为移动AR应用程序提供边缘辅助的能源优化,以提高电池寿命和性能
Dinesh Sahu1, Nidhi1, Shiv Prakash2
1SCSET, Bennett University, Plot Nos 8, 11, TechZone 2, 201310, Greater Noida, Uttar Pradesh, India.
Scientific reports
|March 24, 2025
概括
本研究介绍了移动增强现实 (AR) 的AI驱动框架,以减少能源消耗和延迟. 该系统通过强化学习优化任务卸载,改善电池寿命和用户体验.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 移动计算 移动计算
背景情况:
- 移动增强现实 (AR) 应用需要大量的设备资源,导致高功耗和延迟.
- 资源有限的便携式设备难以满足AR的计算需求,影响用户体验和电池寿命.
研究的目的:
- 为移动AR提出一个AI驱动的边缘辅助计算卸载框架,以提高能源效率和用户体验.
- 为了应对移动AR应用中高功耗和延迟的挑战.
主要方法:
- 利用强化学习,特别是深度Q网络,以基于网络状态,电池状态和任务处理时间的最佳任务卸载政策学习.
- 实现了自适应性质量缩放,以根据可用的能源和计算能力动态调整AR染质量.
- 通过动态卸载部署开发了一个智能及时资源分配的框架.
主要成果:
- 与传统的基于启发式的卸载方法相比,平均节省了30%的能源.
- 保持了90%以上的任务成功率,延迟时间低于80 ms.
- 在AR任务性能,电池耐久性和实时用户体验方面显著改进.
结论:
- 拟议的AI驱动框架通过优化能源效率和减少延迟,有效地提高了移动AR性能.
- 强化学习可以实现动态卸载和智能资源分配,这对于边缘计算环境至关重要.
- 这项研究为边缘计算环境中高效和动态的移动AR体验提供了一种可行的方法.
