論文の概要: Nano-U: Efficient Terrain Segmentation for Tiny Robot Navigation

• arxiv url: http://arxiv.org/abs/2605.10210v1
• Date: Mon, 11 May 2026 08:54:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.669319
• Title: Nano-U: Efficient Terrain Segmentation for Tiny Robot Navigation
• Title（参考訳）: ナノU:ティニーロボットナビゲーションのための効率的なテランのセグメンテーション
• Authors: Federico Pizzolato, Francesco Pasti, Nicola Bellotto,
• Abstract要約: 低コストマイクロコントローラ上でのロバストなバイナリ地形セグメンテーションのための完全なフレームワークを開発する。 我々のアプローチの核となるのは、数千のパラメータを持つ非常にコンパクトなバイナリセグメンテーションネットワークであるNano-Uを設計することである。 我々はQAD(Quantization-Aware Distillation)を通じてNano-Uを訓練し、知識蒸留と量子化-Aware Trainingを組み合わせた。 Rustで実装されたTinyML用のコンパイラベースの推論エンジンであるMicroFlowを拡張して,コモディティマイクロコントローラ上に量子化Nano-Uをデプロイする。
• 参考スコア（独自算出の注目度）: 3.5866729725943576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Terrain segmentation is a fundamental capability for autonomous mobile robots operating in unstructured outdoor environments. However, state-of-the-art models are incompatible with the memory and compute constraints typical of microcontrollers, limiting scalable deployment in small robotics platforms. To address this gap, we develop a complete framework for robust binary terrain segmentation on a low-cost microcontroller. At the core of our approach we design Nano-U, a highly compact binary segmentation network with a few thousand parameters. To compensate for the network's minimal capacity, we train Nano-U via Quantization-Aware Distillation (QAD), combining knowledge distillation and quantization-aware training. This allows the final quantized model to achieve excellent results on the Botanic Garden dataset and to perform very well on TinyAgri, a custom agricultural field dataset with more challenging scenes. We deploy the quantized Nano-U on a commodity microcontroller by extending MicroFlow, a compiler-based inference engine for TinyML implemented in Rust. By eliminating interpreter overhead and dynamic memory allocation, the quantized model executes on an ESP32-S3 with a minimal memory footprint and low latency. This compiler-based execution demonstrates a viable and energy-efficient solution for perception on low-cost robotic platforms.
• Abstract（参考訳）: テランのセグメンテーションは、非構造屋外環境で動作する自律移動ロボットの基本的な機能である。 しかし、最先端モデルはマイクロコントローラの典型的なメモリや計算の制約とは相容れないため、小さなロボティクスプラットフォームでのスケーラブルな展開が制限される。 このギャップに対処するため、我々は低コストのマイクロコントローラ上で、堅牢なバイナリ地形セグメンテーションのための完全なフレームワークを開発した。 我々のアプローチの核となるのは、数千のパラメータを持つ非常にコンパクトなバイナリセグメンテーションネットワークであるNano-Uを設計することである。 ネットワークの最小容量を補うため,QAD(Quantization-Aware Distillation)を用いてNano-Uを訓練し,知識蒸留と量子化対応トレーニングを組み合わせた。 これにより、最終定量化モデルは、ボタニックガーデンデータセット上で優れた結果を得ることができ、より困難なシーンを持つカスタム農業用フィールドデータセットであるTinyAgri上で非常にうまく機能する。 Rustで実装されたTinyML用のコンパイラベースの推論エンジンであるMicroFlowを拡張して,コモディティマイクロコントローラ上に量子化Nano-Uをデプロイする。 インタプリタのオーバーヘッドと動的メモリ割り当てを排除することで、量子化モデルは、最小限のメモリフットプリントと低レイテンシでESP32-S3上で実行される。 このコンパイラベースの実行は、低コストなロボットプラットフォーム上での認識において、実用的でエネルギー効率のよいソリューションを実証する。

関連論文リスト

• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• Control of Microrobots with Reinforcement Learning under On-Device Compute Constraints [5.456154853270863]
  自律型ロボットの重要な機能は、地形上で堅牢な移動を行う能力である。 本稿では,マイクロロボットのローコモーションに対するエッジMLアプローチについて検討し,デバイス上での計算,メモリ,電力制約による低レイテンシ制御を実現する。
  論文  参考訳（メタデータ） (2025-12-31T09:18:36Z)
• Deeploy: Enabling Energy-Efficient Deployment of Small Language Models On Heterogeneous Microcontrollers [11.365735615086292]
  Deeployは新しいDeep Neural Network(DNN)コンパイラで、最小限のランタイムサポートを必要とする高度に最適化されたCコードを生成する。 Deeploy は RV32 コアの命令拡張と NPU をフル活用して,SLM の実行のためのエンドツーエンドコードを生成する。 我々は,TinyStoriesデータセットでトレーニングしたSLMに対して,毎秒SI340TokenでSI490マイクロジュールの最先端エネルギーとスループットを実現する。
  論文  参考訳（メタデータ） (2024-08-08T12:40:27Z)
• On-device Self-supervised Learning of Visual Perception Tasks aboard Hardware-limited Nano-quadrotors [53.59319391812798]
  SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。 彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。 未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。 本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
  論文  参考訳（メタデータ） (2024-03-06T22:04:14Z)
• MCUFormer: Deploying Vision Transformers on Microcontrollers with Limited Memory [76.02294791513552]
  我々はMCUFormerと呼ばれるハードウェア・アルゴリズムの協調最適化手法を提案し、メモリが極端に制限されたマイクロコントローラにビジョントランスフォーマーを配置する。 MCUFormerは320KBのメモリを持つ画像分類のためのImageNet上で73.62%のTop-1精度を実現している。
  論文  参考訳（メタデータ） (2023-10-25T18:00:26Z)
• AutoMoE: Heterogeneous Mixture-of-Experts with Adaptive Computation for Efficient Neural Machine Translation [104.0979785739202]
  ニューラルネットワーク翻訳(NMT)タスクにおいて、Mixture-of-Expert(MoE)モデルが最先端のパフォーマンスを得た。 既存のMoEモデルは、ネットワーク全体に同じサイズの専門家が一様に配置される均質な設計を主に考慮している。 計算制約下での不均一なMoEを設計するためのフレームワークであるAutoMoEを開発した。
  論文  参考訳（メタデータ） (2022-10-14T05:32:17Z)
• Keyword Spotting System and Evaluation of Pruning and Quantization Methods on Low-power Edge Microcontrollers [7.570300579676175]
  キーワードスポッティング(KWS)は、エッジの低消費電力デバイスとの音声ベースのユーザインタラクションに有用である。 本稿では,Cortex-M7コア@216MHzと512KBの静的RAMを備えたSTM32F7マイクロコントローラ上で動作するKWSシステムについて述べる。
  論文  参考訳（メタデータ） (2022-08-04T16:49:45Z)
• Quantization and Deployment of Deep Neural Networks on Microcontrollers [0.0]
  この研究は、低消費電力32ビットマイクロコントローラへのディープニューラルネットワークの量子化と展開に焦点を当てている。 エンドツーエンドのディープニューラルネットワークトレーニング、量子化、デプロイメントのための新しいフレームワークが紹介されている。 単一精度32ビット浮動小数点と8ビットおよび16ビット整数上の固定点を用いた実行がサポートされている。
  論文  参考訳（メタデータ） (2021-05-27T17:39:06Z)

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。