这篇论文的标题是《Artificial Intelligence of Things: A Survey》，作者是 Shakhrul Iman Siam 等人，来自不同的大学和研究机构。论文提供了对人工智能物联网（AIoT）研究的系统性和全面性回顾。以下是论文的主要内容概述：
1. 引言
- 论文介绍了物联网（IoT）设备（如智能手机、可穿戴设备、无人机和智能扬声器）的普及以及它们所捕获的大量数据，这些设备具有感知、计算、网络和通信能力，能够收集和传输各种数据。
- 论文强调了人工智能（AI）特别是深度学习（DL）/深度神经网络（DNN）、基础模型和生成性AI在推动AI与IoT融合中的作用。
2. AIoT的组成
- AIoT基于三个关键组成部分：感知、计算和网络与通信。
- 论文讨论了AIoT在不同应用领域中的重要性，包括医疗保健、增强现实、视频流和自主驾驶等。
3. AIoT研究的系统回顾
- 论文组织了AIoT文献，形成了一个包含四个主要类别的分类法：感知、计算、网络与通信和特定领域的AIoT系统。
- 论文详细回顾了在这些领域的研究进展，包括运动感知、无线感知、视觉感知、声学感知、多模态感知、可穿戴感知和生成性AI在感知中的应用。
4. 感知
- 论文探讨了AIoT中AI赋能的感知机制和技术，包括运动感知、无线感知、视觉感知、声学感知、多模态感知、可穿戴感知和生成性AI在感知中的应用。
感知是人工智能物联网（AIoT）的基础，它涉及使用各种传感器来收集个人和物理世界的数据。在AIoT中，感知技术的研究主要集中在以下几个方向：
-
运动感知（Motion Sensing）
- 运动感知使用如惯性测量单元（IMU）传感器（包括加速度计、陀螺仪和磁力计）来捕捉个体的各种运动，如手臂姿势、身体活动和体育活动。
- 研究工作包括人类活动识别（HAR）和手臂跟踪。例如，利用机器学习算法处理传感器数据，以识别人们的日常活动或运动模式。
-
无线感知（Wireless Sensing）
- 无线感知利用无线信号进行无接触式环境和物体感知，包括RFID、Wi-Fi、毫米波（mmWave）、LTE和LoRa等技术。
- 这些技术可以用于活动识别、3D人体网格构建、室内定位、成像、手势识别和呼吸监测等应用。
-
视觉感知（Vision Sensing）
- 视觉感知使用RGB摄像头、深度摄像头和近红外（NIR）图像传感器来捕捉和分析视觉信息。
- 研究领域包括人类活动识别、图像增强、目标检测、眼动追踪和姿态估计。
-
声学感知（Acoustic Sensing）
- 声学感知利用声学传感器捕捉、测量和分析声学信号，用于定位、运动跟踪、情绪识别和关键词及事件检测等任务。
-
多模态感知（Multi-Modal Sensing）
- 多模态感知结合了多种感知方式，以利用每种感知方式提供的独特信息。
- 研究工作包括人类活动识别、人类与物体识别、跟踪、定位和语音增强等应用。
-
可穿戴感知（Earable Sensing）
- 可穿戴感知涉及将设备作为耳机或无线耳塞附着在耳朵上，用于面部表情感知、用户认证和声音定位等任务。
-
生成性AI在感知中的应用（Generative AI for Sensing）
- 生成性AI技术，如大型语言模型（LLMs），可以用于感知任务，通过将传感器数据与相关上下文信息相关联，提供对传感器数据的深入洞察，并做出决策。
5. 计算
- 论文讨论了AIoT中的计算任务，包括设备上的推理、卸载、设备上的训练、联邦学习和AI代理。
6. 网络与通信
- 论文回顾了AI赋能的网络和通信技术，涉及各种网络，包括蜂窝/移动网络、Wi-Fi网络、可见光通信和LoRa/LoRaWAN。
7. 特定领域的AIoT系统
- 论文调查了在重要应用领域中开发的AIoT系统，包括医疗保健和福祉、视频流和分析、自动驾驶以及增强现实、虚拟现实和混合现实。
特定领域的AIoT系统是指针对特定应用领域设计的系统，它们利用AIoT的感知、计算和网络通信技术来解决特定问题或提升效率。以下是一些主要的应用领域和相关的AIoT系统：
-
医疗保健和福祉（Healthcare and Well-being）
- 生命体征监测：使用AIoT设备监测心率、呼吸、血压等生命体征，如通过智能手表或健康监测器。
- 疾病检测和监测：开发系统以在临床环境之外检测和监测疾病，如通过智能手机应用进行心理健康评估或通过可穿戴设备监测慢性疾病。
- 辅助技术：为残疾人士提供辅助技术的AIoT系统，如智能假肢、语音辅助设备等。
- 个人健康洞察生成：利用大型语言模型（LLMs）分析个人健康数据，提供健康建议和预测。
-
视频流和分析（Video Streaming and Analytics）
- 自适应视频流：根据网络条件动态调整视频质量，以优化用户体验。
- 视频增强：通过超分辨率和图像增强技术提高视频质量。
- 效率优化：开发算法和系统以优化视频流和分析的效率，减少延迟和提高数据处理速度。
-
自动驾驶（Autonomous Driving）
- 感知增强：利用AI处理来自摄像头、激光雷达、雷达等传感器的数据，以提高自动驾驶车辆的环境感知能力。
- 定位、跟踪和映射：使用AIoT技术进行车辆定位、路径规划和环境映射。
- 自动测试：开发系统以自动测试和验证自动驾驶技术的性能和安全性。
- 控制和执行：研究如何使用AIoT系统进行车辆的实时控制和决策。
-
增强现实、虚拟现实和混合现实（AR/VR/MR）
- 对象检测和跟踪：在AR/VR/MR环境中，使用AIoT系统进行精确的对象检测和跟踪。
- 用户输入：开发能够理解和响应用户输入（如手势、眼神、语音）的AIoT系统。
- 性能增强：优化AIoT系统以减少延迟，提高AR/VR/MR应用的性能和用户体验。
- 全向AR：探索如何提供360度视角的增强现实体验。
这些特定领域的AIoT系统展示了AIoT技术在实际应用中的潜力，它们能够提高生活质量、增强工作效率、提升安全性，并在多个行业中创造新的业务机会。随着技术的不断进步，预计这些系统将在未来变得更加智能和普及。
8. 讨论
- 论文讨论了AIoT领域中的关键问题，如偏见和公平性、安全性和隐私性以及法律和伦理问题。
9. 结论
- 论文总结了AIoT研究的全面回顾，并希望这项调查能够作为AIoT研究的宝贵资源，并激发未来探索的灵感。
10. 致谢
- 作者感谢编辑委员会和匿名审稿人的帮助和建设性评论，以及那些为论文做出贡献的人。
论文还提到了一个伴随的GitHub仓库（https://github.com/AIoT-MLSys-Lab/AIoT-Survey），用于编译本次调查中包含的论文，并将在新研究出现时积极维护和更新。论文强调了AIoT作为IoT和现代AI交叉领域的重要性，并希望这项调查能够为AIoT研究领域提供价值。
