論文の概要: ORICF -- Open Robotics Inference and Control Framework

• arxiv url: http://arxiv.org/abs/2605.09656v1
• Date: Sun, 10 May 2026 17:08:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.35324
• Title: ORICF -- Open Robotics Inference and Control Framework
• Title（参考訳）: ORICF -- オープンロボティクス推論と制御フレームワーク
• Authors: Andrés Meseguer Valenzuela, Luís Miguel Bartolín Arnau,
• Abstract要約: Open Robotics Inference and Control Framework (ORICF)は、マルチモーダルロボット推論パイプラインを構成するためのモジュール的で宣言的で、モデルに依存しないプラットフォームである。 このフレームワークはまた、エッジオフロード、つまりロボットを搭載せず、近くの外部コンピュータで推論を実行することをサポートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in artificial intelligence (AI) have enabled effective perception and language models for robots, but their deployment remains computationally expensive, increasing latency and energy use. This work presents the Open Robotics Inference and Control Framework (ORICF), a modular, declarative, and model-agnostic platform for composing multimodal robotic inference pipelines. ORICF integrates input/output (I/O) adapters, pluggable inference back ends, and post-processing logic, while lightweight YAML specifications allow models, hardware targets, and data channels to be changed without code modification. The framework also supports edge offloading, i.e., executing inference on nearby external computers instead of onboard the robot. ORICF is evaluated on a mobile robot that answers spoken queries about people detected in its camera stream by combining automatic speech recognition (ASR), a large language model (LLM), and a convolutional neural network (CNN) detector through Robot Operating System 2 (ROS2). Compared with onboard execution, ORICF-based edge deployment reduces robot-side compute utilization by up to 83.16% and estimated energy consumption by 65.8%, while preserving modularity and reproducibility.
• Abstract（参考訳）: 人工知能(AI)の最近の進歩は、ロボットの効果的な認識と言語モデルを実現しているが、その展開は計算コストが高く、レイテンシとエネルギー使用が増加している。 本研究は,マルチモーダルロボット推論パイプラインを構成するモジュール型,宣言型,モデルに依存しないプラットフォームである,Open Robotics Inference and Control Framework(ORICF)を紹介する。 ORICFは入出力(I/O)アダプタ、プラグ可能な推論バックエンド、後処理ロジックを統合し、軽量なYAML仕様では、コード修正なしにモデル、ハードウェアターゲット、データチャネルを変更することができる。 このフレームワークはまた、エッジオフロード、つまりロボットを搭載せず、近くの外部コンピュータで推論を実行することをサポートする。 ORICFは、自動音声認識(ASR)、大言語モデル(LLM)、ロボットオペレーティングシステム2(ROS2)による畳み込みニューラルネットワーク(CNN)検出器を組み合わせることで、カメラストリームで検出された人々の音声クエリに答える移動ロボット上で評価される。 ORICFベースのエッジデプロイメントは、オンボード実行と比較して、モジュール性と再現性を保ちながら、ロボット側の計算利用を最大83.16%削減し、エネルギー消費を65.8%削減する。

関連論文リスト

• A Semantic Autonomy Framework for VLM-Integrated Indoor Mobile Robots: Hybrid Deterministic Reasoning and Cross-Robot Adaptive Memory [5.2851376150891864]
  本稿では,セマンティックな屋内ナビゲーションのための6層参照フレームワークを提案する。 7ステップのパラメトリックリゾルバは、言語モデル、カメラ、GPUを呼び出すことなく0.1ミリ秒未満で88%の命令を処理する。 明示的なスコープ分類を持つ5カテゴリセマンティックメモリフレームワークは、クロスセッション学習とクロスロボット知識伝達を可能にする。
  論文  参考訳（メタデータ） (2026-05-04T12:27:03Z)
• vAccSOL: Efficient and Transparent AI Vision Offloading for Mobile Robots [1.784741753796716]
  ロボットとエッジプラットフォームをまたいだAIベースのビジョンワークロードの効率的かつ透過的な実行のためのフレームワークであるvAccSOLを提案する。 商用四足歩行ロボットと12種類のディープラーニングモデルを用いた実世界のテストベッド上でのvAccSOLの評価を行った。 エッジオフロードにより、vAccSOLはロボット側の消費電力を最大80%削減し、エッジ側の電力を最大60%削減すると同時に、ビジョンパイプラインのフレームレートを最大24倍に向上させる。
  論文  参考訳（メタデータ） (2026-03-17T15:44:44Z)
• End-to-End O-RAN Testbed for Edge-AI-Enabled 5G/6G Connected Industrial Robotics [1.2179379138011863]
  我々は5G/6G O-RANをベースとしたE-AIを産業用ロボットアプリケーションに統合したエンドツーエンドテストベッドを提案する。 テストベッドは、さまざまなデータ取得、エッジ処理、ロボット知覚のためのリアルタイムストリーミングアプローチ間のトレードオフを調査するために使用される。
  論文  参考訳（メタデータ） (2026-03-13T20:14:32Z)
• RSLCPP -- Deterministic Simulations Using ROS 2 [4.815503491342169]
  シミュレーションは現実世界のロボット工学において不可欠であり、アプリケーションを開発するための安全でスケーラブルで効率的な環境を提供する。 ROS2ノードを用いて決定論的シミュレーションを作成する手法を提案する。 提案手法は,合成ベンチマークと実世界のロボットシステムの両方をテストする際に,同じ結果が得られる。
  論文  参考訳（メタデータ） (2026-01-11T20:10:54Z)
• DeeR-VLA: Dynamic Inference of Multimodal Large Language Models for Efficient Robot Execution [114.61347672265076]
  実世界のロボットのためのMLLMの開発は、ロボットプラットフォームで利用可能な計算能力とメモリ容量が典型的に限られているため、難しい。 活性化MLLMのサイズを自動的に調整するロボットビジョンランゲージ・アクション・モデル(DeeR)の動的早期実行フレームワークを提案する。 DeeR は LLM の計算コストを 5.2-6.5x に削減し、GPU のメモリを 2-6x に削減した。
  論文  参考訳（メタデータ） (2024-11-04T18:26:08Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• LPAC: Learnable Perception-Action-Communication Loops with Applications to Coverage Control [72.81786007015471]
  本稿では,その問題に対する学習可能なパーセプション・アクション・コミュニケーション(LPAC)アーキテクチャを提案する。 CNNは局所認識を処理する。グラフニューラルネットワーク(GNN)はロボットのコミュニケーションを促進する。 評価の結果,LPACモデルは標準分散型および集中型カバレッジ制御アルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-01-10T00:08:00Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。