無源節點能量管理關鍵技術

摘要：能量管理是確保無源節點在不穩定供能環境下穩健運行的必要條件，但也帶來了額外的計算負擔，致使能量效率下降。為解決這一問題，研究了無源節點的能量理論，并針對性提出無須本地計算輔助的“邊端一體化”能量管理方案。首先，將高開銷的細粒度能量規劃從節點（端）解耦至網關（邊），以降低節點上能量管理的復雜度。同時，創新性地提出了無采樣感知和免計算決策電路的設計，解決了節點上無計算單元輔助下能量探測和決策執行所面臨的兩大關鍵技術挑戰。至此，節點無須額外分配計算資源用于能量管理，從而在原理上避免了傳統方式因將能量管理作為“附加任務”執行所導致的高開銷問題。此外，在網關側建立了遠程開銷預算模型，為多樣化任務的供能需求實現了遠程動態匹配。最后，實現了設計原型，并通過原型測試驗證了設計的可行性。結果表明，與四種參考方式對比，該設計可降低92%的能量管理開銷，并能對多變的供能環境作出靈活響應。

關鍵詞：物聯網；無源節點；能量管理

中圖分類號：TP39文獻標志碼：A文章編號：1001-3695（2023）01-032-0000-00

doi： 10.19734/j.issn.1001-3695.2022.06.0300

Efficient power management for passive IoT sensor nodes

Zhang Chong， Hou Mengshu， Lu Li

（School of Computer Science amp; Engineering，University of Electronic Science amp; Technology of China，Chengdu 611731，China）

Abstract：

Energy management ensures the robust operation of passive sensor nodes in the presence of unstable ambient power supply. However， it also imposes extra computational loads， leading to a reduction in power efficiency. To resolve this issue， this paper explored the energy theory of passive nodes and proposed a novel \"edge-to-end\" integration scheme for power management that requires no local computing. This paper first simplified the complexity of energy management on passive nodes（end） by decoupling the high-overhead fine-grained energy planning to the gateway（edge）. Then it designed a novel sampling-less sensing circuit and computing-free decision circuit， which solved the two key technical challenges of power state sensing and decision-making without the assistance of local computing. To this end， the computing unit on the node no longer needs to carry the \"additional task\" of energy management， thereby avoiding the high overheads of conventional works in principle. In addition， this paper established a task overhead model to dynamically match the power supply for the requirements of various tasks. Finally， this paper implements the prototype and conducts comprehensive evaluations through scenario testing. The results indicate that the paper reduces 92% overhead in power management compared with four reference methods， and can respond flexibly to the variation of ambient energy harvesting， demonstrating the efficacy of this paper.

Key words：Internet of things; passive nodes; energy management

0引言

環境獲能技術［1］與物聯網傳感節點相結合，衍生了無源感知和計算節點，簡稱無源節點（passive nodes）［2］。通過從環境中獲取能量并自主運行， 該類節點擺脫了有線或電池供電的束縛，在需長期部署和大規模應用的物聯網場景中，具顯著優勢。據國際著名數據公司（Markets）報告［3］，全球無源節點相關應用在2021年的市值已達4.68 億美元，并有望在2026年增長至7.01 億美元，復合年增長率高達8.4%，是物聯網下一步發展的新興產業之一。

目前，無源節點的應用領域已經延伸至無源無線傳感網［4］、結構體健康檢測系統［5］、智慧建筑［6］以及智能眼鏡［7］等場景。近期研究工作包含可穿戴健康監測節點［8］、無源GPS定位節點［9］、 以及無源貨物數量監測節點［10］等等。相比有源的物聯網節點而言，具有能量自供給、易于部署等特點，能以各種形式深度嵌入到物理環境中，是物聯網和普適計算的重要組成之一［11］。

然而，不穩定環境供能與多樣化任務需求之間的不匹配性為無源節點的能量管理帶來了巨大挑戰［12］。為確保任務的有效執行，無源節點上的能量管理通常需包含獲能狀態跟蹤、任務需求動態匹配、儲能參數調節等一系列操作，從本質上來看是無源節點在調度任務時所需執行的一種“附加任務”，嚴重增加了無源節點的任務負擔，降低了能量效率。為此，亟須研究一套適用于無源節點的超低功耗能量管理方案，以解決其應用瓶頸。

本文從節點的運行模式出發，研究了無源節點的能量理論，從運算開銷和儲能損耗兩方面分別建立描述模型，并針對性地提出了“邊—端”一體化的中心化能量管理方案。 利用網關（邊）承擔高開銷的細粒度能量規劃，同時在節點本地（端）設計獨立的邏輯電路執行能量管理決策，成功將能量管理過程從節點計算單元（微處理器）中解耦，使之不再成為消耗節點計算資源的“附加任務”。本文的主要工作和創新點如下：

a）提出了全新的“邊—端”一體化能量管理框架，將能量管理過程從節點（端）計算單元中解耦至網關（邊），從原理上避免了傳統能量管理方式作為節點所執行 “附加任務”而導致的高開銷問題。

b）提出了無采樣感知電路的設計，利用儲能電容的輸出電壓直接控制天線的負載阻抗變化，以改變天線的反射系數，從而進一步改變反射信號的調制深度。在不采用傳統微處理器采樣以及數據編碼的情況下，通過對網關信號的反射控制，直接將節點的充能狀態回傳，顯著降低了能量感知的開銷。

c）提出了免計算決策電路的設計，采用創新設計的輕量級邏輯電路執行能量管理決策，解決了節點上無微處理器輔助下網關指令解碼與決策執行所面臨的關鍵技術挑戰，避免了節點計算單元（微處理器）在任務周期外額外運行所產生的開銷，顯著提升能量利用效率。

d）提出了基于二進制電容容量設定的儲能管理方法，提升了多樣化任務需求下的儲能效率。

e）提出了全新的任務開銷預算模型，通過細粒度任務分解和運行模擬在網關側實現了對多樣化任務供能需求的遠程匹配。

1研究基礎

無源節點上能量管理的難點在于其能量采集與利用的嚴重失配。具體而言，從能量獲取角度，不同能量源在功率和變化趨勢上存在巨大差異［2］。 例如，射頻能量可以在室內以及夜晚采集，但能量密度通常低于1 μW/cm2［13］。相比之下，太陽能則可提供高達15 mW/cm2［2］的能量密度，但嚴重依賴環境光強度，且對部署環境要求相對嚴苛，無法應用于封閉式數據監測等無光照場景。

另一方面，從能量利用的角度，無源節點上不同硬件組件的能耗存在較大差異。具體地，無源節點在本質上是由嵌入式系統疊加能量采集單元得來，因此也被稱為能量收集嵌入式系統，即EHES（energy harvesting-based embedded systems） ［14］，而其所采用的硬件組件并沒有根據無源節點的低能耗需求進行特定優化［15］。雖然隨著低功耗技術的不斷進步，節點可使用被動式通信以及低功耗傳感器將通信以及傳感部分的功耗降低至微瓦級［16］，但由于微處理器的功耗居高不下，使得節點的計算開銷依然處于毫瓦級［17］。這導致不同任務在執行時對能量的需求存在較大差異，難以在不穩定的環境供能下穩定運行。

為了彌補能量獲取與任務需求之間的巨大差異，無源節點通常需動態調節任務的運行狀態以使其開銷與獲能功率相匹配。近年來，已有大量研究工作涌現，根據工作性質可將其劃分為間歇性任務執行以及動態功率調節兩大類，如圖1所示。本文將近期代表性的研究工作匯總討論如下。

1.1間歇性任務執行

間歇性任務執行的工作模式如圖1（a）所示，節點通過調節任務的間歇性執行參數來改變其耗能速率，從而實現與獲能功率的動態匹配。 文獻［18］采用微處理器實時監測節點的獲能狀態，并僅在能量充足后啟動任務執行。該方式雖然可確保任務在起始時就具備足夠的能量，能有效避免因執行過程中掉電而導致任務失敗的問題，但其能量管理所需的獲能狀態監測和儲能預算在本質上也是節點所執行的一項“附加任務”，其開銷與傳感類任務相當。 為了解決這一問題，文獻［19］設計了基于異構數據存儲的任務緊急緩存機制，從而減少對節點獲能狀態感知的依賴。該方案利用SRAM存儲器的短時剩磁特性在任務掉電前快速保存數據，并在能量再次充足后讀取斷點以繼續任務執行。該方案無須預先為任務作出細粒度能量規劃，但其對SRAM存儲器頻繁讀寫所產生的開銷在本質上與數據讀寫類任務并無顯著差異。此外，由于SRAM存儲器的剩磁特性僅能維持10 min左右，該方案并不能在長期斷電后恢復任務狀態。

此外，還有大量工作對任務的間歇性控制作出改進，包括文獻［20］所提出的基于混合存儲架構的任務斷點保持方案，在提升讀寫速度的同時增強了系統運行的魯棒性。文獻［21］則提出了基于輕量級機器學習的無源節點能量管理方法，可以根據節點的歷史獲能狀態預測其能量走勢以更好的規劃后續任務安排。但其所需的計算復雜度也進一步增加，導致運算過程的峰值能耗可達近20 mW。

由此可見，在間歇任務執行方面，近期的能量管理工作更加趨于智能化，也更能靈活適應外部復雜變化的供能環境。但也導致能量管理這一“附加任務”的復雜度增加，從而增加了能量管理的開銷。

相比之下，由Li等人［12］于2018年所提出基于硬件閾值判定的間歇性能量管理方案具有相對更低的開銷。具體而言，該方案采用可編程硬件閾值比較器代替嵌入式軟件判定節點的充能狀態，并在儲能達預設閾值后啟動任務。在該方案中，節點上的微處理器僅需在任務啟動前喚醒一次以完成儲能預算和比較器參數配置，并在其余時間進入休眠，從而最大程度降低能量管理過程對微處理器的占用。 然而，該方案對能量管理開銷的減少從本質上源自對功能的刪減。相對于最新方案而言，該方案缺乏靈活性，在閾值設定后便無法更改，無法通過探測外界能量變化作出更加靈活的任務規劃。

1.2動態功率調節

無源節點上能量管理的另一種方式是動態功率調節，即通過調節任務的執行參數使其功耗開銷與節點的能量獲取相匹配，其工作模式如圖1（b）所示。在近期研究中，代表性的工作包括由文獻［22］所提出通過調節節點上微處理器時鐘頻率以動態調節其任務功耗的方案，以及由文獻［23］所提出的通過動態調節通信數據率以改變耗能功率的方案。文獻［24］則提出了基于短期能量變化的動態任務調節方案，從短期能量的角度，動態調節各任務片段的執行時間和功率，從而實現任務開銷與獲能功率的動態匹配。

相對于間歇性任務執行而言，動態功率調節的方式能夠減少任務執行中的斷點數量，同時降低數據讀寫以及微處理器啟停所帶來的開銷。但從另一方面，動態功率調節的實現需要對節點的獲能狀態進行動態跟蹤，需要節點付出更高的采樣頻率從而相應地增加了功耗。同時，細粒度負載調節所需的頻繁操作也會帶來一定的開銷。因此，從整體上看，無源節點雖然可利用動態功率調節使其任務功耗隨獲能狀態靈活變化，但并不能從本質上減少能量管理這一“附加任務”的強度而降低開銷。

1.3本章小結

近年來，無源節點上能量管理工作的靈活性顯著提升，通過動態獲能功率追蹤、機器學習等方式，能夠更好地為任務規劃能量供應以適應不穩定的供能環境。但是，從本質上來看，目前的能量管理方式都是節點在調度任務時所執行的“附加任務”， 而更加靈活與智能的管理方式也相應地增加了其操作的復雜度，需要更多計算資源支撐。需要足夠的獲能功率才能支撐其良好運行，導致節點供能門檻提升，難以應用于微弱供能環境。

因此，本文嘗試從另一角度入手，嘗試利用網關承擔節點上能量管理這一“附加任務”，遠程獲取節點的獲能狀態并控制節點通過獨立的免計算電路管理任務的能量分配。讓節點本身的任務負載（微處理器，傳感器等）僅在任務執行時運行，而無須承擔能量管理的相關操作。使節點的高能耗部件（微處理器等），在任務周期外保持斷電狀態，從而在最大程度上降低能量管理開銷，以降低其供能門檻，增強應用適應性。

為將能量管理過程完全從節點的計算單元中解耦，本文需要解決以下三個關鍵技術挑戰：a）在沒有微處理器輔助下，節點上的能量管理決策如何執行？b）在不采用傳統微處理器采樣的情況下，如何探測節點的獲能狀態？c）如何在網關上為節點所需執行任務遠程規劃能量分配？本文將于后續章節詳細介紹。

2理論模型

2.1能量約束

如圖2所示，從能量的角度來看，無源節點的能量狀態在獲能與消耗之間交替。當獲能功率Ph（t）高于消耗功率Pu（t）時，節點充能，存儲所采集的能量，反之，則釋放存儲的能量以彌補能量開銷與采集之間的功耗差距。為了確保節點上任務執行的成功率，避免因能量不足而導致的任務掉電，無源節點需通過能量管理使其能量狀態滿足以下兩點約束條件［25］。

1）耗能約束。即節點所規劃任務的能耗需求不能超過節點當前的可用能量上限。考慮在一段時間（T）內，節點共進行了n次充放電過程，每次充能能量為εi，放電開銷為γi，節點的初始儲能為E0。則在該時段內，每一次放電（耗能）應滿足的能量約束為

γi≤∑i－10（εj－γj）+E0·i∈（1，n）（1）

其中：每一次耗能通常對應著一個獨立的任務片段。通過檢測節點的能耗狀態并對式（1）進行迭代運算即可形成該節點任務隊列的能量約束。在實際情況中，考慮到環境供能的不可預測性，需按最差情況為任務執行考慮能量分配，即環境供能在任務起始時中斷（Ph（t）=0）。同時，需將節點執行能量管理這一“附加任務”的開銷考慮在內，記為運算開銷（mi）。考慮節點最大儲能上限為Em，則節點執行該任務片段的可用能量約束（ai）可表示為

ai≤∑i－10（εi－γi）+E0－mi≤Em×η－mi（2）

即節點所規劃任務的能量消耗不能超過節點當前凈儲能減去能量管理開銷的差值，同時，還受節點儲能上限的約束。上述約束是確保節點儲能支撐任務完整執行的基礎，也是保障系統運行魯棒性的必要條件。關于執行“能量管理任務”所產生的運算開銷在2.2節中詳細討論。

2）電壓約束。除了能量約束外，無源節點還需通過能量管理使其能量狀態滿足電壓約束。具體而言，作為嵌入式系統的一種，無源節點的任務負載通常由微處理器以及各類外設（如傳感器、通信模塊等）構成， 在本質上屬于CMOS數字電路，具有最低工作電壓閾值。因此，為避免任務在執行過程中掉電，節點需保持器儲能器件的輸出電壓（Vc（t））在任務執行的任意時刻均高于上述器件的工作電壓下限（Vmin），即：

Vc（t）≥Vmin·t∈（0，T）（3）

為滿足小功率儲能和頻繁充放電的需求，無源節點通常采用電容作為儲能器件。相對于電池而言，電容的充放電過程不涉及化學反映，損耗更低，且可存儲低至微焦耳（μJ）級別的微弱能量。 同時，還具有更長的工作壽命以及更寬的電壓輸入區間。以金屬化聚丙烯膜電容為例，在85度嚴苛工況下，其壽命也可達26年［26］。根據電容儲能公式可得其輸出電壓Vc（t）與存儲能量Ec（t）的0.5次方成正比，即：

Vc（t）=Ec（t）C0（4）

其中：C0為儲能電容的電容容量值，為了確保其輸出電壓在整個任務執行過程中不低于器件的工作門限，其最低儲能同樣不能低于儲能下限，即：

Ec（t）≥12C0V2min·t∈（0，T）（5）

其中：低于最低電壓閾值的能量并不能被節點所利用，也被稱為充能損耗。至此，對于任務的可用能量約束，除運算開銷外還需將充能損耗考慮在內。將式（5）考慮進式（2）可得節點執行第i個任務的可用能量約束，即：

ai≤∑i－10（εi－γi）+E0－mi－12C0V2min≤Em×η－mi－12C0V2min（6）

其中：∑i－10（εi-γi）+E0表示節點在執行任務i時可提供的能量總和，令其為ET; Em是節點的最大儲能上限，由電容容量值C0以及最高儲能電壓Vh決定。因此，可將式（6）轉換為

ai≤ET－mi－12C0V2min≤12C0（V2h－V2min）－mi（7）

即任務執行的實際可用能量受節點凈儲能以及能量管理中運算開銷和充能損耗約束。而電容容量值的設定則會同時影響充能損耗開銷和節點儲能上限大小。為此，本文擬從運算開銷以及充能損耗兩方面入手，研究無源節點的低能耗能量管理方法，以降低開銷，優化能量效率。

2.2運算開銷

對于無源節點而言，目前的能量管理工作均需要利用其微處理器執行運算操作完成，其過程中所執行的能量探測，數據讀寫，能量預算等操作與傳感以及數據讀寫類任務并無本質差異，是運算開銷產生的根本原因。而微處理器為了提供通用化的計算功能，在本質上其實是采用哈佛或馮諾依曼架構的微型計算機，其結構復雜度遠以及功耗高于其他組件［27］。本文列舉了部分可用于無源節點的超低功耗電路以及器件，如表1所示。

考慮節點在執行某一任務片段i時所涉及能量管理的總時長為Tmi。為降低功耗，處理器僅在需要能量探測或任務開銷計算等操作下喚醒，在其余狀態休眠。考慮能量管理過程中微處理器的運行占空比為Di，總喚醒次數Gi，每次喚醒的啟動開銷為Si，活動功率為Pdynamic，休眠時的靜態功率為Pstatic，則節點為該任務執行能量管理所產生的運算開銷mi可表示為

mi=Tmi·Di·Pdynamic+Tmi·（1－Di）·Pstatic+Gi·Si（8）

其中：總能量管理時長Tmi指節點為某一任務充能起始至該任務執行結束的總時長，也是主流研究工作中能量管理的覆蓋范圍。在基于微處理器的能量管理方式下，降低能量管理開銷的必要途徑是減少微理器的運行時長和喚醒次數。例如文獻［12］的設計目標就是讓處理器僅在任務執行前喚醒一次，僅需作出任務能耗預算和充能參數配置后即進入休眠，但缺乏追蹤能量變化的靈活性。文獻［22］則通過頻繁的能量探測和負載調節實現了對節點獲能功率的追蹤和動態開銷匹配。但其頻繁的能量管理操作導致微處理器的活動占空比顯著提升，并最終增加了因能量管理所產生的功耗。

為了更加清晰地說明這一問題，本文通過仿真模擬率不同環境獲能功率以及能量管理過程中微處理器不同活動占空比下的任務能量效率，如圖3所示。

其中橫坐標代表環境獲能功率與任務功率的比值，縱坐標則代表節點的能量效率，即在微處理器上用于任務執行的能量占總能量開銷的比例。可基于微處理器運算的能量管理方式難以在獲能功率微弱的場景下高效運行。雖然減少微處理器運行占空比是降低能量管理開銷并提升能量利用效率的可行方案，但也會相應增加能量管理的粒度（能量探測周期延長、能量預算精度下降等），從而降低能量管理的精細度。例如在占空比D=1%時，微處理器每運行1個單位時長就需要進行99單位時長的休眠以降低其平均功耗，難以實現對節點獲能狀態的實時跟蹤并進行更加靈活的任務調度。

因此，本文考慮將原本由微處理器所承擔的能量管理功能上浮到網關上執行，利用網關強大的算力承擔能量管理計算，同時，在節點上設計獨立的輕量級控制電路與網關交互，以實現高效、低開銷的能量管理。 至此，無源節點無須再利用其微處理器承擔能量管理這一“附加任務”，從而在根本上解決現有設計方案開銷高的問題。詳細的設計內容在3.1～3.4節中呈現。

2.3充能損耗

本文于2.1節中提及了無源節點的儲能電壓約束關系。由式（5）可得，任務起始時，節點所需提供的儲能下限為

Em=ET+12C0V2min（9）

此時的儲能效率為

η=ET0.5C0V2min+ET（10）

可見，電容儲能效率與所存儲任務能量與電容容量的比值（ET/C0）正相關。理論上來講，選用容量較小的儲能電容可以在相同的任務需求下獲取更高的儲能效率。 但在實際應用中，受采集器輸出電壓的限制，較低的電容容量也會相應地限制節點所能覆蓋的供能區間（式（7））。考慮某一應用場景下采集器最大輸出電壓為Vmax，同時，將儲能效率高于ηh的部分視為節點的高效儲能區間，結合式（10）可得，在高效區間內，節點可為任務提供的供能范圍為

Eh∈ηh·0.5C0V2min1－ηh，12C0（V2max－V2min）（11）

為更加清晰地描述上述公式的內容，本文通過仿真模擬了幾種不同容量電容在不同任務能耗需求下的儲能效率，如圖4所示，其中Vmin與Vmax分別設定為0.5 V與1.8 V。

可見對單一電容而言，其儲能的高效區間十分有限，無法在多樣化任務需求下提供高效的儲能效率。為此，本文設計所需要研究的第二點內容在于，如何在沒有本地計算單元（微處理器）參與的情況下，在任務啟動前精確設定電容容量，實現充能參數的精細配置，從而在能量存儲方面提升效率。本文將于3.5節進行詳細討論。

3系統設計

3.1目標與挑戰

根據前述理論分析結果，本文設計考慮從運算開銷和充能損耗兩方面進行：a）重新設計無源節點的能量管理框架，利用網關承擔能量管理這一“附加任務”。同時，在節點上設計極簡的電路替代微處理器執行能量探測和能量管理決策，以去耦本地計算的方式減少開銷；b）在網關側為節點所需執行的各類任務計算其能耗需求，并在任務啟動前為節點配置目標儲能參數；實現任務需求與電容容量值的精細化動態匹配，從而最大程度降低充能損耗。本文設計所面臨的技術挑戰主要體現在以下三方面：

a）能量探測。首先：任何數字電路都需要工作在其門限電壓以上。 網關需獲取節點的獲能狀態才能有效規劃任務執行并下發命令，避免因節點未上電而導致的指令接收失敗。若采用傳統方式，則需要通過微處理器控制模數轉換器（analog to digital convertor，ADC）對節點儲能電容的輸出電壓進行采樣并進行數字編碼、打包后發送給網關。其產生的開銷在能量匱乏狀態下不切實際，且與本文目標相違背。為此，如何在不調用微處理器進行數據采樣的情況下，以最低的開銷將節點的充能狀態回傳給網關，是本文需解決的第一大關鍵技術挑戰。

為解決上述問題，本文創新型地提出了無采樣感知電路。利用儲能電容的輸出電壓直接控制天線負載阻抗的變化，以進一步改變天線的反射系數，從而改變天線對信號反射的調制深度。基于此，網關可以利用反向散射通信直接獲取節點的充能狀態。詳細設計內容在第3.3節中介紹。

b）決策執行。如何在無處理器輔助下實現網關指令解碼以及任務供能控制是本文所面臨的第二個挑戰。在傳統方式中，上述工作均需由微處理器運行嵌入式程序實現，無法滿足本文的設計目標。為解決上述問題，本文創新性地提出了免計算能量管理決策電路，以在無須微處理器輔助下執行能量管理決策。其功能包含設定目標電容值以配置儲能參數，以及通過極簡的邏輯電路實現供能控制。詳細設計內容在第3.4節中介紹。

c）遠程能量預算。如何利用網關遠程為節點所需執行任務配置最優儲能電容值，使節點儲能配置始終處于較高效區間（式（11））？為了解決這一問題，本文對無源節點的任務負載進行了細化拆分，并在網關上建立了精細化的開銷模型。同時，在節點的決策電路中建立了基于二進制容量變化的儲能電容組，以適配各類任務的需求。在任務執行前，網關會根據節點所需執行的任務強度計算其所需儲能電容容量值，并完成與電容組相對應的二進制指令編碼。當節點在接收后，便能直接配置目標儲能電容值。詳細設計內容在第3.5節中介紹。

3.2設計概覽

本文設計系統概覽如圖5所示。網關承擔節點任務執行所需能量預算，根據任務需求以及節點電路參數建立任務開銷模型，并將運算結果隨指令下發至目標節點。節點則通過無采樣感知電路上傳獲能狀態，并通過免計算決策電路執行網關命令。基于此設計，使節點上能量管理和任務執行所采用硬件組件相互分立，實現了兩者的去耦合設計。節點的任務負載僅需在任務執行過程中運行，而在其余時刻保持斷電狀態，從而以最大程度降低能量管理開銷。本文的創新點在于無采樣感知和免計算決策電路的設計，以及任務開銷模型的建立， 分別對應本文設計所需解決的三大技術挑戰。詳細的設計內容分別在3.3～3.5節中介紹。

3.3無采樣感知

在不穩定環境供能條件下，網關很難獲取節點的充能狀態，可能在節點充能不足的未上電狀態下下發命令而導致接收失敗。 傳統的解決方式是利用微處理器控制模數轉換器（analogue to digital converter，ADC） 對節點的充能狀態進行采樣，并將采樣結果經編碼、封裝后以數據包的形式傳輸回給網關。雖然數據的上傳可以采用反向散射通信以降低功耗，但微處理器運行以及ADC采樣的開銷依然可達毫瓦級別，與感知類任務功耗相當，也與本文的設計目標相背離。

為解決此問題，本文提出了無采樣感知電路，如圖6所示。設計的基本思路是采用儲能電壓控制天線的負載阻抗，從而進一步改變天線的反射系數，最終實現儲能電壓對網關信號的直接反射控制。

從整體邏輯上看，電路通過比較器以及網關信號控制晶振時鐘的啟停并進一步改變反射信號的參數。具體而言，比較器采用電容電壓直接供電，在充電壓Vc（t）能超過其工作門限時喚醒，并經與門后控制場效應管（MOSFET） 接通為晶振供電。為降低功耗，本文在電路中加入了被動式包絡檢波電路以獲取網關信號的包絡。在接收到網關信號時輸出高電平并輸入與門與比較器輸出一同控制晶振電源的通斷。至此，晶振僅在節點充能達最低閾值且接收到網關信號后啟動。

為降低開銷，本文采用了被動式反向散射通信［29］技術實現充能狀態的上傳。具體而言，晶振的時鐘輸出連接在N型場效應管（N-MOSFET）的柵極上，周期性控制其源極（source）與漏極（drain）之間的溝道阻抗（在后文簡稱溝道阻抗），從而控制天線的負載阻抗。在晶振輸出低電平時，場效應管源極與漏極并未形成導通溝道，處于高阻態，此時天線的負載阻抗與電阻R0相當。考慮天線的阻抗為ZL，根據天線的反射系數公式［31］，可得此時的反射系數為

GL=ZL－R0ZL+R0（12）

并聯電阻R0的另一個關鍵作用是限制MOS管源極與漏極之間的電壓（VDS），從而確保其工作在線性區間內，即所形成溝道的阻抗RDS僅與柵極電壓Vc（t）相關，而不受源極與漏極間電壓RDS影響，其約束關系為

VDSM=R0MPantZl+R0M（13）

其中：VDSM是在MOS管處于線性工作區時其源極與漏極之間的電壓上限，ZL是天線的負載阻抗，Pant指天線在無線信號中所產生的感應功率，R0M則是并聯電阻R0的最大取值。通過式（13）即可計算并聯電阻R0的取值范圍，從而確保MOS管工作于線性區間內，實現儲能電壓Vc（t）對溝道阻抗RDS的唯一關聯。為此，本文采用電容電壓Vc（t）驅動晶振，從而將其耦合進場效應管的溝道阻抗當中，即RDS=f{Vc（t）}。 由于晶振的電流消耗很低（微安級），其供電側所連接場效應管產生的壓降可忽略不計，所以其時鐘的高電平輸出接近于電容電壓，即Vc（t）。 因此，在晶振輸出高電平時，節點上天線的負載阻抗是場效應管溝道阻抗RDS與固定電阻R0并聯的結果，其反射系數可表示為

GH=ZL{R0+f［Vc（t）］}－R0f{Vc（t）}ZL{R0+f［Vc（t）］}+R0f{Vc（t）}（14）

考慮網關所發送信號在節點接收時的強度（振幅）為A0，則反射信號中的高振幅和低振幅幅度則可分別表示為AH=A0·GH以及AL=A0·GL。為簡化表達，令f{Vc（t）}=fvct則，此時反射信號的調制深度（D）可以表示為

D=AHAL=GHGL={ZL（R0+fvct）－R0fvct}·{ZL+R0}{ZL（R0+fvct）+R0fvct}·{ZL－R0}（15）

由于天線阻抗（ZL）以及電阻（R0）已知，聯合網關所探測調制深度即可求解當前場效應管溝道阻抗。接下來，通過對照所選定場效應管在不同柵極電壓下的溝道阻抗即可獲取實際的電容電壓值，從而實現在網關上對節點充能狀態的遠程感知。

此外，為區分同一網絡中的不同節點，本文采用晶振的輸出頻率作為節點的識別特征。具體而言，通過晶振周期性控制天線反射信號的振幅變化在本質上屬于幅移鍵控調制，即amplitude shift keying（ASK）。其最終形成上行信號的頻率是基帶信號（晶振輸出）以及載波信號（網關信號）的頻率疊加，即f0+f1。

因此，通過為不同節點設定不同的時鐘頻率即可使其上行反向散射信號具有不同的頻率特征，在同一網絡中，網關可根據所接收反射信號的頻譜信息獲取其周圍節點的上電狀態以進一步進行任務分配和能量管理控制。同時，采用不同時鐘頻率對網關信號移頻也可使節點的上行鏈路分布于不同信道，從而有效避免不同節點間因頻率重疊而導致的信號沖突。

3.4免計算決策

為實現無微處理器參與下的指令接收和細粒度充能管理，本文設計了免計算決策電路，如圖7所示。

電路由寄存器、電容組、供能控制三個主要部分組成。其中，電容組的設定源于2.3節理論模型計算的啟發，希望能夠根據任務需求設置最精確的電容值以實現較高的儲能效率。移位寄存器則用于接收網關命令，其存儲空間由充能管理和任務命令兩部分構成。其中，充能管理占據前n bit空間，用于配置目標電容容量。任務命令則占據后r bit空間，用于控制節點執行各類物聯網任務。移位寄存器采用串入并出結構，將充能管理命令轉換為并行輸出的n個獨立控制位實現對電容組中各電容的通斷控制，以在C1～（2n－1）C1內配置目標電容值。為盡早讓邏輯電路上電以具備指令接收和決策能力，需在最低充能總量下使電容電壓到達電路工作最低電壓閾值。結合2.1節所提式（5）可得節點的最低充能閾值與默認狀態下的電容值乘正比，需盡可能縮小默認電容值以縮短充能時長。為此，本文在設計中將控制位B1默認隨采集電壓拉高，以在任意獲能時刻將采集的能量存入電容組中最小電容C1中。其余控制位即B2～Bn默認置低，僅在后續接收網關命令后更改狀態。

為實現網關命令對電容容量的直接配置，電容組采用n個且容量以2進制倍數遞增的電容構成，可設定電容值范圍為C1～（2n－1）C1。每個電容均采用獨立的N型MOS管作為開關控制其通斷，在控制位置高（1）時接通，置低（0）時斷開。基于此設計，可建立目標電容值與指令二進制數值的線性比例關系。網關可通過發送數值大小為xT的二進制命令直接將目標電容值配置為xTC1。考慮充能閾值為Vt，則所配置目標儲能容量為0.5xTC1V2t。通過上述電容組設計，實現了命令所對應數值與目標儲能容量的線性關聯。

最后，為實現穩定可靠的供能控制，本文設計了簡單的邏輯電路，僅由一個比較器，一個與門和一個或門構成，均采用儲能電容直接供電。在默認狀態下，控制信號T1，T2，T4，T5均處于低電平狀態，T3則在上拉電阻Ru作用下默認處于高電平。當電容充能達到閾值Vt時，T1置高并經或門帶動T5置高，開關閉合，任務負載電路啟動。此后，隨著耗電的產生，電容電壓隨之下降，T1置低。為避免后端電路瞬間斷電，設置了控制信號T2，以在電路激活后保持開關接通狀態。當任務完成后，節點利用微處理器將T3拉低，從而進一步驅動使控制信號T4和T5置低，以斷開開關，使微處理器斷電以結束任務。其運行時序如圖8所示。

基于上述設計，避免了傳統方式下指令接收與執行對微處理器持續喚醒的需求，使節點計算單元（微處理器）無須承擔任何能量管理工作，可在任務周期外保持斷電，從而在最大程度上降低開銷。

3.5任務開銷模型

為在網關上遠程節點上各類任務執行所需的能耗開銷，本文建立了精細化的任務開銷預測模型。通過電路分解、模擬運行的方式建立模型以計算各類任務的理論開銷。為確保任務的成功執行，該模型需覆蓋任務負載電路的總功耗以及因儲能穩壓等將必要環節所產生的開銷。

首先，考慮節點任務負載電路由多個部分構成，執行某一任務共需調用其中n個部分。且其中第i部分在該任務中運行以及休眠時的功耗分別為Ai與Si。為計算任務瞬時開銷，引入二值函數Ri（t）描述節點各部分工作狀態，Ri（t）=1表示在第t時刻，第i部分電路運行，而Ri（t）=0則表示該部分電路休眠。基于此，可推算在任務執行到第t時刻的瞬時功耗為

Pt（t）=∑n1{AiRi（t）+Si［1－Ri（t）］} （16）

其次，考慮穩壓損耗，即將不穩定環境供能轉換為任負載電路所需恒壓供電的開銷。考慮節點采用效率較好的開關電路進行穩壓，其輸入阻抗、輸出阻抗及開關功率分別為Rw1，Rw2以及PK，同時，設電容的輸出阻抗為。則，在t時刻，由穩壓所產生的損耗功率Pl（t）可表示為

Pl（t）=Ic（t）2（Rw1+Rc）+Il（t）2Rw2+Pk（17）

其中：Ic（t）與Il（t）分別為電容輸出和任務開銷的瞬時電流，為與式（1）關聯，將其轉換為與任務功率Pt（t）相關聯的函數，即

Pl（t）=Pt（t）+Pk+Pt（t）Vo2Rw1Vc（t）2*（Rw1+Rc）+Pt（t）Vo2Rw2（18）

Vc（t）與Vo分別為電容瞬時輸出電壓與任務運行電壓，通過在模型中模擬電容放電過程即可獲取Vc（t）。因此，任務執行所需的總能量開銷可表示為

PT=∫T0{Pl（t）+Pt（t）}（19）

最后，考慮任務閾值電壓（Vt），電路最低工作門限（Vl），聯合電容儲能公式，即可計算目標電容值CT，為

CT=2PTV2t－V2l（20）

考慮電容組中最小電容（基數）為C0，則所需配置電容倍數xT為

xT=「CTC0（21）

將其轉換為二進制表示，即為用于充能管理的二進制命令。發送至節點即可完成目標充能參數配置。

4原型實現

4.1系統原型

本文所實現節點原型如圖9所示，其能量管理部分（本文設計）與任務負載電路（傳統架構）相互獨立。能量管理部分硬件包含免計算決策電路和無采樣感知電路兩部分。其中免計算決策單元的電容組由8個電解電容構成，可配置容量區間為1～255 μF。節點下行通信采用類似文獻［27］的被動式接收電路解碼基帶信號；上行則采用反向散射通信，通過控制天線阻抗變化反射信號，整體通信功耗在20 μW以內。任務負載電路則包含微處理器，傳感器以及穩壓芯片等為穩定執行物聯網任務所必要的器件，與傳統架構保持一致。本文在原型設計中采用分立元器件實現，所有器件均采用低功耗設計。由于無須采用傳統模擬—數字轉換方式對電容電壓采樣，能量管理部分電路無須額外增添穩壓芯片，所采用有源器件匯總于表2中。

此外，為更加準確對比本文設計與傳統方式的功耗差異，本文采用了芯片化仿真方案，采用與傳統方式所用單片機相同的90 nm工藝評估功耗。受限于實驗條件，本部分功耗評估通過仿真完成，即編寫Verilog代碼實現能量管理邏輯，并將代碼導入到Libro Soc平臺進行仿真，詳細的實驗內容與結果對比在5.2節中呈現。

4.2測試場景

為了全面評估本文設計的性能，本文設置了三個不同的測試場景，如圖10所示。測試場景包含一個室內大廳場景，一個室外走廊場景以及一個室外廣場場景。網關會定期對周圍的節點進行掃描，并提取各節點所反射信號的頻譜和調制深度信息確定其充能狀態。在場景1的例子中，節點1、2、4均處于上電狀態，其所采集的能量足夠支撐本文所設計能力管理電路解碼網關命令并完成充能參數配置。設備3則處于掉電狀態，需在其充能達最低閾值并返回反射信號后才能對其發送命令。

5性能評估

5.1實驗對象

為驗證本文設計了可行性，本文于本章設計了對照實驗。為保證測試的公平性與全面性，共選擇了以下六個實驗對象：

a）本文設計中采用分立元件構建的系統原型（簡稱分立原型），即采用第4章中所提硬件原型。

b）基于本文設計采用芯片仿真的系統原型（簡稱仿真原型），即模擬芯片化實現后所可能達到的理論效果。

c）典型嵌入式能量管理方案，即采用由Thomas［18］的類似方式，由微處理器（單片機）承擔所有能量管理任務，在后續實驗中簡稱“軟件閾值方案”。

d）基于硬件閾值判定的能量管理方案，即采用類似由Li等人［12］所采用的方案，在后續實驗中簡稱“硬件閾值方案”。該方案由于刪減了能量探測功能，具有相對較低的微處理器占用率，相比其他工作開銷更低，但也缺乏一定靈活性。

e）采用檢查點存儲對任務進行緊急掉電緩存的能量管理方式，即采用由Chen等人［20］的類似方案，在后續實驗中簡稱“緊急緩存方案”。

f）采用基于微處理器時鐘頻率調節的動態功率調節方式，即采用由Tamilselvan等人［22］的能量管理方式，在后續實驗中簡稱“動態調頻方案”。

為確保實驗的公平性，本文采用同一超低功耗微處理器（STM32L431）復現了對象a）以及對象c）～f）。其中，對象a）以及對象c）～e）均使微處理器運行在主頻為1 MHz的低功耗運行模式下（LPRun），具有較高的能效比以降低整體開銷。 對象f）則根據實時獲能情況讓微處理器主頻在1～16 MHz切換。本文通過編寫嵌入式軟件實現了相應的功能并采用EKA1080功率分析儀分析其功率開銷。

由于實驗條件限制，對象b）的實驗結果則由Libro Soc平臺仿真得到。所有節點均采用BQ25570穩壓芯片對電容輸出穩壓以為負載電路供能，其最低工作門限電壓為0.6 V。測試內容包含能量管理所產生運算開銷、整體能量效率、能量感知準確率、任務靈活性、以及能量預算準確率五個方面，詳細的實驗結果在5.2～5.6節中呈現。

5.2運算開銷

本文的核心設計思路是通過“邊端一體化”讓無源節點無須再通過微處理器承擔這一“附加任務”而降低開銷。 為此，本文首先評估了不同節點執行能量管理所產生的平均功耗，如圖11所示。為保持公平性，本文設定所有節點每秒均執行10次能量管理操作。

結果表明，由于本文提出了創新設計的免計算電路用于承擔能量管理，而無須微處理器付出算力輔助，相比于其他工作而言，能量管理的開銷顯著降低。即便是相對于削減了能量感知功能而具有較低微處理器依賴的硬件閾值方案（文獻［12］），本文設計所降低能量開銷依然高達91.7%。此外，從仿真結果看，若采用芯片化實現，則可進一步將功耗開銷降低至6微瓦以下，僅為其余對比方案的0.51%～1.36%。

5.3能量效率

為進一步提升能量利用效率，本文于3.4節中提出了基于電容容量配置的精細化任務供能匹配方式。通過對儲能電容值的精細化配置，以降低充能損耗，從而提升整體能量效率。為控制變量，本文采用信號發生器作為能量輸入源用于對比實驗，并將充能功率設置為50 μW，評估不同任務強度（能耗需求）下的能量利用效率。在測試中，本文設計采用2.5 V固定電壓閾值，傳統方式則采用255 μF固定電容值。測試結果如圖12所示。

圖中橫坐標為任務執行所需能量開銷，縱軸表示能量利用效率，即用于任務執行的能量占總獲取能量的比例。其中分立原型和兩個傳統節點的結果均為實測所得。仿真原型的測試結果則基于其他五種節點的測試結果仿真得到。

結果表明，本文設計能在多樣化任務需求下保持良好的能量利用率。傳統方式由于采用了單一電容的儲能方式，在任務執行時無法靈活調節容量配比，具有固定的能量損耗。同時，能量管理所需微處理器（單片機）的喚醒也會帶來額外的開銷。 因此，在小任務（lt;50 μJ）下，傳統方式的能量利用效率遠低于本文設計。隨著任務預算的增加，所有節點的能量利用效率均有所提升，但本文設計依然舊具有顯著優勢。這得益于本文所提出無須微處理器的超低功耗能量管理方式，以及精細化儲能容量配置，可在極低開銷下實現對各類任務能耗需求的精確匹配，實現高效能量管理。

從平均結果看，對比對象的能量利用效率僅為55.3%～63.5%，而分立原型和仿真原型的能量效率則可達79.8%和86.7%。 綜合來看，相較于傳統方式而言本文設計可平均提升36%的能量利用效率。

5.4任務靈活性

本文通過節點上能量管理這一“附加任務”的轉移實現了極低功耗的設計。但相應地，由于對節點能量的探測都需要經過網關收發信號并解碼后完成，其中產生的測量誤差會影響網關對節點能量變化的感知精度（于5.5節評估），進而進一步影響在復雜供電環境下網關調度任務的靈活性。為此，本節對比了本文與其他設計方式在相同供電條件下的任務靈活性，以評估遠程能量管理方式所帶來的影響。

為控制變量，本文采用信號發生器作為能量輸入，功率變化區間為20～500 μW，測試時長為100 s，其中包含100次明顯的功率跳變。同時，本文為節點安排了能量需求為10 μJ、20 μJ、50 μJ、100 μJ以及200 μJ五種不同強度的任務負載。讓節點默認執行50uJ強度的任務，在獲能功率上升時選擇更高強度的任務，而在獲能功率下降時選擇更低強度的任務。記錄所有節點正確以及錯誤調整任務選擇的次數，如表3所示。其中，由于此實驗無法通過仿真完成，本文所設計仿真原型并未加入測試。

可見，本文設計雖具備一定靈活性，但目前效果并不及軟件閾值以及動態調頻方案。其中，動態調頻方案因采用了相對較高的能量感知采樣率而獲取了最優的任務靈活性，但其功耗也相對較高（5.2節）。 硬件閾值方案雖具備較低的功耗，但由于刪減了能量感知功能，無法在外界能量變化時及時更新任務的執行規劃。緊急緩存方案則由于對節點獲能狀態的采樣率較低，靈活性并不及本文設計。因此，在任務靈活性方面本文還存在一定的改進空間，可能的改進方式在6.3節（未來工作展望）中討論。

5.5能量探測準確率

本文的一大創新之處在于提出了無采樣的充能狀態感知電路，通過對天線反射系數控制，直接將節點的充能電壓疊加在對網關對反射信號中，實現了無須傳統計算單元參與的遠程能量感知。

考慮到無線信號容易受干擾而影響感知精度，本文在圖10所列舉的三個場景中分別測試了節點距離網關不同距離下的能量感知準確率，如圖13所示。可以看出，除了室內走廊場景以外，在室外走廊以及廣場環境網關均能對節點儲能狀態實現較為精確到感知。而在室內走廊場景，由于多徑效應影響嚴重，在距離達6 m后對網關對節點的能量感知準確率就降低至90%以下，效果遠弱于電磁環境干凈的室外場景。

因此，在能量感知方面，本文雖實現了設計的可行性驗證并取得一定效果，但依然存在改進空間，可能的改進方式在6.3節（未來工作展望）中討論。

5.6能量預算準確率

本文在網關上建立了任務開銷模型，采用硬件分解、模擬運行的方式計算各類任務的能耗開銷。為避免任務失敗，模型所記錄硬件參數略高于實際值，但過高的預測值則會因充能過剩導致能量浪費。因此，預測的準確性將直接決定任務執行的有效性。為此，本文設置了場景測試，通過網關控制節點從ADXL362加速度傳感器、TMP125溫度傳感器以及OPT101光照傳感器中讀取數據， 以采樣環境加速度、 溫度以及光照強度變化。

為評估不同任務需求下的預算準確率，本文從單次任務采樣10次開始， 每次實驗在上一次基礎上將增加10次采樣需求，直至單任務采樣3 000次，即針對每種傳感器進行300次不同強度的任務測試。計算預測值與實際任務開銷值的比值數據，并統計不同比值區間的任務數量分布，如表4所示。

結果表明，在三個不同測試場景下，模型均能實現較好的預測準確率。在總共900個任務中，僅有3個任務因預算值低于實際開銷而失敗。超過87%的任務（786個）的預測值在實際開銷值的1～1.05倍區間內，即精準預算。 僅有8個任務（0.9%）因能量預算低于實際需求而失敗。同時，因能量預算過高（超過實際開銷1.2倍以上）而導致能量浪費的任務也僅有37個（4.1%）。

6討論

6.1技術特點

本文設計的技術特點在于實現了無源節點上能量管理與任務執行的相互解耦，使得能量管理不再是節點執行任務時所需承擔的額外“運算任務”，從而在本質上解決了無源節點能量管理的高開銷問題。

在創新性方面，本文利用創新設計的輕量化電路在無源節點上承擔能量感知和決策執行。同時，利用網關強大的算力執行節點的獲能狀態跟蹤和任務開銷預算以保障能量管理的靈活性。在降低功耗的同時，并未削弱能量管理的功能性。與近期研究相比， 本文所設計能量管理方案無須占用節點的計算資源，使得節點的任務負載可在任務執行周期外保持斷電狀態，以最大程度降低功耗， 從而實現無源節點上能量管理的最輕量設計。

6.2當前工作的局限性與不足之處

本文是關于無源節點上免計算能量管理的初次嘗試，當前工作的目標在于驗證設計的可行性，而目前的設計也有一定的局限與不足之處，主要體現在以下三方面：

a）硬件設計。從硬件設計的角度，本文方案需要增加額外的硬件電路以替代計算單元執行能量管理從而實現降低開銷的目的。但這也會相應的增加無源節點的硬件成本和體積，就系統原型的尺寸而言，并不適用于對體積限制較為嚴苛的場景（如植入式設備）。

b）能量感知。本文為降低功耗，設計了全新的無采樣感知電路，實現了儲能電壓對反射信號調制深度的直接關聯。而這在本質上實際是一種模擬的信號調制方式，其抗干擾性和魯棒性都非常有限。在復雜環境（多徑效應明顯）或節點距離網關較遠（信號微弱）時，將導致網關對信號解碼困難，導致能量探測的精度下降。在魯棒性方面，弱于現有采用本地微處理器執行能量探測的方案。

c）軟件功能。從軟件功能的角度，目前的方案并沒有涉及對節點能量變化趨勢的預測，無法根據節點獲能的歷史狀態預期未來的獲能走勢，從而作出更加靈活的任務規劃。相對于動態功率調節方案（文獻［22］）而言，靈活性略有不足。

6.3未來工作展望

針對6.2節所提出當前工作所面臨能量感知魯棒性不足，以及缺乏獲能趨勢預測的問題，本文將于本節探討未來可能的解決方案，如下：

a）能量感知魯棒性。針對這一問題，筆者考慮在未來工作中添加多維度的模擬編碼方案。在當前方案采用充能電壓控制天線反射系數的基礎上，添加對反射信號持續時間以及頻率變化的控制，采用多維度特征表征當前節點的充能狀態。 同時，在網關側建立多維信號互補的修復機制，以增加遠程能量感知的魯棒性。

該設計的難點在于保持本文所提能量管理方案的“免計算”特性，所有調制過程均不應由節點的微處理器承擔，需通過設計獨立的電路實現。

b）獲能趨勢預測。針對當前方案任務靈活性不足這一問題，筆者考慮在未來工作中研究基于網關的中心化節點能量預測方案。通過研究XGBOOST（extreme gradient boosting［32］），回歸分析（regression analysis［33］），以及DNN（deep neural networks［34］） 等機器學習方法，評估其性能差異以尋求最優選擇。 從而實現節點在多變供能環境下對任務的靈活調度。 同時，為進一步提升預測準確率，可考慮聯合同一區域內多個節點的獲能數據，結合整個區域的能量變化趨勢，以增強預測模型。基于預測模型的建立，網關可以根據各節點的未來能量趨勢下發命令，使多個無源節點執行同步協作等更加豐富的任務。

7結束語

無源節點因其能量自供給、長期無人值守、免維護等獨特優勢在“萬物互聯”的發展浪潮下具有廣闊的應用場景。針對目前無源節點所面臨能量管理開銷大、應用場景受限的問題，本文研究了無源節點的能量理論，并通過建模分析發現與任務執行相耦合導致無源節點能量管理高開銷的關鍵所在。為此，創新性地提出了“邊端一體化”的能量管理方案， 采用網關“邊”承擔能量管理這一“附加任務”，并在節點“端”上建立了創新設計的免計算能量管理電路。使節點無須再采用微處理器承擔能量管理，實現了能量管理的最簡化設計。同時，在網關側建立了精細化任務開銷模型， 實現了遠程細粒度能量管理。 最后，本文實現了硬件原型并通過實驗評估證了設計的可行性。

參考文獻：

［1］Nurettin S，Ko M. A comprehensive review on the state-of-the-art of piezoelectric energy harvesting ［J］. Nano Energy，2021，80： 105567.

［2］Olfa K，Sonia B，Sabrine K，et al. Energy-aware system design for autonomous wireless sensor nodes： a comprehensive review ［J］. Sensors，2021，21（2）： 548.

［3］Energy harvesting system market by end-use system，technology，component（transducers，power management integrated circuits and secondary batteries），application，and region（2021-2026） ［R/OL］.（2021）. https：//www. marketsandmarkets. com/Market-Reports/energy-harvesting-market-734. html。

［4］Alassane S，Ga？l L，Alexandru T，et al. Energy harvesting for battery-free wireless sensors network embedded in a reinforced concrete beam ［C］// Proc of the 50th European Microwave Conference. Piscataway，NJ：IEEE Press，2021： 702-705.

［5］Ga？l L，Alexandru T，Ethan G，et al. LoRaWAN battery-free wireless sensors network designed for structural health monitoring in the construction domain ［J］. Sensors，2019，19（7）： 1510.

［6］Mauro P，Andrea C，Gaia M，et al. Environment-driven communication in battery-free smart buildings ［J］. ACM Trans on Internet of Things，2021，2（2）： 1-30.

［7］Li Tianxin，Zhou Xia. Battery-free eye tracker on glasses ［C］// Proc of the 24th Annual International Conference on Mobile Computing and Networking. 2018： 67-82.

［8］Liu Yixin，Li Hongzheng，Zhang Min. Wireless Battery-Free Broad-Band Sensor for Wearable Multiple Physiological Measurement ［J］. ACS Applied Electronic Materials，2021，3（4）： 1681-1690.

［9］Yang Xu，Yu Xiaojie，Zhang Chi，et al. MineGPS： battery-free localization base station for coal mine environment ［J］. IEEE Communications Letters，2021，25（8）： 2579-2583.

［10］Xu Song，Xiao Fu，Si Nana，et al. GQM： Autonomous goods quantity monitoring in ⅡoT based on battery-free RFID ［J］. Mechanical Systems and Signal Processing，2020，136： 106411.

［11］Moid S M，Sara K，Raja J，et al. Task scheduling for energy-harvesting-based IoT： a survey and critical analysis ［J］. IEEE Internet of Things Journal，2021，8（18）： 13825-13848.

［12］Li Songfan，Lu Li，Jawad H M，et al. Sentinel： breaking the bottleneck of energy utilization efficiency in RF-powered devices ［J］. IEEE Internet of Things Journal，2018，6（1）： 705-717.

［13］Bruno C，Zhang Rui，Robert S，et al. Fundamentals of wireless information and power transfer： From RF energy harvester models to signal and system designs ［J］. IEEE Journal on Selected Areas in Communications，2018，37（1）： 4-33.

［14］Miao Xingyu，Ge Yongqi. Energy management for energy harvesting-based embedded systems： a systematic mapping study ［J］. Journal of Electrical and Computer Engineering，2020，2020（1）： 1-19.

［15］Li Songfan，Zhang Chong，Song Yihang，et al. Internet-of-microchips： direct radio-to-bus communication with SPI backscatter ［C］// Proc of the 26th Annual International Conference on Mobile Computing and Networking. 2020： 1-14.

［16］Filippo C，Simone G，Michele B，et al. A review of RFID sensors，the new frontier of internet of things ［J］. Sensors，2021，21（9）： 3138.

［17］Josip Z，Tomislav M，Filip S，et al. Ultra-low power microcontroller selection for smart sticker design ［C］// Proc of the 44th International Convention on Information，Communication and Electronic Technology. Piscataway，NJ：IEEE Press，2021： 892-895.

［18］Stewart T. RFID for everyone： design of an easily-accessible，experimental UHF RFID platform ［C］// Proc of the 13th IEEE International Conference on RFID. Piscataway，NJ：IEEE Press，2019： 1-6.

［19］Bahram Y，Erven R. So far so good： self-adaptive dynamic checkpointing for intermittent computation based on self-modifying code ［C］// Proc of the 24th International Workshop on Software and Compilers for Embedded Systems. 2021： 29-34.

［20］Chen Weiming，Kuo T，Hsiu P. Heterogeneity-aware multicore synchronization for intermittent systems ［J］. ACM Trans on Embedded Computing Systems（TECS），2021，20（5）： 1-22.

［21］Toygun B，Yigit T，Umit O. TinyMAN： lightweight energy manager using reinforcement learning for energy harvesting wearable IoT devices ［EB/OL］.（2022）.https：//arxiv.org/2202. 09297.

［22］Tamilselvan K，Thangaraj P. Pods-a novel intelligent energy efficient and dynamic frequency scalings for multi-core embedded architectures in an IoT environment ［J］. Microprocessors and Microsystems，2020，72（C）： 102907.

［23］Hassan S A，Li Chen，Aicha S，et al. Energy efficiency comparison between data rate control and transmission power control algorithms for wireless body sensor networks ［J］. International Journal of Distributed Sensor Networks，2018，14（1）： 155014771775003.

［24］Maryline C. Dynamic power management for fixed priority real-time systems with regenerative energy ［C］// Proc of the 8th International Conference on Future Internet of Things and Cloud. Piscataway，NJ：IEEE Press，2021： 365-370.

［25］楊威. 無源系統能量管理機理和方法研究 ［D］. 成都：電子科技大學，2021.（Yang Wei. Research on energy management mechanism and method of passive systems ［D］. Chengdu：University of Electronic Science and Technology of China，2021.）

［26］范凌云，喬志偉，唐雪瑾. 常用電容器壽命研究 ［J］. 日用電器，2021（7）： 34-38，48.（Fan Lingyun，Qiao Zhiwei，Tang Xueqin. Research on the life of common capacitors ［J］. Daily Electrical Appliances，2021（7）： 34-38.）

［27］Zhang Chong，Lu Li，Song Yihang，et al. Butterfly： μW level ULP sensor nodes with high task throughput ［J］. Sensors，2022，22（8）： 3082.

［28］唐龍飛. 面向超低功耗的無源超高頻射頻識別芯片架構研究 ［D］. 西安：西安電子科技大學，2013.（Tang Longfei. Research on the architecture of passive UHF RFID chips for ultra-low power consumption ［D］. Xi’an：University of Electronic Science and Technology of Xi’an，2013.）

［29］Vamsi T，Mehrdad H，Bryce K，et al. LoRa Backscatter ［C］// Proc of ACM on Interactive，Mobile，Wearable and Ubiquitous Technologies.New York：ACM Press，2017： 1-24.

［30］Van Nguyen H，Hoang D T，Lu Xiao，et al. Ambient backscatter communications： a contemporary survey ［J］. IEEE Communications surveys amp; Tutorials，2018，20（4）： 2889-2922.

［31］靳暉，柴晶，趙菊敏，李燈熬. 無源感知系統中的能量管理和通信優化研究 ［J］. 微電子學與計算機，2019，36（12）： 42-47.（Jin Hui，Chai Jing，Zhao Jumin，Li Dengao. Research on energy management and communication optimization in passive sensing systems ［J］. Microelectronics and Computers，2019，36（12）： 42-47.）

［32］Chen Tianqi，Guestrin C. XGBoost： a scalable tree boosting system ［C］// Proc of the 22nd ACM SIGKDD（International Conference on Knowledge Discovery and Data Mining）.New York：ACM Press，2016.

［33］Winship C，Radbill L. Sampling weights and regression analysis ［J］. Sociological Methods amp; Research，2016，23（2）： 230-257.

［34］Wang Geng. Cognitive deep neural networks prediction method for software fault tendency module based on bound particle swarm optimization ［J］. Cognitive Systems Research，2018，52（DEC.）： 12-20.

收稿日期：2022-06-02；修回日期：2022-08-11基金項目：國家自然科學基金資助項目（61872061）

作者簡介：張翀（1992-），男，博士研究生，主要研究方向為計算機體系結構、物聯網系統應用；侯孟書（1971-），男（通信作者），教授，主要研究方向為分布式計算、P2P計算和分布式存儲（mshou@uestc.edu.cn）；魯力（1978-），男，教授，主要研究方向為物聯網、低功耗通信、計算機體系結構等.