論文の概要: DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines

• arxiv url: http://arxiv.org/abs/2605.19887v1
• Date: Tue, 19 May 2026 14:17:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.394007
• Title: DAG-Based QoS-Aware Dynamic Task Placement for Networked Multi-Stage Control Pipelines
• Title（参考訳）: ネットワーク型マルチステージ制御パイプラインにおけるDAGに基づくQoS対応動的タスク配置
• Authors: Thien Tran, Jonathan Kua, Thuong Hoang, Minh Tran, Yuemin Ding, Jiong Jin,
• Abstract要約: 現在の物理AIは、クローズドループのビジュアルサーボパイプラインに大きく依存している。 認識タスクをオンサイトエッジに静的にオフロードすることは、標準化された産業ネットワーク上でのレイテンシに敏感で正確な工業的設定には不適切である。 本稿では,ネットワーク型ロボットにおける知覚・知覚・計画制御パイプラインのための指向型非巡回グラフ(DAG)に基づく品質・オブ・サービス(QoS)対応動的タスク配置(DTP)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.531395561451493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Current Physical AI (PAI) relies heavily on closed-loop visual-servoing pipelines, whose perception and planning stages may become computationally intensive onboard due to complex models embedded on robots. In practice, offloading the perception task to on-site edges statically is inappropriate for latency-sensitive, precise industrial settings over a standardized industrial network. This emphasizes the importance of Control-Communication-Computing (3C) co-design in industrial automation: monolithic local execution saturates AI-accelerated machine and robot hardware, while static edge offloading exposes the control loop to network jitter. Existing adaptive task placement (ATP) controllers can partially address the gap by relocating a single pipeline stage on binary threshold rules, without a multi-stage model and an explicit cost on placement switching. In this Work-in-Progress (WiP) paper, we propose a directed acyclic graph (DAG) based quality-of-service (QoS)-aware dynamic task placement (DTP) framework for sensing-perception-planning-control pipelines in networked robotics. This pipeline is formalized as a DAG with task-level and node-level attributes for compute cost, communication delay, and feasible placement sets; over a small interpretable candidate set (fully local, static offload, hybrid), a window-based cost function combines tail end-to-end latency, deadline violation rate, hardware utilization, and a Hamming-distance switching penalty, and a DTP algorithm with hysteresis and a minimum dwell-time bounds placement chatter. Our WiP paper presents the theoretical framework, a structured qualitative analysis, and a two-phase simulation plus hardware-in-the-loop validation roadmap.
• Abstract（参考訳）: 現在の物理AI(PAI)は、ロボットに埋め込まれた複雑なモデルにより、知覚と計画段階が計算集約化される可能性があるクローズドループビジュアルサーボパイプラインに大きく依存している。 実際に、認識タスクをオンサイトエッジに静的にオフロードすることは、標準化された産業ネットワーク上での遅延に敏感で正確な産業環境にとって不適切である。 モノリシックなローカル実行はAIが加速するマシンとロボットのハードウェアを飽和させ、静的エッジのオフロードは制御ループをネットワークジッタに公開する。 既存のアダプティブタスク配置(ATP)コントローラは、バイナリしきい値ルール上の単一のパイプラインステージを、マルチステージモデルと配置切り替え時の明示的なコストなしで再配置することで、ギャップに部分的に対処することができる。 本稿では,ネットワーク型ロボットにおける知覚・知覚・計画制御パイプラインのための指向型非循環グラフ(DAG)に基づくQoS(Quality-of-Service)動的タスク配置(DTP)フレームワークを提案する。 このパイプラインは、計算コスト、通信遅延、実現可能な配置セットのためのタスクレベルおよびノードレベル属性を備えたDAGとして形式化されており、小さな解釈可能な候補セット(主にローカル、静的オフロード、ハイブリッド)では、ウィンドウベースのコスト関数が、末尾の遅延、期限違反率、ハードウェア利用率、ハミング距離切替ペナルティと、ヒステリシスと最小ドウェル時間境界配置タタを備えたDTPアルゴリズムを組み合わせたものである。 本稿では,理論的枠組み,構造化定性解析,二相シミュレーションとハードウェア・イン・ザ・ループの検証ロードマップを提案する。

関連論文リスト

• Device-Conditioned Neural Architecture Search for Efficient Robotic Manipulation [16.017058636822025]
  我々はtextbfDevice-textbfConditioned textbfQuantization-textbfFor-textbfAll (DC-QFA) という統合フレームワークを提案する。 DC-QFAは、デバイス条件の量子化対応トレーニングとハードウェア制約のあるアーキテクチャサーチによるデプロイメントの取り組みを改善している。
  論文  参考訳（メタデータ） (2026-04-11T11:36:16Z)
• LiteVLA-Edge: Quantized On-Device Multimodal Control for Embedded Robotics [0.6119773373677944]
  本稿では,Jetson Orinクラスハードウェア上でのデバイス上での完全な推論のための,デプロイメント指向のVLAパイプラインであるLiteVLA-Edgeを紹介する。 提案手法は、FP32における教師付きイメージ・ツー・アクションの微調整と、4ビットGGUF量子化とGPU加速推論を組み合わせたものである。 我々の構成では、LiteVLA-Edgeは、完全にオフラインで動作しながら、150.5,ms(約6.6,Hz)の平均エンドツーエンドランタイムを達成する。
  論文  参考訳（メタデータ） (2026-03-03T03:20:52Z)
• Hierarchical Online-Scheduling for Energy-Efficient Split Inference with Progressive Transmission [23.81409473238433]
  Deep Neural Networks(DNN)によるデバイスエッジのコラボレーティブ推論は、精度、レイテンシ、エネルギー消費の基本的なトレードオフに直面している。 本稿では,ENACHI という名前の分割推論のための新しいエネルギー精度階層型最適化フレームワークを提案する。 ImageNetデータセットの実験では、ENACHIはさまざまな期限と帯域幅で最先端のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2026-01-13T01:56:46Z)
• Algorithms for dynamic scheduling in manufacturing, towards digital factories Improving Deadline Feasibility and Responsiveness via Temporal Networks [0.0]
  従来の決定論的スケジュールは、現実が名目上の計画から逸脱した時に崩壊する。 この論文は、オフラインの制約プログラミングとオンラインの時間的ネットワーク実行を組み合わせることで、最悪の不確実性の下で実現可能なスケジュールを作成する。
  論文  参考訳（メタデータ） (2025-10-16T17:28:25Z)
• DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
  DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。 タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。 シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-03-07T11:41:18Z)
• SCoTT: Strategic Chain-of-Thought Tasking for Wireless-Aware Robot Navigation in Digital Twins [78.53885607559958]
  無線対応経路計画フレームワークであるSCoTTを提案する。 SCoTT は DP-WA* の2% 以内で経路ゲインを達成し, 連続的に短い軌道を生成できることを示す。 また,ガゼボシミュレーションにおいて,SCoTTをROSノードとして配置することにより,本手法の実用性を示す。
  論文  参考訳（メタデータ） (2024-11-27T10:45:49Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)

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。