論文の概要: AIGaitor: Privacy-preserving and cloud-free motion analysis for everyone, using edge computing

• arxiv url: http://arxiv.org/abs/2605.21421v1
• Date: Wed, 20 May 2026 17:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.805457
• Title: AIGaitor: Privacy-preserving and cloud-free motion analysis for everyone, using edge computing
• Title（参考訳）: AIGaitor:エッジコンピューティングを使用して、すべての人のプライバシ保護とクラウドフリーモーション分析
• Abstract要約: AIGaitorは、プライバシ保護とクラウドフリーなモーション分析システムである。 マーカーのないモノクラーモーションキャプチャーパイプラインと、下流のディープラーニング分析を、消費者向けスマートフォンで完全に実行する。
• 参考スコア（独自算出の注目度）: 0.5161531917413708
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Motion capture is the gold standard for measuring human movement, but clinical use remains limited by cost, technical complexity, and privacy concerns. AIGaitor is a privacy-preserving, cloud-free motion analysis system that runs markerless monocular motion-capture pipelines and downstream deep-learning analysis entirely on a consumer smartphone using on-device neural accelerators. To motivate its design, we surveyed 74 rehabilitation clinicians: 92 percent said they would adopt an accurate, cost-effective, easy-to-use AI gait analysis tool, while 79.7 percent cited operating cost, 68.9 percent insufficient training, and 64.9 percent privacy concerns as leading barriers. We then optimized and benchmarked mobile iOS implementations of current monocular pipeline components, including 2D and 3D pose estimation, pose optimization, skeleton-based deep-learning analysis, and a vision-language model. A Time-Priority end-to-end on-device pipeline processes a 10 s 4K 60 fps video clip in 77 s on an iPhone 14, matching or beating the same pipeline on a high-end NVIDIA H200 cloud server when network transfer is included: 94 s at global mobile-average uplink and 66 s at developed-world Wi-Fi. Lightweight models such as ViTPose-s achieve real-time keypoint extraction, and skeleton-based action-recognition models provide sub-millisecond gait classification on the same clip. To our knowledge, AIGaitor is the first monocular system to demonstrate end-to-end on-device motion capture and downstream deep-learning analysis, supporting clinically applicable movement analysis that is low-cost, private, and accessible to smartphone users.
• Abstract（参考訳）: モーションキャプチャーは人間の動きを測定するための金の標準であるが、臨床利用はコスト、技術的な複雑さ、プライバシーの懸念によって制限されている。 AIGaitorは、プライバシを保存するクラウドフリーなモーション分析システムで、マーカーのないモノクラーモーションキャプチャパイプラインと下流のディープラーニング分析を、オンデバイスニューラルアクセラレータを使用して、コンシューマスマートフォンで完全に実行する。 92%が正確で費用効果が高く、使いやすいAI歩行分析ツールを採用すると回答し、79.7%が手術コスト、68.9%のトレーニング不足、64.9%のプライバシー懸念を主要な障壁として挙げた。 次に、2Dと3Dのポーズ推定、ポーズ最適化、スケルトンベースのディープラーニング分析、ビジョン言語モデルを含む、現在の単分子パイプラインコンポーネントのモバイルiOS実装を最適化し、ベンチマークした。 Time-Priorityのエンドツーエンドのパイプラインは、iPhone 14上で10 s 4K 60 fpsのビデオクリップを77 sで処理する。 ViTPose-sのような軽量モデルは、リアルタイムなキーポイント抽出を実現し、スケルトンに基づく行動認識モデルは、同じクリップ上でミリ秒以下の歩行分類を提供する。 我々の知る限り、AIGaitorは、エンド・ツー・エンドのデバイス上でのモーションキャプチャと下流のディープラーニング分析を実証する最初の単眼システムである。

関連論文リスト

• Robust Slip Detection and Material Classification via Spatiotemporal Transformers on a Uniformly-Illuminated Visuo-Tactile Sensor [52.33204893988409]
  本稿では,一様照明をカスタマイズした視覚触覚センサと統合認識フレームワークを提案する。 提案するハードウェア・ソフトウェア・フレームワークは、複雑なロボット操作のための高忠実度フィードバックと強力なマルチモーダル認識ベースラインを提供する。
  論文  参考訳（メタデータ） (2026-08-25T07:25:27Z)
• Seeing Through WiFi: Lightweight Human Pose Estimation with Dynamic Kernel Attention [55.570606479386434]
  WiFiベースのヒューマンポーズ推定(HPE)は、ウェアラブルデバイスを必要とせず、人体の位置や動きの検出と解釈を可能にする。 本稿では、WiFi CSI信号を用いた軽量で効率的なポーズ推定のための新しいフレームワークWiLHPEを提案する。
  論文  参考訳（メタデータ） (2026-07-03T11:04:05Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• Fast Human Attention Prediction for Fixation-guided Active Perception in Autonomous Navigation [10.364779390403337]
  本稿では,軽量なスキャンパス予測モデルであるGazeLNNを紹介する。 アーキテクチャは自動回帰的に動作し、シーケンシャルなフィクスレーションのヒートマップを予測する。 MIT Low Resolutionデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-06-18T17:08:06Z)
• Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
  ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。 本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-16T10:20:05Z)
• TinyGLASS: Real-Time Self-Supervised In-Sensor Anomaly Detection [7.978059159334374]
  異常検出は、ラベル付き欠陥サンプルの不足にもかかわらず欠陥を特定する必要がある産業品質管理において重要な役割を担っている。 GLASSのような近年の自己教師型アプローチは、欠陥のないデータのみを用いて通常の視覚パターンを学習し、産業ベンチマークで高い性能を示した。 この研究は、リアルタイムエッジとセンサ内異常検出のために設計されたGLASSフレームワークの軽量な適応であるTinyGLASSを紹介する。
  論文  参考訳（メタデータ） (2026-03-17T12:31:34Z)
• UniVTAC: A Unified Simulation Platform for Visuo-Tactile Manipulation Data Generation, Learning, and Benchmarking [47.900334665380115]
  シミュレーションベースのビジュオ触覚データプラットフォームUniVTACを提案する。 大規模なシミュレーション合成データに基づいて訓練されたビジュオ触覚エンコーダであるUniVTACエンコーダを紹介する。 代表的な8つのビジュオ触覚操作タスクからなるUniVTACベンチマークを提案する。
  論文  参考訳（メタデータ） (2026-02-10T18:57:00Z)
• Step-GUI Technical Report [84.83795946544292]
  本稿では,Calibrated Step Reward Systemを利用した自己進化型トレーニングパイプラインを提案する。 また、最先端のGUI性能を実現するモデル群であるStep-GUIについても紹介する。 エージェントが日常的に使えるかどうかを評価するために,AndroidDailyを紹介した。
  論文  参考訳（メタデータ） (2025-12-17T13:26:30Z)
• Video Object Recognition in Mobile Edge Networks: Local Tracking or Edge Detection? [57.000348519630286]
  モバイルエッジコンピューティングの最近の進歩により、高精度ニューラルネットワークを備えたエッジサーバに集約的なオブジェクト検出をオフロードすることが可能になった。 このハイブリッドアプローチは有望なソリューションを提供するが、新たな課題として、エッジ検出とローカルトラッキングのタイミングを決定する。 局所的なトラッキングとエッジ検出を適応的に選択する深層強化学習に基づくアルゴリズムである単一デバイス環境での LTED-Ada を提案する。
  論文  参考訳（メタデータ） (2025-11-25T04:54:51Z)
• STAR: A Privacy-Preserving, Energy-Efficient Edge AI Framework for Human Activity Recognition via Wi-Fi CSI in Mobile and Pervasive Computing Environments [0.0]
  Wi-Fi Channel State Information (CSI)によるヒューマンアクティビティ認識は、スマートホーム、ヘルスケア監視、モバイルIoTシステムに適した、プライバシ保護、コンタクトレスセンシングアプローチを提供する。 本稿では,軽量ニューラルネットワーク,適応信号処理,ハードウェア対応協調最適化を統合したエッジAI最適化フレームワークSTAR(Sensing Technology for Activity Recognition)を提案する。 サブ秒以下の応答レイテンシと低消費電力により、リアルタイムでプライバシ保護のHARが保証され、モバイルおよび普及型コンピューティング環境に実用的なスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-30T05:08:25Z)
• Reservoir Network with Structural Plasticity for Human Activity Recognition [2.355460994057843]
  Echo State Network(ESN)は、時系列データのユニークなパターンを特定し、将来のイベントを予測するために使用できる、リカレントニューラルネットワークのクラスである。 本研究では,ESNターゲットエッジデバイスに基づくカスタム設計ニューロモルフィックチップを提案する。 提案システムは, 構造的可塑性, シナプス的可塑性, 局所的オンチップなど, 様々な学習メカニズムをサポートする。
  論文  参考訳（メタデータ） (2025-03-01T07:57:22Z)
• Towards Consumer-Grade Cybersickness Prediction: Multi-Model Alignment for Real-Time Vision-Only Inference [3.4667973471411853]
  サイバーシックネスは没入型バーチャルリアリティ(VR)の普及の大きな障害である 我々は、パーソナライズされたサイバーシックネス予測のためのスケーラブルでデプロイ可能なフレームワークを提案する。 当社のフレームワークは,コンシューマレベルのVRプラットフォームとの統合に理想的なリアルタイムアプリケーションをサポートしています。
  論文  参考訳（メタデータ） (2025-01-02T11:41:43Z)
• OptiState: State Estimation of Legged Robots using Gated Networks with Transformer-based Vision and Kalman Filtering [42.817893456964]
  脚のあるロボットの状態推定は、非常にダイナミックな動きとセンサーの精度による制限のために困難である。 本稿では,ロボットのトランクの状態を推定するために,プロピロセプションと外部受動的情報を組み合わせたハイブリッドソリューションを提案する。 このフレームワークは正確なロボットの状態推定を行うだけでなく、センサの測定や学習によるモデルの単純化から生じる非線形誤差を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2024-01-30T03:34:25Z)
• Robustifying the Deployment of tinyML Models for Autonomous mini-vehicles [61.27933385742613]
  本稿では,ループ内環境を含む自動運転ミニ車両を対象とした閉ループ学習フローを提案する。 我々は、小型CNNのファミリーを利用してミニ車両を制御し、コンピュータビジョンアルゴリズム、すなわち専門家を模倣してターゲット環境で学習する。 CNNのファミリを実行する場合、我々のソリューションはSTM32L4とk64f(Cortex-M4)の他の実装よりも優れており、レイテンシを13倍以上削減し、エネルギー消費を92%削減する。
  論文  参考訳（メタデータ） (2020-07-01T07:54:26Z)

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。