前言
学习内容记录:无人机增强的EI系统的各种应用场景,对于后续的建模场景可以借鉴。
一、摘要
介绍和回顾了无人机增强的EI系统或空中EI的各种应用、讨论了无人机增强型EI实现系统所面临的一些挑战以及未来研究方向的范围。
二、无人机在边缘智能中的应用
1、智慧型运输系统
智能交通系统(ITS)需要收集大量的数据,(例如,道路拥堵、车辆交通和其他信息)用于分析和决策流量等。可以从无人机或存储设备(如路边单元(RSUs))中的摄像机集成中收集数据,用于进行分析和决策。例如,在发生交通事故时,无人机分析事故位置和周围数据,使用无人机和基础设施通信,立即向利益相关者发出警告/报告,如图2所示。
2、智能农业
在智能农业中,无线传感器网络(WSNs),如温度、湿度和pH,被部署在许多地方来收集数据。该无人机配备了一个EI服务器、传感器和摄像头,以记录、分析、处理或将图像转发给操作员。无人机利用灵活的灵活性,广泛应用于农场,以识别和监测作物和牲畜的质量,并检测危险的攻击。无人机通过飞行来收集无人机中所有wsn或摄像机集成的数据,如图3所示。用户使用智能移动设备上的应用程序来远程访问数据、控制和监控无人机,从而帮助他们做出更好的作物/牲畜决策(例如,杀虫剂、化肥、水量和动物饲料)。
3、灾难救援
为了限制自然灾害造成的损害,我们需要在灾害发生前或何时主动识别和预测,采取快速及时的救援措施。无人机增强的EI网络用于收集和分析部署在待调查地区(如wsn)[19]的传感器的大量数据。从这些分析中,数据可以基于预测、评估和对自然灾害的反应,如地震、海啸、山洪暴发、火山、干旱和野火。该无人机还可以支持搜索、救援,并通过人工智能算法识别受害者,并通知相关单位。即使是拥有人工智能算法的无人机,也能对医疗紧急情况提供快速、有效的反应,比如向救援队无法到达的地区的受害者提供物资和设备。说明性的情况如图4所示。
三、挑战和未来方向
1、能源效应
无人机集成到EI网络和地面EI网络之间的最大区别是,地面基站不需要考虑功耗,而无人机的机载时间受到其电池容量的限制。在维持其飞行的同时,无人机需要为地面用户提供卸载服务,有时也需要提供中继服务,以将一些任务卸载到地面基站。因此,无人机在用户服务质量要求条件下的高效能耗机制是一个重要的问题。由于有限的能源预算,计算相关的能源消耗和推进相关的能源消耗必须平衡,以最大限度地利用服务时间,分配优化通信,计算资源。
2、实际实施
将应用式无人机部署到EI网络中可能存在一些挑战。由于恶劣的天气条件,不稳定性可能是任何潜在的无人机应用的问题。在极端温度条件下,电池寿命显著降低。无人机的性能可能会受到不利天气条件的负面影响。此外,世界上许多国家仍在研究无人机法规,以平衡它们在确保国家安全和人民安全的同时所能带来的利益。然而,对无人机的监管仍处于起步阶段,各国之间可能缺乏一致性。甚至一些国家还没有授权无人机能够进行商业操作。与无人机监管相关的许多问题可能会限制预期的灵活性,从而阻止该技术的广泛使用。
3、安全隐私
FL通过在本地执行共享的训练模型和不将训练数据发送到中央服务器,显著提高了数据的隐私性。但是,无人机增强的EI网络存在一些未来需要解决的与数据传输安全保证相关的安全问题。通信和控制是通过无线传输来解决的,因此安全很容易受到一些威胁。执行窃听或干扰攻击,以在用户和聚合服务器之间更改更新后的模型。此外,无人机可能是由于各种安全和安全问题,如拒绝服务欺骗和中间人攻击。因此,安全无人机网络的设计非常重要,值得进一步研究。提出并设计安全机制,进一步提高无人机增强EI系统的安全性。采用数据同态加密或无人机发送干扰信号的方法,可以保证在卸载[25]时的信息安全。如何提高加密数据的处理效率,确保时延约束要求,以及如何使干扰窃听者对其他无人机和地面节点的影响最小化,也是值得研究的两个方向。区块链目前有多个应用程序,被认为是一种安全机制。将区块链集成到无人机增强的EI网络中,可以实现分布式安全管理和卸载特定任务的能力,而不需要集中授权。
四、相关工作
1、A novel UAV-enabled data collection scheme for intelligent transportation system through UAV speed control
提出了一项提高无人机智能运输系统数据收集能力的研究。
2、Urban traffific density estimation based on ultrahigh-resolution UAV video and deep neural network
提出了一种基于无人机使用深度神经网络(DNN)方法获得的视频的实时交通密度估计(如车辆检测、分类、跟踪和计数)的解决方案。
3、UAV and machine learning based refifinement of a satellite-driven vegetation index for precision agriculture
设计了优化的无人机增强的现场数据收集和数据处理,有效利用地面传感器网络资源在架构协作无人机-WSN用于精确农业监测。
4、Advanced UAV–WSN system for intelligent monitoring in precision agriculture
使用深度学习来分析从无人机中提取的高分辨率图像数据。因此,作者建议改进用以监测和评估疾病的作物制图。
5、Unmanned aerial vehicles in smart agriculture: Applications, requirements, and challenges
介绍了无人机在智能农业中的应用的体系结构、传感器类型、挑战和未来研究方向的研究。
6、Learning-aided realtime performance optimisation of cognitive UAV-assisted disaster communication
研究了最大化网络在救灾地区部署无人机的能源效率。
7、Unmanned aerial vehicles for disaster management
概述了无人机辅助灾害管理系统的各种应用。
8、Help from the sky: Leveraging UAVs for disaster management
展示了基于这些分类的UAV-WSN系统的有效灾害管理的合适网络架构。它展示了无人机增强的EI网络的通用性和适用性,显示了未来的技术在救灾中的应用前景。
总结
无人机具有移动性强、部署方便等优点,为物联网设备提供智能边缘计算服务。本文介绍了将无人机集成到EI网络中的各种应用、探讨了未来研究方向所面临的一些挑战以及一些潜在的研究机会。