[논문 리뷰] Terracorder: Sense Long and Prosper

Josh Millar, Sarab S. Sethi외 2명|arXiv (Cornell University)|2024. 08. 05.

IoT and Edge/Fog Computing인용 수 8

한 줄 요약

Terracorder는 저전력 생물다양성 센서를 위한 디바이스 내 강화학습 스케줄러를 시연하며, 증가된 이벤트 탐지와 현저한 활성 감소 및 배터리 수명 연장을 달성하고, 강건성을 위한 협력 네트워크 스케줄링을 포함합니다.

ABSTRACT

In-situ sensing devices need to be deployed in remote environments for long periods of time; minimizing their power consumption is vital for maximising both their operational lifetime and coverage. We introduce Terracorder -- a versatile multi-sensor device -- and showcase its exceptionally low power consumption using an on-device reinforcement learning scheduler. We prototype a unique device setup for biodiversity monitoring and compare its battery life using our scheduler against a number of fixed schedules; the scheduler captures more than 80% of events at less than 50% of the number of activations of the best-performing fixed schedule. We then explore how a collaborative scheduler can maximise the useful operation of a network of devices, improving overall network power consumption and robustness.

연구 동기 및 목표

• 저전력 다센서 생물다양성 모니터링 장치를 개발하여 긴 배치 수명을 달성합니다.
• 전력 제약 하에서 이벤트 기반 센서 활성화를 최적화하기 위해 디바이스 내 강화학습 스케줄러를 도입합니다.
• 격리 및 협력 스케줄링을 평가하여 유효 활성 시간과 네트워크 강건성을 극대화합니다.

제안 방법

• ESP32s3 기반 PowerFeather 하드웨어와 딥슬립 및 저전력 I/O를 사용하여 Terracorder를 구축합니다.
• 활성화를 최소화하면서 탐지를 극대화하기 위해 양자화된 행동/상태 공간을 갖는 디바이스 내 Q-러닝 스케줄러를 구현합니다.
• 격리 스케줄링을 위한 보상 R_t = N_p_t - w1 * N_n_t를 정의합니다.
• 네트워크 전체 협업을 위한 보상을 중첩 오버랩과 배터리 균형을 포함하도록 확장합니다: R_t = N_p_t - w1*N_n_t - w2*sum_i(N_o_ti-1) - w3*B_sigma_t.
• 5MP 카메라, 전방향 마이크, PIR 센서를 갖춘 프로토타입으로 Goertzel 필터링과 on-device 1-레이어 CNN 기반 이벤트 탐지를 평가합니다.
• Q-learning 추론/업데이트에 대해 거의 오버헤드가 없는 24x7 Q-테이블(~3KB)을 사용한 실질적인 디바이스 내 학습을 보여줍니다.

Figure 1 . Prototype configuration

실험 결과

연구 질문

• RQ1 디바이스 내 강화학습 스케줄러가 전력 제약 하에서 이벤트 기반 센싱을 최적화하여 장치 수명을 연장할 수 있을까요?
• RQ2 협력적이고 네트워크 인지적인 스케줄링 전략이 중복 활성화를 줄이고 전체 네트워크의 강건성과 효율성을 향상시키나요?
• RQ3 이 아키텍처에서 Goertzel 필터링과 디바이스 내 CNN 기반 이벤트 탐지의 실용적인 성능 및 에너지 트레이드-offs는 무엇인가요?

주요 결과

• Q-learning을 이용한 격리 스케줄링이 이벤트의 85.3%를 탐지하고 고정 3초 기준보다 배터리 수명을 55.1% 연장합니다.
• Q-러닝 추론은 약 30 μA를 사용하고 업데이트는 약 70 μA이며 대기 시간은 <0.1 s; Goertzel은 약 33.3 mA, TFLite는 약 33.1 mA로 비슷한 대기 시간을 가집니다.
• 배터리 수명은 Goertzel로 0.69년에서 1.07년으로, TFLite 기반 이벤트 탐지로는 약 1.05년으로 연장됩니다.
• 장치는 부착된 센서와 RTC를 유지하면서 약 100 μA의 딥 슬립 전류를 달성합니다; WiFi가 전송에서 가장 큰 전력 소비원으로 남아 있습니다.
• 협력 스케줄링은 중첩을 최소화하고 배터리 수명을 균형 있게 하도록 네트워크 전반의 보상을 도입하여 인근 장치들 간에 분산된 저부하 조정이 가능하게 합니다.
• 24x7 Q-테이블(~3 KB)은 24시간 동안 7개의 활성화 주파수에 대한 스케줄링을 지원합니다.

Figure 2 . Pareto curve of fixed vs. Q-learning schedules