深度强化学习赋能可穿戴设备，SmartAPM 开启智能电源管理新时代

为解决可穿戴设备电池续航与性能平衡问题，Galgotias University 研究人员开展 SmartAPM 框架研究，发现该框架可延长电池寿命 36%、提升用户满意度 25%，为可穿戴设备电源管理提供新方案。

　　在科技飞速发展的当下，可穿戴设备如智能手环、智能手表、健康监测设备等，已悄然融入人们的日常生活。它们就像贴心的健康小助手，能实时监测健康数据；又似便捷的通讯枢纽，让人们随时保持在线。然而，这些设备却有个令人头疼的 “短板”—— 有限的电池续航能力。常常在人们最需要的时候电量告急，频繁充电不仅麻烦，还影响使用体验，就像一场美好的旅行突然遭遇汽车半路没油，着实让人扫兴。传统的电源管理技术如同按部就班的 “老学究”，依赖静态、预定义的规则，无法灵活应对用户多变的使用习惯和复杂的环境变化，导致电池使用效率低下。

为了攻克这一难题，来自 Galgotias University 等多所机构的研究人员展开了深入研究，提出了 SmartAPM（Smart Adaptive Power Management，智能自适应电源管理）框架，相关成果具有重要意义，有望为可穿戴设备电源管理带来新的突破。

研究人员在这项研究中采用了多种关键技术方法。在数据处理方面，整合了 WISDM、UCI HAR、ExtraSensory 等多个公开数据集，并添加合成功耗数据构建自定义数据集。通过数据集成同步、处理缺失值、检测去除异常值、处理类别不平衡等一系列预处理操作，还进行了特征工程和选择，为后续模型训练做准备。在模型构建上，运用多智能体深度强化学习（DRL）系统，每个智能体负责管理特定设备组件，结合基于深度 Q 网络（DQN）的学习算法、经验回放机制、目标网络等进行优化。同时采用混合学习范式，融合设备端和云端学习，利用转移学习实现快速个性化。

下面来看具体的研究结果。在电池续航提升方面，通过模拟不同可穿戴设备和用户行为，对比静态电源管理、自适应显示亮度（ADB）算法和基于随机森林的简单机器学习预测模型等基线方法，发现 SmartAPM 可使设备电池续航时间相比静态电源管理提升 36%。在用户满意度上，依据模拟用户交互和定期反馈提示计算得分，SmartAPM 得分为 87.5，相比基线静态电源管理的 70 分提升了 25%，表明其能很好地平衡节能与用户体验。在适应新使用模式的速度上，SmartAPM 平均仅需 18.6 小时就能适应新的使用模式，比基于机器学习的预测模型（48 小时）快很多，展现出强大的适应能力。计算开销方面，SmartAPM 的计算开销为 4.2%，虽略高于简单方法，但仍在 5% 的目标范围内，且其他指标的显著提升弥补了这一微小增加。从组件贡献来看，显示管理对节能贡献最大，占 45% ，CPU 频率缩放占 30%，传感器利用占 20%，网络接口管理占 5%。不同设备类型中，健身追踪器的电池续航提升幅度最大，达 42%，智能手表为 38%，智能眼镜为 34%，可穿戴耳机为 32%，智能服装为 30%。长期学习与适应结果显示，在 1000 天的模拟期内，SmartAPM 的电池续航提升从 36.0% 提高到 41.0% ，用户满意度从 87.5 提升到 90.1。

综合研究结论与讨论，SmartAPM 通过深度强化学习，根据用户行为和设备状态动态优化功耗，在提升电池续航的同时改善了用户体验。这对于制造商而言，有助于开发更高效、用户友好的产品，增强市场竞争力；对消费者来说，能减少充电次数，获得更流畅的使用体验。不过，该模型也存在一些局限性，如合成数据可能影响模型泛化、实际部署面临挑战、计算资源需求大、存在隐私问题等。未来研究可从拓展真实场景测试、融入新兴技术、优化数据集等方面进一步完善。总的来说，SmartAPM 为可穿戴设备电源管理开辟了新方向，有望推动可穿戴技术的可持续发展，提升其在日常生活中的实用性和用户满意度。