論文の概要: TinyLight: Adaptive Traffic Signal Control on Devices with Extremely Limited Resources

• arxiv url: http://arxiv.org/abs/2205.00427v1
• Date: Sun, 1 May 2022 09:07:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 13:19:26.215064
• Title: TinyLight: Adaptive Traffic Signal Control on Devices with Extremely Limited Resources
• Title（参考訳）: TinyLight: 限られたリソースを持つデバイス上での適応的な交通信号制御
• Authors: Dong Xing, Qian Zheng, Qianhui Liu, Gang Pan
• Abstract要約: DRLをベースとした初のATSCモデルであるTinyLightを提案する。 TinyLightは2KBのRAMと32KBのROMを備えたスタンドアロンのマイクロコントローラで動作する。 実験によると、非常に限られたリソースであっても、TinyLightは競争力のあるパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 27.2385509352849
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in deep reinforcement learning (DRL) have largely promoted the performance of adaptive traffic signal control (ATSC). Nevertheless, regarding the implementation, most works are cumbersome in terms of storage and computation. This hinders their deployment on scenarios where resources are limited. In this work, we propose TinyLight, the first DRL-based ATSC model that is designed for devices with extremely limited resources. TinyLight first constructs a super-graph to associate a rich set of candidate features with a group of light-weighted network blocks. Then, to diminish the model's resource consumption, we ablate edges in the super-graph automatically with a novel entropy-minimized objective function. This enables TinyLight to work on a standalone microcontroller with merely 2KB RAM and 32KB ROM. We evaluate TinyLight on multiple road networks with real-world traffic demands. Experiments show that even with extremely limited resources, TinyLight still achieves competitive performance. The source code and appendix of this work can be found at \url{https://bit.ly/38hH8t8}.
• Abstract（参考訳）: 近年の深部強化学習(DRL)は,適応信号制御(ATSC)の性能向上に大きく寄与している。 しかし、実装に関して言えば、ほとんどの作業はストレージと計算の点で煩雑である。 これにより、リソースが制限されたシナリオへのデプロイが妨げられる。 本稿では,リソースが極めて少ないデバイス向けに設計された最初のdrlベースのatscモデルであるtinylightを提案する。 tinylightはまず、豊富な候補機能セットと軽量ネットワークブロックのグループを関連付けるスーパーグラフを構築する。 そして,資源消費を減らすために,新たなエントロピー最小化対象関数により,スーパーグラフのエッジを自動的に吸収する。 これにより、tinylightは2kb ramと32kb romしか持たないスタンドアロンのマイクロコントローラで作業できる。 現実の交通需要のある複数の道路網上でTinyLightを評価する。 実験によると、非常に限られた資源でもtinylightは依然として競争力のある性能を達成している。 この研究のソースコードと付録は \url{https://bit.ly/38hH8t8} にある。

関連論文リスト

• TinyLidarNet: 2D LiDAR-based End-to-End Deep Learning Model for F1TENTH Autonomous Racing [1.8874331450711404]
  自動運転車のための軽量2D LiDARベースのエンドツーエンドディープラーニングモデルであるTinyLidarNetを紹介した。 ティニーライダーネットを使用したF1TENTH車両は、12回目のF1TENTH自律グランプリで3位を獲得した。
  論文  参考訳（メタデータ） (2024-10-09T21:28:33Z)
• LR-Net: A Lightweight and Robust Network for Infrared Small Target Detection [2.6617665093172445]
  我々は、革新的な軽量で堅牢なネットワーク(LR-Net)を提案する。 LR-Netは複雑な構造を放棄し、検出精度と資源消費のバランスをとる。 第3位は「ICPR 2024リソース制限赤外小ターゲット検出チャレンジトラック2:軽量赤外小ターゲット検出」である。
  論文  参考訳（メタデータ） (2024-08-05T18:57:33Z)
• Zero-Reference Low-Light Enhancement via Physical Quadruple Priors [58.77377454210244]
  本稿では,標準光画像のみをトレーニング可能な,ゼロ参照低光強調フレームワークを提案する。 このフレームワークは、画像にさかのぼる照明不変性を復元し、自動的に低照度化を実現します。
  論文  参考訳（メタデータ） (2024-03-19T17:36:28Z)
• MobiLlama: Towards Accurate and Lightweight Fully Transparent GPT [87.4910758026772]
  近年のLarge Language Models (LLM) 開発において,"Bigger the Better" が主流となっている。 本稿では、リソース制約のあるデバイスに対して、正確かつ効率的なSLM(Small Language Models)を設計する上での課題に対処し、"less is more"パラダイムについて考察する。
  論文  参考訳（メタデータ） (2024-02-26T18:59:03Z)
• Traffic Signal Control Using Lightweight Transformers: An Offline-to-Online RL Approach [6.907105812732423]
  我々は,オフラインで容易にアクセス可能なデータセットからポリシーを学習可能な,軽量な決定変換方式DTLightを提案する。 オフラインデータセット上で純粋に事前トレーニングされたDTLightは、ほとんどのシナリオで最先端のオンラインRLベースのメソッドより優れている。 実験の結果、オンラインの微調整により、最高のオンラインRLベースラインメソッドよりもDTLightのパフォーマンスが42.6%向上することが示された。
  論文  参考訳（メタデータ） (2023-12-12T23:21:57Z)
• Efficient Neural Networks for Tiny Machine Learning: A Comprehensive Review [1.049712834719005]
  このレビューでは、効率的なニューラルネットワークの進歩と超低消費電力マイクロコントローラへのディープラーニングモデルの展開を詳細に分析する。 レビューの中核は、TinyMLの効率的なニューラルネットワークに焦点を当てている。 モデル圧縮、量子化、低ランク因数分解などのテクニックをカバーし、最小限のリソース利用のためにニューラルネットワークアーキテクチャを最適化する。 次に,超低消費電力MCU上でのディープラーニングモデルの展開について検討し,限られた計算能力やメモリ資源といった課題に対処する。
  論文  参考訳（メタデータ） (2023-11-20T16:20:13Z)
• An Ultra-low Power TinyML System for Real-time Visual Processing at Edge [7.327401565768275]
  このブリーフィングは、様々な視覚タスクのための高効率CNNモデルを構築するために、非常に小さなバックボーンを提示する。 特別に設計されたニューラルコプロセッサ(NCP)は、超低消費電力のTinyMLシステムを構築するためにMCUと相互接続される。 我々のモデル, NCP, 命令セットに基づくTinyMLシステムは, 精度が高く, 記録的な160mW超低出力を実現している。
  論文  参考訳（メタデータ） (2022-07-11T06:56:27Z)
• A TinyML Platform for On-Device Continual Learning with Quantized Latent Replays [66.62377866022221]
  Latent Replay-based Continual Learning (CL)技術は、原則としてオンライン、サーバレスの適応を可能にする。 10コアのFP32対応並列超低消費電力プロセッサをベースとした,エンドツーエンドCLのためのHW/SWプラットフォームを提案する。 これらの手法を組み合わせることで,64MB未満のメモリを用いて連続学習を実現することができることを示す。
  論文  参考訳（メタデータ） (2021-10-20T11:01:23Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• MCUNet: Tiny Deep Learning on IoT Devices [62.752899523628066]
  効率的なニューラルネットワーク(TinyNAS)と軽量推論エンジン(TinyEngine)を共同で設計するフレームワークを提案する。 TinyNASは、まず検索空間を最適化してリソース制約に適合させ、次に最適化された検索空間におけるネットワークアーキテクチャを専門化する、2段階のニューラルネットワーク検索アプローチを採用している。 TinyEngineは、階層的に最適化するのではなく、全体的なネットワークトポロジに従ってメモリスケジューリングを適応し、メモリ使用量を4.8倍削減する。
  論文  参考訳（メタデータ） (2020-07-20T17:59:01Z)
• Robustifying the Deployment of tinyML Models for Autonomous mini-vehicles [61.27933385742613]
  本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。 我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。 CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
  論文  参考訳（メタデータ） (2020-07-01T07:54:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。