[論文レビュー] Movers and Shakers: Kinetic Energy Harvesting for the Internet of Things

Maria Gorlatova, John Sarik+4 more|arXiv (Cornell University)|Jun 28, 2013

Energy Harvesting in Wireless Networks参考文献 44被引用数 12

ひとこと要約

本稿は、40名以上の参加者と200時間以上の1日単位の行動パターンから得た高分解能の加速度トレースを用いて、インテอรicens・オブ・Things（IoT）デバイスにおける人体運動からの運動エネルギー収集を特徴づけている。動的な運動パターンと貯蔵制約を考慮したエネルギー割り当てアルゴリズムを提案し、電圧スケーリングの影響により、大容量コンデンサでは性能が低下する可能性があることを示している。一方で、最適化されたアルゴリズムは、現実のエネルギー変動を想定してもほぼ最適なデータレートを達成している。

ABSTRACT

Numerous energy harvesting wireless devices that will serve as building blocks for the Internet of Things (IoT) are currently under development. However, there is still only limited understanding of the properties of various energy sources and their impact on energy harvesting adaptive algorithms. Hence, we focus on characterizing the kinetic (motion) energy that can be harvested by a wireless node with an IoT form factor and on developing energy allocation algorithms for such nodes. In this paper, we describe methods for estimating harvested energy from acceleration traces. To characterize the energy availability associated with specific human activities (e.g., relaxing, walking, cycling), we analyze a motion dataset with over 40 participants. Based on acceleration measurements that we collected for over 200 hours, we study energy generation processes associated with day-long human routines. We also briefly summarize our experiments with moving objects. We develop energy allocation algorithms that take into account practical IoT node design considerations, and evaluate the algorithms using the collected measurements. Our observations provide insights into the design of motion energy harvesters, IoT nodes, and energy harvesting adaptive algorithms.

研究の動機と目的

• 日常的な人体活動における運動エネルギーの変動性と利用可能性を理解すること。
• バッテリーやコンデンサの貯蔵モデルを含む実用的なIoTハードウェア制約を考慮したエネルギー割り当てアルゴリズムの開発。
• 多様な参加者と日常の行動パターンから収集した実際の運動エネルギーのトレースを用いて、アルゴリズムの性能を評価すること。
• 自己持続型IoTノードにおける運動エネルギー発電機、エネルギー貯蔵、適応型プロトコルの設計的インサイトを同定すること。

提案手法

• 7種類の標準的動作と5名の参加者を対象に25日間、専用のADXL345センサーを用いて高分解能の加速度トレースを収集し、合計200時間以上のデータを取得した。
• 発電機の共鳴周波数と機械的・電気的変換効率を考慮した既存のモデルを用いて、加速度トレースから発電量を推定した。
• 4種類のエネルギー割り当てアルゴリズムを提案した：コンデンサ用最適アルゴリズム（ALG-OC）、バッテリ用最適アルゴリズム（ALG-GB）、コンデンサ用近似アルゴリズム（ALG-FC）、バッテリ用近似アルゴリズム（ALG-FB）。動的計画法と支配削減を用いた。
• 蓄えられたエネルギーと静電容量に依存する出力電圧を定義した：$ V_{\text{out}}(i) = \sqrt{B(i)/C} \cdot V_{\max} $、ここで $ B(i) $ は蓄えられたエネルギー、$ C $ は静電容量である。
• 実際の運動トレースを用いてアルゴリズムを評価し、さまざまな貯蔵容量下での平均データレート $ \overline{r} $ を性能指標として測定した。
• 計算量を削減し、スケーラビリティとほぼ最適な性能を確保するために、支配則を適用した反復的動的計画法を適用した。

実験結果

リサーチクエスチョン

• RQ1 異なる人体活動や個人の身体的特徴によって、運動エネルギーの利用可能性はどのように変動するか？
• RQ2 エネルギー貯蔵容量とタイプ（コンデンサ対バッテリ）が、エネルギー割り当てアルゴリズムの性能に与える影響は何か？
• RQ3 1日を通じた動的な運動パターンは、自己持続型IoT運用の実現可能性にどのように影響するか？
• RQ4 近似アルゴリズムは、実際のエネルギートレース下で、最適解にどれほど近い性能を達成できるか？

主な発見

• 身長の高い個体は、歩行様式や運動振幅の違いにより、身長の低い個体に比べて平均して20％多い運動エネルギーを収集した。
• コンデンサベースのノードでは、一定の閾値を超えて貯蔵容量を増加させると、$ V_{\text{out}}(i) \propto \sqrt{B(i)/C} $ の電圧スケーリングの影響により、平均データレートが低下する可能性がある。
• ALG-FCおよびALG-FBの近似アルゴリズムは、小さな近似比でさえも最適データレートの90％以上を達成し、理論的上限を上回る性能を示した。
• 初期エネルギーを活用できないALG-GB（$ B_K = B_0 $ 時）は、ALG-OBより低い性能を示し、初期エネルギーの有効活用の重要性を示している。
• 特に大容量貯蔵において、ALG-OCはALG-GBよりも広い充電レベル範囲で高い効率（$ \eta() \approx 1 $）を維持した。
• 本研究では、運動エネルギー収集分野における再現可能な研究を可能にするために、公開可能な長期的な人体運動加速度データセットを初めて提供した。