강화학습·불확실성 기반 IoT 전송주기 제어

Reinforcement Learning and Uncertainty-based IoT Transmission Period Control

연구 내용

에너지 소비와 데이터 품질을 동시에 만족하도록 IoT 센서의 전송주기를 자율적으로 최적화하는 연구

IoT 환경에서 센서 데이터의 잦은 전송은 에너지 소비를 증가시키는 문제를 해결하기 위해 전송주기 제어를 수행합니다. 엣지에서 상태·행동·보상을 재구성한 PPO 기반 최적 정책을 적용하고, 이후 전송주기를 유연하고 동적으로 조정하는 프레임을 확장합니다. 또한 예측 오차와 예측 불확실성을 함께 고려하는 min–max 최적화로 에너지와 데이터 품질의 균형을 정식화합니다. 예측 불확실성은 MC dropout으로 산정하고, 로버스트 전송주기를 계산하는 모듈화된 제어 구조로 차별성을 확보합니다.

관련 프로젝트

0건

연구 흐름

초기 연구는 IoT 엣지 컴퓨팅에서 센서별 전송주기를 자율적으로 제어하기 위해 PPO 기반의 전송주기 최적화 구조를 정립하는 데 집중되었습니다. 이후 전송주기 제어를 다양한 데이터 및 운영 조건에 적용하기 위해 Fd-Tpc 형태의 유연·동적 제어로 확장하며 제어 범위와 정책 적용성을 넓혔습니다. 최근에는 예측 오차와 불확실성을 함께 반영하는 U-OTPC로 발전시키고, MC dropout을 통해 불확실성을 정량화한 뒤 min–max 문제로 에너지와 데이터 품질의 균형을 재구성합니다. 이 흐름은 오류 예측 기반 전송주기 제어 프레임워크 특허로도 연계됩니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

센서별 전송주기 자동 튜닝
에너지 절감형 엣지 모니터링
데이터 품질 보장형 수집 운영
불확실성 기반 제어 정책
로버스트 통신 스케줄링
실시간 환경 추적 시스템
저전력 IoT 게이트웨이 최적화
무선 대역 효율 향상
예측오차 기반 전송 전략
엣지 AI 운영 프레임