論文の概要: RAPID: Reconfigurable, Adaptive Platform for Iterative Design

• arxiv url: http://arxiv.org/abs/2602.06653v1
• Date: Fri, 06 Feb 2026 12:28:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.393234
• Title: RAPID: Reconfigurable, Adaptive Platform for Iterative Design
• Title（参考訳）: RAPID: 反復設計のための再構成可能で適応的なプラットフォーム
• Authors: Zi Yin, Fanhong Li, Shurui Zheng, Jia Liu,
• Abstract要約: RAPIDは、ハンドヘルドデータ収集とロボットのデプロイメントを統合する、ツールフリーでモジュラーなハードウェアアーキテクチャである。 物理マスクは、明示的な実行時信号としてモダリティの存在を露呈する。 システム中心の実験により、RAPIDはマルチモーダル構成のセットアップ時間を2桁に短縮することを示した。
• 参考スコア（独自算出の注目度）: 3.8103821995386356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing robotic manipulation policies is iterative and hypothesis-driven: researchers test tactile sensing, gripper geometries, and sensor placements through real-world data collection and training. Yet even minor end-effector changes often require mechanical refitting and system re-integration, slowing iteration. We present RAPID, a full-stack reconfigurable platform designed to reduce this friction. RAPID is built around a tool-free, modular hardware architecture that unifies handheld data collection and robot deployment, and a matching software stack that maintains real-time awareness of the underlying hardware configuration through a driver-level Physical Mask derived from USB events. This modular hardware architecture reduces reconfiguration to seconds and makes systematic multi-modal ablation studies practical, allowing researchers to sweep diverse gripper and sensing configurations without repeated system bring-up. The Physical Mask exposes modality presence as an explicit runtime signal, enabling auto-configuration and graceful degradation under sensor hot-plug events, so policies can continue executing when sensors are physically added or removed. System-centric experiments show that RAPID reduces the setup time for multi-modal configurations by two orders of magnitude compared to traditional workflows and preserves policy execution under runtime sensor hot-unplug events. The hardware designs, drivers, and software stack are open-sourced at https://rapid-kit.github.io/ .
• Abstract（参考訳）: 研究者たちは、現実世界のデータ収集とトレーニングを通じて、触覚センサー、グリッパージオメトリー、センサー配置をテストする。 しかし、小さなエンドエフェクタの変更であっても、しばしば機械的なリフィットとシステムの再統合を必要とし、イテレーションを遅くする。 本稿では、この摩擦を軽減するために設計されたフルスタックの再構成可能なプラットフォームであるRAPIDを紹介する。 RAPIDは、ハンドヘルドデータ収集とロボットデプロイメントを統合する、ツールフリーでモジュール型のハードウェアアーキテクチャと、USBイベントから派生したドライバレベルの物理マスクを通じて、基盤となるハードウェア構成をリアルタイムに認識するソフトウェアスタックを中心に構築されている。 このモジュラーハードウェアアーキテクチャは、再構成を秒に短縮し、体系的なマルチモーダルアブレーション研究を実践する。 物理マスクは、モダリティの存在を明示的なランタイム信号として公開し、センサホットプラグイベントにおける自動設定と優雅な劣化を可能にする。 システム中心の実験では、RAPIDは従来のワークフローと比較して、マルチモーダル構成のセットアップ時間を2桁削減し、ランタイムセンサーのホットアンプラグイベント下でポリシー実行を保存する。 ハードウェア設計、ドライバ、ソフトウェアスタックはhttps://rapid-kit.github.io/でオープンソース化されている。

関連論文リスト

• Leveraging SystemC-TLM-based Virtual Prototypes for Embedded Software Fuzzing [1.4764499873402919]
  SystemCベースの仮想プロトタイプは、ハードウェアが利用可能になる前にソフトウェアをテストするツールとして広く採用されている。 本稿では,American-Fuzzy-Lop-based fuzzerとSystemC-based simulatorを統合可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T10:03:11Z)
• Feedback-MPPI: Fast Sampling-Based MPC via Rollout Differentiation -- Adios low-level controllers [0.9674641730446749]
  モデル予測経路積分制御は、複雑なロボット作業に適したサンプリングベースの強力なアプローチである。 本稿では,勾配型MPCの感度から得られる頑健なフィードバックゲインを紹介する。 2つのロボットプラットフォームにおける実環境実験によるシミュレーションにおけるF-MPPIの有効性を実証する。
  論文  参考訳（メタデータ） (2025-06-17T07:47:33Z)
• Multi-modal Multi-platform Person Re-Identification: Benchmark and Method [58.59888754340054]
  MP-ReIDは、マルチモダリティとマルチプラットフォームReIDに特化した新しいデータセットである。 このベンチマークは、RGB、赤外線、サーマルイメージングなど、さまざまなモードで1,930のIDからデータをコンパイルする。 クロスモダリティとクロスプラットフォームシナリオに適した,特定設計のプロンプトを備えたフレームワークであるUni-Prompt ReIDを紹介する。
  論文  参考訳（メタデータ） (2025-03-21T12:27:49Z)
• LCD-Net: A Lightweight Remote Sensing Change Detection Network Combining Feature Fusion and Gating Mechanism [6.5655751924536006]
  リモートセンシング画像変化検出(RSCD)は動的表面変化の監視に不可欠である。 従来のCNNベースの手法は、高い計算複雑性と大きなパラメータ数に悩まされている。 本稿では,高検出性能を維持しつつ,モデルサイズと計算コストを低減する軽量な変更検出ネットワーク(LCD-Net)を提案する。
  論文  参考訳（メタデータ） (2024-10-14T10:33:30Z)
• Random resistive memory-based deep extreme point learning machine for unified visual processing [67.51600474104171]
  ハードウェア・ソフトウェア共同設計型, ランダム抵抗型メモリベース深部極点学習マシン(DEPLM)を提案する。 我々の共同設計システムは,従来のシステムと比較して,エネルギー効率の大幅な向上とトレーニングコストの削減を実現している。
  論文  参考訳（メタデータ） (2023-12-14T09:46:16Z)
• CARMA: Context-Aware Runtime Reconfiguration for Energy-Efficient Sensor Fusion [11.313017866190622]
  CARMA: 実行時にコンテキストを用いて計算フローを再構成するコンテキスト認識型センサ融合手法を提案する。 CARMAは、性能を損なうことなく、多感性物体検出器によって使用されるエネルギーを著しく削減する。 我々は,複数の文脈識別戦略を評価し,新しいシステム全体のエネルギーパフォーマンス共同最適化を提案し,シナリオ固有の知覚性能を評価する。
  論文  参考訳（メタデータ） (2023-06-27T19:00:07Z)
• Cooperative Hardware-Prompt Learning for Snapshot Compressive Imaging [51.65127848056702]
  本稿では,圧縮圧縮画像システムの協調最適化を目的としたFederated Hardware-Prompt Learning (FedHP) フレームワークを提案する。 FedHPは、クライアント間で一貫性のないデータ分散を調整するためのハードウェア条件のプロンプトを学習し、異なるハードウェア間のデータの一貫性の指標となる。 実験により、提案したFedHPは、事前学習されたモデルを複数のハードウェア構成に調整し、0.35dBのFLフレームワークよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2023-06-01T22:21:28Z)
• FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
  既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。 FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
  論文  参考訳（メタデータ） (2023-02-05T12:13:27Z)
• hARMS: A Hardware Acceleration Architecture for Real-Time Event-Based Optical Flow [0.0]
  イベントベースの視覚センサは、視覚シーンの変化に基づいて、時間分解能の高い非同期イベントストリームを生成する。 イベントデータから光の流れを計算するための既存の解は、開口問題により運動の真の方向を捉えることができない。 本稿では,低消費電力な組込みプラットフォーム上での真の流れのリアルタイム計算を可能にするfARMSアルゴリズムのハードウェア実現について述べる。
  論文  参考訳（メタデータ） (2021-12-13T16:27:17Z)
• SensiX++: Bringing MLOPs and Multi-tenant Model Serving to Sensory Edge Devices [69.1412199244903]
  エッジデバイス上でMLOpsを統合した,適応モデル実行のためのマルチテナントランタイムを提案する。 S SensiX++は、高度にモジュール化されたコンポーネント化と、明確な抽象化によるデータ操作の外部化と、システム全体のオーケストレーションのためのドキュメント中心の宣言という、2つの基本原則で運用されている。 SensiX++のさまざまな自動化コンポーネントの全体的なスループットと定量化メリットについて報告し、運用の複雑さを著しく低減し、エッジデバイスへの組み込みモデルのデプロイ、アップグレード、再構成、提供の労力を削減する効果を実証する。
  論文  参考訳（メタデータ） (2021-09-08T22:06:16Z)

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。