摘要:我们考虑了一个用于边缘计算应用的智能传感器网络，它对感兴趣的信号进行采样，并将数据发送到一个基站，用于远程全球监测。传感器配备了探测和计算功能，可以发送原始数据(raw data)，也可以发送处理后的数据。计算能力有限的边缘硬件设备有着时效性-精度的权衡矛盾,原始数据不准确但很及时,处理后的数据精度高,但需要更高的计算延迟才能使用.此外如果需要进行数据压缩,那么发送原始数据的通信时间将进一步增大.
因此，我们需要决定传感器何时应该传输原始测量数据，还是发送处理后的数据。为了解决这一传感器设计问题，我们建立了一个包含计算和通信延迟的估计理论优化框架，并提出了一种基于强化学习的方法来动态分配每个传感器的计算资源。通过无人机互联网和自动驾驶汽车的案例研究，数值模拟验证了我们提出的方法的有效性。
关键词: Communication latency, computation latency, edge computing, Q-learning, resource allocation, sensing design
一.引言:blablabla边缘设备来承担大部分的计算负担。事实上，分布式计算范式，如边缘和雾计算和联邦和去中心化学习，仍处于婴儿期，但在整个研究界都享受着狂热的活动和兴奋。
我们考虑设计一组边缘智能传感器,在传输原始数据和处理数据中达到平衡
A.相关文献
对系统能力预算的约束的文章,例如基于覆盖概率和能量消耗的目标跟踪选择策略,基于聚类的水下通信约束,不同价格的传感器放置策略等等.前面的工作以及很多控制理论的工作都只局限于关心能量消耗并解决延迟,并未计算系统的动态指标(but do not use that information to compute an exact performance metric that depends on the system dynamics.)
传统控制理论关注的是信道感知的控制与估计,通信器和控制器的协同设计来解决无线通信的不可靠性,延迟性等.例如LQR,LQG的最优控制,利用MPC等基于模型的预测和优化工具，研究了受状态和输入约束的无线网络物理系统的性能。
B.论文结构
二.问题设定
A.系统模型
动力学模型
动力系统。感兴趣的信号由一个时变离散时间线性动力系统描述
(1)
服从高斯白噪声
考虑到传感器样本的无线传输，我们假设时间步长为T的离散时间动力学，采样时间T代表了一个适合全局监测的时间尺度，也可能是决策任务。例如，对于地面机器人的轨迹规划，T的典型值为1 ~ 2秒，而对于无人机执行快速追逐或自动驾驶应用，则需要更高的频率。
智能传感器
观测方程,还是高斯噪声
(2)
传感器既可以传输原始测量数据，也可以在传输之前在本地处理原始测量数据。这种处理可能包括对原始数据的压缩或过滤，或更复杂的任务，如从视觉数据或3D点云中提取特征。传感器面临着通过有限的计算来权衡延迟和精度的问题:原始测量精度较低，但本地数据处理会引入额外的计算延迟。特别是，关于真实动态的不确定性，通过噪声项wk在(1)中建模，逐渐使过时的测量对系统当前状态的信息更少，因此仅靠高精度可能无法在实时监测中获得回报。
例如，假设一辆汽车以近似恒定的速度运动，其中wk捕捉未建模的运动，随着时间的推移，通过其动力学模型(恒定速度)获得的汽车当前位置变得越来越不精确，因为wk隐藏的未知项逐渐使汽车偏离其轨迹。在这种情况下，传感器可能更喜欢对系统采样(例如，捕捉汽车的图像)，而不是花时间获得精确的、过时的位置测量。
将延迟-精度权衡形式化为:
假设1.每个传感器三种模式,raw(原始数据),procesing(处理数据),sleep(休眠模式)
raw mode:原始测量延迟 ,原始测量噪声协方差
processing mode:处理的延迟和协方差
sleep mode: 休眠模式,啥也不干
假设2.每个传感器测量协方差高于处理协方差,测量延迟低于处理协方差
定义1 第i个传感器的感知测量是一个分类决策序列, 值为r为raw ,值为p为process,s为sleep
假设3.采样频率
换句话说，假设3表示传感器只有在传输完之前的测量数据后才能获取新的样本。
无线通道有采样延迟、处理延迟、传输延迟(如图1所示)