Energy Conservative Data Aggregation for IoT Devices: An Aerial Wake-Up Radio Approach
Notice bibliographique
Résumé
The ubiquitous deployment of Internet of Things (IoT) and the ever-evolving IoT services seek fully autonomous devices with no energy limitations. To fulfill this demand, we investigate the usage of unmanned aerial vehicles (UAVs) to overcome the limited battery constraint of IoT deployments in hard-to-reach locations. Specifically, we present a UAV-enabled wake-up radio (WuR) and data collection (U-WuRIoT) solution for future IoT networks. The proposed solution leverages UAVs to wake-up IoT devices from an ultralow power sleep mode by transmitting WuR signals. Upon successful wake-up, the devices use their batteries to transmit the collected data to the UAV. In this article, we present an overview of U-WuRIoT and its applications and discuss the challenges and enabling technologies toward realizing it. Candidate enablers, such as advances on wake-up receivers and UAV transmitters’ hardware, combined energy harvesting and WuR, new spectrum opportunities, energy beamforming, channel state information (CSI)-limited schemes, and UAV trajectory optimization, are outlined. A realistic experimental testbed, using a fully operational prototype implemented via off-the-shelf components, is constructed to validate the applicability of U-WuRIoT and its benefits compared to traditional duty cycling (DCY) solutions. Furthermore, a theoretical study is conducted to extrapolate the performance of U-WuRIoT in large-scale deployments. The obtained experimental and theoretical results demonstrate that U-WuRIoT can extend the lifetime of the IoT device up to three times the lifetime when DCY is applied and can reduce the false alarm rate to less than 10%. Finally, key research directions toward implementing U-WuRIoT in the 6G era are identified.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».