論文の概要: FogROS2-FT: Fault Tolerant Cloud Robotics
- arxiv url: http://arxiv.org/abs/2412.05408v1
- Date: Fri, 06 Dec 2024 20:38:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-10 14:52:59.575538
- Title: FogROS2-FT: Fault Tolerant Cloud Robotics
- Title（参考訳）: FogROS2-FT:フォールトトレラントクラウドロボティクス
- Authors: Kaiyuan Chen, Kush Hari, Trinity Chung, Michael Wang, Nan Tian, Christian Juette, Jeffrey Ichnowski, Liu Ren, John Kubiatowicz, Ion Stoica, Ken Goldberg,
- Abstract要約: 本稿では,クラウドロボティクスの問題を軽減するためにFogROS2-FT(Fault Tolerant)を提案する。
FogROS2-FTは、独立したステートレスロボットサービスを複製し、これらのレプリカにリクエストをルーティングし、最初の応答を指示する。
同じハードウェア仕様で実行されるFogROS2-FTは、最大2.2倍のコスト削減と、99 Percentile (P99) のロングテールレイテンシの5.53倍のコスト削減を実現している。
- 参考スコア（独自算出の注目度）: 36.43427996196207
- License:
- Abstract: Cloud robotics enables robots to offload complex computational tasks to cloud servers for performance and ease of management. However, cloud compute can be costly, cloud services can suffer occasional downtime, and connectivity between the robot and cloud can be prone to variations in network Quality-of-Service (QoS). We present FogROS2-FT (Fault Tolerant) to mitigate these issues by introducing a multi-cloud extension that automatically replicates independent stateless robotic services, routes requests to these replicas, and directs the first response back. With replication, robots can still benefit from cloud computations even when a cloud service provider is down or there is low QoS. Additionally, many cloud computing providers offer low-cost spot computing instances that may shutdown unpredictably. Normally, these low-cost instances would be inappropriate for cloud robotics, but the fault tolerance nature of FogROS2-FT allows them to be used reliably. We demonstrate FogROS2-FT fault tolerance capabilities in 3 cloud-robotics scenarios in simulation (visual object detection, semantic segmentation, motion planning) and 1 physical robot experiment (scan-pick-and-place). Running on the same hardware specification, FogROS2-FT achieves motion planning with up to 2.2x cost reduction and up to a 5.53x reduction on 99 Percentile (P99) long-tail latency. FogROS2-FT reduces the P99 long-tail latency of object detection and semantic segmentation by 2.0x and 2.1x, respectively, under network slowdown and resource contention.
- Abstract（参考訳）: クラウドロボティクスは、複雑な計算タスクをクラウドサーバにオフロードすることで、パフォーマンスと管理の容易さを実現する。
しかし、クラウドコンピューティングはコストがかかり、クラウドサービスは時々ダウンタイムに悩まされ、ロボットとクラウド間の接続はネットワーク品質(QoS)のばらつきを引き起こす可能性がある。
我々はFogROS2-FT(Fault Tolerant)を提案し、独立のステートレスロボットサービスを自動的に複製し、これらのレプリカにリクエストをルーティングし、最初の応答を指示するマルチクラウド拡張を導入することにより、これらの問題を緩和する。
レプリケーションによって、クラウドサービスプロバイダがダウンしたり、QoSが低い場合でも、ロボットはクラウド計算の恩恵を受けることができる。
さらに、多くのクラウドコンピューティングプロバイダは、予測不能にシャットダウンする可能性のある低コストのスポットコンピューティングインスタンスを提供している。
通常、これらの低コストのインスタンスはクラウドロボティクスには適さないが、FogROS2-FTのフォールトトレランスの性質により、確実に使用することができる。
シミュレーション(視覚的物体検出,セマンティックセグメンテーション,動作計画)と1つの物理ロボット実験(スキャン・ピック・アンド・プレイス)において,FogROS2-FTの耐故障性を示す。
同じハードウェア仕様で実行されるFogROS2-FTは、最大2.2倍のコスト削減と、99 Percentile (P99) のロングテールレイテンシの5.53倍のコスト削減を実現している。
FogROS2-FTは、ネットワークのスローダウンとリソース競合の下で、オブジェクト検出とセマンティックセグメンテーションのP99の長いテールレイテンシを、それぞれ2.0xと2.1x削減する。
関連論文リスト
- IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z) - Combining Cloud and Mobile Computing for Machine Learning [2.595189746033637]
モデルセグメンテーションはユーザエクスペリエンスを改善するためのソリューションだと考えている。
この部門は、ユーザの待ち時間を短縮するだけでなく、クラウドのワークロードを最適化するための微調整も可能であることを示しています。
論文 参考訳（メタデータ） (2024-01-20T06:14:22Z) - Alioth: A Machine Learning Based Interference-Aware Performance Monitor
for Multi-Tenancy Applications in Public Cloud [15.942285615596566]
パブリッククラウドにおけるマルチテナントは、共有リソースのコロケーション干渉を引き起こす可能性がある。
クラウドアプリケーションの性能劣化をモニタリングする新しい機械学習フレームワークAliothを提案する。
Aliothの平均絶対誤差は5.29%のオフライン、10.8%である。
論文 参考訳（メタデータ） (2023-07-18T03:34:33Z) - Managing Cold-start in The Serverless Cloud with Temporal Convolutional
Networks [0.0]
サーバレスクラウドは革新的なクラウドサービスモデルであり、多くのクラウド管理業務から顧客を解放します。
サーバーレスクラウドのパフォーマンスに対する大きな脅威はコールドスタートであり、顧客の要求に応えるために必要なクラウドリソースをプロビジョニングするとき、サービスプロバイダや/または顧客に受け入れられないコストが発生する。
本稿では、サーバーレスクラウドスタックのインフラストラクチャおよびファンクションレベルにおけるコールドスタート問題に対処する、新しい低結合・高結合アンサンブルポリシーを提案する。
論文 参考訳（メタデータ） (2023-04-01T21:54:22Z) - EPCL: Frozen CLIP Transformer is An Efficient Point Cloud Encoder [60.52613206271329]
本稿では,冷凍CLIP変換器を用いて高品質のクラウドモデルをトレーニングするための textbfEfficient textbfPoint textbfCloud textbfLearning (EPCL) を提案する。
我々のEPCLは、2D-3Dデータをペア化せずに画像の特徴と点雲の特徴を意味的に整合させることで、2Dと3Dのモダリティを接続する。
論文 参考訳（メタデータ） (2022-12-08T06:27:11Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - 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) - 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) - A Serverless Cloud-Fog Platform for DNN-Based Video Analytics with
Incremental Learning [31.712746462418693]
本稿では、クライアント-フォグクラウドのシナジーをフル活用して、DNNベースのビデオ分析に役立てる最初のサーバーレスシステムを提案する。
この目的のために、V(Video-Platform-as-a-Service)と呼ばれる総合的なクラウドフォッグシステムを実装した。
評価の結果、Vは複数のSOTAシステムよりも優れており、高い精度を維持しながら帯域幅を最大21%削減し、RTTを最大62.5%削減し、クラウドの金融コストを最大50%削減している。
論文 参考訳（メタデータ） (2021-02-05T05:59:36Z) - Sampling Training Data for Continual Learning Between Robots and the
Cloud [26.116999231118793]
ロボットに搭載され、システムのボトルネックを低減するインテリジェントなサンプリングアルゴリズムであるHarvestNetを紹介します。
これは、道路建設現場の新しいデータセット、自動運転車のフィールドテスト、およびストリーミング顔認識上の機械学習モデルの精度を大幅に改善します。
ベースラインアルゴリズムよりも1.05-2.58倍正確であり、sscalablyは組み込みディープラーニングハードウェア上で動作する。
論文 参考訳（メタデータ） (2020-12-12T05:52:33Z)
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。