Cross-Layer Energy Management in Embedded AIoT Sensor Networks: A Structured Review, Full-Cycle Energy Model, and Break-Even Analysis

方法

结构化综述、全周期能量模型、无量纲盈亏平衡分析及LTE-M实验验证。

发现

局部处理预算受通信开销限制，状态感知模型预测通信能耗准确（R²=0.980）。

机会点

可探索农业场景下跨层联合优化，如结合作物生长模型动态调整感知与通信策略。

电池供电的嵌入式人工智能物联网（AIoT）节点中的能量管理需要对感知、计算和无线通信进行协调控制。本结构化综述结合了对Scopus、Web of Science核心合集及IEEE Xplore的文献检索，筛选了548条独特记录，并对56篇数据库来源文献进行了全文源到构念编码。综合结果表明，数据采集、微型机器学习（TinyML）推理、通信、协议状态开销、自适应感知和能量采集通常被分别优化，而经过现场验证的联合控制仍然有限。本综述构建了一个全周期能量模型及跨层框架，将感知、处理、载荷表示、无线电策略和能量可用性联系起来。无量纲盈亏平衡分析表明，可允许的本地处理预算受固定通信开销和非机器学习边缘成本的约束。一项针对机器类通信长期演进（LTE-M）的定向实验包含40次完整事务，结果显示仅凭载荷长度不足以表征通信能量；一种纳入实测信令持续时间的状态感知模型达到了R²=0.980，并以1.66%的相对均方根误差（RMSE）预测了时间上分离的第二个会话。精准农业和精准养蜂展示了依赖模态和网络的权衡关系。研究结果支持全周期基准测试和情境感知编排，而非对推理或通信的孤立优化。