在本文中，我们提出了一种能够平衡应用目标与能耗的采用能量感知方法的自适应 AI 应用程序的设计和部署方法，通过元启发式搜索过程确定可用于自适应系统的配置集合，并使用加权灰色关联分析将最终的配置映射到自适应应用程序的操作模式，验证结果表明，我们的自适应应用程序在节省高达 81% 的能源的同时，仅在准确率上损失了 2% 至 6%。

Aug, 2023

人工智能（AI）技术已成为众多行业的关键驱动力，包括消费电子、医疗保健和制造业，主要得益于过去十年间的复苏。AI 的变革力量主要来自于深度神经网络（DNN）的应用，其需要大量的训练数据和大量的计算资源进行处理。然而，由于与云通信相关的潜在延迟问题，深度学习（DL）工作流越来越多地过渡到靠近终端用户设备（EUDs）的无线边缘网络上。这种转变旨在支持对延迟敏感的应用，并催生了边缘 AI 的新范式，这将在即将到来的 6G 网络中支持无处不在的 AI 应用。尽管具有潜力，但边缘 AI 面临重大挑战，主要是由于无线边缘网络的资源限制和 DL 的资源密集性之间的矛盾。为确保性能既最佳又可持续，这需要对边缘 AI 采取注重能源的方法。因此，本文提供了关于绿色边缘 AI 的现代综述。我们首先分析了边缘 AI 系统的主要能源消耗组成部分，以确定绿色边缘 AI 的基本设计原则。在这些原则的指导下，我们进一步探讨了边缘 AI 系统中三个关键任务的能效设计方法，包括训练数据获取、边缘训练和边缘推理。最后，我们强调了进一步增强边缘 AI 能效的潜在未来研究方向。

Dec, 2023

本文综述了近期在人工智能边缘计算系统中与解决通信挑战相关的技术，着重介绍了从算法和系统两个方面提高在网络边缘的训练与推理的通信效率的方法，并突出了未来研究方向。

Feb, 2020

该研究通过广泛的文献综述，分析了影响能源消耗的驾驶行为因素和最先进的方法，并给出了包括能源高效驾驶风格特征、推荐的九种能源高效驾驶风格以及为不同类型的驾驶员和雇主提供的两个主观建议。

Mar, 2024

电动出行解决方案的关键是能源管理，本文通过分析现有文献探讨了人工智能在解决电动出行领域的各种挑战中的潜力，并提出了未来研究的有效途径，以推动可持续和高效的电动出行解决方案的发展。

Sep, 2023

本研究论文综述了自动驾驶的最新计算系统、性能指标、核心技术和挑战，并旨在吸引计算机和汽车领域的关注和更多研究。

Sep, 2020

本文旨在调查深度学习技术在自驾车领域中的最新进展及其强项与局限性，涵盖了基于人工智能的自动驾驶架构、卷积和循环神经网络、深度强化学习范式等内容，以及感知、路径规划、行为仲裁和运动控制算法。同时，重点探讨了当今在设计自动驾驶人工智能架构中所面临的挑战，如安全性、训练数据源和计算硬件等。

Oct, 2019

本研究探讨了在高密度交通条件下，通过应用模仿学习算法，对未来自动驾驶车辆实现控制策略和现实限制的协调，以提高网络能效，结果显示该算法能通过仅使用本地观测数据，提高交通网络能效达 15%。

Jun, 2022

自动驾驶汽车中人工智能和学习算法的进化轨迹及其在车辆自主决策能力塑造中的基础原则、伦理考虑、偏见和软件开发中的作用、以及不同级别自动化水平下的算法和任务自动化的细致用法的综合探索。

Feb, 2024

提出了一个基于深度强化学习的知识驱动服务卸载决策框架，用于解决车辆互联网中多任务服务的卸载问题，并使用仿真实验证明此框架具有快速收敛、适应环境变化和优于贪心算法的性能优势。

Dec, 2018