論文の概要: A Survey of Spatial Memory Representations for Efficient Robot Navigation
- arxiv url: http://arxiv.org/abs/2604.16482v1
- Date: Mon, 13 Apr 2026 02:12:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.016307
- Title: A Survey of Spatial Memory Representations for Efficient Robot Navigation
- Title（参考訳）: 効率的なロボットナビゲーションのための空間記憶表現の検討
- Authors: Ma. Madecheen S. Pangaliman, Steven S. Sison, Erwin P. Quilloy, Rowel Atienza,
- Abstract要約: 52のシステムにまたがる88の参照の空間記憶効率の問題を調査した。
M_textpeak / M_textmap$は、ピーク時メモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズとの比率である。
- 参考スコア（独自算出の注目度）: 4.560386676154887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As vision-based robots navigate larger environments, their spatial memory grows without bound, eventually exhausting computational resources, particularly on embedded platforms (8-16GB shared memory, $<$30W) where adding hardware is not an option. This survey examines the spatial memory efficiency problem across 88 references spanning 52 systems (1989-2025), from occupancy grids to neural implicit representations. We introduce the $α= M_{\text{peak}} / M_{\text{map}}$, the ratio of peak runtime memory (the total RAM or GPU memory consumed during operation) to saved map size (the persistent checkpoint written to disk), exposing the gap between published map sizes and actual deployment cost. Independent profiling on an NVIDIA A100 GPU reveals that $α$ spans two orders of magnitude within neural methods alone, ranging from 2.3 (Point-SLAM) to 215 (NICE-SLAM, whose 47,MB map requires 10GB at runtime), showing that memory architecture, not paradigm label, determines deployment feasibility. We propose a standardized evaluation protocol comprising memory growth rate, query latency, memory-completeness curves, and throughput degradation, none of which current benchmarks capture. Through a Pareto frontier analysis with explicit benchmark separation, we show that no single paradigm dominates within its evaluation regime: 3DGS methods achieve the best absolute accuracy at 90-254,MB map size on Replica, while scene graphs provide semantic abstraction at predictable cost. We provide the first independently measured $α$ reference values and an $α$-aware budgeting algorithm enabling practitioners to assess deployment feasibility on target hardware prior to implementation.
- Abstract（参考訳）: 視覚ベースのロボットがより大きな環境をナビゲートするにつれて、空間記憶はバウンドなしで成長し、最終的には計算資源を消費する。
本研究は,52システム(1989-2025)にまたがる88の参照において,占有格子から暗黙的表現に至るまでの空間記憶効率の問題について検討した。
我々は、$α= M_{\text{peak}} / M_{\text{map}}$、ピークランタイムメモリ(操作中に消費される全RAMまたはGPUメモリ)と保存されたマップサイズ(ディスクに書き込まれた永続的なチェックポイント)の比率を導入し、公開されたマップサイズと実際のデプロイコストのギャップを明らかにする。
NVIDIA A100 GPU上での独立プロファイリングでは、$α$は2.3(Point-SLAM)から215(NICE-SLAM、47,MBマップは実行時に10GBを必要とする)まで、ニューラルネットワーク内での2桁の規模にまたがる。
本稿では,メモリ増加率,クエリレイテンシ,メモリ完全性曲線,スループットの劣化など,現在のベンチマークが捉えていないような標準評価プロトコルを提案する。
3DGS法はReplica上の90-254,MBの地図サイズで最高の絶対精度を達成し、シーングラフは予測可能なコストでセマンティックな抽象化を提供する。
我々は、最初に独立して測定された$α$参照値と、実装前にターゲットハードウェア上でのデプロイメントの実現可能性を評価するための$α$認識予算アルゴリズムを提供する。
関連論文リスト
- Omni-SimpleMem: Autoresearch-Guided Discovery of Lifelong Multimodal Agent Memory [76.63021613850093]
我々は、生涯にわたるAIエージェントのための統合マルチモーダルメモリフレームワークであるOmni-SimpleMemを発見するために、自律的な研究パイプラインをデプロイする。
システムは2つのベンチマークで最先端を実現し、LoCoMoではF1を+411%改善し、Mem-Galleryでは+214%向上した。
本稿では,6種類の発見型を分類し,特に自動検索に適したマルチモーダルメモリを実現する4つの特性を同定する。
論文 参考訳（メタデータ） (2026-04-01T15:06:23Z) - Semantic Zone-Based Map Management for Stable AI-Integrated Mobile Robots [0.552480439325792]
本稿では,メモリ制約下での高密度マップ利用を安定化するためのセマンティックゾーンベースのマップ管理手法を提案する。
大規模室内環境とNVIDIA Jetson Orin Nano上でのSLAM-VLM同時実行による提案手法の評価を行った。
論文 参考訳（メタデータ） (2026-03-31T11:50:14Z) - RoboMME: Benchmarking and Understanding Memory for Robotic Generalist Policies [54.23445842621374]
記憶は、長い水平と歴史に依存したロボット操作にとって重要である。
近年,視覚言語アクション(VLA)モデルにメモリ機構が組み込まれ始めている。
本稿では,VLAモデルの評価と進展のための大規模標準ベンチマークであるRoboMMEを紹介する。
論文 参考訳（メタデータ） (2026-03-04T21:59:32Z) - Memory-Efficient Structured Backpropagation for On-Device LLM Fine-Tuning [10.913120072779193]
デバイス上での微調整により、大きな言語モデルのプライバシ保護によるパーソナライズが可能になる。
モバイルデバイスは、すべてのワークロード間で共有される6～12GBの厳しいメモリ制約を課す。
メモリ効率のよい構造化バックプロパゲーション(MeSP)を提案する。
MeSPはピークメモリを361MBから136MBのQwen2.5-0.5Bに減らし、これまで不可能だった微調整シナリオを実現する。
論文 参考訳（メタデータ） (2026-02-13T16:24:33Z) - Semantic Zone based 3D Map Management for Mobile Robot [0.552480439325792]
3Dマップは大量のメモリを消費するので、限られた計算資源内で完全なマップデータを維持することは困難である。
既存のSLAMフレームワークは通常、メモリ管理のために幾何学的距離や時間的メトリクスに依存している。
本稿では,そのパラダイムを幾何学中心の制御から意味論中心の制御へシフトさせるセマンティックゾーンに基づく3Dマップ管理手法を提案する。
論文 参考訳（メタデータ） (2025-12-13T07:55:40Z) - SHARe-KAN: Holographic Vector Quantization for Memory-Bound Inference [0.0]
ビジョン・カンはホログラフィック・トポロジーを示しており、情報は特定のエッジに局所化されるのではなく、スプラインの干渉によって分散される。
本稿では,ゲイン形状バイアスベクトル量子化を利用した高密度トポロジーを保ちながら機能的冗長性を利用するフレームワークであるSHARe-KANを提案する。
論文 参考訳（メタデータ） (2025-12-10T04:10:13Z) - xMem: A CPU-Based Approach for Accurate Estimation of GPU Memory in Deep Learning Training Workloads [2.2991119948183525]
ジョブがどれだけのGPUメモリを必要とするかを推定することは、高度なスケジューリングとGPUの共有を可能にするための基本となる。
我々は、CPUのみの動的解析を利用してGPUメモリのピーク要求を正確に推定する新しいフレームワークであるxMemを提案する。
ANOVAとMonte Carloの結果を含む5209実行の解析は、xMemのメリットを強調している。
論文 参考訳（メタデータ） (2025-10-23T23:16:27Z) - Rethinking Memory in AI: Taxonomy, Operations, Topics, and Future Directions [55.19217798774033]
メモリは、大規模言語モデル(LLM)ベースのエージェントを支える、AIシステムの基本コンポーネントである。
本稿ではまず,メモリ表現をパラメトリックおよびコンテキスト形式に分類する。
次に、コンソリデーション、更新、インデックス付け、フォッティング、検索、圧縮の6つの基本的なメモリ操作を紹介します。
論文 参考訳（メタデータ） (2025-05-01T17:31:33Z) - Memory-Efficient Training for Deep Speaker Embedding Learning in Speaker Verification [50.596077598766975]
資源制約のあるシナリオにおける深層話者埋め込み学習のためのメモリ効率のトレーニング戦略について検討する。
アクティベーションのために、中間アクティベーションを格納する必要がない2種類の可逆ニューラルネットワークを設計する。
状態に対して、元の32ビット浮動小数点値を動的ツリーベースの8ビットデータ型に置き換える動的量子化手法を導入する。
論文 参考訳（メタデータ） (2024-12-02T06:57:46Z) - ROME: Robustifying Memory-Efficient NAS via Topology Disentanglement and
Gradient Accumulation [106.04777600352743]
微分可能なアーキテクチャサーチ(DARTS)は、スーパーネット全体がメモリに格納されているため、メモリコストが大幅に低下する。
シングルパスのDARTSが登場し、各ステップでシングルパスのサブモデルのみを選択する。
メモリフレンドリーだが、計算コストも低い。
RObustifying Memory-Efficient NAS (ROME) と呼ばれる新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-23T06:34:07Z)
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。