量和设备放置位置。为此,我们提出 SensiX,一个位于传感器数据与感知模型之间的个人边缘平台,在任何条件下都能确保尽力推理,同时应对设备与数据变异性而无需模型工程。SensiX 将模型执行从应用中外置,包含两项基本功能:用于设备间数据原则性映射的翻译算子,以及作为模型精度函数系统性选择正确执行路径的感知质量选择算子。我们报告了 SensiX 的设计与实现,并展示其在开发基于运动与音频的多设备感知系统中的效能。评估表明,SensiX 在不同环境动态下总体精度提升 7–13%,最高提升达 30%,代价是 3mW 的功耗开销。