論文の概要: Towards smart and adaptive agents for active sensing on edge devices
- arxiv url: http://arxiv.org/abs/2501.06262v1
- Date: Thu, 09 Jan 2025 13:27:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:22:02.143614
- Title: Towards smart and adaptive agents for active sensing on edge devices
- Title（参考訳）: エッジデバイスにおける能動的センシングのためのスマートで適応的なエージェントを目指して
- Authors: Devendra Vyas, Miguel de Prado, Tim Verbelen,
- Abstract要約: TinyMLは、低消費電力エッジデバイスにディープラーニングモデルをデプロイ可能にする。
ディープラーニングのスケーリング法則は、Edge上にデプロイしても適用できない。
本稿では,デバイス上での認識と計画を行うスマートエージェントシステムを提案する。
- 参考スコア（独自算出の注目度）: 4.2534846356464815
- License:
- Abstract: TinyML has made deploying deep learning models on low-power edge devices feasible, creating new opportunities for real-time perception in constrained environments. However, the adaptability of such deep learning methods remains limited to data drift adaptation, lacking broader capabilities that account for the environment's underlying dynamics and inherent uncertainty. Deep learning's scaling laws, which counterbalance this limitation by massively up-scaling data and model size, cannot be applied when deploying on the Edge, where deep learning limitations are further amplified as models are scaled down for deployment on resource-constrained devices. This paper presents a smart agentic system capable of performing on-device perception and planning, enabling active sensing on the edge. By incorporating active inference into our solution, our approach extends beyond deep learning capabilities, allowing the system to plan in dynamic environments while operating in real time with a modest total model size of 2.3 MB. We showcase our proposed system by creating and deploying a saccade agent connected to an IoT camera with pan and tilt capabilities on an NVIDIA Jetson embedded device. The saccade agent controls the camera's field of view following optimal policies derived from the active inference principles, simulating human-like saccadic motion for surveillance and robotics applications.
- Abstract（参考訳）: TinyMLは、低消費電力エッジデバイスにディープラーニングモデルをデプロイ可能にする。
しかし、このような深層学習手法の適応性はデータドリフト適応に限られており、環境の根底にある力学と固有の不確実性を考慮した幅広い能力が欠如している。
ディープラーニングのスケーリング法則は、大規模なスケールアップデータとモデルサイズによるこの制限に反するものだが、Edgeにデプロイする場合には適用できない。
本稿では、デバイス上での認識と計画を行うことができ、エッジ上でのアクティブなセンシングを可能にするスマートエージェントシステムを提案する。
我々のソリューションにアクティブ推論を組み込むことで、我々のアプローチはディープラーニング能力を超えて、システムが2.3MBという控えめな総モデルサイズでリアルタイムに動作しながら動的環境を計画できる。
NVIDIA Jetson組み込みデバイス上に,パンと傾斜機能を備えたIoTカメラに接続されたササードエージェントを作成し,展開することにより,提案システムを紹介した。
サケードエージェントは、監視およびロボット工学応用のための人間のようなサケード運動をシミュレートし、アクティブな推論原理から導かれる最適なポリシーに従って、カメラの視野を制御する。
関連論文リスト
- EdgeMLOps: Operationalizing ML models with Cumulocity IoT and thin-edge.io for Visual quality Inspection [0.0]
本稿では、リソース制約のあるエッジデバイス上で機械学習モデルをデプロイおよび管理するために、Cumu IoTとThin-edge.ioを活用するフレームワークであるEdgeMLOpsを紹介する。
エッジ環境におけるモデル最適化、デプロイメント、ライフサイクル管理の課題に対処する。
フレームワークの有効性は、エッジデバイス上で資産のイメージを処理する視覚的品質検査(VQI)のユースケースを通じて実証され、資産管理システム内でリアルタイムの条件更新を可能にする。
論文 参考訳（メタデータ） (2025-01-28T16:40:40Z) - Optimizing Small Language Models for In-Vehicle Function-Calling [4.148443557388842]
本稿では,小型言語モデル(SLM)をエッジデバイスとして車両内の機能呼び出しエージェントとして展開するための総合的アプローチを提案する。
SLMを利用することで、車両制御機構を簡素化し、ユーザエクスペリエンスを向上させる。
論文 参考訳（メタデータ） (2025-01-04T17:32:56Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Development of an Edge Resilient ML Ensemble to Tolerate ICS Adversarial Attacks [0.9437165725355702]
敵の攻撃に耐えられるように設計された、レジリエントなエッジ機械学習アーキテクチャを構築します。
reMLはResilient DDDASパラダイム、移動目標防衛(MTD)理論、TinyMLに基づいている。
提案手法は電力効率とプライバシ保護であり,ISCのセキュリティを高めるため,電力制約のあるデバイスにデプロイすることができる。
論文 参考訳（メタデータ） (2024-09-26T19:37:37Z) - NeuPAN: Direct Point Robot Navigation with End-to-End Model-based Learning [67.53972459080437]
乱雑で未知の環境で非ホロノミックロボットをナビゲートするには、リアルタイム衝突回避のための正確な認識と正確な動きが必要である。
本稿では, リアルタイム, 高精度, 地図のない, 展開が容易で, 環境によらないロボットモーションプランナであるNeuPANについて述べる。
論文 参考訳（メタデータ） (2024-03-11T15:44:38Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Learning Robust Policy against Disturbance in Transition Dynamics via
State-Conservative Policy Optimization [63.75188254377202]
深層強化学習アルゴリズムは、ソースとターゲット環境の相違により、現実世界のタスクでは不十分な処理を行うことができる。
本研究では,前もって乱れをモデル化せずにロバストなポリシーを学習するための,モデルフリーなアクター批判アルゴリズムを提案する。
いくつかのロボット制御タスクの実験では、SCPOは遷移力学の乱れに対する堅牢なポリシーを学習している。
論文 参考訳（メタデータ） (2021-12-20T13:13:05Z) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳（メタデータ） (2020-12-04T18:59:32Z) - Indoor Point-to-Point Navigation with Deep Reinforcement Learning and
Ultra-wideband [1.6799377888527687]
移動障害や非視線発生はノイズや信頼性の低い信号を生成する。
深部強化学習(RL)で学習した電力効率のよい局所プランナーが,ノイズショートレンジ誘導システムの完全解法として頑健かつ弾力性を持つことを示す。
この結果から, 計算効率のよいエンドツーエンドポリシは, 堅牢でスケーラブルで, 最先端の低コストナビゲーションシステムを実現することができることがわかった。
論文 参考訳（メタデータ） (2020-11-18T12:30:36Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Deep active inference agents using Monte-Carlo methods [3.8233569758620054]
モンテカルロサンプリングを用いた連続状態空間における深部能動推論エージェント構築のためのニューラルアーキテクチャを提案する。
提案手法は,タスク性能を維持しつつ,環境動態を効率的に学習することを可能にする。
その結果、深層能動推論は生物学的にインスパイアされた知的エージェントを開発するための柔軟な枠組みを提供することが示された。
論文 参考訳（メタデータ） (2020-06-07T15:10:42Z)
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。