論文の概要: HPRM: High-Performance Robotic Middleware for Intelligent Autonomous Systems

• arxiv url: http://arxiv.org/abs/2412.01799v1
• Date: Mon, 02 Dec 2024 18:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:41:51.458265
• Title: HPRM: High-Performance Robotic Middleware for Intelligent Autonomous Systems
• Title（参考訳）: HPRM:インテリジェント自律システムのための高性能ロボットミドルウェア
• Authors: Jacky Kwok, Shulu Li, Marten Lohstroh, Edward A. Lee,
• Abstract要約: 決定論的協調言語Lingua Franca(LF)上に構築されたHPRM(High-Performance Robotic Middleware)について述べる。 HPRMは、大規模なペイロードの効率的なゼロコピー転送のためのインメモリオブジェクトストア、シリアライゼーションオーバーヘッドを最小限に抑えるアダプティブシリアライゼーション、ハンドシェイクレイテンシを低減するためにリアルタイムソケットを備えた熱心なプロトコルなどの最適化を採用している。 我々は、CARLAシミュレータとHPRMを統合し、オブジェクト検出作業とともに強化学習エージェントを実行することにより、HPRMの利点を実証する。
• 参考スコア（独自算出の注目度）: 1.7838625117601146
• License:
• Abstract: The rise of intelligent autonomous systems, especially in robotics and autonomous agents, has created a critical need for robust communication middleware that can ensure real-time processing of extensive sensor data. Current robotics middleware like Robot Operating System (ROS) 2 faces challenges with nondeterminism and high communication latency when dealing with large data across multiple subscribers on a multi-core compute platform. To address these issues, we present High-Performance Robotic Middleware (HPRM), built on top of the deterministic coordination language Lingua Franca (LF). HPRM employs optimizations including an in-memory object store for efficient zero-copy transfer of large payloads, adaptive serialization to minimize serialization overhead, and an eager protocol with real-time sockets to reduce handshake latency. Benchmarks show HPRM achieves up to 173x lower latency than ROS2 when broadcasting large messages to multiple nodes. We then demonstrate the benefits of HPRM by integrating it with the CARLA simulator and running reinforcement learning agents along with object detection workloads. In the CARLA autonomous driving application, HPRM attains 91.1% lower latency than ROS2. The deterministic coordination semantics of HPRM, combined with its optimized IPC mechanisms, enable efficient and predictable real-time communication for intelligent autonomous systems.
• Abstract（参考訳）: インテリジェントな自律システムの台頭、特にロボット工学と自律エージェントは、広範囲なセンサーデータのリアルタイム処理を確実にする堅牢な通信ミドルウェアに対する重要なニーズを生み出している。 ロボットオペレーティングシステム(ROS)2のような現在のロボティクスミドルウェアは、マルチコアコンピューティングプラットフォーム上で、複数のサブスクライバにまたがる大規模なデータを扱う場合、非決定性と高い通信遅延という課題に直面している。 これらの問題に対処するため,決定論的コーディネーション言語Lingua Franca(LF)上に構築されたHPRM(High-Performance Robotic Middleware)を提案する。 HPRMは、大規模なペイロードの効率的なゼロコピー転送のためのインメモリオブジェクトストア、シリアライゼーションオーバーヘッドを最小限に抑えるアダプティブシリアライゼーション、ハンドシェイクレイテンシを低減するためにリアルタイムソケットを備えた熱心なプロトコルなどの最適化を採用している。 ベンチマークによると、HPRMは、複数のノードに大きなメッセージをブロードキャストする際に、ROS2よりも最大173倍のレイテンシを実現する。 次に、CARLAシミュレータとHPRMを統合し、オブジェクト検出作業とともに強化学習エージェントを実行することにより、HPRMの利点を実証する。 CARLA自動運転アプリケーションでは、HPRMはROS2よりも91.1%低レイテンシを実現している。 HPRMの決定論的コーディネーションセマンティクスは、最適化されたIPC機構と組み合わせて、インテリジェントな自律システムのための効率的で予測可能なリアルタイム通信を可能にする。

関連論文リスト

• DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
  実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。 活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。 DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
  論文  参考訳（メタデータ） (2024-11-04T18:26:08Z)
• Communication- and Computation-Efficient Distributed Decision-Making in Multi-Robot Networks [2.8936428431504164]
  複数のロボット間のスケーラブルでほぼ最適な関節運動計画を可能にする分散協調パラダイムを提供する。 我々のアルゴリズムは、競合する準最適アルゴリズムよりも2桁高速である。 最大45台のロボットによる監視タスクのシミュレーションでは、1Hzのオーダーでリアルタイム計画が可能で、カバー性能も優れている。
  論文  参考訳（メタデータ） (2024-07-15T01:25:39Z)
• Intelligent Trajectory Design for RIS-NOMA aided Multi-robot Communications [59.34642007625687]
  目的は,ロボットの軌道とNOMA復号命令を協調的に最適化することで,マルチロボットシステムにおける全軌道の総和率を最大化することである。 ARIMAモデルとDouble Deep Q-network (D$3$QN)アルゴリズムを組み合わせたML方式を提案する。
  論文  参考訳（メタデータ） (2022-05-03T17:14:47Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Time-Correlated Sparsification for Efficient Over-the-Air Model Aggregation in Wireless Federated Learning [23.05003652536773]
  Federated Edge Learning(FEEL)は、エッジインテリジェンスアプリケーションを駆動するための有望な分散機械学習(ML)フレームワークである。 通信効率の高いFEELのためのハイブリッドアグリゲーション(TCS-H)を用いた時間相関スペーシングを提案する。
  論文  参考訳（メタデータ） (2022-02-17T02:48:07Z)
• A Robot Web for Distributed Many-Device Localisation [18.417301483203996]
  ロボットの分散ネットワークは、効率的なアドホックピアからピアコミュニケーションを通じて、グローバルなローカライズに協力できることを示す。 任意のパターンで対話する最大1000個のロボットによるシミュレーションにおいて、我々の解は非線形因子グラフ解法と同じくらいの精度でグローバルに精度を達成できることを示す。
  論文  参考訳（メタデータ） (2022-02-07T16:00:25Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Communication-Computation Efficient Device-Edge Co-Inference via AutoML [4.06604174802643]
  デバイスエッジのコ推論は、リソース制約のあるモバイルデバイスとエッジサーバの間のディープニューラルネットワークを分割する。 オンデバイスモデルスパーシリティレベルと中間特徴圧縮比は、ワークロードと通信オーバーヘッドに直接的な影響を与える。 深部強化学習(DRL)に基づく新しい自動機械学習(AutoML)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-30T06:36:30Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• EdgeBERT: Sentence-Level Energy Optimizations for Latency-Aware Multi-Task NLP Inference [82.1584439276834]
  BERTのようなトランスフォーマーベースの言語モデルでは、自然言語処理(NLP)タスクの精度が大幅に向上する。 We present EdgeBERT, a in-deepth algorithm- hardware co-design for latency-aware energy optimization for multi-task NLP。
  論文  参考訳（メタデータ） (2020-11-28T19:21:47Z)

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。