模拟基于强化学习优化的电池供电 TinyML 系统在图像异常检测中的应用

微型机器学习（TinyML）的进步推动了智能行业解决方案的创建，包括智慧农业、医疗保健和智慧城市。虽然相关研究有助于在受限硬件上实现 TinyML 解决方案，但仍需通过优化电池供电系统的能耗来放大现实世界的应用。本文所展示的工作通过优化基于图像的异常检测物联网（IoT）系统（由电池供电），扩展并贡献了 TinyML 研究。尽管该领域先前的工作已产生了设备端推理和训练的能力，但尚未有研究调查如何利用机器学习方法（如强化学习，RL）来优化此类能力的管理，以延长此类系统的部署电池寿命。利用建模仿真，我们将 RL 算法对电池寿命的影响与静态和动态优化方法进行了基准测试，为后续的硬件基准测试奠定了基础。结果表明，在启用 TinyML 的 IoT 系统中使用 RL 来优化系统操作（包括云端异常处理和设备端训练），相较于静态和动态优化方法，电池寿命分别提高了 22.86% 和 10.86%。所提出的解决方案因其仅为 800 B 的低内存占用（且可进一步降低），可部署于资源受限的硬件上。这进一步促进了此类系统在智慧农业等关键领域的现实世界部署。