🤖 machine learning

Managing Task Execution for Unknown Workloads in Batteryless IoT: A Hardware-Agnostic Evaluation

Dit artikel stelt twee hardware-onafhankelijke, dynamische planningsstrategieën voor en evalueert deze—een modelvrije Reinforcement Learning-agent en een on-the-fly benaderde voorspellingsmethode—die de taakuitvoering voor batterieloze IoT-apparaten met onbekende workloads effectief beheren, waarbij zij duidelijke afwegingen onthullen in doorvoer, veerkracht en computationele kosten vergeleken met bestaande adaptieve en statische benaderingen.

Oorspronkelijke auteurs: Samer Nasser, Henrique Duarte Moura, Ritesh Kumar Singh, Maarten Weyn, Jeroen Famaey

Gepubliceerd 2026-06-24

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Samer Nasser, Henrique Duarte Moura, Ritesh Kumar Singh, Maarten Weyn, Jeroen Famaey

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een pieptje kleine, batterijloze robot hebt die volledig op zonne-energie draait. Het heeft geen grote batterij om energie op te slaan voor een regenachtige dag; in plaats daarvan heeft het een kleine "energie-emmer" (een supercondensator) die volloopt als de zon schijnt en leegloopt wanneer de robot werkt.

Het probleem is dat de zon onvoorspelbaar is. Soms is het helder, soms bewolkt, en soms is het nacht. De robot moet ook taken uitvoeren, zoals een bericht verzenden (een "LoRa-transmissie"), maar hij weet niet precies hoeveel energie die taak zal kosten. Als hij probeert een bericht te sturen wanneer zijn emmer te leeg is, loopt de emmer droog, schakelt de robot uit, en moet hij uren wachten om weer op te laden voordat hij weer wakker wordt.

Dit artikel gaat over het aanleren van de robot hoe hij moet beslissen wanneer hij moet werken en wanneer hij moet slapen, zonder de toekomst te kennen of een handleiding voor zijn specifieke hardware te hebben.

Het Probleem: Het "Black Box"-dilemma

Meestal programmeren ingenieurs robots met een vaste regel: "Als de energie-emmer boven de 50% is, verstuur dan een bericht. Als hij eronder zit, slaap dan."
Maar dit is alsoos een auto proberen te rijden met een vaste snelheidslimiet, ongeacht de wegomstandigheden.

Te streng: Je slaapt misschien terwijl je wel een bericht had kunnen versturen.
Te losjes: Je probeert misschien een bericht te sturen wanneer je niet genoeg vermogen hebt, wat een crash (uitschakeling) veroorzaakt.
De "Black Box": De robot weet niet hoeveel energie een bericht zal kosten omdat de afstand tot de ontvanger verandert, of de grootte van het bericht verandert. Het is een mysterie.

De Oplossingen: Drie Nieuwe Manieren om te Beslissen

De onderzoekers testten vier verschillende "hersenen" om deze robot te beheren. Ze wilden niet alleen bewijzen dat één methode de beste is; ze wilden ook de afwegingen van elke methode zien.

1. De "Gokker" (Approximated Prediction - AP)

Deze methode is als een slimme gokker die naar de laatste paar weddenschappen kijkt om de volgende te raden.

Hoe het werkt: Nadat de robot een taak heeft voltooid, meet hij precies hoeveel energie hij heeft verbruikt. Hij gebruikt dat getal om te raden hoeveel de volgende taak zal kosten. Vervolgens controleert hij zijn emmer: "Als ik deze volgende taak doe, heb ik dan nog genoeg over om wakker te blijven?"
Het resultaat: Het is ongelooflijk snel en efficiënt. Het voert bijna net zoveel taken uit als een "Magische Oracle" (een perfecte voorspeller die de toekomst kent), maar het heeft geen voorkennis nodig. Het is lichtgewicht en werkt geweldig bij kleine, strikte budgetten.

2. De "Leerling" (Reinforcement Learning - RL)

Dit is een robot die leert door vallen en opstaan, zoals een kind dat leert fietsen.

Hoe het werkt: De robot probeert verschillende strategieën. Als hij crasht (door een tekort aan vermogen), krijgt hij een "straf". Als hij wakker blijft en berichten verstuurt, krijgt hij een "beloning". In de loop van de tijd leert hij een complex regelboek over hoe hij werk en slaap moet balanceren.
Het resultaat: Het is zeer flexibel. Je kunt de robot leren om agressief te zijn (zoveel mogelijk berichten sturen) of conservatief (nooit uitschakelen). Echter, het is zwaar; het vereist veel rekenkracht en geheugen om te draaien, wat weer wat van de eigen energie van de robot verbruikt.

3. De "Tempohouder" (AsTAR)

Deze methode is als een marathonloper die weet dat hij 24 uur lang achter elkaar moet hardlopen.

Hoe het werkt: In plaats van naar het huidige energieniveau te kijken, kijkt het naar de trend. Als de energie daalt, vertraagt hij. Als de energie stijgt, versnelt hij. Het gebruikt een specifieke wiskundige truc (Additive Increase, Multiplicative Decrease) om het energieniveau stabiel te houden.
Het result resultaat: Het is de beste op het gebied van "tempo houden". Het is de enige methode die er erin slaagt de robot door de nacht heen te laten werken zonder dat hij uitschakelt, waardoor de lange kloof overbrugd wordt wanneer de zon niet schijnt.

4. De "Ouderwetse Methode" (Static Threshold)

Dit is de traditionele methode: "Als de emmer boven X is, werk dan. Als hij eronder zit, slaap dan."

Het resultaat: Het werkt verrassend goed als je een enorme emmer hebt (een grote condensator). Als je veel extra energie hebt, heb je geen slim brein nodig; een simpele regel werkt prima. Maar als je emmer klein is, faalt deze methode jammerlijk, of schakelt hij te vaak uit, of mist hij juist kansen.

De Belangrijkste Conclusies

De paper concludeert dat er niet één enkel "beste" brein is. De juiste keuze hangt volledig af van de grootte van je energie-emmer:

Als je een kleine emmer hebt (strikte beperkingen): Dan heb je de slimme methoden nodig. De Gokker (AP) is de beste keuze omdat het snel, slim is en geen energie verspilt aan complexe berekeningen. De Leerling (RL) is goed als je heel precies wilt afstemmen hoe risicovol je wilt zijn.
Als je een grote emmer hebt (veel ruimte): Dan heb je geen supercomputer nodig. Een eenvoudige Ouderwetse regel is in dat geval eigenlijk beter, omdat het energie en geheugen bespaart. De fancy methoden zijn hier overbodig.
Als je de hele nacht door moet werken: Dan is de Tempohouder (AsTAR) de enige die de robot betrouwbaar door de lange periodes van duisternis kan laten werken zonder dat hij uitschakelt.

De Kernboodschap

De onderzoekers hebben een realistische simulator gebouwd met echte zonnegegevens uit IJsland en deze methoden getest op verschillende maten van "energie-emmers". Ze ontdekten dat hoewel hoogwaardige AI en voorspellingsmethoden geweldig zijn voor piepkleine, beperkte apparaten, soms de simpelste oplossing het meest efficiënt is als je genoeg middelen tot je beschikking hebt. De sleutel is het afstemmen van de complexiteit van het brein op de grootte van de energietank.

Technische Samenvatting: Beheer van Taakuitvoering voor Onbekende Werkbelastingen in Batterieloze IoT

1. Probleemstelling

De snelle proliferatie van Internet of Things (IoT)-apparaten heeft aanzienlijke milieu- en economische zorgen opgeworpen met betrekking tot het gebruik van Li-ion-batterijen, die giftige materialen bevatten en frequente vervanging vereisen. Hoewel batterieloze, energie-oogstende architecturen een duurzaam alternatief bieden door gebruik te maken van supercondensatoren, introduceren zij een kritieke uitdaging: het beheren van zeer volatiele energieopslag.

In tegen tegenstelling tot batterijen vertonen supercondensatoren een niet-lineaire spanningsval die proportioneel is aan de energieverbruik. Gecombineerd met onvoorspelbare omgevingsenergie-oogst (bijv. zonlicht) en "black box"-applicaties met dynamische, onbekende energieprofielen (bijv. LoRa-transmissies met variabele payloads en spreading factors), schieten traditionele statische planningsstrategieën tekort. Statische methoden vertrouwen op vaste voltagespecificaties of vooraf gemeten taakprofielen, wat ofwel ontoereikend is voor dynamische omstandigheden, ofwel hardware-specifieke handmatige kalibratie vereist. Het kernproblek is het ontwikkelen van hardware-agnostische, dynamische planningsstrategieën die intelligent de taakuitvoering kunnen beheren zonder voorafgaande kennis van energieverbruik, om zo systeemresistentie (het voorkomen van stroomuitval) te waarborgen terwijl de taakdoorvoer wordt gemaximaliseerd.

2. Methodologie

Systeemmodellering

De auteurs modelleren het batterieloze IoT-systeem als een Markov-beslissingsproces (MDP). De systeemtoestand wordt gedefinieerd door de condensatorspanning ( $V(t)$ ), de oogststroom ( $I_H$ ), en de beslissing om een taak uit te voeren ( $E$ ) of te slapen ($NE$).

Condensatordynamiek: Een gesloten vorm RC-stapresponsvergelijking wordt afgeleid om de spanningsevolutie ( $V(t+\Delta t)$ ) te voorspellen op basis van de oogststroom, de lastweerstand en de capaciteit.
Foutcondities: Als de spanning onder een minimale operationele drempel ( $V_{min}$ ) zakt, gaat het systeem in een OFF-toestand (stroomuitval), wat een verlengde herstelperiode vereist om voorbij de inschakeldrempel ( $V_{to}$ ) op te laden.

Voorgestelde Strategieën

Het artikel evalueert vier verschillende beslissingslogica-benaderingen:

Statische Drempelwaarde (Static Thresholding): Een baseline-benadering waarbij taken alleen worden uitgevoerd als $V(t) \geq V_{thresh}$ . Dit vereist handmatige afstemming en voorkennis van de taakkosten om effectief te zijn.
AsTAR (Adaptive Task Rate): Een bestaande benadering die gebruikmaakt van principes van Additive Increase Multiplicative Decrease (AIMD) en Multiplicative Increase Additive Decrease (MIAD). Het past de taakuitvoeringssnelheid aan op basis van spanningsafwijkingen van een doelwaarde, waarbij de nadruk ligt op langetermijn-pacing boven directe doorvoer.
Reinforcement Learning (RL) Agent: Een model-vrije benadering met behulp van Proximal Policy Optimization (PPO).
- Observatieruimte: Bevat de condensatorspanning, de oogststroom, de taakduur, de tijd sinds de laatste fout en de condensatorgrootte.
- Training: Maakt gebruik van domeinrandomisatie over verschillende condensatorgroottes (0,5F tot 10F) om hardware-agnosticisme te garanderen.
- Beloningsfuncties: Twee varianten worden getest: één die optimaliseert voor het Inter-Task Interval (ITI) (het minimaliseren van gaten tussen taken) en een andere die optimaliseert voor de Off-Time (het minimaliseren van de duur van stroomuitval).
Benaderde Voorspelling (Approximated Prediction - AP): Een nieuwe, lichtgewicht methode die de applicatie behandelt als een "black box".
- Het benadert de equivalente lastweerstand ( $R_{eq}$ ) van de huidige taak door een wortelzoekprobleem (Newton-Raphson) op te lossen met behulp van spanningsmetingen vóór en na de vorige taak.
- Het voorspelt de toekomstige spanning als de volgende taak wordt uitgevoerd. Als de voorspelling een gepufferde veiligheidsdrempel overschrijdt, voert de taak uit; anders gaat het systeem in de slaapstand.
- Het bevat een mechanisme voor dynamische herkalibratie dat wordt getriggerd door stroomuitval of significante voorspellingsfouten.

Experimenteel Framework

De evaluatie maakt gebruik van een fysiek nauwkeurig simulatieframework gedreven door:

Real-world Data: Solar harvesting-data uit IJsland (2022–2023) omgezet naar oogststroom.
Dynamische Werkbelastingen: LoRa-transmissieprofielen met variabele payloads en Adaptive Data Rate (ADR)-mechanismen die het stroomverbruik veranderen op basis van gesimuleerde kanaalcondities (RSSI).
Hardwarebeperkingen: Gesimuleerde STM32L4 MCU en SX1262 LoRa-module met specifieke energie-overhead voor de beslissingslogica zelf (bijv. RL-inferentietijd, AP-solver iteraties).
Variabelen: Condensatorgroottes variërend van 0,5F tot 10F.

3. Belangrijkste Bijdragen

Hardware-Agnostische "Black Box" Planning: Het voorstel van twee nieuwe strategieën (RL en AP) die energiebudgetten beheren zonder voorafgaande kennis van de energieconsumptie van taken of specifieke condensatorgroottes.
Uitgebreid Simulatieframework: Ontwikkeling van een open-source, fysiek nauwkeurige simulator die niet-lineaire condensatordynamiek koppelt aan real-world solar data en variabele LoRa-lasten.
Operationele Afwegingsanalyse: Een gedetailleerde vergelijkende analyse die de specifieke sterktes en zwaktes van dynamische methoden versus statische baselines blootlegt, specifiek met betrekking tot doorvoer, overlevingstijd en uitvoeringstempo.
Identificatie van Praktische Limieten: De demonstratie dat geavanceerde dynamische strategieën het meest waardevol zijn onder zware hardwarebeperkingen (kleine condensatoren), terwijl grotere energiebuffers vaak kunnen vertrouwen op simpelere statische beleid.

4. Resultaten en Bevindingen

Doorvoer vs. Betrouwbaarheid ("Boom and Bust")

Hoge Doorvoer: De Approximated Prediction (AP) benadering en de Short-Term Oracle bereikten de hoogste hoeveelheid dagelijkse succesvolle uitvoeringen (meer dan 1000 taken/dag voor condensatoren >1,5F). Opvallend genoeg bereikte AP bijna de Oracle-doorvoer zonder voorafgaande kennis.
Betrouwbaarheidskosten: Deze hoge-doorvoermethoden vertoonden aanzienlijk lagere mediane tijden tussen stroomuitvallen ("off-states") vergeleken met meer conservatieve methoden. Ze maximaliseren de gegevensoverdracht maar riskeren frequente systeemblackouts.

Uitvoeringstempo (Execution Pacing)

Superioriteit van AsTAR: De AsTAR benadering blonk uniek uit in "pacing". Hoewel het een lagere gemiddelde uitvoeringstermijn had, was het de enige methode die erin slaagde om lange energie-onderbrekingen (bijv. de nacht) te overbruggen zonder communicatieblackouts. Voor condensatoren >2,5F verminderde AsTAR het maximale dagelijkse inter-taakinterval tot ~1 uur, terwijl andere methoden stagneerden op ~8 uur (de duur van de nacht).

Systeemresistentie en Herstel

Overleving: De RL Agent (Off-Time geoptimaliseerd) en de Static (3.45V) benaderingen elimineerden effectief stroomuitvallen voor de meeste condensatorgroottes, waardoor de totale uptime van het apparaat werd gemaximaliseerd.
Herstelsnelheid: In zeer beperkte scenario's (0,5F–1F) vertoonden de AP en RL agenten een sneller herstel van stroomuitval vergeleken met statische baselines, dankzij hun dynamische adaptatie.

Hardware-Agnosticisme

Beperkingen van Statische Methoden: Statische drempelwaarden generaliseerden slecht; een lage drempel (1,9V) veroorzaakte frequente uitval bij kleine condensatoren, terwijl een hoge drempel (3,45V) energie verspilde in grotere condensatoren.
Succes van Dynamische Methoden: Zowel RL als AP behielden een gebalanceerde afweging tussen overleving en doorvoer over de gehele 0,5F–10F range zonder handmatige herkalibratie.
Overhead: De AP benadering werd aangemerkt als bijzonder efficiënt, omdat het hardware-agnosticisme biedt met minimale computationele en geheugenoverhead vergeleken met de neurale netwerk-inferentievereisten van de RL-agent.

5. Betekenis en Claims

Het artikel stelt bescheiden dat geen enkele beslissingslogica universeel superieur is. De betekenis ligt in plaats daarvan in het identificeren van de specifieke operationele contexten waar elke methode de meeste waarde biedt:

Voor Sterk Beperkte Systemen (Kleine Condensatoren): Geavanceerde dynamische strategieën zijn essentieel. De AP-methode wordt aanbevolen vanwege de lichtgewicht, real-time adaptatie die optimale doorvoer evenaart zonder kalibratie. De RL-benadering is geschikt wanneer een afstembaar evenwicht tussen uitvoering en overleving vereist is.
Voor Nachtelijke Pacing: AsTAR blijft de voorkeursstrategie voor applicaties die een consistente communicatie over lange energie-onderbrekingen vereisen.
Voor Systemen met Grote Energiebuffers: Het artikel concludeert dat voor apparaten met grotere condensatoren (bijv. >5,5F in hun scenario), eenvoudige statische drempelwaarde zeer effectief is. In deze minder beperkte systemen rechtvaardigt de computationele en geheugenoverhead van geavanceerde dynamische methoden de marginale voordelen ten opzichte van geoptimaliseerde statische beleid niet.

Het werk stelt een grens vast voor de praktische bruikbaarheid van dynamische drempelwaarden, en suggereert dat de complexiteit van AI-gestuurde of voorspellende planning moet worden voorbehouden aan scenario's waar hardwarebeperkingen (kleine energiebuffers) statische optimalisatie onmogelijk maken.