論文の概要: LEVIO: Lightweight Embedded Visual Inertial Odometry for Resource-Constrained Devices

• arxiv url: http://arxiv.org/abs/2602.03294v1
• Date: Tue, 03 Feb 2026 09:20:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.353024
• Title: LEVIO: Lightweight Embedded Visual Inertial Odometry for Resource-Constrained Devices
• Title（参考訳）: LEVIO:資源制約デバイスのための軽量組込みビジュアル慣性オドメトリー
• Authors: Jonas Kühne, Christian Vogt, Michele Magno, Luca Benini,
• Abstract要約: この研究は、超低消費電力計算プラットフォーム向けに最適化された完全なVIOパイプラインであるLEVIOを提示する。 LEVIOにはOriented FASTやRotated BRIEF (ORB)といった既存のVIOコンポーネントが組み込まれている。 本稿では,アルゴリズム設計の選択とハードウェア-ソフトウェア協調最適化手法を提案し,資源制約のあるハードウェア上でのリアルタイム性能を示す。
• 参考スコア（独自算出の注目度）: 18.91672527573445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate, infrastructure-less sensor systems for motion tracking are essential for mobile robotics and augmented reality (AR) applications. The most popular state-of-the-art visual-inertial odometry (VIO) systems, however, are too computationally demanding for resource-constrained hardware, such as micro-drones and smart glasses. This work presents LEVIO, a fully featured VIO pipeline optimized for ultra-low-power compute platforms, allowing six-degrees-of-freedom (DoF) real-time sensing. LEVIO incorporates established VIO components such as Oriented FAST and Rotated BRIEF (ORB) feature tracking and bundle adjustment, while emphasizing a computationally efficient architecture with parallelization and low memory usage to suit embedded microcontrollers and low-power systems-on-chip (SoCs). The paper proposes and details the algorithmic design choices and the hardware-software co-optimization approach, and presents real-time performance on resource-constrained hardware. LEVIO is validated on a parallel-processing ultra-low-power RISC-V SoC, achieving 20 FPS while consuming less than 100 mW, and benchmarked against public VIO datasets, offering a compelling balance between efficiency and accuracy. To facilitate reproducibility and adoption, the complete implementation is released as open-source.
• Abstract（参考訳）: モーショントラッキングのための正確なインフラストラクチャレスセンサーシステムは、モバイルロボティクスや拡張現実(AR)アプリケーションに不可欠である。 しかし、最先端のビジュアル慣性オドメトリー(VIO)システムでは、マイクロドローンやスマートグラスのようなリソース制約のあるハードウェアを計算的に要求しすぎている。 この研究は、超低消費電力計算プラットフォーム向けに最適化された完全なVIOパイプラインであるLEVIOを提示し、6自由度(DoF)リアルタイムセンシングを可能にした。 LEVIO には Oriented FAST や Rotated BRIEF (ORB) といった既存の VIO コンポーネントが組み込まれており、並列化と低メモリ使用率で計算効率のよいアーキテクチャを組み込みマイクロコントローラや低消費電力システムオンチップ(SoC)に適合させることを強調している。 本稿では,アルゴリズム設計の選択とハードウェア-ソフトウェア協調最適化手法を提案し,資源制約のあるハードウェア上でのリアルタイム性能を示す。 LEVIOは並列処理の超低消費電力RISC-V SoCで検証され、100mW未満を消費しながら20FPSを達成した。 再現性と採用を容易にするため、完全な実装はオープンソースとしてリリースされている。

関連論文リスト

• HOMI: Ultra-Fast EdgeAI platform for Event Cameras [1.9923531555025618]
  イベントカメラは、非同期操作とスパースでイベント駆動の出力のため、エッジロボティクスアプリケーションに大きな利点をもたらす。 我々は、Xilinx Zynq UltraScale+MPSoC FPGAチップを備えたProphesee IMX636イベントセンサチップからなる、超低レイテンシでエンドツーエンドのエッジAIプラットフォームを提案する。
  論文  参考訳（メタデータ） (2025-08-18T05:47:48Z)
• Hardware-Aware Feature Extraction Quantisation for Real-Time Visual Odometry on FPGA Platforms [0.0]
  特徴点の検出と記述が可能な教師なしアーキテクチャの組込み実装を提案する。 FPGA System-on-Chip (SoC) プラットフォーム,具体的にはAMD/Xilinx Zynq UltraScale+ にソリューションを実装した。 これにより、640 x 480ピクセルの画像を最大54fpsで処理することができ、現場での最先端のソリューションよりも優れています。
  論文  参考訳（メタデータ） (2025-07-10T16:37:20Z)
• 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)
• 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)
• Low Latency Visual Inertial Odometry with On-Sensor Accelerated Optical Flow for Resource-Constrained UAVs [13.037162115493393]
  オンセンサーハードウェアアクセラレーションは、低遅延視覚慣性オドメトリー(VIO)を実現するための有望なアプローチである 本稿では,グローバルシャッターカメラとアプリケーション固有集積回路(ASIC)を組み合わせたコンパクトなOFセンサを利用したVIOセンサシステムの高速化について検討する。 VINS-Monoパイプラインの機能追跡ロジックをこのOFカメラのデータに置き換えることで、49.4%のレイテンシの削減と、元のVINS-Mono実装よりも53.7%の計算負荷の削減を実証した。
  論文  参考訳（メタデータ） (2024-06-19T08:51:19Z)
• Transforming Image Super-Resolution: A ConvFormer-based Efficient Approach [58.57026686186709]
  本稿では, Convolutional Transformer Layer (ConvFormer) を導入し, ConvFormer-based Super-Resolution Network (CFSR) を提案する。 CFSRは畳み込みベースのアプローチとトランスフォーマーベースのアプローチの両方の利点を継承する。 CFSRは計算コストと性能のバランスが最適であることを示す実験である。
  論文  参考訳（メタデータ） (2024-01-11T03:08:00Z)
• FusionAI: Decentralized Training and Deploying LLMs with Massive Consumer-Level GPUs [57.12856172329322]
  我々は、巨大な未使用のコンシューマレベルのGPUをアンロックする分散システムを構想する。 このシステムは、CPUとGPUメモリの制限、ネットワーク帯域幅の低さ、ピアとデバイスの多様性など、重要な課題に直面している。
  論文  参考訳（メタデータ） (2023-09-03T13:27:56Z)
• Energy-efficient Task Adaptation for NLP Edge Inference Leveraging Heterogeneous Memory Architectures [68.91874045918112]
  Adapter-ALBERTは、様々なタスクにわたる最大データ再利用のための効率的なモデル最適化である。 検証されたNLPエッジアクセラレータ上でシミュレーションを行うことにより、モデルを不均一なオンチップメモリアーキテクチャにマッピングする利点を実証する。
  論文  参考訳（メタデータ） (2023-03-25T14:40:59Z)
• Virtualization of Tiny Embedded Systems with a robust real-time capable and extensible Stack Virtual Machine REXAVM supporting Material-integrated Intelligent Systems and Tiny Machine Learning [0.0]
  本稿では,動作に等価なソフトウェアとハードウェア(FPGA)の実装において,提案するVMアーキテクチャの適合性を示し,評価する。 全体的なアーキテクチャアプローチでは、VMは特にデジタル信号処理と小さな機械学習に対処する。
  論文  参考訳（メタデータ） (2023-02-17T17:13:35Z)
• Distributed On-Sensor Compute System for AR/VR Devices: A Semi-Analytical Simulation Framework for Power Estimation [2.5696683295721883]
  そこで本研究では,分散オンセンサコンピューティングアーキテクチャにより,集中型システムに比べてシステム消費電力を低減できることを示す。 計算集約型機械学習に基づくハンドトラッキングアルゴリズムの場合、分散オンセンサーコンピューティングアーキテクチャはシステムの消費電力を削減できることを示す。
  論文  参考訳（メタデータ） (2022-03-14T20:18:24Z)

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。