論文の概要: Event-based Heterogeneous Information Processing for Online Vision-based Obstacle Detection and Localization

• arxiv url: http://arxiv.org/abs/2601.13451v1
• Date: Mon, 19 Jan 2026 23:09:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.090744
• Title: Event-based Heterogeneous Information Processing for Online Vision-based Obstacle Detection and Localization
• Title（参考訳）: オンライン視覚による障害物検出と位置推定のためのイベントベース不均一情報処理
• Authors: Reza Ahmadvand, Sarah Safura Sharif, Yaser Mike Banad,
• Abstract要約: 本稿では,ハイブリッドニューラルネットワーク(HNN)とスパイキングニューラルネットワーク(SNN)に基づくフィルタリングを統合した,ロボットビジョンに基づくナビゲーションのための新しいフレームワークを提案する。 ANN(Artificial Neural Networks)とSNN(SNN)の相補的な強みを活用することで、システムは正確な環境理解と高速でエネルギー効率の高い処理を実現する。
• 参考スコア（独自算出の注目度）: 0.3499870393443268
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a novel framework for robotic vision-based navigation that integrates Hybrid Neural Networks (HNNs) with Spiking Neural Network (SNN)-based filtering to enhance situational awareness for unmodeled obstacle detection and localization. By leveraging the complementary strengths of Artificial Neural Networks (ANNs) and SNNs, the system achieves both accurate environmental understanding and fast, energy-efficient processing. The proposed architecture employs a dual-pathway approach: an ANN component processes static spatial features at low frequency, while an SNN component handles dynamic, event-based sensor data in real time. Unlike conventional hybrid architectures that rely on domain conversion mechanisms, our system incorporates a pre-developed SNN-based filter that directly utilizes spike-encoded inputs for localization and state estimation. Detected anomalies are validated using contextual information from the ANN pathway and continuously tracked to support anticipatory navigation strategies. Simulation results demonstrate that the proposed method offers acceptable detection accuracy while maintaining computational efficiency close to SNN-only implementations, which operate at a fraction of the resource cost. This framework represents a significant advancement in neuromorphic navigation systems for robots operating in unpredictable and dynamic environments.
• Abstract（参考訳）: 本稿では,Hybrid Neural Networks(HNN)とSpking Neural Network(SNN)ベースのフィルタリングを統合したロボットビジョンに基づくナビゲーションのための新しいフレームワークを提案する。 ANN(Artificial Neural Networks)とSNN(SNN)の相補的な強みを活用することで、システムは正確な環境理解と高速でエネルギー効率の高い処理を実現する。 ANNコンポーネントは低周波で静的な空間的特徴を処理し、SNNコンポーネントは動的イベントベースのセンサデータをリアルタイムに処理する。 ドメイン変換機構に依存する従来のハイブリッドアーキテクチャとは異なり、本システムはスパイク符号化された入力を直接利用して局所化と状態推定を行うSNNベースのフィルタを事前に開発した。 検出された異常は、ANN経路からのコンテキスト情報を用いて検証され、予測ナビゲーション戦略をサポートするために継続的に追跡される。 シミュレーションの結果,提案手法は,資源コストのごく一部で動作するSNNのみの実装に近い計算効率を維持しつつ,検出精度を許容できることを示した。 この枠組みは、予測不可能でダイナミックな環境で動作しているロボットのためのニューロモルフィックナビゲーションシステムの顕著な進歩を示している。

関連論文リスト

• ST-FlowNet: An Efficient Spiking Neural Network for Event-Based Optical Flow Estimation [8.521151565928621]
  イベントベースの光フロー推定のための有望なツールとして、スパイキングニューラルネットワーク(SNN)が登場した。 本研究では,イベントベースデータからの光フロー推定に適した新しいニューラルネットワークアーキテクチャST-FlowNetを提案する。
  論文  参考訳（メタデータ） (2025-03-13T09:28:42Z)
• DYNAP-SE2: a scalable multi-core dynamic neuromorphic asynchronous spiking neural network processor [2.9175555050594975]
  我々は、リアルタイムイベントベーススパイキングニューラルネットワーク(SNN)をプロトタイピングするための、脳にインスパイアされたプラットフォームを提案する。 提案システムは, 短期可塑性, NMDA ゲーティング, AMPA拡散, ホメオスタシス, スパイク周波数適応, コンダクタンス系デンドライトコンパートメント, スパイク伝達遅延などの動的および現実的なニューラル処理現象の直接エミュレーションを支援する。 異なる生物学的に可塑性のニューラルネットワークをエミュレートする柔軟性と、個体群と単一ニューロンの信号の両方をリアルタイムで監視する能力により、基礎研究とエッジコンピューティングの両方への応用のための複雑なニューラルネットワークモデルの開発と検証が可能になる。
  論文  参考訳（メタデータ） (2023-10-01T03:48:16Z)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• 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)
• Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by Spiking Neural Network [68.43026108936029]
  雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。 このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。 実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-07-07T08:22:56Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)

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。