LoRaWAN
PulseAugur coverage of LoRaWAN — every cluster mentioning LoRaWAN across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
基于雾计算的 AI 在边缘硬件上预测冷链温度
研究人员成功部署了一个基于雾计算的深度学习系统，用于实际冷链温度预测，这是该应用的首次尝试。该系统在南非的 Raspberry Pi 4 上使用 LSTM-GRU 模型运行，无需依赖云即可运行，预测温度的平均绝对误差 (MAE) 为 0.2°C。它能在不到一秒的时间内提供预测，并在预计发生冷链中断时生成条件 SHAP 解释，将预测归因于温度和湿度。
-
LPWAN成为人工智能物理世界的神经系统
低功耗广域网（LPWAN）正成为人工智能发展的关键组成部分，充当连接人工智能“大脑”与物理世界的“神经系统”。该技术解决了海量物联网部署中的关键挑战，如覆盖范围、功耗和成本，使人工智能能够利用更广泛、更实时的dataset。人工智能和物联网的协同作用，即AIoT飞轮，创造了一个良性循环：改进的数据带来更好的人工智能模型，进而优化物联网运营并实现更广泛的部署。
-
Edge-IIoTset基准测试中的缺陷已揭示，提出新的AgriEdge基准
一篇新研究论文指出了常用于工业物联网中基于机器学习的入侵检测的Edge-IIoTset基准测试中的一个重大缺陷。研究表明，数据集中预处理指令中的序列化伪影，特别是缺失协议字段的占位符拼写，使得标准分类器在不实际模拟网络行为的情况下就能达到近乎完美的准确率。研究人员提出了一个名为AgriEdge的修正基准，其中包含更全面的数据和设备，证明在没有该伪影的情况下，最强大的模型能达到约0.95的准确率，并且在感知/执行层发现了泛化边界。
-
AI代理帮助葡萄园主管理作物并降低风险
Agile Harvest系统使用一个名为Digital Scribe的AI代理，通过创建土地的数字孪生来管理葡萄园。该系统允许农民跟踪葡萄园数据，从历史人口普查记录到实时测量值（如糖度），并利用这些信息为作物做出明智的决定。AI代理可以识别机会，例如将早期收获的水果用于Verjus生产，以降低未售出地块的风险。
-
物联网 2.0 需要实时分析、边缘 AI 和高级连接性
物联网 (IoT) 正在演变为物联网 2.0，要求互联系统不仅收集数据，还要实时解释和响应数据。这一转变由边缘计算和人工智能的集成驱动，需要超越简单连接性，转向支持更丰富数据、更低延迟和更高设备密度的网络。Wi-Fi HaLow 等新兴技术正在被探索，以创建满足这些新需求的本地化、高性能网络，尤其适用于工业和大规模部署。
-
研究人员开发环境感知LoRaWAN路径损耗模型以提高室内测距精度
研究人员开发了一种利用LoRaWAN技术并通过考虑环境因素来提高室内测距精度的新方法。该方法整合了一个考虑温度、湿度和空气质量等变量以及信号强度的路径损耗模型。该模型结合自适应滤波，显著降低了测距误差，在一项研究中实现了4.74米的平均绝对误差。