論文の概要: ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments
- arxiv url: http://arxiv.org/abs/2602.10547v1
- Date: Wed, 11 Feb 2026 05:39:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.353246
- Title: ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments
- Title（参考訳）: ReSPEC: 動的環境におけるオンラインマルチスペクトルセンサ再構成フレームワーク
- Authors: Yanchen Liu, Yuang Fan, Minghui Zhao, Xiaofan Jiang,
- Abstract要約: センサ,学習,アクティベーションをクローズドなリコンフィグレーションループに統合するフレームワークを導入する。
我々は,このフレームワークを移動体ローバー上で実装し評価し,適応制御がベースラインに比べて5.3%の精度低下で負荷を29.3%削減することを示した。
- 参考スコア（独自算出の注目度）: 6.718801307135799
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-sensor fusion is central to robust robotic perception, yet most existing systems operate under static sensor configurations, collecting all modalities at fixed rates and fidelity regardless of their situational utility. This rigidity wastes bandwidth, computation, and energy, and prevents systems from prioritizing sensors under challenging conditions such as poor lighting or occlusion. Recent advances in reinforcement learning (RL) and modality-aware fusion suggest the potential for adaptive perception, but prior efforts have largely focused on re-weighting features at inference time, ignoring the physical cost of sensor data collection. We introduce a framework that unifies sensing, learning, and actuation into a closed reconfiguration loop. A task-specific detection backbone extracts multispectral features (e.g. RGB, IR, mmWave, depth) and produces quantitative contribution scores for each modality. These scores are passed to an RL agent, which dynamically adjusts sensor configurations, including sampling frequency, resolution, sensing range, and etc., in real time. Less informative sensors are down-sampled or deactivated, while critical sensors are sampled at higher fidelity as environmental conditions evolve. We implement and evaluate this framework on a mobile rover, showing that adaptive control reduces GPU load by 29.3\% with only a 5.3\% accuracy drop compared to a heuristic baseline. These results highlight the potential of resource-aware adaptive sensing for embedded robotic platforms.
- Abstract（参考訳）: マルチセンサー融合はロバストなロボット知覚の中心であるが、既存のほとんどのシステムは静的なセンサー構成の下で動作し、その状況によらず、固定レートと忠実度で全てのモダリティを収集する。
この剛性は、帯域幅、計算、エネルギーを浪費し、照明や閉塞などの困難な条件下でのセンサーの優先順位付けを防ぐ。
近年の強化学習(RL)とモダリティ認識融合(Modality-aware fusion)の進歩は適応認識の可能性を示しているが、これまではセンサデータ収集の物理的コストを無視して、推論時の特徴の再重み付けに重点を置いてきた。
センサ,学習,アクティベーションをクローズドなリコンフィグレーションループに統合するフレームワークを導入する。
タスク固有の検出バックボーンは、マルチスペクトル特徴(例えば、RGB、IR、mmWave、深さ)を抽出し、各モードに対して定量的なコントリビューションスコアを生成する。
これらのスコアはRLエージェントに渡され、サンプリング周波数、解像度、センシング範囲などを含むセンサ構成をリアルタイムで動的に調整する。
少ない情報センサはダウンサンプリングされるか、あるいは非活性化されるが、重要なセンサーは環境条件が進化するにつれて、より忠実にサンプリングされる。
我々は、このフレームワークをモバイルローバー上で実装し評価し、適応制御により、ヒューリスティックベースラインに比べて5.3\%の精度低下でGPU負荷を29.3\%削減することを示した。
これらの結果は,組込みロボットプラットフォームにおける資源認識型適応センシングの可能性を強調した。
関連論文リスト
- UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。
UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する
高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文 参考訳（メタデータ） (2026-02-01T11:03:01Z) - Occluded nuScenes: A Multi-Sensor Dataset for Evaluating Perception Robustness in Automated Driving [4.60199848319746]
Occluded nuScenesデータセットは、広く使用されているnuScenesベンチマークの新しい拡張である。
このリソースは、部分的なセンサ故障と環境干渉下での知覚モデルの一貫した再現可能な評価をサポートする。
我々は,自動運転におけるロバストなセンサフュージョン,レジリエンス解析,および安全クリティカルな認識に関する研究を進めることを目的としている。
論文 参考訳（メタデータ） (2025-10-21T12:02:26Z) - Progressive Inertial Poser: Progressive Real-Time Kinematic Chain Estimation for 3D Full-Body Pose from Three IMU Sensors [25.67875816218477]
スパース追跡信号からのフルボディポーズ推定は、環境条件や記録範囲によって制限されない。
従来の作業では、骨盤と下肢にセンサーを追加することや、キージョイントのグローバルな位置を得るために外部視覚センサーに頼ることが困難だった。
仮想現実技術の実用性を向上させるため,頭部と手首に装着した3つの慣性計測ユニット(IMU)センサから得られた慣性データのみを用いて,全身のポーズを推定した。
論文 参考訳（メタデータ） (2025-05-08T15:28:09Z) - Optimizing Sensor Redundancy in Sequential Decision-Making Problems [6.801212913428521]
強化学習(Reinforcement Learning, RL)ポリシは、現在の観測結果に基づいて行動を予測することで、累積的な将来の報酬を最大化する。
現実世界のアプリケーションでは、センサは現在の状態を計測し、RLポリシーが決定に依存する観察を行うために不可欠である。
本稿では、所定の閾値未満のコストを維持しながら、期待したリターンを最大化するためのバックアップセンサ構成の最適化について検討する。
論文 参考訳（メタデータ） (2024-12-10T17:20:44Z) - CAFuser: Condition-Aware Multimodal Fusion for Robust Semantic Perception of Driving Scenes [56.52618054240197]
本研究では,運転シーンのロバストな意味認識のための条件対応型マルチモーダル融合手法を提案する。
CAFuserは、RGBカメラ入力を用いて環境条件を分類し、コンディショントークンを生成する。
我々のモデルは、特に悪条件シナリオにおいて、ロバスト性と精度を著しく向上させる。
論文 参考訳（メタデータ） (2024-10-14T17:56:20Z) - DiffusionPoser: Real-time Human Motion Reconstruction From Arbitrary Sparse Sensors Using Autoregressive Diffusion [10.439802168557513]
限られた数のボディウーンセンサーからのモーションキャプチャーは、健康、人間のパフォーマンス、エンターテイメントに重要な応用がある。
最近の研究は、6つのIMUを用いて、特定のセンサー構成から全身の動きを正確に再構築することに焦点を当てている。
センサの任意の組み合わせから人の動きをリアルタイムで再現する単一拡散モデルDiffusionPoserを提案する。
論文 参考訳（メタデータ） (2023-08-31T12:36:50Z) - 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) - Real-time detection of uncalibrated sensors using Neural Networks [62.997667081978825]
オンライン学習に基づく温度・湿度・圧力センサの非校正検出装置を開発した。
このソリューションはニューラルネットワークをメインコンポーネントとして統合し、校正条件下でのセンサーの動作から学習する。
その結果, 提案手法は, 偏差値0.25度, 1% RH, 1.5Paの偏差をそれぞれ検出できることがわかった。
論文 参考訳（メタデータ） (2021-02-02T15:44:39Z) - Learning Camera Miscalibration Detection [83.38916296044394]
本稿では,視覚センサ,特にRGBカメラの誤校正検出を学習するためのデータ駆動型アプローチに焦点を当てた。
コントリビューションには、RGBカメラの誤校正基準と、この基準に基づく新しい半合成データセット生成パイプラインが含まれる。
深層畳み込みニューラルネットワークをトレーニングすることにより、カメラ固有のパラメータの再校正が必要か否かを判断するパイプラインの有効性を実証する。
論文 参考訳（メタデータ） (2020-05-24T10:32:49Z)
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。