論文の概要: A Low-Cost IoT Device for Environmental Monitoring and Embedded Solar Forecasting with On-Device Incremental Learning

• arxiv url: http://arxiv.org/abs/2608.14698v1
• Date: Sun, 09 Aug 2026 23:41:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.036205
• Title: A Low-Cost IoT Device for Environmental Monitoring and Embedded Solar Forecasting with On-Device Incremental Learning
• Title（参考訳）: オンデバイスインクリメンタル学習による環境モニタリングと組み込みソーラー予測のための低コストIoTデバイス
• Abstract要約: この研究は、温度、湿度、光度、および太陽光をIP68レベルの囲いの中で統合するESP32に基づく、モノのモジュラーインターネット(IoT)デバイスを提示する。 ネットワークは、サイト収集データ上でオフラインでトレーニングされ、クラウド接続なしで静的な重量行列としてマイクロコントローラ上にデプロイされる。 このシステムは、ドイツのウルムで短期間のハードウェアとファームウェアの検証と、メキシコのザポパンで115日間の配備という2つのフィールド展開を通じて評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hyperlocal meteorological sensing is essential for accurate solar photovoltaic forecasting, yet professional-grade meteorological stations require investments easily exceeding 1000~USD per node, making distributed deployments economically inaccessible. This work presents a modular internet of things (IoT) device based on the ESP32 microcontroller integrating temperature, humidity, luminosity, and solar irradiance sensors in an IP68-rated enclosure at a total hardware costs of about \$65~USD when components are sourced in Germany. A hybrid architecture decouples external model training, performed on a conventional computer using the software Python and the open-source library TensorFlow, from autonomous 24-hour solar voltage forecasting executed on-device via a three-layer feedforward network with 3{,}011 parameters (11.8\,KB). The network is trained offline on site-collected data and deployed on the microcontroller as static weight matrices without cloud connectivity. An on-device incremental gradient descent mechanism enables continuous model adaptation after deployment without external retraining. The system was evaluated through two field deployments: a short period of hardware and firmware validation in Ulm, Germany, and a 115-day deployment in Zapopan, Mexico, comprising 84~days of training and 31~days of autonomous operation with zero missing records. Over a clean 28-day daytime window, the embedded model attained a coefficient of determination of 0.9165 and a mean absolute error of 0.2975~V (4.65\% of the operational range), outperforming a climatology baseline (skill score 0.64) while not surpassing a 24-hour persistence baseline. A frozen-weight ablation confirms that the on-device update mechanism yields a small but statistically robust accuracy gain ($p = 0.001$), demonstrating that autonomous incremental learning is feasible on low-cost hardware without cloud connectivity.
• Abstract（参考訳）: 超局所気象センサーは正確な太陽太陽光発電の予測には不可欠であるが、専門レベルの気象観測所は1ノードあたり1000〜USDを超える投資を必要としており、分散配置は経済的に利用できない。 この研究は、ESP32マイクロコントローラをベースとしたモノのモジュラーインターネット(IoT)デバイスを、コンポーネントがドイツに供給された場合、総ハードウェアコストが約65〜USDのIP68レベルの囲いに、温度、湿度、光度、太陽放射センサーを統合する。 ハイブリッドアーキテクチャは,3{,}011パラメータ(11.8\,KB)の3層フィードフォワードネットワークを介してデバイス上で実行される自律的な24時間太陽電圧予測から,ソフトウェアPythonとオープンソースライブラリTensorFlowを使用した従来型のコンピュータ上で実行される,外部モデルトレーニングを分離する。 ネットワークは、サイトで収集されたデータに基づいてオフラインでトレーニングされ、クラウド接続なしで静的な重量行列としてマイクロコントローラにデプロイされる。 デバイス上でのインクリメンタルな勾配降下メカニズムは、外部再トレーニングなしにデプロイ後の連続モデル適応を可能にする。 このシステムは、ドイツのウルムで短期間のハードウェアとファームウェアの検証と、メキシコのザポパンでの115日間の配備という2つのフィールド展開を通じて評価された。 28日間のクリーンな窓の上において、組込みモデルは0.9165の判定係数と平均絶対誤差0.2975~V(運用範囲の4.65\%)を達成し、気候基準(スキルスコア0.64)を上回り、24時間持続基準を超えなかった。 フリーズウェイトアブレーションは、オンデバイス更新メカニズムが小さなが統計的に堅牢な精度向上(p = 0.001$)をもたらすことを確認し、クラウド接続のない低コストのハードウェアで自律的なインクリメンタルラーニングが実現可能であることを示した。

関連論文リスト

• Fully Autonomous Z-Score-Based TinyML Anomaly Detection on Resource-Constrained MCUs Using Power Side-Channel Data [0.13750624267664155]
  本稿では,低消費電力マイクロコントローラに実装した完全自律型Tiny Machine Learning (TinyML) Z-Scoreによる異常検出システムを提案する。 異常は軽量なZスコアしきい値を用いて検出され、組み込み配置に適した解釈可能かつ計算効率の良い推論が可能である。 結果は、精度1.00の精度とリコール、数十マイクロ秒の推論レイテンシ、メモリフットプリント全体の約3.3KBと63KBのフラッシュの完全な検出性能を示す。
  論文  参考訳（メタデータ） (2026-03-28T20:15:50Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• RockNet: Distributed Learning on Ultra-Low-Power Devices [49.01692357536576]
  本稿では,超低消費電力ハードウェアに適した新しいTinyML法であるRockNetを提案する。 CPSは複数のデバイスで構成されているため,機械学習と無線通信を統合した分散学習手法を設計する。 この結果から,分散ML,分散コンピューティング,通信の緊密な統合により,最先端の精度で超低消費電力ハードウェアのトレーニングが可能となった。
  論文  参考訳（メタデータ） (2025-10-15T09:09:30Z)
• StrikeWatch: Wrist-worn Gait Recognition with Compact Time-series Models on Low-power FPGAs [10.946464973530214]
  歩行パターンが良くなると、特に専門家のフィードバックなしに怪我につながることがある。 Wrist-wornウェアラブルは、実用的で非侵襲的な代替手段を提供する。 本稿では,デバイス上でリアルタイム歩行認識を行う小型手首輪システムであるStrikeWatchを紹介する。
  論文  参考訳（メタデータ） (2025-10-14T20:28:31Z)
• Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management [17.903318666906728]
  気候変動によって激化する極度の気象現象は、下水道システムの老朽化に挑戦する傾向にある。 下水道流域充填量の予測は早期介入に有効な洞察を与えることができる。 本稿では,エッジデバイス上でエネルギー効率の高い推論を可能にするエンドツーエンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T15:06:04Z)
• Low-cost Embedded Breathing Rate Determination Using 802.15.4z IR-UWB Hardware for Remote Healthcare [2.6066253940276347]
  本稿では,超広帯域(UWB)チャネルインパルス応答(CIR)データから呼吸速度を予測するための畳み込みニューラルネットワーク(CNN)を提案する。 46KBのメモリを必要とするnRF52840システムにアルゴリズムをデプロイし,192msの推論時間で動作可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-03T07:54:25Z)
• Enhancing Predictive Maintenance in Mining Mobile Machinery through a TinyML-enabled Hierarchical Inference Network [0.0]
  本稿では,予測保守のためのエッジセンサネットワーク(ESN-PdM)を紹介する。 ESN-PdMはエッジデバイス、ゲートウェイ、クラウドサービスにまたがる階層的推論フレームワークで、リアルタイムな状態監視を行う。 システムは、正確性、レイテンシ、バッテリー寿命のトレードオフに基づいて、デバイス、オンゲートウェイ、あるいはクラウド上の推論位置を動的に調整する。
  論文  参考訳（メタデータ） (2024-11-11T17:48:04Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Parallel Successive Learning for Dynamic Distributed Model Training over Heterogeneous Wireless Networks [50.68446003616802]
  フェデレートラーニング(Federated Learning, FedL)は、一連の無線デバイスにモデルトレーニングを配布する一般的なテクニックとして登場した。 我々は,FedLアーキテクチャを3次元に拡張した並列逐次学習(PSL)を開発した。 我々の分析は、分散機械学習におけるコールド対ウォームアップモデルの概念とモデル慣性について光を当てている。
  論文  参考訳（メタデータ） (2022-02-07T05:11:01Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。