Fugu-MT 論文翻訳(概要): Cloud Native Robotic Applications with GPU Sharing on Kubernetes

論文の概要: Cloud Native Robotic Applications with GPU Sharing on Kubernetes

arxiv url: http://arxiv.org/abs/2210.03936v1
Date: Sat, 8 Oct 2022 06:41:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-11 16:10:51.325875
Title: Cloud Native Robotic Applications with GPU Sharing on Kubernetes
Title（参考訳）: KubernetesでGPUを共有するクラウドネイティブなロボットアプリケーション
Authors: Giovanni Toffetti, Leonardo Militano, Se\'an Murphy, Remo Maurer, Mark Straub
Abstract要約: 本稿では,学生の実体験に対するシームレスなシミュレーションの観点から,ソリューションの主な利点について論じる。 k8sクラスタ上に複数のロボティクスアプリケーションをデプロイするための、よりクラウドネイティブなアプローチを提案する。
参考スコア（独自算出の注目度）: 0.08399688944263842
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we discuss our experience in teaching the Robotic Applications Programming course at ZHAW combining the use of a Kubernetes (k8s) cluster and real, heterogeneous, robotic hardware. We discuss the main advantages of our solutions in terms of seamless ``simulation to real'' experience for students and the main shortcomings we encountered with networking and sharing GPUs to support deep learning workloads. We describe the current and foreseen alternatives to avoid these drawbacks in future course editions and propose a more cloud-native approach to deploying multiple robotics applications on a k8s cluster.
Abstract（参考訳）: 本稿では、Kubernetes(k8s)クラスタとリアルで異質なロボットハードウェアを組み合わせた、ZHAWのRobotic Applications Programmingコースの教育経験について論じる。我々は、学生にとってシームレスな‘シミュレーション・トゥ・リアル’体験と、ディープラーニングワークロードをサポートするために、ネットワークやGPUの共有に遭遇した主な欠点の観点から、ソリューションの主な利点について論じる。今後のコースエディションでこれらの欠点を避けるために、現在および前向きな代替策を説明し、k8sクラスタに複数のロボティクスアプリケーションをデプロイするための、よりクラウドネイティブなアプローチを提案する。

関連論文リスト

A Retrospective on the Robot Air Hockey Challenge: Benchmarking Robust, Reliable, and Safe Learning Techniques for Real-world Robotics [53.33976793493801]
私たちは、NeurIPS 2023カンファレンスでRobot Air Hockey Challengeを組織しました。我々は、シム・トゥ・リアルギャップ、低レベルの制御問題、安全性問題、リアルタイム要件、実世界のデータの限られた可用性など、ロボット工学における実践的な課題に焦点を当てる。その結果、学習に基づくアプローチと事前知識を組み合わせたソリューションは、実際のデプロイメントが困難である場合にデータのみに依存するソリューションよりも優れていることがわかった。
論文参考訳（メタデータ） (2024-11-08T17:20:47Z)
Robot Utility Models: General Policies for Zero-Shot Deployment in New Environments [26.66666135624716]
ゼロショットロボットポリシーのトレーニングとデプロイのためのフレームワークであるロボットユーティリティモデル(RUM)を提案する。 RUMは微調整なしで新しい環境に一般化できる。キャビネットドアのオープン、引き出しのオープン、ナプキンのピックアップ、紙袋のピックアップ、転倒物の再配向の5つのユーティリティモデルを訓練する。
論文参考訳（メタデータ） (2024-09-09T17:59:50Z)
Sim2real Transfer Learning for Point Cloud Segmentation: An Industrial Application Case on Autonomous Disassembly [55.41644538483948]
我々は,点クラウドデータにsim2realTransfer Learningを用いた産業アプリケーションケースを提案する。合成ポイントクラウドデータの生成と処理方法に関する洞察を提供する。この問題に対処するために、パッチベースの新しいアテンションネットワークも提案されている。
論文参考訳（メタデータ） (2023-01-12T14:00:37Z)
Learning Connectivity-Maximizing Network Configurations [123.01665966032014]
本稿では、専門家からコミュニケーションエージェントを配置することを学ぶ畳み込みニューラルネットワーク(CNN)を用いた教師あり学習手法を提案する。我々は,標準ライントポロジやリングトポロジ,ランダムに生成された105万件のテストケース,トレーニング中に見えない大規模なチームについて,CNNのパフォーマンスを実証した。トレーニング後,本システムは10～20名のエージェントの最適化手法よりも2桁高速な接続構成を生成する。
論文参考訳（メタデータ） (2021-12-14T18:59:01Z)
Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
クラウドとエッジ両方のAIの体系的なレビューを行います。私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
論文参考訳（メタデータ） (2021-11-11T05:58:23Z)
Autonomous Navigation in Dynamic Environments: Deep Learning-Based Approach [0.0]
本論文は,各スキームの長所と短所を浮き彫りにした深層学習に基づくアプローチを考察する。畳み込みニューラルネットワーク(CNN)に基づくディープラーニング手法の1つは、ソフトウェア実装によって実現される。本研究では, レーザースキャナの代わりに単眼カメラを使用するという基礎から, レストラン, 博物館などの屋内アプリケーションに対して, 低コストなアプローチを提案する。
論文参考訳（メタデータ） (2021-02-03T23:20:20Z)
Serverless inferencing on Kubernetes [0.0]
我々は、サーバレス機械学習推論ソリューションを提供するために、KNativeサーバレスパラダイムに基づいて構築されたKFServingプロジェクトについて議論する。 GPUベースの推論を自動スケーリングする際の課題の解決方法を示し、本番環境での使用から学んだ教訓について論じる。
論文参考訳（メタデータ） (2020-07-14T21:23:59Z)
robo-gym -- An Open Source Toolkit for Distributed Deep Reinforcement Learning on Real and Simulated Robots [0.5161531917413708]
本稿では,ロボットによる深層強化学習を向上するためのオープンソースのツールキット,robo-gymを提案する。シミュレーションにおけるトレーニングからロボットへのシームレスな移動を可能にするシミュレーション環境と実環境の統一的なセットアップを実証する。産業用ロボットを特徴とする2つの実世界アプリケーションを用いて,本フレームワークの能力と有効性を示す。
論文参考訳（メタデータ） (2020-07-06T13:51:33Z)
Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
論文参考訳（メタデータ） (2020-05-31T12:45:06Z)
Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
論文参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。