クラウド-エッジ フレームワークによる省エネルギーなイベントドリブン制御: オンラインの教師あり学習、スパイキングニューラルネットワーク、およびローカルプラスティシティルールの統合
本研究は、クラウドベースのモデル予測制御器と、エッジ環境のスパイキングニューラルネットワーク(SNN)を統合したクラウド-エッジフレームワークを提案する。この枠組みにより、複雑な制御システムの計算および省エネルギー要件に対処することができる。SNNは、ローカルプラスティシティルールを用いた生物学的に妥当な学習手法を統合することで、効率性、スケーラビリティ、低遅延を活用する。この設計により、クラウドベースの制御器から直接プラントにコントロール信号を複製することができ、プラントとクラウド間の継続的な通信の必要性を軽減する。プラントは、誤差が事前定義されたしきい値を超えた場合にのみ重みを更新するため、様々な条件下でも効率性と堅牢性を確保する。線形ワークベンチシステムと衛星接近シナリオ(障害物回避を含む)に適用した結果、ネットワークサイズを増加させることで正規化追跡誤差を96%低減できることが示された。SNNのイベントドリブン性により、従来の計算要件の0.3%に相当する約11.1×104 pJのエネルギーしか消費しない。本手法は、作業環境の変化に適応し、計算およびエネルギー資源を効率的に活用できることが実証された。静的および動的障害物のシナリオでは、障害物のない場合と比較して、それぞれ27.2%および37%のエネルギー消費の増加にとどまった。