論文の概要: Model Compression for Resource-Constrained Mobile Robots

• arxiv url: http://arxiv.org/abs/2207.10082v1
• Date: Wed, 20 Jul 2022 07:26:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-22 12:15:17.449571
• Title: Model Compression for Resource-Constrained Mobile Robots
• Title（参考訳）: 資源拘束型移動ロボットのモデル圧縮
• Authors: Timotheos Souroulla (Ericsson Research AI), Alberto Hata (Ericsson Research AI), Ahmad Terra (Ericsson Research AI), \"Ozer \"Ozkahraman (KTH, Royal Institute of Technology), Rafia Inam (Ericsson Research AI)
• Abstract要約: この研究は、事前学習されたコンピュータビジョンモデルの複雑さとパラメータの総数を減らし、ロボット上でタスクの実行を可能にすることに焦点を当てている。 これはPruningやKnowledge Distillationといったモデル圧縮技術を用いて実現される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The number of mobile robots with constrained computing resources that need to execute complex machine learning models has been increasing during the past decade. Commonly, these robots rely on edge infrastructure accessible over wireless communication to execute heavy computational complex tasks. However, the edge might become unavailable and, consequently, oblige the execution of the tasks on the robot. This work focuses on making it possible to execute the tasks on the robots by reducing the complexity and the total number of parameters of pre-trained computer vision models. This is achieved by using model compression techniques such as Pruning and Knowledge Distillation. These compression techniques have strong theoretical and practical foundations, but their combined usage has not been widely explored in the literature. Therefore, this work especially focuses on investigating the effects of combining these two compression techniques. The results of this work reveal that up to 90% of the total number of parameters of a computer vision model can be removed without any considerable reduction in the model's accuracy.
• Abstract（参考訳）: 複雑な機械学習モデルを実行するために必要な制約付きコンピューティングリソースを持つモバイルロボットの数は、過去10年間で増加している。 一般的にこれらのロボットは、複雑な計算タスクを実行するために、無線通信を通じてアクセス可能なエッジインフラストラクチャに依存している。 しかし、エッジは使用不能になり、その結果、ロボット上でのタスクの実行が義務付けられる。 本研究は,事前学習したコンピュータビジョンモデルの複雑性とパラメータ数を削減し,ロボットのタスク実行を可能にすることに焦点を当てている。 これはPruningやKnowledge Distillationといったモデル圧縮技術を用いて実現される。 これらの圧縮技術は理論的および実践的な基礎を持っているが、それらの組み合わせは文献で広く研究されていない。 そこで本研究は, これら2つの圧縮技術を組み合わせる効果について検討する。 この結果から,コンピュータビジョンモデルのパラメータの総数の90%は,モデルの精度を大幅に低下させることなく取り除くことができることがわかった。

関連論文リスト

• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• General-purpose foundation models for increased autonomy in robot-assisted surgery [4.155479231940454]
  本稿では,ロボット支援手術における自律性向上を目指す。 手術ロボットは汎用モデルの利点を享受し,ロボット支援手術における自律性向上に向けた3つの指針を提供する。
  論文  参考訳（メタデータ） (2024-01-01T06:15:16Z)
• Mobility-Aware Computation Offloading for Swarm Robotics using Deep Reinforcement Learning [3.751111087006503]
  Swarm Roboticsは、多くの汚れた、危険な、退屈なタスクを自動化することを想定している。 現在のロボットには、限られた時間情報しか提供できない少数のロボットがある。 我々は,モバイルエッジコンピューティングを活用して負担を軽減することを提案する。
  論文  参考訳（メタデータ） (2023-08-22T03:20:14Z)
• Scaling Robot Learning with Semantically Imagined Experience [21.361979238427722]
  ロボット学習の最近の進歩は、ロボットが操作タスクを実行できることを約束している。 この進歩に寄与する要因の1つは、モデルのトレーニングに使用されるロボットデータのスケールである。 本稿では,コンピュータビジョンや自然言語処理に広く用いられているテキスト・ツー・イメージ基盤モデルを利用した代替手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T18:47:51Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• Lifelong Robotic Reinforcement Learning by Retaining Experiences [61.79346922421323]
  多くのマルチタスク強化学習は、ロボットが常にすべてのタスクからデータを収集できると仮定している。 本研究では,物理ロボットシステムの実用的制約を動機として,現実的なマルチタスクRL問題について検討する。 我々は、ロボットのスキルセットを累積的に成長させるために、過去のタスクで学んだデータとポリシーを効果的に活用するアプローチを導出する。
  論文  参考訳（メタデータ） (2021-09-19T18:00:51Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)
• Large Scale Distributed Collaborative Unlabeled Motion Planning with Graph Policy Gradients [122.85280150421175]
  本研究では,運動制約と空間制約を多数のロボットに対して2次元空間で解くための学習法を提案する。 ロボットのポリシーをパラメータ化するためにグラフニューラルネットワーク(GNN)を用いる。
  論文  参考訳（メタデータ） (2021-02-11T21:57:43Z)
• Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
  本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。 本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
  論文  参考訳（メタデータ） (2020-11-06T07:39:08Z)
• Co-Evolution of Multi-Robot Controllers and Task Cues for Off-World Open Pit Mining [0.6091702876917281]
  本稿では,マルチロボット掘削とサイト準備のシナリオにおいて,スケーラブルなコントローラを開発するための新しい手法を提案する。 コントローラは空白のスレートから始まり、人間による操作スクリプトや、掘削機の運動学や力学の詳細なモデリングを必要としない。 本稿では,テンプレートとタスクキューを用いてグループパフォーマンスをさらに向上し,アンタゴニティを最小化する方法について検討する。
  論文  参考訳（メタデータ） (2020-09-19T03:13:28Z)

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。