生态野外:强化学习用于在偏远环境中对能源有意识地检测野火

科学领域:

• 网络物理系统 网络物理系统
• 人工智能的人工智能是人工智能.
• 环境监测环境监测环境监测

背景情况:

• 对于偏远地区来说,早期发现野火至关重要,但由于连接和能源有限而具有挑战性.
• 现有系统面临能源限制,需要经常维护或云访问.
• 自主,长期运行对于在难以进入的地点有效地监测野火至关重要.

研究的目的:

• 引入EcoWild,这是一个能适应性网络物理系统,用于自动检测野火.
• 为了使边缘设备使用太阳能和强化学习的可持续运行.
• 根据实时环境和能源数据动态调整传感和通信策略.

主要方法:

• 开发了一个强化学习代理来管理太阳能驱动边缘设备上的传感和通信.
• 集成了基于决策树的火灾风险估计器和设备上的烟雾检测.
• 模拟太阳能收获,电池动态和通信成本,以实现现实的模拟.

主要成果:

• 在各种条件下,EcoWild 保持了系统响应性,避免了电池耗尽.
• 与静态基线系统相比,实现了2.4×到7.7×更快的野火检测.
• 在125个模拟部署场景中证明了适度的能源消耗和系统可靠性.

结论:

• "生态野外"提供了一种可持续且有效的解决方案,用于在偏远,能源有限的环境中自主检测野火.
• 强化学习可以实现适应性资源管理,以长期运行边缘设备.
• 该系统显著提高了检测速度和可靠性,这对于减轻野火影响至关重要.