論文の概要: TinyNav: End-to-End TinyML for Real-Time Autonomous Navigation on Microcontrollers

• arxiv url: http://arxiv.org/abs/2603.11071v1
• Date: Tue, 10 Mar 2026 17:54:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.495322
• Title: TinyNav: End-to-End TinyML for Real-Time Autonomous Navigation on Microcontrollers
• Title（参考訳）: TinyNav: マイクロコントローラ上でリアルタイムの自律ナビゲーションを実現するTinyML
• Authors: Pooria Roy, Nourhan Jadallah. Tomer Lapid, Shahzaib Ahmad, Armita Afroushe, Mete Bayrak,
• Abstract要約: ESP32マイクロコントローラ上でのリアルタイム自律ナビゲーションのためのエンドツーエンドTinyMLシステムを提案する。 カスタムトレーニングされた量子化された2D畳み込みニューラルネットワークは、20フレームの深度データのスライディングウィンドウを処理し、ステアリングとスロットルコマンドを予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Autonomous navigation typically relies on power-intensive processors, limiting accessibility in low-cost robotics. Although microcontrollers offer a resource-efficient alternative, they impose strict constraints on model complexity. We present TinyNav, an end-to-end TinyML system for real-time autonomous navigation on an ESP32 microcontroller. A custom-trained, quantized 2D convolutional neural network processes a 20-frame sliding window of depth data to predict steering and throttle commands. By avoiding 3D convolutions and recurrent layers, the 23k-parameter model achieves 30 ms inference latency. Correlation analysis and Grad-CAM validation indicate consistent spatial awareness and obstacle avoidance behavior. TinyNav demonstrates that responsive autonomous control can be deployed directly on highly constrained edge devices, reducing reliance on external compute resources.
• Abstract（参考訳）: 自律ナビゲーションは一般的に電力集約型プロセッサに依存し、低コストのロボティクスのアクセシビリティを制限する。 マイクロコントローラはリソース効率の良い代替手段を提供するが、モデルの複雑さに厳格な制約を課す。 ESP32マイクロコントローラ上でのリアルタイム自律ナビゲーションのためのエンドツーエンドのTinyMLシステムであるTinyNavを紹介する。 カスタムトレーニングされた量子化された2D畳み込みニューラルネットワークは、20フレームの深度データのスライディングウィンドウを処理し、ステアリングとスロットルコマンドを予測する。 3D畳み込みや繰り返しのレイヤを避けることで、23kパラメータモデルは30ミリ秒の推論レイテンシを実現する。 相関解析とGrad-CAM検証は、一貫した空間認識と障害物回避行動を示す。 TinyNav氏は、応答性のある自律制御を高度に制約されたエッジデバイスに直接デプロイできることを示し、外部の計算リソースへの依存を減らす。

関連論文リスト

• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• TP-MDDN: Task-Preferenced Multi-Demand-Driven Navigation with Autonomous Decision-Making [90.18833928208333]
  Task-Preferenced Multi-Demand-Driven Navigation (TP-MDDN)は、複数のサブオンデマンドと明示的なタスク嗜好を含む長距離ナビゲーションのための新しいベンチマークである。 空間記憶のために,3次元点雲蓄積と2次元意味マッピングを組み合わせたMASMapを設計した。 本手法は,認識精度とナビゲーションの堅牢性の両方において,最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-11-21T13:12:13Z)
• Nav-EE: Navigation-Guided Early Exiting for Efficient Vision-Language Models in Autonomous Driving [24.706739338133236]
  Nav-EEは、タスク固有のエグジット層をオフラインでプリコンプリートし、それらをオンラインに動的に適用する、ナビゲーション誘導早期退避フレームワークである。 実験によると、Nav-EEは完全な推論に匹敵する精度を達成し、レイテンシを最大63.9%削減している。
  論文  参考訳（メタデータ） (2025-10-02T08:37:58Z)
• TinyLidarNet: 2D LiDAR-based End-to-End Deep Learning Model for F1TENTH Autonomous Racing [1.8874331450711404]
  自動運転車のための軽量2D LiDARベースのエンドツーエンドディープラーニングモデルであるTinyLidarNetを紹介した。 ティニーライダーネットを使用したF1TENTH車両は、12回目のF1TENTH自律グランプリで3位を獲得した。
  論文  参考訳（メタデータ） (2024-10-09T21:28:33Z)
• NaviSplit: Dynamic Multi-Branch Split DNNs for Efficient Distributed Autonomous Navigation [1.7477924189297296]
  NaviSplitは、分散された動的マルチブランチニューラルネットワークを組み込んだ軽量ナビゲーションフレームワークの最初の例である。 本実装では,ロバストなシミュレータであるMicrosoft AirSimを用いて,ドローンが捉えた単眼RGB画像から2次元深度マップを抽出する。 以上の結果から,NaviSplit深度モデルでは72～81%の抽出精度が得られた。
  論文  参考訳（メタデータ） (2024-06-18T22:25:09Z)
• UnLoc: A Universal Localization Method for Autonomous Vehicles using LiDAR, Radar and/or Camera Input [51.150605800173366]
  UnLocは、全ての気象条件におけるマルチセンサー入力によるローカライズのための、新しい統一型ニューラルネットワークアプローチである。 本手法は,Oxford Radar RobotCar,Apollo SouthBay,Perth-WAの各データセットで広く評価されている。
  論文  参考訳（メタデータ） (2023-07-03T04:10:55Z)
• Ultra-low Power Deep Learning-based Monocular Relative Localization Onboard Nano-quadrotors [64.68349896377629]
  この研究は、2つのピアナノドロンのディープニューラルネットワーク(DNN)を介して、単分子の相対的な局所化に対処する、新しい自律的なエンドツーエンドシステムを示す。 超制約ナノドローンプラットフォームに対処するため,データセットの増大,量子化,システム最適化などを含む垂直統合フレームワークを提案する。 実験の結果,DNNは低分解能モノクローム画像のみを用いて最大2mの距離で10cmのターゲットナノドローンを正確に局在させることができることがわかった。
  論文  参考訳（メタデータ） (2023-03-03T14:14:08Z)
• Efficient and Robust LiDAR-Based End-to-End Navigation [132.52661670308606]
  我々は,LiDARをベースとした効率的なエンドツーエンドナビゲーションフレームワークを提案する。 本稿では,スパース畳み込みカーネル最適化とハードウェア対応モデル設計に基づくFast-LiDARNetを提案する。 次に,単一の前方通過のみから予測の不確かさを直接推定するハイブリッド・エビデンシャル・フュージョンを提案する。
  論文  参考訳（メタデータ） (2021-05-20T17:52:37Z)
• Robustifying the Deployment of tinyML Models for Autonomous mini-vehicles [61.27933385742613]
  本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。 我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。 CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
  論文  参考訳（メタデータ） (2020-07-01T07:54:26Z)

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。