Jul, 2019

自主物联网的深度强化学习：模型，应用及挑战

PDF
TL;DR本文提出了一种新概念 “自治 IoT” 的集成方法，利用强化学习和深度强化学习做出决策，并在此基础上提出了 AIoT 的广义 RL/DRL 模型和综述现有的 DRL 在 AIoT 中的应用研究，并指出未来研究的挑战和问题。
internet of thingsautonomous control systemreinforcement learningdecision makingaiot
发现论文，激发创造
  • 物联网中安全感知服务获取的深度强化学习方法

    提出一个完整框架，根据用户需求，在物联网中定义适当的隐私和安全需求级别，通过采用基于强化学习的解决方案来训练用户代理，选择最佳的智能对象以满足目标服务，并确保满足截止日期要求、用户的安全和隐私需求。

    Apr, 2024

  • 物联网智能化发展的进展、挑战和机遇概述

    本篇综述介绍了人工智能赋能物联网的全景，在云计算、雾计算和边缘计算三个方面，介绍了 AIoT 的体系结构，然后从感知、学习、推理和行为四个角度阐述了 AI 在物联网领域中的研究进展，最后概括了一些有前景的 AIoT 应用，并强调了 AIoT 面临的挑战和潜在的研究机会。

    Nov, 2020

  • 提升物联网智能性：基于 Transformer 的强化学习方法

    通过将 transformer 架构与 Proximal Policy Optimization（PPO）相结合，本文引入了一种新颖的框架来解决物联网应用中复杂环境下智能决策中的挑战，通过利用 transformer 的自注意机制，增强了强化学习代理在动态物联网环境中的理解和行动能力，从而提高了决策过程的效率。通过在智能家居自动化和工业控制系统等各种物联网场景中进行实证实验证明了该方法的有效性，显示了决策效率和适应性的显著提高。该研究的贡献包括对处理异构物联网数据中 transformer 的作用进行详尽的探索，对框架在不同环境中性能的全面评估，以及与传统强化学习方法进行的基准测试。结果表明该方法显著提高了强化学习代理在物联网生态系统中应对复杂性的能力，凸显了该方法在物联网领域智能自动化和决策制定领域的潜力。

    Apr, 2024

  • 基于深度强化学习的共生无线电网络智能用户关联

    本文提出了两种基于深度强化学习的算法来解决共生射频网络中的用户关联问题，该问题的目标是将每个 IoT 设备与一个适当的蜂窝网络用户链接起来，以最大化所有 IoT 设备的总速率，同时分别利用全局和本地信息来做决策，从而达到与需要完美实时信息的最优用户关联策略相同的性能，并且分布式 DRL 算法具有可伸缩性。

    May, 2019

  • 跨层优化实现资源高效 AIoT 系统：综述

    人工智能物联网（AIoT，AI+IoT）领域是由智能基础设施的广泛使用和深度学习（DL）的显著成功推动的。本研究通过优化资源友好型的深度学习模型以及模型自适应系统调度，来改善 DL 模型的准确性和响应性，推动由单独级别设置的性能边界。此外，针对 AIoT 环境的动态特性，本文还探索了适用于不同级别的上下文感知控制器，实现自动跨级别适应，并提出了资源高效的 AIoT 系统的一些潜在方向。

    Sep, 2023

  • 融合深度强化学习和边缘计算的物联网环境实时监控与控制优化

    基于深度强化学习和边缘计算的优化控制系统，通过云边协同合作，在边缘部署轻量级策略网络，预测系统状态，以高频输出控制，实现对工业目标的监控和优化，并设计了动态资源分配机制，确保边缘计算资源的合理调度，实现全局优化，证明了该方法减少了云边通信延迟，加速对异常情况的响应，降低系统故障率，延长设备平均运行时间，节省了人工维护和更换的成本，从而确保了实时和稳定的控制。

    Feb, 2024

  • 物联网联邦学习综述

    本研究是一项关于边缘设备上联合学习技术在物联网（IoT）应用中的综合调研，探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗，智能交通，无人机，智慧城市，智慧工业等应用领域中的潜力，并总结了可借鉴的经验教训和当前的挑战与未来研究方向。

    Apr, 2021

  • 支持物联网和智能城市服务的半监督深度强化学习

    本文提出了一种半监督 DRL 模型，并将其应用于智能建筑的室内定位问题，在目标距离和接受的奖励方面相对于有监督的 DRL 模型提高了 23% 和至少 67%。

    Oct, 2018

  • 深度强化学习（DRL）：无监督无线定位的另一种视角

    本文提出了一种基于深度强化学习的无监督无线定位方法，通过建模连续的无线定位过程为马尔可夫决策过程并将其纳入深度强化学习框架中，以克服使用未标记数据进行定位时奖励的获取难题，并使用 RSS 测量将 DRL 与代理位置相结合构建 DRL 输入，为 IoT 数据的空间化提供了新思路。

    Apr, 2020

  • 智能交通系统的深度强化学习：一项调查

    本文综述了以深度强化学习（RL）为基础的交通控制应用，并将现有工作按照应用类型、控制模型和研究算法进行分类总结。

    May, 2020