論文の概要: Edge-Assisted Multi-Robot Visual-Inertial SLAM with Efficient Communication
- arxiv url: http://arxiv.org/abs/2603.11085v1
- Date: Wed, 11 Mar 2026 03:35:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-13 14:46:25.504955
- Title: Edge-Assisted Multi-Robot Visual-Inertial SLAM with Efficient Communication
- Title（参考訳）: 効率的な通信機能を有するエッジ支援マルチロボットビジュアル・慣性SLAM
- Authors: Xin Liu, Shuhuan Wen, Jing Zhao, Tony Z. Qiu, Hong Zhang,
- Abstract要約: ピラミッドIMU予測に基づく光フロートラッキングの軽量SLAM法を提案する。
オンボードコンピューティングリソースの制限や,単一ロボットの実行効率の低下といった問題を回避する。
提案手法は,データボリュームの特徴伝達を低速に行うことができ,従来の局所特徴圧縮法と比較すると,計算負荷の少ない場合の位置決め精度が向上する。
- 参考スコア（独自算出の注目度）: 14.928920657251524
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of cloud computing and edge computing is an effective way to achieve global consistent and real-time multi-robot Simultaneous Localization and Mapping (SLAM). Cloud computing effectively solves the problem of limited computing, communication and storage capacity of terminal equipment. However, limited bandwidth and extremely long communication links between terminal devices and the cloud result in serious performance degradation of multi-robot SLAM systems. To reduce the computational cost of feature tracking and improve the real-time performance of the robot, a lightweight SLAM method of optical flow tracking based on pyramid IMU prediction is proposed. On this basis, a centralized multi-robot SLAM system based on a robot-edge-cloud layered architecture is proposed to realize real-time collaborative SLAM. It avoids the problems of limited on-board computing resources and low execution efficiency of single robot. In this framework, only the feature points and keyframe descriptors are transmitted and lossless encoding and compression are carried out to realize real-time remote information transmission with limited bandwidth resources. This design reduces the actual bandwidth occupied in the process of data transmission, and does not cause the loss of SLAM accuracy caused by data compression. Through experimental verification on the EuRoC dataset, compared with the current most advanced local feature compression method, our method can achieve lower data volume feature transmission, and compared with the current advanced centralized multi-robot SLAM scheme, it can achieve the same or better positioning accuracy under low computational load.
- Abstract（参考訳）: クラウドコンピューティングとエッジコンピューティングの統合は、グローバルに一貫したリアルタイムマルチロボットの同時ローカライゼーションとマッピング(SLAM)を実現する効果的な方法である。
クラウドコンピューティングは、端末機器の限られたコンピューティング、通信、ストレージ容量の問題を効果的に解決する。
しかし、端末装置とクラウド間の帯域幅が限られ、通信が極めて長いため、マルチロボットSLAMシステムの性能が著しく低下する。
特徴追跡の計算コストを削減し,ロボットのリアルタイム性能を向上させるために,ピラミッドIMU予測に基づく光フロートラッキングの軽量SLAM法を提案する。
そこで本研究では,リアルタイム協調型SLAMを実現するために,ロボットエッジクラウド層アーキテクチャに基づく集中型マルチロボットSLAMシステムを提案する。
オンボードコンピューティングリソースの制限や,単一ロボットの実行効率の低下といった問題を回避する。
このフレームワークでは、特徴点とキーフレーム記述子のみを送信し、ロスレス符号化と圧縮を行い、帯域幅の限られたリアルタイムリモート情報伝送を実現する。
この設計は、データ転送の過程で占有される実際の帯域幅を削減し、データ圧縮によるSLAM精度の損失を生じさせない。
提案手法は,EuRoCデータセットに対する実験的な検証により,現在最先端の局所特徴量圧縮法と比較して,より低いデータボリューム特徴量伝送が可能であり,従来の高度集中型マルチロボットSLAM方式と比較して,計算負荷の少ない場合の位置決め精度が向上する。
関連論文リスト
- WISP: Waste- and Interference-Suppressed Distributed Speculative LLM Serving at the Edge via Dynamic Drafting and SLO-Aware Batching [9.305759319664483]
エッジデバイスからの推論要求の増加は、集中型GPUクラスタ上で計算される。
We propose WISP, a efficient and SLO-aware distributed LLM inference system which are a intelligent speculation controller, a confirmed time estimator and a verification batch scheduler。
大規模な数値結果から、WISPはシステム容量を最大2.1倍、最大4.1倍に改善し、中央集権サービスとSLEDと比較してシステム出力を最大1.94倍、さらに3.7倍に向上することが示された。
論文 参考訳（メタデータ） (2026-01-15T16:46:01Z) - Edge-Based Predictive Data Reduction for Smart Agriculture: A Lightweight Approach to Efficient IoT Communication [1.2249546377051437]
IoTデバイスの急速な成長は、処理のためにクラウドサーバへの送信を必要とする膨大なセンサデータを生み出しました。
これは、帯域幅が制限されたリソース制約とリモート環境において特に問題となる。
本稿では,エッジコンピューティング環境向けに設計され,シミュレーションにより検証された解析予測アルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-11-24T13:37:33Z) - Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。
バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文 参考訳（メタデータ） (2025-08-21T02:46:46Z) - Resource-Efficient Beam Prediction in mmWave Communications with Multimodal Realistic Simulation Framework [57.994965436344195]
ビームフォーミングは、方向と強度を最適化して信号伝送を改善するミリ波通信において重要な技術である。
マルチモーダルセンシング支援ビーム予測は,ユーザ位置やネットワーク条件を予測するために,さまざまなセンサデータを使用して注目されている。
その有望な可能性にもかかわらず、マルチモーダルセンシング支援ビーム予測の採用は、高い計算複雑性、高いコスト、限られたデータセットによって妨げられている。
論文 参考訳（メタデータ） (2025-04-07T15:38:25Z) - Task-Oriented Feature Compression for Multimodal Understanding via Device-Edge Co-Inference [54.53508601749513]
本稿では,マルチモーダル理解のためのタスク指向特徴圧縮(TOFC)手法を提案する。
圧縮効率を向上させるために、視覚特徴の特性に基づいて複数のエントロピーモデルを適応的に選択する。
その結果,TOFCはデータ転送オーバーヘッドを最大52%削減し,システム遅延を最大63%削減できることがわかった。
論文 参考訳（メタデータ） (2025-03-17T08:37:22Z) - Pilot Contamination Aware Transformer for Downlink Power Control in Cell-Free Massive MIMO Networks [45.487183737784086]
本稿では,パイロット汚染対応電源制御(PAPC)トランスニューラルネットワークを提案する。
PAPCはパイロットアロケーションデータをネットワークに統合し、パイロット汚染シナリオを効果的に処理する。
PAPCは教師なし学習フレームワークで訓練され、加速近位勾配(APG)アルゴリズムに対して評価される。
論文 参考訳（メタデータ） (2024-11-28T09:48:52Z) - Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。
本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。
提案手法の有効性を数値解析により検証した。
論文 参考訳（メタデータ） (2024-11-04T17:48:02Z) - Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。
この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文 参考訳（メタデータ） (2024-08-26T17:03:14Z) - Slimmable Encoders for Flexible Split DNNs in Bandwidth and Resource
Constrained IoT Systems [12.427821850039448]
本稿では,スリム化可能なアンサンブルエンコーダに基づく分割計算手法を提案する。
私たちの設計の主な利点は、計算負荷と送信データサイズを最小限のオーバーヘッドと時間でリアルタイムで適応できることです。
本モデルでは,圧縮効率や実行時間,特にモバイルデバイスの弱い状況において,既存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） (2023-06-22T06:33:12Z) - A Compressive Sensing Approach for Federated Learning over Massive MIMO
Communication Systems [82.2513703281725]
フェデレートラーニング(Federated Learning)は、無線デバイスとのコラボレーションによって、中央サーバでグローバルモデルをトレーニングするための、プライバシ保護のアプローチである。
本稿では,大規模マルチインプット多出力通信システム上でのフェデレーション学習のための圧縮センシング手法を提案する。
論文 参考訳（メタデータ） (2020-03-18T05:56:27Z)
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。