基于绿色能源的分层边缘网络架构实现极端环境下可持续野生动物监测

《Sensors》：Sustainable Hierarchical Networking for Extreme-Edge AI-Based Wildlife Monitoring in Resource-Constrained Environments

　　**摘要**在偏远环境中部署人工智能（AI）进行野生动物监测仍然充满挑战，主要受限于能源匮乏、计算资源不足以及通信不可靠。传统边缘AI系统依赖于持续感知、高功耗通信和全精度模型，导致能耗过高。本文提出了一种基于绿色能源的分层网络架构，用于极端边缘环境下的可持续野生动物监测。该框架将感知、通信和AI推理分布在边缘、远边缘和极端边缘三层中。低功耗IEEE 802.11ah网络通过按需信道分配降低传输开销，而基于被动红外（PIR）的事件驱动激活取代了连续摄像头运行。模型量化（FP32、FP16、INT8）和分布式分拆推理提高了计算效率，跟踪辅助通信消除了冗余传输。实验结果表明可持续性显著提升。与连续运行相比，基于PIR的运营模式将每日能耗降低了95.11%。跟踪辅助通信将带宽需求和能耗减少了99%以上。令牌式信道分配相比目标唤醒时间（TWT）调度的能量节省达到39.4%（灵敏度范围：29.2–45.1%）。INT8量化带来了4.7倍的吞吐量提升、61%的内存占用降低和39%的功耗降低，平均精度均值（mAP）仅下降2.6%。现场验证确认了INT8模型的有效性，总体mAP达到82.89%（白天86.40%，夜间79.37%），精确度超过96%。结合PIR激活，INT8系统实现每日能耗仅63.76 Wh——相比FP32连续运行减少了95.17%。可再生能源收集、高效感知、轻量级AI和通信优化的集成使得在资源受限环境中实现可扩展、自主和可持续的野生动物监测成为可能。