論文の概要: [Emerging Ideas] Artificial Tripartite Intelligence: A Bio-Inspired, Sensor-First Architecture for Physical AI
- arxiv url: http://arxiv.org/abs/2604.13959v1
- Date: Wed, 15 Apr 2026 15:10:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.599719
- Title: [Emerging Ideas] Artificial Tripartite Intelligence: A Bio-Inspired, Sensor-First Architecture for Physical AI
- Title（参考訳）: 先進的なアイデア] 人工三部体知能: バイオインスパイアされた、物理的なAIのためのセンサファーストアーキテクチャ
- Authors: You Rim Choi, Subeom Park, Hyung-Sin Kim,
- Abstract要約: 本稿では,バイオインスパイアされたセンサファーストアーキテクチャ契約であるArtificial Tripartite Intelligence(ATI)を紹介する。
脳幹(L1)は反射安全と信号積分制御を提供し、脳小脳(L2)は連続的なセンサキャリブレーションを行い、脳推論サブシステムはL3/L4にまたがるルーチンスキルの選択と調整、調整、深い推論をサポートする。
- 参考スコア（独自算出の注目度）: 4.932130498861987
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As AI moves from data centers to robots and wearables, scaling ever-larger models becomes insufficient. Physical AI operates under tight latency, energy, privacy, and reliability constraints, and its performance depends not only on model capacity but also on how signals are acquired through controllable sensors in dynamic environments. We present Artificial Tripartite Intelligence (ATI), a bio-inspired, sensor-first architectural contract for physical AI. ATI is tripartite at the systems level: a Brainstem (L1) provides reflexive safety and signal-integrity control, a Cerebellum (L2) performs continuous sensor calibration, and a Cerebral Inference Subsystem spanning L3/L4 supports routine skill selection and execution, coordination, and deep reasoning. This modular organization allows sensor control, adaptive sensing, edge-cloud execution, and foundation model reasoning to co-evolve within one closed-loop architecture, while keeping time-critical sensing and control on device and invoking higher-level inference only when needed. We instantiate ATI in a mobile camera prototype under dynamic lighting and motion. In our routed evaluation (L3-L4 split inference), compared to the default auto-exposure setting, ATI (L1/L2 adaptive sensing) improves end-to-end accuracy from 53.8% to 88% while reducing remote L4 invocations by 43.3%. These results show the value of co-designing sensing and inference for embodied AI.
- Abstract（参考訳）: AIがデータセンターからロボットやウェアラブルへと移行するにつれ、超大型モデルのスケーリングは不十分になる。
物理AIは、厳密なレイテンシ、エネルギ、プライバシ、信頼性の制約の下で動作し、そのパフォーマンスはモデルキャパシティだけでなく、動的環境における制御可能なセンサーによる信号の取得方法にも依存する。
本稿では,バイオインスパイアされたセンサファーストアーキテクチャ契約であるArtificial Tripartite Intelligence(ATI)を紹介する。
脳幹(L1)は反射安全と信号積分制御を提供し、脳小脳(L2)は連続的なセンサキャリブレーションを行い、脳推論サブシステムはL3/L4にまたがるルーチンスキルの選択と調整、調整、深い推論をサポートする。
このモジュール化された組織は、センサ制御、適応センシング、エッジクラウド実行、ファンデーションモデル推論を、1つのクローズドループアーキテクチャ内で共進化させると同時に、デバイスに対する時間クリティカルな検知と制御を保持し、必要時にのみ高レベルの推論を実行することができる。
我々は、動的照明とモーションの下で、モバイルカメラのプロトタイプでAITをインスタンス化する。
ルート評価(L3-L4分割推論)では、デフォルトのオート露光設定と比較して、ATI(L1/L2適応センシング)は、リモートL4呼び出しを43.3%削減しつつ、エンドツーエンドの精度を53.8%から88%に向上させる。
これらの結果から,組込みAIにおける協調設計センシングと推論の価値が示された。
関連論文リスト
- Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - RADAR: Benchmarking Vision-Language-Action Generalization via Real-World Dynamics, Spatial-Physical Intelligence, and Autonomous Evaluation [76.22852262683746]
本稿では,現実的な条件下でのVLA一般化を体系的に評価するベンチマークであるRADARを紹介する。
RADARを用いて、複数の最先端のVLAモデルを監査し、その明らかな能力の下で深刻な脆弱性を明らかにする。
論文 参考訳（メタデータ） (2026-02-11T16:08:30Z) - ReSPEC: A Framework for Online Multispectral Sensor Reconfiguration in Dynamic Environments [6.718801307135799]
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。
論文 参考訳（メタデータ） (2026-02-11T05:39:24Z) - 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) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - CognitiveArm: Enabling Real-Time EEG-Controlled Prosthetic Arm Using Embodied Machine Learning [5.060526885213379]
CognitiveArmは、組み込みAIハードウェア上に実装された脳波駆動の脳制御義肢システムである。
組み込みハードウェアで完全に動作するため、低レイテンシとリアルタイムの応答性が保証される。
OpenBCI UltraCortex Mark IV EEGヘッドセットとインターフェースされた本格的なプロトタイプは、3つのコアアクションの分類において最大90%の精度を達成した。
論文 参考訳（メタデータ） (2025-08-11T08:04:59Z) - AI/ML Life Cycle Management for Interoperable AI Native RAN [50.61227317567369]
人工知能(AI)と機械学習(ML)モデルは、5Gラジオアクセスネットワーク(RAN)を急速に浸透させている
これらの開発は、AIネイティブなトランシーバーを6Gのキーイネーブルとして基盤を築いた。
論文 参考訳（メタデータ） (2025-07-24T16:04:59Z) - 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) - Deep Learning for Human Locomotion Analysis in Lower-Limb Exoskeletons: A Comparative Study [1.3569491184708433]
本稿では,8つのディープニューラルネットワークのバックボーンによる高レベル移動パラメータの予測実験を行った。
LSTMは高い地形分類精度(0.94 +- 0.04)と正確な傾斜斜面(1.95 +- 0.58deg)、CNN-LSTMは階段の高さ(15.65 +- 7.40 mm)を達成した。
システムは2ミリ秒の推論時間で動作し、リアルタイムアプリケーションをサポートする。
論文 参考訳（メタデータ） (2025-03-21T07:12:44Z)
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。