Efficient Wake-Up Strategy: UAV-Enabled Opportunistic Sensing in IoT Networks
Notice bibliographique
Résumé
This paper proposes an unmanned aerial vehicle (UAV)-enabled wake-up radio (WuR) and data collection strategy for an Internet of Things (IoT) network. The considered model involves employing UAVs to awaken IoT devices from an ultralow power sleep mode through the transmission of WuR signals. Diverging from traditional methods where all IoT devices engage in data collection post-wake-up, the proposed framework centers on a more streamlined strategy. In the system model, a single UAV continuously traverses a specific region without hovering for the sake of waking-up nearby IoT devices. Specifically, solely IoT devices identifying valuable or unusual information transmit data back to the UAV upon a successful wake-up, which we refer to as opportunistic sensing. Hence, for reliable communication, it becomes important to determine the optimal height and velocity of the UAV while traversing the IoT region so as to maximize the probability that the UAV successfully wakes-up enough IoT devices to cover the field, followed by successful data collection of valuable sensed information. To this end, the paper proposes a low-complexity, fast in convergence, simple to implement efficient method to solve the non-convex optimization problem. The proposed algorithm relies on multidimensional bisection method, and is specifically tailored to determine the UAV's velocity and height, along with optimizing the device density. The numerical results in the paper validate the superior performance of the proposed algorithm when compared to conventional baselines.
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 | 0,000 |
| Science ouverte | 0,000 | 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 ».