使用AI管理物联网传感器的电源

时间:2020-11-17 15:12:39来源:
导读匹兹堡大学的科学家正在提出一种应用人工智能的系统,以减少IoT传感器的能耗并减轻电池寿命问题。该项目使用搭载在环境中的能量作为动力的

匹兹堡大学的科学家正在提出一种应用人工智能的系统,以减少IoT传感器的能耗并减轻电池寿命问题。该项目使用搭载在环境中的能量作为动力的搭载传感器来触发主要传感器。搭载传感器将在无人看管的情况下运行,并使用AI算法进行训练,以通知主要设备仅在满足特定事件条件时才打开。

该大学的斯旺森商学院电气与计算机工程学的副研究员兼电气与计算机工程副教授胡静同说:“利用从环境中获取的能量来运行AI算法的主要挑战之一是环境中的能量是断续的。”工程,在大学网站上的一篇文章中。“……如果传感器断电,您将丢失数据,因此我们希望帮助AI算法即使在断电情况下也能做出准确的决策。”

主要的数据收集传感器及其无线电仍将需要电池供电,但如果仅在特定事件期间使用它们,则将减少用电量。

胡锦涛在文章中说:“主要设备经过编程可以完成所有繁琐的工作。”“较小的传感器是看门狗,可以监视环境并在必要时唤醒较大的传感器。”

虽然这个概念听起来很简单,但是执行起来并不容易。

美国国家科学基金会(NSF)于8月获得了25万美元的赠款,以支持匹兹堡大学的项目。一个在美国国家科学基金会网站抽象描述团队的努力:

“该项目旨在在这种无电池设备中实现人工智能(AI)。但是,存在两个主要挑战:1.大多数现有的深度神经网络(DNN)难以安装在资源受限的微控制器中。2. DNN通常需要多个为了获得一个推理结果,由于采集能力弱且无法预测,可能需要不确定的时间来解决这些挑战,该项目正在开发多出口DNN,可以在每次执行过程中输出增量准确的推理结果。 ”

研究人员概述了他们计划要解决的三个任务,这些任务为基于能源收集技术的物联网设备进行间歇性增量推理奠定了基础:

“首先,将开发新颖的功率跟踪感知压缩,在线修剪和自适应算法,以确保在间歇供电的设备上高效部署多出口DNN。其次,将成为新的多出口统计和增量神经网络(MESI-NN)。进一步减少延迟并提高准确性和能源效率;第三,将开发新的神经体系结构搜索算法,以自动搜索最佳的MESI-NN体系结构;该项目将通过实际系统和应用(例如图像分类,关键字)进行评估发现和活动识别。”

最新文章