[论文解读] 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 12

一句话总结

本论文基于超过40名参与者和200多小时全天候日常活动的详尽加速度轨迹，对物联网（IoT）设备中从人体运动中获取动能能量进行了表征。论文提出了适应动态运动模式和储能约束的能量分配算法，表明由于电压缩放效应，增大电容反而可能降低性能；而经过优化的算法在真实世界能量波动条件下，可实现接近最优的数据传输速率。

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.

研究动机与目标

• 理解常见人体活动中的动能可用性及其变化特性，以适用于物联网应用。
• 开发考虑实际物联网硬件约束（包括电池和电容储能模型）的能量分配算法。
• 使用从多样化参与者和日常活动收集的真实运动能量轨迹，评估算法性能。
• 识别面向自供能物联网节点的运动能量收集器、储能装置及自适应协议的设计启示。

提出的方法

• 使用专用的ADXL345传感器，从40多名参与者中采集了7种标准动作以及5名参与者连续25天的数据，总计超过200小时的高分辨率加速度轨迹。
• 采用既有的模型，基于加速度轨迹估算获取的功率，同时考虑能量收集器的共振特性及机械能到电能的转换效率。
• 提出了四种能量分配算法：ALG-OC（电容最优）、ALG-GB（电池最优）、ALG-FC（电容近似）和ALG-FB（电池近似），采用带有支配剪枝的动态规划方法。
• 将输出电压定义为存储能量和电容的函数：$ V_{\text{out}}(i) = \sqrt{B(i)/C} \cdot V_{\max} $，其中 $ B(i) $ 为存储能量，$ C $ 为电容值。
• 使用真实运动轨迹评估算法性能，以平均数据速率 $ \overline{r} $ 作为性能指标，在不同储能容量下进行测量。
• 应用带有支配规则的迭代动态规划，以降低计算复杂度，确保算法可扩展性并实现近似最优性能。

实验结果

研究问题

• RQ1 不同人体活动及个体身体特征如何影响动能的可用性？
• RQ2 储能容量和类型（电容与电池）对能量分配算法性能有何影响？
• RQ3 全天候动态运动模式如何影响自供能物联网设备运行的可行性？
• RQ4 在真实世界能量轨迹下，近似算法在多大程度上可实现接近最优的性能？

主要发现

• 由于步态和运动幅度的差异，身高较高者平均比身高较矮者多获取20%的动能。
• 对于基于电容的节点，当储能容量超过某一阈值后，由于 $ V_{\text{out}}(i) \propto \sqrt{B(i)/C} $ 的电压缩放效应，平均数据速率反而下降。
• ALG-FC和ALG-FB近似算法即使在较小近似比下，也实现了超过90%的最优数据速率，优于理论预期界限。
• ALG-GB在 $ B_K = B_0 $ 时无法利用初始能量，其性能低于ALG-OB，凸显了初始能量利用的重要性。
• ALG-OC在更宽的电荷水平范围内保持了高效率（$ \eta() \approx 1 $），尤其在大容量储能条件下优于ALG-GB。
• 本研究首次公开发布了长期的人体运动加速度数据集，为动能能量收集领域的可复现研究提供了支持。