論文の概要: RoboECC: Multi-Factor-Aware Edge-Cloud Collaborative Deployment for VLA Models

• arxiv url: http://arxiv.org/abs/2603.20711v1
• Date: Sat, 21 Mar 2026 08:16:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.052153
• Title: RoboECC: Multi-Factor-Aware Edge-Cloud Collaborative Deployment for VLA Models
• Title（参考訳）: RoboECC: VLAモデルのためのマルチファクタ対応エッジクラウドコラボレーションデプロイメント
• Authors: Zihao Zheng, Hangyu Cao, Jiayu Chen, Sicheng Tian, Chenyue Li, Maoliang Li, Xinhao Sun, Guojie Luo, Xiang Chen,
• Abstract要約: Edge-Cloud Collaborative (ECC)デプロイメントは、エッジデバイスコンピューティングプレッシャーを緩和して、リアルタイムのニーズを満たすことで、効果的な修正を提供する。 既存のECCフレームワークは2つの課題のためにVLAモデルに最適である。 本稿では,ロボECCと呼ばれる様々なVLAモデルのための新しいECCデプロイメントフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.699696250980127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action (VLA) models are mainstream in embodied intelligence but face high inference costs. Edge-Cloud Collaborative (ECC) deployment offers an effective fix by easing edge-device computing pressure to meet real-time needs. However, existing ECC frameworks are suboptimal for VLA models due to two challenges: (1) Diverse model structures hinder optimal ECC segmentation point identification; (2) Even if the optimal split point is determined, changes in network bandwidth can cause performance drift. To address these issues, we propose a novel ECC deployment framework for various VLA models, termed RoboECC. Specifically, we propose a model-hardware co-aware segmentation strategy to help find the optimal segmentation point for various VLA models. Moreover, we propose a network-aware deployment adjustment approach to adapt to the network fluctuations for maintaining optimal performance. Experiments demonstrate that RoboECC achieves a speedup of up to 3.28x with only 2.55x~2.62x overhead.
• Abstract（参考訳）: VLA(Vision-Language-Action)モデルは、インボディードインテリジェンスにおいて主流であるが、高い推論コストに直面している。 Edge-Cloud Collaborative (ECC)デプロイメントは、エッジデバイスコンピューティングプレッシャーを緩和して、リアルタイムのニーズを満たすことで、効果的な修正を提供する。 しかし, 既存のECCフレームワークは, 1) 最適ECCセグメンテーションポイントの識別を阻害する逆モデル構造, (2) 最適スプリットポイントが決定された場合でも, ネットワーク帯域幅の変化は性能の低下を引き起こす。 これらの問題に対処するため、我々は、RoboECCと呼ばれる様々なVLAモデルのための新しいECCデプロイメントフレームワークを提案する。 具体的には、様々なVLAモデルに対して最適なセグメンテーションポイントを見つけるのに役立つモデルハードウェア協調セグメンテーション戦略を提案する。 さらに、最適性能を維持するために、ネットワーク変動に適応するネットワーク対応デプロイメント調整手法を提案する。 実験の結果、RoboECCは2.55x~2.62倍のオーバーヘッドで最大3.28倍のスピードアップを達成した。

関連論文リスト

• RAPID: Redundancy-Aware and Compatibility-Optimal Edge-Cloud Partitioned Inference for Diverse VLA Models [13.258542341980748]
  視覚言語行動(VLA)モデルは、インテリジェンスにおいて主流であるが、高い推論コストに直面している。 RAPIDと呼ばれる新しいエッジクラウド協調型(ECC)推論フレームワークを提案する。 実験では、最大1.73倍のスピードアップを達成でき、オーバーヘッドはわずか5%である。
  論文  参考訳（メタデータ） (2026-03-09T04:30:57Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• SP-VLA: A Joint Model Scheduling and Token Pruning Approach for VLA Model Acceleration [70.72227437717467]
  VLA(Vision-Language-Action)モデルは、その強力な制御能力に注目が集まっている。 計算コストが高く、実行頻度も低いため、ロボット操作や自律ナビゲーションといったリアルタイムタスクには適さない。 本稿では,共同スケジューリングモデルとプルーニングトークンにより,VLAモデルを高速化する統一フレームワークSP-VLAを提案する。
  論文  参考訳（メタデータ） (2025-06-15T05:04:17Z)
• Opportunistic Collaborative Planning with Large Vision Model Guided Control and Joint Query-Service Optimization [74.92515821144484]
  オープンなシナリオで自動運転車をナビゲートすることは、目に見えない物体を扱うのが難しいため、課題である。 既存のソリューションは、一般化に苦しむ小さなモデルか、リソース集約的な大きなモデルに依存している。 本稿では,効率的なローカルモデルと強力なクラウドモデルをシームレスに統合するオポチュニティ協調計画(OCP)を提案する。
  論文  参考訳（メタデータ） (2025-04-25T04:07:21Z)
• A-SDM: Accelerating Stable Diffusion through Model Assembly and Feature Inheritance Strategies [51.7643024367548]
  安定拡散モデルは、テキスト・ツー・イメージ(T2I)と画像・ツー・イメージ(I2I)生成のための一般的かつ効果的なモデルである。 本研究では、SDMにおける冗長計算の削減と、チューニング不要とチューニング不要の両方の手法によるモデルの最適化に焦点をあてる。
  論文  参考訳（メタデータ） (2024-05-31T21:47:05Z)

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。