論文の概要: Self-adaptive Multi-Access Edge Architectures: A Robotics Case

• arxiv url: http://arxiv.org/abs/2604.13542v1
• Date: Wed, 15 Apr 2026 06:45:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.420241
• Title: Self-adaptive Multi-Access Edge Architectures: A Robotics Case
• Title（参考訳）: 自己適応型マルチアクセシブエッジアーキテクチャ:ロボットのケース
• Authors: Mahyar T Moghaddam, Joakim Leed, Anders Frandsen,
• Abstract要約: 本稿では,人間とロボットの混在環境における効率的な計算システムに対する自己適応手法を提案する。 このタスクは、知覚データを利用して人間の移動行動を予測し、移動ロボットの積極的な経路計画を強化し、人間の安全を確保するニューラルネットワークアルゴリズムと関連付けられている。 その結果、従来のセットアップよりもサービス品質が顕著に向上し、AI駆動システムに対する提案されたアプローチの有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The growth of compute-intensive AI tasks highlights the need to mitigate the processing costs and improve performance and energy efficiency. This necessitates the integration of intelligent agents as architectural adaptation supervisors tasked with adaptive scaling of the infrastructure and efficient offloading of computation within the continuum. This paper presents a self-adaptation approach for an efficient computing system of a mixed human-robot environment. The computation task is associated with a Neural Network algorithm that leverages sensory data to predict human mobility behaviors, to enhance mobile robots' proactive path planning, and ensure human safety. To streamline neural network processing, we built a distributed edge offloading system with heterogeneous processing units, orchestrated by Kubernetes. By monitoring response times and power consumption, the MAPE-K-based adaptation supervisor makes informed decisions on scaling and offloading. Results show notable improvements in service quality over traditional setups, demonstrating the effectiveness of the proposed approach for AI-driven systems.
• Abstract（参考訳）: 計算集約型AIタスクの成長は、処理コストを軽減し、パフォーマンスとエネルギー効率を改善する必要性を強調している。 これにより、アーキテクチャ適応スーパーバイザとしてのインテリジェントエージェントの統合が必要となり、インフラストラクチャの適応的なスケーリングと、連続体内の計算の効率的なオフロードが要求される。 本稿では,人間とロボットの混在環境における効率的な計算システムに対する自己適応手法を提案する。 この計算タスクは、知覚データを利用して人間の移動行動を予測し、移動ロボットの積極的な経路計画を強化し、人間の安全を確保するニューラルネットワークアルゴリズムに関連付けられている。 ニューラルネットワーク処理の合理化のために、Kubernetesによってオーケストレーションされた異種処理ユニットを備えた分散エッジオフロードシステムを構築しました。 応答時間と電力消費の監視により、MAPE-Kベースの適応スーパーバイザは、スケーリングとオフロードに関する情報決定を行う。 その結果、従来のセットアップよりもサービス品質が顕著に向上し、AI駆動システムに対する提案されたアプローチの有効性が示された。

関連論文リスト

• Networking-Aware Energy Efficiency in Agentic AI Inference: A Survey [64.20429885919701]
  本稿では,知覚・推論・行動サイクル全体にわたる計算・通信コストを同定するエネルギー会計フレームワークを提案する。 我々は、単純化、計算制御、インプット・アンド・アテンション最適化、ハードウェア・アウェア・推論にまたがる統一的な分類法を確立する。 我々は,第6世代移動通信(6G)ネイティブエージェントAI,自己維持システムといったグリーンラーニングのオープンな課題を特定した。
  論文  参考訳（メタデータ） (2026-04-09T06:13:59Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Intelligent Task Offloading in VANETs: A Hybrid AI-Driven Approach for Low-Latency and Energy Efficiency [2.1877558143992184]
  Vehicular Ad-hoc Networks (VANETs) はインテリジェントトランスポートシステムに不可欠なネットワークである。 VANETは、車両が計算タスクを近くのロードサイドユニット(RSU)とリアルタイム処理のためにモバイルエッジコンピューティング(MEC)サーバーにオフロードすることを可能にする。 本研究は、インテリジェントタスクオフロードとリソースアロケーションのための教師付き学習、強化学習、パーティクルスワーム最適化(PSO)を統合したハイブリッドAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-29T13:20:02Z)
• Neural Horizon Model Predictive Control -- Increasing Computational Efficiency with Neural Networks [0.0]
  予測制御をモデル化するための機械学習支援手法を提案する。 安全保証を維持しつつ,問題地平線の一部を近似することを提案する。 提案手法は,迅速な制御応答を必要とするアプリケーションを含む,幅広いアプリケーションに適用可能である。
  論文  参考訳（メタデータ） (2024-08-19T08:13:37Z)
• Offloading and Quality Control for AI Generated Content Services in 6G Mobile Edge Computing Networks [18.723955271182007]
  本稿では, 逆拡散段階における拡散モデルのオフロード決定, 計算時間, 拡散ステップに対する共同最適化アルゴリズムを提案する。 実験結果から,提案アルゴリズムはベースラインよりも優れた継手最適化性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-12-11T08:36:27Z)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• Deep Reinforcement Learning for Collaborative Edge Computing in Vehicular Networks [40.957135065965055]
  協調エッジコンピューティングフレームワークは、コンピューティングサービスのレイテンシを低減し、車両ネットワークのサービスの信頼性を向上させるために開発されている。 人工知能(AI)に基づく協調コンピューティングアプローチが開発され、車両のタスクオフロード、コンピューティング、結果配信ポリシーが決定される。 当社のアプローチでは,サービスレイテンシとサービス障害ペナルティを含むサービスコストを,最適なワークロード割り当てとサーバの選択によって最小化することができる。
  論文  参考訳（メタデータ） (2020-10-05T00:06:37Z)

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。