論文の概要: Reinforcement Learning-Driven Edge Management for Reliable Multi-view 3D Reconstruction

• arxiv url: http://arxiv.org/abs/2510.08839v1
• Date: Thu, 09 Oct 2025 21:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:47.80697
• Title: Reinforcement Learning-Driven Edge Management for Reliable Multi-view 3D Reconstruction
• Title（参考訳）: 信頼性のある多視点3次元再構成のための強化学習駆動エッジマネジメント
• Authors: Motahare Mounesan, Sourya Saha, Houchao Gan, Md. Nurul Absur, Saptarshi Debroy,
• Abstract要約: 信頼性3次元再構成のための強化学習(RL)に基づくエッジリソース管理フレームワークを提案する。 その結果,動的環境におけるエンドツーエンドのレイテンシと再構築品質を効果的にバランスさせることで,アプリケーションの信頼性を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Real-time multi-view 3D reconstruction is a mission-critical application for key edge-native use cases, such as fire rescue, where timely and accurate 3D scene modeling enables situational awareness and informed decision-making. However, the dynamic and unpredictable nature of edge resource availability introduces disruptions, such as degraded image quality, unstable network links, and fluctuating server loads, which challenge the reliability of the reconstruction pipeline. In this work, we present a reinforcement learning (RL)-based edge resource management framework for reliable 3D reconstruction to ensure high quality reconstruction within a reasonable amount of time, despite the system operating under a resource-constrained and disruption-prone environment. In particular, the framework adopts two cooperative Q-learning agents, one for camera selection and one for server selection, both of which operate entirely online, learning policies through interactions with the edge environment. To support learning under realistic constraints and evaluate system performance, we implement a distributed testbed comprising lab-hosted end devices and FABRIC infrastructure-hosted edge servers to emulate smart city edge infrastructure under realistic disruption scenarios. Results show that the proposed framework improves application reliability by effectively balancing end-to-end latency and reconstruction quality in dynamic environments.
• Abstract（参考訳）: リアルタイム多視点3D再構成は、時空的かつ正確な3Dシーンモデリングによって状況認識と情報的意思決定を可能にする、火災救助のような重要なエッジネイティブなユースケースに対するミッションクリティカルな応用である。 しかし、エッジリソース可用性の動的で予測不可能な性質は、劣化した画像品質、不安定なネットワークリンク、サーバ負荷の変動といった破壊をもたらし、再構築パイプラインの信頼性に挑戦する。 本研究では,資源制約環境下でのシステム動作にもかかわらず,信頼性の高い3次元再構成を実現するための強化学習(RL)に基づくエッジリソース管理フレームワークを提案する。 特に、このフレームワークでは、カメラ選択用とサーバ選択用という2つの協調的なQ-ラーニングエージェントを採用しており、どちらも完全にオンラインで運用されており、エッジ環境とのインタラクションを通じてポリシーを学習している。 現実的な制約下での学習を支援し,システム性能を評価するために,実験室がホストするエンドデバイスとFABRICインフラがホストするエッジサーバを組み合わせた分散テストベッドを実装し,現実的な破壊シナリオ下でスマートシティエッジインフラストラクチャをエミュレートする。 その結果,動的環境におけるエンドツーエンドのレイテンシと再構築品質を効果的にバランスさせることで,アプリケーションの信頼性を向上させることが示唆された。

関連論文リスト

• Real-Time Detection and Tracking of Foreign Object Intrusions in Power Systems via Feature-Based Edge Intelligence [4.60587070358843]
  本稿では,電力伝送システムにおけるリアルタイム異物侵入(FOI)検出と追跡のための新しい枠組みを提案する。 本フレームワークは,(1)高速で堅牢なオブジェクトローカライゼーションのためのYOLOv7セグメンテーションモデル,(2)三重項損失を訓練したConvNeXtベースの特徴抽出器,(3)特徴支援IoUトラッカーを統合した。 スケーラブルなフィールドデプロイメントを実現するため、パイプラインは、混合精度推論を使用して、低コストのエッジハードウェアへのデプロイメントに最適化されている。
  論文  参考訳（メタデータ） (2025-09-16T17:17:03Z)
• Reliable Multi-view 3D Reconstruction for `Just-in-time' Edge Environments [3.291976306424579]
  本稿では,システム破壊の可能性に対する信頼性の高いマルチビュー3D再構成のための,新たなポートフォリオ理論に基づくエッジリソース管理戦略を提案する。 提案手法は, カメラが相関破壊を起こしやすい場合でも, 復元品質を保証できる。
  論文  参考訳（メタデータ） (2025-08-21T01:42:22Z)
• Simulation-Driven Reinforcement Learning in Queuing Network Routing Optimization [0.0]
  本研究では、複雑な待ち行列ネットワークシステムにおけるルーティング決定を最適化するためのシミュレーション駆動強化学習(RL)フレームワークの開発に焦点をあてる。 我々は、Dyna-DDPG(Dyna-DDPG)とDyna-DDPG(Dyna-DDPG)を組み合わせた、Deep Deterministic Policy Gradient(DDPG)を利用したロバストなRLアプローチを提案する。 包括的な実験と厳密な評価は、効果的なルーティングポリシーを迅速に学習するフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2025-07-24T20:32:47Z)
• Auto-Compressing Networks [51.221103189527014]
  本稿では,各層からの長いフィードフォワード接続が従来の短残コネクションに取って代わるアーキテクチャ変種であるAuto-compression Networks (ACNs)を紹介する。 本稿では,ACNが残差ネットワークと比較して高雑音を示すこと,低データ設定における優れた性能を示すこと,破滅的忘れを軽減できることを述べる。 これらの知見は、効率的な神経アーキテクチャを開発するための実践的なアプローチとしてACNを確立している。
  論文  参考訳（メタデータ） (2025-06-11T13:26:09Z)
• Joint Sensing, Communication, and AI: A Trifecta for Resilient THz User Experiences [118.91584633024907]
  テラヘルツ(THz)無線システムに対する拡張現実(XR)体験を最適化するために、新しい共同センシング、通信、人工知能(AI)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:39:50Z)
• End-to-End Latency Optimization of Multi-view 3D Reconstruction for Disaster Response [3.471012855429593]
  マルチビューステレオ(MVS)ベースの3D再構成アプリケーションは、特にそのような計算に制約のある移動体エッジデバイス上で実行するのに非常に時間がかかる。 本稿では,エンド・ツー・エンドのレイテンシとリコンストラクション品質を最適にバランスさせることを目的として,レイテンシ最適化型MVSアルゴリズムパイプラインの設計を目的とする。
  論文  参考訳（メタデータ） (2023-04-04T03:04:44Z)
• FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [52.85536740465277]
  FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。 ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。 FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
  論文  参考訳（メタデータ） (2022-09-28T19:49:39Z)
• Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
  本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。 次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。 この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
  論文  参考訳（メタデータ） (2022-02-08T05:49:06Z)
• 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)

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。